SPSS ile Açımlayıcı Faktör Analizi (Resimli)

Açımlayıcı faktör analizi, bir dizi gözlem arasında ortak faktörleri belirlemeyi ve gözlemleri bu faktörler şeklinde gruplandırarak verileri daha anlaşılır hale getirmeyi amaçlar. Bu yazıda, açımlayıcı faktör analizi nedir, SPSS programı ile nasıl yapılır ve sonuçları nasıl yorumlanır konularını ele alacağız. Bu sayede, bu işlemi doğru bir şekilde gerçekleştirebilecek ve verilerinizi daha iyi anlayabileceksiniz.

Açımlayıcı Faktör Analizi Nedir?

Açımlayıcı Faktör Analizi (EFA = Exploratory Factor Analysis), birçok sorudan oluşan bir anket yapıldıktan sonra, anketin içindeki soruları birbirleriyle ilişkili cevaplar gelmesine göre gruplandırmaya yarayan ve bu şekilde bir ölçeğin alt boyutlarını bulmaya yarayan bir analiz türüdür. Bir anketteki çok sayıda soru bu şekilde daha az sayıda faktörler şeklinde gruplanır ve anket hem daha anlaşılır olur, hem de anket soruları bir üst ölçek ve birden fazla alt ölçek şeklinde gruplanabiliyor mu bu anlaşılır.

Açımlayıcı Faktör Analizi’nin temel amacı, gözlemlenen değişkenler arasındaki korelasyonları açıklayan altta yatan faktörleri veya bariz görünmeyen değişkenleri belirlemektir. Bu faktörler, doğrudan ölçülemeyen ancak gözlemlenen değişkenler arasındaki korelasyon desenlerinden çıkarılan hipotetik yapılar olarak kabul edilir. Açımlayıcı Faktör Analizi, araştırmacıların verilerinin karmaşıklığını azaltmalarına yardımcı olur, gözlemlenen değişkenlerin maksimum varyansını açıklayabilen en küçük faktör sayısını belirler.

Pratikte, Açımlayıcı Faktör Analizi, değişkenler arasındaki ilişkileri inceleyerek birlikte değişme eğiliminde olan değişken gruplarını belirleyerek çalışır. Bu gruplar, verilerdeki korelasyon desenlerini açıklayan temel faktörleri temsil eder. Bu faktörler, bir ölçeğin alt ölçekleri olarak yorumlanabilirler. Açımlayıcı Faktör Analizi’nin Psikoloji alanında en çok kullanıldığı şey, çok sorudan oluşan bir ölçeğin içindeki soruları gruplayarak ölçeğin alt boyutlarını (alt ölçeklerini) ortaya çıkarmaktır.

Açımlayıcı Faktör Analizi, psikoloji, sosyoloji, ekonomi ve pazar araştırmaları gibi çeşitli alanlarda geniş bir şekilde kullanılmaktadır. Karmaşık veri setlerinin altta yatan boyutlarını ortaya çıkararak, araştırmacıların değişkenler arasındaki ilişkiler hakkında teoriler geliştirmelerine, daha fazla incelenebilecek potansiyel yapıları belirlemelerine ve ölçüm araçlarını geliştirmelerine yardımcı olur. Verinin altta yatan yapısını ortaya çıkararak, Açımlayıcı Faktör Analizi, incelenen fenomenlerin daha derin bir anlayışını sağlar ve sonraki analizler ve yorumlar için temel oluşturur.

Açımlayıcı Faktör Analizi ile Ölçek Alt Boyutlarını Belirlemek

Mesela bir Uyumluluk ölçeğinin içinde Uyumluluğun farklı çeşitlerini ölçen bir sürü soru bulunabilir. Açımlayıcı Faktör Analizi yaparak, bu sorulara verilen cevapların birbiriyle ilişkili oluşuna göre, sorular belirli sayıda faktöre ayrılır. Ölçekteki her soru, bu faktörlerin birine atanır. Sonuçta her faktörün içinde birçok soru bulunur ve bir faktördeki sorulara verilen cevaplar o faktördeki diğer sorulara verilen cevaplarla ilişkili olur. Bu faktörlere, ölçeğin alt ölçekleri (alt boyutları) denir.

Mesela 100 kişiye bir Uyumluluk ölçeği yapıldı, sonuçlar elde edilince Açımlayıcı Faktör Analizi yapıldı. Soruların gruplanıp 3 farklı faktöre ayrılabileceği bulundu. Bu faktörlerdeki sorulara bakılıp görüldü ki, bir faktördeki sorular Düşünceli olma ile ilgili, diğerindeki sorular İşbirliği yapmayı sevme ve diğerindekiler de Hoşgörülü olma ile ilgili. Yani katılımcılar, Düşünceli olma ile ilgili olan farklı sorulara birbirine yakın (birbiriyle yüksek korelasyona sahip) cevaplar vermiştir. Aynı şekilde İşbirliği ile ilgili sorulara verdikleri cevaplar da kendi içinde tutarlı olmuştur. Hoşgörülü olma için de aynısı geçerlidir.

Bu örnekte Açımlayıcı Faktör Analizi sonrası faktörlerdeki sorular incelendikten sonra, denebilir ki “Uyumluluk Ölçeği’nin 3 tane alt boyutu vardır: Bunlar, Düşünceli olma, İşbirliği sevme ve Hoşgörülü olma olarak sayılabilir.

Açımlayıcı Faktör Analizi Varsayımları Nelerdir?

Açımlayıcı faktör analizi yapıp güvenilir sonuçlar elde etmek için, bazı varsayımların kontrol edilip onaylanması gerekir. Bu, veri setinin doğru bir şekilde analiz edilebilmesi için önemlidir.

1. Veri setinde fazla uç değer olmaması ve verinin normal dağılıma sahip olması idealdir.
2. Açımlayıcı faktör analizi yapmadan önce örneklem büyüklüğünün yeterince büyük olması önemlidir. Örneklem sayısı arttıkça analiz sonuçları daha güvenilir hale gelir. Genellikle, örneklem sayısının 200’den az olmaması önerilir. Ancak bazı durumlarda, daha az örneklem sayısı kullanılarak da analiz yapılabilir. Bu durumda, daha dikkatli ve temkinli olunmalıdır. En azından faktör analizine sokulacak her soru başına en az 5 katılımcı olması iyi olur.
3. Açımlayıcı faktör analizi yaparken, soruların (değişkenlerin) arasında bir miktar korelasyon olmalı fakat yüksek bir korelasyon da olmamalıdır (mesela 0.8’den yüksek). Yüksek korelasyon durumunda, faktör analizinden elde edilen sonuçlar yanıltıcı olabilir. Bu nedenle, faktör analizi yapıldıktan sonra en önce korelasyon matrisi incelenerek çoklu doğrusallık kontrol edilmelidir. Eğer 2 veya daha fazla soru arasında yüksek korelasyon varsa, sorular arasında ilişki olduğu düşünülerek analiz sonuçları yorumlanmalıdır veya en azından yüksek korelasyona sahip sorulardan bir tanesi çıkartılıp faktör analizi baştan tekrar yapılmalıdır.

SPSS ile Açımlayıcı Faktör Analizi Nasıl Yapılır?

SPSS kullanarak Açımlayıcı Faktör Analizi’ni aşağıdaki adımları izleyerek yapabiliriz. Aşağıda hem adım adım ne yapmak gerektiğini göstereceğim, hem de hangi adımdaki değişik seçenekler ne anlama geliyor onu anlatacağım ki faktör analizinin değişik çeşitlerini yapma konusunda da bir fikriniz olsun. Başlayalım.

Analyze -> Dimension Reduction -> Factor butonlarına basıyoruz.

Açılan Factor Analysis penceresinde, faktör analizi yapacağımız bütün maddeleri Variables kutusuna atıyoruz. Genellikle faktör analizini yapma sebebimiz, birçok sorudan oluşan bir ölçeğin acaba sorularını birbirleriyle ilişkili oluşlarına göre birkaç gruba ayırıp alt ölçekler var mı diye kontrol etmek istememizdir. Bu yüzden genelde faktör analizi değişkenleri, bir ölçeğin sorularının tamamıdır.

Bu örnekte de MM isimli bir ölçeğin sorularının hepsini Variables kutusuna attık. Açımlayıcı Faktör Analizi uygulayarak, acaba MM ölçeğinin sorularını gruplandırabiliyor muyuz diye bakacağız. Eğer gruplandırabiliyorsak, bu gruplar ölçeğin alt boyutları demek olmuş olacak.

“Descriptives” butonuna basarak, aşağıdaki resimde işaretli olan seçeneklerin hepsini işaretliyoruz. Bartlett’s Test Of Sphericity bunların en önemlisi, bu test değişkenlerin birbirleriyle lineer ilişki durumunu ölçecek. Buna daha sonra değineceğiz.

“Extraction” butonuna basarak yeni bir pencere açıyoruz. Burada vermemiz gereken bir sürü karar var. Bunlara göre SPSS’in faktör analizimizi nasıl yapacağı değişecek.

Method

Öncelikle, Method kısmında faktör analizinin nasıl belirleneceğini seçebiliyoruz. Bu işlem faktör analizinin ilk adımıdır. Bu menüde varsayılan olarak Principal Components gelir, fakat Faktör Analizi yapıyorsanız bunu seçmemeniz gerekir. Çelişkili gelebilir ama menüdeki bu seçenek bir faktör analizi yöntemi değildir. Bu seçenek, Temel Bileşenler Analizi (Principal Component Analysis) adlı farklı bir istatistiksel analiz yöntemini yaparken kullanılan faktör çözümleme metodudur. İki analiz yöntemi arasındaki farkı başka bir yazı yazarak detaylıca anlattım.

Faktör Analizi yaparken Method menüsündeki faktör çözümleme metotlarından en çok kullanılanı Principal Axis Factoring‘dir.

Principal Components’te faktör ağırlıkları, mümkün olan maksimum varyansı çıkarmak için hesaplanır geriye anlamlı varyans kalmayana kadar faktör ağırlıkları hesaplanmaya devam eder. Daha sonra faktör modeli analiz edilmek üzere döndürülür (rotate edilir).

Principal Axis Factoring ise bir dizi değişkenin ortak varyansını (korelasyonunu) açıklayabilecek en az sayıda faktörü arar.

Analyze

Daha sonra, Analyze bölümünden Correlation Matrix veya Covariance Matrix’ten birini seçmeliyiz. Eğer faktör analizine soktuğunuz soruların hepsi aynı ölçekte ise (mesela hepsi 1 ile 7 arasında ölçülüyorsa) hangi Analyze seçeneğini seçtiğiniz fark etmez. Fakat eğer farklı ölçekteki soruları (mesela bir soru 1-5 arasında, diğer soru 1-7 arasında şıklar içeriyorsa) o zaman mutlaka Correlation Matrix seçmek gerekir.

Extract

Extract bölümünde, faktör analizi sonucunda kaç grup olacağına dair bir seçim yapıyoruz. Based On Eigenvalue seçersek, faktör analizi sonucunda kaç faktör olacağını SPSS’e bırakmış oluyoruz. SPSS analiz edilen sorular farklı kombinasyonlarda gruplar ve Eigenvalue’su 1’in üzerinde olan bir kombinasyon SPSS tarafından bir faktör olarak belirlenir.

Fixed Number Of Factors seçersek, SPSS’e, bizim analiz ettiğimiz soruları kaç farklı faktör içinde gruplamasını istediğimizi söylüyoruz. Bu genelde çok mantıklı olmuyor çünkü Açımlayıcı Faktör Analizi’nin doğasında, bir ölçekteki soruların hangi faktörler şeklinde gruplanabildiğini keşfederek bulmak var. Akışına bırakılınca 4 farklı faktöre ayrılacak bir soru setini SPSS’in illa 6 faktöre ayırmasını istersek, pratikte çok faydalı bir şey yapmış olmayız. Ya da soru setimizin olduğu ölçeğin 3 alt ölçeği olduğunu biliyorsak SPSS’e 3 faktöre ayırmasını söyleyebiliriz, ama incelediğimiz soruların ya da ölçeğin kaç faktöre ayrılması gerektiği baştan belliyse o zaman da zaten Açımlayıcı Faktör Analizi değil Doğrulayıcı Faktör Analizi yapıyor olmamız gerekirdi.

Display

Display başlığı altındaki 2 seçeneği de işaretlersek faktör analizi sonuçlarına daha kapsamlı bir bakış açımız olacak.

Maximum Iterations For Convergence

Bunu 25’in üstünde yaparsak analizin yapılmasını bekleme süremiz artabilir ve bilgisayarımız kasabilir. 25 iterasyon genellikle SPSS’in isabetli bir model oluşturup bize isabetli bir faktör analizi sonucu vermesi için yeterli bir miktardır.

“Rotation” butonuna basarak hangi rotasyonu kullanacağımızı seçeceğiz. Bu metotlardan Varimax, Quartimax ve Equamax orthogonal rotasyonlardır. Faktörlerimiz arasında bir ilişki beklemiyorsak orthogonal rotasyonlardan birini seçmeliyiz. Direct Oblimin ve Promax ise oblique rotasyonlardır. Faktörlerimiz arasında bir ilişki bekliyorsak oblique rotasyonlardan birini seçmeliyiz. Psikoloji gibi sosyal bilimlerde genellikle faktör analizi yaptığımız soruların gruplanacağı faktörler arasında ilişki olmasını bekleriz. Mesela bir ölçeğimizde Anksiyeteyi ve Depresyonu ölçen farklı sorular var. Birbirinden farklı konseptler olsa bile, Anksiyeteyi ölçen bir soruya verilen cevapla Depresyonu ölçen bir soruya verilen cevap biraz benzer olabilir.

Varimax = Analiz edilen soruları olabildiğince çok faktöre ayırır. Orthogonal rotasyondur.

Quartimax = Analiz edilen soruları olabildiğince az faktöre ayırır. Orthogonal rotasyondur.

Equamax = Varimax ve Quartimax’ın arasıdır. Orthogonal rotasyondur.

Direct Oblimin = Az sayıda katılımcıyla daha iyi çalışan oblique rotasyondur. Sosyal bilimlerde genelde bu seçilir.

Promax = Binlerce katılımcımız varsa daha daha iyi çalışan oblique rotasyondur.

Bu örnekte bir Psikoloji ölçeğinin sorularını Açımlayıcı Faktör Analizi ile faktörlere ayırıp gruplandırarak ölçek alt boyutlarını belirlemeye çalıştığımız için ve 100 kişilik bir örnekleme sahip olduğumuz için, Direct Oblimin seçiyorum.

“Options” butonuna basarak açılan pencerede “Missing Values” bölümünde eksik verileri ne yapacağımızı seçiyoruz.

Exclude Cases Listwise = Eğer bir katılımcı faktör analizini yaptığımız soruların en az 1 tanesini cevaplamamışsa, katılımcı faktör analizinden tamamen çıkartılır.

Exclude Cases Pairwise = Eğer bir katılımcı faktör analizini yaptığımız soruların bazılarını cevaplamamamış bazılarını cevaplamışsa, katılımcının cevapladığı sorular faktör analizine dahil edilir.

Replace With Mean = Katılımcıların cevaplamadığı sorular, ortalama değer ile doldurulur. Bunun kullanılması önerilmez.

“Coefficient Display Format” bölümünde faktör analiz sonuçlarını tablolar üzerinde nasıl göreceğimizi belirleyeceğiz.

Sorted By Size = İçinde en çok sayıda soru bulunan faktör, tabloda en üstte gösterilir. En az sayıda soruyu barındıran faktör de en altta gösterilir.

Suppress Small Coefficients = Faktör Analizi tablosunda belirli bir değerden küçük faktör yüklerinin görünmemesini sağlar. Faktör yükleri hâlâ tabloda bulunur ama bize görünmez. Bu, daha temiz bir faktör analizi tablosu görmemizi sağlar. Faktör analizi tablosunu en kolay görmemizi sağlayan en ideal değer 0.30’dur. Bu yüzden burada 0.30 yazarsak daha iyi görürüz.

Buraya kadar bütün ayarlamaları yapmış olduk. Continue ve OK’a basarak SPSS’in Açımlayıcı Faktör Analizi’ni başlatmasını sağlayalım.

Açımlayıcı Faktör Analizi Yorumlama

Açımlayıcı Faktör Analizi sonucunda SPSS birtakım tablolar sunacaktır. Bu tabloların önemli olanlarına bakalım şimdi.

İlk olarak “Correlation Matrix” başlıklı tabloya bakıyoruz. Burada, faktör analizi yaptığımız soruların birbirleriyle olan korelasyonlarını inceleyeceğiz. Sorular birbirleriyle bir miktar pozitif korelasyon göstermeli ama 0.8’den yüksek korelasyon da göstermemeli. bizim örneğimizdeki ölçeğin soruları genelde orta seviyede pozitif korelasyon gösteriyor, güzel. Aralarda birkaç tane 0’a çok yakın ya da negatif korelasyon var, bunlardan az sayıda varsa sorun değil. Ama 1 tanecik bile 0.8’den yüksek korelasyon görürsek bu bir sorun olur. O zaman 0.8’den büyük korelasyon gösteren soruların bir tanesini silip faktör analizini yeniden başlatmak gerekir çünkü birbiriyle çok fazla ilişkili iki sorunun varlığı (multicollinearity) faktör analizinin dengesini bozar.

Yine “Correlation Matrix” tablosunun en altında Determinant değeri görünmektedir. Tabloyu bu sayfada gösterirken ikiye bölmek zorunda kaldım çünkü tek parça olarak ekrana sığmıyordu. Determinant değeri 0.00001’den büyük ise güzel. Eğer küçük ise bu demek oluyor ki sorular arasında yeterli ilişki bulunmamaktadır. O zaman faktör analizi yapmamız pek anlamlı olmuyor olacak.

KMO and Bartlett’s Test tablosunda bakmamız gereken 2 değer var.

Kaiser-Meyer-Olkin => Bu değer 0.65’ten büyük olursa daha iyi.

Bartlett’s Test of Sphericity Sig. => Bu testin p değeri 0.05’ten küçük olursa daha iyi.

Genelde bu iki değer de istenen aralıklarda çıkar, bunlarla ilgili bir sorun çıkarsa örneklem faktör analizine uygunsuz demektir (mesela örneklemimizde çok az sayıda katılımcı bulunuyor olabilir).

Kaiser-Meyer-Olkin (KMO) değeri, örneklemimizin SPSS’in isabetli bir faktör analizi yapabilmesi için yeterli olup olmadığının ölçüsüdür. 0 ile 0.50 arası KMO değeri kesinlikle uygunsuz iken, 0.50 – 0.60 arası KMO değeri de “çok kötü” olarak tanımlanmıştır. 0.60 – 0.70 arası KMO değeri “ortalama”, 0.70- 0.80 arası “ortanın iyisi”, 0.80’den üzeri “yeterince iyi” olarak tanımlanmıştır.

“Total Variance Explained” tablosunda SPSS’in soruları gruplandırma işlemi sırasında kaç adet faktör belirlediğini görüyoruz. Analiz seçeneklerini seçerken Eigenvalue’ları 1’in üzerinde olduğu sürece faktör olarak belirlesin demiştik. Bu doğrultuda SPSS soruları 3 faktöre ayırdı. Faktör analizini yaptığımız soruların optimal gruplandırma şekli, 3 faktöre ayırmakmış demek ki. “Cumulative” sütununa bakarsak, bu faktörlerin toplam varyansın %63’ünü açıkladığını görüyoruz. SPSS’in soruları atadığı faktörlerin toplam varyansın en az %50’sini açıklıyor olması idealdir.

“Scree Plot” grafiğinde, faktör sayısı arttıkça Eigenvalue’nun ne hızda düştüğünü görebiliyoruz. 1 faktörlü modelden 2 faktörlü modele geçince Eigenvalue çok hızlı düşmüş. Aynı şekilde 2 faktörlü modelden 3 faktörlü modele geçince Eigenvalue hızlı düşmüş. 3 faktörlü modelden 4 faktörlü modele geçerken ve sonrasında çok hızlı düşmemiş. Buradan da SPSS’in analize sokulan soruları sadece 3 faktöre ayırmış olmasının isabetli bir uygulama olduğunu doğrulamış oluyoruz.

Gelelim asıl önemli olan “Pattern Matrix” tablosuna. Oblique rotation yapmış olduğumuz için bakmamız gereken Matrix tablosu Pattern Matrix’tir, diğer Matrix tablolarına bakmamalıyız.

Pattern Matrix tablosunda, Faktör Analizi sonucunda, hangi soruların hangi faktöre atandığını (yüklendiğini) görebiliyoruz. Bu faktör yüklemesi yorumlama aşaması, SPSS ile yapılan analizler arasında belirli kurallara bağlı siyah-beyaz doğru-yanlış yorumlama yapmanın en az mümkün olduğu durumlardan biri. Analizi yapan kişinin, analiz ettiği konuya hakim biri olması, bu aşamada daha iyi yorumlama yapabilmesini sağlayacaktır.

Analize başlarken hatırlarsanız SPSS’e 0.30’dan düşük faktör yüklemelerini tabloda göstermemesini söylediğimiz için bu tabloda sadece 0.30’dan büyük değerler gözüküyor. Bu, hangi sorunun asıl olarak hangi faktöre/faktörlere hangi faktör yüküyle yüklendiğini daha kolay görmemizi sağlıyor. Tabloya bakınca bazı soruların sadece 1 faktöre yüklendiğini görüyoruz fakat 1’den fazla faktöre 0.30’dan büyük yükle yüklenen bazı sorular da var. Bu normaldir, özellikle Psikoloji gibi sosyal bilimlerde faktör yükleri tablosu böyle biraz karmaşık çıkar, çok temiz çıkmaz.

Bu tabloyu şu şekilde yorumlayabiliriz: “15 soruluk MM ölçeği, açımlayıcı faktör analizi sonucu 3 farklı alt ölçeğe ayrılıyor olabilir”. Örneğin bu ölçek bir kişinin genel Sorumluluk miktarını ölçen bir ölçek olsun. Soruları incelersek, 1. faktöre yüklenen soruların daha çok Görev Bilinci konusuyla ilgili olduğunu görüyoruz diyelim. 2. faktöre yüklenen soruların daha çok İş Yapmayı Sevme konusuyla ilgili olduğunu görüyoruz, 3. faktöre yüklenen soruların da daha çok İnisiyatif Almak konusuyla ilgili olduğunu görüyoruz. O zaman faktör analizimiz hakkında şöyle bir yorumlama yapabiliriz: “15 soruluk Sorumluluk ölçeğinin açımlayıcı faktör analizi sonucunda 3 alt ölçeğini bulduk. Bu alt ölçekler Görev Bilinci, İş Yapmayı Sevme, ve İnisiyatif Almak olarak tanımlanabilir”.

Yalnız demin dediğim gibi burada her soru tek 1 faktöre yüklenmemiş. Aynı anda 2 faktöre birbirine yakın güçlerde yüklenen sorular var. Mesela 11. ve 13. soruların sadece 1. faktöre güçlü şekilde yüklendiğini görmemize rağmen, 8. sorunun hem 1. hem 3. faktöre birbirine yakın güçlerde yüklendiğini, 7. sorunun da hem 1. hem 2. faktöre birbirine yakın güçlerde yüklendiğini görüyoruz. O zaman hangi sorunun hangi faktöre ait olması gerektiğine nasıl karar vereceğiz?

İşte burada devreye analiz yapan kişinin analiz yaptığı konuya hakimiyeti giriyor. Konuya ne kadar hakimse vereceği karar o kadar isabetli olacaktır. 1’den fazla faktöre güçlü yüklenen sorular için değişik yaklaşımlar benimsenebilir.

• Mesela bir yaklaşım olarak, eğer bir soru 2 faktöre güçlü şekilde yüklendiyse ve faktörler arasında 0.100’den büyük bir fark varsa, sadece daha güçlü şekilde yüklendiği faktöre yüklenmiş gibi davranabiliriz.
• Diğer bir yaklaşım olarak eğer bir soru iki faktöre güçlü şekilde yüklendiyse, bu soruyu tamamen analizden çıkartıp yeniden bir faktör analizi yapabiliriz. Bir ölçekten bu şekilde çok fazla sorunun çıkartılması önerilmez.
• Üçüncü bir yaklaşım olarak, bir soru iki faktöre güçlü şekilde yüklendiyse, sorulara gidilerek sorular okunur. Alan hakimiyeti devreye girer dediğim asıl nokta burasıydı. Mesela 7. soru hem 1. hem 2. faktöre birbirine çok yakın değerlerde güçlü şekilde yüklenmiş. Yalnızca 1. faktöre güçlü olarak yüklenen 11. ve 13. soruları okuyalım, sonra yalnızca 2. faktöre güçlü olarak yüklenen 3., 1. ve 4. soruları okuyalım, en son da 7. soruyu okuyalım. 7. soruyu hangi faktöre tek başına yüklenen sorulara yakın görüyorsak, onu sadece o faktöre yüklenmiş gibi sayabiliriz. Bu kararı verirken yargı gücümüzü kullanmalı ve elle tutulur sebepler göstererek kararımızı destekleyebilmeliyiz.
• Yine farklı bir yaklaşım olarak şunu yapabiliriz: Mesela bu örnekteki tabloya baktığımızda, hem 1. faktöre hem 3. faktöre birlikte yüklenen birçok soru olduğunu görüyoruz. Yukarıdan hatırlarsak, Sorumluluk ölçeğinin alt ölçeklerinden olan 1. faktörün Görev Bilinci, 3. faktörün ise İnisiyatif Almak olduğunu biliyoruz. Bu iki faktöre birlikte yüklenen çok soru olmasından dolayı, şöyle bir öneri ortaya atabiliriz: “Belki de Görev Bilinci ve İnisiyatif Almak konuları, aynı şeyi temsil ediyordur.” O zaman bu ikisini tek 1 faktör olarak sayabiliriz. Eğer böyle bir karar veriyorsak bunu somut gerekçeler göstererek desteklememiz gerekir (mesela literatürden bu yönde makaleler bulup referans vermek). Bunu yaptıktan sonra aynı veriyle bir daha Açımlayıcı Faktör Analizi yaparsak fakat bu sefer Extract adımında SPSS’e soruların 2 faktöre ayrılacağını söylersek yeni faktör analizi sonucu gelen Pattern Matrix tablosu daha temiz görünecektir.

Dediğim gibi, faktör analizi tabloları çok farklı yorumlamalara açıktır ve hangi kararın isabetli hangisinin isabetsiz olduğunu belirlemek net değildir. Kişinin faktör analizi yaptığı konuda uzman birisi olması, faktör analizi sonucunda daha isabetli kararlar vermesine çok yardımcı olmaktadır.

Faktör analizi konusu bu kadardı. Biraz karmaşık bir karar verme süreci var fakat iyi bir istatistikçiyi amatör bir istatistikçiden ayıran en önemli konulardan biri de böyle belirsizlikler karşısında verdikleri kararları nasıl verdiğidir. Buraya kadar okuduğunuz için tebrikler & teşekkürler, tekrar görüşmek üzere.