Akademik Veri Yönetim Sistemi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Ankara Üniversitesi, Eğitim Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2019
Tezin Dili: Türkçe
Öğrenci: HAYRİYE MERVE ERİŞ HASIRCI
Danışman: ÖMAY ÇOKLUK BÖKEOĞLU
Özet:Bu çalışmada farklı örneklem büyüklüklerinde, farklı faktör yük değerlerine sahip ve çok boyutlu veri setlerinin yapı geçerliklerinin belirlenmesinde faktör analizi, kümeleme analizi ve öz düzenlemeli haritalar yöntemlerinden elde edilen yapı geçerliği kanıtlarının karşılaştırılması amaçlanmıştır. Araştırma için, R programında simülatif veriler üretilmiştir. 3, 5 ve 7 boyutlu, 0.4, 0.6 ve 0.8 faktör yük değerlerine sahip 1000000 gözlemlik dokuz veri seti üretilmiş ve her bir veri setinden 100 iterasyonla n=250 n=500 ve n=1000 büyüklüğünde örneklemler seçilmiştir. Elde edilen 2700 örnekleme MATLAB programı ile faktör analizi, kümeleme analizi ve öz düzenlemeli haritalar yöntemleri uygulanmış ve hedeflenen yapıyı doğru belirleme oranları yüzde olarak hesaplanarak karşılaştırılmıştır. Araştırmadan elde edilen bulgulara göre, faktör yük değerinin hedeflenen yapının doğru belirlenmesinde önemli bir ölçüt olduğu, faktör yük değerleri ne kadar yüksekse hedeflenen yapının daha iyi temsil edildiği görülmüştür. Çalışma kapsamında değerlendirilen üç farklı yöntemin de düşük faktör yüklerinde ve küçük örneklemlerde çok iyi sonuçlar vermediği, var olan yapıyı yeterince güçlü bir şekilde ortaya koyamadığı belirlenmiştir. Ayrıca öz düzenlemeli haritalar yöntemi, boyut belirlemede ve yapı geçerliği çalışmalarında, yapı geçerliği kanıtlarını destekleyici yeni bir yöntem olarak kullanılabileceği sonucuna varılmıştır In this study, it is aimed to compare the proofs of construct validity obtained from factor analysis, clustering analysis and self-organizing maps for multi-dimensional data sets with various sample size and factor loadings. For this aim, simulative data have been generated by using R programming environment. Nine different data sets with 3, 5, and 7 dimension, and 0.4, 0.6, and 0.8 factor loadings for each have been generated and then samples with n=250, n=500, and n=1000 sample size have been selected from each data set in 100 iterations. Factor analysis, clustering analysis, and self- organizing maps method have been applied to these 2700 samples by using MATLAB programming environment and then, percentages of determination ratio of desired construct for all three methods have been compared. Results show that factor loading value is a very important criterion and, the more the factor loadings are high, the more desired construct is represented well. It has been also found that, for all three methods, low factor loadings and small sample size lead to poor results, that is, the existing construct has not been determined sufficiently well for such cases. It is concluded that self- organizing maps method can be used as a new and complimentary method to determine dimensions in construct validity studies.