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.

The post Akademik Yazımda Açımlayıcı ve Doğrulayıcı Faktör Analizi first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.

1) Ön Hazırlık ve İzinler: Neden Bu Ölçek? Hangi Lisansla?

Uyarlama gerekçesi (literatürde boşluk, yerel bağlam farkı, mevcut ölçeğin sorunları) açıkça yazılmalı; orijinal geliştiriciden yazılı izin ve lisans koşulları (akademik kullanım, ticari kullanım, uyarlama hakkı) netleşmelidir.
Uygulama:

• Ölçeğin kuramsal çerçevesini ve raporlanan psikometrik göstergelerini (CFI/TLI, RMSEA, α/ω, örneklem) özetleyin.

• Tezinizin etik kurul onayı alın; veri saklama/gizlilik planını hazırlayın.
  Örnek Metin: “Yazar(lar)dan 12.06.2025 tarihinde uyarlama izni alınmış, ölçek yalnız akademik kullanım için lisanslanmıştır.”

2) Kavramsal Eşdeğerlik: Aynı Ad, Aynı Anlam mı?

Kültürler arası uyarlamada ilk risk, “adı aynı fakat içeriği farklı” kavramlardır.
Adımlar:

• Literatür taramasıyla kavramın yerel bağlamdaki karşılığını ve yakın kavramları haritalayın.

• Hedef popülasyonda 6–10 kişilik bilişsel görüşmeler: “Bu maddeyi nasıl anladınız?”

• Gerekirse alt boyutların tanımlarını yeniden yazın; kavramsal eşleştirme tablosu hazırlayın.
  Çıktı: Uyarlanan her madde için kavramsal gerekçe notu.

3) İleri–Geri Çeviri (Forward–Back Translation) ve Uzman Paneli

Standart yol:

1. İleri çeviri (en az iki bağımsız çevirmen).

2. Uzman paneli (alan uzmanı + dilbilimci + yöntemci) ile uzlaşı sürümü.

3. Geri çeviri (orijinali görmeyen çevirmen).

4. Geliştiriciyle uzlaşı (geri çevirinin orijinale yakınlığına ilişkin geribildirim).
   İlke: Anlam eşdeğerliği > kelime eşdeğerliği. Maddelerde deyimsel/kültürel içerikleri “işlevsel eşdeğer” ifadelerle karşılayın.

4) Bilişsel Görüşmeler ve Ön Test: Anlam Boşluklarını Yakalamak

Teknik: Think-aloud ve probing soruları ile madde anlaşılabilirliğini ve bilişsel süreçleri test edin.
Örnek Probing: “Bu maddede ‘düzenli’ derken ne sıklığı düşündünüz?”, “Bu ifadeyi günlük hayatınızda hangi örnekle ilişkilendiriyorsunuz?”
Karar Kriteri: Yanlış anlaşılan, kültürel olarak uzak ya da belirsiz maddeler revize edilir veya çıkarılır.

5) Örneklem Tasarımı ve Güç: AFA–DFA İçin N Kaç Olmalı?

• AFA: Genel kural m=madde sayısının 5–10 katı; ancak yüklenme gücüne duyarlı plan yapın (yük ≥ .40 hedeflenir).

• DFA/SEM: Model karmaşıklığı, göstergeler ve serbestlik derecesine göre minimum 200 önerilir; power ve GA genişliği hedefinizle uyumlu örneklem planlayın.

• Bölünmüş örneklem: AFA için kalibrasyon, DFA için doğrulama örneklemi ayırın (veya iki dalga veri).

6) Pilot Uygulama: Mekanik Sorunları Erken Yakalamak

Pilot (n≈50–150), dağılım, tavan–taban etkileri, madde–toplam korelasyonları, cevap seçeneklerinin ayırt ediciliği, eksik veri örüntülerini gösterir.
Düzeltmeler: Aşırı çarpık maddeler için ifade yumuşatma, yanıt seçeneklerinin sayısını/çapalarını ayarlama (ör. 7’den 5’e).

7) Madde Analizi: Ayırt Edicilik, Zorluk ve Yanıt Davranışı

• Klasik Test Kuramı (CTT): Madde–toplam r ≥ .30 önerilir; “α if deleted” ile katkısı az maddeleri tartışın.

• Madde Tepki Kuramı (IRT): 2PL/GRM ile ayırt edicilik (a) ve zorluk (b) parametrelerini inceleyin; bilgi fonksiyonlarıyla ölçeğin hangi düzeyde daha hassas ölçtüğünü raporlayın.

• Seçenek İşleyişi: Oran dağılımı, category threshold sıralaması (ordinal veri için).

8) Açımlayıcı Faktör Analizi (AFA): Yapıyı Keşfetmek

• Ön koşullar: KMO≥.70, Bartlett p<.001.

• Çıkarma yöntemi: Principal Axis Factoring (normallik varsayımı esnek).

• Döndürme: Oblimin/Promax (faktörler arası korelasyon beklenir).

• Faktör sayısı: Paralel analiz + scree plot; tek başına özdeğer>1 kullanmayın.

• Yük eşikleri: ≥.40; çapraz yükler ≤.30.
  Rapor: Tablo—madde yükleri, ortak varyans, çıkarılan/ revize edilen maddeler gerekçeleriyle.

9) Doğrulayıcı Faktör Analizi (DFA): Modelin Sınaması

• Uyum Ölçütleri: CFI/TLI≥.90 (ideal ≥.95), RMSEA≤.08 (ideal ≤.06), SRMR≤.08.

• Modifikasyon İndeksleri: Yalnız kuramsal gerekçe varsa uygulanır.

• Kısa Ölçek Tasarımı: Parçalama (item parceling) yalnız tek boyutlu ve yüksek iç tutarlılıkta; aksi halde yapıyı maskeler.

• Alternatif Modeller: Tek boyut, hiyerarşik, bifaktör—karşılaştırın (ΔCFI≤.01 kuralı).
  Şekil: Yol diyagramı, standartlaştırılmış yükler ve hata terimleri.

10) Güvenirlik: Alfa mı, Omega mı, Hangisi Ne Zaman?

• Cronbach α: Alt sınır; tau-eşitliği varsayımına duyarlı.

• McDonald ω: Önerilir; özellikle faktör yükleri farklıyken daha gerçekçi.

• Bileşik Güvenirlik (CR) ve Ortalama Varyans Çıkarımı (AVE): Yapısal geçerlik bölümünde raporlayın (AVE≥.50 öneri).

• Zamana Göre Tutarlılık: Test–tekrar test (r≥.70 hedef), eğer değişmezlik bekleniyorsa.

11) Geçerlik Kanıtları: Kapsam, Yapı, Ölçüt, Yakınsak–Ayrışan

• Kapsam Geçerliği: Uzman panel skorları (I-CVI, S-CVI) ile madde kapsam yeterliği.

• Yapı Geçerliği: AFA/DFA + ölçüm eşdeğerliği (bkz. Bölüm 12).

• Yakınsak–Ayrışan: AVE≥.50; √AVE komşu faktör korelasyonundan büyük (Fornell–Larcker) ve/veya HTMT<.85.

• Ölçüt Geçerliği: Dış kriterlerle korelasyon/ayrım (known-groups).

12) Ölçüm Eşdeğerliği (Measurement Invariance): Grup/Zaman Karşılaştırmalarının Sigortası

Düzeyler:

1. Yapısal (configural): Aynı faktör yapısı.

2. Metrik: Yükler eşit.

3. Skalar: Kesişimler (intercepts) eşit.

4. Artık (strict): Hata varyansları eşit.
   Karar: ΔCFI≤.01 ve ΔRMSEA≤.015 korunuyorsa bir üst düzeye geçilir. Skalar eşdeğerlik sağlanmadan grup ortalaması karşılaştırmayın.
   Uygulama: Cinsiyet, okul türü, kültürler arası karşılaştırmalar için zorunlu bir aşama.

13) Kısaltma ve Uyarlama Kararları: 24 Maddeden 12’ye…

• Kısa form gerekçesi: Uygulama bağlamı, yük azlığı, psikometrik verim.

• Seçim: En yüksek yük ve ayırt edicilik; içerik kapsamı korunmalı (her alt boyuttan temsil).

• Karşılaştırma: Kısa formun DFA uyumu, ω/CR/AVE değerleri; uzun formla korelasyon.

• Etki: Kısaltma sonrası ölçüm duyarlığı (IRT bilgi eğrisi) raporlanmalı.

14) Normlar, Kesme Noktaları ve Yorumlama Kılavuzu

• Norm Çalışması: Yaş/cinsiyet/bağlam kırılımlarıyla yüzde/stanin/ T-puanları.

• Kesme Noktası: ROC analizi ile duyarlılık–özgüllük dengesi; Youden J veya politika/klinik gerekçeli eşik.

• Yorum: Etki büyüklüğü ve güven aralığı ile birlikte pratik çeviri: “≥24 puan yüksek risk (SN=.78, SP=.72).”

15) Çok Dilli–Çok Kültürlü Uyarlamalar: Çapraz Yürüyen İş Akışı

Aynı anda birden fazla dil uyarlanıyorsa:

• Ortak kavramsal sözlük, merkezi uzman panel, harmonize geri çeviri.

• Çok gruplu DFA ile eşzamanlı eşdeğerlik testi; farklı dillerde sorunlu maddeler için eşdeğer alternatif ifadeler.

16) Veri Kalitesi ve Yanıt Önyargıları: Dürüst Ölçüm İçin Filtreler

• Dikkat kontrol maddeleri, aşırı hızlı tamamlama, düz yanıt kalıpları (straight-lining), sosyal beğenirlik (MCSDS vb.).

• Çözüm: Şeffaf dışlama kriterleri, sosyal beğenirlik için kovaryat kontrolü veya partial correlation yorumları.

• Rapor: Dışlama akış diyagramı ve duyarlılık analizi (dışlamadan önce/sonra sonuç stabil mi?).

17) Ölçek Puanlama: Yön, Standartlaştırma, Kayıp Yönetimi

• Yön: Ters maddeler _r ile yeniden kodlanır; yüksek puan “daha fazla X”ı ifade etmeli.

• Toplama/Ortalama: Boyut düzeğinde hesap; missing için en az %70 doluluk kuralı (veya MI).

• Standartlaştırma: Z / T puanları; farklı ölçeklerin karşılaştırılabilirliği.

• Çok Boyutlu Puan: Ağırlıklı toplam (yüklerle) tartışmalı; gerekçesiz yapılmamalı.

18) AFA–DFA Rapor Şablonları: Tablolar ve Şekiller

Tablo AFA: Madde | Faktör 1 yük | Faktör 2 yük | Ortak Varyans | Not (çıkarım gerekçesi).
Tablo DFA: Yükler (standartlaştırılmış), hata terimleri, korelasyonlar.
Uyum Tablosu: χ²/df, CFI, TLI, RMSEA [GA], SRMR; alternatif modeller.
Şekil: Yol diyagramı; alt yazıda veri kaynağı, örneklem, yazılım/paket sürümü.

19) Yapısal Eşitlik ve İlişkisel Geçerlik: Puanlar Modelin İçinde

Uyarlanan ölçeği bağlamsal bir yapısal model içine yerleştirerek ilişki kalıbını doğrulayın:

• “Motivasyon → Çalışma Saati → Başarı” gibi.

• Aracılık için bootstrap GA; moderasyon için çok gruplu veya etkileşim terimleri.

• Uyarı: Ölçüm modeli sağlam değilse yapısal sonuçlara güvenilmez.

20) Açık Bilim ve Yeniden Üretilebilirlik: Kod, Veri, Sürüm

• Paylaşım: Anonimleştirilmiş veri + kod (R/ Python/ Mplus/AMOS) + codebook + uyarlama notları (çeviri sürümleri, panel tutanakları).

• Sürümleme: OSF/Git; “scale_tr_TR_v1.2.docx” gibi net adlandırma.

• Şeffaflık: Tüm karar anlarını (madde çıkarma, modifikasyon) changelog ile belgeleyin.

21) Etik: Telif, Kültürel Hassasiyet, Katılımcı Onuru

• Telif–Lisans: Orijinal geliştiricinin şartlarına uyun; ticari kısıtlar varsa belirtin.

• Kültürel Hassasiyet: Stereotip üreten veya ayrımcı çağrışımları olan maddeleri dönüştürün ya da kaldırın.

• Katılımcı Onuru: Özellikle hassas temalarda (sağlık, kimlik) mahremiyeti ve minimum yük ilkesini gözetin.

22) Vaka 1—Öğrenci Özyeterlik Ölçeği Uyarlaması (TR)

Süreç: İleri–geri çeviri; uzman paneli; bilişsel görüşmeler (n=12).
Pilot: n=120; KMO=.91, Bartlett p<.001; AFA’da üç faktör (öz-düzenleme, strateji kullanımı, kalıcılık), toplam varyans %58.
DFA (doğrulama, n=420): CFI=.95, TLI=.94, RMSEA=.052; yükler .54–.82.
Güvenirlik: ω=.88 (toplam), alt boyutlar .82–.86.
Eşdeğerlik: Cinsiyette metrik ve skalar sağlandı (ΔCFI=.004); ortalama farkı kızlarda +0.18 SD.
Yorum: Kısa form (12 madde) tasarlandı; bilgi eğrisi orta–yüksek düzeyde en hassas.

23) Vaka 2—Örgütsel Adalet Ölçeği: Çok Gruba Eşdeğerlik

Bağlam: Öğretmenler (devlet/özel okul), farklı bölgeler.
DFA: Dört faktör (dağıtımsal, işlemsel, etkileşimsel, bilgisel).
Eşdeğerlik: Bölge için metrik sağlandı; skalar kısmi (3 madde kesişimleri serbest).
Sonuç: Bölgesel ortalama farkları, kısmi skalar modelle temkinli yorumlandı.

24) Vaka 3—Sağlık Alanında Kısaltma ve Kesme Noktası

Ölçek: Kısa depresyon taraması (9→6 madde).
DFA: CFI=.97, RMSEA=.045; ω=.85.
ROC: Klinik tanı altın standart; AUC=.89; eşik ≥12 (SN=.80, SP=.78).
Politika: Birinci basamak tarama; yüksek puanlarda ikinci değerlendirme protokolü.

25) Sık Yapılan Hatalar ve Kaçınma Yolları

• Yalnız çeviri, psikometrik kanıt yok: AFA/DFA ve geçerlik raporları zorunlu.

• Ölçüm eşdeğerliği atlanıyor: Grup karşılaştırmaları yanıltıcı olur.

• Modifikasyon indeksleriyle model “oynama”: Kuramsal gerekçe olmadan hata kovaryansı verilmez.

• Sadece α raporu: ω/CR/AVE ekleyin; test–tekrar test planlayın.

• Çapraz yükü yüksek maddeyi sırf sevildi diye tutmak: Yapı geçerliğini bozar.

• Dışlama kriterleri belirsiz: Veri kalitesi akış diyagramı ve duyarlılık analizi paylaşın.

26) Tez Yazımında Raporlama Şablonu (APA/STS/COPE Uyumlu)

1. Giriş: Kavramın kuramsal temeli, yerel bağlam, uyarlama gerekçesi.

2. Yöntem: İzinler, çeviri süreci, uzman panel, bilişsel görüşmeler, örneklem, etik onay.

3. Prosedür: Pilot, AFA/DFA örneklemleri ve yazılımlar.

4. Bulgular: AFA (KMO, Bartlett, yükler), DFA (uyum indeksleri), güvenirlik (α, ω, CR, AVE), eşdeğerlik testleri.

5. Ek Analizler: IRT, kısa form, ROC, normlar.

6. Tartışma: Sınırlılıklar (ör. örneklem temsiliyeti), güçlü yanlar, uygulama önerileri.

7. Ekler: Ölçek formu (uyarlanan dil), codebook, izin yazıları, syntax/R kodu.

27) Yazılım ve İş Akışı: R–Mplus–lavaan–JASP–Jamovi–SPSS Amos

• R/lavaan/semTools/psych: AFA–DFA–eşdeğerlik–ω/CR/AVE–HTMT.

• Mplus: Gelişmiş invariance, IRT, bifaktör, bayes.

• JASP/Jamovi: Menü tabanlı, teze uygun tablolar.

• AMOS/SmartPLS: AMOS (CB-SEM), PLS-SEM dikkatli kullanılmalı (keşif/küçük örneklem bağlamında).

• Reprodüksiyon: Quarto/Rmd ile rapor–kod çift yönlü üretim.

28) İleri Konular: DIF, Çok Boyutlu IRT ve Bayesçi Doğrulama

• DIF (Differential Item Functioning): Cinsiyet/bölgeye göre maddelerin haksız avantajı? (Mantel–Haenszel, IRT-LR).

• Çok Boyutlu IRT: Alt boyutlar arası korelasyonu hesaba katan ölçüm; bilgi dağılımını hassaslaştırır.

• Bayesçi DFA/SEM: Zayıf bilgilendirici öncellerle küçük örneklemde kararlı tahminler; credible interval iletişimi.

29) “Araştırma–Uygulama Köprüsü”: Puanların Karara Çevrilmesi

Uyarlanan ölçekler yalnız akademik egzersiz değil; müdahale, danışmanlık ve politika kararlarını etkiler.

• Raporlama dili: “Bu puan aralığı X davranışına işaret eder” gibi bağlamlı ifadeler.

• Hata ve belirsizlik: Puanın GA/T puanı ve ölçüm hatası payı; kırmızı-yeşil etiketi yerine “sarı bölge” mantığı.

• Adalet: Eşdeğerlik ve DIF sonuçlarını paydaşlarla konuşun; gerekirse madde revizyon döngüsünü sürdürün.

30) Sonuç: Dile Getirilen Kavramdan Ölçülebilir Kanıta

Ölçek uyarlama; kavramı yeni bir dile saygıyla, yeni bir bağlama duyarlılıkla ve bilimin gerektirdiği psikometrik titizlikle taşımaktır. Güçlü bir uyarlama çalışması:

1. Kavramsal eşdeğerliği kanıtlar,

2. Çeviri–geri çeviri–bilişsel görüşme üçlüsüyle dilsel berraklık sağlar,

3. AFA/DFA ile yapıyı doğrular; ω/CR/AVE ve ölçüt–yakınsak–ayrışan geçerliği raporlar,

4. Ölçüm eşdeğerliği olmadan grup/zaman karşılaştırmasına girişmez,

5. IRT ve DIF ile madde düzeyi adaleti sınar,

6. Kısa form ve norm/ROC ile uygulamayı kolaylaştırır,

7. Açık bilim ve etik ilkelerle süreci denetlenebilir kılar.
   Tezinizde bu omurgayı kurduğunuzda, ölçeğiniz yalnızca “Türkçe’ye uyarlanmış” olmayacak; bilimsel topluluk tarafından güvenilir bir ölçüm aracı olarak kabul görecektir. Ölçekler, kavramların sahadaki sesi ise, iyi bir uyarlama o sesi doğru frekansta duyurmaktır.

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.

The post Akademik Tezlerde Ölçek Uyarlama ve Analiz Aşamaları first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.