DFA 10. HAFTA
Zarife Tastan
2026-05-10
SORU 2:
Motivasyon ölçeğinde 17 madde bulunmaktadır. Maddeler 1-0 olarak puanlanmıştır. “mot.Rds” verisini kullanarak motivasyonun iki faktörlü yapısını tetrakorik korelasyon matrisi kullanarak değerlendiriniz. Kullandığınız kestirim yönteminin kategorik veriye uygun olmasına Dikkat ediniz. Dışsal motivasyon (ext1, ext2, ext3, ext4, ext5, ext6, ext7, ext8, ext9, ext10, ext11, ext12) İçsel motivasyon (int1, int2, int3, int4, int5) Elde ettiğiniz çıktıda yapmanız gereken modifikasyonları belirleyip, yeni belirlediğiniz modeli tekrar test ediniz. İki model uyumunu karşılaştırıp değerlendiriniz. (Not: İki faktörlü modellerde ikinci düzey DFA yapılamaz.)
CEVAP 2.
library(lavaan)## This is lavaan 0.6-21
## lavaan is FREE software! Please report any bugs.library(semTools)## ## ################################################################################# This is semTools 0.5-8## All users of R (or SEM) are invited to submit functions or ideas for functions.## ###############################################################################library(semPlot)
library(semoutput)mot <- readRDS("mot.Rds")
maddeler <- c(paste0("ext", 1:12), paste0("int", 1:5))# r model1-iki-faktorlu
library(lavaan)
# Maddeleri ordered (sıralı kategorik) yapalım - WLSMV için gerekli
maddeler <- c(paste0("ext", 1:12), paste0("int", 1:5))
# 2 faktörlü model tanımı
model1 <- '
dissal =~ ext1 + ext2 + ext3 + ext4 + ext5 + ext6 + ext7 + ext8 + ext9 + ext10 + ext11 + ext12
icsel =~ int1 + int2 + int3 + int4 + int5
'
# Modeli tahmin et (kategorik veri için WLSMV)
fit1 <- cfa(model1,
data = mot,
ordered = maddeler, # Tetrakorik korelasyon kullanır
estimator = "WLSMV", # Kategorik veri için uygun kestirim
missing = "pairwise") # NA'larla başa çıkma
# Özet sonuçlar (uyum indeksleri ve standart yükler)
summary(fit1, fit.measures = TRUE, standardized = TRUE)## lavaan 0.6-21 ended normally after 43 iterations
##
## Estimator DWLS
## Optimization method NLMINB
## Number of model parameters 35
##
## Number of observations 852
## Number of missing patterns 38
##
## Model Test User Model:
## Standard Scaled
## Test Statistic 494.967 466.965
## Degrees of freedom 118 118
## P-value (Unknown) NA 0.000
## Scaling correction factor 1.136
## Shift parameter 31.446
## simple second-order correction
##
## Model Test Baseline Model:
##
## Test statistic 4568.577 3122.795
## Degrees of freedom 136 136
## P-value NA 0.000
## Scaling correction factor 1.484
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.915 0.883
## Tucker-Lewis Index (TLI) 0.902 0.865
##
## Robust Comparative Fit Index (CFI) NA
## Robust Tucker-Lewis Index (TLI) NA
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.061 0.059
## 90 Percent confidence interval - lower 0.056 0.053
## 90 Percent confidence interval - upper 0.067 0.065
## P-value H_0: RMSEA <= 0.050 0.000 0.004
## 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 0.118 0.118
##
## 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
## dissal =~
## ext1 1.000 0.398 0.398
## ext2 0.989 0.166 5.946 0.000 0.394 0.394
## ext3 0.518 0.144 3.594 0.000 0.206 0.206
## ext4 1.476 0.254 5.817 0.000 0.588 0.588
## ext5 0.222 0.169 1.311 0.190 0.088 0.088
## ext6 0.457 0.169 2.703 0.007 0.182 0.182
## ext7 1.387 0.197 7.040 0.000 0.552 0.552
## ext8 2.011 0.261 7.717 0.000 0.801 0.801
## ext9 1.850 0.260 7.105 0.000 0.737 0.737
## ext10 1.538 0.218 7.061 0.000 0.612 0.612
## ext11 1.977 0.261 7.584 0.000 0.787 0.787
## ext12 1.796 0.238 7.552 0.000 0.715 0.715
## icsel =~
## int1 1.000 0.824 0.824
## int2 0.922 0.064 14.409 0.000 0.759 0.759
## int3 1.001 0.049 20.431 0.000 0.824 0.824
## int4 0.905 0.055 16.375 0.000 0.745 0.745
## int5 1.100 0.049 22.573 0.000 0.906 0.906
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## dissal ~~
## icsel 0.048 0.017 2.760 0.006 0.145 0.145
##
## Thresholds:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## ext1|t1 0.033 0.043 0.757 0.449 0.033 0.033
## ext2|t1 0.576 0.047 12.345 0.000 0.576 0.576
## ext3|t1 0.481 0.046 10.492 0.000 0.481 0.481
## ext4|t1 1.544 0.069 22.245 0.000 1.544 1.544
## ext5|t1 -1.146 0.055 -20.727 0.000 -1.146 -1.146
## ext6|t1 -1.070 0.054 -19.749 0.000 -1.070 -1.070
## ext7|t1 0.233 0.044 5.250 0.000 0.233 0.233
## ext8|t1 1.033 0.054 19.286 0.000 1.033 1.033
## ext9|t1 1.485 0.067 22.176 0.000 1.485 1.485
## ext10|t1 0.608 0.047 13.066 0.000 0.608 0.608
## ext11|t1 1.037 0.054 19.303 0.000 1.037 1.037
## ext12|t1 0.006 0.044 0.140 0.889 0.006 0.006
## int1|t1 -0.662 0.048 -13.904 0.000 -0.662 -0.662
## int2|t1 -1.246 0.058 -21.451 0.000 -1.246 -1.246
## int3|t1 0.182 0.044 4.126 0.000 0.182 0.182
## int4|t1 -0.884 0.051 -17.448 0.000 -0.884 -0.884
## int5|t1 -0.283 0.044 -6.351 0.000 -0.283 -0.283
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .ext1 0.841 0.841 0.841
## .ext2 0.845 0.845 0.845
## .ext3 0.957 0.957 0.957
## .ext4 0.654 0.654 0.654
## .ext5 0.992 0.992 0.992
## .ext6 0.967 0.967 0.967
## .ext7 0.695 0.695 0.695
## .ext8 0.359 0.359 0.359
## .ext9 0.457 0.457 0.457
## .ext10 0.625 0.625 0.625
## .ext11 0.380 0.380 0.380
## .ext12 0.488 0.488 0.488
## .int1 0.322 0.322 0.322
## .int2 0.424 0.424 0.424
## .int3 0.320 0.320 0.320
## .int4 0.445 0.445 0.445
## .int5 0.180 0.180 0.180
## dissal 0.159 0.038 4.130 0.000 1.000 1.000
## icsel 0.678 0.050 13.702 0.000 1.000 1.000Analizin çıktıları incelendiğinde, Motivasyon ölçeğinin iki faktörlü yapısı 852 katılımcı üzerinde, ikili (0/1) puanlamaya uygun WLSMV kestirimi ve tetrakorik korelasyon ile test edilmiştir. Modelin uyum indeksleri χ²(118) = 466.97, p < .001; CFI = .915; TLI = .902; RMSEA = .061 [.056-.067]; SRMR = .118 olarak elde edilmiştir. CFI ve TLI değerleri kabul edilebilir uyumun alt sınırı olan .90’ı aşmaktadır. RMSEA değeri .08’in altında kalarak iyi uyumu göstermektedir. Ancak SRMR değerinin .08 eşiğinin üzerinde olması ve CFI/TLI değerlerinin .95’in altında kalması modelin kabul edilebilir düzeyde uyum sağladığına işaret etmektedir. Faktör yükleri incelendiğinde, içsel motivasyon maddelerinin (.745-.906) homojen ve güçlü bir yapı sergilediği görülmektedir. Buna karşın dışsal motivasyon faktöründe ext5 (.088, p = .190) anlamsız bulunmuş; ext6 (.182), ext3 (.206), ext1 (.398) ve ext2 (.394) maddeleri ise .40 alt sınırının altında veya sınırında düşük yükler göstermiştir. Faktörler arası korelasyon r = .145 (p = .006) olup iki yapının kavramsal olarak ayrıştığını desteklemektedir.
Bu bulgular, modelin iyileştirilmesi gerektiğini ortaya koymaktadır. Bu nedenle bir sonraki aşamada modifikasyon indeksleri incelenerek model revize edilecektir.
# En yüksek 15 modifikasyon indeksi
modindices(fit1, sort = TRUE, maximum.number = 15)## lhs op rhs mi epc sepc.lv sepc.all sepc.nox
## 166 ext5 ~~ ext6 130.471 0.627 0.627 0.641 0.641
## 98 icsel =~ ext3 51.915 0.307 0.253 0.253 0.253
## 209 ext9 ~~ ext11 47.041 0.482 0.482 1.156 1.156
## 202 ext8 ~~ ext12 34.275 0.375 0.375 0.895 0.895
## 103 icsel =~ ext8 25.720 -0.279 -0.230 -0.230 -0.230
## 156 ext4 ~~ ext8 22.066 0.363 0.363 0.749 0.749
## 102 icsel =~ ext7 17.898 0.185 0.153 0.153 0.153
## 152 ext3 ~~ int5 15.598 0.224 0.224 0.540 0.540
## 150 ext3 ~~ int3 13.809 0.208 0.208 0.375 0.375
## 210 ext9 ~~ ext12 13.444 -0.336 -0.336 -0.711 -0.711
## 104 icsel =~ ext9 11.222 0.224 0.185 0.185 0.185
## 201 ext8 ~~ ext11 10.365 -0.260 -0.260 -0.705 -0.705
## 154 ext4 ~~ ext6 9.541 -0.314 -0.314 -0.394 -0.394
## 199 ext8 ~~ ext9 9.493 -0.299 -0.299 -0.739 -0.739
## 151 ext3 ~~ int4 9.097 0.199 0.199 0.305 0.305Model 1'in modifikasyon indeksleri incelendiğinde, en yüksek değerler hata kovaryansı eklemeye işaret etmektedir. Bu kapsamda, MI = 130.47 ile en yüksek değere sahip ext5-ext6 maddeleri ile MI = 47.04 olan ext9-ext11 maddeleri arasındaki hata kovaryansları modele eklenmiştir. Modifikasyonlar yalnızca aynı faktör maddeleri arasında ve istatistiksel olarak güçlü olanlar arasından seçilmiştir.
``` r
model2 <- '
dissal =~ ext1 + ext2 + ext3 + ext4 + ext5 + ext6 + ext7 + ext8 + ext9 + ext10 + ext11 + ext12
icsel =~ int1 + int2 + int3 + int4 + int5
# Modifikasyonlar
ext5 ~~ ext6
ext9 ~~ ext11
'
fit2 <- cfa(model2,
data = mot,
ordered = maddeler,
estimator = "WLSMV",
missing = "pairwise")
summary(fit2, fit.measures = TRUE, standardized = TRUE)## lavaan 0.6-21 ended normally after 39 iterations
##
## Estimator DWLS
## Optimization method NLMINB
## Number of model parameters 37
##
## Number of observations 852
## Number of missing patterns 38
##
## Model Test User Model:
## Standard Scaled
## Test Statistic 316.946 311.180
## Degrees of freedom 116 116
## P-value (Unknown) NA 0.000
## Scaling correction factor 1.131
## Shift parameter 31.036
## simple second-order correction
##
## Model Test Baseline Model:
##
## Test statistic 4568.577 3122.795
## Degrees of freedom 136 136
## P-value NA 0.000
## Scaling correction factor 1.484
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.955 0.935
## Tucker-Lewis Index (TLI) 0.947 0.923
##
## Robust Comparative Fit Index (CFI) NA
## Robust Tucker-Lewis Index (TLI) NA
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.045 0.044
## 90 Percent confidence interval - lower 0.039 0.039
## 90 Percent confidence interval - upper 0.051 0.050
## P-value H_0: RMSEA <= 0.050 0.909 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 0.102 0.102
##
## 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
## dissal =~
## ext1 1.000 0.410 0.410
## ext2 0.986 0.165 5.963 0.000 0.404 0.404
## ext3 0.492 0.142 3.463 0.001 0.202 0.202
## ext4 1.479 0.249 5.931 0.000 0.607 0.607
## ext5 0.060 0.168 0.360 0.719 0.025 0.025
## ext6 0.344 0.165 2.079 0.038 0.141 0.141
## ext7 1.381 0.195 7.073 0.000 0.566 0.566
## ext8 2.042 0.263 7.775 0.000 0.838 0.838
## ext9 1.255 0.240 5.229 0.000 0.515 0.515
## ext10 1.551 0.219 7.093 0.000 0.636 0.636
## ext11 1.592 0.229 6.939 0.000 0.653 0.653
## ext12 1.808 0.237 7.624 0.000 0.741 0.741
## icsel =~
## int1 1.000 0.824 0.824
## int2 0.922 0.064 14.431 0.000 0.759 0.759
## int3 1.001 0.049 20.443 0.000 0.824 0.824
## int4 0.904 0.055 16.353 0.000 0.744 0.744
## int5 1.100 0.049 22.596 0.000 0.906 0.906
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .ext5 ~~
## .ext6 0.626 0.055 11.384 0.000 0.626 0.633
## .ext9 ~~
## .ext11 0.446 0.067 6.694 0.000 0.446 0.687
## dissal ~~
## icsel 0.048 0.018 2.646 0.008 0.141 0.141
##
## Thresholds:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## ext1|t1 0.033 0.043 0.757 0.449 0.033 0.033
## ext2|t1 0.576 0.047 12.345 0.000 0.576 0.576
## ext3|t1 0.481 0.046 10.492 0.000 0.481 0.481
## ext4|t1 1.544 0.069 22.245 0.000 1.544 1.544
## ext5|t1 -1.146 0.055 -20.727 0.000 -1.146 -1.146
## ext6|t1 -1.070 0.054 -19.749 0.000 -1.070 -1.070
## ext7|t1 0.233 0.044 5.250 0.000 0.233 0.233
## ext8|t1 1.033 0.054 19.286 0.000 1.033 1.033
## ext9|t1 1.485 0.067 22.176 0.000 1.485 1.485
## ext10|t1 0.608 0.047 13.066 0.000 0.608 0.608
## ext11|t1 1.037 0.054 19.303 0.000 1.037 1.037
## ext12|t1 0.006 0.044 0.140 0.889 0.006 0.006
## int1|t1 -0.662 0.048 -13.904 0.000 -0.662 -0.662
## int2|t1 -1.246 0.058 -21.451 0.000 -1.246 -1.246
## int3|t1 0.182 0.044 4.126 0.000 0.182 0.182
## int4|t1 -0.884 0.051 -17.448 0.000 -0.884 -0.884
## int5|t1 -0.283 0.044 -6.351 0.000 -0.283 -0.283
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .ext1 0.832 0.832 0.832
## .ext2 0.836 0.836 0.836
## .ext3 0.959 0.959 0.959
## .ext4 0.632 0.632 0.632
## .ext5 0.999 0.999 0.999
## .ext6 0.980 0.980 0.980
## .ext7 0.679 0.679 0.679
## .ext8 0.298 0.298 0.298
## .ext9 0.735 0.735 0.735
## .ext10 0.595 0.595 0.595
## .ext11 0.574 0.574 0.574
## .ext12 0.450 0.450 0.450
## .int1 0.321 0.321 0.321
## .int2 0.423 0.423 0.423
## .int3 0.321 0.321 0.321
## .int4 0.446 0.446 0.446
## .int5 0.179 0.179 0.179
## dissal 0.168 0.040 4.172 0.000 1.000 1.000
## icsel 0.679 0.049 13.716 0.000 1.000 1.000
Yeni modelin sonuçlarına bakıldığında iyileşme var. CFI değeri .915'ten .955'e yükselerek iyi uyum sınırını geçmiştir. TLI değeri de .902'den .947'ye çıkmıştır. RMSEA değeri .061'den .045'e düşmüştür. SRMR ise .118'den .102'ye gerilemiş, hâlâ .08'in üzerinde olsa da belirgin şekilde iyileşmiştir.
Ancak dikkatimi çeken bir nokta var; ext5 maddesinin faktör yükü daha da düşerek .088'den .025'e gerilemiş ve istatistiksel olarak anlamsız hale gelmiştir (p = .719). Bu durum, ext5 maddesinin aslında dışsal motivasyonu pek ölçmediğini, daha çok ext6 ile ortak farklı bir şeyi yansıttığını göstermektedir. Faktörler arası korelasyon ise r = .141 ile benzer düzeyde kalmıştır.
Genel olarak değerlendirdiğinde, modifikasyonlar sonrası model uyumunun kabul edilebilir düzeyden iyi uyum düzeyine yükseldiği söylenebilir. Bununla birlikte ext5 maddesinin yapıya katkı sağlamadığı görüldüğünden, ileri çalışmalarda bu maddenin gözden geçirilmesi gerektiği düşünülebilir.
``` r
# Ki-kare farkı testi
anova(fit1, fit2)##
## 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 Df diff Pr(>Chisq)
## fit2 116 316.95
## fit1 118 494.97 146.51 2 < 2.2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1# İki modelin uyum indeksleri yan yana
cbind(
Model_1 = fitMeasures(fit1, c("chisq.scaled", "df.scaled", "pvalue.scaled",
"cfi.scaled", "tli.scaled", "rmsea.scaled", "srmr")),
Model_2 = fitMeasures(fit2, c("chisq.scaled", "df.scaled", "pvalue.scaled",
"cfi.scaled", "tli.scaled", "rmsea.scaled", "srmr"))
)## Model_1 Model_2
## chisq.scaled 466.96478929 311.1802235
## df.scaled 118.00000000 116.0000000
## pvalue.scaled 0.00000000 0.0000000
## cfi.scaled 0.88316414 0.9346523
## tli.scaled 0.86534172 0.9233854
## rmsea.scaled 0.05895016 0.0444656
## srmr 0.11826196 0.1017694İki model karşılaştırıldığında modifikasyonların modele belirgin katkı sağladığı görülmektedir. Ki-kare değeri 466.96'dan 311.18'e düşmüşmüştür. CFI .883'ten .935'e, TLI .865'ten .923'e yükselerek kabul edilebilir uyum düzeyine ulaşmış; RMSEA .059'dan .044'e gerileyerek mükemmel uyum sınırının altına inmiştir. SRMR ise .118'den .102'ye düşmüş, iyileşme göstermiştir. Bu bulgular doğrultusunda motivasyon ölçeğinin iki faktörlü yapısını değerlendirmek için modifiye edilmiş Model 2 tercih edilmelidir.
# # SORU 3
Aidiyet ölçeğinde 12 madde bulunmaktadır. Maddeler 1-0 olarak puanlanmıştır.
“aidiyet.Rds” verisini kullanarak aidiyetin üç faktörlü yapısını tetrakorik korelasyon matrisi kullanarak doğrulayınız. Kullandığınız kestirim yönteminin kategorik veriye uygun olmasına dikkat ediniz.
Kurumsal (kurumsal1, kurumsal2, kurumsal3, kurumsal4)
Katılımsal (katilimsal1, katilimsal2, katilimsal3, katilimsal4, katilimsal5)
Bireysel (bireysel1, bireysel2, bireysel3, bireysel4)
1. Üç faktörlü modelin uyumunu,
2. İkinci dereceli üç faktörlü modelin uyumunu değerlendiriniz.
# CEVAP 3
``` r
aidiyet <- readRDS("aidiyet.Rds")
# Veri yapısını incele
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" ...dim(aidiyet)## [1] 794 12head(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 1sum(is.na(aidiyet)) # eksik veri sayısı## [1] 0
``` r
library(lavaan)
# Sıralı kategorik madde isimleri
maddeler_aidiyet <- c(paste0("kurumsal", 1:4),
paste0("bireysel", 1:4),
paste0("katilimsal", 1:4))
# 3 faktörlü model
model11 <- '
kurumsal =~ kurumsal1 + kurumsal2 + kurumsal3 + kurumsal4
bireysel =~ bireysel1 + bireysel2 + bireysel3 + bireysel4
katilimsal =~ katilimsal1 + katilimsal2 + katilimsal3 + katilimsal4
'
fit1_aid <- cfa(model11,
data = aidiyet,
ordered = maddeler_aidiyet,
estimator = "WLSMV")
summary(fit1_aid, 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 1.000model11_fit <- cfa(model11, data = aidiyet)
summary(model11_fit, fit.measures = TRUE, standardized = TRUE)## lavaan 0.6-21 ended normally after 85 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 27
##
## Number of observations 794
##
## Model Test User Model:
##
## Test statistic 192.305
## Degrees of freedom 51
## P-value (Chi-square) 0.000
##
## Model Test Baseline Model:
##
## Test statistic 1187.860
## Degrees of freedom 66
## P-value 0.000
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.874
## Tucker-Lewis Index (TLI) 0.837
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -4759.916
## Loglikelihood unrestricted model (H1) -4663.764
##
## Akaike (AIC) 9573.832
## Bayesian (BIC) 9700.113
## Sample-size adjusted Bayesian (SABIC) 9614.374
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.059
## 90 Percent confidence interval - lower 0.050
## 90 Percent confidence interval - upper 0.068
## P-value H_0: RMSEA <= 0.050 0.044
## P-value H_0: RMSEA >= 0.080 0.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.056
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Expected
## Information saturated (h1) model Structured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## kurumsal =~
## kurumsal1 1.000 0.165 0.331
## kurumsal2 0.585 0.198 2.955 0.003 0.097 0.216
## kurumsal3 1.010 0.275 3.673 0.000 0.167 0.360
## kurumsal4 0.118 0.087 1.351 0.177 0.020 0.081
## bireysel =~
## bireysel1 1.000 0.122 0.287
## bireysel2 1.464 0.259 5.658 0.000 0.178 0.356
## bireysel3 2.962 0.441 6.722 0.000 0.360 0.755
## bireysel4 2.799 0.415 6.741 0.000 0.340 0.735
## katilimsal =~
## katilimsal1 1.000 0.294 0.676
## katilimsal2 0.583 0.052 11.156 0.000 0.171 0.560
## katilimsal3 0.838 0.081 10.317 0.000 0.246 0.497
## katilimsal4 0.833 0.071 11.710 0.000 0.245 0.620
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## kurumsal ~~
## bireysel 0.009 0.003 3.575 0.000 0.454 0.454
## katilimsal 0.021 0.005 3.824 0.000 0.425 0.425
## bireysel ~~
## katilimsal 0.013 0.003 4.963 0.000 0.366 0.366
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .kurumsal1 0.222 0.014 15.519 0.000 0.222 0.891
## .kurumsal2 0.191 0.010 18.269 0.000 0.191 0.953
## .kurumsal3 0.187 0.013 14.443 0.000 0.187 0.870
## .kurumsal4 0.058 0.003 19.707 0.000 0.058 0.993
## .bireysel1 0.165 0.009 19.295 0.000 0.165 0.918
## .bireysel2 0.218 0.012 18.899 0.000 0.218 0.873
## .bireysel3 0.098 0.011 8.663 0.000 0.098 0.430
## .bireysel4 0.098 0.010 9.505 0.000 0.098 0.459
## .katilimsal1 0.103 0.008 12.558 0.000 0.103 0.544
## .katilimsal2 0.064 0.004 15.945 0.000 0.064 0.686
## .katilimsal3 0.184 0.011 17.098 0.000 0.184 0.753
## .katilimsal4 0.096 0.007 14.402 0.000 0.096 0.616
## kurumsal 0.027 0.011 2.567 0.010 1.000 1.000
## bireysel 0.015 0.004 3.551 0.000 1.000 1.000
## katilimsal 0.086 0.010 8.469 0.000 1.000 1.000fitmeasures(model11_fit,fit.measures = c("chisq" ,"df" , "pvalue","cfi","tli","rmsea","rmsea.ci.lower",
"rmsea.ci.upper","srmr"))## chisq df pvalue cfi tli
## 192.305 51.000 0.000 0.874 0.837
## rmsea rmsea.ci.lower rmsea.ci.upper srmr
## 0.059 0.050 0.068 0.056library(semPlot)
semPaths(model11_fit, what="par",
style="lisrel",layout="tree",residuals = TRUE,rotation = 2 )
# İkinci dereceli (hiyerarşik) model
model2 <- '
# Birinci düzey faktörler
kurumsal =~ kurumsal1 + kurumsal2 + kurumsal3 + kurumsal4
bireysel =~ bireysel1 + bireysel2 + bireysel3 + bireysel4
katilimsal =~ katilimsal1 + katilimsal2 + katilimsal3 + katilimsal4
# İkinci düzey genel faktör
aidiyet =~ kurumsal + bireysel + katilimsal
'
fit2_aid <- cfa(model2,
data = aidiyet,
ordered = maddeler_aidiyet,
estimator = "WLSMV")
summary(fit2_aid, 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```
Üç boyutun (kurumsal, bireysel, katılımsal) ortak bir genel “aidiyet” yapısı altında toplanıp toplanmadığını test etmek için ikinci dereceli model kurulmuştur. Modelin uyum indeksleri χ²(51) = 189.81, p < .001; Robust CFI = .816; Robust TLI = .762; Robust RMSEA = .126; SRMR = .088 olarak elde edilmiştir. Bu değerler ilk modelle aynıdır. Üç faktörlü ikinci dereceli modellerde, ikinci düzey kısmı birinci modelle aynı sayıda parametre kullandığı için uyum değerleri değişmemektedir. İkinci düzey yükler incelendiğinde üç boyutun da genel aidiyet faktörüne anlamlı şekilde yüklendiği görülmüştür: kurumsal (β = .761), bireysel (β = .732) ve katılımsal (β = .631). Bu yükler, üç boyutun ortak bir üst yapı paylaştığını desteklemektedir. Sonuç olarak iki modelin uyum değerleri aynı çıksa da, Model 2 üç boyutun genel bir aidiyet yapısı altında toplanabileceğini desteklemektedir. Ancak Robust uyum indekslerinin kabul edilebilir sınırın altında kalması, ölçeğin gözden geçirilmesi gerektiğine işaret etmektedir.
ÖĞRENME GÜNLÜĞÜ
Yüksek lisans döneminde LİSREL programı ile AFA VE DFA yapmıştım. R da analiz yaparken LİSREL ile yaptığım analizlerde daha otomatikleşen hamleler ile yapmışım onu farkettim. R da her adımı detaylı inceleyerek ilerlemek gerekiyor. Birinci soruda veriyi okutma konusunda sıkıntı yaşadım hocam. Veriyi excel olarak okuttuğumda yönergede 21x21 olarak verilen matris 22x22 olarak çıktı. Makaleden de kontrol ettim yapamadım. Sizden bilgi aldıktan sonra tekrar yapacağım.
Birde garip şekilde 3. soru çözdüm ama rmd dosyasında defalarca denememe rağmen başlık açamadım hocam :)