Bir ölçeğin maddeleri beklenen boyutlarda toplanmıyorsa, sorun yalnızca SPSS çıktısında değildir. Veri yapısı, örneklem yeterliliği, ters kodlama, faktör çıkarma yöntemi veya araştırmada kullanılan kuramsal model gözden geçirilmelidir. SPSS ile faktör analizi, bu noktada çok maddeli ölçüm araçlarının yapısını incelemek ve tezde savunulabilir bulgular üretmek için kullanılan temel yöntemlerden biridir.
Faktör analizi, birbirleriyle ilişkili çok sayıdaki maddeyi daha az sayıda anlamlı boyut altında toplar. Örneğin 24 maddelik bir öğrenci memnuniyeti ölçeği; akademik destek, fiziksel olanaklar ve sosyal ortam gibi üç faktörde gruplanabilir. Ancak doğru menü seçimleri tek başına yeterli değildir. Analizin amacı, veri koşulları ve raporlama dili birlikte değerlendirilmelidir.
SPSS ile faktör analizi ne zaman kullanılır?
Faktör analizi en sık ölçek geliştirme, ölçek uyarlama ve mevcut ölçeğin kendi örneklemindeki yapı geçerliğini değerlendirme amacıyla kullanılır. Araştırmacı, maddelerin teorik olarak öngörülen boyutları gerçekten temsil edip etmediğini incelemek ister. Özellikle tezlerde anket maddelerinin hangi alt boyutlarda çalıştığı gösterilmeden yalnızca toplam puan üzerinden ilerlemek metodolojik soru işaretleri doğurabilir.
Burada iki analiz türünü ayırmak gerekir. Açımlayıcı Faktör Analizi, diğer adıyla AFA, veri içindeki faktör yapısını keşfetmeye yöneliktir. Ölçeğin boyut sayısı belirsizse, farklı kültürel veya örneklemsel koşullarda yapının değişebileceği düşünülüyorsa AFA uygundur. Doğrulayıcı Faktör Analizi ise önceden belirlenmiş bir yapının veriye ne ölçüde uyduğunu test eder ve genellikle AMOS gibi yapısal eşitlik modelleme yazılımlarıyla yürütülür.
SPSS, AFA için oldukça kullanışlıdır; fakat SPSS’te yapılan analiz sonucunda ölçeğin yapısı kesin biçimde doğrulanmış sayılmaz. Tezinizde bu ayrımı doğru kurmak, danışman değerlendirmesinde kritik önem taşır.
Analizden önce veri setini hazırlayın
Faktör analizi, veri kalitesine duyarlı bir yöntemdir. Analize başlamadan önce ters ifadeli maddelerin doğru kodlandığı kontrol edilmelidir. Örneğin 1-5 arası puanlanan bir maddede ters kodlama gerekiyorsa, yeni değişkenin 1 yerine 5, 2 yerine 4 değerini alması beklenir. Ters kodlanmamış maddeler, aynı boyuta ait olsalar bile negatif veya zayıf faktör yükleri üretebilir.
Eksik veri, uç değerler ve düşük varyans da incelenmelidir. Katılımcıların neredeyse tamamı bir maddeye aynı yanıtı vermişse, o madde faktör yapısına anlamlı katkı sunmayabilir. Ayrıca madde sayısına göre yeterli örnekleme ihtiyaç vardır. Her durum için tek bir kesin sayı yoktur; madde yüklerinin gücü, ortak varyanslar ve faktör sayısı da belirleyicidir. Yine de 200 ve üzeri gözlem çoğu tez çalışması için daha güvenli bir başlangıç noktası kabul edilir.
Likert tipi maddeler faktör analizinde yaygın biçimde kullanılır. Beşli veya yedili Likert ölçeklerinde, dağılımlar aşırı sorunlu değilse SPSS üzerinden analiz yürütülebilir. Buna karşılık çok çarpık dağılımlar, çok küçük örneklemler veya ikili kategorik maddeler daha dikkatli yöntem seçimi gerektirir.
SPSS’te faktör analizi adımları
SPSS menüsünde Analyze > Dimension Reduction > Factor yolu izlenir. Ölçeğe ait maddeler Variables alanına aktarılır. Ancak işlemi başlatmadan önce hangi çıktının hangi araştırma sorusuna yanıt verdiği bilinmelidir.
Uygunluk testleri: KMO ve Bartlett
Descriptives bölümünde KMO and Bartlett’s Test seçilmelidir. KMO değeri, örneklemin faktör analizi için yeterliliğini gösterir. Genel uygulamada .60’ın üzerindeki değer kabul edilebilir, .70’in üzerindeki değer iyi, .80 ve üzeri ise oldukça iyi değerlendirilir. Bu eşikler mutlak karar kuralları değildir; araştırmanın alanı ve ölçme aracının niteliği de dikkate alınmalıdır.
Bartlett Küresellik Testi ise maddeler arasındaki korelasyon matrisinin faktörleşmeye uygun olup olmadığını sınar. Anlamlı sonuç, genellikle p < .05, maddeler arasında faktör analizi için yeterli ilişki bulunduğunu gösterir. KMO yeterli, Bartlett testi anlamlı değilse veri veya değişken seçimi yeniden kontrol edilmelidir.
Çıkarma yöntemi ve faktör sayısı
Extraction sekmesinde en sık iki yaklaşım görülür: Principal Components ve Principal Axis Factoring. Principal Components Analysis, PCA, veriyi daha az bileşene indirgeme amacıyla sık tercih edilir. Ancak ortak gizil yapıları incelemek, yani psikometrik anlamda faktör analizi yapmak hedefleniyorsa Principal Axis Factoring çoğu durumda daha uygun bir seçenektir.
Faktör sayısını yalnızca özdeğeri 1’in üzerinde olan bileşenlere göre belirlemek yeterli olmayabilir. SPSS’in varsayılan yaklaşımı olan Kaiser ölçütü fazla sayıda faktör önerebilir. Bu nedenle Scree Plot grafiğindeki kırılma noktası, teorik beklenti, her faktörde yer alan madde sayısı ve maddelerin kavramsal anlamı birlikte değerlendirilmelidir. Mümkünse paralel analiz bulgusu da karar sürecini güçlendirir.
Tezde yalnızca “özdeğeri 1’den büyük faktörler alınmıştır” ifadesiyle yetinmek yerine, faktör sayısına nasıl karar verildiği açıkça gerekçelendirilmelidir.
Döndürme seçimi: Varimax mı, Oblimin mi?
Rotation, maddelerin daha yorumlanabilir bir yapıda toplanmasını sağlar. Faktörlerin birbirinden bağımsız olduğu varsayılıyorsa Varimax kullanılabilir. Eğitim, psikoloji, davranış bilimleri ve sosyal bilimlerdeki birçok yapıda alt boyutların birbiriyle ilişkili olması beklendiğinden Oblimin veya Promax gibi eğik döndürmeler çoğu kez daha gerçekçi bir seçimdir.
Bu seçim mekanik yapılmamalıdır. Örneğin akademik öz-yeterlik ile akademik motivasyonun tamamen ilişkisiz olduğu varsayımı çoğu araştırmada ikna edici değildir. Eğik döndürme sonrasında faktörler arasında anlamlı ilişkiler görülmesi, sonraki aşamada doğrulayıcı faktör analizi veya yapısal model kurma kararını da etkileyebilir.
Çıktıları doğru yorumlamak
Faktör yükü, bir maddenin ilgili faktörle olan ilişkisini gösterir. Uygulamada .30 altındaki yükler zayıf, .40 ve üzerindeki yükler kabul edilebilir, .50 ve üzerindeki yükler daha güçlü olarak ele alınabilir. Fakat tek başına yük değerine bakarak madde silmek doğru değildir. Maddenin kuramsal kapsamı, ortak varyansı ve başka faktörlerde aldığı yükler de incelenmelidir.
Bir maddenin iki faktörde birden yüksek yük alması çapraz yükleme olarak adlandırılır. Örneğin bir madde birinci faktörde .52, ikinci faktörde .46 yük alıyorsa net bir biçimde ayrışmamış olabilir. Faktör yükleri arasındaki farkın en az .10 veya .20 olması yönündeki kurallar yol göstericidir; ancak karar, ölçeğin özgün yapısı ve içerik geçerliğiyle birlikte verilmelidir.
Communalities tablosunda yer alan çıkarım değerleri, maddenin çözüm tarafından ne ölçüde açıklandığını gösterir. Çok düşük ortak varyanslar, maddenin belirlenen faktör yapısına sınırlı katkı sunduğuna işaret edebilir. Rotated Factor Matrix veya eğik döndürmede Pattern Matrix, tezde en çok başvurulan tablolardandır. Maddeler, genellikle en yüksek yük aldıkları faktöre göre sıralanarak sunulur.
Toplam açıklanan varyans sosyal bilimlerde bağlama göre değişir. Tek bir ideal oran yoktur. Daha önemli olan, elde edilen faktörlerin istatistiksel olarak yeterli, kuramsal olarak anlamlı ve sonraki analizlerde kullanılabilir olmasıdır.
Tezde APA uyumlu raporlama nasıl yapılır?
Bulgular bölümünde ekran görüntüsü paylaşmak yerine, sonuçları akademik bir anlatıya ve düzenli tabloya dönüştürmek gerekir. Önce analiz türü, örneklem uygunluğu ve seçilen yöntem belirtilir. Ardından faktör sayısı, açıklanan varyans, döndürme yöntemi ve faktör yükleri raporlanır.
Örnek bir raporlama dili şu şekilde kurulabilir: “Ölçeğin yapı geçerliğini incelemek amacıyla Principal Axis Factoring yöntemi ve Oblimin döndürme kullanılmıştır. KMO değeri .82, Bartlett Küresellik Testi sonucu anlamlı bulunmuştur, χ²(231) = 1246.38, p < .001. Scree Plot, kuramsal çerçeve ve faktör yükleri dikkate alınarak üç faktörlü yapı benimsenmiştir. Bu yapı toplam varyansın %58.40'ını açıklamaktadır.”
Bu paragrafın ardından madde yükleri, ortak varyanslar ve gerekirse faktörler arası korelasyonları içeren bir tablo verilebilir. Silinen maddeler varsa, hangi ölçüte dayanarak çıkarıldıkları şeffaf biçimde açıklanmalıdır. Analiz sonrasında her alt boyut için Cronbach alfa veya daha uygun olduğunda omega güvenirlik katsayısının ayrıca hesaplanması da gerekir.
Sık görülen hatalar ve danışman geri bildirimleri
En sık karşılaşılan hata, PCA sonucunu doğrudan “açımlayıcı faktör analizi” diye raporlamaktır. İkinci yaygın sorun, Varimax döndürmeyi varsayılan seçenek olduğu için kullanmak ve faktörler arası ilişkiyi hiç değerlendirmemektir. Üçüncü sorun ise düşük veya çapraz yüklü maddeleri yalnızca istatistiksel sonuçlara göre silerek ölçme aracının içerik kapsamını daraltmaktır.
Danışmanlar ayrıca faktör analizi ile güvenirlik analizinin birbirine karıştırılmasını sıkça eleştirir. Cronbach alfa yüksek olabilir, fakat ölçeğin tek boyutlu olduğu anlamına gelmez. Benzer şekilde faktör yükleri kabul edilebilir olsa bile, farklı örneklemde yapı yeniden sınanmalıdır. Özellikle uyarlama ölçeklerde AFA sonrasında DFA ile model uyumunun değerlendirilmesi daha güçlü kanıt sağlar.
Teslim tarihi yaklaşırken bu kararların aceleyle verilmesi, sonuç bölümünde savunması zor tablolar yaratabilir. Akademik Analiz, ham veri kontrolünden SPSS çıktılarının yorumlanmasına, APA uyumlu bulgular tablosundan danışman revizyonlarına kadar analiz sürecinin teknik ve raporlama boyutlarında destek sunar.
Faktör analizi, menüde birkaç seçeneği işaretlemekten çok daha fazlasıdır: Ölçeğinizin gerçekten neyi ölçtüğünü gösterebilme sürecidir. Bu nedenle her çıktıyı, araştırma sorunuz, kuramsal modeliniz ve kurumunuzun tez yazım beklentileriyle birlikte okuyun.