x

Genellikle bir araştırmaya ilişkin ölçeğin değerlendirilmesinde geçerlilik ve güvenirlilik hesaplamaları temel alınmaktadır. Ancak burada kullanılan yöntemler (Faktör Analizi, Cronbach’s alpha gibi); bazen faktörü belirleyen değişkenler (ifadeler) arasındaki yapısal ilişkiden değil ifadelerin birbirine benzemeleri nedeniyle gerçekte olmadığı kadar yüksek hesaplanabilmektedir. Bu durum bu ölçülerin temsil gücünü zayıflatır.

Rasch modeli bu riski minimize edilebilmektedir. Rasch modeli ile değişkenin (ifadelerin/soruların) temsil gücü ölçülmekle birlikte, anketi yanıtlayanların yeteneği de dikkate alınır. Yani modelde belirli bir konuyu bilen ve/veya deneyimli bir yanıtlayıcının, değişkenleri (ifadeleri) doğru yanıtlama olasılığının daha yüksek olduğu varsayılır. Benzer şekilde bir sorunun (değişkenin, ifadenin) zor olması herhangi bir yanıtlayıcı için daha kolay soruların doğru yanıtlanması olasılığını arttıracaktır. Rasch modelinde yanıtlayıcıların yeteneği ve soruların zorluk dereceleri aynı anda incelenebilmektedir.

Rasch modeli Sosyal Bilimlerin birçok alanında uygulanırken Pazarlama Araştırmalarında diğer alanlara göre daha kısıtlı bir uygulama alanı vardır. Oysa Pazarlama Araştırmalarında kullanılması, özellikle müşteri analitiği çalışmalarında daha iyi ölçümü sağlamakla birlikte müşterilerin yetenekleri(eğilimleri) konusunda da önemli bilgiler sağlayacaktır.

Rasch Modeli; JAMOVI, RUMM gibi birçok programda uygulanabiliyor. Ben R da uyguluyorum. Küçük bir örnekle uygulama ile model çıktılarını da yorumlayalım o zaman!
V1, V2 ve V3 olmak üzere üç kategorik değişken (3 soru/ifade) olsun. Öncelikle tahmin edilen Rasch modelinin uygunluğu test edilmiş ve Pearson Ki-Kare Testi’nin p değeri>0.05’dir. Yani model uygundur.

rasch(data = data, IRT.param = TRUE) Tobs: 3.41
# data-sets: 50
p-value: 0.24

Soruların yanıtlayıcılar tarafından algılanan zorluk derecesinin belirlenmesinde, aşağıdaki zorluk katsayıları belirlenir. Burada sıfır orta düzeyde zorluk derecesi iken katsayı yükseldikçe sorunun zorluk derecesi artmaktadır. Aşağıdaki sonuçlar değerlendirildiğinde V1 sorusuna doğru cevap verme olasılığı %99.32’dir. En zor soru ise doğru cevaplama olasılığı %32.26 olan V3’dür.

Soruların ankete uygunluk testleri yapıldığında 3 sorunun da p değeri 0.05in üzerinde olduğundan test sonucunda soruların/ifadelerin ölçme yetkinliğinin %100 olduğu belirlenmiştir.

Rasch Analizi hem yanıtlayıcıların zorluk algısını hem de soruların ölçüm yetkinliğini birlikte değerlendirdiğinden, anketin temsil gücünü arttırıcı önemli bir etkisi vardır. Model sonuçları; araştırmaların pilot çalışma aşamalarında bazı değişkenlerin çıkarılması/eklenmesi, yanıtlayıcıların zorluk algılarına/yetkinliğine göre soruların düzeltilmesi gibi müdahaleler yapılmasını sağlar.

Tüm bu uygulamalar araştırmanın daha güvenilir ve geçerli olmasını sağlayacaktır.

Gelin daha “iyi” araştırmalar için birlikte çalışalım.

www.latentresearch.com

Prof.Dr.Çiğdem Arıcıgil Çilan
Latent Araştırma Kurucusu/İ.Ü Öğretim Üyesi