Ölçek Geliştirmede Açımlayıcı Faktör Analizi, Karar Ağacı ve Yapay Sinir Ağları Sonuçlarının Karşılaştırılması
Öz
Bu çalışmada test geliştirmede madde seçimi ve yapı geçerliği kanıtlarının ortaya konulmasında açımlayıcı faktör analizi, yapay sinir ağları ve karar ağaçlarının sonuçlarının karşılaştırılması amaçlanmıştır. Araştırma kapsamında, daha önceden yapılan bir çalışmada kullanılan “İstatistik Tutum Ölçeği” ön formu lisans, lisansüstü ve mezun statüsündeki bireylere uygulanarak veri toplanmıştır. Elde edilen verilere açımlayıcı faktör analizi ve veri madenciliği kapsamında kullanılabilen karar regresyon ağacı analizi ile kendini düzenleyen haritalama analizleri yapılmıştır. Analizler yapıldıktan sonra farklı yöntemlerde boyut sayılarının ve maddelerin boyutlara dağılımının değişebildiği görülmüştür. Farklı yöntemlerle seçilen maddelerden oluşturulmuş testlere uygulanan doğrulayıcı faktör analizi sonucu elde edilen uyum indeksleri karşılaştırılmıştır. Araştırma sonucunda polikorik korelasyona dayalı gerçekleştirilen açımlayıcı faktör analizi ve kendini düzenleyen haritalama analizi ile seçilen maddelerden oluşan yapının geçerli olduğu ve karar ağacı yönteminin yapı geçerliği analizlerinde kullanışsız olduğu görülmüştür.
Anahtar Kelimeler
Ölçek Geliştirme, Açımlayıcı Faktör Analizi, Yapay Sinir Ağları, Karar Ağaçları, Doğrulayıcı Faktör Analizi
Kaynakça
- Grove, S. K., Burns, N., & Gray, J. R. (2012). The practice of nursing research: Appraisal, synthesis, and generation of evidence. 7th ed. St.Louis, MO: Elsevier.
- Büyüköztürk, Ş., Çakmak, E. K., Akgün, Ö. E., Karadeniz, Ş. ve Demirel, F. (2017). Bilimsel Araştırma Yöntemleri. Ankara: Pegem Akademi
- Çokluk, Ö., Şekercioğlu, G., ve Büyüköztürk, Ş. (2012). Sosyal Bilimler İçin Çok Değişkenli İstatistik: Spss ve Lisrel Uygulamaları. Ankara: Pegem Akademi
- Cronbach, L. J. ve Meehl, P. E. (1955). Construct validity in psychological tests. Psychological Bulletin, 52, 281–302. Doğan, N., Başokçu, T. (2014). İstatistik Tutum Ölçeği İçin Uygulanan Faktör Analizi ve Aşamalı Kümeleme Analizi Sonuçlarının Karşılaştırılması. Eğitimde ve Psikolojide Ölçme ve Değerlendirme Dergisi, 1 (2), 65-71.
- Ebel, R. L. & Frisbie, D.A. (1991) Essentials of educational measurement. New Jersey: Prentice– Hall International, Inc.
- Eriş Hasırcı, H. M. (2019). Öz Düzenlemeli Haritalar Yöntemi İle Elde Edilen Yapı Geçerliği Kanıtlarının Faktör Analizi Ve Kümeleme Analizi İle Karşılaştırılması. Doktora Tezi, Ankara Üniversitesi Eğitim Bilimleri Enstitüsü, Ankara.
- Karlin, O., & Karlin S. (2018). Making better tests with the rasch measurement model. InSight: A Journal of Scholarly Teaching. 13, 76-100.
- Kiang, M. Y., & Kumar, A. (2001). An Evaluation of Self-Organizing Map Networks as a Robust Alternative to Factor Analysis in Data Mining Applications. Information Systems Research, 12(2), 177-194
- Krishnan, S., Idris, N. (2018). Using partial credit model to ımprove the quality of an ınstrument. International Journal of Evaluation and Research in Education, 7, 4, 313-316.
- Kuo, R. J. Ho, L. M. Hu, C. M. (2002). Integration of self-organizing feature map and Kmeans algorithm for market segmentation. Computers & Operations Research, Volume 29, Issue 11, Pages 1475-1493