MESLEKİ KARAR ENVANTERİ FAKTÖR YAPISINA AİT FARKLI ÖLÇME MODELLERİNİN DOĞRULAYICI FAKTÖR ANALİZİ İLE İNCELENMESİ

Bu araştırmanın amacı, lise öğrencilerinin mesleki kararsızlık düzeylerini ölçmek için Çakır (2004) tarafında geliştirilen Mesleki Karar Envanterinin faktör yapısını farklı modeller çerçevesinde doğrulayıcı faktör analiziyle incelemektir. Mesleki Karar Envanterinin ön çalışmasında Çakır (2004) tarafından açımlayıcı faktör analizi ile envanterin faktör çözümlenmesi yapılmıştır. Envanterin geliştirilme aşamasında 5 faktör toplam 30 madde içeren formu ortaya konulmuştur. Bu araştırmada ise ön çalışmada ortaya konulan yapı tek boyut, ilişkili birinci düzey, ilişkisiz birinci düzey, ikinci düzey ve iki-faktör model olmak üzere 5 farklı model çerçevesinde doğrulayıcı faktör analizi ile test edilmiştir. Yapılan doğrulayıcı faktör analizlerinde, Mesleki Karar Envanterinin ikinci düzey yapısının bir model olarak doğrulandığı sonucuna ulaşılmıştır. Bu doğrultuda İçsel Çatışma, Kendini Yeterince Tanımama, Meslek ve Alan Bilgisi Eksikliği, Meslek Seçiminde Akılcı Olmayan İnançlar ve Dışsal Çatışmalar değişkenlerinin Mesleki Karar yapısını oluşturduğu söylenilebilir. Ayrıca genel yapı olan Mesleki Karar üzerinde en çok etkiye sahip değişkenin Meslek ve Alan Bilgisi Eksikliği olduğu belirlenmiştir. Envanter için hesaplanan ortalama açıklanan varyans ve yapı güvenirlik katsayılarının da yeterli düzeydedir.

Anahtar Kelimeler:

Mesleki karar, doğrulayıcı faktör analizi, ikinci düzey, iki-faktör(bi-faktör)

PDF

___

Alpar, R. (2017). Uygulamalı çok değişkenli istatistiksel yöntemler. Ankara: Detay Yayıncılık.
Beaujean, A.A., Parkin, J., & Parker, S. (2014). Comparing Cattell-Horn-Carroll factor models: Differences between bifactor and higher order factor models in predicting language achievement. Psychological. Assessment, 26(3), 789–805.
Benson, N., Hulac, D.M., & Bernstein, J.D. (2013). An independent confirmatory factor analysis of the Wechsler Intelligence Scale for Children—Fourth Edition (WISC-IV) Integrated: What do the process approach subtests measure? Psychological Assessment, 25(3), 692–705.
Bentler, P. M. & Chou, C. P. (1987). Practical issues in structural equation modeling. Sociological Methods and Research, 16(1), 78–117.
Boomsma, A., & Hoogland, J. J. (2001). The robustness of LISREL modeling revisited. In R. Cudeck, S. du Toit, & D. Sörbom (Eds.), Structural equation models: Present and future. A Festschrift in honor of Karl Jöreskog (pp. 139–168), Chicago: Scientific Software.
Brown, T. A. (2015). Confirmatory factor analysis for applied research. The Guilford Press: New York London. Byrne, B. M. (1998). Structural equation modelling with LISREL, PRELIS, and SIMPLIS: basic concepts, applications, and programming. Mahwah, NJ: L. Erlbaum.
Canivez, G. L. (2016). Bifactor modeling in construct validation of multifactored tests: Implications for multidimensionality and test interpretation. In K. Schweizer & C.
DiStefano (Eds.), Principles and methods of test construction: Standards and recent advancements (pp. 247–271). Gottingen, Germany: Hogrefe.
Cucina, J. & Byle, K. (2017). The bifactor model fits better than the higher-order model in more than 90% of comparisons for mental abilities test batteries. Journal of Intelligence, 5(3), 27.
Çakir, M. A. (2004). Mesleki karar envanterinin geliştirilmesi [The development of career decision inventory]. Ankara Üniversitesi Eğitim Bilimleri Fakültesi Dergisi, 37(2), 1-14.
Flores-Kanter, P. E., Dominguez-Lara, S., Trógolo, M. A., & Medrano, L. A. (2018). Best practices in the use of bifactor models: Conceptual grounds, fit indices and complementary indicators. Revista Evaluar, 18(3), 44-48. Retrieved March 15, 2019 from https://revistas.unc.edu.ar/index.php/revaluar
Gignac, G. E. (2008). Higher-order models versus direct hierarchical models: g as superordinate or breadth factor? Psychology Science, 50(1), 21–43.
Gignac, G.E. (2016). The higher-order model imposes a proportionality constraint: That is why the bifactor model tends to fit better. Intelligence, 55, 57–68.
Gignac, G.E. & Watkins, M.W. (2013). Bifactor modeling and the estimation of model-based reliability in the WAIS-IV. Multivariate Behavioral Research, 48(5), 639–662.
Hair, J.F., Black, W. C., Barry, J.B., & Anderson, R.E. (2014). Multivariate data analysis. (Seventh edition, Pearson new international edition). Harlow: Pearson Education Limited.
Hooper, D., Coughlan, J., & Mullen, M. (2008). Structural equation modeling: Guidelines for determining model fit. Electronic Journal of Business Research Methods, 6(1), 53-60.
Hu, L.T. & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1-55. http:l/doi.org/10.1080/10705519909540118
Jackson, D. L. (2001). Sample size and number of parameter estimates in maximum likelihood confirmatory factor analysis: A Monte Carlo investigation. Structural Equation Modeling, 8(2), 205–223.
Jöreskog, K. & Sörbom, D. (1993). LISREL 8: Structural equation modeling with the SIMPLIS command language. Chicago, IL: Scientific Software International Inc.Kline, B.R. (2005, 2015). Principles and practice of structural modeling. New York-London: The Guilford Press.
Meydan, C. H. & Şeşen, H. (2015). Yapısal eşitlik modellemesi AMOS uygulamaları. Ankara: Seçkin Yayıncılık
Moshagen, M. & Musch, J. (2014). Sample size requirements of the robust weighted least squares estimator. Methodology, 10(2), 60–70.
Murray, A. L. & Johnson, W. (2013). The limitations of model fit in comparing the bi-factor versus higher-order models of human cognitive ability structure. Intelligence, 41(5), 407–422.
Worthington, R. L., & Whittaker, T. A. (2006). Scale development research: A content analysis and recommendations for best practices. The Counseling Psychologist, 34(6), 806-838.
Reise, S. P. (2012). The rediscovery of bifactor measurement models. Multivariate Behavioral Research, 47(5), 667–696. http://dx.doi.org/10 .1080/00273171.2012.715555
Reise, S. P., Kim, K. H., Mansolf, M., & Widaman, K. F. (2016). Is the bifactor model a better model or is it just better at modeling implausible responses? Application of iteratively reweighted least squares to the Rosenberg Self- Esteem Scale. Multivariate Behavioral Research, 51(6):818-838.
Rodriguez, A., Reise, S. P., & Haviland, M. G. (2016). Applying bifactor statistical indices in the eval¬uation of psychological measures. Journal of Personality Assessment, 98(3), 223-237. doi: 10.1080/00223891.2015.1089249
Schermelleh-Engel, K., Moosbrugger, H., & Müller, H., (2003). Evaluating the fit of structural equation models: Test of significance and descriptive goodness-of-fit measures. Methods of Psychological Research - Online, 8(2), 23-74.
Sümer, N. (2000). Yapısal eşitlik modelleri: Temel kavramlar ve örnek uygulamalar. Türk Psikoloji Yazıları, 3(6), 49-74.
Şimşek, Ö.F. (2007). Yapısal eşitlik modellemesine giriş: Temel ilkeler ve LISREL uygulamaları. Ankara: Ekinoks Yayınları.
Tabachnick, B.G. & Fidell, L.S. (2001). Using multivariate statistics. New York: Allyn &Bacon Inc.
Watkins, M. W. (2010). Structure of the Wechsler Intelligence Scale for Children-fourth edition among a national sample of referred students. Psychological Assessment, 22(4), 782–787.