ODEV DFA
Duygu Gedik
2026-05-09
# If you don't have remotes yet
if (!requireNamespace("remotes", quietly = TRUE)) {
install.packages("remotes")
}
# Install the correct repo
remotes::install_github("dr-JT/semoutput")## Skipping install of 'semoutput' from a github remote, the SHA1 (0eb4f0de) has not changed since last install.
## Use `force = TRUE` to force installationSORU 1
Aşağıda künyesi verilen makalede 339 çocuğa 21 tane yetenek sorusu içeren bir zeka ölçeği uygulanmıştır. Bu ölçek mantıksal, dilsel, müziksel, bedensel, uzamsal, ve doğal olarak adlandırılan 6 farklı zeka boyutunu ölçmek için tasarlanmıştır.
library(lavaan)## Warning: package 'lavaan' was built under R version 4.5.2## This is lavaan 0.6-21
## lavaan is FREE software! Please report any bugs.library(semPlot)## Warning: package 'semPlot' was built under R version 4.5.2library(semoutput)
library(dplyr)## Warning: package 'dplyr' was built under R version 4.5.3##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union# Sütun sırası: Doğal(1-6), Bedensel(7-10), Uzamsal(11-13), Müziksel(14-15), Mantıksal(16-18), Dilsel(19-21)
cor_matrix_str <- "
1
.401 1
.397 .555 1
.424 .441 .620 1
.593 .485 .573 .690 1
.594 .513 .632 .712 .797 1
.232 .191 .180 .155 .241 .182 1
.143 .214 .120 .119 .155 .110 .496 1
-.042 .049 -.011 -.090 -.095 -.099 .306 .356 1
.272 .256 .224 .282 .323 .342 .285 .310 .124 1
.251 .117 .161 .243 .333 .236 .279 .254 .052 .351 1
.271 .133 .103 .201 .344 .249 .239 .248 .036 .346 .743 1
.252 .102 .178 .260 .346 .238 .271 .256 -.003 .298 .713 .714 1
.053 .051 .072 .102 .025 .049 .049 .106 .094 .063 .101 .029 .075 1
.109 .081 .158 .130 .159 .159 .253 .235 .190 .153 .147 .113 .134 .569 1
.280 .006 .057 .235 .402 .283 .316 .252 .017 .307 .555 .515 .500 .115 .298 1
.103 .200 .131 .116 .143 .123 .122 .180 .074 .206 .230 .189 .149 .127 .162 .075 1
.185 .075 .107 .212 .302 .209 .184 .236 .152 .286 .499 .420 .384 .135 .227 .466 .465 1
.186 .082 .127 .215 .315 .218 .191 .222 .103 .273 .481 .437 .408 .141 .178 .477 .434 .674 1
.161 .055 .098 .138 .166 .153 .156 .192 .013 .132 .170 .203 .154 .080 .123 .180 .075 .130 .119 1
.217 .112 .219 .239 .189 .201 .168 .142 .053 .149 .094 .145 .159 .121 .162 .131 .075 .092 .097 .676 1
"
# Matrisi lavaan fonksiyonu ile R matrisine çevirme
castejon_cov <- getCov(cor_matrix_str, names = paste0("v", 1:21))## Warning: 'getCov' is deprecated.
## Use 'lav_getcov' instead.
## See help("Deprecated")# Örneklem büyüklüğü
n_obs <- 339a) Altı faktörlü modelin uyumu
model_1 <- '
dogal =~ v1 + v2 + v3 + v4 + v5 + v6
bedensel =~ v7 + v8 + v9 + v10
uzamsal =~ v11 + v12 + v13
muziksel =~ v14 + v15
mantiksal =~ v16 + v17 + v18
dilsel =~ v19 + v20 + v21
'# Modelin çalıştırılması
fit_1 <- cfa(model_1, sample.cov = castejon_cov, sample.nobs = n_obs)## Warning: lavaan->lav_object_post_check():
## some estimated ov variances are negative#Uyum indeksleri
fitmeasures(fit_1,fit.measures = c("chisq" ,"df" , "pvalue","cfi","tli","rmsea","rmsea.ci.lower",
"rmsea.ci.upper","srmr"))## chisq df pvalue cfi tli
## 663.506 174.000 0.000 0.844 0.812
## rmsea rmsea.ci.lower rmsea.ci.upper srmr
## 0.091 0.084 0.099 0.106Analiz sonuçlarına göre, test edilen altı faktörlü modelin veriyle uyumu yetersiz bulunmuştur. Ki-kare/sd oranı (3.812) kabul edilebilir sınırlar içinde kalsa da; CFI (0.844) ve TLI (0.812) değerlerinin 0.90 eşiğinin altında olması, RMSEA (0.091) ve SRMR (0.106) değerlerinin ise hata sınırlarını aşması modelin veriye yeterince iyi bir uyum sağlamadığını göstermektedir.
semPaths(fit_1, what="std", style="lisrel", layout="tree", residuals = TRUE, rotation = 2)
Yapılan Doğrulayıcı Faktör Analizi (DFA) sonucunda modelin 6 faktörlü yapısı incelenmiştir. Yukarıdaki şekilde görüldüğü üzere, faktör yükleri genel olarak 0.40 ile 1.15 arasında değişim göstermektedir. Özellikle ‘mzk’ gizil değişkeninin v15 maddesi üzerindeki etkisi oldukça yüksek bulunmuştur. Faktörler arası korelasyonlar incelendiğinde, en yüksek ilişkinin ‘uzm’ ve ‘bdn’ (r=0.43) arasında olduğu görülmektedir.
b) İkinci Dereceli Altı Faktörlü Model
model_2 <- '
dogal =~ v1 + v2 + v3 + v4 + v5 + v6
bedensel =~ v7 + v8 + v9 + v10
uzamsal =~ v11 + v12 + v13
muziksel =~ v14 + v15
mantiksal =~ v16 + v17 + v18
dilsel =~ v19 + v20 + v21
# İkinci düzey genel faktör
genel_z =~ dogal + bedensel + uzamsal + muziksel + mantiksal + dilsel
'# Modelin çalıştırılması
fit_2 <- cfa(model_2, sample.cov = castejon_cov, sample.nobs = n_obs)## Warning: lavaan->lav_object_post_check():
## some estimated ov variances are negative## Warning: lavaan->lav_object_post_check():
## some estimated lv variances are negative#Uyum indeksleri
fitmeasures(fit_2,fit.measures = c("chisq" ,"df" , "pvalue","cfi","tli","rmsea","rmsea.ci.lower",
"rmsea.ci.upper","srmr"))## chisq df pvalue cfi tli
## 698.148 183.000 0.000 0.836 0.811
## rmsea rmsea.ci.lower rmsea.ci.upper srmr
## 0.091 0.084 0.098 0.110Altı zeka boyutunun genel bir ‘g’ faktörü altında birleştiği ikinci düzey modeli test ettiğimde, verilerin bu yapıyı desteklemediğini gördüm. Ki-kare/sd oranı (3.815) makul görünse de; CFI (0.836), TLI (0.811), RMSEA (0.091) ve SRMR (0.110) gibi temel uyum indekslerinin tamamı eşik değerlerin dışında kaldı. Hatta bu model, birinci düzey modelle kıyaslandığında uyumun daha da kötüleştiği (CFI’ın 0.844’ten 0.836’ya düştüğü, SRMR’nin ise 0.110’a yükseldiği) gözlemlendi. Bu sonuçlar, söz konusu zeka boyutlarını açıklamakta tek bir genel faktörün hem istatistiksel hem de teorik olarak yetersiz olduğunu ortaya koymaktadır.
semPaths(fit_2, what="std", style="lisrel", layout="tree", residuals = TRUE, rotation = 2)
İkinci düzey doğrulayıcı faktör analizi sonuçlarına göre, altı alt boyutun ‘genel’ bir faktör altında toplandığı görülmüştür. Genel faktörün alt boyutları açıklama katsayıları 0.33 ile 1.01 arasında değişmektedir. Özellikle mantıksal (mnt) alt boyutu, genel yapı üzerinde en yüksek varyansı açıklayan bileşen olarak öne çıkmaktadır. Öte yandan, bazı maddelerin (v19 gibi) yüksek hata varyansına sahip olduğu ve alt boyutlarla olan ilişkisinin sınırlı kaldığı gözlenmiştir.
c) Birbiriyle İlişkili İki İkinci Dereceden Genel Faktöre Sahip Model
Mantıksal, dilsel, uzamsal ve doğal boyutlarının “bilişsel”; müziksel ve bedensel boyutlarının ise “bilişsel olmayan” bir genel faktöre yüklendiği, birbiriyle ilişkili iki ikinci dereceden genel faktöre sahip modelin uyumunu,
# (Bilişsel vs. Bilişsel Olmayan)
model_3 <- '
dogal =~ v1 + v2 + v3 + v4 + v5 + v6
bedensel =~ v7 + v8 + v9 + v10
uzamsal =~ v11 + v12 + v13
muziksel =~ v14 + v15
mantiksal =~ v16 + v17 + v18
dilsel =~ v19 + v20 + v21
# İkinci düzey faktörler
bilissel =~ mantiksal + dilsel + uzamsal + dogal
bilissel_olmayan =~ muziksel + bedensel
# İki genel faktör arası korelasyon
bilissel ~~ bilissel_olmayan
'# Modelin çalıştırılması
fit_3 <- cfa(model_3, sample.cov = castejon_cov, sample.nobs = n_obs)## Warning: lavaan->lav_object_post_check():
## some estimated ov variances are negative## Warning: lavaan->lav_object_post_check():
## some estimated lv variances are negative#Uyum indekslerinin elde edilmesi
fitmeasures(fit_3,fit.measures = c("chisq" ,"df" , "pvalue","cfi","tli","rmsea","rmsea.ci.lower",
"rmsea.ci.upper","srmr"))## chisq df pvalue cfi tli
## 688.071 182.000 0.000 0.839 0.814
## rmsea rmsea.ci.lower rmsea.ci.upper srmr
## 0.091 0.083 0.098 0.110Zeka boyutlarının ‘bilişsel’ ve ‘bilişsel olmayan’ olarak iki ilişkili ikinci düzey faktör altında toplandığı model, beklenen uyum değerlerini karşılamamıştır. Ki-kare/sd oranı (3.78) her ne kadar kabul edilebilir olsa da, temel uyum göstergeleri (CFI, TLI, RMSEA ve SRMR) eşik değerlerin dışında kalmıştır. Model 2 ile yapılan karşılaştırmada, hata paylarının değişmediği ve CFI değerindeki artışın ihmal edilebilir düzeyde olduğu görülmüştür. Bu veriler ışığında, yapıyı bilişsel ve bilişsel olmayan şeklinde kategorize etmenin istatistiksel açıdan anlamlı bir iyileşme sağlamadığı ve model-veri uyumunun yetersiz olduğu sonucuna ulaşılmıştır.
semPaths(fit_3, what="std", style="lisrel", layout="tree", residuals = TRUE, rotation = 2)
Araştırmanın üçüncü aşamasında test edilen iki faktörlü ikinci düzey
modelde, alt boyutların iki temel üst faktör (bl_ ve bls) altında
gruplandığı doğrulanmıştır. İki üst faktör arasındaki korelasyon
(r=0.71) yapının ayırt edici geçerliğini desteklemekle birlikte,
müziksel alt boyutun her iki üst faktör tarafından da anlamlı düzeyde
açıklandığı görülmektedir.. bls üst faktörü, özellikle mantıksal (mnt)
boyutu üzerinde en yüksek açıklayıcı güce (1.02) sahiptir.
d) İkili Faktörlü (Bi-factor) Model
model_4 <- '
# Spesifik faktorler
dogal =~ v1 + v2 + v3 + v4 + v5 + v6
bedensel =~ v7 + v8 + v9 + v10
uzamsal =~ v11 + v12 + v13
muziksel =~ v14 + v15
mantiksal =~ v16 + v17 + v18
dilsel =~ v19 + v20 + v21
# Genel faktor
g =~ v1 + v2 + v3 + v4 + v5 + v6 + v7 + v8 + v9 + v10 + v11 + v12 + v13 + v14 + v15 + v16 + v17 + v18 + v19 + v20 + v21
'# Modelin çalıştırılması
fit_4 <- cfa(model_4,
sample.cov = castejon_cov,
sample.nobs = n_obs,
orthogonal = TRUE,
std.lv = TRUE) # Gizil değişken varyanslarını 1'e eşitler## Warning: lavaan->lav_model_vcov():
## Could not compute standard errors! The information matrix could not be
## inverted. This may be a symptom that the model is not identified.#Uyum indekslerinin elde edilmesi
fitmeasures(fit_4,fit.measures = c("chisq" ,"df" , "pvalue","cfi","tli","rmsea","rmsea.ci.lower",
"rmsea.ci.upper","srmr"))## chisq df pvalue cfi tli
## 354.825 168.000 0.000 0.940 0.926
## rmsea rmsea.ci.lower rmsea.ci.upper srmr
## 0.057 0.049 0.066 0.064# Yükleri ve modeli görselleştirmek
semPaths(fit_4, what="std", style="lisrel", layout="tree", residuals = TRUE, rotation = 2)
Analizimin dördüncü ve son aşamasında, her bir göstergenin hem kendi özel zeka alanına hem de doğrudan genel bir ‘g’ faktörüne yüklendiği İkili Faktörlü (Bi-factor) modeli test ettim. Elde ettiğim uyum indeksleri, bu modelin veriye en iyi uyumu sağlayan yapı olduğunu kanıtladı.
Özellikle ki-kare/sd oranının 2.11’e gerilemesi, CFI (0.940) ve TLI (0.926) değerlerinin kritik 0.90 eşiğini aşarak anlamlı düzeye ulaşması dikkat çekicidir. Bununla birlikte, hata indeksleri olan RMSEA (0.057) ve SRMR (0.064) değerlerinin de kabul edilebilir sınırlar içine çekilmesi, modelin geçerliliğini güçlü bir şekilde desteklemektedir. Önceki modellerle kıyaslandığında, bu karma yapının zeka boyutları arasındaki ilişkiyi açıklayan en tutarlı model olduğu sonucuna ulaştım.
AIC(fit_1, fit_2, fit_3, fit_4)## df AIC
## fit_1 57 17613.76
## fit_2 48 17630.40
## fit_3 49 17622.33
## fit_4 63 17317.08BIC(fit_1, fit_2, fit_3, fit_4)## df BIC
## fit_1 57 17831.84
## fit_2 48 17814.05
## fit_3 49 17809.80
## fit_4 63 17558.12Gerçekleştirdiğim analizlerin genel bir değerlendirmesini yaptığımda; Altı Faktörlü (Model 1), İkinci Dereceli g faktörü (Model 2) ve İki İlişkili Genel Faktör (Model 3) modellerinin veriye uyum sağlamada zayıf kaldığı görülmüştür. Buna karşılık, test edilen dört yapı arasında en iyi uyum indekslerine sahip olan modelin Bi-factor model (Model 4) olduğu net bir şekilde ortaya çıkmıştır. Model 4’ün en düşük AIC (17317.08) ve BIC (17558.12) değerlerine sahip olması, bu modelin sadece uyum açısından değil, aynı zamanda veri tutarlılığı ve model karmaşıklığı dengesi açısından da en ideal seçenek olduğunu kanıtlamıştır.
SORU 2
Motivasyon ölçeğinde 17 madde bulunmaktadır. Maddeler 1-0 olarak puanlanmıştır. “mot.Rds” verisini kullanarak motivasyonun iki faktörlü yapısını tetrakorik korelasyon matrisi kullanarak değerlendirme yapılmıştır.
Dışsal motivasyon (ext1, ext2, ext3, ext4, ext5, ext6, ext7, ext8, ext9, ext10, ext11, ext12) İçsel motivasyon (int1, int2, int3, int4, int5)
a) İki faktörlü modelin tanımlanması
library(lavaan)
library(dplyr)
mot <- readRDS("/Users/User/OneDrive/Desktop/OLC_733/mot.Rds")
# İki faktörlü modelin tanımlanması
mot_model <- '
# Dışsal Motivasyon
dis_mot =~ ext1 + ext2 + ext3 + ext4 + ext5 + ext6 + ext7 + ext8 + ext9 + ext10 + ext11 + ext12
# İçsel Motivasyon
ic_mot =~ int1 + int2 + int3 + int4 + int5
'
# Modelin Test Edilmesi
fit_mot_1 <- cfa(mot_model, data = mot, ordered = TRUE)
# Sonuçların incelenmesi
summary(fit_mot_1, fit.measures = TRUE, standardized = TRUE)## lavaan 0.6-21 ended normally after 42 iterations
##
## Estimator DWLS
## Optimization method NLMINB
## Number of model parameters 35
##
## Used Total
## Number of observations 794 852
##
## Model Test User Model:
## Standard Scaled
## Test Statistic 492.422 464.935
## Degrees of freedom 118 118
## P-value (Unknown) NA 0.000
## Scaling correction factor 1.136
## Shift parameter 31.654
## simple second-order correction
##
## Model Test Baseline Model:
##
## Test statistic 4421.778 3011.080
## Degrees of freedom 136 136
## P-value NA 0.000
## Scaling correction factor 1.491
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.913 0.879
## Tucker-Lewis Index (TLI) 0.899 0.861
##
## Robust Comparative Fit Index (CFI) NA
## Robust Tucker-Lewis Index (TLI) NA
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.063 0.061
## 90 Percent confidence interval - lower 0.058 0.055
## 90 Percent confidence interval - upper 0.069 0.067
## P-value H_0: RMSEA <= 0.050 0.000 0.001
## P-value H_0: RMSEA >= 0.080 0.000 0.000
##
## Robust RMSEA NA
## 90 Percent confidence interval - lower NA
## 90 Percent confidence interval - upper NA
## P-value H_0: Robust RMSEA <= 0.050 NA
## P-value H_0: Robust RMSEA >= 0.080 NA
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.119 0.119
##
## Parameter Estimates:
##
## Parameterization Delta
## Standard errors Robust.sem
## Information Expected
## Information saturated (h1) model Unstructured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## dis_mot =~
## ext1 1.000 0.391 0.391
## ext2 1.018 0.173 5.881 0.000 0.398 0.398
## ext3 0.529 0.148 3.562 0.000 0.207 0.207
## ext4 1.494 0.263 5.684 0.000 0.585 0.585
## ext5 0.181 0.175 1.034 0.301 0.071 0.071
## ext6 0.419 0.173 2.425 0.015 0.164 0.164
## ext7 1.422 0.208 6.846 0.000 0.557 0.557
## ext8 2.045 0.274 7.470 0.000 0.801 0.801
## ext9 1.893 0.273 6.930 0.000 0.741 0.741
## ext10 1.577 0.229 6.899 0.000 0.617 0.617
## ext11 2.030 0.276 7.363 0.000 0.794 0.794
## ext12 1.835 0.250 7.330 0.000 0.718 0.718
## ic_mot =~
## int1 1.000 0.821 0.821
## int2 0.924 0.066 14.092 0.000 0.758 0.758
## int3 0.997 0.050 19.793 0.000 0.818 0.818
## int4 0.906 0.057 15.980 0.000 0.744 0.744
## int5 1.100 0.050 21.863 0.000 0.903 0.903
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## dis_mot ~~
## ic_mot 0.047 0.017 2.744 0.006 0.148 0.148
##
## Thresholds:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## ext1|t1 0.041 0.045 0.922 0.356 0.041 0.041
## ext2|t1 0.584 0.047 12.327 0.000 0.584 0.584
## ext3|t1 0.493 0.047 10.591 0.000 0.493 0.493
## ext4|t1 1.541 0.070 21.954 0.000 1.541 1.541
## ext5|t1 -1.128 0.056 -19.964 0.000 -1.128 -1.128
## ext6|t1 -1.059 0.055 -19.296 0.000 -1.059 -1.059
## ext7|t1 0.242 0.045 5.386 0.000 0.242 0.242
## ext8|t1 1.042 0.055 19.122 0.000 1.042 1.042
## ext9|t1 1.481 0.068 21.880 0.000 1.481 1.481
## ext10|t1 0.622 0.048 13.016 0.000 0.622 0.622
## ext11|t1 1.048 0.055 19.180 0.000 1.048 1.048
## ext12|t1 0.013 0.045 0.284 0.777 0.013 0.013
## int1|t1 -0.657 0.048 -13.632 0.000 -0.657 -0.657
## int2|t1 -1.242 0.060 -20.865 0.000 -1.242 -1.242
## int3|t1 0.194 0.045 4.324 0.000 0.194 0.194
## int4|t1 -0.873 0.051 -17.028 0.000 -0.873 -0.873
## int5|t1 -0.272 0.045 -6.022 0.000 -0.272 -0.272
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .ext1 0.847 0.847 0.847
## .ext2 0.841 0.841 0.841
## .ext3 0.957 0.957 0.957
## .ext4 0.658 0.658 0.658
## .ext5 0.995 0.995 0.995
## .ext6 0.973 0.973 0.973
## .ext7 0.690 0.690 0.690
## .ext8 0.359 0.359 0.359
## .ext9 0.451 0.451 0.451
## .ext10 0.619 0.619 0.619
## .ext11 0.369 0.369 0.369
## .ext12 0.484 0.484 0.484
## .int1 0.327 0.327 0.327
## .int2 0.425 0.425 0.425
## .int3 0.331 0.331 0.331
## .int4 0.447 0.447 0.447
## .int5 0.185 0.185 0.185
## dis_mot 0.153 0.038 3.984 0.000 1.000 1.000
## ic_mot 0.673 0.051 13.305 0.000 1.000 1.000fitmeasures(fit_mot_1,fit.measures = c("chisq" ,"df" , "pvalue","cfi","tli","rmsea","rmsea.ci.lower",
"rmsea.ci.upper","srmr"))## chisq df pvalue cfi tli
## 492.422 118.000 NA 0.913 0.899
## rmsea rmsea.ci.lower rmsea.ci.upper srmr
## 0.063 0.058 0.069 0.119Kurulan modele ilişkin uyum iyilik indeksleri incelendiğinde; ki-kare değerinin serbestlik derecesine oranının (\(\chi^2/df = 4.17\)) kabul edilebilir sınırlar içerisinde olduğu görülmektedir. Diğer uyum indekslerinden CFI (0.913) kabul edilebilir uyum sergilerken, TLI (0.899) değerinin kabul edilebilir sınır olan 0.90 değerine oldukça yakın olduğu saptanmıştır. RMSEA (0.063) değeri modelin verilerle iyi düzeyde uyum sağladığını göstermektedir. Öte yandan, SRMR (0.119) değerinin beklenen sınırın üzerinde olduğu gözlenmişse de, genel uyum indeksleri bir bütün olarak değerlendirildiğinde modelin teorik yapısının veriler tarafından desteklendiği söylenebilir.
b) Modifikasyon Indeksleri
modindices(fit_mot_1 , sort=TRUE, standardized=FALSE) %>% head(6)## lhs op rhs mi epc
## 166 ext5 ~~ ext6 134.876 0.636
## 98 ic_mot =~ ext3 46.669 0.298
## 209 ext9 ~~ ext11 43.768 0.470
## 202 ext8 ~~ ext12 29.619 0.353
## 103 ic_mot =~ ext8 26.606 -0.288
## 156 ext4 ~~ ext8 22.319 0.366ext5 ext6 (MI = 134.876): Bu, aynı faktör (Dışsal Motivasyon) altındaki iki maddenin hata varyanslarının ilişkilendirilmesidir. MI değeri en yüksek olan (134.87) seçenektir. Teorik olarak, birbirine benzeyen veya ardışık sorulan aynı alt boyuttaki iki sorunun hatalarının ilişkili olması kabul edilebilir bir durumdur.
ic_mot =~ ext3 (MI = 46.669): Bu bir çapraz yükleme önerisidir. İçsel motivasyon faktörünün, dışsal motivasyon maddelerinden birini (ext3) etkilediğini iddia eder. Faktör yapısını bozduğu için, teorik olarak çok güçlü bir gerekçe yoksa DFA analizlerinde bu tarz çapraz yüklemelerden kaçınılır.
ext9 ext11 (MI = 43.768): Aynı faktörde olmalarına rağmen MI değeri birinci sıradakinden çok düşüktür. Modifikasyonlar tek tek, en yüksekten başlanarak yapılır.
c) Modifiye edilmiş ikinci modelin tanımlanması
model2_mot <- '
# Dışsal Motivasyon
dis_mot =~ ext1 + ext2 + ext3 + ext4 + ext5 + ext6 + ext7 + ext8 + ext9 + ext10 + ext11 + ext12
# İçsel Motivasyon
ic_mot =~ int1 + int2 + int3 + int4 + int5
# Hata kovaryansı modifikasyonu
ext5 ~~ ext6
'
# Yeni modelin test edilmesi
fit_mot_2 <- cfa(model2_mot, data = mot, ordered = TRUE)
# Yeni modelin uyum indekslerinin incelenmesi
summary(fit_mot_2 , fit.measures = TRUE, standardized = TRUE)## lavaan 0.6-21 ended normally after 42 iterations
##
## Estimator DWLS
## Optimization method NLMINB
## Number of model parameters 36
##
## Used Total
## Number of observations 794 852
##
## Model Test User Model:
## Standard Scaled
## Test Statistic 357.355 346.751
## Degrees of freedom 117 117
## P-value (Unknown) NA 0.000
## Scaling correction factor 1.133
## Shift parameter 31.301
## simple second-order correction
##
## Model Test Baseline Model:
##
## Test statistic 4421.778 3011.080
## Degrees of freedom 136 136
## P-value NA 0.000
## Scaling correction factor 1.491
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.944 0.920
## Tucker-Lewis Index (TLI) 0.935 0.907
##
## Robust Comparative Fit Index (CFI) NA
## Robust Tucker-Lewis Index (TLI) NA
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.051 0.050
## 90 Percent confidence interval - lower 0.045 0.044
## 90 Percent confidence interval - upper 0.057 0.056
## P-value H_0: RMSEA <= 0.050 0.393 0.515
## P-value H_0: RMSEA >= 0.080 0.000 0.000
##
## Robust RMSEA NA
## 90 Percent confidence interval - lower NA
## 90 Percent confidence interval - upper NA
## P-value H_0: Robust RMSEA <= 0.050 NA
## P-value H_0: Robust RMSEA >= 0.080 NA
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.107 0.107
##
## Parameter Estimates:
##
## Parameterization Delta
## Standard errors Robust.sem
## Information Expected
## Information saturated (h1) model Unstructured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## dis_mot =~
## ext1 1.000 0.391 0.391
## ext2 1.015 0.173 5.867 0.000 0.397 0.397
## ext3 0.525 0.149 3.532 0.000 0.205 0.205
## ext4 1.499 0.264 5.689 0.000 0.586 0.586
## ext5 0.021 0.176 0.122 0.903 0.008 0.008
## ext6 0.352 0.172 2.040 0.041 0.138 0.138
## ext7 1.424 0.208 6.835 0.000 0.557 0.557
## ext8 2.054 0.275 7.455 0.000 0.803 0.803
## ext9 1.898 0.274 6.927 0.000 0.742 0.742
## ext10 1.586 0.230 6.899 0.000 0.620 0.620
## ext11 2.027 0.276 7.341 0.000 0.793 0.793
## ext12 1.835 0.251 7.322 0.000 0.718 0.718
## ic_mot =~
## int1 1.000 0.821 0.821
## int2 0.924 0.066 14.093 0.000 0.758 0.758
## int3 0.997 0.050 19.801 0.000 0.818 0.818
## int4 0.906 0.057 15.973 0.000 0.743 0.743
## int5 1.100 0.050 21.865 0.000 0.903 0.903
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .ext5 ~~
## .ext6 0.635 0.055 11.622 0.000 0.635 0.641
## dis_mot ~~
## ic_mot 0.047 0.017 2.719 0.007 0.147 0.147
##
## Thresholds:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## ext1|t1 0.041 0.045 0.922 0.356 0.041 0.041
## ext2|t1 0.584 0.047 12.327 0.000 0.584 0.584
## ext3|t1 0.493 0.047 10.591 0.000 0.493 0.493
## ext4|t1 1.541 0.070 21.954 0.000 1.541 1.541
## ext5|t1 -1.128 0.056 -19.964 0.000 -1.128 -1.128
## ext6|t1 -1.059 0.055 -19.296 0.000 -1.059 -1.059
## ext7|t1 0.242 0.045 5.386 0.000 0.242 0.242
## ext8|t1 1.042 0.055 19.122 0.000 1.042 1.042
## ext9|t1 1.481 0.068 21.880 0.000 1.481 1.481
## ext10|t1 0.622 0.048 13.016 0.000 0.622 0.622
## ext11|t1 1.048 0.055 19.180 0.000 1.048 1.048
## ext12|t1 0.013 0.045 0.284 0.777 0.013 0.013
## int1|t1 -0.657 0.048 -13.632 0.000 -0.657 -0.657
## int2|t1 -1.242 0.060 -20.865 0.000 -1.242 -1.242
## int3|t1 0.194 0.045 4.324 0.000 0.194 0.194
## int4|t1 -0.873 0.051 -17.028 0.000 -0.873 -0.873
## int5|t1 -0.272 0.045 -6.022 0.000 -0.272 -0.272
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .ext1 0.847 0.847 0.847
## .ext2 0.842 0.842 0.842
## .ext3 0.958 0.958 0.958
## .ext4 0.656 0.656 0.656
## .ext5 1.000 1.000 1.000
## .ext6 0.981 0.981 0.981
## .ext7 0.690 0.690 0.690
## .ext8 0.355 0.355 0.355
## .ext9 0.449 0.449 0.449
## .ext10 0.615 0.615 0.615
## .ext11 0.372 0.372 0.372
## .ext12 0.485 0.485 0.485
## .int1 0.326 0.326 0.326
## .int2 0.425 0.425 0.425
## .int3 0.331 0.331 0.331
## .int4 0.447 0.447 0.447
## .int5 0.185 0.185 0.185
## dis_mot 0.153 0.038 3.976 0.000 1.000 1.000
## ic_mot 0.674 0.051 13.310 0.000 1.000 1.000# İlk model ile Modifiye modelin karşılaştırılması
anova(fit_mot_1, fit_mot_2)##
## Scaled Chi-Squared Difference Test (method = "satorra.2000")
##
## lavaan->lavTestLRT():
## lavaan NOTE: The "Chisq" column contains standard test statistics, not the
## robust test that should be reported per model. A robust difference test is
## a function of two standard (not robust) statistics.
##
## Df AIC BIC Chisq Chisq diff RMSEA Df diff Pr(>Chisq)
## fit_mot_2 117 357.35
## fit_mot_1 118 492.42 130.5 0.41091 1 < 2.2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1İki faktörlü temel motivasyon modeli test edildikten sonra, modifikasyon indeksleri incelenmiştir.
En yüksek MI değerine sahip parametre, aynı faktör (Dışsal Motivasyon) altında yer alan ext5 ve ext6 maddelerinin hata kovaryansı (MI = 134.876) olarak belirlenmiştir. İkinci sırada yer alan ic_mot =~ ext3 çapraz yüklemesi (MI = 46.669) faktör yapısını bozacağından, üçüncü sıradaki ext9 ext11 hata kovaryansı (MI = 43.768) ise modifikasyonlar sıralı yapıldığından modele dahil edilmemiştir. Bu doğrultuda yalnızca ext5 ext6 hata kovaryansı modele eklenerek ikinci model oluşturulmuştur.
Kategorik veriler için uygun olan DWLS kestirim yöntemi kullanılarak elde edilen uyum indeksleri incelendiğinde, temel modelin (Model 1) ölçeklendirilmiş indekslerinin (CFI = 0.879, TLI = 0.861, RMSEA = 0.061, SRMR = 0.119) kabul edilebilir eşiklerin altında kaldığı görülmüştür.
Modifiye modelde (Model 2) ise ölçeklendirilmiş uyum indekslerinin (CFI = 0.920, TLI = 0.907, RMSEA = 0.050, SRMR = 0.107) kabul edilebilir sınırlara ulaştığı görülmüştür. SRMR değerinin 0.107 ile 0.10 eşiğinin biraz üzerinde bulunmaktadır, diğer indekslerdeki iyileşme göz önüne alındığında Model 2’nin genel olarak kabul edilebilir bir uyum sergilediği görülmüştür.
Elde edilen bulgular, ext5 ve ext6 maddelerinin hata varyanslarının serbest bırakılmasının model-veri uyumunu anlamlı biçimde iyileştirdiğini göstermekte olup 17 maddelik motivasyon ölçeğinin iki faktörlü yapısının ilgili veri seti üzerinde desteklendiği sonucuna ulaşılmıştır.
SORU 3
Aidiyet ölçeğinde 12 madde bulunmaktadır. Maddeler 1-0 olarak puanlanmıştır. “aidiyet.Rds” verisini kullanarak aidiyetin üç faktörlü yapısını tetrakorik korelasyon matrisi kullanarak doğrulama ve kullanılan kestirim yönteminin kategorik veriye uygun olmasına dikkat edilmeli.
Kurumsal (kurumsal1, kurumsal2, kurumsal3, kurumsal4)
Katılımsal (katilimsal1, katilimsal2, katilimsal3, katilimsal4, katilimsal5)
Bireysel (bireysel1, bireysel2, bireysel3, bireysel4)
aidiyet <- readRDS("/Users/User/OneDrive/Desktop/OLC_733/aidiyet.Rds")a) Üç Faktörlü Model Tanımı ve Uyumu
model_uc_faktor <- '
kurumsal =~ kurumsal1 + kurumsal2 + kurumsal3 + kurumsal4
katilimsal =~ katilimsal1 + katilimsal2 + katilimsal3 + katilimsal4
bireysel =~ bireysel1 + bireysel2 + bireysel3 + bireysel4
'
# Modelin Test Edilmesi
fit_uc_faktor <- cfa(model_uc_faktor, data = aidiyet, ordered = TRUE)
# Sonuçların Özeti
summary(fit_uc_faktor, fit.measures = TRUE, standardized = TRUE)## lavaan 0.6-21 ended normally after 43 iterations
##
## Estimator DWLS
## Optimization method NLMINB
## Number of model parameters 27
##
## Number of observations 794
##
## Model Test User Model:
## Standard Scaled
## Test Statistic 161.148 189.809
## Degrees of freedom 51 51
## P-value (Unknown) NA 0.000
## Scaling correction factor 0.882
## Shift parameter 7.113
## simple second-order correction
##
## Model Test Baseline Model:
##
## Test statistic 2506.101 1939.031
## Degrees of freedom 66 66
## P-value NA 0.000
## Scaling correction factor 1.303
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.955 0.926
## Tucker-Lewis Index (TLI) 0.942 0.904
##
## Robust Comparative Fit Index (CFI) 0.816
## Robust Tucker-Lewis Index (TLI) 0.762
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.052 0.059
## 90 Percent confidence interval - lower 0.043 0.050
## 90 Percent confidence interval - upper 0.061 0.068
## P-value H_0: RMSEA <= 0.050 0.331 0.053
## P-value H_0: RMSEA >= 0.080 0.000 0.000
##
## Robust RMSEA 0.126
## 90 Percent confidence interval - lower 0.101
## 90 Percent confidence interval - upper 0.151
## P-value H_0: Robust RMSEA <= 0.050 0.000
## P-value H_0: Robust RMSEA >= 0.080 0.999
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.088 0.088
##
## Parameter Estimates:
##
## Parameterization Delta
## Standard errors Robust.sem
## Information Expected
## Information saturated (h1) model Unstructured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## kurumsal =~
## kurumsal1 1.000 0.361 0.361
## kurumsal2 0.655 0.248 2.636 0.008 0.237 0.237
## kurumsal3 1.424 0.374 3.807 0.000 0.515 0.515
## kurumsal4 0.627 0.381 1.647 0.100 0.227 0.227
## katilimsal =~
## katilimsal1 1.000 0.833 0.833
## katilimsal2 0.988 0.067 14.710 0.000 0.823 0.823
## katilimsal3 0.870 0.068 12.758 0.000 0.725 0.725
## katilimsal4 0.947 0.061 15.551 0.000 0.789 0.789
## bireysel =~
## bireysel1 1.000 0.602 0.602
## bireysel2 0.834 0.100 8.311 0.000 0.502 0.502
## bireysel3 1.412 0.132 10.717 0.000 0.850 0.850
## bireysel4 1.421 0.132 10.730 0.000 0.855 0.855
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## kurumsal ~~
## katilimsal 0.145 0.038 3.780 0.000 0.480 0.480
## bireysel 0.121 0.030 4.011 0.000 0.557 0.557
## katilimsal ~~
## bireysel 0.232 0.033 6.932 0.000 0.462 0.462
##
## Thresholds:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## kurumsal1|t1 0.041 0.045 0.922 0.356 0.041 0.041
## kurumsal2|t1 0.592 0.047 12.465 0.000 0.592 0.592
## kurumsal3|t1 0.489 0.046 10.522 0.000 0.489 0.489
## kurumsal4|t1 1.541 0.070 21.954 0.000 1.541 1.541
## katilimsal1|t1 -0.665 0.048 -13.769 0.000 -0.665 -0.665
## katilimsal2|t1 -1.256 0.060 -20.956 0.000 -1.256 -1.256
## katilimsal3|t1 0.184 0.045 4.112 0.000 0.184 0.184
## katilimsal4|t1 -0.868 0.051 -16.963 0.000 -0.868 -0.868
## bireysel1|t1 -0.725 0.049 -14.785 0.000 -0.725 -0.725
## bireysel2|t1 0.025 0.045 0.567 0.570 0.025 0.025
## bireysel3|t1 -0.385 0.046 -8.419 0.000 -0.385 -0.385
## bireysel4|t1 -0.493 0.047 -10.591 0.000 -0.493 -0.493
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .kurumsal1 0.869 0.869 0.869
## .kurumsal2 0.944 0.944 0.944
## .kurumsal3 0.735 0.735 0.735
## .kurumsal4 0.949 0.949 0.949
## .katilimsal1 0.306 0.306 0.306
## .katilimsal2 0.322 0.322 0.322
## .katilimsal3 0.475 0.475 0.475
## .katilimsal4 0.378 0.378 0.378
## .bireysel1 0.638 0.638 0.638
## .bireysel2 0.748 0.748 0.748
## .bireysel3 0.278 0.278 0.278
## .bireysel4 0.268 0.268 0.268
## kurumsal 0.131 0.052 2.519 0.012 1.000 1.000
## katilimsal 0.694 0.058 11.960 0.000 1.000 1.000
## bireysel 0.362 0.059 6.123 0.000 1.000 1.000Esnek kesim noktaları
library(FCO)## Warning: package 'FCO' was built under R version 4.5.3aidiyet_maddeler <- aidiyet %>%
select(kurumsal1:kurumsal4, katilimsal1:katilimsal4, bireysel1:bireysel4)
esnek_kesim_sonuclari <- gen_fit(mod1 = model_uc_faktor,
x = aidiyet_maddeler,
rep = 100)
flex_co(fits = esnek_kesim_sonuclari, index = c("CFI", "SRMR"))$cutoff## Warning in flex_co(fits = esnek_kesim_sonuclari, index = c("CFI", "SRMR")): The
## number of replications is lower than the recommended minimum of 500. Consider
## with care.## CFI SRMR
## 0.97919473 0.02923801Analiz sonucunda elde edilen ölçeklendirilmiş uyum indeksleri incelendiğinde, ki-kare/sd oranının (189.809 / 51 = 3.72) kabul edilebilir sınırlar içinde kaldığı görülmüştür. CFI (0.926) ve TLI (0.904) değerleri 0.90 kabul edilebilir uyum eşiğini aşmış, RMSEA değeri 0.059 (%90 GA: 0.050 - 0.068) ile kabul edilebilir sınırlar içinde, SRMR değeri ise 0.088 ile 0.10 üst sınırının altında yer almıştır. Bu bulgular doğrultusunda üç faktörlü modelin veriye genel olarak kabul edilebilir düzeyde uyum sağladığı söylenebilir.
Faktörler arası korelasyonlar incelendiğinde, kurumsal ile katılımsal faktörleri arasında orta düzey bir ilişki (r = 0.480), kurumsal ile bireysel faktörleri arasında benzer bir ilişki (r = 0.557) ve katılımsal ile bireysel faktörleri arasında da yine orta düzey bir korelasyon (r = 0.462) gözlemlenmiştir.
Bununla birlikte, kurumsal faktörüne ait maddelerin standartlaştırılmış faktör yükleri incelendiğinde, kurumsal1 (0.361), kurumsal2 (0.237) ve kurumsal4 (0.227) maddelerinin 0.40 eşiğinin belirgin biçimde altında kaldığı görülmüştür. Ayrıca kurumsal4 maddesinin faktör yükü istatistiksel olarak da anlamlı değildir (p = 0.100). Bu durum, kurumsal boyutunun ölçme kalitesinin diğer iki faktöre kıyasla zayıf olduğuna işaret etmektedir.
Bunlara ek olarak FCO paketi ile hesaplanan veri setine özgü esnek kesim noktaları CFI için 0.980 ve SRMR için 0.030 olarak belirlenmiştir. Elde edilen CFI (0.926) ve SRMR (0.088) değerleri bu veri setine özgü eşiklerin altında kaldığından, geleneksel ölçütlere göre kabul edilebilir görünen modelin bu veri için yetersiz kalabileceği göstermiştir.
b) İkinci dereceli üç faktörlü model
# İkinci Dereceli Model Tanımı
model_ikinci_duzey <- '
# Birinci duzey faktorler
kurumsal =~ kurumsal1 + kurumsal2 + kurumsal3 + kurumsal4
katilimsal =~ katilimsal1 + katilimsal2 + katilimsal3 + katilimsal4
bireysel =~ bireysel1 + bireysel2 + bireysel3 + bireysel4
# İkinci düzey genel faktör
genel_aidiyet =~ kurumsal + katilimsal + bireysel
'
# Modelin Test Edilmesi
fit_ikinci_duzey <- cfa(model_ikinci_duzey, data = aidiyet, ordered = TRUE)
# Sonuçların Özeti
summary(fit_ikinci_duzey, fit.measures = TRUE, standardized = TRUE)## lavaan 0.6-21 ended normally after 59 iterations
##
## Estimator DWLS
## Optimization method NLMINB
## Number of model parameters 27
##
## Number of observations 794
##
## Model Test User Model:
## Standard Scaled
## Test Statistic 161.148 189.809
## Degrees of freedom 51 51
## P-value (Unknown) NA 0.000
## Scaling correction factor 0.882
## Shift parameter 7.113
## simple second-order correction
##
## Model Test Baseline Model:
##
## Test statistic 2506.101 1939.031
## Degrees of freedom 66 66
## P-value NA 0.000
## Scaling correction factor 1.303
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.955 0.926
## Tucker-Lewis Index (TLI) 0.942 0.904
##
## Robust Comparative Fit Index (CFI) 0.816
## Robust Tucker-Lewis Index (TLI) 0.762
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.052 0.059
## 90 Percent confidence interval - lower 0.043 0.050
## 90 Percent confidence interval - upper 0.061 0.068
## P-value H_0: RMSEA <= 0.050 0.331 0.053
## P-value H_0: RMSEA >= 0.080 0.000 0.000
##
## Robust RMSEA 0.126
## 90 Percent confidence interval - lower 0.101
## 90 Percent confidence interval - upper 0.151
## P-value H_0: Robust RMSEA <= 0.050 0.000
## P-value H_0: Robust RMSEA >= 0.080 0.999
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.088 0.088
##
## Parameter Estimates:
##
## Parameterization Delta
## Standard errors Robust.sem
## Information Expected
## Information saturated (h1) model Unstructured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## kurumsal =~
## kurumsal1 1.000 0.361 0.361
## kurumsal2 0.655 0.248 2.636 0.008 0.237 0.237
## kurumsal3 1.424 0.374 3.807 0.000 0.515 0.515
## kurumsal4 0.627 0.381 1.647 0.100 0.227 0.227
## katilimsal =~
## katilimsal1 1.000 0.833 0.833
## katilimsal2 0.988 0.067 14.710 0.000 0.823 0.823
## katilimsal3 0.870 0.068 12.758 0.000 0.725 0.725
## katilimsal4 0.947 0.061 15.551 0.000 0.789 0.789
## bireysel =~
## bireysel1 1.000 0.602 0.602
## bireysel2 0.834 0.100 8.311 0.000 0.502 0.502
## bireysel3 1.412 0.132 10.717 0.000 0.850 0.850
## bireysel4 1.421 0.132 10.730 0.000 0.855 0.855
## genel_aidiyet =~
## kurumsal 1.000 0.761 0.761
## katilimsal 1.910 0.493 3.872 0.000 0.631 0.631
## bireysel 1.602 0.450 3.561 0.000 0.732 0.732
##
## Thresholds:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## kurumsal1|t1 0.041 0.045 0.922 0.356 0.041 0.041
## kurumsal2|t1 0.592 0.047 12.465 0.000 0.592 0.592
## kurumsal3|t1 0.489 0.046 10.522 0.000 0.489 0.489
## kurumsal4|t1 1.541 0.070 21.954 0.000 1.541 1.541
## katilimsal1|t1 -0.665 0.048 -13.769 0.000 -0.665 -0.665
## katilimsal2|t1 -1.256 0.060 -20.956 0.000 -1.256 -1.256
## katilimsal3|t1 0.184 0.045 4.112 0.000 0.184 0.184
## katilimsal4|t1 -0.868 0.051 -16.963 0.000 -0.868 -0.868
## bireysel1|t1 -0.725 0.049 -14.785 0.000 -0.725 -0.725
## bireysel2|t1 0.025 0.045 0.567 0.570 0.025 0.025
## bireysel3|t1 -0.385 0.046 -8.419 0.000 -0.385 -0.385
## bireysel4|t1 -0.493 0.047 -10.591 0.000 -0.493 -0.493
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .kurumsal1 0.869 0.869 0.869
## .kurumsal2 0.944 0.944 0.944
## .kurumsal3 0.735 0.735 0.735
## .kurumsal4 0.949 0.949 0.949
## .katilimsal1 0.306 0.306 0.306
## .katilimsal2 0.322 0.322 0.322
## .katilimsal3 0.475 0.475 0.475
## .katilimsal4 0.378 0.378 0.378
## .bireysel1 0.638 0.638 0.638
## .bireysel2 0.748 0.748 0.748
## .bireysel3 0.278 0.278 0.278
## .bireysel4 0.268 0.268 0.268
## .kurumsal 0.055 0.036 1.535 0.125 0.420 0.420
## .katilimsal 0.418 0.072 5.797 0.000 0.602 0.602
## .bireysel 0.168 0.051 3.312 0.001 0.464 0.464
## genel_aidiyet 0.076 0.035 2.180 0.029 1.000 1.000İkinci aşamada, kurumsal, katılımsal ve bireysel aidiyet boyutlarının tek bir genel aidiyet faktörü tarafından açıklandığı ikinci dereceli model test edilmiştir.Genel aidiyet faktörünün birinci düzey faktörlere olan yüklemeleri incelendiğinde, kurumsal faktörünün 0.761, katılımsal faktörünün 0.631 ve bireysel faktörünün 0.732 değerlerini aldığı ve bu yüklemelerin tamamının istatistiksel olarak anlamlı olduğu görülmüştür (p < .05). Bu bulgular, genel aidiyet faktörünün her üç alt boyutu da anlamlı biçimde yordadığını göstermektedir.
İkinci dereceli modelin ölçeklendirilmiş uyum indeksleri (CFI = 0.926, TLI = 0.904, RMSEA = 0.059, SRMR = 0.088) birinci düzey modelin indeksleriyle birebir aynı çıkmıştır. İkinci dereceli model ile birinci düzey model karşılaştırıldığında, her iki modelin de aynı serbestlik derecesine sahip olduğu (df = 51) görülmüştür. İkinci dereceli model, birinci düzey modele kıyasla herhangi bir kısıtlama eklemediğinden her iki model birebir aynı uyum indekslerini üretmiş olabilir. Bu koşulda iki model arasında istatistiksel bir karşılaştırma yapmak mantıklı mı bilemedim, tam yorumlayamadım bu kısmı. Bununla birlikte, teorik açıdan kurumsal, katılımsal ve bireysel aidiyet boyutlarının arkasında yatan ortak bir genel aidiyet yapısının öngörüldüğü durumlarda ikinci dereceli model tercih edilebilir.
ÖĞRENME GÜNLÜĞÜ
Bu hafta dersimiz oldukça verimli geçti; DFA’nın derinliklerine indik. Özellikle 1-0 şeklinde puanlanan o kategorik verilerle uğraşırken alışılagelmiş Pearson korelasyonunun yetersiz kaldığını, bunun yerine tetrakorik korelasyon matrisi üzerinden ilerlememiz gerektiğini hatırladım. Yüksek lisans tezimde hem ÇGDFA hem de ölçme değişmezliği çalıştığım için konuya aşinaydım. Aşina olsam da konu ile ilgili bir sürü öğrendiğim yeni detay oldu..Çok teşekkürler hocam:)