184. RI-CLPM, klasik CLPM ve gizil değişim puanı modelleri
Şablon kimliği: ri_clpm · Kategori: yapısal eşitlik ve gizil model · Dil: R · Dosya: pro/sablonlar/yem/ri_clpm.R (satır 1–533; üstbilgi 1–132) · Örnek veri: _ornek/ri_clpm_hamaker.csv · Paketler: lavaan 0.7-2 (R 4.5.3)
184.1 Ne işe yarar
Şablon, iki değişkenin (X ve Y) aynı kişilerde dalga dalga ölçüldüğü panel verisinde değişkenlerin zaman içinde birbirini ileriye doğru yordayıp yordamadığını sorar. Klasik çapraz gecikmeli panel modeli (CLPM) bu soruyu doğrudan gözlenen puanlar üzerinden yanıtlar; ancak kişiler arasındaki kararlı farklar (bir kişinin hep yüksek ya da hep düşük olması) gecikmeli etkilere karışır (Hamaker, Kuiper ve Grasman, 2015). Rastgele kesişimli CLPM (RI-CLPM) bu kararlı farkları iki rastgele kesişimle ayırır ve gecikmeli etkileri kişinin kendi ortalamasından sapmaları (kişi içi bileşenler) arasında kurar. Şablon:
- RI-CLPM'yi ve aynı veride klasik CLPM'yi (rastgele kesişim varyansları 0) kestirir; ki-kare, CFI, TLI, RMSEA, SRMR, AIC, BIC ve ki-kare fark testiyle karşılaştırır (
model = riclpm); - isteğe bağlı olarak tek değişkenli (X) ya da iki değişkenli (X, Y) ikili değişim puanı (latent change score, LCS) modeli kestirir: sabit değişim faktörü, öz geri bildirim (\beta) ve eşleşme (\gamma) parametreleri (McArdle ve Hamagami, 2001; Kievit ve ark., 2018) (
model = lcs_tek,lcs_iki).
Ne zaman kullanılır?
- Aynı iki değişken en az üç dalgada ölçülmüşse (iki dalgada RI-CLPM tanımlanamaz) ve gecikmeli, kişi içi etkiler soruluyorsa.
- Kişiler arası kararlı farkların gecikmeli etkileri bozup bozmadığı sınanmak isteniyorsa (RI-CLPM'ye karşı CLPM).
- Değişimin kendisi (başlangıç düzeyi, sabit değişim, düzeye bağlı değişim) modellenecekse: LCS.
Ne zaman kullanılmaz?
- Yalnız bir değişkenin eğrisi (doğrusal ya da eğrisel büyüme) soruluyorsa:
gizil_buyumeşablonu (Bölüm 181). - Gözlenen göstergelerin ölçüm hatası ve çok göstergeli gizil değişkenler gerekiyorsa: gizil değişkenlerle kurulan modeller (
cok_duzeyli_cfa, Bölüm 179; temel programdaki yol analizi/SEM ile ölçüm modeli). - Gösterge sıralı ya da kategorikse: bu şablon normal kuramlı (sürekli) göstergeler varsayar; sıralı göstergeler için
sirali_cfa_wlsmv(Bölüm 185). - Hedef olay zamanlı bir sonuçsa ya da kişi sayısı çok azsa (n<20 şablon durdurur; RI-CLPM için pratik alt sınır çok daha yüksektir).
Temel programla ilişki. Temel programda yol analizi ve yapısal eşitlik analizi (SEM) vardır; rastgele kesişimli panel modeli ve değişim puanı modeli yoktur. Bu şablon aynı kestirimi lavaan'ın sözdizimiyle kurar ve sözdizimini çıktıya yazar (sozdizimi), böylece yol analizi panelinde elle kurulabilir.
184.2 Şablonun girdileri
Form, üstbilgideki 16 [[param]] bloğundan kurulur (ri_clpm.R:10–131). Türlerin ve ortak denetimin anlamı Bölüm 1.2'de anlatılmıştır.
| Alan (form etiketi) · ad | Tür · sekme | Varsayılan | Geçerli değerler | Kodda etkisi |
|---|---|---|---|---|
X dalgaları · x_dalgalar |
sütunlar (sayısal, en az 3) · Değişkenler | yok | sayısal sütunlar, zaman sırasıyla | Dalgalar seçim sırasıdır (140, 158). |
Y dalgaları · y_dalgalar |
sütunlar (sayısal), zorunlu değil · Değişkenler | yok | X ile aynı sayıda | İki değişkenli modellerde zorunlu (141, 162–164). |
Model · model |
seçim · Model | riclpm |
riclpm, lcs_tek, lcs_iki |
Hangi kolun çalışacağı (142, 300, 436). |
Gecikmeli etkiler · gecikme |
seçim · Model | serbest |
serbest, esit |
Gecikmeli etkiler (LCS'de \beta, \gamma) her aralıkta ayrı ya da eşit (143, 305–307). |
Kestirici · kestirici |
seçim · Model | ML |
ML, MLR |
Normal kuramlı ML ya da Huber–White SH ve ölçeklenmiş ki-kare (144). |
Eksik veri · eksik |
seçim · Model | fiml |
fiml, listwise |
FIML (missing = "ml") ya da liste boyu silme (145, 208–213). |
Dalga ortalamalarını eşitle · ortalama_esit |
onay · Model | kapalı | açık/kapalı | RI-CLPM/CLPM'de büyük ortalamalar dalgalar arasında eşit (152, 313). |
LCS ölçüm hatası eşit · lcs_hata_esit |
onay · Model | açık | açık/kapalı | LCS'de hata varyansı dalgalar arasında eşit (153, 438–). |
Güven düzeyi · guven |
ondalık · Seçenekler | 0,95 | 0,5–0,999 | Parametre GA'ları (147–148). |
Ölçeklenmiş fark testi · fark_testi |
seçim · Seçenekler | satorra.bentler.2001 |
satorra.bentler.2001, satorra.bentler.2010, satorra.2000 |
Yalnız MLR ve RI-CLPM/CLPM karşılaştırmasında lavTestLRT(method =) (157, 339). |
SH bilgi matrisi · bilgi |
seçim · Gelişmiş | observed |
observed, expected |
information = (146, 241). |
En çok yineleme · en_cok_yineleme |
tamsayı · Gelişmiş | 10000 | 100–1 000 000 | iter.max (149, 241). |
Göreli yakınsama ölçütü · yakinsama |
seçim · Gelişmiş | 1e-10 |
10^{-16}–10^{-4} (7 seçenek) | nlminb rel.tol (150–151, 241). |
Standartlaştırılmış kestirimler · sekil_std |
onay · Çıktı | açık | açık/kapalı | Yol şekli etiketleri (RI-CLPM/CLPM) (156, 400–). |
Yörünge şekli kişi sayısı · sekil_kisi |
tamsayı · Çıktı | 60 | 5–1000 | Rastgele seçilen kişi sayısı (154, 284–285). |
Sözdizimini yazdır · sozdizimi |
onay · Çıktı | açık | açık/kapalı | lavaan sözdizimini çıktıya yazar (155, 320). |
Şablona özgü denetimler (mq_hata), sırasıyla:
- Veri açık değil: "Önce Veri sekmesinde bir veri açın." (139).
- Güven düzeyi 0–1 dışında (148); yakınsama ölçütü pozitif değil (151).
- 3'ten az dalga: "En az 3 dalga seçin (iki dalgada model tanımlanamaz)." (159).
- İki değişkenli modelde Y dalgası seçilmemiş (162), X ve Y için farklı sayıda dalga (163), X ve Y aynı sütunları içeriyor (164). Tek değişkenli LCS'de Y seçilirse yok sayılır ve bilgi satırı yazılır (166).
- Dalga sütunu sayısal değil (183); 20'den az kişi (185); bir dalgada 10'dan az değer ya da sd = 0 (187–189); sonsuz değer (190). Aynı değişkenin dalga varyansları 10 000 katından fazla ayrışırsa (birim hatası): "… aynı değişkenin dalgaları aynı birimde olmalı." (218–225).
- Liste boyu silmeden sonra 20'den az tam kişi (210).
- Model kurulamazsa "Model kurulamadı: …" (243); kestirim yakınsamazsa "… kestirimi yakınsamadı; dalgaları, örneklem büyüklüğünü ya da kısıtları gözden geçirin (gizil değişim puanı modelinde gecikmeli etkileri ya da ölçüm hatası varyanslarını eşit kısıtlamak olabilirlik yüzeyini kararlı kılar)." (246–247).
Örnek ayar (ornek_param, 9. satır): x_dalgalar = x1…x4, y_dalgalar = y1…y4, model = riclpm, gecikme = serbest, kestirici = ML; geri kalanı varsayılan.
Tohum. Tahmin deterministiktir; kod panelindeki Tohum alanı (Bölüm 1.3) sonucu değiştirmez. Koddaki tek rastgelelik yalnız yörünge şeklinde gösterilecek kişilerin seçimidir: kod panelindeki Tohum doluysa o tohumla (mq_tohum), değilse set.seed(1) ile (284); sekil_kisi kişiden fazla veri varsa seçilen kişiler tohuma göre belirlenir ve kayıtlı betik yeniden oynatıldığında aynıdır.
184.3 Örnek veri
ri_clpm_hamaker.csv: Hamaker (2018) "How to run the RI-CLPM with Mplus" belgesinde tam basılı benzetimli veri; 400 kişi \times 4 dalga, iki değişken, 8 sütun, eksik değer yok.
| Değişken | Rol | Tür (veri sekmesi) | Özet |
|---|---|---|---|
x1, x2, x3, x4 |
X dalgaları | sayısal | ortalama 9,91; 9,95; 9,98; 9,95; sd 1,84; 1,85; 1,85; 1,77 |
y1, y2, y3, y4 |
Y dalgaları | sayısal | ortalama 7,95; 7,94; 7,87; 7,89; sd 1,82; 1,82; 1,80; 1,81 |
Dalga sırası sütun adından değil, seçim sırasından gelir; şablon seçilen sırayı çıktıya yazar ("Dalga sırası: 1 = x1 / y1; …", 170–172) ve sütun adları sayıyla bitip artan değilse uyarır (173–181) (184.8). Bu veride dalga ortalamaları neredeyse sabittir; ortalama_esit seçeneği bu yüzden uyumu çok bozmaz.
Bölümde kullanılan çalıştırmalar:
| Ad | Ayar |
|---|---|
ornek |
örnek ayar (RI-CLPM ve CLPM, ML) |
esit_yalniz |
gecikme = esit |
esit |
gecikme = esit + ortalama_esit açık |
mlr, mlr_sb2010 |
kestirici = MLR; ikincisinde fark_testi = satorra.bentler.2010 |
lcs_tek, lcs_tek_esit2 |
model = lcs_tek (β serbest; β eşit) |
lcs_iki |
model = lcs_iki |
eksik_fiml, eksik_liste |
verinin %8'i eksik; FIML ve liste boyu silme |
ters |
dalgalar ters sırayla seçilmiş (x4,…,x1) |
olcek, olcek_buyuk |
x1 1000 ve 10 000 ile çarpılmış |
n19, sabit, ayri, iki_dalga |
denetim iletileri (184.8) |
184.4 Yöntem: formüller ve hesap adımları
Hesap şu sırayladır: parametreler okunur ve denetlenir; dalga sütunları x_1,\dots,x_T, y_1,\dots,y_T iç adlarına çevrilir; eksik veri işlenir; lavaan sözdizimi kurulup lavaan() ile (meanstructure = TRUE, int.ov.free = TRUE) kestirilir; yakınsama sınanır; uyum ölçütleri, ki-kare fark testi, gecikmeli etkiler ve varyanslar tablolara, yol ve yörünge şekilleri çizime yazılır.
184.4.1 RI-CLPM
i kişi, t=1,\dots,T dalga olsun. Gözlenen puanlar, dalga ortalaması, kişiye özgü kararlı sapma (rastgele kesişim) ve kişi içi bileşenin toplamıdır:
Bu ifadede \mu_t,\pi_t dalga ortalamaları (serbest ya da ortalama_esit ile eşit), \kappa_i,\omega_i rastgele kesişimler (\mathrm{Var}(\kappa)=\sigma_\kappa^2, \mathrm{Var}(\omega)=\sigma_\omega^2, kovaryans \sigma_{\kappa\omega}), p_{it},q_{it} kişi içi bileşenler, \alpha_t,\delta_t otoregresif, \beta_t (q'dan p'ye) ve \gamma_t (p'den q'ya) çapraz gecikmeli etkilerdir. Şablonun sözdizimindeki adlar: \alpha_t\to a, \beta_t\to g (wx ~ g*wy), \gamma_t\to b (wy ~ b*wx), \delta_t\to d; yani çıktıdaki g Y\to X, b X\to Y etkisidir. u_{it},v_{it} yeniliklerdir; İlk dalgadaki kişi içi bileşenlerin p_{i1},q_{i1} ve yeniliklerin her dalgada kendi varyansı ve eş zamanlı kovaryansı (wx_t ~~ wy_t) vardır. Rastgele kesişimler yenilikler ve ilk dalga bileşenleriyle ilişkisiz tutulur (sözdiziminde bu kovaryanslar tanımlı değildir).
Model-ima edilen kovaryans matrisi şu biçimdedir (\mathbf z_i=(x_{i1},y_{i1},\dots,x_{iT},y_{iT})'):
Bu ifadede \mathbf L=(\mathbf I_2,\dots,\mathbf I_2)' rastgele kesişim yükleridir (hepsi 1'e sabit), \mathbf B blok alt köşegen gecikme matrisi (t bloğunda \begin{pmatrix}\alpha_t&\beta_t\\\gamma_t&\delta_t\end{pmatrix}), \boldsymbol\Psi blok köşegen yenilik kovaryansıdır. Ortalama yapısı E(\mathbf z)=(\mu_1,\pi_1,\dots)'.
Parametre sayısı ve serbestlik derecesi
T=4 iki değişkenle 8 ortalama ve 36 kovaryans, toplam 44 moment verir. Serbest parametreler: ortalamalar 8, rastgele kesişim varyans/kovaryans 3, ilk dalga 3, gecikmeler 4\cdot3=12, yenilikler 3\cdot3=9; toplam 35, sd =44-35=9. CLPM'de \sigma_\kappa^2=\sigma_\omega^2=\sigma_{\kappa\omega}=0: 32 parametre, sd =12. Gecikmeler eşitse 12\to4 ve sd +8; ortalama_esit açıksa 8\to2 ve sd +6.
Koddaki tercih
soz(ri) (302–316) RI-CLPM'yi RIx =~ 1*x1 + … ile, kişi içi bileşenleri wx1 =~ 1*x1 ile (gözlenen değişkenin hatasız gizil kopyası) ve gecikmeleri wx2 ~ a2*wx1 + g2*wy1 biçiminde kurar; gecikme = esit adları dalgasız (a, g, b, d) yapar (305–307). CLPM aynı sözdizimidir; yalnız RIx ~~ 0*RIx, RIy ~~ 0*RIy, RIx ~~ 0*RIy satırları (315). uydur() (239–245): lavaan(model, data = d_fit, estimator = kest, missing = eksik_yol, meanstructure = TRUE, int.ov.free = TRUE, information = bilgi, control = list(iter.max =, rel.tol =)).
184.4.2 Kestirim: ML, FIML ve MLR
Tam veride ML amaç işlevi
enküçültülür (\mathbf S örnek kovaryansı, böleni n; p=8 gözlenen değişken). Eksik veride (eksik = fiml) her kişinin gözlenen alt vektörü üzerinden olabilirlik toplanır (FIML). MLR, aynı nokta kestirimlerine Huber–White sağlam SH ve Yuan–Bentler ölçeklenmiş ki-kare ekler; tablodaki ki_kare_olcekli ve p_olcekli bu istatistiğin karşılığıdır.
Bu ifadede n kişi sayısı (n=400), \mathbf S örnek kovaryans matrisi (n bölenli), \boldsymbol\Sigma model-ima edilen matris, p gözlenen değişken sayısıdır. Ki-kare \chi^2=2(\ell_{\mathrm{doymuş}}-\ell_{\mathrm{model}}), \mathrm{AIC}=-2\ell+2q, \mathrm{BIC}=-2\ell+q\ln n (q parametre sayısı; BIC'te n kişi sayısı).
Uyum ölçütleri (fitMeasures, 212–217):
Bu ifadede \chi^2_0,d_0 temel (bağımsızlık) modelinin ki-karesi ve sd'sidir (örnek veride 2865{,}30 ve 28); d modelin sd'si. RMSEA'da lavaan'ın varsayılanı n'dir (n-1 değil; örnek ayarda 0{,}044654, n-1 ile 0{,}044710). SRMR, ortalama yapısı ve kovaryansların standartlaştırılmış artıklarının karekökü ortalamasıdır (srmr); bu bölümde bağımsız hesaplanmadı.
MLR'de CFI, TLI ve RMSEA sağlam sürümleriyle yazılır
olcutler() (248–258) MLR seçilince listeye chisq.scaled, df.scaled, pvalue.scaled ile cfi.robust, tli.robust, rmsea.robust ekler; uyum tablosundaki CFI, TLI ve RMSEA sütunları bu sağlam sürümlerdir (ol(), 259–260; tablo 325–326), SRMR ölçeklenmez ve çıktıya bu söyleyen bir not yazılır (335–337). Örnek veride ML ile \mathrm{CFI}=0{,}99747, MLR ile sağlam \mathrm{CFI}=0{,}99743 (\mathrm{RMSEA}: 0{,}04465 ve 0{,}04505); ölçeklenmiş ki-kare 17{,}202 (ML: 16{,}178). Bağımsız lavaan hesabı sağlam değerleri 10^{-6} içinde verir.
184.4.3 CLPM ile RI-CLPM'nin karşılaştırılması
Sınırda sınama
CLPM, RI-CLPM'nin üç parametresini 0'a sabitler; ikisi varyans olduğundan değer parametre uzayının sınırındadır. Bu durumda \Delta\chi^2'nin asimptotik dağılımı \chi^2_3 değil, ki-kare karışımıdır; olağan \chi^2_3 p değeri tutucudur (gerçek p daha küçüktür) (Stoel ve ark., 2006). Bu yüzden şablon, p'nin yanında \Delta\mathrm{AIC} ve \Delta\mathrm{BIC}'yi yazar ve yorumda "anlamlı bir fark düzeltilmiş testte de anlamlıdır" der (356–357). Örnek veride \Delta\chi^2=124{,}010, sd 3, p=1{,}06\times10^{-26}; \Delta\mathrm{AIC}=118{,}01, \Delta\mathrm{BIC}=106{,}04.
Koddaki tercih
lavTestLRT(f_ri, f_cl, method = if (kest == "MLR") fark_yon else "default") (339). MLR'de ölçeklenmiş fark satorra.bentler.2001 (varsayılan), satorra.bentler.2010 ya da satorra.2000 yöntemiyle hesaplanır. Seçilen yöntem negatif ya da tanımsız bir istatistik verirse (satorra.bentler.2010 ile örnek veride \Delta\chi^2=-76{,}80, p=1) fark testi satorra.bentler.2001 ile yeniden hesaplanır ve çıktıya bu söyleyen bir not yazılır (340–349): örnek veride \Delta\chi^2=118{,}40 (p=1{,}7\times10^{-25}). 2001 yöntemi de negatif ya da tanımsızsa uyarı AIC/BIC farkını önerir (359–361).
184.4.4 Gecikmeli etkiler ve standartlaştırma
Tablolar parameterEstimates(standardized = TRUE, level = guven) çıktısındandır (pe_al(), 261–270; satir() ve ptab(), 271–277). Veri yeniden ölçeklenmişse (184.4.6) kestirim, SH ve GA özgün birime çevrilir (264–268). Her gecikmeli etki için kestirim \hat\theta, SH, z=\hat\theta/\mathrm{SH}, p=2\Phi(-|z|), güven aralığı ve std_all yazılır:
Bu ifadede varyanslar kişi içi bileşenlerin model-ima edilen varyanslarıdır (p_{it}, q_{it}), gözlenen puanlarınki değil. Örnek veride \alpha_2: ham 0{,}4824, std_all 0{,}4634. Gecikmeler eşitse yalnız ham katsayı eşittir; standartlaştırılmış değer dalgaya göre değişir (396).
184.4.5 Gizil değişim puanı modeli (LCS)
l_{it} gizil gerçek puan, x_{it}=l_{it}+e_{it} olsun. İkili değişim puanı modeli:
Bu ifadede g_{0i} başlangıç düzeyi, s_i sabit değişim (kişiye özgü eğim), \beta öz geri bildirim (önceki düzeyin değişime etkisi; \beta<0 ise düzey yükseldikçe değişim azalır), \gamma eşleşme (öteki değişkenin önceki düzeyinin bu değişkenin değişimine etkisi; yalnız lcs_iki'de). (g_0,s) iki değişkenli normaldir (ortalama \mu_{g0},\mu_{s}, varyanslar, kovaryans). e_{it} ölçüm hatası; lcs_hata_esit açıksa varyansı dalgalar arasında eşittir.
Tek değişkenli modelde l_t=a_tg_0+c_ts ile kapalı biçim vardır: a_1=1, c_1=0; a_t=(1+\beta_t)\,a_{t-1}, c_t=(1+\beta_t)\,c_{t-1}+1. Böylece \mathrm{Var}(\mathbf x)=\mathbf A\,\mathrm{Cov}(g_0,s)\,\mathbf A'+\sigma_e^2\mathbf I ve E(\mathbf x)=\mathbf A(\mu_{g0},\mu_s)' (bağımsız doğrulama bu kapalı biçimle yapıldı, 184.6).
Koddaki tercih
lcs_blok() (438–): l%d =~ 1*x%d (gizil gerçek puan), l_t ~ 1*l_{t-1}, d_t =~ 1*l_t (değişim faktörleri), gs =~ 1*d_2 + … + 1*d_T (sabit değişim, her değişime katsayısı 1), g0 =~ 1*l_1; l_t ~~ 0*l_t, d_t ~~ 0*d_t; d_t ~ b*l_{t-1} (+ c*l'_{t-1}); gözlenen kesişimler 0'a sabitlenir (x ~ 0*1). gecikme = esit \beta ve \gamma için dalgasız ad kullanır. İki değişkenli modelde tüm g_0,s kovaryansları serbest ve aynı dalgadaki hata kovaryansı exy eşit tutulur (461–463).
Parametre sayısı: tek değişkenli (T=4, \beta serbest, hata eşit) 9 (2 ortalama, 3 varyans/kovaryans, 3 \beta, 1 hata), sd =4+10-9=5; iki değişkenli 29, sd =15. Tablodaki satırlar: mu_g0, mu_gs, var_g0, var_gs, cov_g0_gs, b…, c…, e…, exy.
184.5 Kod adım adım
| Satırlar | Ne yapar | Neden / dikkat |
|---|---|---|
| 133–169 | Parametreleri okur, denetler; T\ge3; X/Y dalga sayısı eşleşmesi. | Dalga sırası seçim sırasıdır (158). |
| 170–181 | Dalga sırasını çıktıya yazar; sütun adları sayıyla bitiyorsa artan olmasını denetler. | Artan değilse uyarı (173–181). |
| 182–213 | Dalga sütunlarını d'ye alır, iç adlara çevirir (x1…, y1…); sayısal, 20 kişi, sd, sonsuz değer sınamaları; eksik veri bildirimi. |
|
| 214–236 | Ölçek denetimi: aynı değişkenin dalga varyansları 10 000 katından fazla ayrışırsa durur; X ile Y varyans oranı >10^3 ise değişken başına ortak bölenle yeniden ölçekler (d_fit). |
Sonuçlar özgün birime geri çevrilir (253–256, 261–270; 184.4.6). |
| 238–247 | uydur() ve yakinsadi(): lavaan çağrısı (d_fit); uyarılar toplanır; yakınsamazsa mq_hata. |
MLR/ML ayrımı estimator ile (241). |
| 248–280 | olcutler(), ol(), pe_al(), satir(), ptab() yardımcıları. |
MLR'de sağlam CFI/TLI/RMSEA (184.4.2); ölçek geri çevirme. |
| 281–299 | yorunge(): kod panelindeki tohumla (yoksa 1) en çok sekil_kisi kişinin yörüngesi ve gözlenen ortalama. |
|
| 300–362 | RI-CLPM ve CLPM'yi kurar, uyum tablosu ve ki-kare fark testi. | CLPM = RI varyansları 0 (315). |
| 363–410 | Gecikmeli etki tabloları, varyans tablosu, rastgele kesişim özeti ve uygunsuz çözüm uyarısı. | Uygunsuz çözüm: negatif varyans ya da |r|>1 (393–394). |
| 400–435 | Yol şekli (standartlaştırılmış etiketler; kesikli p\ge0{,}05) ve yörünge şekli. | |
| 436–531 | LCS: sözdizimi, kestirim, uyum tablosu, parametre tablosu, yörünge ve \beta/\gamma şekilleri. | post.check ile uygunsuz çözüm (467). |
| 532 | Toplanan lavaan uyarıları. |
Çıktı tabloları (riclpm): Model karşılaştırması; ki-kare fark testi; gecikmeli etkiler (RI-CLPM); gecikmeli etkiler (CLPM); varyans ve kovaryanslar. (LCS): Model uyumu; LCS parametreleri. Şekiller: gecikmeli etkiler ve yörüngeler (RI-CLPM); yörüngeler ve \beta/\gamma güven aralıkları (LCS).
184.6 Elle hesap: örnek veride bağımsız yeniden hesap
Doğrulama lavaan ve şablon kullanılmadan yapılmıştır: dogrulama/ri_clpm/elle_hesap.py (numpy, scipy; model-ima edilen \boldsymbol\Sigma üzerinden normal olabilirlik, BFGS, 4 başlangıç; SH sayısal Hessian'dan) ve r_dogrulama.R (taban R; optim). Ortalamalar doymuştur (örnek ortalaması), bu ML kestirimini değiştirmez.
Adım 1 — Doymuş ve temel model. \ell_{\mathrm{doymuş}}=-5018{,}1680; bağımsızlık (temel) modeli \ell_0=-6450{,}8174, \chi^2_0=2865{,}2989, d_0=28.
Adım 2 — RI-CLPM. \ell=-5026{,}257157; \chi^2=2(\ell_{\mathrm{doymuş}}-\ell)=16{,}178352, sd 9 (yayımlanmış Hamaker, 2018: 16{,}178, 9). \mathrm{AIC}=10122{,}5143, \mathrm{BIC}=10262{,}2156, \mathrm{CFI}=0{,}997470, \mathrm{TLI}=0{,}992129, \mathrm{RMSEA}=0{,}044654.
Adım 3 — CLPM. \ell=-5088{,}262389; \chi^2=140{,}188816, sd 12 (yayımlanmış 140{,}189, 12). \Delta\chi^2=124{,}010464.
Adım 4 — Gecikmeli etkiler. RI-CLPM, ilk aralık: \hat\alpha_2=0{,}482370 (SH 0{,}088486), \hat\beta_2 (çıktıda g2, y_1\to x_2) =0{,}239226 (SH 0{,}086718), \hat\gamma_2 (b2) =0{,}087105, \hat\delta_2=0{,}234416. Bağımsız hesapta SH'ler sayısal Hessian'dan (10^{-5} içinde) çıkar; std_all değerleri kişi içi varyanslardan \hat\theta\sqrt{\mathrm{Var}(p_{t-1})/\mathrm{Var}(p_t)} olarak yeniden üretilir.
Adım 5 — Gecikmeler eşit. Gecikmeleri dalgalar arasında eşitlerken bağımsız hesap RI-CLPM için \chi^2=20{,}608033 (d=17), CLPM için 142{,}621072 (d=20); şablon (esit_yalniz) aynı değerleri yazar.
Adım 6 — LCS (tek değişkenli). Kapalı biçim l_t=a_tg_0+c_ts ile bağımsız olabilirlik \ell=-2588{,}52327, \chi^2=61{,}5070, d=5; \hat\mu_{g0}=9{,}90067, \hat\mu_s=1{,}3466, \hat\beta=(-0{,}12985;\,-0{,}13237;\,-0{,}14010), \hat\sigma^2_e=0{,}60397. Şablon -2588{,}523 ve 61{,}507 yazar. \beta eşitken \hat\beta=-0{,}14204, \chi^2=63{,}624 (d=7). LCS'de \mu_s ve varyans parametreleri düz bir olabilirlik yüzeyindedir: kestirimler arasındaki 10^{-3}'e varan fark (şablon 1{,}34652, bağımsız 1{,}34659, R 1{,}34504) \ell'nin 10^{-9} göreli farkıyla uyumludur (184.8).
184.6.1 Doğrulama: MerQuR+, Python ve R
| Büyüklük | MerQuR+ | Python (bağımsız) | R (bağımsız) | En büyük fark | Ölçüt | |
|---|---|---|---|---|---|---|
| RI-CLPM: ki-kare | 16,17835219 | 16,17835219 | 16,17835219 | 1,2e−11 | 1e−6 | ✓ |
| RI-CLPM: sd | 9 | 9 | 9 | 0 | 1e−6 | ✓ |
| RI-CLPM: parametre sayısı | 35 | 35 | 35 | 0 | 1e−6 | ✓ |
| RI-CLPM: CFI | 0,99747 | 0,99747 | 0,99747 | 7,1e−14 | 1e−6 | ✓ |
| RI-CLPM: RMSEA | 0,04465408 | 0,04465408 | 0,04465408 | 6,2e−13 | 1e−6 | ✓ |
| RI-CLPM: logLik | −5026,25715657 | −5026,25715657 | −5026,25715657 | 2,1e−14 | 1e−6 | ✓ |
| RI-CLPM: AIC | 10122,51431315 | 10122,51431315 | 10122,51431315 | 1,9e−14 | 1e−6 | ✓ |
| RI-CLPM: BIC | 10262,21557229 | 10262,21557229 | — | 2,1e−14 | 1e−6 | ✓ |
| CLPM: ki-kare | 140,18881642 | 140,18881642 | 140,18881642 | 2,1e−12 | 1e−6 | ✓ |
| CLPM: sd | 12 | 12 | 12 | 0 | 1e−6 | ✓ |
| CLPM: parametre sayısı | 32 | 32 | 32 | 0 | 1e−6 | ✓ |
| CLPM: CFI | 0,95482012 | 0,95482012 | 0,95482012 | 1,0e−13 | 1e−6 | ✓ |
| CLPM: RMSEA | 0,16341972 | 0,16341972 | 0,16341972 | 1,9e−13 | 1e−6 | ✓ |
| CLPM: logLik | −5088,26238869 | −5088,26238869 | −5088,26238869 | 2,8e−14 | 1e−6 | ✓ |
| CLPM: AIC | 10240,52477738 | 10240,52477738 | 10240,52477738 | 2,9e−14 | 1e−6 | ✓ |
| CLPM: BIC | 10368,25164289 | 10368,25164289 | — | 2,7e−14 | 1e−6 | ✓ |
| RI-CLPM: TLI | 0,9921289 | 0,9921289 | — | 2,2e−13 | 1e−6 | ✓ |
| Ki-kare farkı (CLPM − RI-CLPM) | 124,01046423 | 124,01046423 | 124,01046423 | 2,3e−12 | 1e−6 | ✓ |
| Yayımlanmış ki-kare, RI-CLPM (16,178) | 16,17835219 | 16,178 | — | 2,2e−5 | 1e−4 | ✓ |
| Yayımlanmış ki-kare, CLPM (140,189) | 140,18881642 | 140,189 | — | 1,3e−6 | 1e−5 | ✓ |
| RI-CLPM a2: kestirim | 0,48237029 | 0,48237021 | 0,48236995 | 3,4e−7 | 1e−6 | ✓ |
| RI-CLPM g2: kestirim | 0,23922611 | 0,23922623 | 0,23922653 | 4,2e−7 | 1e−6 | ✓ |
| RI-CLPM b2: kestirim | 0,08710526 | 0,08710506 | 0,08710551 | 2,4e−7 | 1e−6 | ✓ |
| RI-CLPM d2: kestirim | 0,23441575 | 0,23441595 | 0,23441498 | 7,7e−7 | 1e−6 | ✓ |
| RI-CLPM a3: kestirim | 0,54772959 | 0,54772947 | 0,54772943 | 1,7e−7 | 1e−6 | ✓ |
| RI-CLPM g3: kestirim | 0,2629595 | 0,26295979 | 0,26295987 | 3,7e−7 | 1e−6 | ✓ |
| RI-CLPM b3: kestirim | −0,05471105 | −0,05471071 | −0,05471073 | 3,4e−7 | 1e−6 | ✓ |
| RI-CLPM d3: kestirim | 0,33260943 | 0,33260952 | 0,33260916 | 2,7e−7 | 1e−6 | ✓ |
| RI-CLPM a4: kestirim | 0,52570607 | 0,52570611 | 0,52570616 | 9,0e−8 | 1e−6 | ✓ |
| RI-CLPM g4: kestirim | 0,19030495 | 0,19030486 | 0,19030474 | 2,1e−7 | 1e−6 | ✓ |
| RI-CLPM b4: kestirim | 0,01203319 | 0,01203319 | 0,01203292 | 2,7e−7 | 1e−6 | ✓ |
| RI-CLPM d4: kestirim | 0,30067337 | 0,30067341 | 0,30067355 | 1,8e−7 | 1e−6 | ✓ |
| RI-CLPM a2: SH | 0,08848645 | 0,08848651 | — | 6,1e−8 | 1e−5 | ✓ |
| RI-CLPM g2: SH | 0,08671816 | 0,08671819 | — | 3,0e−8 | 1e−5 | ✓ |
| RI-CLPM b2: SH | 0,07424581 | 0,0742458 | — | 1,5e−8 | 1e−5 | ✓ |
| RI-CLPM d2: SH | 0,09886392 | 0,09886391 | — | 1,2e−8 | 1e−5 | ✓ |
| RI-CLPM a3: SH | 0,07439801 | 0,07439809 | — | 7,9e−8 | 1e−5 | ✓ |
| RI-CLPM g3: SH | 0,09877918 | 0,09877922 | — | 3,8e−8 | 1e−5 | ✓ |
| RI-CLPM b3: SH | 0,06926601 | 0,06926599 | — | 2,0e−8 | 1e−5 | ✓ |
| RI-CLPM d3: SH | 0,11014249 | 0,1101425 | — | 1,1e−8 | 1e−5 | ✓ |
| RI-CLPM a4: SH | 0,06032593 | 0,06032593 | — | 2,2e−9 | 1e−5 | ✓ |
| RI-CLPM g4: SH | 0,07746396 | 0,07746391 | — | 5,1e−8 | 1e−5 | ✓ |
| RI-CLPM b4: SH | 0,06640686 | 0,06640686 | — | 4,8e−9 | 1e−5 | ✓ |
| RI-CLPM d4: SH | 0,08816076 | 0,08816071 | — | 5,2e−8 | 1e−5 | ✓ |
| RI-CLPM a2: std_all | 0,46338797 | 0,46338793 | — | 4,3e−8 | 1e−6 | ✓ |
| RI-CLPM g2: std_all | 0,20602883 | 0,20602897 | — | 1,4e−7 | 1e−6 | ✓ |
| RI-CLPM b2: std_all | 0,11583533 | 0,11583509 | — | 2,4e−7 | 1e−6 | ✓ |
| RI-CLPM d2: std_all | 0,27947222 | 0,27947254 | — | 3,2e−7 | 1e−6 | ✓ |
| RI-CLPM a3: std_all | 0,54056494 | 0,54056477 | — | 1,7e−7 | 1e−6 | ✓ |
| RI-CLPM g3: std_all | 0,18747273 | 0,18747289 | — | 1,6e−7 | 1e−6 | ✓ |
| RI-CLPM b3: std_all | −0,07342317 | −0,07342271 | — | 4,6e−7 | 1e−6 | ✓ |
| RI-CLPM d3: std_all | 0,32244838 | 0,32244838 | — | 3,6e−9 | 1e−6 | ✓ |
| RI-CLPM a4: std_all | 0,57765166 | 0,57765182 | — | 1,6e−7 | 1e−6 | ✓ |
| RI-CLPM g4: std_all | 0,15377889 | 0,15377885 | — | 3,7e−8 | 1e−6 | ✓ |
| RI-CLPM b4: std_all | 0,01671109 | 0,0167111 | — | 1,0e−8 | 1e−6 | ✓ |
| RI-CLPM d4: std_all | 0,30707371 | 0,30707381 | — | 1,1e−7 | 1e−6 | ✓ |
| Rastgele kesişim varyansı X | 1,82756407 | 1,82756401 | — | 3,6e−8 | 1e−6 | ✓ |
| Rastgele kesişim varyansı X: SH | 0,22475182 | 0,22475181 | — | 6,2e−9 | 1e−5 | ✓ |
| Rastgele kesişim kovaryansı X–Y | −1,24006069 | −1,24006124 | — | 4,5e−7 | 1e−6 | ✓ |
| gecikme eşit, RI-CLPM: ki-kare | 20,60803312 | 20,60803312 | — | 8,8e−13 | 1e−6 | ✓ |
| gecikme eşit, RI-CLPM: sd | 17 | 17 | — | 0 | 1e−6 | ✓ |
| gecikme eşit, RI-CLPM: logLik | −5028,47199704 | −5028,47199704 | — | 1,6e−15 | 1e−6 | ✓ |
| gecikme eşit, CLPM: ki-kare | 142,62107168 | 142,62107168 | — | 3,5e−12 | 1e−6 | ✓ |
| gecikme eşit, CLPM: sd | 20 | 20 | — | 0 | 1e−6 | ✓ |
| gecikme eşit, CLPM: logLik | −5089,47851632 | −5089,47851632 | — | 4,9e−14 | 1e−6 | ✓ |
| LCS (β serbest): logLik | −2588,52327188 | −2588,52327188 | −2588,52327251 | 2,4e−10 | 1e−6 | ✓ |
| LCS (β serbest): ki-kare | 61,50696756 | 61,50696756 | 61,50696881 | 2,0e−8 | 1e−6 | ✓ |
| LCS (β serbest): sd | 5 | 5 | — | 0 | 1e−6 | ✓ |
| LCS (β serbest): AIC | 5195,04654377 | 5195,04654377 | — | 5,4e−13 | 1e−6 | ✓ |
| LCS mu_g0x: kestirim | 9,90067245 | 9,90067222 | 9,9006738 | 1,4e−7 | 2e−3 | ✓ |
| LCS mu_gsx: kestirim | 1,34652184 | 1,34659464 | 1,3450367 | 1,1e−3 | 2e−3 | ✓ |
| LCS var_g0x: kestirim | 2,9288538 | 2,92885369 | 2,92883695 | 5,8e−6 | 2e−3 | ✓ |
| LCS var_gsx: kestirim | 0,1528548 | 0,15285877 | 0,15277308 | 8,2e−5 | 2e−3 | ✓ |
| LCS cov_g0x_gsx: kestirim | 0,14021911 | 0,14023856 | 0,13982482 | 3,9e−4 | 2e−3 | ✓ |
| LCS bx2: kestirim | −0,12983841 | −0,12984576 | −0,1296883 | 1,5e−4 | 2e−3 | ✓ |
| LCS bx3: kestirim | −0,13236735 | −0,13237468 | −0,13221817 | 1,5e−4 | 2e−3 | ✓ |
| LCS bx4: kestirim | −0,14008996 | −0,14009724 | −0,13994109 | 1,5e−4 | 2e−3 | ✓ |
| LCS ex: kestirim | 0,60396731 | 0,6039673 | 0,60396594 | 1,4e−6 | 2e−3 | ✓ |
| LCS mu_g0x: SH | 0,09393661 | 0,09393661 | — | 2,4e−9 | 5e−3 | ✓ |
| LCS mu_gsx: SH | 1,33748238 | 1,3374725 | — | 7,4e−6 | 5e−3 | ✓ |
| LCS var_g0x: SH | 0,24044813 | 0,24044828 | — | 1,5e−7 | 5e−3 | ✓ |
| LCS var_gsx: SH | 0,07646683 | 0,0764714 | — | 4,6e−6 | 5e−3 | ✓ |
| LCS cov_g0x_gsx: SH | 0,36112075 | 0,36111799 | — | 2,8e−6 | 5e−3 | ✓ |
| LCS bx2: SH | 0,13507429 | 0,1350733 | — | 9,9e−7 | 5e−3 | ✓ |
| LCS bx3: SH | 0,13446435 | 0,13446336 | — | 9,9e−7 | 5e−3 | ✓ |
| LCS bx4: SH | 0,13402886 | 0,13402788 | — | 9,9e−7 | 5e−3 | ✓ |
| LCS ex: SH | 0,03019958 | 0,03019958 | — | 4,4e−9 | 5e−3 | ✓ |
| LCS (β eşit): logLik | −2589,58196558 | −2589,58196558 | — | 6,9e−13 | 1e−6 | ✓ |
| LCS (β eşit): ki-kare | 63,62435495 | 63,62435496 | — | 5,6e−11 | 1e−6 | ✓ |
| LCS (β eşit): β | −0,14202919 | −0,14203695 | — | 7,8e−6 | 2e−3 | ✓ |
Ölçütü karşılayan: 90/90. Bağımsız hesapta ortalamalar doymuştur (örnek ortalaması); SH'ler sayısal Hessian'dan.
Uyum ölçütleri, parametre sayıları, gecikmeli etkiler, SH'ler ve standartlaştırılmış kestirimler 10^{-6} (SH'ler 10^{-5}) içinde örtüşür. LCS satırlarının ölçütü 2\times10^{-3}'tür: lavaan'ın nlminb ile durduğu nokta ile bağımsız eniyileyiciler birbirinden bu kadar ayrılır; yakınsama ölçütü 10^{-12}'ye indirilince lavaan "yakınsamadı" der (184.8). İki değişkenli LCS bağımsız hesaplanmadı; yalnız şablon çıktısı (184.7).
184.7 Çıktıyı okuma
Örnek ayarın konsol çıktısı (sözdizimi satırları kısaltıldı):
Dalga sırası (zaman sırası seçim sırasıdır): 1 = x1 / y1; 2 = x2 / y2; 3 = x3 / y3; 4 = x4 / y4
RI-CLPM sözdizimi (x/y = seçilen dalgalar sırayla):
RIx =~ 1*x1 + 1*x2 + 1*x3 + 1*x4
RIy =~ 1*y1 + 1*y2 + 1*y3 + 1*y4
wx1 =~ 1*x1
…
wx2 ~ a2*wx1 + g2*wy1
wy2 ~ b2*wx1 + d2*wy1
…
RIx ~~ RIx
RIy ~~ RIy
RIx ~~ RIy
Not: CLPM, rastgele kesişim varyanslarının parametre uzayının sınırında (0) sabitlendiği RI-CLPM'dir; olağan ki-kare fark testinin p değeri bu yüzden tutucudur (…).
Rastgele kesişim varyansları: X 1,828; Y 2,372; ilk dalgada kişiler arası varyans oranı: X 0,560; Y 0,673; rastgele kesişim korelasyonu -0,596.
Model karşılaştırması
| model | npar | ki_kare | sd | p | CFI | TLI | RMSEA | SRMR | logLik | AIC | BIC |
|---|---|---|---|---|---|---|---|---|---|---|---|
| RI-CLPM | 35 | 16.178352 | 9 | 0.063249 | 0.99747 | 0.992129 | 0.044654 | 0.023809 | −5026.257157 | 10122.514313 | 10262.215572 |
| CLPM | 32 | 140.188816 | 12 | 0.000000 | 0.95482 | 0.894580 | 0.163420 | 0.040959 | −5088.262389 | 10240.524777 | 10368.251643 |
Ki-kare fark testi (CLPM − RI-CLPM)
| karsilastirma | delta_ki_kare | delta_sd | p | delta_AIC | delta_BIC |
|---|---|---|---|---|---|
| CLPM − RI-CLPM | 124.010464 | 3 | 1.06·10⁻²⁶ | 118.010464 | 106.036071 |
Gecikmeli etkiler: RI-CLPM (kişi içi bileşenler) (ilk iki aralık)
| parametre | etki | kaynak | hedef | kestirim | SH | z | p | std_all |
|---|---|---|---|---|---|---|---|---|
| a2 | otoregresif | x1 | x2 | 0.482370 | 0.088486 | 5.45 | 5.0·10⁻⁸ | 0.4634 |
| g2 | çapraz gecikmeli | y1 | x2 | 0.239226 | 0.086718 | 2.76 | 0.0058 | 0.2060 |
| b2 | çapraz gecikmeli | x1 | y2 | 0.087105 | 0.074246 | 1.17 | 0.241 | 0.1158 |
| d2 | otoregresif | y1 | y2 | 0.234416 | 0.098864 | 2.37 | 0.0177 | 0.2795 |
| a3 | otoregresif | x2 | x3 | 0.547730 | 0.074398 | 7.36 | 1.8·10⁻¹³ | 0.5406 |
| g3 | çapraz gecikmeli | y2 | x3 | 0.262960 | 0.098779 | 2.66 | 0.0078 | 0.1875 |
| b3 | çapraz gecikmeli | x2 | y3 | −0.054711 | 0.069266 | −0.79 | 0.430 | −0.0734 |
| d3 | otoregresif | y2 | y3 | 0.332609 | 0.110142 | 3.02 | 0.0025 | 0.3224 |
CLPM'de aynı etkiler çok büyüktür (\hat\alpha_2=0{,}799, \hat\delta_2=0{,}767; std_all 0{,}79 ve 0{,}76) ve çapraz gecikmeli b etkileri negatiftir (-0{,}171, -0{,}150, -0{,}131; p<10^{-6}): kararlı farklar gecikmeli etkilerle karışmıştır.
RI-CLPM varyans ve kovaryansları (seçme)
| tur | sol | sag | kestirim | SH | std_all |
|---|---|---|---|---|---|
| kişiler arası (rastgele kesişim) | RI_X | RI_X | 1.827564 | 0.224752 | 1.000 |
| kişiler arası (rastgele kesişim) | RI_Y | RI_Y | 2.372188 | 0.205737 | 1.000 |
| kişiler arası (rastgele kesişim) | RI_X | RI_Y | −1.240061 | 0.160805 | −0.596 |
| kişi içi, ilk dalga | w_x1 | w_x1 | 1.437152 | 0.194115 | 1.000 |
| kişi içi, ilk dalga | w_x1 | w_y1 | 0.544635 | 0.117651 | 0.423 |
| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| Model karşılaştırması | İki modelin uyumu | RI-CLPM \chi^2 16,18 / sd 9 (p = 0,063): uyum iyi; CLPM \chi^2 140,19 / sd 12, RMSEA 0,163: kötü. Küçük AIC/BIC yeğlenir. |
| Ki-kare fark testi | \Delta\chi^2, sd, p, \DeltaAIC, \DeltaBIC | Rastgele kesişimlerin gerekli olup olmadığı; p tutucudur (184.4.3). \Delta\mathrm{AIC}, \Delta\mathrm{BIC}>0 ise RI-CLPM. |
| Gecikmeli etkiler | \hat\alpha,\hat\beta,\hat\gamma,\hat\delta | Kişi içi sapmanın bir sonraki dalgada sapmayı yordaması. std_all kişi içi sd'lere göre. |
| Rastgele kesişim özeti | \sigma^2_\kappa,\sigma^2_\omega, ICC, korelasyon | İlk dalgada kişiler arası varyans payı \sigma^2_\kappa/(\sigma^2_\kappa+\mathrm{Var}(p_1)). |
| LCS parametreleri | \mu_{g0},\mu_s,\beta,\gamma,\sigma^2_e | \beta<0: doygunluk; \gamma: öteki değişkenin düzeyinden gelen değişim. |
Şekil 184.1. Gecikmeli etkiler (standartlaştırılmış; mavi otoregresif, turuncu çapraz gecikmeli; kesikli p\ge0{,}05).

Şekil 184.2. Bireysel yörüngeler (60 kişi) ve dalga ortalamaları.

Tek değişkenli LCS (lcs_tek) çıktısı, kısaltılmış:
| parametre | açıklama | kestirim | SH | z | p |
|---|---|---|---|---|---|
| mu_g0x | X başlangıç düzeyi ortalaması | 9.900672 | 0.093937 | 105.40 | <0.001 |
| mu_gsx | X sabit değişim ortalaması | 1.346522 | 1.337482 | 1.01 | 0.314 |
| var_g0x | X başlangıç düzeyi varyansı | 2.928854 | 0.240448 | 12.18 | <0.001 |
| var_gsx | X sabit değişim varyansı | 0.152855 | 0.076467 | 2.00 | 0.0456 |
| bx2 | X öz geri bildirim (β), x1 -> x2 | −0.129838 | 0.135074 | −0.96 | 0.336 |
| ex | X ölçüm hatası varyansı (eşit) | 0.603967 | 0.030200 | 20.00 | <0.001 |
Uyum: \chi^2=61{,}507, sd 5, CFI 0{,}958, RMSEA 0{,}168, SRMR 0{,}043, AIC 5195{,}05: bu seride LCS iyi uymaz (RMSEA yüksek); \beta'ların kestirimi (\approx-0{,}13) sıfırdan ayırt edilemez ve \mu_s SH'si 1{,}34 ile çok büyüktür.
Şekil 184.3. LCS dinamik parametreleri (\beta ve \gamma kestirimleri ve güven aralıkları).

Rapor cümlesi. Dört dalgalı iki değişkenli panel verisinde (n = 400) rastgele kesişimli çapraz gecikmeli model iyi uydu (χ²(9) = 16,18; CFI = 0,997; RMSEA = 0,045), klasik CLPM ise kötü uydu (χ²(12) = 140,19; CFI = 0,955; RMSEA = 0,163). İki modelin farkı anlamlıydı (Δχ²(3) = 124,01; ΔAIC = 118,0; ΔBIC = 106,0). RI-CLPM'de kişi içi bileşenler için otoregresif etkiler pozitifti (α₂ = 0,48, SH = 0,09), Y'den X'e çapraz gecikmeli etkiler küçük fakat pozitifti (0,24; 0,26; 0,19), X'ten Y'ye etkiler sıfırdan ayırt edilemedi.
184.8 Sık hatalar ve tuzaklar
- Dalga sırası seçim sırasıdır. Dalgalar ters sırada seçilirse (x4,…,x1) model aynı uyum ölçütlerini (χ² =16{,}1784) ve farklı gecikmeli etkileri (\hat\alpha_2=0{,}689, zamanın tersine bir etki) yazar. Şablon seçilen sırayı çıktıya yazar ve sütun adları sayıyla bitip artan değilse uyarır (170–181); adları sayıyla bitmeyen sütunlarda sırayı kendiniz denetleyin.
- Ölçek farkı. X ile Y'nin ölçekleri çok farklıysa (varyans oranı >10^3) model değişken başına ortak bölenle yeniden ölçeklenmiş veride kestirilir ve sonuçlar özgün birime geri çevrilir (184.4.6); aynı değişkenin dalgalarından biri başka birimdeyse (ör. yalnız x_1 1000 ile çarpılmış: dalga varyansı oranı >10^4) çalıştırma durur ("aynı değişkenin dalgaları aynı birimde olmalı"). Uyarıyla yetinen eski davranışta \chi^2 82{,}99 ve negatif rastgele kesişim varyansı çıkıyordu.
- MLR'de CFI, TLI ve RMSEA sağlam sürümleriyle yazılır (184.4.2); SRMR ölçeklenmez. Dalgalar eşit olmayan aralıklıysa gecikmeli etkiler farklı aralıkları karıştırır;
gecikme = esityalnız aralıklar eşitse anlamlıdır. - Ki-kare fark testinin p'si tutucudur (sınır, 184.4.3). Küçük p'ye güvenin, büyük p'de AIC/BIC'e de bakın.
satorra.bentler.2010bu veride negatif fark verir; şablon bu durumda fark testini 2001 yöntemiyle yeniden hesaplar ve notu çıktıya yazar (184.4.3). - Uygunsuz çözüm. Negatif rastgele kesişim varyansı ya da |r|>1 olduğunda uyarı yazılır (393–394). Bu tür çözümde CLPM yeterli olabilir.
- LCS'de yakınsama. Örnek veride
lcs_tekyalnız \beta eşit ve hata varyansı serbest ayarında ("kestirim yakınsamadı") durur; yakınsama ölçütü 10^{-12}'ye indirilince varsayılan LCS de durur. LCS modelleri düz olabilirlik yüzeyine sahiptir; tolerans gevşek tutulur. Yakınsama iletisi, gecikmeli etkileri ya da ölçüm hatası varyanslarını eşit kısıtlamayı önerir (246–247). - FIML ve liste boyu silme. %8 eksik hücreyle FIML 400 kişiyi kullanır (\chi^2=10{,}46), liste boyu silme 210'a düşer (\chi^2=11{,}18; AIC/BIC farklı n'de karşılaştırılamaz).
- Değişkenler sayısal olmalı. Sayısal olmayan dalga sütunu iletiyle durur (183). Ondalık virgüllü metin sütun (
y3: "8,836") sayısal olmadığı için form tarafından seçime kabul edilmez (virguldenemesi: "y3 sayısal bir sütun değil"); virgülü noktaya çevirin. Veri sekmesinde türü elle "kategorik" yapılan sayısal bir dalga (x2) bu veride sonucu değiştirmedi (\chi^2=16{,}178352). - Kişi içi bileşenler ölçüm hatasını da içerir. RI-CLPM'de gözlenen puanın kişi içi kısmı ölçüm hatası ayrılmadan alınır (
wx1 =~ 1*x1); çok göstergeli gizil değişkenler gerekiyorsa başka şablon.
184.9 Uzman soruları
S1. RI-CLPM'de rastgele kesişim varyansı 0 olsa model neye indirgenir?
Klasik CLPM'ye. Şablon bunu doğrudan kurar (315). Örnekte \hat\sigma^2_\kappa=1{,}83 (z=8{,}13) ve \hat\sigma^2_\omega=2{,}37 (z=11{,}5) sıfırdan çok uzak olduğundan CLPM reddedilir.
S2. Ki-kare fark testi neden tutucudur ve nasıl düzeltilir?
Varyansı 0'a sabitlemek sınır parametresi testidir; dağılım \chi^2 karışımıdır (Stoel ve ark., 2006). Kritik değer, \chi^2_{3}'ten küçük olmalıdır; bu nedenle düzeltilmemiş p gerçek p'den büyüktür. Şablon düzeltme uygulamaz; AIC/BIC farkını ek olarak yazar.
S3. `ortalama_esit` ne zaman kullanılır?
Dalga ortalamaları gözlenen eğilim göstermiyorsa (kararlı süreç) büyük ortalamaları eşitlemek parametre sayısını azaltır (Hamaker, 2018). Örnekte (esit: gecikmeler de eşit) RI-CLPM'nin \chi^2'si 24{,}03 (sd 23, p=0{,}40); ortalamalar sabit olduğundan uyum bozulmaz. Eğilim gösteren ortalamalarda eşitleme uyumu bozar.
S4. Bağımsız hesapla farkı: SH tanımı.
bilgi = observed (varsayılan) gözlenen bilgi matrisinden (Hessian) SH verir; bağımsız hesap bu matrisi sayısal Hessian'la kurar ve 10^{-5} içinde örtüşür. expected beklenen bilgi matrisidir; tam veride aynı asimptotik, ancak sonlu örnekte farklı SH verir. Eksik veride gözlenen bilgi, FIML ile uyumludur.
S5. LCS'de \beta<-1 ne anlama gelir?
l_t=(1+\beta)l_{t-1}+s: \beta<-1 ise bir sonraki düzey önceki düzeyin işaretini değiştirir (aşırı düzeltme). Örnekte lcs_iki \hat\beta_x\approx-1{,}1 verir (\mu_{s} SH 1{,}77, \mathrm{Var}(s_x)=11{,}9); bu kestirimler zayıf kimliklenmiş bir çözümü gösterir ve dikkatle yorumlanmalıdır.
S6. RI-CLPM'de kişi içi bileşenler arasında gecikmeli etki ile LCS'deki \gamma aynı şey midir?
Hayır. RI-CLPM'de \beta,\gamma kişi içi sapmaların gecikmeli yordamasıdır; LCS'de \gamma öteki değişkenin gizil düzeyinin değişime etkisidir ve kişiler arası sabit farkı (başlangıç düzeyi) taşır. İkisi aynı soruyu farklı dinamik varsayımlarla sorar (Usami ve ark., 2019).
S7. Sınır durumu: üç dalga.
T=3'te iki değişkenli RI-CLPM'nin momentleri 6+21=27, serbest parametreleri 6+3+3+8+6=26'dır: sd =1 (CLPM'de 23 parametre, sd =4). Model tanımlıdır ama neredeyse doymuştur; uyum ölçütleri neredeyse hiçbir şeyi sınamaz ve gecikmeli etkiler zayıf kimliklenir. Şablon yalnız T\ge3 koşulunu sınar (159); bu sayılar formülden türetilmiştir, T=3 ile çalıştırma denenmemiştir.
S8. SAS'taki karşılık nedir?
ri_clpm.sas: PROC CALIS (PATH) ile aynı model ve FIML (başlık, aciklama). Bu bölümde SAS karşılaştırması yapılmadı; doğrulama bağımsız Python ve R ile ve Hamaker (2018) değerleriyle yapıldı.
184.10 Kaynaklar
Berry, D., & Willoughby, M. T. (2017). On the practical interpretability of cross-lagged panel models: Rethinking a developmental workhorse. Child Development, 88(4), 1186–1206. https://doi.org/10.1111/cdev.12660
Hamaker, E. L. (2018). How to run the RI-CLPM with Mplus [Teknik belge]. statmodel.com.
Hamaker, E. L., Kuiper, R. M., & Grasman, R. P. P. P. (2015). A critique of the cross-lagged panel model. Psychological Methods, 20(1), 102–116. https://doi.org/10.1037/a0038889
Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
Kievit, R. A., Brandmaier, A. M., Ziegler, G., van Harmelen, A.-L., de Mooij, S. M. M., Moutoussis, M., … Dolan, R. J. (2018). Developmental cognitive neuroscience using latent change score models: A tutorial and applications. Developmental Cognitive Neuroscience, 33, 99–117. https://doi.org/10.1016/j.dcn.2017.11.007
McArdle, J. J., & Hamagami, F. (2001). Latent difference score structural models for linear dynamic analyses with incomplete longitudinal data. İçinde L. M. Collins & A. G. Sayer (Ed.), New methods for the analysis of change (ss. 139–175). American Psychological Association.
Mulder, J. D., & Hamaker, E. L. (2021). Three extensions of the random intercept cross-lagged panel model. Structural Equation Modeling, 28(4), 638–648. https://doi.org/10.1080/10705511.2020.1784738
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
Satorra, A., & Bentler, P. M. (2001). A scaled difference chi-square test statistic for moment structure analysis. Psychometrika, 66(4), 507–514. https://doi.org/10.1007/BF02296192
Stoel, R. D., Garre, F. G., Dolan, C., & van den Wittenboer, G. (2006). On the likelihood ratio test in structural equation modeling when parameters are subject to boundary constraints. Psychological Methods, 11(4), 439–455. https://doi.org/10.1037/1082-989X.11.4.439
Usami, S., Murayama, K., & Hamaker, E. L. (2019). A unified framework of longitudinal models to examine reciprocal relations. Psychological Methods, 24(5), 637–657. https://doi.org/10.1037/met0000210