Yapısal Eşitlik Modellemesi
- Ortaya koyan
- Sewall Wright
- Yıl
- 1921
- Tür
- Method
- Aile
- multivariate-modeling
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Yapısal eşitlik modellemesi (YEM), gözlenen ve örtük değişkenleri birbirine bağlayan karmaşık nedensel modelleri test etmek için yol analizi (Sewall Wright, 1921) ve doğrulayıcı faktör analizini birleştiren kapsamlı bir istatistiksel çerçevedir.
Jöreskog (1973) tarafından LISREL yazılımıyla formüle edilen YEM, ölçüm ilişkilerinin (değişkenlerin örtük yapıları nasıl ölçtüğü) ve yapısal ilişkilerin (yapıların sonuçları nasıl etkilediği) eş zamanlı olarak tahmin edilmesini sağlar. Bu özelliğiyle, karmaşık aracılık, düzenleyicilik ve örtük süreçlerin entegre analizini gerektiren psikoloji, epidemiyoloji, örgütsel araştırma ve sağlık bilimleri gibi alanlarda teori testi için güçlü bir araçtır.
Yöntemin mantığı
Birçok araştırma sorusu karmaşık nedensel zincirler içerir: bir X değişkeni Y sonucunu doğrudan mı, yoksa aracı M aracılığıyla dolaylı olarak mı etkiler? Birden fazla gözlenen değişken tek bir örtük yapıyı mı ölçer? YEM bu soruları tek bir modelde birleştirir. Çerçeve iki bölümden oluşur: (1) ölçüm modeli—gözlenen değişkenlerin örtük yapılarla nasıl ilişkili olduğu (faktör yükleri) ve (2) yapısal model—yapıların birbirleriyle nedensel olarak nasıl ilişkili olduğu (yol katsayıları). Regresyonun (ölçüm hatasını göz ardı eden) veya tek başına faktör analizinin (nedensel ilişkileri göz ardı eden) aksine, YEM ölçüm hatasını hesaba katarak yapısal yolları tahmin eder. Bu ikili yaklaşım, temel süreçler hakkında daha geçerli çıkarımlar sağlar ve dolaylı etkilerin (aracılık), düzenleyiciliğin ve karşılıklı ilişkilerin test edilmesini mümkün kılar.
Tarih
Sewall Wright, genetikte korelasyonları doğrudan ve dolaylı nedensel etkilere ayırmak için yol analizini (1921) geliştirdi. Karl Jöreskog, yol analizini faktör analiziyle birleştirerek YEM'i oluşturdu ve 1973'te LISREL (Linear Structural Relations) yazılımını yayınlayarak karmaşık hipotez testini mümkün kıldı. Bentler'in EQS (1985) ve Arbuckle'ın AMOS (1995) yazılımları YEM'i daha erişilebilir hale getirdi. Modern gelişmeler arasında sağlam tahmin (Yuan & Bentler, 2000), çok düzeyli YEM (Hox & Maas, 2001), dinamik yapısal modeller (örtük büyüme eğrileri; Bollen & Curran, 2006) ve Bayesçi YEM (Lee, 2007) bulunmaktadır.
Ne zaman kullanılır?
Aracılık, düzenleyicilik, örtük yapılar ve karşılıklı nedensellik içeren karmaşık çok değişkenli teorileri test ederken YEM kullanın. Psikoloji: travma maruziyetinin depresyonu olumsuz bilişsel kalıplar (aracılık) aracılığıyla etkileyip etkilemediğini test etmek; psikopatolojinin örtük boyutlarını modellemek. Epidemiyoloji: hastalık risk yollarını modellemek (örn. sosyoekonomik durum → sağlık davranışları → kardiyovasküler sonuçlar). Örgütsel araştırma: liderliğin (birden fazla maddeyle ölçülen) çalışan bağlılığı (örtük) aracılığıyla performansı etkileyip etkilemediğini test etmek. Eğitim: okul ikliminin (öğretmen ve öğrenci raporlarından elde edilen örtük yapı) öğrenci başarısı üzerindeki etkilerini modellemek. YEM, örtük değişkenleri doğal olarak ele alır, bu da yapıların soyut olduğu veya birden fazla göstergeyle hatayla ölçüldüğü durumlarda idealdir.
Sınırlar ve dikkat edilmesi gerekenler
- Büyük örneklemler ve dengeli tasarım gerektirir: küçük n veya aşırı örneklem özellikleriyle parametre tahmini kararsızdır; birden fazla örtük değişkenle minimum n ≥ 100–200.
- Modelin önsel olarak doğru belirtildiğini varsayar: YEM belirtilen modeli test eder; yanlış belirtim (atlanmış yollar, yanlış nedensel yön) yanlış olmasına rağmen iyi uyum sağlayabilir (eşdeğer modeller).
- Birden fazla eşdeğer model mümkündür: farklı yol yapıları aynı kovaryans matrisini yeniden üretebilir; YEM ek teori veya kısıtlamalar olmaksızın bunlar arasında ayrım yapamaz.
- Deneysel olmayan veriler nedenselliği ima etmez: yol katsayıları regresyon ağırlıklarını temsil eder, nedensel etkileri değil; karıştırıcı faktörler, ters nedensellik ve seçilim yanlılığı hala geçerliliği tehdit eder.
- Karmaşık etkileşimler ve doğrusal olmayan ilişkiler YEM'de belirtilmesi ve tahmin edilmesi zordur; genellikle doğrusal ilişkiler varsayar.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Entegre ölçüm ve yapısal bileşenler: değişkenlerin yapıları nasıl ölçtüğünü (geçerlilik) ve yapıların nasıl ilişkili olduğunu (teori testi) eş zamanlı olarak tahmin eder.
- Ölçüm hatasını hesaba katar: yol katsayıları ölçümdeki güvenilmezlik için düzeltilir, regresyondan daha geçerli yapısal tahminler sağlar.
- Karmaşık ilişkileri test eder: aracılık, düzenleyicilik, dolaylı etkiler ve karşılıklı nedensellik tek bir tutarlı çerçevede.
- Eksik veriler için esneklik: tam bilgi maksimum olabilirlik, MCAR varsayımı altında eksik verilerle analizi mümkün kılar.
- Kapsamlı uyum tanılaması: birden fazla indeks (CFI, RMSEA, kalıntılar) kapsamlı model değerlendirmesi ve belirli uyumsuzluk kaynaklarının belirlenmesini sağlar.
Uygulama alanları
- Klinik psikoloji: travma maruziyetinin negatif bilişsel kalıplar (aracılık) aracılığıyla depresyonu etkileyip etkilemediğini test etmek; psikopatolojinin örtük boyutlarını modellemek.
- Halk sağlığı: sosyal-ekolojik müdahalelerin sağlık davranışlarını etkileyip etkilemediğini değerlendirmek (örn. topluluk katılımı → bilgi → davranış değişikliği → sağlık sonuçları).
- Eğitim araştırmaları: okul kaynak tahsisinin öğretmen kalitesi ve okul iklimi (örtük yapı) aracılığıyla öğrenci öğrenimini etkileyip etkilemediğini değerlendirmek.
- Örgütsel davranış: liderlik tarzının çalışan motivasyonu ve bağlılığı (örtük aracılar) aracılığıyla örgütsel performansı etkileyip etkilemediğini test etmek.
- Boylamsal gelişimsel araştırma: bireylerin zaman içinde nasıl değiştiğini izleyen, başlangıç özelliklerinden yörüngeleri tahmin eden örtük büyüme eğrisi modelleri.
Nasıl çalışır?
Nasıl çalışır?
YEM'i uygulamak için: (1) modeli teoriye dayalı olarak önsel olarak belirtin (varsayılan nedensel yapıyı çizin veya şematize edin), (2) örtük değişkenleri (ölçülen değişkenler aracılığıyla dolaylı olarak gözlemlediğiniz soyut yapılar) ve göstergelerini tanımlayın, (3) yapısal yolları (değişkenleri/yapıları birbirine bağlayan nedensel hipotezler) belirtin, (4) tüm gözlenen değişkenler hakkında veri toplayın (genellikle sürekli; YEM uygun tahmin yöntemleriyle sıralı/kategorik verileri işleyebilir), (5) yeterli örneklem büyüklüğünü sağlayın (minimum n ≥ 100, ideal olarak n ≥ 200; genel kural: n > tahmin edilen parametre sayısının 10 katı). Minimum eksik değerle veri toplayın; YEM'in tam bilgi maksimum olabilirlik (FIML) yöntemi, tamamen rastgele eksik (MCAR) varsayımı altında eksik verileri işler. Dışsal değişkenleri (nedenler, genellikle ilişkisiz) ve içsel değişkenleri (etkiler, diğer değişkenlerden kaynaklanabilir) tanımlayın.
YEM'i maksimum olabilirlik (ML) veya sağlam tahmin yöntemleri (normal olmayan veriler için MLR) kullanarak tahmin edin. Çıktı şunları içerir: (1) Standardize edilmiş yol katsayıları (değişkenler arasındaki regresyon ağırlıkları): yollar arasında doğrudan karşılaştırılabilir; 0.4 katsayısı orta düzeyde bir etkiyi gösterir. (2) Faktör yükleri: örtük değişkenler ile göstergeleri arasındaki korelasyonlar (≥0.5 kabul edilebilir, ≥0.7 güçlü). (3) Standart hatalar ve z-istatistikleri: katsayıların sıfırdan anlamlı şekilde farklı olup olmadığını test eder. (4) Dolaylı etkiler (aracılık): dolaylı yol(lar) boyunca yol katsayılarının çarpımı; bootstrapping (≥1000 iterasyon) yoluyla test edilir. (5) İçsel değişkenler için R²: açıklanan varyans oranı. (6) Uyum indeksleri: CFI > 0.95, TLI > 0.95, RMSEA < 0.06, SRMR < 0.08 (Hu & Bentler, 1999). (7) Kalıntılar: standardize edilmiş değerler sıfıra yakın olmalıdır; büyük kalıntılar belirli ilişkilerde model uyumsuzluğunu gösterir. (8) Modifikasyon indeksleri: alternatif yollar önerir; ancak, veriye dayalı modifikasyonlar geçerliliği tehlikeye atar—yalnızca teoriye dayalı olarak modifiye edin.
Standardize edilmiş yol katsayılarını şu şekilde yorumlayın: X→Y yolu için 0.5 katsayısı, diğer değişkenler sabit tutulduğunda X'teki 1 standart sapma artışının Y'de 0.5 standart sapma artışı öngördüğü anlamına gelir (doğrudan etki). Eğer katsayı p < 0.05 ise, etki istatistiksel olarak anlamlıdır. Dolaylı etkiler: aracı yol boyunca katsayıları çarpın. Örneğin, X→M katsayısı 0.3 ve M→Y katsayısı 0.4 ise, dolaylı etki = 0.3×0.4 = 0.12; anlamlılık için bootstrap %95 GA'nın sıfırı dışlaması gerekir. Toplam etki = doğrudan + dolaylı; genel ilişkiyi değerlendirmek için sıfırla karşılaştırın. Model uyumu: tüm uyum kriterlerini (CFI, RMSEA vb.) karşılamak, modelin gözlenen kovaryans yapısını yeterince yeniden ürettiğini gösterir. Sıfıra yakın kalıntılar, bireysel yollarda uyumu doğrular. Modifikasyon indeksleri > 3.84, uyumu iyileştirebilecek yolları önerir, ancak ad-hoc yollar eklemek Tip I hatasını artırır; modelleri yalnızca teorik gerekçelendirmeye dayanarak yeniden belirtin veya bağımsız bir örneklem üzerinde çapraz doğrulayın.
Sık yapılan hatalar
- Veriye dayalı model modifikasyonu: modifikasyon indekslerine dayanarak yolların iteratif olarak eklenmesi şansa dayanır ve tekrarlanamayacak modeller üretir. Modifikasyonlar önsel olarak teorik olarak gerekçelendirilmeli veya bağımsız bir örneklem üzerinde test edilmelidir.
- Ölçüm modelini göz ardı etmek: yalnızca yapısal yollara odaklanırken ölçüm hatasının serbestçe tahmin edilmesine izin vermek; yetersiz ölçüm yapısal geçerliliği zayıflatır.
- Kalıntıları incelemeden model uyumunu raporlamak: iyi global uyum indeksleri tüm yolların iyi uyduğunu garanti etmez. Yerelleşmiş uyumsuzluğu belirlemek için standardize edilmiş kalıntıları ve modifikasyon indekslerini inceleyin.
- Keşifsel olarak kullanıldığında YEM'i doğrulayıcı olarak ele almak: eğer model veriden türetilmişse (post-hoc belirtim), keşifsel olarak raporlayın ve bağımsız bir örneklem üzerinde doğrulayın.
- İstatistiksel anlamlılığı pratik anlamlılıkla karıştırmak: anlamlı bir yol (p < 0.05) etkinin büyük veya anlamlı olduğu anlamına gelmez. Etki büyüklüklerini (standardize edilmiş katsayılar) ve güven aralıklarını raporlayın.
- Modeli örtük değişkenlerle aşırı doyurmak: göstergelere ve örneklem büyüklüğüne göre çok fazla örtük yapı, kararsız tahminler üretir; çok gruplu YEM veya bifaktör modelleri dikkatli kullanın.
Sık sorulan sorular
Doğrudan etki ile dolaylı etki (aracılık) arasındaki fark nedir?
Doğrudan etki, X'ten Y'ye olan yolu, X'in Y'yi doğrudan nasıl etkilediğini nicelendirir. Dolaylı etki, X→M→Y yolunu, X'in Y'yi aracı M aracılığıyla nasıl etkilediğini nicelendirir. Dolaylı etki, X→M yolu ile M→Y yolunun çarpımına eşittir. Toplam etki = doğrudan + dolaylı. Aracılık şu durumlarda meydana gelir: (1) M kontrol edildikten sonra X→Y doğrudan etkisi azalır ve (2) X→M→Y dolaylı etkisi anlamlıdır (bootstrap GA sıfırı dışlar). Tam aracılık: aracı dahil edildikten sonra doğrudan etki anlamsız hale gelir. Kısmi aracılık: hem doğrudan hem de dolaylı etkiler anlamlıdır, bu da X'in Y'yi birden fazla yol aracılığıyla etkilediği anlamına gelir.
Modelimin iyi uyduğunu nasıl anlarım? CFI ve RMSEA ne anlama geliyor?
Model uyumu birden fazla indeksle değerlendirilir (Hu & Bentler, 1999 kriterleri): CFI (Karşılaştırmalı Uyum İndeksi), modelinizi bir boş modelle (tüm değişkenler ilişkisiz) karşılaştırır; CFI > 0.95 iyi uyumu gösterir (0–1 aralığındadır). RMSEA (Yaklaşım Kök Ortalama Kare Hatası), model ile veri arasındaki tutarsızlığı serbestlik derecesi başına nicelendirir; RMSEA < 0.06 mükemmel, 0.06–0.08 iyi, >0.10 zayıf (sıfıra yakın olması daha iyidir). TLI > 0.95 ve SRMR < 0.08 de önerilir. Tüm kriterlerin eş zamanlı olarak karşılanması iyi uyumu gösterir. Ancak, iyi genel uyum tüm yolların iyi uyduğunu garanti etmez; standardize edilmiş kalıntıları (|<2|) ve modifikasyon indekslerini inceleyin.
Örtük değişken nedir ve onu nasıl ölçerim?
Örtük değişken, birden fazla gözlenen gösterge (anket maddeleri, test puanları) aracılığıyla dolaylı olarak ölçülen gözlenemeyen bir yapıdır (örn. depresyon, zeka, örgütsel kültür). Her gösterge, örtük yapıyı ve ölçüm hatasını yansıtır. YEM'de, hangi gözlenen değişkenlerin hangi örtük değişkenleri faktör yükleri aracılığıyla ölçtüğünü belirtirsiniz. Örneğin, 'depresyon' örtük değişkeni şu maddelerle ölçülebilir: üzüntü, umutsuzluk, uyku bozukluğu (gözlenen göstergeler). Her yük ≥0.5 olmalıdır; eğer bir gösterge zayıf yükleniyorsa, onu çıkarmayı veya örtük yapıyı yeniden kavramsallaştırmayı düşünün.
Gözlemsel verilerden nedenselliği belirlemek için YEM kullanabilir miyim?
Hayır. YEM, ilişkileri tahmin eder ve varsayılan bir nedensel modelin verilerdeki korelasyon yapısını yeniden üretip üretmediğini test eder. Yol katsayıları regresyon ağırlıklarını (koşullu ilişkiler) temsil eder, nedensel etkileri değil. Nedensellik şunları gerektirir: (1) zamansal öncelik (X, Y'den önce ölçülür), (2) kovaryasyon (X ve Y korelasyon gösterir), (3) makul alternatiflerin olmaması (karıştırıcı faktörler, ters nedensellik). Gözlemsel YEM, 3. kriteri ihlal eder: karıştırıcı değişkenler ve ölçülmeyen nedenler geçerliliği tehdit eder. YEM'in istatistiksel uyumu tek başına nedenselliği kanıtlayamaz. Nedensel çıkarımı güçlendirmek için YEM'i teori, nitel kanıtlar ve çalışma tasarımı (randomizasyon, araç değişkenleri) ile birlikte kullanın. Alternatif modelleri test eden duyarlılık analizlerini düşünün.
İlgili yöntemler
Kaynaklar
Jöreskog, K. G., & Sörbom, D. (1973). LISREL: A general computer program for estimating a linear structural equation system. Research Bulletin 73-5. University of Stockholm.
Yayın kaynağını açKopyalandı.Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indices in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55.
DOI kaynağını açKopyalandı.Wright, S. (1921). Correlation and causation. Journal of Agricultural Research, 20(7), 557–585.
Yayın kaynağını açKopyalandı.