Jamovi ile Faktör Analizi ve Yapısal Eşitlik Modellemesi

Kısa cevap: Jamovi ile faktör analizi iki menüden yürütülür: açımlayıcı (keşfedici) faktör analizi Analyses > Factor > Exploratory Factor Analysis, doğrulayıcı faktör analizi Analyses > Factor > Confirmatory Factor Analysis yoluyla yapılır. Yapısal eşitlik modeli (SEM) için ücretsiz SEMLj modülü yüklenir ve model lavaan sözdizimiyle (ör. F1 =~ m1 + m2 + m3) tanımlanır. Değerlendirmede AFA için KMO, Bartlett testi ve faktör yükleri; DFA ve SEM için CFI, TLI, RMSEA ve SRMR uyum indeksleri esas alınır.

Aşağıda 12 maddelik, üç boyutlu bir ölçek üzerinden üç analizi sırasıyla gösteriyoruz. Tablolardaki sayılar yöntemi anlatmak için oluşturulmuş temsili değerlerdir; kendi verinizde farklı sonuçlar çıkacaktır.

Açımlayıcı ve doğrulayıcı faktör analizi arasındaki fark nedir?

Faktör analizi, birbirleriyle ilişkili çok sayıda gözlenen değişkeni (ör. anket maddeleri) daha az sayıda gizil (örtük) yapıya indirger. İki temel türü farklı soruları yanıtlar:

Ölçüt	Açımlayıcı (AFA / EFA)	Doğrulayıcı (DFA / CFA)
Amaç	Maddelerin kaç boyutta toplandığını keşfetmek	Önceden belirlenen yapının veriye uyup uymadığını test etmek
Ön varsayım	Faktör sayısı ve madde dağılımı bilinmiyor	Hangi maddenin hangi faktöre ait olduğu kuramla belirlenmiş
Tipik kullanım	Ölçek geliştirme, pilot çalışma	Ölçek uyarlama, geçerlik kanıtı, SEM’in ölçme modeli
Temel çıktılar	KMO, Bartlett, özdeğerler, faktör yükleri	Standartlaştırılmış yükler, χ², CFI, TLI, RMSEA, SRMR
Jamovi menüsü	Factor > Exploratory Factor Analysis	Factor > Confirmatory Factor Analysis veya SEMLj

Aynı veri setinde önce AFA ile yapıyı keşfedip ardından aynı veriyle DFA yapmak, doğrulamayı zayıflatır. Örneklem yeterince büyükse veriyi rastgele ikiye bölüp bir yarıda AFA, diğer yarıda DFA yapmak daha savunulabilir bir yaklaşımdır.

Faktör analizi öncesinde veri nasıl hazırlanır?

• Örneklem büyüklüğü: Kesin bir kural yoktur; madde başına en az 5–10 katılımcı ve toplamda birkaç yüz gözlem sık başvurulan ölçütlerdir. Faktör yükleri yüksek ve her faktörde yeterli madde varsa daha küçük örneklemler de çalışabilir.
• Ölçüm türü: Maddeleri Jamovi’de Continuous olarak tanımlayın. Beşli Likert maddeleri uygulamada sıklıkla sürekli kabul edilir; çarpıklık belirginse DFA’da sıralı veriye uygun kestirim yöntemleri (SEMLj’de DWLS / WLSMV) değerlendirilebilir.
• Ters maddeler: Data > Transform ile çevrilmelidir; çevrilmeyen ters madde negatif yük verir ve yorumu karıştırır.
• Eksik veri ve aykırı değerler: Eksik değer kodlarını Setup ekranında tanımlayın. Aynı yanıtı tüm maddelere veren (“düz çizgi”) katılımcıları kontrol edin.

Ölçek geliştirme ve uyarlama sürecinin tamamı (kapsam geçerliği, güvenilirlik, AFA ve DFA sırası) için ölçek geliştirme ve uyarlamada güvenilirlik ve geçerlik analizleri rehberimize bakabilirsiniz.

Jamovi’de açımlayıcı faktör analizi adım adım nasıl yapılır?

1. Analyses > Factor > Exploratory Factor Analysis yolunu açın ve 12 maddeyi Variables kutusuna taşıyın.
2. Method: Extraction için Minimum residuals, Maximum likelihood veya Principal axis seçilebilir. Çok değişkenli normallik makulse Maximum likelihood, değilse Principal axis veya Minimum residuals sık tercih edilir. Yalnızca veri indirgeme amaçlıysanız ayrı menüdeki Principal Component Analysis kullanılır; temel bileşenler analizi teknik olarak faktör analizi değildir.
3. Rotation: Boyutların birbiriyle ilişkili olması bekleniyorsa (sosyal bilimlerde çoğu zaman öyledir) eğik döndürme Oblimin veya Promax; ilişkisiz varsayılıyorsa dik döndürme Varimax seçilir.
4. Number of Factors: Based on parallel analysis seçeneği, özdeğer 1 kuralına (Kaiser) göre genellikle daha isabetli bir başlangıç verir. Kuramsal beklentiniz varsa Fixed number ile karşılaştırma yapın.
5. Assumption Checks: Bartlett’s test of sphericity ve KMO measure of sampling adequacy seçeneklerini işaretleyin.
6. Factor Loadings: Hide loadings below değerini 0,30 yaparak tabloyu sadeleştirin; Sort loadings by size seçeneği okumayı kolaylaştırır.
7. Additional Output: Factor summary, Factor correlations, Initial eigenvalues ve Scree plot seçeneklerini açın.

Açımlayıcı faktör analizi çıktısı nasıl yorumlanır?

Temsili sonuçlar ve yorum ölçütleri:

Çıktı	Temsili değer	Yaygın ölçüt	Yorum
KMO (genel MSA)	0,86	≥ 0,60 kabul edilebilir; ≥ 0,80 iyi	Örneklem faktör analizine uygun
Bartlett küresellik testi	χ²(66) = 1450, p < 0,001	p < 0,05	Korelasyon matrisi birim matristen farklı
Paralel analiz	3 faktör	Gerçek özdeğerin rastgele veriden büyük olması	Üç boyutlu yapı destekleniyor
Açıklanan toplam varyans	%58	Sosyal bilimlerde %40–60 sık görülür	Kabul edilebilir
Faktör yükleri	0,52–0,81	≥ 0,40 (bazı kaynaklarda ≥ 0,30)	Maddeler faktörlerini iyi temsil ediyor

Madde bazında üç duruma dikkat edin: (1) hiçbir faktörde 0,30–0,40 üzerinde yükü olmayan madde, (2) iki faktörde birbirine yakın yük veren binişik (çapraz yüklü) madde (fark 0,10’dan küçükse sorunlu kabul edilir) ve (3) kuramsal olarak ait olmadığı faktöre yüklenen madde. Bu maddeleri tek tek çıkarıp analizi yeniden çalıştırın; Jamovi’nin canlı çıktısı her değişiklikte tabloyu anında güncellediği için bu süreç hızlıdır. Her çıkarma kararını içerik açısından da gerekçelendirmeniz gerekir.

Faktör yapısı netleştikten sonra her boyut için Analyses > Factor > Reliability Analysis ile Cronbach alfa ve McDonald omega katsayılarını hesaplayın. 0,70 ve üzeri değerler çoğu çalışmada yeterli kabul edilir.

Jamovi’de doğrulayıcı faktör analizi nasıl yapılır?

Jamovi’nin kendi menüsündeki DFA, ek modül gerektirmez:

1. Analyses > Factor > Confirmatory Factor Analysis yolunu açın.
2. Factors bölümünde “Factor 1” adını kendi boyutunuzla (ör. Ilgi) değiştirin ve ilgili maddeleri bu kutuya taşıyın. + Add New Factor ile diğer boyutları ekleyin.
3. Estimates bölümünde standartlaştırılmış kestirimleri, Model Fit bölümünde Chi-square test, CFI, TLI, SRMR, RMSEA seçeneklerini işaretleyin.
4. Additional Output bölümünde Path diagram ve Modification indices seçeneklerini açın.

Uyum indeksleri için sık kullanılan kesme noktaları (Hu ve Bentler, 1999 ve izleyen çalışmalar):

İndeks	İyi uyum	Kabul edilebilir uyum
χ²/sd	≤ 2	≤ 3 (bazı kaynaklarda ≤ 5)
CFI / TLI	≥ 0,95	≥ 0,90
RMSEA	≤ 0,05–0,06	≤ 0,08
SRMR	≤ 0,05	≤ 0,08

χ² testi büyük örneklemlerde küçük uyumsuzlukları da anlamlı bulduğundan tek başına değerlendirilmez. Uyum yetersizse modifikasyon indekslerine bakılabilir; ancak yalnızca aynı faktördeki ve kuramsal olarak gerekçelendirilebilen madde hataları arasında kovaryans eklemek kabul gören bir uygulamadır. İndekse bakarak sınırsız değişiklik yapmak modeli veriye “uydurur” ve başka bir örneklemde tekrarlanmayabilir.

Yakınsak geçerlik için Ortalama Açıklanan Varyans (AVE ≥ 0,50) ve Bileşik Güvenilirlik (CR ≥ 0,70), ayırt edici geçerlik için Fornell-Larcker ölçütü veya HTMT oranı (< 0,85–0,90) raporlanır. Jamovi bu değerleri doğrudan tablo olarak vermediği için standartlaştırılmış yüklerden Excel’de hesaplanabilir: AVE = ORTALAMA(yük²), CR = (Σyük)² / ((Σyük)² + Σ(1 − yük²)).

SEMLj modülüyle yapısal eşitlik modeli nasıl kurulur?

Yapısal eşitlik modeli, ölçme modelini (DFA) ve gizil değişkenler arasındaki regresyon ilişkilerini tek modelde birleştirir. Jamovi’de Modules (+) > jamovi library üzerinden SEMLj modülünü yükleyin; Analyses sekmesinde SEM menüsü belirir. SEM (syntax) seçeneğiyle model lavaan sözdiziminde yazılır:

# Ölçme modeli
Ilgi     =~ m1 + m2 + m3 + m4
Ozyeterlik =~ m5 + m6 + m7 + m8
Basari   =~ m9 + m10 + m11 + m12
# Yapısal model
Ozyeterlik ~ a*Ilgi
Basari     ~ b*Ozyeterlik + c*Ilgi
# Dolaylı ve toplam etki
dolayli := a*b
toplam  := c + a*b

Operatörlerin anlamı: =~ “ölçülür”, ~ “yordanır” (regresyon), ~~ kovaryans, := türetilmiş parametre. Eski sürüm içeriklerde görülen akademik := soru1 + soru2 yazımı ölçme modeli için yanlıştır; gizil değişken tanımında =~ kullanılmalıdır.

Dolaylı etkinin anlamlılığı için SEMLj ayarlarındaki standart hata seçeneğinden bootstrap (ör. 1000 veya 5000 yeniden örnekleme) seçilmesi önerilir; dolaylı etkinin güven aralığı sıfırı içermiyorsa aracılık etkisi desteklenir. Modeli grafik olarak kurmak isterseniz SEM (interactive) seçeneği değişkenleri kutulara sürükleyerek aynı modeli oluşturmanıza izin verir. SEM’in genel mantığını AMOS üzerinden anlatan AMOS ile YEM, DFA ve uyum iyiliği indeksleri yazımız da aynı ölçütleri kullanır.

Faktör analizi ve SEM sonuçları nasıl raporlanır?

Temsili bir raporlama örneği: “Ölçeğin yapı geçerliğini sınamak için Maximum likelihood kestirimi ve oblimin döndürmeyle açımlayıcı faktör analizi yapılmıştır. KMO değeri 0,86, Bartlett testi anlamlıdır (χ²(66) = 1450, p < 0,001). Paralel analiz üç faktörlü yapıyı desteklemiş, faktörler toplam varyansın %58’ini açıklamıştır. Doğrulayıcı faktör analizi sonucunda modelin kabul edilebilir uyum gösterdiği belirlenmiştir (χ²/sd = 2,1; CFI = 0,95; TLI = 0,94; RMSEA = 0,061; SRMR = 0,045).”

SEM raporunda ölçme modelinin uyumu, standartlaştırılmış yol katsayıları (β), p-değerleri, açıklanan varyans (R²) ve dolaylı etkiler için bootstrap güven aralıkları birlikte verilir. Yol diyagramı, katsayılar üzerinde gösterilerek şekil olarak eklenir. Kullanılan Jamovi ve SEMLj sürümünü yöntem bölümünde belirtmek, analizin tekrarlanabilirliği için önemlidir.

Jamovi’de faktör analizinde en sık yapılan hatalar nelerdir?

• Temel bileşenler analizini faktör analizi gibi raporlamak: Ölçek geliştirmede ortak faktör yöntemleri (ML, Principal axis, Minres) tercih edilmelidir.
• Yalnızca özdeğer 1 kuralına güvenmek: Fazla faktör çıkarma eğilimindedir; paralel analiz ve yamaç grafiğiyle birlikte karar verin.
• İlişkili boyutlara Varimax uygulamak: Faktör korelasyonları 0,30’un üzerindeyse eğik döndürme daha uygundur.
• Modifikasyon indekslerini gerekçesiz uygulamak: Farklı faktörlerdeki maddelerin hataları arasında kovaryans eklemek modelin anlamını bozar.
• AFA ve DFA’yı aynı örneklemde yapıp “doğrulandı” demek: Mümkünse bağımsız örneklem veya bölünmüş örneklem kullanın.

Sık sorulan sorular

Jamovi'de doğrulayıcı faktör analizi için modül gerekli mi?

Hayır. Basit DFA modelleri Analyses > Factor > Confirmatory Factor Analysis menüsünde yapılabilir. Gizil değişkenler arası regresyon, aracılık veya çoklu grup analizi gibi SEM modelleri için SEMLj modülü gerekir.

KMO değeri düşükse ne yapılmalı?

Madde bazında MSA değerlerine bakın; 0,50’nin altında kalan maddeler genellikle diğerleriyle zayıf ilişkilidir ve çıkarılmaları değerlendirilebilir. Örneklemin küçük olması da düşük KMO’ya yol açabilir.

Faktör yükü için hangi kesme değeri kullanılmalı?

Sosyal bilimlerde 0,30 ile 0,40 arası değerler alt sınır olarak sık kullanılır. Kesme değerini analizden önce belirleyip yöntem bölümünde gerekçesiyle belirtmeniz önerilir.

Likert ölçeği verisinde Maximum likelihood kullanılabilir mi?

Beş ve daha fazla kategorili, belirgin çarpıklık göstermeyen maddelerde uygulamada sık kullanılır. Kategori sayısı az veya dağılım çok çarpıksa sıralı veriye uygun kestirim yöntemleri (DWLS / WLSMV) daha uygundur.

SEMLj ile AMOS arasında sonuç farkı olur mu?

Aynı model, aynı kestirim yöntemi ve aynı veriyle kurulduğunda katsayılar ve uyum indeksleri çok yakın çıkar. Küçük farklar varsayılan ayarlardaki (ör. eksik veri yöntemi, ölçeklendirme) farklılıklardan kaynaklanır.

İlgili rehberler ve hizmetler

• Jamovi nedir ve nasıl kullanılır?
• SPSS ile güvenilirlik ve faktör analizi
• SPSS ve AMOS ile yapısal eşitlik modellemesi
• Tez veri analizi
• SPSS analizi yaptırma

Veri, modern dünyanın en değerli varlıklarından biri haline gelmiştir ve iş dünyasında, araştırmada ve karar verme süreçlerinde kritik bir rol oynamaktadır. Biz, veri analizi konusundaki tutkulu bir topluluk olarak, veri biliminin ve analizinin gücünü vurguluyoruz. Web sitemiz, işletmelerden akademisyenlere ve veri meraklılarına kadar herkesin veri analizi becerilerini geliştirmesine yardımcı olmayı amaçlayan bir kaynaktır. Misyonumuz, veri analizi sürecini anlaşılır ve erişilebilir hale getirmek, verilerin içinde gizlenen değeri açığa çıkarmak ve daha bilinçli kararlar almalarını desteklemektir.

Web sitemiz, geniş bir veri analizi yelpazesi sunmaktadır. Hangi sektörde olursanız olun veya hangi veri analizi aracını kullanıyorsanız kullanın, ihtiyaçlarınıza uygun hizmetler sunuyoruz. SPSS, R, Python, Excel veya diğer analiz araçlarını kullanarak veri madenciliği, hipotez testleri, regresyon analizi, zaman serisi tahmini, segmentasyon ve daha fazlasını içeren çeşitli analiz türlerini kapsarız. Ayrıca, öğrenmeyi kolaylaştırmak için zengin kaynaklar, öğreticiler ve interaktif araçlar sunuyoruz.