182. Gizil etkileşim modelleri (çarpım göstergeleri, LMS, QML)
Şablon kimliği: gizil_etkilesim · Kategori: yem · Dil: R · Dosya: pro/sablonlar/yem/gizil_etkilesim.R (satır 1–154; üstbilgi 1–63) · Örnek veri: _ornek/oneint.csv · Paketler: lavaan 0.7-2, modsem 1.0.23
182.1 Ne işe yarar
Şablon, gizil değişkenler arasındaki etkileşimi (düzenleyici etki) ölçüm hatasını hesaba katarak kestirir: bir gizil yordayıcının (X) bir gizil çıktı (Y) üzerindeki etkisi, ikinci bir gizil değişkenin (Z) düzeyine göre değişiyor mu? Model
biçimindedir; X, Z ve Y çok göstergeli gizil değişkenlerdir. \omega etkileşim katsayısıdır. Gösterge toplam puanlarıyla yapılan olağan düzenleyici regresyon ölçüm hatasını yok sayar ve etkileşim katsayısını aşağı çeker; şablon hatayı modele katar.
Şablon beş kestirim yöntemi sunar: çift merkezlenmiş çarpım göstergeleri (dblcent), kısıtlı yaklaşım (ca), artık merkezleme (rca), LMS ve QML. İlk üçü gösterge çarpımlarını ek gösterge yapıp lavaan'da klasik yapısal eşitlik modeli kestirir; son ikisi çarpım göstergesi kullanmaz, normal karışım olabilirliğini doğrudan en büyükler. Hepsi modsem paketi üzerinden çağrılır.
Ne zaman kullanılır?
- Düzenleyici (etkileşim) etkisini, ölçüm hatası düzeltilmiş gizil değişkenler üzerinde sınamak istiyorsanız.
- Her gizil değişken için en az iki, tercihen üç ya da daha çok gösterge varsa.
- Örneklem büyükse (örnek veride n=2000): etkileşim katsayısı küçük olduğunda kestirimi yeterli bilgi için büyük örneklem gerekir.
Ne zaman kullanılmaz?
- Yalnız gözlenen değişkenlerin etkileşimi sınanacaksa: temel programdaki etkileşim terimli regresyon; gizil model gerekmez.
- Göstergeler sıralı (az kategorili) ise: şablon sürekli ve normal dağılımlı gösterge varsayar;
sirali_cfa_wlsmvgöstergeler için ayrı bir çözümdür ama etkileşim içermez. - Etkileşimli modelin gruplar arası eşdeğerliği ya da çok düzeyli yapı gerekiyorsa: bu şablon tek düzeylidir ve tek gruplu.
Temel programla ilişki. Temel programdaki etkileşimli regresyon gözlenen değişkenlerin çarpımını kullanır ve ölçüm hatasını yok sayar. Bu şablonun farkı, çarpımın gizil değişkenler düzeyinde tanımlanması ve ölçüm hatasının modele katılmasıdır.
182.2 Şablonun girdileri
Form, üstbilgideki yedi [[param]] bloğundan kurulur (gizil_etkilesim.R:11–62). Türlerin ve formun ortak denetiminin anlamı Bölüm 1.2'de anlatılmıştır.
| Alan (form etiketi) · ad | Tür · sekme | Varsayılan | Geçerli değerler | Kodda etkisi |
|---|---|---|---|---|
Model sözdizimi · model |
metin · Model | X =~ x1 + x2 + x3; Z =~ z1 + z2 + z3; Y =~ y1 + y2 + y3; Y ~ X + Z + X:Z |
lavaan sözdizimi, ; ya da satır sonu ayırıcı; en az bir : etkileşimi |
modsem(model, …) ve değişken denetimi (68–94; 11–16). |
Kestirim yöntemi · yontem |
seçim · Model | dblcent |
dblcent, ca, rca, lms, qml |
modsem(method = ) (91; 17–23). |
Verileri merkezle · merkezle |
onay kutusu · Model | kapalı | açık / kapalı | Açıksa center.data = TRUE (88; 24–30). |
Verileri standartlaştır · standartlastir |
onay kutusu · Model | kapalı | açık / kapalı | Açıksa standardize.data = TRUE (88; 31–37). |
Sağlam standart hata · saglam_se |
onay kutusu · Seçenekler | kapalı | açık / kapalı | Yalnız LMS ve QML'de robust.se = TRUE (89; 38–44). |
LMS düğüm sayısı · dugum |
tamsayı · Gelişmiş | 0 | 0–100 | Yalnız LMS'de ve >0 ise nodes (89; 45–53). 0: modsem varsayılanı. |
Azami yineleme · maks_yineleme |
tamsayı · Gelişmiş | 0 | 0–100000 | Yalnız LMS/QML'de ve >0 ise max.iter (90; 54–62). 0: modsem varsayılanı. |
Şablonun kendi denetimleri.
| Koşul | İleti (özet) | Satır |
|---|---|---|
| Veri açık değil | "Önce Veri sekmesinde bir veri açın." | 67 |
| Model boş | "Model sözdizimini yazın." | 69 |
Modelde : yok |
"Modelde 'X:Z' biçiminde bir etkileşim terimi olmalı." | 70 |
| Sözdizimi okunamıyor | "Model sözdizimi okunamadı: …" | 71–72 |
=~ ile tanımlı gizil değişken yok |
"Modelde '=~' ile tanımlı gizil değişken yok." | 74 |
| Modeldeki değişken veride yok | "Modeldeki değişkenler veride yok: …" | 79 |
| Değişken sayısal değil | "'…' sayısal değil." | 81 |
| Tam gözlem sayısı <\max(50,\,3k) (k: modeldeki gözlenen değişken sayısı) | "Gizil etkileşim için çok az tam gözlem (…); en az … gerekli." | 84 |
| Gözlenen değişkenin standart sapması 0 | "'…' sabit." | 85 |
modsem hata verirse |
"Model kestirilemedi: …" | 92 |
| Çarpım yöntemlerinde yakınsama yok | "Model yakınsamadı." | 105 |
| Yapısal katsayılar kestirilemedi | "Yapısal katsayılar kestirilemedi." | 114 |
| LMS/QML yakınsamadı | Durmaz; "UYARI: … yöntemi yakınsamadı …" satırı ve sonuçlardan sonra "Yakınsama uyarısı" notu yazılır | 116–119, 134 |
Eksik değerli satırlar silinir (83); n ve eksik değer nedeniyle atılan satır sayısı çıktının ilk satırında ("n = …; yöntem …; eksik değer nedeniyle atılan satır: …") yazılır (115). LMS ve QML için yakınsama durumu uyum tablosunda yakınsama (1 ya da 0) satırıdır; yakınsamazsa şablon durmaz ama "UYARI: … yöntemi yakınsamadı" satırı ile sonuçlardan sonra bir yakınsama notu yazar (116–119, 134; 182.8). saglam_se, dugum ve maks_yineleme çarpım yöntemlerinde geçirilmez ve uyarı verilmeden yok sayılır (88–90).
Örnek ayar (ornek_param, satır 9): varsayılan model ve yontem = dblcent.
Tohum. Şablonun formunda tohum alanı yoktur. Aynı veri ve ayarla iki farklı tohumla çalıştırılan LMS yapısal katsayıları ve logL'yi son basamağa kadar aynı verir (Bölüm 1.3'teki tohum alanı bu şablonda sonucu etkilemez). Çarpım göstergeli üç yöntem lavaan'ın belirleyici ML eniyilemesidir.
182.3 Örnek veri
oneint.csv: modsem paketinin oneInt verisiyle aynı (en büyük mutlak fark 5\times10^{-15}); n=2000, dokuz gösterge, eksik değer yok. X, Z ve Y üçer göstergelidir.
| Değişken | Rol | Tür (veri sekmesi) | Özet |
|---|---|---|---|
x1, x2, x3 |
X göstergeleri | sayısal | ort. 1,023; 1,215; 0,919; sd 1,068; 0,893; 0,993 |
z1, z2, z3 |
Z göstergeleri | sayısal | ort. 1,011; 1,206; 0,916; sd 1,089; 0,910; 0,974 |
y1, y2, y3 |
Y göstergeleri | sayısal | ort. 1,180; 1,335; 1,083; sd 1,627; 1,319; 1,475 |
Gösterge çiftlerinin korelasyonları aynı gizil değişken içinde yüksektir (r_{x_1x_2}=0{,}83, r_{y_1y_2}=0{,}93); X ve Z göstergeleri zayıf ilişkilidir (0{,}15–0{,}18); Y göstergeleri X (\approx0{,}44) ve Z (\approx0{,}42) ile orta düzeyde ilişkilidir.
Bütün sütunlar sayısaldır; model sözdizimindeki adlar veri sütunlarıyla birebir aynı olmalıdır (büyük/küçük harf duyarlı). Kategorik düzey sırası bu şablonda kullanılmaz.
Bu bölümde kullanılan çalıştırmalar: (1) örnek ayar (dblcent); (2) ca; (3) rca; (4) qml; (5) lms; (6) merkezle ve standartlastir; (7) lms, maks_yineleme = 3; (8) gözlenen düzenleyicili model (Y ~ X + z1 + X:z1); (9) etkileşimsiz model (hata); (10) veride olmayan değişken (hata); (11) iki farklı tohumla LMS.
182.4 Yöntem: formüller ve hesap adımları
Hesap şu sırayla yürür: (i) model sözdizimi lavParseModelString ile ayrıştırılır, gizil ve gözlenen değişkenler çıkarılır (68–77); (ii) veri, modeldeki gözlenen değişkenlere indirgenip tam gözlemler alınır ve n, sabit sütun denetlenir (80–85); (iii) modsem() (Slupphaug ve ark., 2025) seçilen yöntemle çağrılır; çarpım yöntemlerinde kestirimi lavaan yapar (Rosseel, 2012) (86–94); (iv) yapısal katsayılar, gizil (ko)varyanslar, uyum ve R^2 tabloları, yakınsama uyarısı ve yöntemler arası karşılaştırma notu yazılır (95–134); (v) basit eğim şekli çizilir (135–153).
182.4.1 Ölçüm ve yapısal model
Gösterge x_a, z_b, y_c için
- \lambda: yükler; her gizil değişkenin ilk yükü 1'e sabitlenir (ölçek).
- \delta,\varepsilon: ölçüm hataları, birbirinden bağımsız.
- \boldsymbol\Phi: (X,Z) kovaryans matrisi. Örnek veride \hat\phi_{XX}=0{,}981, \hat\phi_{ZZ}=1{,}016, \hat\phi_{XZ}=0{,}201.
- \gamma_1,\gamma_2: koşullu ana etkiler; X'in etkisi Z=0'da (ortalamada) \gamma_1'dir.
- \omega: etkileşim; X'in Y üzerindeki eğimi Z=z'de \gamma_1+\omega z'dir.
Etkileşim bulunduğunda \gamma_1 ve \gamma_2 ana etki değil koşullu etkidir (Z ya da X ortalamada iken). Gizil değişkenler ortalama 0'a merkezlenmiş kabul edilir; modelde gizil ortalama kestirilmez.
182.4.2 Çift merkezlenmiş çarpım göstergeleri (dblcent)
Kenny ve Judd'ın (1984) fikrinde etkileşim, gösterge çarpımlarıyla temsil edilir. Çift merkezleme (Lin ve ark., 2010): önce x_a ve z_b ortalamalarından çıkarılır, tüm çiftler için x^c_az^c_b çarpılır, sonra çarpım yeniden merkezlenir:
XZ gizil değişkeni, bu 3\times3=9 çarpımla ölçülür (XZ =~ x1z1 + x2z1 + … + x3z3, ilk yük 1); çarpım göstergelerinin yükleri kısıtsız serbesttir. Aynı x_a ya da aynı z_b'yi paylaşan çarpımların ölçüm hataları ilişkilidir ve şablonun çağırdığı modsem, bu artık kovaryansları serbest bırakır (\pi_{ab} ile \pi_{a'b} ve \pi_{ab} ile \pi_{ab'} çiftleri; 9 çarpım için 18 artık kovaryans).
Örnek veride parametre sayısı q=60: 14 serbest yük (X'te 2, Z'de 2, Y'de 2, XZ'de 8), 18 artık varyans (9 gösterge ve 9 çarpım), 18 artık kovaryans, 4 gizil varyans (X, Z, XZ, \zeta), 3 gizil kovaryans (X–Z, X–XZ, Z–XZ) ve 3 yapısal yol. Gözlenen değişken sayısı 18, bilgi sayısı 18\times19/2=171, serbestlik derecesi 171-60=111.
Neden çift merkezleme?
Çarpım göstergeleri, ana etki göstergelerinden güçlü biçimde ilişkili olur; ortalamalarla çarpılan değerlerin ortalaması 0 olmadığında çarpım, birinci düzey terimlerin doğrusal birleşimini de taşır. Gösterge merkezlenmesi bu bağımlılığı azaltır; çarpımın yeniden merkezlenmesi ise çarpım göstergelerinin kendi ortalamasını sıfırlayarak ortalama yapısına ihtiyaç duymadan modelin kestirilmesini sağlar. Çift merkezleme, kısıtlı yaklaşımın doğrusal olmayan kısıtlarını gerektirmeyen, kısıtsız çarpım göstergeli bir yöntemdir (Lin ve ark., 2010; Marsh ve ark., 2004).
Koddaki tercih
modsem(method = "dblcent") lavaan'ı çağırır; şablon e$lavaan'daki yakınsama durumunu denetler (105) ve parameterEstimates(), fitMeasures() çıktısını alır (106–110). lavaan ML'dir (böleni N); ortalama yapısı yoktur. Kenarda: çarpım göstergeleri gözlenen değişken sayısını 9'dan 18'e çıkardığı için \chi^2, sd ve logL, çarpım göstergeleri olmayan bir modelin değerleriyle karşılaştırılamaz (182.8).
182.4.3 Kısıtlı yaklaşım ve artık merkezleme
- Kısıtlı yaklaşım (
ca; Algina ve Moulder, 2001; Marsh ve ark., 2004): çarpım göstergelerinin yükleri ve hataları, ana etki parametrelerinin fonksiyonu olarak doğrusal olmayan kısıtlarla bağlanır (\lambda_{x_az_b}=\lambda_{x_a}\lambda_{z_b}, \operatorname{Var}(XZ)=\phi_{XX}\phi_{ZZ}+\phi_{XZ}^2 gibi). Parametre sayısı azalır: örnek veride q=34, sd =56 ve XZ'nin X ve Z ile kovaryansları sıfıra kısıtlanmıştır (8{,}7\times10^{-9} ve 4{,}8\times10^{-9}). - Artık merkezleme (
rca; Little ve ark., 2006): her çarpım göstergesi birinci düzey göstergelere regres edilir ve artıkları çarpım göstergesi olarak kullanılır; böylece çarpım göstergeleri birinci düzey göstergelerle ilişkisiz olur ve XZ ile X, Z arasındaki kovaryans \approx0 olur (-2{,}1\times10^{-8} ve -1{,}6\times10^{-8}). Örnek veride q=60.
Yöntemler aynı Z\to Y katsayısını vermeyebilir
Örnek veride \hat\gamma_2: dblcent 0,561, ca 0,565, rca 0,603, LMS 0,569, QML 0,569. rca ana etkiyi diğerlerinden 0,04 farklı (yaklaşık 1,6 standart hata) verir; bu bir yöntem farkıdır ve artık merkezlemede birinci düzey katsayıların anlamı çarpım artıklarının tanımına bağlıdır. Yöntemi çalıştırma öncesi seçin ve raporda yöntemi yazın.
182.4.4 LMS ve QML
LMS (Klein ve Moosbrugger, 2000): (X,Z) gizil değişkenleri verildiğinde gözlenen göstergelerin dağılımı normaldir; Y'nin ortalaması \gamma_1x+\gamma_2z+\omega xz ile (x,z)'ye bağlı olduğundan gözlenen vektörün marjinal dağılımı bir normal karışımıdır:
- \mathbf u_i: i. kişinin dokuz göstergesi.
- \mathbf C=\boldsymbol\Theta+\psi_\zeta\boldsymbol\lambda_Y\boldsymbol\lambda_Y^{\top} (Y göstergeleri bloğunda): koşullu artık kovaryansı.
- \phi, \phi_2: çok değişkenli ve iki değişkenli normal yoğunluklar.
İntegral karelemeyle hesaplanır (modsem'in LMS çağrısı: EM tabanlı algoritma, uyarlamalı kareleme, varsayılan 24 düğüm; maks_yineleme uyarısında bu ayarlar listelenir) ve olabilirlik en büyüklenir. QML (Klein ve Muthén, 2007) aynı modeli normal karışım olabilirliğinin yaklaşık bir biçimini doğrudan en büyükleyerek kestirir; örnek veride LMS ile QML'nin katsayıları üç basamak aynıdır (0,6727/0,6732; 0,5688/0,5688; 0,7180/0,7186). İkisi de çarpım göstergesi kullanmadığından logL, 9 gözlenen göstergenin olabilirliğidir.
Koddaki tercih
dugum yalnız LMS'de (P$yontem == "lms") ve 0'dan büyükse nodes olarak geçer (89); 0 modsem'in varsayılanıdır. maks_yineleme > 0 ise yalnız LMS/QML'de max.iter olarak geçer (90). saglam_se LMS/QML'de robust.se = TRUE. LMS/QML'de AIC ve BIC şablonda hesaplanır: AIC =-2\ell+2q, BIC =-2\ell+q\ln n, q= length(e$coefs.free) (99–101). Çarpım yöntemlerinde bu değerler lavaan'dan gelir (108–110). Uyum tablosunun altında, log-olabilirlik, AIC ve BIC'in yalnız aynı yöntem içinde karşılaştırılabileceğini söyleyen bir not yazılır (125).
182.4.5 Standart hata, test ve uyum
Çarpım yöntemlerinde standart hatalar lavaan'ın ML beklenen bilgisindendir; z ve p Wald'dır. Örnek veride yol katsayıları (SH): \hat\gamma_1=0{,}6746 (0,0266), \hat\gamma_2=0{,}5607 (0,0259), \hat\omega=0{,}7020 (0,0266). LMS/QML'de standart hata modsem'in bilgi matrisinden, istenirse sağlam kestiriciden (saglam_se) gelir. Uyum ölçütleri (\chi^2, sd, p, RMSEA, CFI, SRMR) yalnız çarpım yöntemlerinde verilir; LMS/QML'de yalnız n, logL, AIC, BIC, parametre sayısı ve yakınsama durumu.
R^2 yalnız çarpım yöntemlerinde ve yalnız gizil yanıt için verilir (127–131); R^2_Y=\operatorname{Var}(\gamma_1X+\gamma_2Z+\omega XZ)/\operatorname{Var}(Y). Örnekte \operatorname{Var}(\text{açıklanan})=1{,}4968, \hat\psi_\zeta=0{,}9903 ve R^2_Y=0{,}6018.
182.4.6 Merkezleme ve standartlaştırma seçenekleri
merkezle ve standartlastir modsem'e center.data ve standardize.data olarak geçer (88). Veri (göstergeler) merkezlenir ya da standartlaştırılır; gizil değişkenler değil. Örnek veride her ikisi açıkken \chi^2=122{,}924 ve sd =111 değişmez (kestirim ölçekten bağımsızdır) ama yapısal katsayılar göstergelerin standart sapmalarına bölünmüş ölçeğe geçer (\hat\gamma_1=0{,}4429, \hat\gamma_2=0{,}3751, \hat\omega=0{,}5017) ve gizil varyanslar da değişir (\hat\phi_{XX}=0{,}859). logL ve AIC de değişir (-25224{,}3 ve 50568,6). Bu, standartlaştırılmış gizil çözüm değildir; gizil değişkenlerin kendisi standartlaştırılmaz.
182.4.7 Basit eğimler
İlk etkileşim terimi için (X:Z) şablon yordayıcı ve düzenleyici değişkenlerin ve çıktı değişkeninin adını model sözdiziminden okur (136–138) ve
çizgisini z\in\{-1{,}0,+1\}\times\sqrt{\hat\phi_{ZZ}} için ve x\in[-2{,}2]\times\sqrt{\hat\phi_{XX}} aralığında çizer (143–150). Örnek veride \sqrt{\hat\phi_{ZZ}}=1{,}0081; X'in eğimi Z=-1 SS'de 0{,}6746+0{,}7020\times(-1{,}0081)=-0{,}0331, Z=0'da 0,6746, Z=+1 SS'de 1,3822'dir: Z düşükken X'in etkisi sıfıra yakındır, yüksekken iki katına çıkar. Çizgilerin kesişimi 0'dır (gizil ortalama modelde yoktur). Şekil, basit eğimlerin standart hatasını ve anlamlılığını göstermez.
Basit eğim şekli yalnız ilk etkileşimi çizer
Modelde birden çok : terimi varsa (ör. X:Z ve X:W) şablon yalnız ilkini çizer (136–138). Gözlenen bir değişkenle etkileşim (X:z1) çizilir (Z'nin varyansı veriden gelir) ama etkileşim terimi Xz1 adıyla çıkar. Basit eğimlerin güven aralığı için delta yöntemi ya da bootstrap gerekir; şablonda yoktur.
182.5 Kod adım adım
| Satırlar | Ne yapar | Neden / dikkat |
|---|---|---|
| 64–67 | Dil yardımcısı; lavaan ve modsem; veri denetimi. | |
| 68–72 | Model metnini birleştirir (satır sonu); : kontrolü; : yerine __ koyup lavParseModelString ile ayrıştırır. |
Etkileşim terimini ayrıştırıcının anlayacağı bir ada çevirir. |
| 73–77 | Gizil değişkenler (=~ soldakiler), göstergeler, gözlenen değişkenler (etkileşim terimleri parçalanarak). |
Sayı değerli sabitler (ör. 1*x1) atılır. |
| 78–85 | Veri sütunları: eksiklik, sayısallık, ham satır sayısı (82), tam gözlemler (83), n eşiği, sabit sütun. | Eksik satırlar silinir; atılan sayı konsol satırında yazılır (115). |
| 86–94 | modsem() çağrısı; uyarılar toplanır, iletiler susturulur. |
Yalnız hata (error) durdurur. |
| 95–111 | Yönteme göre parametre tablosu ve uyum: LMS/QML'de parTable, logLik; çarpımda lavaan nesnesi. |
Çarpımda yakınsama denetimi durdurur (105); LMS/QML'de yakınsama satırı tabloya yazılır. |
| 112–120 | Yapısal katsayılar (~); n, atılan satır ve yöntem konsola yazılır (115); LMS/QML yakınsamadıysa UYARI (116–119). |
Etkileşim teriminin adı yönteme göre değişir. |
| 121–125 | Gizil (ko)varyanslar, uyum tablosu ve "yalnız aynı yöntem içinde karşılaştırılır" notu. | logL, AIC ve BIC yöntemler arası karşılaştırılamaz. |
| 126–132 | R^2 (yalnız çarpımda ve yalnız gizil yanıt için). | LMS/QML'de R^2 yok. |
| 133–134 | Uyarıları yazar; LMS/QML yakınsamadıysa yakınsama notu. | İngilizce modsem iletileri çevrilmez. |
| 135–153 | Basit eğim şekli. | İlk etkileşim; \pm1 SS. |
182.6 Elle hesap: örnek veride bağımsız yeniden hesap
Hesap dogrulama/gizil_etkilesim/elle_hesap.py (numpy/scipy; lavaan ve modsem çağrılmaz) ve r_dogrulama.R (çarpım göstergeleri elle kurulup lavaan::sem; modsem yalnız LMS parametre tablosunu üretir) ile yapılmıştır.
Adım 1 — Çarpım göstergelerinin kurulması. x_a ve z_b merkezlenir, 9 çarpım hesaplanır, her çarpım yeniden merkezlenir. 18 gözlenen değişken (x_1,x_2,x_3,z_1,z_2,z_3,y_1,y_2,y_3 ve \pi_{ab}); örnek kovaryansı \mathbf S (18\times18, böleni 2000).
Adım 2 — Model ima edilen kovaryans. \boldsymbol\Sigma(\boldsymbol\theta)=\boldsymbol\Lambda(\mathbf I-\mathbf B)^{-1}\boldsymbol\Psi(\mathbf I-\mathbf B)^{-\top}\boldsymbol\Lambda^{\top}+\boldsymbol\Theta; gizil değişkenler (X,Z,Y,XZ), \mathbf B yalnız Y\leftarrow X,Z,XZ içerir, \boldsymbol\Psi (X,Z,XZ) tam kovaryansı ve \psi_\zeta; \boldsymbol\Theta 18 köşegen ve 18 artık kovaryans. 60 serbest parametre.
Adım 3 — ML. Başlangıç, R çözümünün yüzde 3 gürültülü hâlinden alınır (F'nin başlangıçtaki değeri çözümünkinden çok büyüktür); BFGS 62 yinelemede durur ve
Olabilirlik \ell=-26807{,}6122, AIC =53735{,}2244, BIC =54071{,}2786. R'de F'nin çözümdeki değerinden fark 5\times10^{-11}.
Adım 4 — Gizil varyanslar. \hat\phi_{XX}=0{,}981005, \hat\phi_{ZZ}=1{,}016233, \hat\phi_{XZ}=0{,}201145, \hat\psi_{XZ,XZ}=1{,}045493, \hat\psi_\zeta=0{,}990330 (Y varyansının artığı).
Adım 5 — LMS olabilirliği. Modsem LMS çözümünün parametre tablosu (\hat\gamma_1=0{,}6727, \hat\gamma_2=0{,}5688, \hat\omega=0{,}7180 ve ölçüm parametreleri) verilir. Gözlem başına integral, [-6{,}6]^2 ızgarasında (121, 181 ve 241 düğüm; adım 0,1; 0,067; 0,05) yamuk kuralıyla hesaplanır ve toplanır. Üç ızgarada \ell=-17493{,}5688 (aynı onuncu basamağa kadar). \omega için \pm0{,}02 sapmalarda \ell -17493{,}8629 ve -17493{,}8791 olur (0,29 ve 0,31 azalma): çözüm olabilirliğin tepe noktasındadır.
182.6.1 Doğrulama: MerQuR+, Python ve R
MerQuR+ sütunu şablonun "Yapısal katsayılar", "Gizil varyans ve kovaryanslar" ve "Model uyumu" tablolarından tam hassasiyetle alınmıştır. R sütunu çarpım göstergelerini elle kurup lavaan'da kestirir (modsem'in çarpım hattı kullanılmadan).
| Büyüklük | MerQuR+ | Python (bağımsız) | R (bağımsız) | En büyük fark | Ölçüt | |
|---|---|---|---|---|---|---|
| yol Y ← X: kestirim | 0,67455407 | 0,67455395 | 0,67455416 | 1,2e−7 | 1e−6 | ✓ |
| yol Y ← X: SH | 0,02657935 | — | 0,02657935 | 3,0e−9 | 1e−4 | ✓ |
| yol Y ← Z: kestirim | 0,56066219 | 0,56066168 | 0,56066215 | 5,1e−7 | 1e−6 | ✓ |
| yol Y ← Z: SH | 0,02594901 | — | 0,02594901 | 4,0e−11 | 1e−4 | ✓ |
| yol Y ← XZ: kestirim | 0,70201851 | 0,70201791 | 0,70201854 | 6,0e−7 | 1e−6 | ✓ |
| yol Y ← XZ: SH | 0,0266319 | — | 0,0266319 | 6,8e−10 | 1e−4 | ✓ |
| gizil (ko)varyans X–X | 0,98100491 | 0,98100515 | 0,98100467 | 2,4e−7 | 1e−6 | ✓ |
| gizil (ko)varyans Z–Z | 1,01623325 | 1,01623268 | 1,01623322 | 5,6e−7 | 1e−6 | ✓ |
| gizil (ko)varyans XZ–XZ | 1,04549341 | 1,04549322 | 1,04549337 | 1,8e−7 | 1e−6 | ✓ |
| gizil (ko)varyans X–Z | 0,20114548 | 0,2011451 | 0,20114553 | 3,8e−7 | 1e−6 | ✓ |
| logL | −26807,61221646 | −26807,61221652 | −26807,61221647 | 1,9e−12 | 1e−6 | ✓ |
| AIC | 53735,22443293 | 53735,22443303 | 53735,22443293 | 1,9e−12 | 1e−6 | ✓ |
| BIC | 54071,2785805 | 54071,27858061 | 54071,2785805 | 1,9e−12 | 1e−6 | ✓ |
| χ² | 122,92413774 | 122,92413784 | 122,92413774 | 8,4e−10 | 1e−6 | ✓ |
| sd | 111 | 111 | 111 | 0 | 1e−6 | ✓ |
| p (χ²) | 0,20676818 | 0,20676818 | 0,20676818 | 1,8e−9 | 1e−6 | ✓ |
| RMSEA | 0,00732887 | — | 0,00732887 | 7,5e−13 | 1e−6 | ✓ |
| CFI | 0,99976956 | — | 0,99976956 | 7,5e−14 | 1e−6 | ✓ |
| SRMR | 0,00828598 | — | 0,00828598 | 5,9e−9 | 1e−6 | ✓ |
| parametre sayısı | 60 | 60 | 60 | 0 | 1e−6 | ✓ |
| LMS: logL (modsem 24 düğümlü uyarlamalı kareleme; Python ızgara integrali) | −17493,60047541 | −17493,56881773 | — | 1,8e−6 | 1e−5 | ✓ |
Ölçütü karşılayan: 21/21. Python sütunu (A): çarpım göstergeleri sıfırdan kurulup ML eniyilemesi başlangıçtan bağımsız yapılmıştır (60 parametre, BFGS); (B): LMS olabilirliği 12 × 12 alanında yamuk kuralıyla integral alınarak hesaplanmıştır. R sütunu: çarpım göstergeleri elle kurulup lavaan::sem ile kestirilmiştir (modsem kullanılmadan). LMS logL için fark, modsem'in 24 düğümlü uyarlamalı kareleme yaklaşıklığından gelir (10⁻⁵ ölçütü); olabilirlik, tablodaki LMS kestirimlerinde hesaplanmıştır ve ω için ±0,02 sapmada 0,29 birim düşer (kestirim tepe noktasındadır).
LMS satırında fark 1{,}8\times10^{-6}'dır (göreli; ölçüt 10^{-5}): modsem logL'yi 24 düğümlü uyarlamalı kareleme ve iç yakınsama toleransıyla hesaplar; ızgara integrali daha ince ve üç ızgarada değişmez. Fark 0{,}032 log-olabilirlik birimidir (kestirimlerin tepe noktasını \pm0{,}29 ayırt eder). LMS ve QML'nin yol katsayıları ve QML olabilirliği için bağımsız bir başvuru hesabı yapılmamıştır: LMS için yalnız olabilirliğin tepe noktasında olduğu gösterilmiştir. Çarpım göstergeli yöntemlerden dblcent tam doğrulanmıştır; ca ve rca yalnız çalıştırılmış, bağımsız hesapla karşılaştırılmamıştır.
182.7 Çıktıyı okuma
Örnek ayar çıktısı (tablolar tam hassasiyetle saklanır; burada altı anlamlı basamak):
n = 2000; yöntem dblcent; eksik değer nedeniyle atılan satır: 0 (veride 2000 satır)
Yapısal katsayılar (etkileşim dahil)
bagimli yordayici kestirim SH z p
Y X 0.674554 0.0265794 25.3789 0
Y Z 0.560662 0.025949 21.6063 0
Y XZ 0.702019 0.0266319 26.3601 0
Gizil varyans ve kovaryanslar (ilk yedi satır; lhs rhs est se)
X X 0.981005 0.036475 Z Z 1.01623 0.0378402 Y Y 0.99033 0.038199
XZ XZ 1.04549 0.0435554 X Z 0.201145 0.0243179
X XZ 0.0155859 0.0248177 Z XZ 0.0619611 0.0252982
Model uyumu
n 2000 logLik -26807.6 AIC 53735.2 BIC 54071.3 chisq 122.924 df 111
p 0.206768 RMSEA 0.00732887 CFI 0.99977 SRMR 0.00828598 parametre 60
Not: log-olabilirlik, AIC ve BIC yalnız aynı yöntem içinde karşılaştırılabilir; çarpım göstergeli yöntemler (dblcent, ca, rca) çarpım göstergelerini veriye kattığından, LMS ve QML ile aynı veri vektörünün olabilirliğini vermez.
Gizil yanıtların R²'si
Y 0.601811
| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| Yapısal katsayılar | Y\leftarrow X, Y\leftarrow Z, Y\leftarrow XZ: kestirim, SH, z, p | \hat\omega=0{,}702 (z=26{,}4, p<0{,}001): etkileşim anlamlı. \hat\gamma_1=0{,}675, Z ortalamadayken X'in etkisidir. |
| Gizil varyans ve kovaryanslar | \phi, \psi_\zeta ve çarpım terimli kovaryanslar | \hat\phi_{X,XZ}=0{,}016 ve \hat\phi_{Z,XZ}=0{,}062 küçük: çift merkezlemeyle çarpım terimi ana etkilerle neredeyse ilişkisizdir. |
| Model uyumu | n, logL, AIC, BIC, \chi^2, sd, p, RMSEA, CFI, SRMR, parametre sayısı | p=0{,}207, RMSEA 0,007, CFI 1,000: uyum iyi. LMS/QML'de yalnız n, logL, AIC, BIC, parametre sayısı ve yakınsama. |
| R^2 | Gizil yanıtın açıklanan varyans oranı | 0,602: X, Z ve XZ birlikte Y varyansının yüzde 60'ını açıklar. |
| Basit eğim şekli | Z=-1{,}0,+1 SS'de X\to Y doğruları | Z yüksekken eğim dik; Z düşükken eğim yatay (−0,033). |
Şekil 182.1. Şablonun çizdiği basit eğimler (`dblcent`): Z'nin -1, 0 ve +1 standart sapmasında X ile Y arasındaki ilişki. Eğimler: −0,033; 0,675; 1,382.

Yöntemlerin karşılaştırması (aynı veri):
| Yöntem | \hat\gamma_1 (SH) | \hat\gamma_2 (SH) | \hat\omega (SH) | Gösterge sayısı | q | logL | AIC |
|---|---|---|---|---|---|---|---|
dblcent |
0,6746 (0,0266) | 0,5607 (0,0259) | 0,7020 (0,0266) | 18 | 60 | −26807,6 | 53735,2 |
ca |
0,6776 (0,0265) | 0,5647 (0,0258) | 0,7147 (0,0264) | 18 | 34 | −24339,3 | 48746,6 |
rca |
0,6771 (0,0266) | 0,6034 (0,0260) | 0,7041 (0,0267) | 18 | 60 | −26765,8 | 53651,6 |
qml |
0,6732 (0,0311) | 0,5688 (0,0304) | 0,7186 (0,0278) | 9 | 31 | −17493,6 | 35049,3 |
lms |
0,6727 (0,0310) | 0,5688 (0,0304) | 0,7180 (0,0278) | 9 | 31 | −17493,6 | 35049,2 |
Bu veride LMS ve QML'nin \hat\gamma_1 ve \hat\gamma_2 standart hataları dblcentinkinden yaklaşık yüzde 17, \hat\omega'nınki yüzde 4–5 büyüktür. Çarpım yöntemlerinin logL ve AIC değerleri, aynı veride bile birbirine ve LMS/QML'ye göre çok farklıdır: gözlenen değişken kümeleri farklı olduğundan karşılaştırılamaz (182.8).
Rapor cümlesi. Üç göstergeli gizil değişkenler X, Z ve Y arasındaki etkileşim, çift merkezlenmiş çarpım göstergeleriyle sınandı (n = 2000). Model veriye iyi uydu, χ²(111) = 122,92, p = 0,207; CFI = 1,000; RMSEA = 0,007; SRMR = 0,008. X'in Y üzerindeki etkisi Z düzeyine bağlıydı: etkileşim katsayısı 0,702 (SH = 0,027, p < 0,001); Z'nin ortalamada olduğu durumda X'in eğimi 0,675 (SH = 0,027), Z bir standart sapma düşükken −0,033, bir standart sapma yüksekken 1,382 idi. Model Y varyansının yüzde 60,2'sini açıkladı. Sonuçlar LMS ile (ω = 0,718, SH = 0,028) tutarlıydı.
182.8 Sık hatalar ve tuzaklar
- Etkileşimin yönteme göre farklı ada çıkması. Çarpım yöntemlerinde etkileşim
XZ, LMS/QML'deX:Zadıyla gelir. Aynı modeli iki yöntemle çalıştırıp tabloları birleştiriyorsanız adları eşleyin. - LMS/QML yakınsamazsa uyarılır.
maks_yineleme = 3ileMaximum iterations reached!uyarısı çıkar, uyum tablosundayakınsama = 0yazar ve şablon "UYARI: LMS yöntemi yakınsamadı …" satırı ile sonuçlardan sonra bir yakınsama notu yazar (116–119, 134); yapısal katsayılar, standart hatalar ve basit eğim şekli yine üretilir (örnek veride katsayılar 0,6746; 0,5625; 0,7159: yakınsamış çözüme yakın, bu bir kural değil) ama kesin sonuç olarak kullanılmamalıdır; en çok yineleme sayısını artırın. Çarpım yöntemlerinde yakınsamama çalıştırmayı durdurur. - logL, AIC ve BIC yöntemler arasında karşılaştırılamaz. Çarpım yöntemleri gözlenen değişken sayısını 18'e çıkarır; LMS/QML 9 göstergeyle çalışır. Aynı veride
dblcentAIC'i 53735, LMS'inki 35049'dur. Şablon uyum tablosunun altına bu uyarıyı not olarak yazar (125). Yöntem seçimini bu değerlerle yapmayın; yalnız aynı yöntem içinde (ör. etkileşimli ve etkileşimsiz modelin karşılaştırılması) kullanın. - Çarpım yöntemlerinin \chi^2'si yöntemler arasında karşılaştırılamaz.
rcaörnekte \chi^2=39{,}28, sd = 111 (p=1{,}000; RMSEA 0; CFI 1) verir: artık merkezlenmiş çarpım göstergeleri kovaryans yapısını farklı kurduğundan \chi^2 yöntemler arasında ve çarpımsız modelle karşılaştırılamaz. Etkileşim modeli uyumunu o yöntemin kendi referansıyla yorumlayın. - Koşullu ana etkiler. \gamma_1 ve \gamma_2, düzenleyici ortalamadayken etkilerdir; ana etki gibi okumayın. Etkileşim olmadan modelin ana etkisini görmek için etkileşimsiz modeli ayrıca kurun (şablon
:zorunlu kıldığından başka bir şablonla ya da temel programdaki yolla). - Merkezleme ve standartlaştırma seçenekleri veriyi değiştirir. Her ikisi açıkken katsayılar göstergelerin standart sapmasına bölünmüş ölçeğe geçer (0,443; 0,375; 0,502) ve logL farklıdır; bu standartlaştırılmış gizil çözüm değildir.
- Etkisiz alanlar.
saglam_se,dugumvemaks_yinelemeçarpım yöntemlerinde uyarı vermeden yok sayılır (88–90). - Eksik değerli satırlar silinir. Silinen satır sayısı ve kullanılan n ilk konsol satırında ("n = …; … atılan satır: …") ve model uyumu tablosunun
nsatırındadır. - Çok sayıda etkileşim ve basit eğim. Şekil yalnız ilk etkileşimi çizer ve basit eğimin standart hatası verilmez.
- ":" geçen her model etkileşim sayılır. Bir yorum satırı ya da etiketteki iki nokta üst üste (
Y ~ X # not: …) denetimi geçirir (70). - Küçük örneklem. Çarpım yöntemlerinde 9 çarpım göstergesi ve 18 artık kovaryans parametre sayısını 60'a çıkarır. Şablonun n eşiği \max(50{,}3k)'dır (k=9 için 50) ve 60 parametreli bir model için kestirimin kararlılığını garanti etmez.
- Yöntem seçimi. LMS ve QML gizil değişkenlerin normal dağıldığını varsayar; bu varsayım bozuksa kestirim sapabilir. Örnek veride standart hataları çarpım yöntemlerinden büyüktür (182.7).
182.9 Uzman soruları
S1. Çift merkezleme, kısıtlı yaklaşım, artık merkezleme, LMS ve QML'den hangisini seçmeliyim?
Marsh ve ark. (2004) ve Lin ve ark. (2010) çarpım göstergeli yöntemleri ve gösterge kurma seçeneklerini karşılaştırır; çift merkezleme, kısıtlı yaklaşımın doğrusal olmayan kısıtlarını gerektirmeden uygulanır. LMS ve QML çarpım göstergesi gerektirmez ve normal gizil dağılım varsayımı altında verimlidir; gizil dağılım normal değilse sapma yapabilir. Örnek veride beş yöntemin \omega kestirimi 0,702–0,719 arasındadır. Karar yöntemin varsayımlarına (normallik), yakınsamaya ve raporlamaya dayanır; sonuçta bir duyarlılık çözümlemesi olarak iki yöntem birlikte raporlanabilir.
S2. Çift merkezlemede neden artık kovaryansları serbest bırakılıyor?
Aynı x_a ya da aynı z_b'yi paylaşan çarpımlar (x_1z_1 ve x_1z_2 gibi) ortak bir ölçüm hatası taşır; bu hatayı yok saymak \omega'nın standart hatasını ve uyumu bozar. Örnekte 18 artık kovaryans 0,10–0,16 aralığındadır (standart hata 0,006–0,009): hepsi sıfırdan açıkça farklıdır. Bu kovaryansları kısıtlayan seçenek modsem'de (res.cov.method) vardır ama şablonda yoktur; gözlenen bir değişkenle etkileşimde modsem bu serbestliğin "tanımlanamaz" olabileceğini uyarır.
S3. LMS'nin logL'si modsem'den farklı bir yoldan hesaplandığında nasıl eşleşiyor?
Gözlem başına integrali ince bir ızgarada hesaplayıp topladığımızda \ell=-17493{,}5688 çıkar; modsem -17493{,}6005 verir (göreli 1{,}8\times10^{-6}). Fark modsem'in sonlu düğümlü uyarlamalı karelemesinden gelir. \omega'yı 0,02 kaydırmak \ell'yi 0,29 azaltır: çözüm tepe noktasındadır.
S4. Etkileşim anlamlı çıktı; basit eğimleri nasıl raporlarım ve şablon yardımcı olur mu?
Eğimler \hat\gamma_1+\hat\omega z (örnekte −0,033; 0,675; 1,382). Şekil eğimleri gösterir ama standart hatalarını ve anlamlılığını vermez. Basit eğimin standart hatası \sqrt{\operatorname{Var}(\hat\gamma_1)+z^2\operatorname{Var}(\hat\omega)+2z\operatorname{Cov}(\hat\gamma_1,\hat\omega)}'dir; kovaryans yol katsayılarının kovaryansından gelir ve şablon çıktısında yoktur. Anlamlılık için başka bir hesap ya da bootstrap gerekir.
S5. \chi^2 ve CFI neden LMS/QML'de yok?
LMS ve QML'de gözlenen değişkenlerin dağılımı normal değil, normal karışımdır; klasik \chi^2 (örnek kovaryansı karşılaştırması) bu durumda tanımlı değildir. Yalnız olabilirlik, AIC ve BIC verilir; yöntemlerin ya da etkileşimli/etkileşimsiz modelin olabilirlik oranı karşılaştırması aynı yöntem içinde yapılabilir.
S6. Standartlaştırma seçeneği gizil değişkenleri standartlaştırır mı?
Hayır; göstergeleri standartlaştırır. Örnekte katsayılar 0,443; 0,375; 0,502'ye ve gizil varyanslar 0,859 gibi değerlere geçer; \chi^2 ve sd aynıdır. Gizil değişkenlerin birim varyanslı çözümü için katsayılar gizil standart sapmalarla (\sqrt{\hat\phi_{XX}} vb.) ölçeklenmelidir.
S7. Eksik değeri nasıl ele almalıyım?
Şablon liste boyu siler ve silinen sayıyı yazmaz. Eksik değer miktarı küçük değilse veriyi önce çoklu atama ya da FIML'i destekleyen başka bir yolla hazırlayın; bu şablonda seçenek yoktur.
S8. Etkileşim terimi iki gizil değişkenin çarpımı yerine bir gizil ve bir gözlenen değişkenin çarpımı olabilir mi?
Olabilir: Y ~ X + z1 + X:z1. Örnekte modsem "tüm artık kovaryanslar serbest bırakıldı; model büyük olasılıkla tanımlanamaz" uyarısı verir (ge_obsmod) ve \chi^2(32)=105{,}2 (p<10^{-9}; RMSEA 0,034, SRMR 0,055) ile zayıf uyum verir. Gözlenen düzenleyicide çözüm yorumlanmadan önce uyarı ve uyum okunmalıdır.
182.10 Kaynaklar
- Algina, J., & Moulder, B. C. (2001). A note on estimating the Jöreskog–Yang model for latent variable interaction using LISREL 8.3. Structural Equation Modeling: A Multidisciplinary Journal, 8(1), 40–52. https://doi.org/10.1207/S15328007SEM0801_3
- Kenny, D. A., & Judd, C. M. (1984). Estimating the nonlinear and interactive effects of latent variables. Psychological Bulletin, 96(1), 201–210. https://doi.org/10.1037/0033-2909.96.1.201
- Klein, A., & Moosbrugger, H. (2000). Maximum likelihood estimation of latent interaction effects with the LMS method. Psychometrika, 65(4), 457–474. https://doi.org/10.1007/BF02296338
- Klein, A. G., & Muthén, B. O. (2007). Quasi-maximum likelihood estimation of structural equation models with multiple interaction and quadratic effects. Multivariate Behavioral Research, 42(4), 647–673. https://doi.org/10.1080/00273170701710205
- Lin, G.-C., Wen, Z., Marsh, H. W., & Lin, H.-S. (2010). Structural equation models of latent interactions: Clarification of orthogonalizing and double-mean-centering strategies. Structural Equation Modeling: A Multidisciplinary Journal, 17(3), 374–391. https://doi.org/10.1080/10705511.2010.488999
- Little, T. D., Bovaird, J. A., & Widaman, K. F. (2006). On the merits of orthogonalizing powered and product terms: Implications for modeling interactions among latent variables. Structural Equation Modeling: A Multidisciplinary Journal, 13(4), 497–519. https://doi.org/10.1207/s15328007sem1304_1
- Marsh, H. W., Wen, Z., & Hau, K.-T. (2004). Structural equation models of latent interactions: Evaluation of alternative estimation strategies and indicator construction. Psychological Methods, 9(3), 275–300. https://doi.org/10.1037/1082-989X.9.3.275
- R Core Team (2026). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/
- Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1–36. https://doi.org/10.18637/jss.v048.i02
- Rosseel, Y., Jorgensen, T., & De Wilde, L. (2026). lavaan: Latent variable analysis (R paketi, sürüm 0.7-2). https://CRAN.R-project.org/package=lavaan
- Slupphaug, K. S., Mehmetoglu, M., & Mittner, M. (2025). modsem: An R package for estimating latent interactions and quadratic effects. Structural Equation Modeling: A Multidisciplinary Journal, 32(4), 717–729. https://doi.org/10.1080/10705511.2024.2417409