Faktör analizi: ham veriden gizli anlamlara

Faktör analizi, onlarca gözlemlenen değişkeni birkaç gizli (latent) faktörle değiştirmenize olanak tanıyan bir istatistiksel yöntemdir. Verilerdeki "gürültüyü" azaltmak, korelasyonların derin nedenlerini ortaya çıkarmak ve önemli bilgileri kaybetmeden modelleri basitleştirmek için kullanılır. Eğer bir anketteki 20 sorunun yalnızca 3 gizli kavramı ölçtüğünü görüyorsanız, bu klasik bir faktör analizi problemidir.

Faktör analizi nedir ve neden gereklidir

Yöntemin temelinde şu fikir yatar: çok sayıda gözlemlenen özellik (örneğin anket sorularına verilen cevaplar veya bir şirketin finansal göstergeleri), daha az sayıda gözlenmeyen nedenlere — faktörlere — bağlıdır.

Uygulamanın temel amaçları:

1. Boyut indirgeme. Regresyon veya kümeleme analizlerinde kullanmak üzere yüzlerce değişkeni 5–7 entegre göstergeyle değiştirmek.
2. Yapıyı keşfetme. Aynı özelliği ölçen sıkı bağlantılı değişken gruplarını ortaya çıkarmak (örneğin "dışadönüklük" veya "finansal istikrar").
3. Gürültüden arındırma. Faktörler spesifik varyansı değil, ortak varyansı yansıttığı için rastgele ölçüm hatalarını elemek.

İki temel yaklaşım vardır:

• EFA (Exploratory Factor Analysis) — keşfedici analiz. Kaç faktörün var olduğunu ve hangi değişkenlerin bunlara ait olduğunu önceden bilmediğimiz durumlarda uygulanır.
• CFA (Confirmatory Factor Analysis) — doğrulayıcı analiz. Bir hipotezi test etmek için kullanılır: "Bu 5 soru gerçekten tek bir faktörü mü ölçüyor?".

Faktör analizi ne zaman uygulanmalı

Verilerin fazla olduğu veya çok boyutlu olduğu durumlarda yöntem vazgeçilmezdir.

• Sosyoloji ve psikoloji. Testler için geçerli ölçekler oluşturma (IQ, kişilik envanterleri). Örneğin, uyku, iştah ve ruh haliyle ilgili soruları "Depresif eğilim" faktöründe birleştirmek.
• Pazarlama ve CRM. Müşterileri davranışsal kalıplara göre segmentlere ayırma. 50 işlemi analiz etmek yerine "fiyat odaklılık", "marka sadakati", "dürtüsellik" gibi faktörler çıkarılır.
• Finans. Risk değerlendirmesi. Hisse senedi getirisi genellikle binlerce bireysel haberle değil, birkaç makroekonomik faktörle (faiz oranı, enflasyon, GSYİH) açıklanır.
• İK analitiği. Çalışan yetkinliklerinin değerlendirilmesi. Bireysel becerilerin geniş kategorilerde gruplandırılması: "Liderlik nitelikleri", "Teknik uzmanlık".

Analiz gerçekleştirme adımları

Süreç altı temel aşamaya ayrılabilir. Sıralamanın bozulması sıklıkla hatalı sonuçlara yol açar.

1. Veri hazırlığı ve uygunluk kontrolü

Algoritmayı çalıştırmadan önce verilerin faktör analizi için uygun olduğundan emin olun:

• Korelasyon. Değişkenler birbirleriyle korele olmalıdır. Korelasyon matrisi neredeyse köşegen ise (katsayılar 0'a yakınsa), faktörler çıkarılamaz.
• Kaiser-Meyer-Olkin testi (KMO). Değer > 0.6 olmalıdır (tercihen > 0.8). Bu, değişkenlerin varyansının ortak faktörlerden kaynaklandığını gösteren bir göstergedir.
• Bartlett testi. İstatistiksel olarak anlamlı olmalıdır (p < 0.05); bu, korelasyon matrisinin birim matris olduğu hipotezini reddeder.

2. Faktör çıkarma yönteminin seçimi

• Temel bileşenler analizi (PCA). Boyut indirgeme için genellikle ilk adım olarak kullanılır. Açıklanan varyansı maksimize eder, ancak her zaman gerçek latent yapıları ortaya çıkarmaz.
• Maksimum olabilirlik yöntemi (ML). Daha katı bir istatistiksel yaklaşımdır; modelin anlamlılığını değerlendirmeye ve güven aralıkları oluşturmaya olanak tanır. Verilerin normal dağılım göstermesini gerektirir.

3. Faktör sayısının belirlenmesi

Bu en kritik aşamadır. Buradaki hata tüm yorumlamayı bozar.

• Kaiser kriteri. Özdeğeri (Eigenvalue) > 1 olan faktörler tutulur.
• Scree Plot (kaya grafiği). Görsel yöntem: Grafikte, özdeğerlerin düşüşünün yumuşak hale geldiği "kırılma noktasını" ararız.
• Parallel Analysis. Gerçek verilerin özdeğerlerinin, aynı büyüklükteki rastgele bir örneklemin verileriyle karşılaştırılması. En güvenilir modern yöntemdir.

4. Faktörlerin döndürülmesi

Başlangıçta elde edilen faktörler genellikle yorumlaması zordur, çünkü birçok değişken tüm faktörlerde orta düzeyde yüklenmelere sahiptir. Döndürme, koordinat eksenlerini değiştirerek yapıyı "basit" hale getirir (bir değişken bir faktöre güçlü, diğerlerine zayıf şekilde yüklenir).

• Varimax (ortogonal). Faktörler bağımsız (korele olmayan) kalır. Gizli nedenlerin birbirleriyle ilişkisiz olduğundan eminseniz yorumlamayı kolaylaştırır.
• Oblimin (oblik). Faktörler arasında korelasyona izin verir. Kavramların sıklıkla örtüştüğü sosyal ve psikolojik veriler için daha gerçekçidir.

5. Yorumlama ve adlandırma

Faktör yükleri matrisi analiz edilir.

• Yükü > |0.4| olan (veya katı modeller için |0.5|) değişkenler seçilir.
• Bu değişkenlerin anlam bütünlüğü incelenir.
• Faktöre, içindeki özelliklerin ortak özünü yansıtan bir isim verilir.

6. Faktör skorlarının hesaplanması

Her nesne (müşteri, katılımcı) için yeni faktörler bazında değerler hesaplanır. Bu değerler ileri analizlerde (regresyon, kümeleme) normal değişkenler gibi kullanılabilir.

Sonuçlar nasıl doğru yorumlanır

Yorumlama, istatistikle sınırlı yaratıcı bir süreçtir. İşte temel ilkeler:

1. Yük işaretine bakın. Pozitif yük doğrudan ilişkiyi, negatif yük ters ilişkiyi gösterir. Örneğin, "Başarı" faktörüne "Gelir" (+0.8) ve "Borçlar" (-0.6) dahilse, bu mantıklıdır: gelir ne kadar yüksek ve borçlar ne kadar düşükse, başarı o kadar yüksektir.
2. Zayıf bağlantıları görmezden gelin. 0.2–0.3 yüklü değişkenlere anlam yüklemeye çalışmayın. Bunlar ya gürültüdür ya da başka bir faktöre aittir.
3. Çapraz yüklere dikkat edin. Bir değişken iki faktörde de yüksek yüke (>0.4) sahipse, bu bir sorundur. Böyle bir değişken yapıyı "bulanıklaştırır". Çözüm: değişkeni kaldırmak veya döndürme yöntemini değiştirmek.
4. Güvenilirliği kontrol edin. Faktöre giren her değişken grubu için Cronbach alfa katsayısını kullanın. > 0.7 değeri, değişkenlerin gerçekten aynı şeyi ölçtüğünü gösterir.

Yöntem karşılaştırması: PCA, EFA ve CFA

Bu kısaltmalar arasında sıklıkla karışıklık yaşanır. Tablo, uygulama alanlarını ayırt etmenize yardımcı olacaktır.

Yeni başlayanların tipik hataları

1. PCA ve EFA karışıklığı. Latent yapıları bulmak gereken yerde PCA kullanmak. PCA, bileşenlere hem ortak hem de benzersiz varyansı (gürültü) dahil eder, oysa EFA gürültüyü sinyalden ayırmaya çalışır.
2. Eigenvalue > 1 kuralına körü körüne bağlılık. Büyük veri setlerinde bu kural sıklıkla faktör sayısını abartır. Her zaman Scree Plot'a ve anlamsal yorumlanabilirliğe bakın.
3. Soru yönünü görmezden gelme. Anket ters kodlanmış sorular içeriyorsa (örneğin, "Kendimi mutlu hissediyorum" ve "Üzgünüm"), analizden önce aynı yöne getirilmelidir, aksi takdirde faktörü bozarlar.
4. Validasyon eksikliği. Bir örneklem üzerinde elde edilen EFA sonuçları başka bir örneklemde tekrarlanmayabilir. İdeal standart, örneklemi iki parçaya bölmektir: birinde EFA, diğerinde CFA uygulamak.

Sıkça Sorulan Sorular (SSS)

Faktör analizi ile kümelemenin temel farkı nedir? Kümeleme nesneleri (insanları, ürünleri) gruplarken, faktör analizi özellikleri (değişkenleri) gruplar. Ancak faktör analizi sonuçları (faktör skorları) daha sonra nesnelerin kümelemesi için kullanılabilir.

Gerekli minimum örneklem büyüklüğü nedir? Kesin bir minimum yoktur, ancak stabil sonuçlar için öneriler 100 ile 300 gözlem arasında değişir. Daha重要的是 oran: her değişken başına en az 5–10 gözlem.

Faktörler yorumlanamazsa ne yapılmalı? Döndürmeden sonra faktörlere anlaşılır isimler veremiyorsanız, muhtemelen:

1. Yanlış faktör sayısı seçtiniz (1 azaltmayı veya artırmayı deneyin).
2. Veriler net bir latent yapıya sahip değil (değişkenler çok heterojen).
3. Korelasyonları bozan aykırı değerler veya veri hataları var.

Faktör analizi zaman serileri için kullanılabilir mi? Dikkatli olunmalıdır. Klasik faktör analizi gözlemlerin bağımsız olduğunu varsayar. Zaman serileri için otokorelasyonu dikkate alan dinamik faktör modelleri kullanmak daha iyidir.