Dil Gruplarına Göre Okula Aitlik Ölçeğinin Ölçme Değişmezliği: TIMSS 2023 Türkiye Verileriyle Çok Gruplu Doğrulayıcı Faktör Analizi
Samet EKER¹
¹ Doktora Öğrencisi, Hacettepe Üniversitesi, Eğitim Bilimleri A.B.D.,
Eğitimde Ölçme ve Değerlendirme
Bu öğrenme günlüğünde amacımı, öğrencilerin okula aitlik algılarının evde konuşulan dile göre farklı gruplarda eşdeğer şekilde ölçülüp ölçülemediğini değerlendirmek olarak belirledim.
Özellikle çok dilli sınıf yapılarının giderek yaygınlaştığı Türkiye bağlamında, bu konu giderek daha fazla önem kazanmaktadır. Son yıllarda ülkeye gelen sığınmacı ve mülteci öğrenciler, eğitim sisteminde önemli bir heterojenlik yaratmakta, bu da eğitimsel ölçme araçlarının tüm öğrenciler için adil ve geçerli olup olmadığını sorgulamayı gerekli kılmaktadır.
Bu bağlamda, evde konuşulan dil gibi kültürel ve dilsel farklılıkların, öğrencilerin okula duyduğu aidiyetin nasıl algılandığını etkileyip etkilemediği önemli bir araştırma sorusudur. TIMSS gibi uluslararası geçerliliğe sahip ölçme araçlarının, farklı dil geçmişine sahip öğrencilere aynı yapıyı eşit biçimde yansıtıp yansıtmadığı sorusu, yalnızca metodolojik bir mesele değil, aynı zamanda kapsayıcı ve adil eğitim politikalarının geliştirilmesi açısından da kritik bir boyuttur.
Öğrenme günlüğümdeki bu çalışma, farklı dil gruplarındaki (özellikle de göçmen, sığınmacı ve mülteci kökenli) öğrencilerin eğitim deneyimlerinin sağlıklı biçimde karşılaştırılabilmesine katkı sunmayı amaçlamaktadır.
Çalışma için, 2023 TIMSS Türkiye 4. sınıf verilerini kullanacağım. Veriler, IEA’nın resmi web sitesinden IEA IDB Analyzer programı ile ham halde elde edilmiştir.
Paketler ve veri setinin yüklenmesi
library(lavaan)
library(MVN)
library(semTools)
library(semPlot)
library(dplyr)
library(sjlabelled)
library(knitr)
library(kableExtra)
library(haven)
library(ggplot2)
library(reshape2)
library(ggcorrplot)
library(tidyr)
data <- read_sav("C:/Users/Lenovo/Desktop/invariance.sav")Türkçe konuşanlar ve diğer olarak iki grup oluşturalım
library(dplyr)
library(haven)
data <- data %>%
mutate(Dil = ifelse(as.numeric(ASBG03) %in% c(1, 2), "Turkce", "Diger"),
Dil = as_factor(Dil))Kullanılacak maddelerin seçimi
items <- c("ASBG13A", "ASBG13B", "ASBG13C", "ASBG13D", "ASBG13E", "ASBG13F", "ASBG13G")Verinin temizlenmesi ve ters kodlanması
Bunu yapmamın sebebi okul aidiyeti ölçeğinin maddelerinin 1 agree a lot, 2 agree a little, 3 disagree a little, 4 disagree a lot şeklinde kodlanmış olmasıdır. Bu nedenle, tüm maddeleri ters kodlayarak daha yüksek puanların daha yüksek aidiyet düzeyini temsil etmesini sağlıyorum.
data_clean <- data[complete.cases(data[, items]), c("ITSEX", "Dil", items)]
data_clean$ASBG13A <- 5 - data_clean$ASBG13A
data_clean$ASBG13B <- 5 - data_clean$ASBG13B
data_clean$ASBG13C <- 5 - data_clean$ASBG13C
data_clean$ASBG13D <- 5 - data_clean$ASBG13D
data_clean$ASBG13E <- 5 - data_clean$ASBG13E
data_clean$ASBG13F <- 5 - data_clean$ASBG13F
data_clean$ASBG13G <- 5 - data_clean$ASBG13G
data_clean$ITSEX <- as.factor(data_clean$ITSEX)Dil gruplarında kaç öğrenci olduğuna bakalım
Bunu yapma sebebim, her iki grupta da yeterli sayıda katılımcı olup olmadığını kontrol etmektir. Eğer bir grupta çok az katılımcı varsa, bu grup için geçerli sonuçlar elde etmek zor olabilir.
table(data_clean$Dil)##
## Turkce Diger
## 3759 570Descriptive statistics
library(psych)
describe(data_clean) ## vars n mean sd median trimmed mad min max range skew kurtosis
## ITSEX* 1 4329 1.52 0.50 2 1.52 0 1 2 1 -0.08 -1.99
## Dil* 2 4329 1.13 0.34 1 1.04 0 1 2 1 2.18 2.74
## ASBG13A 3 4329 3.34 0.91 4 3.52 0 1 4 3 -1.34 0.90
## ASBG13B 4 4329 3.40 0.86 4 3.58 0 1 4 3 -1.42 1.17
## ASBG13C 5 4329 3.49 0.86 4 3.69 0 1 4 3 -1.70 1.92
## ASBG13D 6 4329 3.57 0.76 4 3.74 0 1 4 3 -1.89 3.11
## ASBG13E 7 4329 3.45 0.89 4 3.65 0 1 4 3 -1.59 1.51
## ASBG13F 8 4329 3.83 0.55 4 3.99 0 1 4 3 -3.63 13.39
## ASBG13G 9 4329 3.40 0.89 4 3.59 0 1 4 3 -1.46 1.21
## se
## ITSEX* 0.01
## Dil* 0.01
## ASBG13A 0.01
## ASBG13B 0.01
## ASBG13C 0.01
## ASBG13D 0.01
## ASBG13E 0.01
## ASBG13F 0.01
## ASBG13G 0.01describeBy(data_clean, group = "ITSEX") ##
## Descriptive statistics by group
## ITSEX: 1
## vars n mean sd median trimmed mad min max range skew kurtosis
## ITSEX 1 2083 1.00 0.00 1 1.00 0 1 1 0 NaN NaN
## Dil 2 2083 1.14 0.34 1 1.05 0 1 2 1 2.11 2.44
## ASBG13A 3 2083 3.49 0.77 4 3.66 0 1 4 3 -1.61 2.19
## ASBG13B 4 2083 3.45 0.80 4 3.61 0 1 4 3 -1.46 1.54
## ASBG13C 5 2083 3.54 0.79 4 3.73 0 1 4 3 -1.80 2.54
## ASBG13D 6 2083 3.64 0.66 4 3.78 0 1 4 3 -2.11 4.59
## ASBG13E 7 2083 3.57 0.78 4 3.76 0 1 4 3 -1.93 3.12
## ASBG13F 8 2083 3.82 0.56 4 3.97 0 1 4 3 -3.49 12.39
## ASBG13G 9 2083 3.40 0.87 4 3.58 0 1 4 3 -1.44 1.25
## se
## ITSEX 0.00
## Dil 0.01
## ASBG13A 0.02
## ASBG13B 0.02
## ASBG13C 0.02
## ASBG13D 0.01
## ASBG13E 0.02
## ASBG13F 0.01
## ASBG13G 0.02
## ------------------------------------------------------------
## ITSEX: 2
## vars n mean sd median trimmed mad min max range skew kurtosis
## ITSEX 1 2246 2.00 0.00 2 2.00 0 2 2 0 NaN NaN
## Dil 2 2246 1.13 0.33 1 1.03 0 1 2 1 2.25 3.05
## ASBG13A 3 2246 3.21 0.99 4 3.38 0 1 4 3 -1.09 0.05
## ASBG13B 4 2246 3.36 0.92 4 3.54 0 1 4 3 -1.35 0.79
## ASBG13C 5 2246 3.44 0.92 4 3.65 0 1 4 3 -1.59 1.37
## ASBG13D 6 2246 3.50 0.83 4 3.68 0 1 4 3 -1.68 2.05
## ASBG13E 7 2246 3.33 0.98 4 3.54 0 1 4 3 -1.32 0.53
## ASBG13F 8 2246 3.84 0.54 4 4.00 0 1 4 3 -3.77 14.41
## ASBG13G 9 2246 3.41 0.90 4 3.60 0 1 4 3 -1.48 1.18
## se
## ITSEX 0.00
## Dil 0.01
## ASBG13A 0.02
## ASBG13B 0.02
## ASBG13C 0.02
## ASBG13D 0.02
## ASBG13E 0.02
## ASBG13F 0.01
## ASBG13G 0.02Ortalama değerler 3.21 ile 3.83 arasında değişiyor.
Bu da öğrencilerin okul aidiyeti konusunda genel olarak yüksek düzeyde hemfikir olduğunu gösteriyor.
Standart sapmalar 0.5–0.99 arasında olduğu için değişkenler arasında orta düzeyde varyans olduğu söylenebilir.
Skewness (çarpıklık) değerleri genelde negatif: Bu da dağılımların sola çarpık, yani yüksek değerlere yoğunlaştığını gösterir.
Kurtosis (basıklık) değerleri bazı değişkenlerde oldukça yüksek (örneğin ASBG13F için 13.39). Keskin bir tepe ve kuyruklarda yoğunluk var gibi yorumlanabilir (çok fazla kişi “4”ü seçmiş).
Cinsiyet bazlı karşılaştırdığımda, kızlarda (n = 2083) ortalama puanlar 3.40–3.82 arasında. Kız öğrenciler, özellikle aidiyet ve güven konularında yüksek puanlara sahip.
Erkeklerde (n = 2246) ortalama puanlar biraz daha düşük. Ancak ASBG13F (arkadaşlık) ortalaması 3.84 ile yine çok yüksek.
Genel olarak, hem kız hem erkek öğrenciler okulla ilgili olumlu tutumlar sergiliyor, ancak kızların puanları bazı maddelerde biraz daha yüksek.
Bu dağılımlar, CFA (doğrulayıcı faktör analizi) ve ölçme değişmezliği testleri için uygun görülüyor, çünkü veriler normal dağılıma uymasa bile büyük örneklem sayesinde MLR (robust maximum likelihood) gibi kestiriciler kullanılabilir.
Çok değişkenli normallik
mvn_result <- mvn(data_clean[, items], mvnTest = "mardia")
mvn_result## $multivariateNormality
## Test Statistic p value Result
## 1 Mardia Skewness 19619.2602224613 0 NO
## 2 Mardia Kurtosis 167.006226250581 0 NO
## 3 MVN <NA> <NA> NO
##
## $univariateNormality
## Test Variable Statistic p value Normality
## 1 Anderson-Darling ASBG13A 496.6632 <0.001 NO
## 2 Anderson-Darling ASBG13B 538.0549 <0.001 NO
## 3 Anderson-Darling ASBG13C 685.6384 <0.001 NO
## 4 Anderson-Darling ASBG13D 705.5047 <0.001 NO
## 5 Anderson-Darling ASBG13E 644.6449 <0.001 NO
## 6 Anderson-Darling ASBG13F 1264.6147 <0.001 NO
## 7 Anderson-Darling ASBG13G 564.7067 <0.001 NO
##
## $Descriptives
## n Mean Std.Dev Median Min Max 25th 75th Skew Kurtosis
## ASBG13A 4329 3.343266 0.9051488 4 1 4 3 4 -1.340264 0.8959217
## ASBG13B 4329 3.404712 0.8624086 4 1 4 3 4 -1.415790 1.1711786
## ASBG13C 4329 3.488796 0.8638492 4 1 4 3 4 -1.696240 1.9189477
## ASBG13D 4329 3.566182 0.7553397 4 1 4 3 4 -1.886217 3.1115824
## ASBG13E 4329 3.447678 0.8933932 4 1 4 3 4 -1.591845 1.5113989
## ASBG13F 4329 3.827443 0.5514432 4 1 4 4 4 -3.630487 13.3949342
## ASBG13G 4329 3.404250 0.8892667 4 1 4 3 4 -1.463961 1.2128934Sağlanamadı!
Korelasyon matrisini inceleyelim
cor_matrix <- cor(data_clean[, items], use = "pairwise.complete.obs")
ggcorrplot(cor_matrix, method = "circle") 
CFA için model tanımlama
model <- 'AITLIK =~ ASBG13A + ASBG13B + ASBG13C + ASBG13D + ASBG13E + ASBG13F + ASBG13G'Tüm veriyle CFA
cfa_all <- cfa(model, data=data_clean, estimator="mlr")
cfa_summary <- summary(cfa_all, fit.measures=TRUE, standardized=TRUE)
cfa_summary## lavaan 0.6-19 ended normally after 21 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 14
##
## Number of observations 4329
##
## Model Test User Model:
## Standard Scaled
## Test Statistic 524.344 297.343
## Degrees of freedom 14 14
## P-value (Chi-square) 0.000 0.000
## Scaling correction factor 1.763
## Yuan-Bentler correction (Mplus variant)
##
## Model Test Baseline Model:
##
## Test statistic 7801.605 4325.821
## Degrees of freedom 21 21
## P-value 0.000 0.000
## Scaling correction factor 1.803
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.934 0.934
## Tucker-Lewis Index (TLI) 0.902 0.901
##
## Robust Comparative Fit Index (CFI) 0.936
## Robust Tucker-Lewis Index (TLI) 0.903
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -32862.767 -32862.767
## Scaling correction factor 2.272
## for the MLR correction
## Loglikelihood unrestricted model (H1) -32600.595 -32600.595
## Scaling correction factor 2.018
## for the MLR correction
##
## Akaike (AIC) 65753.535 65753.535
## Bayesian (BIC) 65842.758 65842.758
## Sample-size adjusted Bayesian (SABIC) 65798.272 65798.272
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.092 0.068
## 90 Percent confidence interval - lower 0.085 0.063
## 90 Percent confidence interval - upper 0.099 0.074
## P-value H_0: RMSEA <= 0.050 0.000 0.000
## P-value H_0: RMSEA >= 0.080 0.998 0.000
##
## Robust RMSEA 0.091
## 90 Percent confidence interval - lower 0.082
## 90 Percent confidence interval - upper 0.100
## P-value H_0: Robust RMSEA <= 0.050 0.000
## P-value H_0: Robust RMSEA >= 0.080 0.978
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.047 0.047
##
## Parameter Estimates:
##
## Standard errors Sandwich
## Information bread Observed
## Observed information based on Hessian
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## AITLIK =~
## ASBG13A 1.000 0.582 0.643
## ASBG13B 1.029 0.034 29.920 0.000 0.598 0.694
## ASBG13C 1.042 0.036 29.237 0.000 0.606 0.701
## ASBG13D 0.770 0.033 23.135 0.000 0.448 0.593
## ASBG13E 1.005 0.033 30.176 0.000 0.584 0.654
## ASBG13F 0.404 0.031 13.096 0.000 0.235 0.426
## ASBG13G 0.808 0.041 19.726 0.000 0.470 0.529
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .ASBG13A 0.481 0.017 27.933 0.000 0.481 0.587
## .ASBG13B 0.385 0.014 27.517 0.000 0.385 0.518
## .ASBG13C 0.379 0.015 25.545 0.000 0.379 0.508
## .ASBG13D 0.370 0.013 27.829 0.000 0.370 0.648
## .ASBG13E 0.457 0.019 23.901 0.000 0.457 0.572
## .ASBG13F 0.249 0.014 18.251 0.000 0.249 0.819
## .ASBG13G 0.570 0.018 31.246 0.000 0.570 0.721
## AITLIK 0.338 0.020 17.068 0.000 1.000 1.000Modelin uyumunu inceleyelim
fit_measures <- fitmeasures(cfa_all, c("chisq", "df", "cfi.robust", "rmsea.robust", "srmr"))
fit_measures <- round(fit_measures, 3)
kable(fit_measures) %>% kable_styling()| x | |
|---|---|
| chisq | 524.344 |
| df | 14.000 |
| cfi.robust | 0.936 |
| rmsea.robust | 0.091 |
| srmr | 0.047 |
Modifiyasyon indeksi
modindices(cfa_all, sort=TRUE, minimum.value=10)## lhs op rhs mi epc sepc.lv sepc.all sepc.nox
## 36 ASBG13F ~~ ASBG13G 327.404 0.112 0.112 0.298 0.298
## 21 ASBG13A ~~ ASBG13G 91.933 -0.090 -0.090 -0.171 -0.171
## 19 ASBG13A ~~ ASBG13E 85.356 0.084 0.084 0.179 0.179
## 20 ASBG13A ~~ ASBG13F 66.631 -0.049 -0.049 -0.141 -0.141
## 22 ASBG13B ~~ ASBG13C 27.427 0.044 0.044 0.115 0.115
## 23 ASBG13B ~~ ASBG13D 18.839 -0.032 -0.032 -0.084 -0.084
## 34 ASBG13E ~~ ASBG13F 17.569 -0.025 -0.025 -0.073 -0.073
## 24 ASBG13B ~~ ASBG13E 16.729 -0.035 -0.035 -0.084 -0.084
## 35 ASBG13E ~~ ASBG13G 16.494 -0.037 -0.037 -0.073 -0.073
## 31 ASBG13D ~~ ASBG13E 15.948 0.031 0.031 0.075 0.075
## 33 ASBG13D ~~ ASBG13G 13.652 0.029 0.029 0.064 0.064
## 16 ASBG13A ~~ ASBG13B 12.906 0.031 0.031 0.073 0.073Modifikasyonlu Model
model_rev <- '
AITLIK =~ ASBG13A + ASBG13B + ASBG13C + ASBG13D + ASBG13E + ASBG13F + ASBG13G
ASBG13F ~~ ASBG13G
'Modifikasyonlu modelin uyumu
cfa_rev <- cfa(model_rev, data=data_clean, estimator="mlr")
cfa_rev_summary <- summary(cfa_rev, fit.measures=TRUE, standardized=TRUE)
cfa_rev_summary## lavaan 0.6-19 ended normally after 22 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 15
##
## Number of observations 4329
##
## Model Test User Model:
## Standard Scaled
## Test Statistic 196.203 112.684
## Degrees of freedom 13 13
## P-value (Chi-square) 0.000 0.000
## Scaling correction factor 1.741
## Yuan-Bentler correction (Mplus variant)
##
## Model Test Baseline Model:
##
## Test statistic 7801.605 4325.821
## Degrees of freedom 21 21
## P-value 0.000 0.000
## Scaling correction factor 1.803
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.976 0.977
## Tucker-Lewis Index (TLI) 0.962 0.963
##
## Robust Comparative Fit Index (CFI) 0.978
## Robust Tucker-Lewis Index (TLI) 0.964
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -32698.697 -32698.697
## Scaling correction factor 2.257
## for the MLR correction
## Loglikelihood unrestricted model (H1) -32600.595 -32600.595
## Scaling correction factor 2.018
## for the MLR correction
##
## Akaike (AIC) 65427.394 65427.394
## Bayesian (BIC) 65522.990 65522.990
## Sample-size adjusted Bayesian (SABIC) 65475.326 65475.326
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.057 0.042
## 90 Percent confidence interval - lower 0.050 0.037
## 90 Percent confidence interval - upper 0.064 0.048
## P-value H_0: RMSEA <= 0.050 0.046 0.991
## P-value H_0: RMSEA >= 0.080 0.000 0.000
##
## Robust RMSEA 0.056
## 90 Percent confidence interval - lower 0.046
## 90 Percent confidence interval - upper 0.065
## P-value H_0: Robust RMSEA <= 0.050 0.156
## P-value H_0: Robust RMSEA >= 0.080 0.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.027 0.027
##
## Parameter Estimates:
##
## Standard errors Sandwich
## Information bread Observed
## Observed information based on Hessian
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## AITLIK =~
## ASBG13A 1.000 0.592 0.654
## ASBG13B 1.015 0.034 29.415 0.000 0.601 0.697
## ASBG13C 1.026 0.036 28.881 0.000 0.607 0.703
## ASBG13D 0.754 0.033 23.045 0.000 0.446 0.591
## ASBG13E 0.996 0.033 30.044 0.000 0.590 0.660
## ASBG13F 0.359 0.028 12.701 0.000 0.213 0.386
## ASBG13G 0.748 0.038 19.604 0.000 0.443 0.498
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .ASBG13F ~~
## .ASBG13G 0.112 0.010 11.057 0.000 0.112 0.285
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .ASBG13A 0.468 0.017 27.345 0.000 0.468 0.572
## .ASBG13B 0.383 0.014 26.976 0.000 0.383 0.514
## .ASBG13C 0.377 0.015 25.177 0.000 0.377 0.506
## .ASBG13D 0.371 0.013 27.839 0.000 0.371 0.651
## .ASBG13E 0.450 0.019 23.390 0.000 0.450 0.564
## .ASBG13F 0.259 0.014 18.030 0.000 0.259 0.851
## .ASBG13G 0.594 0.018 32.656 0.000 0.594 0.752
## AITLIK 0.351 0.020 17.463 0.000 1.000 1.000fit_measures_rev <- fitmeasures(cfa_rev, c("chisq", "df", "cfi.robust", "rmsea.robust", "srmr"))
fit_measures_rev <- round(fit_measures_rev, 3)
kable(fit_measures_rev) %>% kable_styling()| x | |
|---|---|
| chisq | 196.203 |
| df | 13.000 |
| cfi.robust | 0.978 |
| rmsea.robust | 0.056 |
| srmr | 0.027 |
Path Diyagramı
semPaths(cfa_rev, what="std",
edge.label.cex=1.5,
fade=FALSE,
layout="tree",
residuals=FALSE,
sizeMan=10,
sizeLat=10,
label.scale=TRUE,
label.cex=1.5,
node.size=10)
Gruplar arası değişmezlik analizi
Biçimsel (configural)
configural <- cfa(model_rev, data = data_clean, estimator = "mlr", group = "Dil", group.equal = NULL)
fit.configural <- fitmeasures(configural, c("chisq", "df", "cfi.robust", "rmsea.robust", "srmr"))
fit.configural <- round(fit.configural, 3)
kable(fit.configural) %>% kable_styling()| x | |
|---|---|
| chisq | 216.896 |
| df | 26.000 |
| cfi.robust | 0.978 |
| rmsea.robust | 0.055 |
| srmr | 0.025 |
Metrik (metric)
metric <- cfa(model_rev, data=data_clean, estimator="mlr", group="Dil", group.equal="loadings")
fit.metric <- fitmeasures(metric, c("chisq", "df", "cfi.robust", "rmsea.robust", "srmr"))
fit.metric <- round(fit.metric, 3)
kable(fit.metric) %>% kable_styling()| x | |
|---|---|
| chisq | 247.824 |
| df | 32.000 |
| cfi.robust | 0.975 |
| rmsea.robust | 0.053 |
| srmr | 0.031 |
Ölçek (Scalar)
scalar <- cfa(model_rev, data=data_clean, estimator="mlr", group="Dil", group.equal=c("loadings", "intercepts"))
fit.scalar <- fitmeasures(scalar, c("chisq", "df", "cfi.robust", "rmsea.robust", "srmr"))
fit.scalar <- round(fit.scalar, 3)
kable(fit.scalar) %>% kable_styling()| x | |
|---|---|
| chisq | 286.842 |
| df | 38.000 |
| cfi.robust | 0.971 |
| rmsea.robust | 0.052 |
| srmr | 0.033 |
Katı değişmezlik
kati <- cfa(model_rev, data=data_clean, estimator="mlr", group="Dil",
group.equal=c("loadings", "intercepts", "residuals"))
fit.kati <- fitmeasures(kati, c("chisq", "df", "cfi.robust", "rmsea.robust", "srmr"))
fit.kati <- round(fit.kati, 3)
kable(fit.kati) %>% kable_styling()| x | |
|---|---|
| chisq | 347.949 |
| df | 45.000 |
| cfi.robust | 0.965 |
| rmsea.robust | 0.053 |
| srmr | 0.039 |
Sonuçları karşılaştırma
results_table <- rbind(
Configural = fit.configural,
Metric = fit.metric,
Scalar = fit.scalar,
kati = fit.kati
)
library(DT)
datatable(results_table, options = list(pageLength = 5, autoWidth = TRUE),
caption = "Gruplar Arası Değişmezlik Analizi Sonuçları")GENEL DEĞERLENDİRME
Bu öğrenme günlüğünde, 2023 yılı Türkiye TIMSS 4. sınıf verileri kullanılarak, öğrencilerin okula aitlik algılarına ilişkin ölçme aracının, evde konuşulan dile göre (Türkçe vs. diğer diller) ölçme değişmezliği incelenmiştir.
Ölçme değişmezliği, belirli bir yapının farklı gruplarda aynı biçimde işleyip işlemediğini anlamaya yönelik istatistiksel bir yöntemdir. Bu kapsamda, analizler biçimsel (configural), metrik (metric), ölçek (scalar) ve katı (strict) düzeyleri kapsayan dört aşamada gerçekleştirilmiştir.
Veri setinde eksiksiz yanıt veren toplam 4.329 öğrenci yer almıştır. Katılımcıların 3.759’u evde çoğunlukla Türkçe konuştuklarını, 570’i ise başka bir dili kullandıklarını bildirmiştir. Cinsiyet dağılımı dengelidir. Evde konuşulan dil, TIMSS veri setindeki ASBG03 değişkeni temel alınarak ikili (Türkçe – Diğer) bir sınıflandırma ile gruplandırılmıştır. Veriler, IEA IDB Analyzer programından ham şekilde sağlanmış R formatında elde edilmiştir. Yalnızca tüm ölçek maddelerine tam yanıt veren katılımcılar çalışmaya dahil edilmiştir.
Öğrencilerin okula aitlik düzeylerini ölçmek üzere TIMSS Öğrenci Anketi’nde yer alan yedi madde kullanılmıştır. Bu maddeler, öğrencilerin okula yönelik duygusal, sosyal ve akademik bağlılıklarını yansıtmaktadır. Yanıtlar 1 (Kesinlikle Katılıyorum) ile 4 (Kesinlikle Katılmıyorum) arasında dört dereceli bir Likert ölçeğiyle toplanmıştır. Aitlik düzeyinin daha yüksek puanlarla ifade edilebilmesi için tüm maddeler ters kodlanmıştır.
Analiz öncesinde verinin dağılım özellikleri incelenmiştir. Tüm maddeler için ortalama, standart sapma, çarpıklık ve basıklık değerleri hesaplanmıştır. Özellikle “okulda iyi arkadaşlarım var” maddesinde belirgin ÇARPIKLIK gözlenmiştir (çarpıklık = 3.63; basıklık = 13.39). Ayrıca, çok değişkenli normal dağılım varsayımı Mardia’nın çarpıklık ve basıklık testleriyle değerlendirilmiş ve istatistiksel olarak anlamlı sapmalar saptanmıştır (p < .001). Her bir maddenin tek değişkenli normal dağılımı da Anderson-Darling testi ile analiz edilmiş, sonuçlar tüm maddeler için normallik varsayımının karşılanmadığını göstermiştir. Bu nedenle, doğrulayıcı faktör analizlerinde dağılım sapmalarına karşı dayanıklı olan robust maximum likelihood (MLR) kestirim yöntemi tercih edilmiştir.
Okula aitlik yapısına ilişkin doğrulayıcı faktör analizinde, tüm maddelerin tek bir örtük faktöre yüklendiği bir model tanımlanmıştır. Başlangıç modelinin uyum indeksleri beklentinin altında kalmıştır (CFI = .934; RMSEA = .091; SRMR = .047). Modifikasyon indeksleri incelendiğinde, “okulda iyi arkadaşlarım var” ile “diğer öğrenciler beni sever” maddeleri arasında yüksek hata kovaryansı belirlenmiştir. Sosyal içeriğe sahip bu tür ifadeler arasında artan hata varyanslarının modellenmesi literatürde önerilmektedir. Bu nedenle söz konusu iki madde arasında hata kovaryansı tanımlanarak model yeniden yapılandırılmıştır. Revize edilen modelin uyum değerleri anlamlı biçimde iyileşmiş ve önerilen eşik değerlerle uyumlu hale gelmiştir (CFI = .977; RMSEA = .056; SRMR = .027).
Revize model temel alınarak çok gruplu doğrulayıcı faktör analiziyle ölçme değişmezliği test edilmiştir. Ölçme değişmezliği dört düzeyde incelenmiş, her bir aşamada uyum istatistikleri (χ², sd, CFI, RMSEA, SRMR) raporlanmış ve modeller arası ΔCFI değerleri < .01 kriteri doğrultusunda değerlendirilmiştir.
Biçimsel değişmezlik, evde konuşulan dil farklı olan gruplarda örtük yapının kavramsal olarak denk olduğunu göstermiştir (χ²(26) = 216.90; CFI = .978; RMSEA = .055; SRMR = .025).
Metrik modelde faktör yüklerinin sabitlenmesiyle model uyumu korunmuş (ΔCFI = .003) ve yapının ölçüm açısından tutarlı olduğu belirlenmiştir.
Skaler modelde, madde ortalamalarının da eşitlenmesine rağmen model uyumu kabul edilebilir düzeyde kalmıştır (ΔCFI = .004).
Katı modelde ise artık varyanslar sabitlendiğinde küçük bir uyum kaybı gözlense de model genel olarak geçerliliğini korumuştur (CFI = .965; RMSEA = .053; SRMR = .039; ΔCFI = .006).
- Tüm aşamalarda ΔCFI değerinin .01’in altında kalması, TAM ÖLÇME DEĞİŞMEZLİĞİNİN sağlandığını göstermektedir.
Ölçek, Türkçe konuşan ve başka dil konuşan öğrenciler arasında aynı psikolojik yapıyı güvenilir biçimde ölçmektedir. Bu durum, söz konusu ölçeğin kültürel ve dilsel farklılıklara rağmen yapısal eşdeğerlik gösterdiğini ortaya koymaktadır.
NOT: ÖĞRENME GÜNLÜĞÜ YAKLAŞIK 3 BUÇUK SAATİMİ ALDI