İçeriğe atla
Arama sonuçlarına dön

Model Testing Research — Yapısal Kuram Sınama Tasarımı

Ortaya koyan
Karl G. Joreskog (SEM/LISREL framework); formalized through structural equation modeling tradition
Yıl
1970s (Joreskog 1969–1973); widely adopted in social sciences by the 1980s–1990s
Tür
Confirmatory quantitative research design
Aile
Survey / observational design

Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku

Yazı boyutu

Ne işe yarar?

Model sınama araştırması, araştırmacının kuramsal bir modeli — yapılar arasındaki varsayılan ilişkileri betimleyen — belirttiği ve ardından bu modelin ampirik veriye ne kadar uyduğunu sınadığı, doğrulayıcı nicel bir tasarımdır.

Ağırlıklı olarak yapısal eşitlik modellemesi (SEM) ve doğrulayıcı faktör analizi (CFA) üzerine kurulan bu yöntem, veriye dayalı kovaryans yapısının kuramsal olarak türetilmiş yapıyla tutarlı olup olmadığını değerlendirir ve model-veri uygunluğunu gösteren uygunluk indeksleri üretir.

Yöntemin mantığı

Model sınama araştırmasını, bir mimari planı alıp gerçek binayla karşılaştırmak gibi düşünebilirsiniz. Veride 'ne olup bittiğini' sorarak başlamazsınız; değişkenlerin birbirleriyle nasıl ilişkili olması gerektiğine dair kuramsal olarak türetilmiş bir resimle başlarsınız, ardından veri toplar ve sorarsınız: dünya benim planıma benziyor mu? Uygunluk indeksleri binanın plana ne kadar yakın olduğunu söyler ve düzeltme indeksleri planın nerede revize edilmesi gerektiğini belirlemeye yardımcı olur. Tüm mantık tümdengelimsel ve doğrulayıcıdır: önce kuram, sonra veri.

Tarih

Model sınama araştırmasının istatistiksel temeli, Karl Joreskog tarafından atılmıştır; onun doğrulayıcı faktör analizi (1969) ve kovaryans yapısı analizi (1973) üzerine çalışmaları LISREL yazılım paketine yol açmıştır. 1980'lerde SEM, Peter Bentler (EQS yazılımı, 1985) ve Michael Browne gibi araştırmacılar tarafından popülerleştirilerek psikoloji, eğitim, yönetim ve sosyoloji alanlarında yaygınlaşmıştır. Rex Kline'ın ilk baskısı 1998'de yayımlanan ve şimdi dördüncü baskısı (2015) olan ders kitabı, uygulamalı sosyal bilim araştırmacıları için standart metodolojik referans olmaya devam etmektedir.

Ne zaman kullanılır?

İyi geliştirilmiş ve birden çok gizil yapının nasıl ilişkili olduğunu belirten bir kuramınız olduğunda ve kuramın popülasyon düzeyindeki kovaryans verileriyle tutarlı olup olmadığını değerlendirmeniz gerektiğinde model sınama araştırmasını kullanın. Psikometrik ölçüm araçlarını doğrulama (CFA), aracılık ve moderasyon zincirlerini sınama ve rakip kuramsal çerçeveleri karşılaştırma için idealdir. En az N = 200 ve yapı başına birden çok gösterge gerektirir. Kuramın henüz gelişmekte olduğu ilk adımlarda kullanmayın — keşfedici faktör analizi veya temellendirilmiş nitel çalışma model belirtiminden önce gelmelidir. Örneklem büyüklüğünün küçük olduğu, yapıların yalnızca tek bir göstergeye sahip olduğu veya amacın kuram odaklı olmaktan ziyade yalnızca betimsel olduğu durumlarda bundan kaçının.

Sınırlar ve dikkat edilmesi gerekenler

  • Birçok araştırmacının makul bir şekilde elde edemeyeceği büyük bir örneklem (tipik olarak N >= 200) gerektirir.
  • Model uygunluğu, kuramsal yorum yanlış olsa bile kabul edilebilir görünebilir — uygunluk indeksleri istatistiksel tutarlılığı doğrular, kuramsal doğruluğu değil.
  • Model yanlış belirtilmesine karşı oldukça hassastır; kuramsal olarak ilgili bir yolun eksikliği diğer katsayıları şişirir ve uygunluğu bozar.
  • ML tahmini altında çok değişkenli normalliği varsayar; ihlaller, birçok uygulamalı araştırmacı için daha az tanıdık olan sağlam tahminciler (MLR, WLSMV) gerektirir.
  • Çapraz doğrulama olmadan sonradan model değişikliği, doğrulayıcı bir çalışmayı keşfedici bir çalışmaya dönüştürür ve bilimsel değerini zedeler.

Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.

Güçlü yönleri

  • İzole edilmiş bivariat hipotezler yerine tüm kuramsal çerçeveleri eş zamanlı olarak sınar.
  • Ölçme hatasını yapısal ilişkilerden ayırarak regresyondan daha kesin parametre tahminleri sağlar.
  • Uygunluk indeksleri ve ki-kare fark testleri kullanarak rakip modellerin resmi karşılaştırmasına olanak tanır.
  • Tek bir entegre çerçeve içinde aracılık, moderasyon ve dolaylı etkilerin değerlendirilmesini destekler.
  • Doğrudan kuramsal terimlerle yorumlanabilen standartlaştırılmış ve standartlaştırılmamış katsayılar üretir.
  • Sosyal, davranışsal ve sağlık bilimleri alanlarındaki yüksek etkili dergilerde yaygın olarak tanınır ve kabul görür.

Uygulama alanları

  • CFA aracılığıyla psikometrik ölçekleri doğrulama ve yakınsak ve ıraksak geçerliliği değerlendirme.
  • Yapısal aracılık modellerini sınama — örneğin, iş taleplerinin tükenmişlik üzerindeki etkisinin duygusal tükenmişlikle aracılık edilip edilmediği.
  • Çok gruplu SEM aracılığıyla demografik gruplar arasında faktör yapılarını veya yol katsayılarını karşılaştırma.
  • Çapraz gecikmeli panel modelleri aracılığıyla uzunlamasına büyüme yörüngelerini ve karşılıklı nedenselliği inceleme.
  • Örgütsel davranış, sağlık psikolojisi ve eğitim araştırmalarındaki kuramsal çerçeveleri sınama.
  • Aynı veri kümesine AIC veya BIC kullanarak uyumlarını karşılaştırarak rakip kuramsal açıklamaları değerlendirme.

Nasıl çalışır?

Nasıl çalışır?

1

Araştırmacı, hangi gizil yapıların mevcut olduğunu, gözlenen değişkenlerin (göstergeler) bu yapılarla nasıl ilişkili olduğunu (ölçme modeli) ve yapıların birbirleriyle nasıl ilişkili olduğunu (yapısal model) belirten resmi bir kuramsal model — genellikle bir yol diyagramı olarak betimlenen — ortaya koyar. Dahil edilen veya hariç tutulan her yol, veriye dayalı bir seçimden ziyade, özsel bir kuramsal bağlılığı yansıtır.

2

Her gizil yapı, kanıtlanmış veya varsayılan güvenilirlik ve geçerliliğe sahip çok maddeli ölçekler seçilerek veya geliştirilerek işletimselleştirilir. Örneklem büyüklüğü gereksinimleri tahmin edilir (serbest parametre başına 10-20 vaka yaygın bir ölçüttür) ve genellenebilirliği desteklemek için örneklem planı hedef popülasyona göre ayarlanır.

3

Veriler, model tahminini sürdürmek için yeterli büyüklükte bir örneklemden — tipik olarak kendi kendine rapor edilen anketler veya arşiv ölçümleri yoluyla — toplanır (SEM için yaygın olarak N >= 200). Çok değişkenli normallik, eksik veri örüntüleri ve aykırı değer profilleri model tahminine geçmeden önce incelenir.

4

Belirtilen model, maksimum olabilirlik (ML) gibi bir tahmin yöntemi kullanılarak gözlenen kovaryans matrisine uydurulur. Tahmin, yeniden üretilmiş bir kovaryans matrisi üretir; gözlenen ve yeniden üretilmiş matrisler arasındaki fark, uygunluk istatistikleriyle özetlenir: ki-kare testi, CFI, TLI, RMSEA ve SRMR.

Formül
\chi^2, \text{CFI}, \text{RMSEA}, \text{SRMR}
5

Model uygunluğu, geleneksel ölçütlere karşı (örneğin, CFI >= 0.95, RMSEA <= 0.06, SRMR <= 0.08) değerlendirilir. Bireysel yol katsayıları, standart hataları ve R-kare değerleri kuramsal tahminler ışığında yorumlanır. Kötü uygunluk, kuramsal modelin veri üretme sürecini yeterince temsil etmediğini gösterir.

6

Uygunluk yetersiz olduğunda, düzeltme indeksleri kuramsal olarak gerekçelendirilebilir değişiklikler — yollar ekleme, korelasyonlu artık değerleri serbest bırakma veya ölçme yapısını yeniden değerlendirme — önerebilir. Herhangi bir sonradan müdahale, şansa bağlılığı önlemek için bağımsız bir örneklemde yeniden doğrulanmalıdır; aksi takdirde çalışma doğrulayıcıdan keşfediciye kayar.

Sık yapılan hatalar

  • Veri incelendikten sonra modeli belirtmek — bu, model sınamasını model oluşturmaya dönüştürür; doğrulayıcı mantık geçersiz kılınır.
  • Sadece elverişli uygunluk indekslerini raporlayıp kötü olanları hariç tutarak vasat uygunluğu yeterli kabul etmek.
  • Düzeltme indekslerini iyileştirme tarifi olarak kullanmak, kuramsal gerekçe olmadan — eklenen her yol, yalnızca istatistiksel iyileştirmeden değil, özsel akıl yürütmeden yansımalıdır.
  • Yapı başına çok az gösterge kullanmak (tek göstergeli modeller, yapı varyansını ölçme hatasından ayıramaz, SEM'in temel avantajını geçersiz kılar).
  • Grupları karşılaştırırken değişmezlik testlerini göz ardı etmek — gizil ortalama farklarının anlamlı olmasından önce faktör yüklerinin ve kesme noktalarının gruplar arasında eşdeğer olduğu gösterilmelidir.

Sık sorulan sorular

Model sınama araştırması, genel olarak doğrulayıcı araştırmadan nasıl farklıdır?

Doğrulayıcı araştırma, önceden belirlenmiş bir hipotezi sınamak üzere tasarlanmış herhangi bir çalışmayı içeren geniş bir kategoridir. Model sınama araştırması, doğrulayıcı bir tasarımın özel bir türüdür; bu tasarım, tek tek hipotezleri tek tek sınamak yerine, tipik olarak SEM veya CFA kullanarak, varsayılan ilişkiler sisteminin tamamını eş zamanlı olarak değerlendirir. Tanımlayıcı özellik, veri toplanmadan önce yapısal veya ölçme modelinin resmi olarak belirtilmesidir.

Ne kadar örneklem büyüklüğüne ihtiyacım var?

Yaygın bir kural, serbestçe tahmin edilen parametre başına 10-20 gözlemdir ve kararlı ML tahminleri için mutlak minimum genellikle N = 200 olarak belirtilir. Çok sayıda gizil değişken ve yol içeren karmaşık modeller daha büyük örneklemler gerektirir. WebPower gibi güç analizi yazılımları veya Mplus'taki Monte Carlo simülasyonu, belirli bir model yapısı için daha kesin örneklem büyüklüğü tahminleri sağlayabilir.

Hangi uygunluk indekslerini raporlamalıyım ve kabul edilebilir değerler nelerdir?

En azından şunları raporlayın: dereceler serbestliği ve p-değeri ile ki-kare, CFI veya TLI (kabul edilebilir >= 0.90, iyi >= 0.95), RMSEA %90 güven aralığı ile (kabul edilebilir <= 0.08, iyi <= 0.06) ve SRMR (kabul edilebilir <= 0.10, iyi <= 0.08). Tek bir indeks kesin değildir; birden çok indeks üzerinden yakınsak kanıt gereklidir. Yalnızca ki-kare, büyük örneklemlerde aşırı duyarlıdır.

Veriyi gördükten sonra modelimi değiştirebilir miyim ve hala model sınaması diyebilir miyim?

Değişiklikler, düzeltme indeksleri veya artık değerler temelinde aynı veri kümesinden yapılmışsa, çalışma doğrulayıcıdan keşfediciye kaymıştır. Sonradan yapılan değişiklikler yalnızca bağımsız bir tutma örnekleminde çapraz doğrulama yapılırsa kabul edilebilirdir. Aksi takdirde, çalışma model sınaması değil, keşfedici model geliştirme olarak tanımlanmalıdır.

SEM yazılımı kullanmam mı gerekiyor, yoksa regresyon kullanabilir miyim?

Yalnızca gözlenen değişkenleri içeren basit modeller için çoklu regresyon yeterli olabilir. Ancak regresyon, gizil değişkenleri barındıramaz, ölçme hatasını ayıramaz veya genel model uygunluğunu sınayamaz. Model gizil yapıları, dolaylı etkileri veya eş zamanlı olarak ölçülen birden çok bağımlı değişkeni içerdiğinde, Mplus, lavaan (R), AMOS veya LISREL gibi özel SEM yazılımları gereklidir.

İlgili yöntemler

Kaynaklar

  1. Kline, R. B. (2015). Principles and Practice of Structural Equation Modeling (4th ed.). Guilford Press.

    ISBN: 978-1462523344
    Kopyalandı.
  2. Joreskog, K. G., & Sorbom, D. (1993). LISREL 8: Structural Equation Modeling with the SIMPLIS Command Language. Scientific Software International.

    Yayın kaynağını aç
    Kopyalandı.