Açımlayıcı ve Doğrulayıcı Faktör Analizi: EFA vs CFA Karşılaştırması

Faktör analizi, sosyal bilimlerden sağlık bilimlerine kadar pek çok disiplinde ölçek geliştirme, yapı geçerliği ve boyut indirgeme amacıyla kullanılan temel bir çok değişkenli istatistiksel tekniktir. İki ana türü olan Açımlayıcı Faktör Analizi (EFA) ve Doğrulayıcı Faktör Analizi (CFA), birbirini tamamlayan ancak farklı amaçlara hizmet eden analiz yöntemleridir. Bu yazıda her iki tekniği derinlemesine karşılaştırarak araştırmacılara rehberlik etmeyi amaçlıyoruz.

Faktör Analizinin Temelleri

Faktör analizi, gözlenen değişkenler arasındaki ilişki örüntülerini açıklayan gizil (latent) yapıları ortaya çıkarmayı hedefler. Örneğin bir kaygı ölçeğindeki 20 maddenin arkasında "somatik kaygı" ve "bilişsel kaygı" gibi gizil faktörler yatıyor olabilir. Faktör analizi bu gizil yapıları istatistiksel olarak tanımlar.

Temel Prensip: Faktör analizi, çok sayıda gözlenen değişkeni daha az sayıda gizil faktörle açıklamayı amaçlar. EFA bu faktörleri keşfederken, CFA önceden belirlenen bir faktör yapısını test eder.

Açımlayıcı Faktör Analizi (EFA) Nedir?

EFA, araştırmacının verideki faktör yapısı hakkında önceden bir hipotezi olmadığında veya yapının keşfedilmesi gerektiğinde kullanılır. Veri seti içindeki değişkenlerin hangi faktörler altında gruplandığını veri temelli (data-driven) olarak belirler.

EFA'nın Temel Özellikleri

• Keşifsel amaçlı: Faktör sayısı ve yapısı önceden bilinmez, veri tarafından belirlenir
• Tüm maddeler tüm faktörlere yüklenebilir: Çapraz yükleme kısıtlaması yoktur
• Ölçek geliştirme sürecinin ilk aşamasında kullanılır
• Faktör çıkarma ve döndürme yöntemleri seçimi gerektirir
• Ön koşul analizleri: KMO ve Bartlett testi uygulanır

EFA Uygulama Adımları

1. Ön koşulların kontrolü: KMO değerinin .60'ın üzerinde olması ve Bartlett testinin anlamlı çıkması beklenir
2. Faktör çıkarma yönteminin seçimi: Temel Bileşenler Analizi (PCA), Temel Eksen Faktörleme (PAF), Maksimum Olabilirlik (ML)
3. Faktör sayısının belirlenmesi: Kaiser kriteri (özdeğer > 1), Scree plot, paralel analiz
4. Döndürme yönteminin seçimi: Varimax (dik), Promax (eğik), Direct Oblimin (eğik)
5. Faktör yüklerinin incelenmesi: Genellikle .30 veya .40 üzerindeki yükler anlamlı kabul edilir
6. Madde eleme: Düşük yüklü veya çapraz yüklenme gösteren maddeler çıkarılır
7. Sonuçların yorumlanması ve raporlanması

KMO Değerinin Yorumlanması

KMO Değeri	Yorum	Uygunluk
0.90 ve üzeri	Mükemmel	Faktör analizi için son derece uygun
0.80 - 0.89	Çok iyi	Faktör analizi için oldukça uygun
0.70 - 0.79	İyi	Faktör analizi için uygun
0.60 - 0.69	Orta	Faktör analizi kabul edilebilir düzeyde uygun
0.50 - 0.59	Zayıf	Faktör analizi için sınırda uygun
0.50 altı	Kabul edilemez	Faktör analizi uygun değil

Doğrulayıcı Faktör Analizi (CFA) Nedir?

CFA, araştırmacının önceden belirlediği bir teorik faktör yapısını test etmek için kullanılır. Yapısal eşitlik modellemesinin (SEM) bir parçasıdır ve EFA ile keşfedilen veya teoriden türetilen bir modelin veriye uyumunu değerlendirir.

CFA'nın Temel Özellikleri

• Doğrulayıcı (confirmatory) amaçlı: Önceden belirlenmiş bir model test edilir
• Maddeler belirli faktörlere sabitlenir: Hangi maddenin hangi faktöre yükleneceği önceden belirlenir
• Model-veri uyumu çeşitli indekslerle değerlendirilir
• Ölçek geliştirmenin doğrulama aşamasında kullanılır
• Farklı örneklem veya kültürlerde yapı geçerliğini sınar

CFA Uyum İndeksleri ve Kabul Edilebilir Değerler

Uyum İndeksi	Kısaltma	İyi Uyum	Kabul Edilebilir Uyum	Açıklama
Ki-kare / sd oranı	χ²/df	< 2	< 5	Modelin genel uyumu; örneklem büyüklüğünden etkilenir
Karşılaştırmalı Uyum İndeksi	CFI	> .95	> .90	Önerilen modeli bağımsız modelle karşılaştırır
Tucker-Lewis İndeksi	TLI	> .95	> .90	Parsimoni cezalı karşılaştırmalı uyum indeksi
Yaklaşık Hataların Ortalama Karekökü	RMSEA	< .05	< .08	Modelin popülasyondaki uyumunu tahmin eder
Standartlaştırılmış Artık Ortalamaların Karekökü	SRMR	< .05	< .08	Gözlenen ve öngörülen kovaryanslar arası fark
Bilgi Kriterleri	AIC / BIC	Düşük değer	Model karşılaştırma	Alternatif modellerin karşılaştırılmasında kullanılır

EFA ve CFA Kapsamlı Karşılaştırması

Aşağıdaki tablo, her iki tekniğin temel boyutlardaki farklarını sistematik olarak özetlemektedir:

Boyut	EFA (Açımlayıcı)	CFA (Doğrulayıcı)
Amaç	Faktör yapısını keşfetme	Teorik modeli test etme
Yaklaşım	Veri temelli (data-driven)	Teori temelli (theory-driven)
Hipotez	Önceden hipotez gerektirmez	Önceden belirlenmiş model gerektirir
Faktör sayısı	Veri tarafından belirlenir	Araştırmacı tarafından sabitlenir
Madde-faktör ilişkisi	Tüm maddeler tüm faktörlere yüklenebilir	Her madde belirli bir faktöre atanır
Çapraz yüklemeler	İzin verilir ve incelenir	Genellikle sıfıra sabitlenir
Kullanım aşaması	Ölçek geliştirmenin ilk aşaması	Ölçek geliştirmenin doğrulama aşaması
Uyum değerlendirme	Açıklanan varyans, KMO	χ², CFI, TLI, RMSEA, SRMR
Yazılım	SPSS, R, Jamovi	AMOS, Mplus, LISREL, R (lavaan)
İstatistiksel çerçeve	Klasik istatistik	Yapısal Eşitlik Modellemesi (SEM)
Modifikasyon	Madde eleme ile yeniden analiz	Modifikasyon indeksleri ile model revize
Örneklem büyüklüğü	Madde başına 5-10 kişi veya min. 200	Genellikle min. 200-300 kişi önerilir

Varsayımlar Karşılaştırması

Varsayım	EFA	CFA
Normallik	Çok değişkenli normallik tercih edilir; PCA için zorunlu değil	ML tahmini için çok değişkenli normallik gerekli; robust yöntemler alternatif
Doğrusallık	Değişkenler arası doğrusal ilişki varsayılır	Gizil değişken-gösterge ilişkisi doğrusal varsayılır
Örneklem büyüklüğü	Madde başına 5-10 kişi; KMO ile kontrol	200-300+ kişi; karmaşık modellerde daha fazla
Uç değerler	Çok değişkenli uç değerler kontrol edilmeli	Mahalanobis uzaklığı ile kontrol gereklidir
Kayıp veri	Liste veya çift bazlı silme	FIML veya çoklu atama tercih edilir

Hangi Durumda Hangisi Kullanılmalı?

EFA Tercih Edilmesi Gereken Durumlar

• Yeni bir ölçek geliştiriyorsunuz ve faktör yapısı hakkında net bir fikriniz yok
• Mevcut bir ölçeğin farklı bir kültürde ilk kez uygulanması söz konusu
• Araştırma alanında ilgili konu hakkında yeterli teorik birikim bulunmuyor
• Maddelerin potansiyel faktör yapısını keşfetmek istiyorsunuz
• Pilot çalışma verisiyle madde havuzunu daraltmak istiyorsunuz

CFA Tercih Edilmesi Gereken Durumlar

• EFA ile keşfedilen yapıyı yeni bir örneklemde doğrulamak istiyorsunuz
• Teoriden türetilen bir ölçüm modelini test ediyorsunuz
• Uyarlama çalışmasında orijinal faktör yapısının korunup korunmadığını kontrol ediyorsunuz
• Ölçme değişmezliği (measurement invariance) analizi yapacaksınız
• Alternatif modelleri karşılaştırmak istiyorsunuz (tek faktör vs. çok faktör)

Doğru Uygulama İçin Öneriler

Sıralı Strateji: EFA → CFA

En güçlü yaklaşım, veriyi ikiye bölmektir (split-half cross-validation):

1. Adım 1: Verinin yarısıyla EFA yaparak faktör yapısını keşfedin
2. Adım 2: Diğer yarısıyla CFA yaparak keşfedilen yapıyı doğrulayın
3. Adım 3: Gerekirse modifikasyon indekslerini kullanarak modeli iyileştirin

Kritik Uyarı: Aynı veri seti üzerinde hem EFA hem CFA yapmak metodolojik olarak ciddi bir hatadır. EFA ile keşfedilen yapıyı aynı veriyle CFA ile doğrulamak, döngüsel mantık oluşturur ve sonuçların güvenirliğini zedeleyebilir.

Raporlama Standartları

Raporlanması Gereken Bilgi	EFA	CFA
Örneklem büyüklüğü	Evet	Evet
KMO ve Bartlett testi	Evet	Hayır
Faktör çıkarma yöntemi	Evet	Hayır
Döndürme yöntemi	Evet	Hayır
Faktör sayısı belirleme kriteri	Evet	Hayır (önceden belirli)
Faktör yük tablosu	Evet	Standartlaştırılmış yükler
Açıklanan toplam varyans	Evet	Her faktör için AVE
Uyum indeksleri	Hayır	Evet (χ², CFI, TLI, RMSEA, SRMR)
Modifikasyon indeksleri	Hayır	Gerekirse evet
Güvenirlik	Cronbach alfa	Bileşik güvenirlik (CR)

Yaygın Hatalar ve Çözümleri

• Hata: Aynı veri üzerinde EFA ve CFA yapmak → Çözüm: Veriyi ikiye böl veya farklı örneklem kullan
• Hata: Sadece özdeğer > 1 kriterine bağlı kalmak → Çözüm: Paralel analiz ve scree plot ile destekle
• Hata: CFA'da aşırı modifikasyon yapma → Çözüm: Teorik gerekçe olmadan kovaryans ekleme yapılmamalı
• Hata: EFA'da PCA ile faktör analizini karıştırmak → Çözüm: Gizil yapı arıyorsanız PAF veya ML kullanın
• Hata: Küçük örneklemle CFA yapmak → Çözüm: En az 200 kişi veya madde başına 10 kişi sağlayın

Sonuç

EFA ve CFA, ölçek geliştirme ve yapı geçerliği süreçlerinin birbirini tamamlayan iki kritik aşamasıdır. EFA faktör yapısını keşfetmek için ideal bir başlangıç noktası sunarken, CFA bu yapının farklı örneklemlerde ve koşullarda tutarlılığını test eder. Araştırmacıların her iki tekniğin varsayımlarını, uygulama adımlarını ve raporlama standartlarını iyi bilmesi, yayın kalitesini ve bilimsel katkıyı önemli ölçüde artıracaktır.