Açımlayıcı faktör analizi: SPSS'te nasıl yapılır ve nasıl yorumlanır?

Açımlayıcı faktör analizi ne zaman kullanılır?

Açımlayıcı faktör analizi (AFA), çok sayıda maddenin arasındaki korelasyonlara bakarak bu maddelerin kaç ortak boyutta toplandığını ve hangi maddenin hangi boyuta ait olduğunu keşfeder. Faktör, doğrudan ölçmediğin ama maddelere verilen cevapları birlikte etkilediğini düşündüğün bir yapıdır: sınav kaygısı ya da öz yeterlik gibi.

Bir ölçek geliştiriyorsan, bir ölçeği yeni bir örnekleme uyguladıysan ya da çok sayıda maddeyi birkaç alt boyut puanına indirmek istiyorsan doğru araçtır. Senin sorun farklıysa:

• Yapıyı önceden biliyorsun ve sınamak istiyorsun (hangi maddenin hangi alt boyutta olduğu belli): doğrulayıcı faktör analizi (DFA). AFA keşfeder, hipotez sınamak için tasarlanmamıştır; bir ölçek AFA ile geliştirildikten sonraki adım DFA'dır (Costello ve Osborne, 2005). SPSS'in Factor menüsü DFA yapmaz; bunun için IBM SPSS Amos ya da başka bir yapısal eşitlik modellemesi programı gerekir. Bu rehber yalnız AFA'yı anlatıyor.
• Maddelerin tutarlı ölçüp ölçmediğini soruyorsan: Cronbach alfa. AFA'dan sonra her faktör için ayrıca hesaplanır.
• İki değişken arasındaki ilişkiyi inceliyorsan: korelasyon analizi.
• Grupları karşılaştıracaksan: hangi istatistiksel test rehberindeki karar tablosuna bak.

Hipotezler

AFA'nın kendisi bir hipotez testi değildir. Özdeğerler, faktör yükleri ve açıklanan varyans için SPSS p değeri vermez; kararı ölçütlere ve maddelerin içeriğine bakarak verirsin. Temel eksen faktörleştirme çıktısındaki tek hipotez testi Bartlett küresellik testidir (Maximum likelihood seçersen SPSS ayrıca bir Goodness-of-fit Test tablosu verir):

• H₀: Evrende maddeler arasında hiç korelasyon yoktur (korelasyon matrisi birim matristir).
• H₁: Maddelerin en az bir kısmı birbiriyle ilişkilidir.

Bu testin anlamlı çıkmasını istersin: birbiriyle ilişkisiz maddeler ortak bir faktörde toplanamaz.

Varsayımlar

1. Maddeler aynı yönde puanlanmış. Ters ifadeli maddeler çevrilmezse negatif yük alır ve yorum zorlaşır. Çevirmeyi Cronbach alfa rehberinde bulabilirsin.
2. Doğrusal ilişkiler. SPSS analizi Pearson korelasyon matrisi üzerinden yapar. Beş basamaklı Likert maddeleriyle bu yaygın bir uygulamadır; çok çarpık maddeler ve aykırı değerler ise korelasyonları zayıflatır.
3. Yeterli ama aşırı olmayan korelasyon. Maddeler yeterince ilişkili olmalı (KMO ve Bartlett), ama neredeyse aynı soruyu soran maddeler de sorun çıkarır. Field (2018) korelasyon matrisinin determinantının 0,00001'den büyük olmasını önerir (Descriptives → Determinant). Örnekte determinant 0,028.
4. Yeterli örneklem. Aşağıya bak.

Temel eksen faktörleştirme çok değişkenli normallik gerektirmez; en çok olabilirlik (Maximum likelihood) ise veri yaklaşık normalken önerilir (Fabrigar vd., 1999).

Kaç kişi gerekir?

"Madde başına 10 kişi" gibi kurallar güvenilir değildir. MacCallum vd. (1999) gereken örneklemin maddelerin ortak varyanslarına ve her faktörü kaç maddenin temsil ettiğine bağlı olduğunu gösterdi:

• Ortak varyanslar yüksekse (hepsi ,60'ın üzerinde) 100'ün altı bile yetebilir.
• Ortak varyanslar ,50 dolayındaysa ve faktörler iyi temsil ediliyorsa 100–200 kişi.
• Ortak varyanslar düşük, faktör sayısı az ve her faktörde üç-dört madde varsa en az 300 kişi.
• Ortak varyanslar düşük ve zayıf temsil edilen çok faktör varsa 500'ün çok üzeri.

Costello ve Osborne'un (2005) gerçek veriyle denemesinde madde başına 20 kişilik örneklemlerde bile doğru yapı yalnız %70 oranında bulundu.

SPSS'te adım adım

Örnek senaryo (temsili veri): 312 üniversite öğrencisi, 12 maddelik kurgusal bir akademik stres ölçeğini yanıtladı (1 = Hiç katılmıyorum, 5 = Tamamen katılıyorum). Ölçek üç alt boyut düşünülerek yazıldı ve eksik veri yok:

Madde başına 26 kişi düşüyor. Aşağıda göreceğin gibi ortak varyansların çoğu ,50'nin altında ve her faktörde dört madde var; MacCallum vd. (1999) böyle bir durumda en az 300 kişi önerir.

1. Menüden Analyze → Dimension Reduction → Factor yolunu aç ve m1–m12'yi Variables kutusuna taşı.
2. Descriptives: Initial solution zaten işaretlidir. Correlation Matrix altında KMO and Bartlett's test of sphericity kutusunu işaretle. İstersen Anti-image (her maddenin örneklem yeterliliği) ve Determinant kutularını da işaretle. Continue de.
3. Extraction: Method listesinde Principal axis factoring seç. Analyze altında Correlation matrix kalsın. Display altında Unrotated factor solution işaretli kalsın, Scree plot kutusunu işaretle. İlk çalıştırmada Extract altında Based on Eigenvalue (Eigenvalues greater than: 1) kalsın. Continue de.
4. Rotation: Method altında Direct Oblimin seç; Delta 0 kalsın. Display altında Rotated solution işaretli olsun. Continue de.
5. Options: Missing Values altında Exclude cases listwise kalsın. Coefficient Display Format altında Sorted by size ve Suppress small coefficients kutularını işaretle, Absolute value below kutusundaki varsayılan ,10'u ,30 yap. Continue de.
6. OK de. Sözdizimini saklamak istersen Paste de.

FACTOR
  /VARIABLES m1 m2 m3 m4 m5 m6 m7 m8 m9 m10 m11 m12
  /MISSING LISTWISE
  /ANALYSIS m1 m2 m3 m4 m5 m6 m7 m8 m9 m10 m11 m12
  /PRINT INITIAL KMO EXTRACTION ROTATION
  /FORMAT SORT BLANK(.30)
  /PLOT EIGEN
  /CRITERIA MINEIGEN(1) ITERATE(25)
  /EXTRACTION PAF
  /CRITERIA ITERATE(25) DELTA(0)
  /ROTATION OBLIMIN
  /METHOD=CORRELATION.

Anti-image işaretliyse /PRINT satırına AIC, Determinant işaretliyse DET eklenir. Faktör sayısına karar verdikten sonra analizi o sayıyla çalıştırmak için Extraction penceresinde Fixed number of factors seçip Factors to extract kutusuna sayıyı yaz; sözdiziminde MINEIGEN(1) yerine FACTORS(3) görünür.

Hangi çıkarma yöntemi?

SPSS'in varsayılanı Principal components (temel bileşenler analizi, PCA). PCA teknik olarak bir faktör analizi yöntemi değildir: maddelerin kendine özgü varyansını ve ölçme hatasını da çözüme katar. Faktör analizi yöntemleri yalnız ortak varyansı çözümler. Costello ve Osborne (2005) bu yüzden faktör analizini önerir: veri yaklaşık normalse Maximum likelihood, belirgin biçimde normal değilse Principal axis factoring (temel eksen faktörleştirme). Likert maddeleri çoğu zaman normal dağılmadığı için örnekte temel eksen faktörleştirme kullanıldı.

Fark küçük değil. Örnek veride PCA ile üç bileşen varyansın %60,11'ini açıklar, ortak varyanslar ,37–,69 arasında çıkar. Temel eksen faktörleştirmede aynı oran %47,30, ortak varyanslar ,18–,62. En zayıf madde m4'ün döndürülmüş yükü PCA'da ,56, temel eksen faktörleştirmede ,39: PCA zayıf maddeyi olduğundan güçlü gösterir.

Hangi döndürme?

Döndürülmemiş çözümde maddelerin çoğu ilk faktöre yüklenir ve yapı okunmaz. Döndürme her maddenin mümkün olduğunca tek faktörde yüksek yük almasını sağlar; açıklanan toplam ortak varyansı değiştirmez. Rotation penceresinin varsayılanı None (döndürme yok), yani yöntemi sen seçersin:

• Dik (orthogonal) döndürme, Varimax: Faktörleri ilişkisiz olmaya zorlar. Çıktıda tek bir Rotated Factor Matrix görürsün.
• Eğik (oblique) döndürme, Direct Oblimin ya da Promax: Faktörlerin ilişkili olmasına izin verir. Çıktıda Pattern Matrix, Structure Matrix ve Factor Correlation Matrix görürsün. Delta (0) ve Kappa (4) varsayılanlarını değiştirmen gerekmez.

Sosyal bilimlerde faktörlerin ilişkili olması beklenir: sınav kaygısı yüksek bir öğrencinin gelecek kaygısının da yüksek olması şaşırtıcı değildir. Costello ve Osborne (2005) bu yüzden eğik döndürmeyi önerir: faktörler gerçekten ilişkisizse eğik döndürme de dik döndürmeyle neredeyse aynı sonucu verir, tersi geçerli değildir. Eğik yöntemler genellikle benzer sonuç verir (Fabrigar vd., 1999); örnek veride Promax da aynı yapıyı veriyor.

Çıktı nasıl okunur?

KMO and Bartlett's Test

KMO (örneklem yeterliliği ölçüsü), madde çiftleri arasındaki kısmi korelasyonları (diğer maddeler sabit tutulduğundaki korelasyonları) basit korelasyonlarla karşılaştırır. Kısmi korelasyonlar küçükse, yani maddeleri birbirine bağlayan şey ortak faktörlerse, KMO 1'e yaklaşır. SPSS'in hesapladığı KMO, Kaiser ve Rice'ın (1974) sürümüdür ve onların nitelemeleri yaygın olarak kullanılır:

Örnekte KMO = ,839, "takdire değer" düzeyinde. Bu ölçek çoğu kaynakta Kaiser'e (1974) atfedilir; o makale aynı etiketleri faktör çözümünün basitliğini ölçen başka bir indeks için verir. KMO için önerilmeleri Kaiser ve Rice'a (1974) aittir.

Bartlett's Test of Sphericity: p değeri, evrende maddeler arasında hiç korelasyon olmasaydı bu kadar büyük ya da daha büyük bir χ² gözlemenin ne kadar olası olduğunu gösterir. Burada χ²(66) = 1092,98, p < ,001: maddeler faktör analizi için yeterince ilişkili. df, 12 maddenin 12 × 11 / 2 = 66 çiftidir. Bartlett testi büyük örneklemlerde neredeyse her zaman anlamlı çıkar; bu yüzden KMO ile birlikte okunur.

Anti-image kutusunu işaretlediysen Anti-image Matrices tablosunun Anti-image Correlation bölümünün köşegeni (dipnotta Measures of Sampling Adequacy(MSA)) her maddenin kendi KMO değeridir. Field (2018) her maddede en az ,50 olmasını önerir. Örnekte bu değerler ,762 ile ,888 arasında.

Communalities

Ortak varyans (communality, h²), maddenin varyansının faktörlerce açıklanan oranıdır.

• Initial: Temel eksen faktörleştirmede başlangıç tahmini, maddenin diğer 11 maddeyle çoklu korelasyonunun karesidir. PCA'da bu sütunun tamamı 1,000 olur.
• Extraction: Üç faktörlü çözümdeki ortak varyans. m1'in varyansının %62'si üç faktörle açıklanıyor.

Costello ve Osborne (2005) sosyal bilimlerde ,40–,70 arasındaki ortak varyansların olağan olduğunu, ,40'ın altındaki bir maddenin diğer maddelerle ilişkisiz olabileceğini ya da ayrı bir faktöre işaret edebileceğini belirtir. m4 (,180) bu sınırın açıkça altında.

Total Variance Explained

• Initial Eigenvalues: Korelasyon matrisinin özdeğerleri. 12 maddenin toplam varyansı 12'dir; ilk özdeğer 3,945 olduğu için birinci faktör toplam varyansın %32,88'ine karşılık gelir. SPSS bu sütunları temel eksen faktörleştirmede de PCA'daki gibi verir. Özdeğer > 1 kuralı ve yamaç birikinti grafiği bu sütuna bakar.
• Extraction Sums of Squared Loadings: Çıkarılan üç faktörün açıkladığı ortak varyans. Üç faktör birlikte toplam varyansın %47,30'unu açıklıyor. Raporlayacağın oran budur, Initial sütunundaki %60,11 değil.
• Rotation Sums of Squared Loadings: Döndürmeden sonra her faktörün kareli yük toplamı. Eğik döndürmede SPSS yalnız Total sütununu verir ve dipnotta When factors are correlated, sums of squared loadings cannot be added to obtain a total variance. yazar: faktörler ilişkili olduğu için ortak kısım birden çok faktörde sayılır. Bu değerleri toplama. Varimax'ta bu bölümde % of Variance ve Cumulative % sütunları da olur.

Scree Plot

SPSS, 12 başlangıç özdeğerini sırayla bir çizgi grafiğinde gösterir (yatay eksen Factor Number, dikey eksen Eigenvalue). Örnekte eğri 3,95'ten 1,80'e ve 1,47'ye dik iner, dördüncü noktada (0,81) kırılır; sonrası 0,63'ten 0,38'e yavaşça alçalan, neredeyse düz bir çizgidir. Bu düz kısma "birikinti" (scree) denir. Kırılma noktasının üstünde kalan noktaları sayarsın, kırılma noktasının kendisini saymazsın (Costello ve Osborne, 2005). Burada üç nokta var.

Kaç faktör tutulmalı?

SPSS'in varsayılanı özdeğeri 1'den büyük faktörleri tutmaktır (Kaiser ölçütü). Costello ve Osborne (2005) bu ölçütün en az isabetli yöntemlerden biri olduğunu, kendi denemelerinde örneklemlerin %36'sında gereğinden fazla faktör tuttuğunu bildirir. Karar üç kanıta birlikte bakılarak verilir:

1. Özdeğer > 1: Üç özdeğer 1'in üzerinde (3,945; 1,800; 1,468), dördüncüsü 0,805.
2. Yamaç birikinti grafiği: Kırılmanın üstünde üç nokta var.
3. Paralel analiz (Horn, 1965): Gerçek özdeğerler, aynı kişi ve madde sayısıyla üretilmiş rastgele verilerin özdeğerleriyle karşılaştırılır; rastgele veriden beklenenden büyük olanlar tutulur. Horn ortalamayı kullanmıştı; rastlantıyla çıkan bir faktörü tutmamak için 95. yüzdeliği kullanmak da yaygındır.

1000 rastgele veri setiyle (312 kişi, 12 madde) yapılan paralel analiz:

Üç yöntem de üç faktörde birleşiyor; bu, ölçeğin yazılış amacıyla da uyumlu. Rastgele özdeğerler her çalıştırmada biraz değişir.

SPSS'in Factor penceresinde paralel analiz yoktur; FACTOR komutunun sözdizimi başvurusunda da (SPSS 32) buna karşılık gelen bir anahtar sözcük bulunmaz. Paralel analiz için O'Connor'ın (2000) SPSS sözdizimi dosyaları ya da başka bir istatistik programı gerekir.

Yöntemler farklı sayılar gösterirse analizi Fixed number of factors ile birkaç kez (ör. 2, 3 ve 4 faktör) çalıştır ve en temiz yapıyı seç: yüklerin ,30'un üzerinde olduğu, binişik maddenin az olduğu, hiçbir faktörün üçten az maddeyle kalmadığı çözüm (Costello ve Osborne, 2005).

Factor Matrix

Döndürülmemiş yükler. Dipnotta 3 factors extracted. 9 iterations required. yazar: temel eksen faktörleştirme ortak varyansları yinelemeli tahmin eder ve burada 9 adımda yakınsadı. Bu tabloyu yorumlama; örnekte 12 maddenin hepsi birinci faktöre ,30–,69 arasında yüklenir.

Pattern Matrix

Eğik döndürmede yorumu bu tablo üzerinden yaparsın (Costello ve Osborne, 2005). Pattern katsayısı, maddenin bir faktörle, diğer faktörlerin etkisi ayrıldıktan sonraki bağıdır; regresyondaki standartlaştırılmış katsayı gibi düşünebilirsin. Dipnotta Rotation Method: Oblimin with Kaiser Normalization. ve Rotation converged in 5 iterations. yazar.

Sorted by size maddeleri en yüksek yük aldıkları faktöre göre gruplayıp büyükten küçüğe dizdi; Suppress small coefficients ,30'un altındaki yükleri gizledi. Boş hücre "yük sıfır" demek değildir. Faktör numaraları da madde sırasını izlemez: SPSS'in birinci faktörü m5–m8'in faktörü.

Structure Matrix

Structure katsayısı, madde ile faktör arasındaki basit korelasyondur ve faktörler arasındaki ortak kısmı da içerir. Bu yüzden ,30'u geçen değerler çoğalır: m5 gelecek kaygısıyla ,336 korelasyon gösterir ama Pattern Matrix'te o faktöre neredeyse hiç yüklenmez (,031). Yorum için Pattern Matrix'i kullan.

Factor Correlation Matrix

Faktörler arası korelasyonlar ,25 ile ,40 arasında: faktörler ilişkili, eğik döndürme yerinde. Hepsi sıfıra yakın çıksaydı Varimax da neredeyse aynı yükleri verirdi. Bu örnekte Varimax, faktörleri ilişkisiz olmaya zorladığı için ortak kısmı yüklere dağıtırdı: m5–m8'in öbür iki faktördeki yükleri Oblimin'de −,01 ile ,03 arasındayken Varimax'ta ,11 ile ,18 arasına çıkardı.

Faktör yüklerini yorumlama

1. Her maddenin en yüksek yükünü bul. Costello ve Osborne (2005), ,32'yi anlamlı bir yük için pratik alt sınır olarak aktarır; bu, maddenin varyansının yaklaşık %10'unun faktörle ortak olması demektir.
2. Binişik maddeleri işaretle. İki ya da daha fazla faktörde ,32 ve üzeri yük alan madde binişiktir. m11 ("Ailemin beklentilerini karşılayamamaktan endişe ediyorum.") gelecek kaygısına ,456, sınav kaygısına ,331 yüklenir; içerik olarak ikisine de yakın. İki yük birbirine yaklaştıkça maddenin hangi boyuta ait olduğu belirsizleşir.
3. Zayıf maddeleri işaretle. m4 ("Okumam gereken kaynakları yetiştiremiyorum.") yalnız ders yükü faktörüne yüklenir, ama yükü ,388, ortak varyansı ,180: varyansının yalnız %18'i faktörlerle açıklanıyor.
4. Faktörleri adlandır. En yüksek yükü alan maddelerin ortak içeriğine bak. Faktör 1'in maddeleri (m5–m8) sınav öncesi, sırası ve sonrasındaki gerginliği anlatıyor: sınav kaygısı. Faktör 2 (m1–m4) ders yükü, Faktör 3 (m9–m12) gelecek kaygısı. Adı istatistik değil içerik belirler.
5. Her faktörde en az üç madde olsun. Costello ve Osborne'a (2005) göre üçten az maddeli faktör zayıf ve kararsızdır; ,50 ve üzeri yük alan beş ya da daha fazla madde sağlam bir faktör gösterir.

m11 ve m4 için karar senin ve kuramsal olmalı. Kendi geliştirdiğin bir ölçekte, gelecek kaygısı faktöründe ,62 ve üzeri yük alan üç madde daha olduğu için binişik m11'i çıkarmak savunulabilir. Geçerliği başka çalışmalarda sınanmış bir ölçekte maddeler genellikle korunur ve bulgu raporda tartışılır. Madde çıkarırsan analizi yeniden çalıştır, çünkü bütün yükler ve ortak varyanslar değişir; hangi maddeyi neden çıkardığını raporla.

Faktör analizinden sonra: her faktörün güvenirliği

AFA hangi maddenin hangi alt boyutta olduğunu gösterir, bu maddelerin tutarlı ölçüp ölçmediğini göstermez. Her faktörün maddeleri için Cronbach alfayı ayrı ayrı hesapla: Analyze → Scale → Reliability Analysis, Items kutusuna yalnız o faktörün maddeleri. Adımlar Cronbach alfa rehberinde.

İki madde farklı davranıyor. m4 çıkarılırsa ders yükünün alfası yükseliyor; bu, düşük ortak varyansla tutarlı. m11 çıkarılırsa gelecek kaygısının alfası düşüyor: binişik olsa da bu alt boyutun maddeleriyle güçlü ilişkili. Alfa tek başına madde çıkarma gerekçesi değildir, ama kararına bilgi katar.

Raporlama (APA)

Akademik stres ölçeğinin 12 maddesine temel eksen faktörleştirme ile açımlayıcı faktör analizi uygulandı (N = 312). Örneklem yeterliliği iyi düzeydeydi, KMO = ,84, ve Bartlett küresellik testi anlamlıydı, χ²(66) = 1092,98, p < ,001. Özdeğer > 1 ölçütü, yamaç birikinti grafiği ve paralel analiz üç faktörde birleşti. Faktörler ilişkili olduğu için (r = ,25–,40) Direct Oblimin döndürme kullanıldı. Üç faktör toplam varyansın %47,30'unu açıkladı. Faktörler sınav kaygısı, ders yükü ve gelecek kaygısı olarak adlandırıldı (Tablo 1). Madde 11 hem gelecek kaygısı (,46) hem sınav kaygısı (,33) faktörüne yüklendi; madde 4'ün ortak varyansı düşüktü (h² = ,18). Alt boyutların Cronbach alfa katsayıları ,82, ,73 ve ,74 idi.

Tablo 1. Akademik stres ölçeğinin döndürülmüş faktör yükleri (örüntü katsayıları) ve ortak varyansları

Not. Temel eksen faktörleştirme, Direct Oblimin döndürme (Kaiser normalizasyonu). ,30'un altındaki yükler gösterilmemiştir. h² = ortak varyans. Faktörler ilişkili olduğu için kareli yük toplamları toplanamaz; üç faktör birlikte toplam varyansın %47,30'unu açıklar. Faktörler arası korelasyonlar: sınav kaygısı ile ders yükü ,35, sınav kaygısı ile gelecek kaygısı ,40, ders yükü ile gelecek kaygısı ,25.

Tabloda çıkarma yöntemini, döndürme yöntemini ve gizlenen yüklerin eşiğini mutlaka belirt. h² değerlerini Communalities tablosunun Extraction sütunundan al: eğik döndürmede pattern yüklerinin karelerinin toplamı h²'ye eşit değildir. Extraction Sums of Squared Loadings'teki yüzdeleri (%28,72, %10,80, %7,78) faktör adlarının altına yazma: onlar döndürülmemiş faktörlere aittir, sınav kaygısına ya da ders yüküne değil. Tablodaki değerler SPSS'in tam değerlerinden iki basamağa yuvarlandı; Communalities tablosunda ikisi de ,405 görünen m10 ve m12'nin h²'si bu yüzden ,41 ve ,40 (tam değerleri ,4051 ve ,4046).

Sonuç beklediğin gibi çıkmadıysa

1. KMO ,50'nin altındaysa: Anti-image tablosunda MSA değeri ,50'nin altında kalan maddeleri en düşüğünden başlayarak tek tek çıkar ve analizi yeniden çalıştır (Field, 2018).
2. Bir madde beklenmedik biçimde negatif yük alıyorsa: ters ifadeli bir madde çevrilmeden girmiş olabilir.
3. Maddeler beklenen faktörlerde toplanmıyorsa: farklı faktör sayılarını dene (Costello ve Osborne, 2005). Hiçbir çözüm yorumlanamıyorsa sorun maddelerin yazımında, kuramda ya da örneklem büyüklüğünde olabilir.
4. SPSS yakınsama uyarısı veriyorsa: temel eksen faktörleştirme 25 adımda yakınsamamıştır; Maximum Iterations for Convergence değerini artır. İterasyonlar sırasında 1'den büyük ortak varyans bulunduğu uyarısı çıkarsa çözüme güvenme: faktör sayısı fazla ya da örneklem küçük olabilir.

Beklenen yapı çıkmadıysa bu da bir bulgudur; hangi kararı neden aldığını raporla.

Sık yapılan hatalar

• Principal components'ı fark etmeden bırakıp "faktör analizi" diye raporlamak. Hangi yöntemi kullandığını yaz.
• Temel eksen faktörleştirmede Initial sütunundaki birikimli yüzdeyi raporlamak. Örnekte doğrusu %47,30, %60,11 değil.
• Faktör sayısını yalnız özdeğer > 1 kuralıyla belirlemek.
• Eğik döndürmede Structure Matrix'i ya da döndürülmemiş Factor Matrix'i yorumlamak. Yorum Pattern Matrix'le yapılır.
• Eğik döndürmede Rotation Sums of Squared Loadings değerlerini toplamak.
• Binişik ya da zayıf maddeyi otomatik silmek, sildikten sonra analizi yeniden çalıştırmamak.
• AFA sonucunu "yapı doğrulandı" diye yazmak. AFA keşfeder; yapıyı sınamak DFA'nın işidir.
• Raporda "p = ,000" yazmak. Doğrusu p < ,001.

Kaynaklar

• Costello, A. B. ve Osborne, J. W. (2005). Best practices in exploratory factor analysis: Four recommendations for getting the most from your analysis. Practical Assessment, Research, and Evaluation, 10, Makale 7. https://doi.org/10.7275/jyj1-4868
• Fabrigar, L. R., Wegener, D. T., MacCallum, R. C. ve Strahan, E. J. (1999). Evaluating the use of exploratory factor analysis in psychological research. Psychological Methods, 4(3), 272–299. https://doi.org/10.1037/1082-989X.4.3.272
• Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5. baskı). SAGE.
• Horn, J. L. (1965). A rationale and test for the number of factors in factor analysis. Psychometrika, 30(2), 179–185. https://doi.org/10.1007/BF02289447
• Kaiser, H. F. (1974). An index of factorial simplicity. Psychometrika, 39(1), 31–36. https://doi.org/10.1007/BF02291575
• Kaiser, H. F. ve Rice, J. (1974). Little Jiffy, Mark IV. Educational and Psychological Measurement, 34(1), 111–117. https://doi.org/10.1177/001316447403400115
• MacCallum, R. C., Widaman, K. F., Zhang, S. ve Hong, S. (1999). Sample size in factor analysis. Psychological Methods, 4(1), 84–99. https://doi.org/10.1037/1082-989X.4.1.84
• O'Connor, B. P. (2000). SPSS and SAS programs for determining the number of components using parallel analysis and Velicer's MAP test. Behavior Research Methods, Instruments, & Computers, 32(3), 396–402. https://doi.org/10.3758/BF03200807