FAKTÖR ÇIKARMA YÖNTEMLERİNİN PARALEL ANALİZ SONUÇLARINA ETKİSİ

Abdullah Faruk Kılıç; İbrahim Uysal

doi:10.24315/tred.747075

FAKTÖR ÇIKARMA YÖNTEMLERİNİN PARALEL ANALİZ SONUÇLARINA ETKİSİ

Öz

Açımlayıcı faktör analizinden en önemli kararlardan biri faktör sayısını belirlemektir. Bunun için birçok yöntem geliştirilmiş olsa da paralel analiz, hala en çok önerilen ve kullanılan yöntemler arasında yer almaktadır. Sıklıkla kullanılması birçok modifikasyonun yapılmasına ve analizle ilgili araştırmaların yoğunlaşmasına neden olmuştur. Bu araştırmada açımlayıcı faktör analizinde kullanılan faktör çıkarma yöntemlerinin paralel analiz sonuçlarına etkisinin incelenmesi amaçlanmış ve Monte Carlo simülasyon çalışması gerçekleştirilmiştir. İki kategorili veri setleriyle gerçekleştirilen simülasyon çalışmasında ortalama faktör yükü, madde sayısı, ölçme modeli, örneklem büyüklüğü ve kullanılan korelasyon matrisi koşulları manipüle edilmiştir. Paralel analizde uygulanan en küçük kalıntı, temel bileşenler, temel eksenler, en çok olabilirlik, ağırlıklandırılmamış en küçük kareler, en küçük ki-kare ve optimal paralel analizde uygulanan en küçük rank faktör çıkarma yöntemleri karşılaştırılmıştır. Araştırma sonucunda tetrakorik korelasyon matrisiyle gerçekleştirilen optimal paralel analiz yönteminin uygulandığı en küçük rank yönteminin en iyi sonucu verdiği gözlenmiştir. Bununla birlikte ortalama faktör yükü .70 olan koşullarda Pearson korelasyon matrisiyle gerçekleştirilen analizlerde tüm yöntemler yeterli performans gösterirken tetrakorik korelasyon matrisinin kullanılmasıyla paralel analiz uygulanan temel bileşenler ve optimal paralel analiz uygulanan en küçük rank yöntemleri hariç diğer yöntemlerin aşırı faktör çıkardığı söylenebilir. Araştırma bulgularına göre tetrakorik (polikorik) korelasyon matrisiyle en küçük rank yöntemiyle optimal paralel analizin kullanılması önerilmektedir

Anahtar Kelimeler

Açımlayıcı faktör analizi,optimal paralel analiz,paralel analiz

Kaynakça

Bandalos, D. L. ve Leite, W. (2013). Use of Monte Carlo studies in structural equation modeling research. G. R. Hancock ve R. O. Mueller (Ed.), Structural equation modeling: A second course içinde (2nd ed.). Charlotte, NC: Information Age.
Beauducel, A. ve Herzberg, P. Y. (2006). On the performance of maximum likelihood versus means and variance adjusted weighted least squares estimation in CFA. Structural Equation Modeling: A Multidisciplinary Journal, 13(2), 186–203. doi:10.1207/s15328007sem1302_2
Buja, A. ve Eyuboglu, N. (1992). Remarks on parallel analysis. Multivariate Behavioral Research, 27(4), 509–540. doi:10.1207/s15327906mbr2704_2
Cattell, R. B. (1966). The scree test for the number of factors. Multivariate Behavioral Research, 1(2), 245–276. doi:10.1207/s15327906mbr0102_10
Cho, S.-J., Li, F. ve Bandalos, D. L. (2009). Accuracy of the parallel analysis procedure with polychoric correlations. Educational and Psychological Measurement, 69(5), 748–759. doi:10.1177/0013164409332229
Çokluk, Ö. ve Koçak, D. (2016). Using Horn’s parallel analysis method in exploratory factor analysis for determining the number of factors. Educational Sciences: Theory & Practice, 16(2), 537–552. doi:10.12738/estp.2016.2.0328
Crawford, A. V., Green, S. B., Levy, R., Lo, W.-J., Scott, L., Svetina, D. ve Thompson, M. S. (2010). Evaluation of parallel analysis methods for determining the number of factors. Educational and Psychological Measurement, 70(6), 885–901. doi:10.1177/0013164410379332
Curran, P. J., West, S. G. ve Finch, J. F. (1996). The robustness of test statistics to nonnormality and specification error in confirmatory factor analysis. Psychological Methods, 1(1), 16–29. doi:10.1037/1082-989X.1.1.16

Dinno, A. (2009). Exploring the sensitivity of Horn’s parallel analysis to the distributional form of random data. Multivariate Behavioral Research, 44(3), 362–388. doi:10.1080/00273170902938969
Fabrigar, L. R., Wegener, D. T., MacCallum, R. C. ve Strahan, E. J. (1999). Evaluating the use of exploratory factor analysis in psychological research. Psychological Methods, 4(3), 272–299. doi:10.1037/1082-989X.4.3.272
Flora, D. B. ve Curran, P. J. (2004). An empirical evaluation of alternative methods of estimation for confirmatory factor analysis with ordinal data. Psychological Methods, 9(4), 466–491. doi:10.1037/1082-989X.9.4.466
Forero, C. G., Maydeu-Olivares, A. ve Gallardo-Pujol, D. (2009). Factor analysis with ordinal indicators: A monte carlo study comparing DWLS and ULS estimation. Structural Equation Modeling: A Multidisciplinary Journal, 16(4), 625–641. doi:10.1080/10705510903203573
Glorfeld, L. W. (1995). An improvement on Horn’s parallel analysis methodology for selecting the correct number of factors to retain. Educational and Psychological Measurement, 55(3), 377–393. doi:10.1177/0013164495055003002
Goretzko, D., Pham, T. T. H. ve Bühner, M. (2019). Exploratory factor analysis: Current use, methodological developments and recommendations for good practice. Current Psychology, 1-12. doi:10.1007/s12144-019-00300-2
Gorsuch, R. L. (1974). Factor analysis. Toronto: W. B. Saunders.
Green, S., Xu, Y. ve Thompson, M. S. (2018). Relative accuracy of two modified parallel analysis methods that use the proper reference distribution. Educational and Psychological Measurement, 78(4), 589–604. doi:10.1177/0013164417718610
Horn, J. L. (1965). A rationale and test for the number of factors in factor analysis. Psychometrika, 30(2), 179–185. doi:10.1007/BF02289447
Howard, M. C. (2016). A review of exploratory factor analysis decisions and overview of current practices: What we are doing and how can we improve? International Journal of Human-Computer Interaction, 32(1), 51–62. doi:10.1080/10447318.2015.1087664
Kaiser, H. F. (1960). The application of electronic computers to factor analysis. Educational and Psychological Measurement, 20(1), 141–151. doi:10.1177/001316446002000116
Keith, T. Z., Caemmerer, J. M. ve Reynolds, M. R. (2016). Comparison of methods for factor extraction for cognitive test-like data: Which overfactor, which underfactor? Intelligence, 54, 37–54. doi:10.1016/j.intell.2015.11.003
Koçak, D., Çokluk, Ö. ve Kayri, M. (2016). Faktör sayısının belirlenmesinde MAP testi, paralel analiz, K1 ve yamaç birikinti grafiği yöntemlerinin karşılaştırılması. YYÜ Eğitim Fakültesi Dergisi, 13(1), 330–359.
Li, C.-H. (2016a). The performance of ML, DWLS, and ULS estimation with robust corrections in structural equation models with ordinal variables. Psychological Methods, 21(3), 369–387. doi:10.1037/met0000093
Li, C.-H. (2016b). Confirmatory factor analysis with ordinal data: Comparing robust maximum likelihood and diagonally weighted least squares. Behavior Research Methods, 48(3), 936–949. doi:10.3758/s13428-015-0619-7
Liu, O. L. ve Rijmen, F. (2008). A modified procedure for parallel analysis of ordered categorical data. Behavior Research Methods, 40(2), 556–562. doi:10.3758/BRM.40.2.556
Lorenzo-Seva, U. ve Ferrando, P. J. (2019). Factor (Version 10.10.01) [Computer software]. Tarragona: Universitat Rovira i Virgili. MEB. (2020). Merkezî sınav başvuru ve uygulama klavuzu. http://www.meb.gov.tr/meb_iys_dosyalar/2020_05/06105923_BasYvuru_ve_Uygulama_KYlavuzu_2020_GuYncel.pdf adresinden erişildi.
Moshagen, M. ve Musch, J. (2014). Sample size requirements of the robust weighted least squares estimator. Methodology, 10(2), 60–70. doi:10.1027/1614-2241/a000068
Navarro-Gonzalez, D. ve Lorenzo-Seva, U. (2020). EFA.MRFA: Dimensionality assessment using minimum rank factor analysis. https://cran.r-project.org/package=EFA.MRFA adresinden erişildi.
O’connor, B. P. (2000). SPSS and SAS programs for determining the number of components using parallel analysis and Velicer’s MAP test. Behavior Research Methods, Instruments, & Computers, 32(3), 396–402. doi:10.3758/BF03200807
Preacher, K. J., Zhang, G., Kim, C. ve Mels, G. (2013). Choosing the optimal number of factors in exploratory factor analysis: A model selection perspective. Multivariate Behavioral Research, 48(1), 28–56. doi:10.1080/00273171.2012.710386
R Core Team. (2018). R: A language and environment for statistical computing. Vienna, Austria: R Foundation for Statistical Computing. https://www.r-project.org/. adresinden erişildi.
Revelle, W. (2009). An introduction to psychometric theory with applications in R. Springer. http://www.personality-project.org/r/book/ adresinden erişildi.
Revelle, W. (2018). psych: Procedures for psychological, psychometric, and personality research. Evanston, Illinois. https://cran.r-project.org/package=psych adresinden erişildi.
Rhemtulla, M., Brosseau-Liard, P. É. ve Savalei, V. (2012). When can categorical variables be treated as continuous? A comparison of robust continuous and categorical SEM estimation methods under suboptimal conditions. Psychological Methods, 17(3), 354–373. doi:10.1037/a0029315
Rosseel, Y. (2012). lavaan: An R Package for Structural Equation Modeling. Journal of Statistical Software, 48(2), 1–36.
Ruscio, J. ve Roche, B. (2012). Determining the number of factors to retain in an exploratory factor analysis using comparison data of known factorial structure. Psychological Assessment, 24(2), 282–292. doi:10.1037/a0025697
Sočan, G. ve ten Berge, J. M. F. (2003). The determinants of the bias in minimum rank factor analysis (MRFA). H. Yanai, A. Okada, K. Shigemasu, Y. Kano ve J. J. Meulman (Ed.), New Developments in Psychometrics içinde (ss. 95–102). Tokyo: Springer Japan.
Steger, M. F. (2006). An illustration of issues in factor extraction and identification of dimensionality in psychological assessment data. Journal of Personality Assessment, 86(3), 263–272. doi:10.1207/s15327752jpa8603_03
Tabachnik, B. G. ve Fidell, L. S. (2012). Using multivariate statistics (6th ed.). Boston: Pearson. ten Berge, J. M. F. ve Kiers, H. A. L. (1991). A numerical approach to the approximate and the exact minimum rank of a covariance matrix. Psychometrika, 56(2), 309–315. doi:10.1007/BF02294464
Thompson, B. (2004). Exploratory and confirmatory factor analysis: Understanding consepts and applications. Washington DC: APA.
Timmerman, M. E. ve Lorenzo-Seva, U. (2011). Dimensionality assessment of ordered polytomous items with parallel analysis. Psychological Methods, 16(2), 209–220. doi:10.1037/a0023353
Velicer, W. F. (1976). Determining the number of components from the matrix of partial correlations. Psychometrika, 41(3), 321–327.
Weng, L.-J. ve Cheng, C.-P. (2005). Parallel analysis with unidimensional binary data. Educational and Psychological Measurement, 65(5), 697–716. doi:10.1177/0013164404273941
West, S. G., Finch, J. F. ve Curran, P. J. (1995). Structural equation models with non-normal variables: Problems and remedies. R. H. Hoyle (Ed.), Structural equation modeling: Concepts, issues, and applications içinde. Thousand Oaks, CA: Sage.
Xia, Y., Green, S. B., Xu, Y. ve Thompson, M. S. (2019). Proportion of indicator common variance due to a factor as an effect size statistic in revised parallel analysis. Educational and Psychological Measurement. 79(1), 85-107. doi:10.1177/0013164418754611
Zwick, W. R. ve Velicer, W. F. (1986). Comparison of five rules for determining the number of components to retain. Psychological Bulletin, 99(3), 432–442. doi:10.1037/0033-2909.99.3.432

Ayrıntılar

Birincil Dil

Türkçe

Konular

Eğitim Üzerine Çalışmalar

Bölüm

Araştırma Makalesi

Yazarlar

Abdullah Faruk Kılıç ^*
0000-0003-3129-1763
Türkiye

İbrahim Uysal
0000-0002-6767-0362
Türkiye

Yayımlanma Tarihi

11 Mayıs 2021

Gönderilme Tarihi

2 Haziran 2020

Kabul Tarihi

10 Şubat 2021

Yayımlandığı Sayı

Yıl 2021 Cilt: 11 Sayı: 2

DOI

https://doi.org/10.24315/tred.747075

IZ

https://izlik.org/JA92WW45TS

Kaynak Göster

RIS / Bibtex

APA

Kılıç, A. F., & Uysal, İ. (2021). FAKTÖR ÇIKARMA YÖNTEMLERİNİN PARALEL ANALİZ SONUÇLARINA ETKİSİ. Trakya Eğitim Dergisi, 11(2), 926-942. https://doi.org/10.24315/tred.747075

AMA

1.Kılıç AF, Uysal İ. FAKTÖR ÇIKARMA YÖNTEMLERİNİN PARALEL ANALİZ SONUÇLARINA ETKİSİ. TRED. 2021;11(2):926-942. doi:10.24315/tred.747075

Chicago

Kılıç, Abdullah Faruk, ve İbrahim Uysal. 2021. “FAKTÖR ÇIKARMA YÖNTEMLERİNİN PARALEL ANALİZ SONUÇLARINA ETKİSİ”. Trakya Eğitim Dergisi 11 (2): 926-42. https://doi.org/10.24315/tred.747075.

EndNote

Kılıç AF, Uysal İ (01 Mayıs 2021) FAKTÖR ÇIKARMA YÖNTEMLERİNİN PARALEL ANALİZ SONUÇLARINA ETKİSİ. Trakya Eğitim Dergisi 11 2 926–942.

IEEE

[1]A. F. Kılıç ve İ. Uysal, “FAKTÖR ÇIKARMA YÖNTEMLERİNİN PARALEL ANALİZ SONUÇLARINA ETKİSİ”, TRED, c. 11, sy 2, ss. 926–942, May. 2021, doi: 10.24315/tred.747075.

ISNAD

Kılıç, Abdullah Faruk - Uysal, İbrahim. “FAKTÖR ÇIKARMA YÖNTEMLERİNİN PARALEL ANALİZ SONUÇLARINA ETKİSİ”. Trakya Eğitim Dergisi 11/2 (01 Mayıs 2021): 926-942. https://doi.org/10.24315/tred.747075.

JAMA

1.Kılıç AF, Uysal İ. FAKTÖR ÇIKARMA YÖNTEMLERİNİN PARALEL ANALİZ SONUÇLARINA ETKİSİ. TRED. 2021;11:926–942.

MLA

Kılıç, Abdullah Faruk, ve İbrahim Uysal. “FAKTÖR ÇIKARMA YÖNTEMLERİNİN PARALEL ANALİZ SONUÇLARINA ETKİSİ”. Trakya Eğitim Dergisi, c. 11, sy 2, Mayıs 2021, ss. 926-42, doi:10.24315/tred.747075.

Vancouver

1.Abdullah Faruk Kılıç, İbrahim Uysal. FAKTÖR ÇIKARMA YÖNTEMLERİNİN PARALEL ANALİZ SONUÇLARINA ETKİSİ. TRED. 01 Mayıs 2021;11(2):926-42. doi:10.24315/tred.747075

Development of a Design Thinking Skills Perception Scale for High School Students: Validity, Reliability, and Invariance Studies

Educational Academic Research

https://doi.org/10.33418/education.1559434

FAKTÖR ÇIKARMA YÖNTEMLERİNİN PARALEL ANALİZ SONUÇLARINA ETKİSİ

FAKTÖR ÇIKARMA YÖNTEMLERİNİN PARALEL ANALİZ SONUÇLARINA ETKİSİ

Öz

Anahtar Kelimeler

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster

Cited By

Deciding The Number Of Dimensions In Explanatory Factor Analysis: A Brief Overview Of The Methods

PERFORMANCE OF FACTOR RETENTION METHODS IN SKEWED DISTRIBUTIONS

Behavior Scale for Household Waste Recycling: A Validity and Reliability Study

AİT OLMA İHTİYACI ÖLÇEĞİ’NİN TÜRKÇE FORMUNUN PSİKOMETRİK ÖZELLİKLERİ

Development of a Design Thinking Skills Perception Scale for High School Students: Validity, Reliability, and Invariance Studies