1.SORU
1. Paketlerin yüklenmesi ve hazırlanması
library(lavaan)
library(Matrix)
2. Verinin Hazırlanması
vals <- scan("C:/Users/isila/OneDrive/Desktop/ODEV_R/castejon.txt", quiet = TRUE)
varnames_full <- c("n1","n2","n3","n4","n5","n6",
"bk1","bk2","bk3","bk4",
"s1","s2","s3",
"m1","m2","m3",
"lm1","lm2","lm3",
"l1","l2","l3")
# Satir satir doldur (dosya satir bazli siralı)
R_full <- matrix(0, 22, 22)
idx <- 1
for(i in 1:22) {
for(j in 1:i) {
R_full[i, j] <- vals[idx]
R_full[j, i] <- vals[idx]
idx <- idx + 1
}
}
rownames(R_full) <- colnames(R_full) <- varnames_full
cat("Kose degerleri hepsi 1 mi?", all(diag(R_full) == 1), "\n")
## Kose degerleri hepsi 1 mi? TRUE
# m3'u cikar
keep <- c("n1","n2","n3","n4","n5","n6",
"bk1","bk2","bk3","bk4",
"s1","s2","s3",
"m1","m2",
"lm1","lm2","lm3",
"l1","l2","l3")
R21 <- R_full[keep, keep]
cat("R21 boyutu:", dim(R21), "\n")
## R21 boyutu: 21 21
3. Korelasyon Matrisinin Kontrolü ve Hazırlanması
cat("Ozdeğerler:\n")
## Ozdeğerler:
print(round(eigen(R21)$values, 4))
## [1] 5.8344 2.5627 1.7927 1.5127 1.3757 1.1566 0.7991 0.7253 0.6960 0.6682
## [11] 0.6052 0.5030 0.4255 0.4218 0.3753 0.3313 0.3154 0.2579 0.2446 0.2138
## [21] 0.1827
cat("R21 pozitif tanimli mi?", all(eigen(R21)$values > 0), "\n")
## R21 pozitif tanimli mi? TRUE
if(all(eigen(R21)$values > 0)) {
R21_pd <- R21
cat("nearPD gerekmedi, orijinal matris kullaniliyor.\n")
} else {
eig <- eigen(R21)
eig$values[eig$values < 1e-6] <- 1e-6
R21_pd <- eig$vectors %*% diag(eig$values) %*% t(eig$vectors)
D <- 1 / sqrt(diag(R21_pd))
R21_pd <- diag(D) %*% R21_pd %*% diag(D)
rownames(R21_pd) <- colnames(R21_pd) <- keep
cat("nearPD uygulandı.\n")
}
## nearPD gerekmedi, orijinal matris kullaniliyor.
rownames(R21_pd) <- colnames(R21_pd) <- keep
4. Model Tanimlari
# Model 1: Alti Faktorlu Model (6 korelasyonlu faktor)
model1 <- '
naturalistic =~ n1 + n2 + n3 + n4 + n5 + n6
bodily =~ bk1 + bk2 + bk3 + bk4
spatial =~ s1 + s2 + s3
musical =~ a*m1 + a*m2
logical =~ lm1 + lm2 + lm3
linguistic =~ l1 + l2 + l3
'
# Model 2: Ikinci Dereceli Alti Faktorlu Model (6F + 1 g)
model2 <- '
naturalistic =~ n1 + n2 + n3 + n4 + n5 + n6
bodily =~ bk1 + bk2 + bk3 + bk4
spatial =~ s1 + s2 + s3
musical =~ a*m1 + a*m2
logical =~ lm1 + lm2 + lm3
linguistic =~ l1 + l2 + l3
g =~ naturalistic + bodily + spatial + musical + logical + linguistic
'
# Model 3: Bilissel / Bilissel Olmayan 2 Korelasyonlu Ikinci Derece Faktor
model3 <- '
naturalistic =~ n1 + n2 + n3 + n4 + n5 + n6
bodily =~ bk1 + bk2 + bk3 + bk4
spatial =~ s1 + s2 + s3
musical =~ a*m1 + a*m2
logical =~ lm1 + lm2 + lm3
linguistic =~ l1 + l2 + l3
cognitive =~ naturalistic + logical + linguistic + spatial
noncognitive =~ musical + bodily
cognitive ~~ noncognitive
'
# Model 4: Ikili Faktorlu Model (Bi-factor)
model4 <- '
g =~ n1 + n2 + n3 + n4 + n5 + n6 +
bk1 + bk2 + bk3 + bk4 +
s1 + s2 + s3 +
m1 + m2 +
lm1 + lm2 + lm3 +
l1 + l2 + l3
naturalistic =~ n1 + n2 + n3 + n4 + n5 + n6
bodily =~ bk1 + bk2 + bk3 + bk4
spatial =~ s1 + s2 + s3
musical =~ m1 + m2
logical =~ lm1 + lm2 + lm3
linguistic =~ l1 + l2 + l3
'
5. Model Tahmini
# Model 1
fit1 <- cfa(model1,
sample.cov = R21_pd,
sample.nobs = 393,
estimator = "ML",
orthogonal = TRUE)
# Model 2
fit2 <- cfa(model2,
sample.cov = R21_pd,
sample.nobs = 393,
estimator = "ML",
bounds = TRUE)
# Model 3
fit3 <- cfa(model3,
sample.cov = R21_pd,
sample.nobs = 393,
estimator = "ML",
bounds = TRUE)
# Model 4: Bi-factor
fit4 <- cfa(model4,
sample.cov = R21_pd,
sample.nobs = 393,
estimator = "ML",
orthogonal = TRUE,
bounds = TRUE)
# Kontrol
cat("fit1 yakınsadı mı?", lavInspect(fit1, "converged"), "\n")
## fit1 yakınsadı mı? TRUE
cat("fit2 yakınsadı mı?", lavInspect(fit2, "converged"), "\n")
## fit2 yakınsadı mı? TRUE
cat("fit3 yakınsadı mı?", lavInspect(fit3, "converged"), "\n")
## fit3 yakınsadı mı? TRUE
cat("fit4 yakınsadı mı?", lavInspect(fit4, "converged"), "\n")
## fit4 yakınsadı mı? TRUE
6. Uyum Indeksleri Karsilastirmasi
library(knitr)
library(kableExtra)
get_fit <- function(fit_obj, model_name) {
fi <- fitMeasures(fit_obj, c("chisq","df","cfi","rmsea",
"rmsea.pvalue","nnfi","pnfi",
"gfi","aic","srmr"))
data.frame(
Model = model_name,
Chi2 = round(fi["chisq"], 3),
df = fi["df"],
Chi2_df = round(fi["chisq"] / fi["df"], 3),
GFI = round(fi["gfi"], 3),
CFI = round(fi["cfi"], 3),
RMSEA = round(fi["rmsea"], 3),
PCLOSE = round(fi["rmsea.pvalue"], 3),
NNFI = round(fi["nnfi"], 3),
PNFI = round(fi["pnfi"], 3),
AIC = round(fi["aic"], 1),
SRMR = round(fi["srmr"], 3)
)
}
fit_table <- rbind(
get_fit(fit1, "M1: 6 Faktorlu"),
get_fit(fit2, "M2: Ikinci Dereceli 6F"),
get_fit(fit3, "M3: Bilissel/Bilissel Olmayan"),
get_fit(fit4, "M4: Bi-factor")
)
rownames(fit_table) <- NULL
fit_table %>%
kable(format = "html",
caption = "Tablo 1. Model Uyum Indeksleri Karsilastirmasi",
col.names = c("Model", "χ²", "df", "χ²/df",
"GFI", "CFI", "RMSEA", "PCLOSE",
"NNFI", "PNFI", "AIC", "SRMR"),
align = c("l", rep("c", 11))) %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
full_width = FALSE,
position = "left",
font_size = 13) %>%
row_spec(0, bold = TRUE) %>%
footnote(general = "CFI, GFI, NNFI >= .90 kabul edilebilir; >= .95 iyi. RMSEA <= .08 kabul edilebilir; <= .06 iyi.",
general_title = "Not:")
Tablo 1. Model Uyum Indeksleri Karsilastirmasi
|
Model
|
χ²
|
df
|
χ²/df
|
GFI
|
CFI
|
RMSEA
|
PCLOSE
|
NNFI
|
PNFI
|
AIC
|
SRMR
|
|
M1: 6 Faktorlu
|
739.360
|
190
|
3.891
|
0.821
|
0.840
|
0.086
|
0.000
|
0.824
|
0.722
|
20568.3
|
0.176
|
|
M2: Ikinci Dereceli 6F
|
449.060
|
184
|
2.441
|
0.899
|
0.923
|
0.061
|
0.008
|
0.912
|
0.768
|
20290.0
|
0.081
|
|
M3: Bilissel/Bilissel Olmayan
|
443.284
|
183
|
2.422
|
0.901
|
0.924
|
0.060
|
0.010
|
0.913
|
0.766
|
20286.2
|
0.081
|
|
M4: Bi-factor
|
322.644
|
168
|
1.920
|
0.925
|
0.955
|
0.048
|
0.620
|
0.944
|
0.729
|
20195.6
|
0.051
|
|
Not:
|
|
CFI, GFI, NNFI >= .90 kabul edilebilir; >= .95 iyi.
RMSEA <= .08 kabul edilebilir; <= .06 iyi.
|
7. Model Karsilastirma (Chi-Kare Fark Testi)
library(knitr)
library(kableExtra)
karsilastirma_table <- data.frame(
Karsilastirma = c("M1 vs M2", "M2 vs M3", "M3 vs M4"),
Delta_Chi2 = c(290.300, 5.776, 120.640),
Delta_df = c(6, 1, 15),
p = c("< .001", ".016", "< .001"),
Sonuc = c("Anlamli ***", "Anlamli *", "Anlamli ***")
)
karsilastirma_table %>%
kable(format = "html",
caption = "Tablo 2. Model Karsilastirma (Chi-Kare Fark Testi)",
col.names = c("Karsilastirma", "Delta Chi2", "Delta df", "p", "Sonuc"),
align = c("l", "c", "c", "c", "l")) %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
full_width = FALSE,
position = "left",
font_size = 13) %>%
row_spec(0, bold = TRUE) %>%
footnote(general = "* p < .05, *** p < .001",
general_title = "Not:")
Tablo 2. Model Karsilastirma (Chi-Kare Fark Testi)
|
Karsilastirma
|
Delta Chi2
|
Delta df
|
p
|
Sonuc
|
|
M1 vs M2
|
290.300
|
6
|
< .001
|
Anlamli ***
|
|
M2 vs M3
|
5.776
|
1
|
.016
|
Anlamli *
|
|
M3 vs M4
|
120.640
|
15
|
< .001
|
Anlamli ***
|
|
Not:
|
|
* p < .05, *** p < .001
|
1. Sorunun Yanıtları
1.Altı faktörlü modelin uyumunu,
2. İkinci dereceli altı faktörlü modelin uyumunu,
3. 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,
4. İkili faktörlü (bi-factor) modelin uyumunu
değerlendiriniz.
Modellerin değerlendirilmesinde χ²/df, GFI, CFI, NNFI, RMSEA ve PNFI
indeksleri kullanılmıştır. Kabul edilebilir uyum için CFI, GFI ve NNFI
değerlerinin .90’ın üzerinde, RMSEA değerinin .08’in altında olması; iyi
uyum için ise söz konusu değerlerin sırasıyla .95 ve .06 eşik
değerlerini karşılaması beklenmektedir (Hu & Bentler, 1999).
1) Model 1 – Altı Faktörlü Model: Birinci model,
altı zekanın birbirinden bağımsız olduğunu öngören Gardner’ın çoklu zeka
teorisinin güçlü versiyonuna karşılık gelmektedir. Bu modelde faktörler
arasında herhangi bir korelasyona izin verilmemiştir. Elde edilen uyum
indeksleri (χ²/df = 3.89, GFI = .821, CFI = .840, RMSEA = .086) kabul
edilebilir sınırların altında kalmaktadır. Bu sonuç, altı zekanın
birbirinden tam anlamıyla bağımsız olmadığına işaret etmekte ve
Gardner’ın teorisinin güçlü versiyonunu desteklememektedir.
2) Model 2 – İkinci Dereceli Altı Faktörlü Model:
İkinci model, altı birinci derece faktörün üzerinde tek bir genel zeka
faktörünün (g) yer aldığı hiyerarşik yapıyı temsil etmektedir. Bu
modelin uyum indeksleri (χ²/df = 2.44, GFI = .899, CFI = .923, RMSEA =
.061) birinci modele kıyasla belirgin biçimde iyileşmiştir. İndeksler
kabul edilebilir düzeye ulaşmıştır. Bu bulgu, ölçülen yeteneklerin ortak
bir genel faktörü paylaştığına dair kanıt sunmaktadır.
3) Model 3 – Bilişsel/Bilişsel Olmayan İki İkinci Derece
Faktörlü Model: Üçüncü modelde mantıksal, dilsel, uzamsal ve
doğal zeka boyutları “bilişsel”, müziksel ve bedensel zeka boyutları ise
“bilişsel olmayan” genel bir faktöre yüklenmiştir. Bu iki genel faktörün
birbiriyle ilişkili olduğu varsayılmıştır. Elde edilen uyum indeksleri
(χ²/df = 2.42, GFI = .901, CFI = .924, RMSEA = .060) ikinci modelle
hemen hemen aynı düzeyde seyretmektedir. Bu durum, bilişsel ve bilişsel
olmayan yetenekler arasındaki ayrımın modele sınırlı düzeyde katkı
sağladığını göstermektedir.
4) Model 4 – İkili Faktörlü (Bi-factor) Model:
Dördüncü model, her maddenin hem genel bir faktöre hem de ilgili grup
faktörüne yüklendiği ikili faktör yapısını temsil etmektedir. Bu model
en yüksek uyum değerlerine ulaşmıştır (χ²/df = 1.92, GFI = .925, CFI =
.955, RMSEA = .048, PCLOSE = .620). CFI ve RMSEA değerleri iyi uyum
kriterlerini karşılamaktadır. Bu bulgular, genel bir zekanın varlığının
yanı sıra her zeka boyutuna özgü varyansın da bulunduğunu ortaya
koymaktadır.
Model Karşılaştırması (Ki-Kare Fark Testi)
İç içe geçmiş modeller ki-kare fark testi ile
karşılaştırılmıştır.
Model 1 ile Model 2 arasındaki fark istatistiksel olarak anlamlıdır
(Δχ² = 290.3, Δdf = 6, p < .001). Bu bulgu, genel bir g faktörünün
modele eklenmesinin uyumu anlamlı düzeyde artırdığını
göstermektedir.
Model 2 ile Model 3 arasındaki fark da anlamlıdır (Δχ² = 5.78, Δdf =
1, p = .016). Bununla birlikte fark oldukça küçüktür; bilişsel ve
bilişsel olmayan faktör ayrımı modele sınırlı katkı sağlamaktadır.
Model 3 ile Model 4 arasındaki fark ise oldukça büyük ve anlamlıdır
(Δχ² = 120.64, Δdf = 15, p < .001). Bi-factor modeli, diğer tüm
modellere kıyasla veriye en iyi uyan model olarak öne çıkmaktadır.
Elde edilen bulgular, Castejon ve arkadaşlarının (2010) çalışmasıyla
büyük ölçüde örtüşmektedir. Spectrum aktivitelerine dayalı yetenek
ölçümlerinin ne Gardner’ın öngördüğü kadar birbirinden bağımsız, ne de
tek bir g faktörüne indirgenebilecek kadar tekdüze bir yapıya sahip
olduğu görülmektedir. Dört model arasında bi-factor modeli en iyi uyumu
sergilemekte; bu durum genel bir zekanın yanı sıra alana özgü zeka
boyutlarının da var olduğuna işaret etmektedir.
2.SORU
1. Verinin Yuklenmesi
library(lavaan)
library(psych)
mot <- readRDS("C:/Users/isila/OneDrive/Desktop/ODEV_R/mot.Rds")
# Veriye genel bakis
dim(mot)
## [1] 852 17
head(mot)
## ext1 ext2 ext3 ext4 ext5 ext6 ext7 ext8 ext9 ext10 ext11 ext12 int1 int2 int3
## 1 1 0 0 0 1 1 1 0 0 0 0 0 1 1 0
## 3 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
## 4 0 1 1 0 1 1 1 0 1 1 1 1 1 1 1
## 5 1 0 1 0 1 1 0 1 0 0 1 1 1 1 0
## 6 0 NA 1 NA 1 1 NA NA NA NA NA NA NA NA NA
## 8 1 0 1 0 1 1 0 0 0 1 0 1 1 1 0
## int4 int5
## 1 0 1
## 3 1 0
## 4 1 1
## 5 1 0
## 6 1 NA
## 8 1 1
str(mot)
## 'data.frame': 852 obs. of 17 variables:
## $ ext1 : num 1 0 0 1 0 1 1 1 1 0 ...
## $ ext2 : num 0 0 1 0 NA 0 1 0 1 0 ...
## $ ext3 : num 0 0 1 1 1 1 0 0 0 0 ...
## $ ext4 : num 0 0 0 0 NA 0 0 0 1 0 ...
## $ ext5 : num 1 1 1 1 1 1 1 1 1 1 ...
## $ ext6 : num 1 0 1 1 1 1 1 1 1 1 ...
## $ ext7 : num 1 0 1 0 NA 0 0 1 0 1 ...
## $ ext8 : num 0 0 0 1 NA 0 0 0 1 1 ...
## $ ext9 : num 0 0 1 0 NA 0 0 0 0 0 ...
## $ ext10: num 0 0 1 0 NA 1 0 0 1 0 ...
## $ ext11: num 0 0 1 1 NA 0 0 0 0 0 ...
## $ ext12: num 0 0 1 1 NA 1 1 0 1 1 ...
## $ int1 : num 1 0 1 1 NA 1 1 1 1 0 ...
## $ int2 : num 1 0 1 1 NA 1 1 1 1 1 ...
## $ int3 : num 0 0 1 0 NA 0 1 0 0 1 ...
## $ int4 : num 0 1 1 1 1 1 1 1 1 0 ...
## $ int5 : num 1 0 1 0 NA 1 1 0 0 0 ...
2. Tetrakorik Korelasyon Matrisi ve Model Tanımı
library(lavaan)
# Iki faktorlu model tanimi
model_mot <- '
eksternal =~ ext1 + ext2 + ext3 + ext4 + ext5 + ext6 +
ext7 + ext8 + ext9 + ext10 + ext11 + ext12
internal =~ int1 + int2 + int3 + int4 + int5
'
# WLSMV: kategorik veri icin uygun kestirim yontemi
# ordered = tum degiskenlerin kategorik oldugunu belirtir
fit_mot1 <- cfa(model_mot,
data = mot,
ordered = TRUE,
estimator = "WLSMV")
summary(fit_mot1, 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
## eksternal =~
## 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
## internal =~
## 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
## eksternal ~~
## internal 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
## eksternal 0.153 0.038 3.984 0.000 1.000 1.000
## internal 0.673 0.051 13.305 0.000 1.000 1.000
1)Elde ettiğiniz çıktıda yapmanız gereken modifikasyonları
belirleyip, yeni belirlediğiniz modeli tekrar test ediniz.
3. Modifikasyon Indeksleri
modindices(fit_mot1, sort. = TRUE, maximum.number = 10)
## lhs op rhs mi epc sepc.lv sepc.all sepc.nox
## 166 ext5 ~~ ext6 134.876 0.636 0.636 0.646 0.646
## 98 internal =~ ext3 46.669 0.298 0.244 0.244 0.244
## 209 ext9 ~~ ext11 43.768 0.470 0.470 1.151 1.151
## 202 ext8 ~~ ext12 29.619 0.353 0.353 0.846 0.846
## 103 internal =~ ext8 26.606 -0.288 -0.237 -0.237 -0.237
## 156 ext4 ~~ ext8 22.319 0.366 0.366 0.752 0.752
## 102 internal =~ ext7 17.628 0.187 0.154 0.154 0.154
## 152 ext3 ~~ int5 14.509 0.219 0.219 0.519 0.519
## 210 ext9 ~~ ext12 11.933 -0.319 -0.319 -0.682 -0.682
## 150 ext3 ~~ int3 11.887 0.196 0.196 0.348 0.348
4. Modifiye Model
model_mot2 <- '
eksternal =~ ext1 + ext2 + ext3 + ext4 + ext5 + ext6 +
ext7 + ext8 + ext9 + ext10 + ext11 + ext12
internal =~ int1 + int2 + int3 + int4 + int5
# Hata kovaryansları
ext5 ~~ ext6
ext9 ~~ ext11
ext8 ~~ ext12
'
fit_mot2 <- cfa(model_mot2,
data = mot,
ordered = TRUE,
estimator = "WLSMV")
summary(fit_mot2, fit.measures = TRUE, standardized = TRUE)
## lavaan 0.6-21 ended normally after 41 iterations
##
## Estimator DWLS
## Optimization method NLMINB
## Number of model parameters 38
##
## Used Total
## Number of observations 794 852
##
## Model Test User Model:
## Standard Scaled
## Test Statistic 295.062 293.127
## Degrees of freedom 115 115
## P-value (Unknown) NA 0.000
## Scaling correction factor 1.125
## Shift parameter 30.835
## 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) 0.958 0.938
## Tucker-Lewis Index (TLI) 0.950 0.927
##
## Robust Comparative Fit Index (CFI) NA
## Robust Tucker-Lewis Index (TLI) NA
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.044 0.044
## 90 Percent confidence interval - lower 0.038 0.038
## 90 Percent confidence interval - upper 0.051 0.050
## P-value H_0: RMSEA <= 0.050 0.926 0.935
## 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 0.101 0.101
##
## 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
## eksternal =~
## ext1 1.000 0.422 0.422
## ext2 1.016 0.169 6.010 0.000 0.429 0.429
## ext3 0.509 0.144 3.533 0.000 0.215 0.215
## ext4 1.458 0.256 5.707 0.000 0.616 0.616
## ext5 0.028 0.169 0.165 0.869 0.012 0.012
## ext6 0.320 0.166 1.930 0.054 0.135 0.135
## ext7 1.416 0.204 6.952 0.000 0.598 0.598
## ext8 1.714 0.243 7.040 0.000 0.723 0.723
## ext9 1.312 0.250 5.252 0.000 0.554 0.554
## ext10 1.566 0.224 6.996 0.000 0.661 0.661
## ext11 1.645 0.240 6.869 0.000 0.695 0.695
## ext12 1.509 0.216 6.986 0.000 0.637 0.637
## internal =~
## int1 1.000 0.821 0.821
## int2 0.924 0.065 14.108 0.000 0.759 0.759
## int3 0.995 0.050 19.790 0.000 0.817 0.817
## int4 0.905 0.057 15.990 0.000 0.744 0.744
## int5 1.100 0.050 21.910 0.000 0.903 0.903
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .ext5 ~~
## .ext6 0.634 0.055 11.566 0.000 0.634 0.640
## .ext9 ~~
## .ext11 0.400 0.073 5.501 0.000 0.400 0.667
## .ext8 ~~
## .ext12 0.281 0.063 4.468 0.000 0.281 0.527
## eksternal ~~
## internal 0.055 0.019 2.850 0.004 0.160 0.160
##
## 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 0.822 0.822 0.822
## .ext2 0.816 0.816 0.816
## .ext3 0.954 0.954 0.954
## .ext4 0.621 0.621 0.621
## .ext5 1.000 1.000 1.000
## .ext6 0.982 0.982 0.982
## .ext7 0.643 0.643 0.643
## .ext8 0.477 0.477 0.477
## .ext9 0.693 0.693 0.693
## .ext10 0.563 0.563 0.563
## .ext11 0.518 0.518 0.518
## .ext12 0.594 0.594 0.594
## .int1 0.326 0.326 0.326
## .int2 0.425 0.425 0.425
## .int3 0.332 0.332 0.332
## .int4 0.447 0.447 0.447
## .int5 0.184 0.184 0.184
## eksternal 0.178 0.043 4.103 0.000 1.000 1.000
## internal 0.674 0.051 13.329 0.000 1.000 1.000
2.İki model uyumunu karşılaştırıp
değerlendiriniz.
5. Model Karsilastirmasi
library(knitr)
library(kableExtra)
# Uyum indeksleri karsilastirma tablosu
mot_fit_table <- data.frame(
Model = c("Model 1: Baslangic", "Model 2: Modifiye"),
Chi2 = c(464.935, 293.127),
df = c(118, 115),
Chi2df = c(round(464.935/118, 3), round(293.127/115, 3)),
CFI = c(0.913, 0.958),
TLI = c(0.899, 0.950),
RMSEA = c(0.063, 0.044),
SRMR = c(0.119, 0.101)
)
mot_fit_table %>%
kable(format = "html",
caption = "Tablo 3. Motivasyon Modeli Uyum Indeksleri Karsilastirmasi",
col.names = c("Model", "χ²", "df", "χ²/df",
"CFI", "TLI", "RMSEA", "SRMR"),
align = c("l", rep("c", 7))) %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
full_width = FALSE,
position = "left",
font_size = 13) %>%
row_spec(0, bold = TRUE) %>%
footnote(general = "CFI, TLI >= .90 kabul edilebilir; >= .95 iyi. RMSEA <= .08 kabul edilebilir; <= .06 iyi.",
general_title = "Not:")
Tablo 3. Motivasyon Modeli Uyum Indeksleri Karsilastirmasi
|
Model
|
χ²
|
df
|
χ²/df
|
CFI
|
TLI
|
RMSEA
|
SRMR
|
|
Model 1: Baslangic
|
464.935
|
118
|
3.940
|
0.913
|
0.899
|
0.063
|
0.119
|
|
Model 2: Modifiye
|
293.127
|
115
|
2.549
|
0.958
|
0.950
|
0.044
|
0.101
|
|
Not:
|
|
CFI, TLI >= .90 kabul edilebilir; >= .95 iyi. RMSEA
<= .08 kabul edilebilir; <= .06 iyi.
|
2.Sorunun Yanıtları
Model 1 – Başlangıç Modeli: Motivasyonun iki
faktörlü yapısını (dışsal ve içsel motivasyon) test eden başlangıç
modeli kabul edilebilir düzeyde uyum sergilemiştir(χ²/df = 3.94, CFI =
.913, TLI = 0.899, RMSEA = .063, SRMR = .119). CFI değeri .90 kriterini
karşılarken TLI ve SRMR değerleri sınırda kalmaktadır.
Modifikasyon indeksleri incelendiğinde en yüksek değerin ext5 ile
ext6 arasındaki hata kovaryansına ait olduğu görülmüştür (MI = 134.876).
Bunun yanı sıra ext9 ~~ ext11 (MI = 43.768) ve ext8 ~~ ext12 (MI =
29.619) çiftleri de yüksek modifikasyon indeksi sergilemiştir. İçsel
motivasyon faktörünün ext3 ve ext8 maddelerine çapraz yüklenmesi teorik
olarak desteklenmediğinden bu modifikasyonlar modele dahil
edilmemiştir.
Model 2 – Modifiye Model: Üç hata kovaryansı
serbest bırakıldıktan sonra model uyumu belirgin biçimde iyileşmiştir
(χ²/df = 2.55, CFI = .958, TLI = .950, RMSEA = .044, SRMR = .101). CFI
ve TLI değerleri .95 iyi uyum kriterini karşılamakta, RMSEA değeri ise
.06 eşiğinin belirgin biçimde altında kalmaktadır.
Modifikasyon indekslerine dayalı olarak yapılan düzenlemeler
sonucunda motivasyonun iki faktörlü yapısı (dışsal ve içsel motivasyon)
kabul edilebilir düzeyde doğrulanmıştır. İki faktör arasındaki
korelasyon düşük düzeyde anlamlı bulunmuştur (r = .160, p = .004), bu
durum dışsal ve içsel motivasyonun birbirinden görece bağımsız yapılar
olduğuna işaret etmektedir.
3.SORU
1. Verinin Yüklenmesi
aidiyet <- readRDS("C:/Users/isila/OneDrive/Desktop/ODEV_R/aidiyet.Rds")
dim(aidiyet)
## [1] 794 12
head(aidiyet)
## kurumsal1 kurumsal2 kurumsal3 kurumsal4 bireysel1 bireysel2 bireysel3
## 1 1 0 0 0 1 0 1
## 3 0 0 0 0 0 0 1
## 4 0 1 1 0 1 1 1
## 5 1 0 1 0 1 0 0
## 8 1 0 1 0 1 1 1
## 9 1 1 0 0 1 0 0
## bireysel4 katilimsal1 katilimsal2 katilimsal3 katilimsal4
## 1 0 1 1 0 0
## 3 0 0 0 0 1
## 4 1 1 1 1 1
## 5 1 1 1 0 1
## 8 1 1 1 0 1
## 9 1 1 1 1 1
str(aidiyet)
## 'data.frame': 794 obs. of 12 variables:
## $ kurumsal1 : num 1 0 0 1 1 1 1 1 0 0 ...
## $ kurumsal2 : num 0 0 1 0 0 1 0 1 0 1 ...
## $ kurumsal3 : num 0 0 1 1 1 0 0 0 0 0 ...
## $ kurumsal4 : num 0 0 0 0 0 0 0 1 0 0 ...
## $ bireysel1 : num 1 0 1 1 1 1 1 1 1 1 ...
## $ bireysel2 : num 0 0 1 0 1 0 0 1 0 0 ...
## $ bireysel3 : num 1 1 1 0 1 0 0 1 0 1 ...
## $ bireysel4 : num 0 0 1 1 1 1 0 1 1 1 ...
## $ katilimsal1: num 1 0 1 1 1 1 1 1 0 1 ...
## $ katilimsal2: num 1 0 1 1 1 1 1 1 1 1 ...
## $ katilimsal3: num 0 0 1 0 0 1 0 0 1 1 ...
## $ katilimsal4: num 0 1 1 1 1 1 1 1 0 1 ...
## - attr(*, "na.action")= 'omit' Named int [1:58] 5 14 28 54 59 77 81 95 99 107 ...
## ..- attr(*, "names")= chr [1:58] "6" "22" "44" "101" ...
2. Üç Faktorlu Model
model_aidiyet1 <- '
kurumsal =~ kurumsal1 + kurumsal2 + kurumsal3 + kurumsal4
bireysel =~ bireysel1 + bireysel2 + bireysel3 + bireysel4
katilimsal =~ katilimsal1 + katilimsal2 + katilimsal3 + katilimsal4
'
fit_aidiyet1 <- cfa(model_aidiyet1,
data = aidiyet,
ordered = TRUE,
estimator = "WLSMV")
summary(fit_aidiyet1, 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
## 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
## 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
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## kurumsal ~~
## bireysel 0.121 0.030 4.011 0.000 0.557 0.557
## katilimsal 0.145 0.038 3.780 0.000 0.480 0.480
## bireysel ~~
## katilimsal 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
## 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
## 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
##
## 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
## .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
## .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
## kurumsal 0.131 0.052 2.519 0.012 1.000 1.000
## bireysel 0.362 0.059 6.123 0.000 1.000 1.000
## katilimsal 0.694 0.058 11.960 0.000 1.000 1.000
3. Ikinci Dereceli Model
model_aidiyet2 <- '
kurumsal =~ kurumsal1 + kurumsal2 + kurumsal3 + kurumsal4
bireysel =~ bireysel1 + bireysel2 + bireysel3 + bireysel4
katilimsal =~ katilimsal1 + katilimsal2 + katilimsal3 + katilimsal4
aidiyet =~ kurumsal + bireysel + katilimsal
'
fit_aidiyet2 <- cfa(model_aidiyet2,
data = aidiyet,
ordered = TRUE,
estimator = "WLSMV")
summary(fit_aidiyet2, 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
## 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
## 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
## aidiyet =~
## kurumsal 1.000 0.761 0.761
## bireysel 1.602 0.450 3.561 0.000 0.732 0.732
## katilimsal 1.910 0.493 3.872 0.000 0.631 0.631
##
## 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
## 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
## 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
##
## 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
## .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
## .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
## .kurumsal 0.055 0.036 1.535 0.125 0.420 0.420
## .bireysel 0.168 0.051 3.312 0.001 0.464 0.464
## .katilimsal 0.418 0.072 5.797 0.000 0.602 0.602
## aidiyet 0.076 0.035 2.180 0.029 1.000 1.000
4. Model Karşılaştırması
library(knitr)
library(kableExtra)
aidiyet_fit_table <- data.frame(
Model = c("Model 1: Uc Faktorlu", "Model 2: Ikinci Dereceli"),
Chi2 = c(189.809, 189.809),
df = c(51, 51),
Chi2df = c(round(189.809/51, 3), round(189.809/51, 3)),
CFI = c(0.926, 0.926),
TLI = c(0.904, 0.904),
RMSEA = c(0.059, 0.059),
SRMR = c(0.088, 0.088)
)
aidiyet_fit_table %>%
kable(format = "html",
caption = "Tablo 4. Aidiyet Modeli Uyum Indeksleri Karsilastirmasi",
col.names = c("Model", "χ²", "df", "χ²/df",
"CFI", "TLI", "RMSEA", "SRMR"),
align = c("l", rep("c", 7))) %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
full_width = FALSE,
position = "left",
font_size = 13) %>%
row_spec(0, bold = TRUE) %>%
footnote(general = "CFI, TLI >= .90 kabul edilebilir; >= .95 iyi. RMSEA <= .08 kabul edilebilir; <= .06 iyi.",
general_title = "Not:")
Tablo 4. Aidiyet Modeli Uyum Indeksleri Karsilastirmasi
|
Model
|
χ²
|
df
|
χ²/df
|
CFI
|
TLI
|
RMSEA
|
SRMR
|
|
Model 1: Uc Faktorlu
|
189.809
|
51
|
3.722
|
0.926
|
0.904
|
0.059
|
0.088
|
|
Model 2: Ikinci Dereceli
|
189.809
|
51
|
3.722
|
0.926
|
0.904
|
0.059
|
0.088
|
|
Not:
|
|
CFI, TLI >= .90 kabul edilebilir; >= .95 iyi. RMSEA
<= .08 kabul edilebilir; <= .06 iyi.
|
3. Sorunun Yanıtları
1. Üç faktörlü modelin uyumunu,
2. İkinci dereceli üç faktörlü modelin uyumunu
değerlendiriniz.
Model 1 – Üç Faktörlü Model: Aidiyetin kurumsal,
bireysel ve katılımsal olmak üzere üç boyuttan oluştuğunu öngören model
kabul edilebilir düzeyde uyum sergilemiştir (χ²/df = 3.72, CFI = .926,
TLI = .904, RMSEA = .059, SRMR = .088). CFI ve TLI değerleri .90
kriterini karşılamakta, RMSEA ise .06 iyi uyum sınırına yakın
seyretmektedir.
Model 2 – İkinci Dereceli Model: Üç birinci derece
faktörün üzerinde genel bir aidiyet faktörünün yer aldığı ikinci derece
model, birinci derece modelle tamamen aynı uyum değerlerini üretmiştir.
Bu durum iki modelin matematiksel olarak eşdeğer olduğunu
göstermektedir. Üç faktörlü modelde faktörler arasındaki kovaryanslar
ikinci derece modelde faktör yükleriyle yer değiştirmekte, ancak
serbestlik derecesi değişmemektedir.
Genel bir aidiyet faktörünün üç alt boyuta olan yüklemeleri
istatistiksel olarak anlamlı bulunmuştur (kurumsal: β = .761, bireysel:
β = .732, katılımsal: β = .631, p < .05). Bu bulgular aidiyetin üç
boyutlu yapısını desteklemekte ve bu boyutların ortak bir genel aidiyet
faktörü altında toplandığına işaret etmektedir.