MerQuR+Başvuru Kitabı

88. Doğrulayıcı Faktör Analizi (DFA)

Analiz kimliği: cfa · Menü adı: Doğrulayıcı Faktör Analizi (CFA) · Panel: gui/panels/analyses/cfa.py; form add_form_rows (131–224), read_options (227–236), execute (347–497), motor yolu _execute_engine (793–976), değişmezlik _attach_invariance (775–790), metin build_body_text (1090–1236) · Motor: stats/sem_engine.py (model kurma build_spec 202–336, olabilirlik ve bilgi 537–818, kestirim optimize 931–961, SH _add_se 1043–1068, MLR 1258–1271, MLM 1286–1324, uyum fit_measures 1417–1473, MI 1712–1820, değişmezlik 2164–2268), stats/cfa_extras.py (standart çözüm, CR/AVE/HTMT, Satorra–Bentler çekirdeği, Mardia)

88.1 Ne işe yarar

Doğrulayıcı faktör analizi (DFA), araştırmacının önceden belirlediği ölçme modelinin, yani hangi maddenin hangi gizil faktörü ölçtüğünün, verideki kovaryanslarla uyumlu olup olmadığını sınar. Cevapladığı sorular şunlardır: "DASS'ın depresyon, anksiyete ve stres alt ölçekleri bu örneklemde üç ayrı faktör olarak doğrulanıyor mu?", "Maddeler kendi faktörlerini ne kadar iyi ölçüyor?", "Ölçek kadınlarda ve erkeklerde aynı şeyi aynı biçimde ölçüyor mu (ölçme değişmezliği)?"

\mathbf y=\boldsymbol\nu+\boldsymbol\Lambda\boldsymbol\eta+\boldsymbol\varepsilon,\qquad \boldsymbol\Sigma(\boldsymbol\theta)=\boldsymbol\Lambda\boldsymbol\Phi\boldsymbol\Lambda^{\top}+\boldsymbol\Theta
H_0:\ \boldsymbol\Sigma=\boldsymbol\Sigma(\boldsymbol\theta)\ \ (\text{model kovaryans yapısını doğru üretir}),\qquad H_1:\ \boldsymbol\Sigma\ \text{kısıtsız}
  • \mathbf y: p gözlenen madde (örnekte 12); \boldsymbol\nu: kesişimler (tek grupta modellenmez).
  • \boldsymbol\eta: q gizil faktör (örnekte 3); \boldsymbol\Phi=\operatorname{Var}(\boldsymbol\eta), gizil (ko)varyanslar.
  • \boldsymbol\Lambda: p\times q yük matrisi. DFA'da her madde yalnız kendi faktörüne yüklenir; öteki yükler 0'a sabittir. Bu kısıt AFA'dan temel farktır.
  • \boldsymbol\varepsilon: artıklar; \boldsymbol\Theta=\operatorname{Var}(\boldsymbol\varepsilon) köşegen (ek satırlarla artık kovaryans eklenebilir).
  • \boldsymbol\theta: serbest parametreler. Örnekte 9 yük +\ 6 gizil (ko)varyans +\ 12 artık varyans =27.

Ne zaman kullanılır?

  • Kuramdan ya da önceki çalışmadan gelen bir ölçme yapısını yeni bir örneklemde sınamak (yapı geçerliği).
  • Birleşik güvenirlik (CR), ortalama açıklanan varyans (AVE) ve ayırt edici geçerlik (Fornell–Larcker, HTMT) raporlamak.
  • Bir ölçeğin gruplar arasında aynı biçimde çalışıp çalışmadığını (ölçme değişmezliği) incelemek; grup ortalamalarını karşılaştırmadan önce zorunludur.
  • Gizil faktörler arasındaki yönlü ilişkileri basit biçimde eklemek ("Yapısal yollar" alanı).

Ne zaman kullanılmaz?

  • Yapı bilinmiyorsa, maddelerin hangi faktöre ait olduğu keşfedilecekse: Açıklayıcı Faktör Analizi (Bölüm 86).
  • Gözlenen değişkenler arasında yollar, aracılık ve tanımlı parametrelerle tam bir yapısal model kurulacaksa: Yapısal Eşitlik Modeli (Bölüm 89). DFA paneli yalnız gizil faktörler arası yolları kabul eder; aynı motoru kullanır.
  • Maddeler ikili ya da 2–3 kategorili sıralıysa ve amaç madde parametreleriyse: Madde Tepki Kuramı (Bölüm 91). MerQur'un DFA'sı sürekli normal kuramıyla (ML) çalışır; kategorik (WLSMV) kestirici yoktur.
  • Kestirim yerine bileşen tabanlı yol modeli isteniyorsa (küçük örneklem, tahmin odaklı): PLS-SEM (Bölüm 90).

Sık karıştırılan analizler. AFA her maddeye her faktörde yük verir ve uyumu genellikle raporlamaz; DFA sıfır yükleri sabitler ve uyumu sınar. SEM, DFA'nın ölçme modeline yapısal yollar ekler; MerQur'da ikisi aynı ML motorunu (stats/sem_engine) kullanır.

88.2 Varsayımlar ve veri türü

Varsayım Ne demek MerQur'da nasıl denetlenir
Model doğru belirlenmiş Sıfıra sabitlenen yükler ve artık kovaryanslar gerçekten sıfıra yakın Uyum indeksleri; modifikasyon indeksleri (MI); artık korelasyon matrisi (ek çıktı)
Çok değişkenli normallik ML χ² ve SH'lerin dayanağı Mardia (ek çıktı); ihlalde MLM ya da MLR
Sürekli gösterge En az 5 kategorili Likert sürekli sayılabilir Kategorik işaretli sütun sürekli kullanılırsa ayar bloğuna yazılır (cfa.py:397–398)
Tanımlanabilirlik Serbest parametre sayısı ≤ moment sayısı; her faktörün ölçeği belirli İşaretleyici yük = 1; tek faktör + 2 gösterge hata (cfa.py:458–461); parametre > moment ise hata (sem_engine.py:2146–2161)
Yeterli örneklem n\ge200 önerilir n<30 hata (cfa.py:404–407), n<200 uyarı
Değişmezlikte gruplar Her grupta yeterli n Grup başına n<10 hata (sem_engine.py:2063–2065)

Eksik değer. Varsayılan liste bazında silmedir (cfa.py:402). "FIML (tam bilgi ML)" seçilirse en az bir göstergesi gözlenen tüm satırlar kullanılır; olabilirlik eksik veri örüntüleri üzerinden yazılır, χ² EM ile kestirilen doymuş modele göre hesaplanır ve SH'ler gözlenen bilgiyle verilir (sem_engine.py:1007–1040). MLM, FIML ile birlikte kullanılamaz (cfa.py:400–401).

Uç durumlar:

  • Faktör başına 2'den az gösterge: hata (cfa.py:379–382). Tek faktörlü modelde 3 gösterge gerekir; çok faktörlüde 2 gösterge, faktör başka bir faktörle ilişkiliyse yeterlidir.
  • Aynı madde iki faktöre verilirse hata (cfa.py:385–388); çapraz yük yalnız "Ek model satırları" ile eklenir.
  • Yapısal yol sözdiziminde ~ yoksa satır atlanır ve ayar bloğuna yazılır; hedef ya da kaynak faktör adı tanınmazsa hata (cfa.py:418–449).
  • Kestirim yakınsamazsa ya da imkânsız çözüm çıkarsa (Σ̂ pozitif tanımlı değil, \ell_{H_0}>\ell_{H_1}) sonuç basılmaz, açık hata verilir (sem_engine.py:1355–1383).
  • Motor sayısal olarak başarısız olursa (ML, liste bazında) yedek olarak semopy kullanılır ve ilk uyarı satırına yazılır (cfa.py:486–494).

88.3 Parametreler

Arayüz adı Varsayılan Ne yapar Sonucu nasıl değiştirir
Faktör sayısı 1 1–6 faktör; her biri için "Fi değişkenleri" seçicisi Ölçme modeli; faktörler F1…F6 adını alır
Fi değişkenleri — Faktörün göstergeleri; ilk seçilen işaretleyicidir İşaretleyici seçimi ham yükleri değiştirir, uyumu ve standart yükleri değiştirmez
Yapısal yollar (SEM) Boş F2 ~ F1; F3 ~ F1 + F2 Doluysa gizil kovaryanslar yerine yollar; başlık "SEM" olur
Kestirici ML (varsayılan) ML / MLM (Satorra–Bentler) / MLR (Huber–White + Yuan–Bentler) Kestirimler aynı; SH, ölçekli χ² ve ölçekli/sağlam indeksler değişir
Eksik veri Liste bazında silme Liste / FIML n, χ², SH türü
RMSEA paydası N (varsayılan) N ya da N-1 (eski MerQur) Yalnız RMSEA nokta kestirimi (GA ve PCLOSE her durumda N ile; bkz. 88.9)
Güven Düzeyi %95 Wald GA düzeyi Yük ve yol GA'ları
Ölçme değişmezliği (grup) (yok) Grup sütunu seçilirse yapısal → metrik → skaler → katı Ek değişmezlik bölümü
Kısmi değişmezlik (serbest parametreler) Boş x3 ~ 1; F1 =~ x2: gruplar arasında eşitlenmeyecek parametreler Metrik/skaler/katı basamakları
Ek model satırları Boş x1 ~~ x2 (artık kovaryans), F2 =~ x3 (çapraz yük) Modeli değiştirir, sd azalır
Ek çıktılar: faktör varyansı = 1 tanımlaması Kapalı std.lv yeniden parametrelemesi; tüm yükler SH ile Yalnız ek tablo (yapısal yol varsa verilmez)
Ek çıktılar: Mardia Kapalı Çok değişkenli çarpıklık ve basıklık Yalnız ek tablo
Ek çıktılar: artık korelasyon matrisi Kapalı Gözlenen − model korelasyonları Yalnız ek tablo

Neden ilk gösterge 1'e sabitleniyor?

Gizil faktörün kendi ölçü birimi yoktur; \lambda ile \operatorname{Var}(\eta) birlikte belirlenemez (\lambda\eta=(c\lambda)(\eta/c)). Bir yükü 1'e sabitlemek (işaretleyici, lavaan auto.fix.first) faktörü o maddenin birimine bağlar. Alternatif \operatorname{Var}(\eta)=1'dir (std.lv); ek çıktı bunu verir. İki parametreleme aynı uyumu, aynı standart yükleri verir; yalnız ham yükler ve SH'ler değişir. İşaretleyicinin SH'si olmadığı için "(sabit)" yazılır.

Koddaki tercih: tek motor

ML, MLM ve MLR (liste bazında ve FIML) aynı stats/sem_engine uyumundan gelir; ana tablo, uyum ve ek çıktılar tek bir kestirime dayanır (cfa.py:463–482). semopy yalnız motor sayısal olarak başarısız olursa yedektir.

88.4 Tıp örneği

Dosya: english/datasets/Tip/77_cfa_DASS21_12.xlsx (Türkçe kopya samples/Tum_Analiz_Tip/77_cfa_DASS21_12.xlsx). VIDEO_SCRIPT_TR.txt #77'ye göre üç faktör: depresyon, anksiyete, stres.

Değişken Rol Tür Açıklama / özet
depression_1–4 F1 göstergesi 1–5 Likert Ortalamalar 3,01–3,08; SS 0,86–0,99
anxiety_1–4 F2 göstergesi 1–5 Likert Ortalamalar 2,93–3,03; SS 0,90–0,92
stress_1–4 F3 göstergesi 1–5 Likert Ortalamalar 3,00–3,13; SS 0,85–0,95

n ve eksik değer: 280 hasta, eksik değer yok.

Klinik soru: DASS'ın 12 maddelik kısa formu bu hasta örnekleminde üç ayrı ve ayırt edilebilir faktör yapısını doğruluyor mu?

Seçilen ayarlar: Faktör sayısı 3; F1 = depression_1–4, F2 = anxiety_1–4, F3 = stress_1–4; arayüz varsayılanları (ML, liste bazında, RMSEA paydası N, %95). Hesap yürüyüşü için üç ek çıktı açılmış; MLM ve MLR ayrıca çalıştırılmıştır.

Ölçme değişmezliği verisi. Tıp setindeki DFA dosyalarında grup değişkeni yoktur. Bu yüzden değişmezlik basamakları Psikoloji–Sosyoloji setinin english/datasets/Psikoloji_Sosyoloji/126_irt_depressive_symptoms.xlsx dosyasıyla gösterilmiştir: 798 kişi (400 kadın, 398 erkek), dokuz depresif belirti maddesi (d01_fatigue … d09_psychomotor, 0–4), tek faktör, grup = sex.

88.5 Formüller ve hesap adımları

MerQur'un hesap sırası şudur: göstergeler sayıya çevrilir ve eksikler silinir → lavaan cfa() varsayılanlarıyla parametre tablosu kurulur (işaretleyici yük 1, artık ve gizil varyanslar serbest, gizil kovaryanslar serbest) → örneklem kovaryansı \mathbf S (N bölenli) → başlangıç değerleri → ML olabilirliği Fisher puanlamasıyla en büyüklenir → SH (beklenen bilgi; MLR/FIML'de gözlenen bilgi ve sandviç) → bağımsızlık (temel) modeli kestirilir → χ², CFI, TLI, RMSEA (GA, PCLOSE), SRMR, GFI/AGFI/NFI, AIC/BIC → standart çözüm, CR/AVE/HTMT, MI → (MLM) Satorra–Bentler, (MLR) Yuan–Bentler ölçeklemesi → (grup seçildiyse) dört değişmezlik basamağı.

88.5.1 Model kurulumu (RAM gösterimi)

Motor, lavaan ile aynı parametre tablosunu RAM gösterimiyle tutar (sem_engine.py:1–40, 590–609):

\mathbf B=(\mathbf I-\mathbf A)^{-1},\qquad \boldsymbol\Sigma(\boldsymbol\theta)=\mathbf F\mathbf B\mathbf S\mathbf B^{\top}\mathbf F^{\top},\qquad \boldsymbol\mu(\boldsymbol\theta)=\mathbf F\mathbf B\mathbf m
  • \mathbf A: yönlü yollar (=\sim yükleri ve \sim yolları) matrisi; \mathbf S: (artık) varyans–kovaryanslar (\sim\sim); \mathbf m: kesişimler (\sim1).
  • \mathbf F=[\mathbf I_p\ \ \mathbf 0]: gözlenen değişkenleri seçen süzgeç.
  • Saf DFA'da bu, \boldsymbol\Lambda\boldsymbol\Phi\boldsymbol\Lambda^{\top}+\boldsymbol\Theta'ya indirgenir.
  • Tek grupta, eksiksiz veride ortalama yapısı modellenmez; çok grupta (değişmezlik) ve FIML'de modellenir (sem_engine.py:2067).

88.5.2 ML kestirimi

Eksiksiz veride log-olabilirlik ve ML uyumsuzluk fonksiyonu (sem_engine.py:704–722):

\ell(\boldsymbol\theta)=-\frac N2\Big[p\ln2\pi+\ln\lvert\boldsymbol\Sigma\rvert+\operatorname{tr}\big(\boldsymbol\Sigma^{-1}\mathbf S\big)\Big],\qquad F_{\text{ML}}=\ln\lvert\boldsymbol\Sigma\rvert+\operatorname{tr}\big(\boldsymbol\Sigma^{-1}\mathbf S\big)-\ln\lvert\mathbf S\rvert-p
  • \mathbf S=\frac1N\sum_t(\mathbf y_t-\bar{\mathbf y})(\mathbf y_t-\bar{\mathbf y})^{\top}: N bölenli örneklem kovaryansı (lavaan likelihood = "normal").
  • \ell_{H_1}=-\frac N2[p\ln2\pi+\ln\lvert\mathbf S\rvert+p]: doymuş modelin log-olabilirliği.
  • \chi^2=2(\ell_{H_1}-\ell)=N\,F_{\text{ML}}.

Kestirim Fisher puanlamasıdır (optimize, satır 931–962):

\boldsymbol\theta^{(k+1)}=\boldsymbol\theta^{(k)}+\lambda\,\mathcal I(\boldsymbol\theta^{(k)})^{-1}\mathbf g(\boldsymbol\theta^{(k)}),\qquad g_j=\tfrac N2\operatorname{tr}\big[\boldsymbol\Sigma^{-1}(\mathbf S-\boldsymbol\Sigma)\boldsymbol\Sigma^{-1}\dot{\boldsymbol\Sigma}_j\big],\qquad \mathcal I_{jk}=\tfrac N2\operatorname{tr}\big[\boldsymbol\Sigma^{-1}\dot{\boldsymbol\Sigma}_j\boldsymbol\Sigma^{-1}\dot{\boldsymbol\Sigma}_k\big]
  • \dot{\boldsymbol\Sigma}_j=\partial\boldsymbol\Sigma/\partial\theta_j: analitik türev (RAM: \partial\boldsymbol\Sigma/\partial A_{ij}=\mathbf G_{\cdot i}(\mathbf B\mathbf S\mathbf G^{\top})_{j\cdot}+ devrik, \mathbf G=\mathbf F\mathbf B).
  • \lambda: adım yarılama; -\ell azalmazsa yarıya inilir.
  • Durma: \max\lvert\Delta\theta\rvert<10^{-10} ve \lvert\Delta(-\ell)\rvert<10^{-9}\max(1,\lvert\ell\rvert), ya da \max\lvert g\rvert/N<10^{-11}; en çok 2000 yineleme. Yakınsamazsa lavaan "simple" başlangıcından bir kez daha denenir.
  • Başlangıç: işaretleyiciye göre \phi=\text{medyan}(s_{\text{m}a}s_{\text{m}b}/s_{ab}), yük s_{i\text{m}}/\phi, artık varyans s_{ii}/2 (start_values, satır 821–880).
  • Olabilirlik hesabında \boldsymbol\Sigma'nın Cholesky ayrışımı denetlenir; pozitif tanımlı değilse \ell=-\infty (adım reddedilir).

Neden Newton değil, Fisher puanlaması?

Fisher puanlaması gözlenen Hessian yerine beklenen bilgiyi kullanır; beklenen bilgi her zaman pozitif (yarı) tanımlıdır ve adım yönü olabilirliği artırır. Optimuma yakın yakınsama hızı Newton'a yakındır. Aynı matris, eksiksiz veride ML'nin SH'lerini de verir; lavaan'ın varsayılan information = "expected" seçimiyle aynıdır.

88.5.3 Standart hatalar ve Wald testi

\widehat{\operatorname{Var}}(\hat{\boldsymbol\theta})=\mathcal I(\hat{\boldsymbol\theta})^{-1}\ (\text{ML, tam veri}),\qquad z_j=\frac{\hat\theta_j}{\text{SH}_j},\qquad p=2[1-\Phi(\lvert z_j\rvert)],\qquad \hat\theta_j\pm z_{1-\alpha/2}\,\text{SH}_j
  • ML + FIML ya da MLR: gözlenen bilgi \mathbf A=-\nabla^2\ell (analitik gradyanın merkezî farkı; hessian, satır 800–818).
  • MLR: Huber–White sandviç \mathbf A^{-1}\mathbf B\mathbf A^{-1}, \mathbf B=\sum_t\mathbf s_t\mathbf s_t^{\top}, \mathbf s_t=\partial\ell_t/\partial\boldsymbol\theta (_add_se, satır 1043–1070).
  • MLM: Satorra–Bentler sandviç (88.5.7).
  • Bilgi matrisi tekilse sözde ters kullanılır ve ayar bloğuna yazılır.

88.5.4 Serbestlik derecesi ve bağımsızlık modeli

\text{sd}=\frac{p(p+1)}{2}-q_{\text{serbest}},\qquad \chi^2_B=N\Big(\sum_{i=1}^{p}\ln s_{ii}-\ln\lvert\mathbf S\rvert\Big),\qquad \text{sd}_B=\frac{p(p-1)}{2}
  • Örnekte 78-27=51.
  • Bağımsızlık (temel) modeli yalnız varyansları serbest bırakır, kovaryansları 0'a sabitler (baseline_spec, satır 369–400); χ²'si yukarıdaki kapalı biçime eşittir. Çok grupta ve FIML'de ortalamalar da serbesttir.

88.5.5 Uyum indeksleri

χ² testi. \chi^2=N F_{\text{ML}}, p=P(\chi^2_{\text{sd}}\ge\chi^2). H_0 "model kovaryansları tam üretir"dir; büyük N'de küçük sapmalar bile reddedilir.

CFI ve TLI (sem_engine.py:1476–1486):

\text{CFI}=1-\frac{\max(\chi^2-\text{sd},0)}{\max(\chi^2-\text{sd},\ \chi_B^2-\text{sd}_B,\ 0)},\qquad \text{TLI}=\frac{\chi^2_B/\text{sd}_B-\chi^2/\text{sd}}{\chi^2_B/\text{sd}_B-1}
  • \chi^2-\text{sd}: modelin merkezî olmayanlık (yanlış belirleme) kestirimi; CFI bunu temel modelinkine oranlar.
  • CFI [0{,}1]'dedir; TLI 1'i aşabilir (örnekte 1,0023) çünkü \chi^2<\text{sd} iken oran negatife düşmez, kesilmez.
  • TLI, serbestlik derecesi başına uyumu kullandığı için karmaşık modelleri cezalandırır.

RMSEA, GA ve PCLOSE (sem_engine.py:1386–1395; path_moments.py:292–310; panel _rmsea_point, path_analysis.py:215–225):

\text{RMSEA}=\sqrt{G}\sqrt{\max\Big(\frac{\chi^2-\text{sd}}{\text{sd}\cdot N},\,0\Big)},\qquad F_{\chi^2_{\text{sd}}(\lambda_L)}(\chi^2)=0{,}95,\quad F_{\chi^2_{\text{sd}}(\lambda_U)}(\chi^2)=0{,}05
\text{GA}_{90}=\Big[\sqrt{\lambda_L/(N\,\text{sd})},\ \sqrt{\lambda_U/(N\,\text{sd})}\Big]\times\sqrt G,\qquad \text{PCLOSE}=P\big(\chi^2_{\text{sd}}(\lambda_0)\ge\chi^2\big),\quad \lambda_0=0{,}05^2\,N\,\text{sd}/G
  • G: grup sayısı (tek grupta 1; değişmezlik tablosunda 2, Steiger'in çok grup düzeltmesi).
  • \chi^2_{\text{sd}}(\lambda): merkezî olmayan χ²; kökler brentq ile (10^{-12}).
  • F(\chi^2;\text{sd},0)<0{,}95 ise alt sınır 0'dır (örnekte \chi^2<\text{sd} olduğundan nokta kestirim de 0).
  • "RMSEA paydası = N − 1" seçilirse yalnız nokta kestiriminde N yerine N-1 kullanılır.

Neden N bölen?

lavaan, ML'nin N bölenli olabilirliğinden gelen \chi^2=N F ile tutarlı olarak RMSEA'yı N ile tanımlar; GA ve PCLOSE da aynı ölçektedir. MerQur da N kullanır; semopy N-1 kullanır. N=280'de fark %0,2'dir.

SRMR (Bentler) (sem_engine.py:1398–1414):

\text{SRMR}=\sqrt{\frac{\sum_{a\le b}\big[(s_{ab}-\hat\sigma_{ab})/\sqrt{s_{aa}s_{bb}}\big]^2}{p(p+1)/2}}

Çok grupta gruplar n_g/N ağırlıklı ortalanır; ortalama yapısı varsa standartlaştırılmış ortalama artıkları da paya ve paydaya eklenir.

GFI, AGFI, NFI (cfa.py:920–931):

\text{GFI}=1-\frac{\operatorname{tr}\big[(\hat{\boldsymbol\Sigma}^{-1}\mathbf S-\mathbf I)^2\big]}{\operatorname{tr}\big[(\hat{\boldsymbol\Sigma}^{-1}\mathbf S)^2\big]},\qquad \text{AGFI}=1-\frac{p(p+1)}{2\,\text{sd}}(1-\text{GFI}),\qquad \text{NFI}=1-\frac{\chi^2}{\chi^2_B}

GFI/AGFI yalnız liste bazında hesaplanır (Jöreskog–Sörbom ML tanımı).

Bilgi ölçütleri. \text{AIC}=-2\ell+2q, \text{BIC}=-2\ell+q\ln N; \ell tam log-olabilirliktir (lavaan logl).

Koddaki tercih: genel uyum etiketi

_interpret_fit (cfa.py:276–342) puan toplar: χ² p>0{,}05 (+1); CFI ve TLI \ge0{,}95 (+2) ya da \ge0{,}90 (+1); RMSEA \le0{,}05 (+2) ya da \le0{,}08 (+1). Toplam \ge6 "Mükemmel", \ge4 "İyi", \ge2 "Vasat", altı "Kötü". SRMR yalnız raporlanır, puana katılmaz. Bu eşikler metnin sonundaki "Hu & Bentler kabul kriterleri" satırındaki RMSEA \le0{,}06 ile aynı değildir (bkz. 88.9).

88.5.6 Standart çözüm, CR, AVE ve HTMT

\lambda^{*}_{i}=\lambda_i\frac{\sqrt{\phi_{kk}}}{\sqrt{\hat\sigma_{ii}}},\qquad R^2_i=1-\frac{\theta_{ii}}{\hat\sigma_{ii}},\qquad \text{CR}_k=\frac{\big(\sum_{i\in k}\lambda^*_i\big)^2}{\big(\sum_{i\in k}\lambda^*_i\big)^2+\sum_{i\in k}(1-\lambda_i^{*2})},\qquad \text{AVE}_k=\frac{\sum_{i\in k}\lambda^{*2}_i}{\sum_{i\in k}\lambda^{*2}_i+\sum_{i\in k}(1-\lambda_i^{*2})}
  • \lambda^*: tam standartlaştırılmış yük (lavaan std.all); \hat\sigma_{ii} modelin ürettiği varyans.
  • 1-\lambda^{*2}_i: standart artık varyans (tek faktörlü maddede \theta_{ii}/\hat\sigma_{ii}).
  • Ölçütler: CR \ge0{,}70, AVE \ge0{,}50; sağlanmazsa ⚠.
  • Fornell–Larcker: her \sqrt{\text{AVE}_k} ilgili gizil korelasyonlardan büyük olmalı.
\text{HTMT}_{kl}=\frac{\bar r_{kl}}{\sqrt{\bar r_{kk}\,\bar r_{ll}}},\qquad \bar r_{kl}=\text{ort}\{\lvert r_{ij}\rvert: i\in k,\ j\in l\},\qquad \bar r_{kk}=\text{ort}\{\lvert r_{ij}\rvert: i<j\in k\}

HTMT2 (Roemer ve ark. 2021, semTools htmt varsayılanı) aritmetik yerine geometrik ortalama kullanır; klasik HTMT (Henseler ve ark. 2015) aritmetik. İkisi de mutlak örneklem korelasyonlarından hesaplanır (cfa_extras.py:201–231). Eşik: <0{,}85 (katı) ya da <0{,}90.

semTools varsayılanlarıyla fark

semTools compRelSEM() ve AVE() varsayılan olarak ham parametreler ve gözlenen varyanslarla hesaplar (ω biçimi); MerQur'un CR/AVE'si Fornell–Larcker'ın standart yük formülüdür. Örnekte F1 için MerQur CR = 0,8845, semTools 0,8856; AVE 0,6574'e karşı 0,6608. Doğrulamada R tarafında Fornell–Larcker formülü standardizedSolution üzerinden yazılmıştır.

88.5.7 Sağlam kestiriciler: MLM ve MLR

MLM (Satorra–Bentler). Kestirimler ML'dir. Asimptotik kovaryans dördüncü momentlerden (\boldsymbol\Gamma, ADF, N bölenli) alınır (cfa_extras.py:369–420; cfa.py:817–836):

\mathbf W=\tfrac12\mathbf D^{\top}(\boldsymbol\Sigma^{-1}\otimes\boldsymbol\Sigma^{-1})\mathbf D,\qquad \mathbf U=\mathbf W-\mathbf W\boldsymbol\Delta(\boldsymbol\Delta^{\top}\mathbf W\boldsymbol\Delta)^{-1}\boldsymbol\Delta^{\top}\mathbf W,\qquad c=\frac{\operatorname{tr}(\mathbf U\boldsymbol\Gamma)}{\text{sd}},\qquad T_{\text{SB}}=\frac{\chi^2}{c}
\widehat{\operatorname{Var}}_{\text{sağlam}}(\hat{\boldsymbol\theta})=\frac1N(\boldsymbol\Delta^{\top}\mathbf W\boldsymbol\Delta)^{-1}\boldsymbol\Delta^{\top}\mathbf W\boldsymbol\Gamma\mathbf W\boldsymbol\Delta(\boldsymbol\Delta^{\top}\mathbf W\boldsymbol\Delta)^{-1}
  • \boldsymbol\Delta=\partial\operatorname{vech}\boldsymbol\Sigma/\partial\boldsymbol\theta^{\top}; \mathbf D ikileme (duplication) matrisi.
  • \boldsymbol\Gamma: \operatorname{vech}[(\mathbf y_t-\bar{\mathbf y})(\mathbf y_t-\bar{\mathbf y})^{\top}]'nin kovaryansı.
  • Ölçekli CFI/TLI/RMSEA, ölçekli model ve ölçekli temel model χ²'sinden hesaplanır.
  • c>1: veride normalden ağır kuyruk (χ² şişkin); c<1: hafif kuyruk.

MLR (Huber–White + Yuan–Bentler). SH'ler 88.5.3'teki sandviç; ölçekli χ² lavaan yuan.bentler.mplus tanımıyla (sem_engine.py:1258–1271):

c_{\text{YB}}=\frac{\operatorname{tr}(\mathbf A_1^{-1}\mathbf B_1)-\operatorname{tr}(\mathbf A_0^{-1}\mathbf B_0)}{\text{sd}},\qquad T_{\text{YB}}=\frac{\chi^2}{c_{\text{YB}}}

\mathbf A_1,\mathbf B_1 doymuş modelin, \mathbf A_0,\mathbf B_0 kurulan modelin gözlenen bilgisi ve skor çapraz çarpımıdır. Sağlam (robust) CFI ve RMSEA da verilir (Brosseau-Liard ve Savalei; değişmezlik tablosunda):

\text{RMSEA}_r=\sqrt G\sqrt{\max\Big(\frac{\chi^2}{N\,\text{sd}}-\frac{c}{N},0\Big)},\qquad \text{CFI}_r=1-\frac{\max(\chi^2-c\,\text{sd},0)}{\max(\chi^2-c\,\text{sd},\ \chi^2_B-c_B\,\text{sd}_B,\ 0)}

88.5.8 Modifikasyon indeksleri

Sıfıra sabitlenmiş her aday parametre (çapraz yük, artık kovaryans, işaretleyici yük) için tek serbestlik dereceli skor (Lagrange çarpanı) testi (_score_test, satır 1712–1755):

\text{MI}_c=\frac{g_c^2}{v_c},\qquad v_c=\mathcal I_{cc}-\mathcal I_{c\theta}\mathcal I_{\theta\theta}^{-1}\mathcal I_{\theta c},\qquad \text{EPC}_c=\frac{g_c}{v_c}
  • g_c: adayın skoru (gradyan); \mathcal I: beklenen bilgi (serbest parametreler ve aday).
  • MI: parametre serbest bırakılırsa χ²'deki yaklaşık azalma (\chi^2_1); EPC beklenen değer, sEPC tam standartlaştırılmış hâli.
  • Çıktıda MI \ge3{,}84 olan en büyük 15 aday listelenir; MI yalnız liste bazında hesaplanır.

88.5.9 Ölçme değişmezliği

Grup değişkeni seçilince aynı model dört kez, giderek artan eşitlik kısıtlarıyla çok grupta kestirilir (run_invariance, satır 2175–2268):

Basamak Gruplar arası eşit Ek serbest Neyi sağlar
Yapısal (configural) Hiçbiri (yalnız aynı desen) Gizil ortalamalar 0 Aynı faktör yapısı
Metrik Yükler — Gizil varyans/kovaryans ve ilişki karşılaştırması
Skaler Yükler + kesişimler Gizil ortalamalar (grup 2…) serbest Gizil ortalama karşılaştırması
Katı (strict) Yükler + kesişimler + artık varyanslar — Gözlenen puan ortalaması/varyansı karşılaştırması

Her basamakta χ², CFI, TLI, RMSEA (\sqrt G ile), SRMR basılır ve bir önceki basamakla karşılaştırılır:

\Delta\chi^2=\chi^2_{\text{kısıtlı}}-\chi^2_{\text{serbest}},\quad \Delta\text{sd}=\text{sd}_{\text{kısıtlı}}-\text{sd}_{\text{serbest}},\qquad \Delta\text{CFI},\ \Delta\text{RMSEA}

Ölçekli kestiricide (MLR/MLM) fark testi Satorra ve Bentler (2001) ölçekli farkıdır (sb2001_diff, satır 2164–2172):

c_d=\frac{\text{sd}_0c_0-\text{sd}_1c_1}{\text{sd}_0-\text{sd}_1},\qquad T_d=\frac{\chi^2_0-\chi^2_1}{c_d}\sim\chi^2_{\text{sd}_0-\text{sd}_1}
  • 0: kısıtlı (sonraki) model, 1: serbest (önceki) model; \chi^2 ölçeksiz ML χ²'leridir.
  • c_d\le0 ise test tanımsız ("—").
  • Chen (2007) ölçütü: \Delta\text{CFI}\le-0{,}010 ya da \Delta\text{RMSEA}\ge0{,}015 ise o basamakta değişmezlik desteklenmez (⚠).
  • Skaler (yoksa metrik) basamakta her eşitlik kısıtının serbest bırakılması için tek serbestlik dereceli skor testleri listelenir (lavaan lavTestScore()$uni); kısmi değişmezlik adaylarıdır.

Neden basamaklar bu sırada?

Her basamak bir öncekinin özel durumudur (iç içe modeller); fark testi ancak böyle anlamlıdır. Gizil ortalamaları karşılaştırmak için skaler değişmezlik şarttır: kesişimler grup arasında farklıysa, gözlenen fark gizil farktan değil maddenin gruba göre "kolaylığından" gelebilir. Metrik değişmezlik olmadan gizil korelasyonların karşılaştırılması anlamsızdır. Katı değişmezlik çoğu uygulamada gerekli değildir; gözlenen toplam puanların karşılaştırılacağı durumda istenir.

88.6 Elle hesap: Tıp verisinde sayısal yürüyüş

Ara değerler dogrulama/cfa/elle_hesap.py ile, MerQur çağrılmadan hesaplanmıştır. Kestirim Jöreskog gösterimiyle (\boldsymbol\Lambda\boldsymbol\Phi\boldsymbol\Lambda^{\top}+\boldsymbol\Theta) yazılmış, F_{\text{ML}} scipy BFGS ve sayısal Hessian'lı Newton cilasıyla en küçüklenmiştir (MerQur'un RAM + Fisher puanlaması yolundan farklı).

Adım 1 — Örneklem kovaryansı. N=280, \mathbf S N bölenli. Örnekler: s_{11}=0{,}799949 (depression_1), s_{12}=0{,}449643, s_{22}=0{,}740357; bloklar arası s_{1{,}5}=-0{,}013878. \ln\lvert\mathbf S\rvert=-8{,}380739, \sum\ln s_{ii}=-2{,}278730.

Adım 2 — Serbest parametre ve sd. q=9+6+12=27 serbest parametre, p(p+1)/2=78 moment: sd = 51.

Adım 3 — ML kestirimleri. Yakınsamış çözüm:

Faktör İşaretleyici Yükler (λ) Gizil varyans \phi_{kk} Artık varyanslar \theta
F1 depression_1 = 1 0,912241; 1,134076; 1,085245 0,515858 0,2841; 0,3111; 0,3105; 0,2321
F2 anxiety_1 = 1 1,005659; 0,962641; 1,002959 0,514510 0,3251; 0,2946; 0,3476; 0,2875
F3 stress_1 = 1 0,959036; 0,856822; 0,921041 0,600397 0,2833; 0,3442; 0,2829; 0,3029

Gizil kovaryanslar \phi_{12}=-0{,}025039, \phi_{13}=-0{,}016396, \phi_{23}=0{,}017790. Model kovaryansı örneği:

\hat\sigma_{12}=1\times0{,}912241\times0{,}515858=0{,}470587,\qquad s_{12}-\hat\sigma_{12}=0{,}449643-0{,}470587=-0{,}020944
\hat\sigma_{11}=1^2\times0{,}515858+0{,}284091=0{,}799949=s_{11}

Köşegen tam üretilir: serbest artık varyanslı ML çözümünde \operatorname{diag}(\hat{\boldsymbol\Sigma})=\operatorname{diag}(\mathbf S)'dir.

Adım 4 — χ² ve olabilirlik. F_{\text{ML}}=0{,}171619:

\chi^2=280\times0{,}171619=48{,}0534,\qquad p=P(\chi^2_{51}\ge48{,}0534)=0{,}5914
\ell_{H_1}=-140\,(12\times1{,}837877-8{,}380739+12)=-3594{,}3300,\qquad \ell=\ell_{H_1}-\chi^2/2=-3618{,}3567
\text{AIC}=7236{,}7134+2\times27=7290{,}7134,\qquad \text{BIC}=7236{,}7134+27\ln280=7388{,}8527

Adım 5 — Temel model, CFI, TLI.

\chi^2_B=280\,(-2{,}278730+8{,}380739)=1708{,}5626,\qquad \text{sd}_B=66

\chi^2-\text{sd}=-2{,}95<0 olduğundan CFI'nın payı 0'dır: CFI = 1.

\text{TLI}=\frac{1708{,}5626/66-48{,}0534/51}{1708{,}5626/66-1}=\frac{25{,}887312-0{,}942223}{24{,}887312}=1{,}002322

NFI =1-48{,}0534/1708{,}5626=0{,}971875.

Adım 6 — RMSEA, GA, PCLOSE. \chi^2<\text{sd}: RMSEA = 0, alt sınır 0. Üst sınır için F_{\chi^2_{51}(\lambda)}(48{,}0534)=0{,}05 denkleminin kökü \lambda_U=17{,}0663:

\text{RMSEA}_U=\sqrt{\frac{17{,}0663}{280\times51}}=0{,}034570,\qquad \lambda_0=0{,}05^2\times280\times51=35{,}7,\qquad \text{PCLOSE}=P\big(\chi^2_{51}(35{,}7)\ge48{,}0534\big)=0{,}9979

Adım 7 — SRMR ve GFI. Standartlaştırılmış artıkların (alt üçgen + köşegen, 78 öğe) karekök ortalaması SRMR = 0,027622. \text{GFI}=0{,}971677, \text{AGFI}=1-\frac{156}{102}(1-0{,}971677)=0{,}956683.

Adım 8 — SH ve Wald. Beklenen bilgi N\boldsymbol\Delta^{\top}\mathbf W\boldsymbol\Delta'nın tersinden: depression_2 yükünün SH'si 0,067694:

z=\frac{0{,}912241}{0{,}067694}=13{,}476,\qquad \%95\ \text{GA}=0{,}912241\pm1{,}959964\times0{,}067694=[0{,}7796;\ 1{,}0449]

Adım 9 — Standart çözüm, CR, AVE. depression_1: \lambda^*=1\times\sqrt{0{,}515858}/\sqrt{0{,}799949}=0{,}718233/0{,}894399=0{,}803034, R^2=0{,}644864. F1'in standart yükleri 0,803034; 0,761473; 0,825345; 0,850621:

\textstyle\sum\lambda^*=3{,}240473,\quad (\sum\lambda^*)^2=10{,}500665,\quad \sum(1-\lambda^{*2})=1{,}370545
\text{CR}_{F1}=\frac{10{,}500665}{10{,}500665+1{,}370545}=0{,}884549,\qquad \text{AVE}_{F1}=\frac{2{,}629455}{4}=0{,}657364

\sqrt{\text{AVE}_{F1}}=0{,}8108, gizil korelasyonlar r_{12}=-0{,}0486, r_{13}=-0{,}0295: Fornell–Larcker sağlanır. HTMT2(F1, F2) = 0,0446. Bu veride faktörler neredeyse ilişkisizdir; ayırt edici geçerlik sorunsuzdur.

Adım 10 — MI. En büyük aday anxiety_2 ~~ stress_2: MI = 6,830, EPC = −0,0637, sEPC = −0,200. MI > 3,84, ama model zaten iyi uyumludur ve kuramsal gerekçe yoktur: serbest bırakılmaz.

Adım 11 — MLM ve MLR. Mardia basıklık z=-1{,}986 (p=0{,}047): hafif platikurtik veri. Satorra–Bentler c=0{,}995037, T_{\text{SB}}=48{,}0534/0{,}995037=48{,}2931 (p=0{,}5818); Yuan–Bentler c=0{,}990642, T_{\text{YB}}=48{,}5073. Sağlam SH'ler ML'ye yakındır (depression_2: ML 0,0677, MLM 0,0633, MLR 0,0651).

Adım 12 — Ölçme değişmezliği (Psikoloji #126, cinsiyet). Tek grupta tek faktörlü model: \chi^2(27)=26{,}904. Yapısal model grup başına ayrı uyumların toplamıdır (\chi^2=69{,}601, sd =2\times27=54):

\text{RMSEA}=\sqrt2\sqrt{\frac{69{,}6012-54}{54\times798}}=1{,}414214\times0{,}019027=0{,}026909
Basamak χ² sd CFI RMSEA Δχ² Δsd p ΔCFI ΔRMSEA
Yapısal 69,601 54 0,99375 0,02691
Metrik 76,712 62 0,99411 0,02439 7,111 8 0,525 +0,0004 −0,0025
Skaler 85,898 70 0,99363 0,02386 9,187 8 0,327 −0,0005 −0,0005
Katı 99,971 79 0,99160 0,02579 14,073 9 0,120 −0,0020 +0,0019

Hiçbir basamakta Δχ² anlamlı değildir ve Chen ölçütleri aşılmaz: ölçek kadın ve erkekte katı düzeyde değişmezdir. MLR ile metrik basamağın Satorra–Bentler (2001) farkı T_d=8{,}132 (p=0{,}421) olur; ölçeksiz LRT'den (7,111) farklıdır, çünkü iki modelin ölçekleme katsayıları farklıdır (c=1{,}0185 ve 0{,}9999). Skaler modelde en büyük skor testi d06_anhedonia kesişimidir: X^2(1)=3{,}252, p=0{,}071.

88.6.1 Doğrulama: MerQur, Python ve R

MerQur değerleri execute() sonucundan, cfa modülünde round ve p_yuvarla ad alanında etkisizleştirilerek tam hassasiyetle alınmıştır (dogrulama/cfa/merqur_calistir.py). R 4.5.3: lavaan 0.7.2 (cfa, fitMeasures, parameterEstimates, standardizedSolution, modindices, lavTestLRT, lavTestScore; MLM ve MLR), semTools 0.5.9 htmt, psych mardia. GFI ve CR/AVE R'de formülle hesaplanmıştır: lavaan 0.7.2 fitMeasures(..., "gfi") bu modelde 1,000 basar, oysa aynı yazılımın AGFI'si (0,9567) GFI = 0,9717 ile tutarlıdır; semTools CR/AVE varsayılanı farklı tanımdır (88.5.6). lavaan'ın varsayılan yakınsama ölçütü (nlminb rel.tol = 1e-10; daha sıkısı "yakınsamadı" uyarısı verir) yüklerde 10^{-7} düzeyinde fark bırakır; MI bu gürültüye duyarlıdır (lavaan'ın üç en iyileyicisiyle MI 6,830107–6,830118) ve R için 10^{-4} mutlak toleransla karşılaştırılmıştır.

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
χ² 48,053367 48,053367 48,053367 4,0e−10 ✓
χ² p 0,591414 0,591414 0,591414 1,6e−11 ✓
TLI 1,002322 1,002322 1,002322 3,1e−13 ✓
CFI 1 1 1 0,0e+00 ✓
RMSEA 0,000000 0,000000 0,000000 0,0e+00 ✓
RMSEA %90 GA üst 0,034570 0,034570 0,034570 2,6e−11 ✓
PCLOSE 0,997949 0,997949 0,997949 2,4e−13 ✓
SRMR 0,027622 0,027622 0,027622 9,6e−09 ✓
GFI (R: formülle) 0,971677 0,971677 0,971677 3,4e−09 ✓
AGFI 0,956683 0,956683 0,956683 5,3e−09 ✓
NFI 0,971875 0,971875 0,971875 2,3e−13 ✓
Bağımsızlık modeli χ² (MerQur: χ²/(1 − NFI)) 1708,562561 1708,562561 1708,562561 5,0e−12 ✓
Log-olabilirlik ℓ −3618,356703 −3618,356703 −3618,356703 2,0e−10 ✓
Doymuş model ℓ_H1 −3594,330020 −3594,330020 −3594,330020 1,8e−12 ✓
AIC 7290,713407 7290,713407 7290,713407 4,0e−10 ✓
BIC 7388,852726 7388,852726 7388,852726 4,0e−10 ✓
λ depression_2 0,912241 0,912241 0,912241 3,2e−08 ✓
SH(λ) depression_2 0,067694 0,067694 0,067694 9,6e−09 ✓
z depression_2 13,475887 13,475887 13,475884 2,4e−06 ✓
λ depression_3 1,134076 1,134076 1,134077 1,0e−07 ✓
SH(λ) depression_3 0,076464 0,076464 0,076464 2,9e−08 ✓
z depression_3 14,831563 14,831563 14,831559 4,2e−06 ✓
λ anxiety_3 0,962641 0,962641 0,962641 2,7e−08 ✓
SH(λ) anxiety_3 0,075919 0,075919 0,075919 1,3e−08 ✓
z anxiety_3 12,679914 12,679914 12,679912 1,8e−06 ✓
λ stress_3 0,856822 0,856822 0,856822 1,6e−07 ✓
SH(λ) stress_3 0,061652 0,061652 0,061652 1,3e−08 ✓
z stress_3 13,897762 13,897762 13,897757 5,4e−06 ✓
%95 GA alt, λ depression_2 0,779563 — 0,779563 5,1e−08 ✓
λ* (standart) depression_1 0,803034 0,803034 0,803034 8,2e−08 ✓
λ* (standart) depression_4 0,850621 0,850621 0,850621 5,2e−08 ✓
λ* (standart) stress_3 0,780446 0,780446 0,780446 1,2e−07 ✓
R² depression_4 0,723555 0,723555 0,723555 8,9e−08 ✓
Gizil korelasyon F1–F2 −0,048602 −0,048602 −0,048602 2,4e−07 ✓
Gizil korelasyon F2–F3 0,032007 0,032007 0,032007 5,9e−07 ✓
CR F1 0,884549 0,884549 0,884549 3,7e−08 ✓
AVE F1 0,657364 0,657364 0,657364 8,2e−08 ✓
CR F2 0,866164 0,866164 0,866164 3,7e−08 ✓
AVE F2 0,618127 0,618127 0,618127 7,6e−08 ✓
CR F3 0,873310 0,873310 0,873310 4,9e−08 ✓
AVE F3 0,632909 0,632909 0,632909 1,0e−07 ✓
HTMT2 F1–F2 0,044615 0,044615 0,044615 6,2e−17 ✓
HTMT (klasik) F1–F2 0,061503 0,061503 0,061503 1,4e−17 ✓
MI anxiety_2 ~~ stress_2 6,830115 — 6,830107 7,3e−06 ✓ (R: 10−4)
EPC anxiety_2 ~~ stress_2 −0,063679 — −0,063679 1,3e−08 ✓
std.lv: λ depression_1 0,718233 — 0,718233 8,1e−08 ✓
std.lv: SH(λ) depression_1 0,046261 — 0,046261 1,0e−09 ✓
std.lv: SH(r F1–F2) 0,067958 — 0,067958 4,1e−09 ✓
Mardia b₁,ₚ 7,193661 7,193661 7,193661 2,5e−14 ✓
Mardia çarpıklık χ² 335,704202 335,704202 335,704202 5,1e−13 ✓
Mardia b₂,ₚ 163,649455 163,649455 163,649455 5,1e−13 ✓
Mardia basıklık z −1,985743 −1,985743 −1,985743 1,2e−13 ✓
MLM ölçekleme katsayısı c 0,995037 0,995037 0,995036 5,6e−07 ✓
MLM Satorra–Bentler χ² 48,293062 48,293062 48,293089 2,7e−05 ✓
MLM ölçekli p 0,581821 0,581821 0,581820 1,1e−06 ✓ (R: 10−5)
MLM ölçekli TLI 1,002293 — 1,002293 2,3e−08 ✓
MLM sağlam SH(λ) depression_2 0,063327 0,063327 0,063327 2,0e−09 ✓
MLR ölçekleme katsayısı 0,990642 — 0,990642 6,3e−08 ✓
MLR Yuan–Bentler χ² 48,507308 — 48,507305 3,1e−06 ✓
MLR ölçekli TLI 1,001972 — 1,001972 2,4e−09 ✓
MLR sağlam SH(λ) depression_2 0,065122 — 0,065122 5,0e−10 ✓
Tek grup (#126): χ² 26,904480 26,904480 26,904480 4,5e−11 ✓
Yapısal: χ² 69,601212 69,601212 69,601212 2,3e−09 ✓
Yapısal: CFI 0,993752 0,993752 0,993752 9,4e−13 ✓
Yapısal: RMSEA (√G) 0,026909 0,026909 0,026909 2,0e−12 ✓
Yapısal: SRMR 0,022659 — 0,022659 4,4e−10 ✓
Metrik: χ² 76,711762 — 76,711762 1,9e−09 ✓
Metrik: CFI 0,994108 — 0,994108 7,6e−13 ✓
Metrik: RMSEA (√G) 0,024387 — 0,024387 1,6e−12 ✓
Metrik: SRMR 0,031770 — 0,031770 1,1e−09 ✓
Metrik: Δχ² 7,110549 — 7,110549 4,1e−10 ✓
Metrik: Δχ² p 0,524754 — 0,524754 4,4e−11 ✓
Skaler: χ² 85,898372 — 85,898372 1,2e−09 ✓
Skaler: CFI 0,993633 — 0,993633 4,8e−13 ✓
Skaler: RMSEA (√G) 0,023858 — 0,023858 9,0e−13 ✓
Skaler: SRMR 0,033519 — 0,033519 1,6e−08 ✓
Skaler: Δχ² 9,186610 — 9,186610 7,0e−10 ✓
Skaler: Δχ² p 0,326799 — 0,326799 5,7e−11 ✓
Katı: χ² 99,971319 — 99,971319 1,3e−09 ✓
Katı: CFI 0,991602 — 0,991602 5,1e−13 ✓
Katı: RMSEA (√G) 0,025794 — 0,025794 7,8e−13 ✓
Katı: SRMR 0,033854 — 0,033854 8,1e−09 ✓
Katı: Δχ² 14,072947 — 14,072947 1,3e−11 ✓
Katı: Δχ² p 0,119754 — 0,119754 4,6e−13 ✓
MLR Yapısal: ölçekli χ² 68,339833 — 68,339838 4,9e−06 ✓
MLR Yapısal: sağlam CFI 0,994142 — 0,994142 1,6e−09 ✓
MLR Metrik: ölçekli χ² 76,721614 — 76,721615 1,5e−06 ✓
MLR Metrik: sağlam CFI 0,994095 — 0,994095 4,9e−10 ✓
MLR Metrik: SB2001 Δχ² 8,131760 — 8,131757 3,2e−06 ✓
MLR Skaler: ölçekli χ² 85,910671 — 85,910670 1,5e−06 ✓
MLR Skaler: sağlam CFI 0,993619 — 0,993619 4,9e−10 ✓
MLR Skaler: SB2001 Δχ² 9,188976 — 9,188973 2,8e−06 ✓
MLR Katı: ölçekli χ² 99,734402 — 99,734401 1,7e−06 ✓
MLR Katı: sağlam CFI 0,991663 — 0,991663 5,3e−10 ✓
MLR Katı: SB2001 Δχ² 13,770480 — 13,770480 1,5e−07 ✓
Skor testi en büyük X² (d06_anhedonia ~1 1) 3,251614 — 3,251615 7,5e−07 ✓

Toplam 96 satırın tamamı ölçütü sağlar.

88.7 Çıktıyı okuma

Varsayılan çalıştırmanın gerçek çıktısından (kısaltılmış):

══ CFA — DOĞRULAYICI FAKTÖR ANALİZİ ══
n = 280
Standart hatalar: beklenen (Fisher) bilgi matrisi
── UYUM İNDEKSLERİ ──
χ²              = 48.0534
df              = 51
χ² p            = 0.5914
CFI             = 1.0000
TLI             = 1.0023
RMSEA           = 0.0000  (payda N)
RMSEA %90 GA    = [0.0000, 0.0346]
PCLOSE          = 0.9979  (P(RMSEA ≤ .05), yakın uyum testi)
SRMR            = 0.0276
AIC             = 7290.71
BIC             = 7388.85
Log-olabilirlik = -3618.3567  (H1: -3594.3300)
GENEL UYUM: MÜKEMMEL
── FAKTÖR YÜKLERİ ──
Faktör    Gözlenen         Kestirim        SE         z         p          %95 GA
F1        depression_1       1.0000   (sabit)         -         -               -
F1        depression_2       0.9122    0.0677    13.476   <0.0001  [0.780, 1.045] ★
F1        depression_3       1.1341    0.0765    14.832   <0.0001  [0.984, 1.284] ★
── GÜVENİRLİK VE GEÇERLİK (CR, AVE) ──
Faktör                 CR      AVE     √AVE
F1                 0.8845   0.6574   0.8108
F2                 0.8662   0.6181   0.7862
F3                 0.8733   0.6329   0.7956
── MODİFİKASYON İNDEKSLERİ (MI, EPC) ──
anxiety_2 ~~ stress_2                 6.830   -0.0637  -0.2000
── APA 7 ÖZET ──
χ²(51, N = 280) = 48.05, p = .591, CFI = 1.000, TLI = 1.002, RMSEA = .000,
%90 GA [.000, .035], SRMR = .028
Satır / öğe Ne yazar Nasıl yorumlanır
Standart hatalar Bilgi matrisi türü (beklenen / gözlenen / sandviç) Kestiriciye göre değişir; raporda yazılmalı
χ², df, p Kesin uyum testi p>0{,}05 model reddedilmez; büyük N'de katıdır
CFI, TLI Artımlı uyum \ge0{,}95 iyi, \ge0{,}90 kabul edilebilir
RMSEA, GA, PCLOSE Yaklaşık uyum ve yakın uyum testi \le0{,}05 iyi, \le0{,}08 kabul edilebilir; GA üst sınırı <0{,}08 ve PCLOSE >0{,}05 istenir
SRMR Ortalama standart artık <0{,}08 iyi
GFI/AGFI/NFI Eski indeksler Örneklem büyüklüğüne duyarlıdır; tek başına kullanılmamalı
Yükler Ham yük, SH, z, p, Wald GA; işaretleyici "(sabit)" Anlamlılık; büyüklük için standart çözüme bakın
Tam standart çözüm \lambda^*, R^2, standart artık; gizil korelasyonlar \lambda^*\ge0{,}50 (tercihen \ge0{,}70)
CR, AVE, Fornell–Larcker, HTMT Güvenirlik ve geçerlik CR \ge0{,}70, AVE \ge0{,}50, HTMT <0{,}85
MI Serbest bırakılması uyumu en çok iyileştirecek sabit parametreler Yalnız kuramsal gerekçeyle
Ölçme değişmezliği Dört basamak, Δχ², ΔCFI, ΔRMSEA, skor testleri ⚠ olmayan en yüksek basamak raporlanır
Uyarılar n<200, düşük yük (\lvert\lambda^*\rvert<0{,}4, standart yük; işaretleyici dahil), motor notları Uyarı standart çözüme dayanır (88.8, S7)

APA biçiminde rapor:

Depresyon, anksiyete ve stres alt ölçeklerinden oluşan üç faktörlü ölçme modeli en çok olabilirlik kestirimiyle sınandı (N = 280). Model veriye iyi uydu, χ²(51) = 48,05, p = ,591, CFI = 1,000, TLI = 1,002, RMSEA = ,000, %90 GA [,000, ,035], SRMR = ,028. Standart yükler ,76 ile ,85 arasında değişti (tümü p < ,001). Birleşik güvenirlikler ,87–,88, ortalama açıklanan varyanslar ,62–,66 idi; gizil korelasyonlar sıfıra yakındı (|r| ≤ ,05) ve HTMT değerleri ,07'nin altındaydı. Satorra–Bentler ölçekli test sonucu değiştirmedi, χ²(51) = 48,29, p = ,582.

88.8 Uzman soruları

S1. MerQur'un χ²'si neden N-1 değil N ile hesaplanıyor?

Motor, lavaan likelihood = "normal" sözleşmesini izler: \mathbf S N bölenli, \chi^2=N F_{\text{ML}}=2(\ell_{H_1}-\ell). Bu, olabilirlik oranı testinin kendisidir. lavaan likelihood = "wishart" ve bazı eski yazılımlar (N-1)F kullanır; fark 1/N oranındadır. RMSEA paydası da tutarlı olarak N'dir.

S2. TLI'nin 1'i aşması bir hata mı?

Hayır. TLI'nin tanımı kesilmez: \chi^2/\text{sd}<1 ise pay paydadan büyüktür. Örnekte 48{,}05/51=0{,}942 olduğu için TLI = 1,0023'tür. CFI ise \max(\cdot,0) ile kesildiği için 1'de kalır. lavaan de aynı değerleri verir.

S3. Değişmezlik tablosundaki RMSEA neden \sqrt G ile çarpılıyor?

Çok grupta \chi^2 grupların katkılarının toplamıdır; N toplam örneklemdir. Steiger (1998) her grubun RMSEA'sını aynı ölçekte tutmak için \sqrt G düzeltmesini önerir; lavaan da öyle yapar. Örnekte yapısal model için düzeltmesiz değer 0,0190, düzeltmeli 0,0269'dur. Tek gruplu ana tablodaki RMSEA'da G=1'dir.

S4. MLR'de değişmezlik farkı neden basit χ² farkı değil?

Ölçekli istatistiklerin farkı χ² dağılmaz; Satorra ve Bentler (2001) farkın ölçekleme katsayısını c_d=(\text{sd}_0c_0-\text{sd}_1c_1)/\Delta\text{sd} olarak verir ve ölçeksiz χ²'lerin farkını buna böler. Örnekte metrik basamakta ölçeksiz fark 7,11, ölçekli fark 8,13'tür. c_d\le0 olursa test tanımsızdır; MerQur "—" yazar. lavaan lavTestLRT(method = "satorra.bentler.2001") ile aynıdır.

S5. İşaretleyici olarak hangi maddenin seçildiği sonucu değiştirir mi?

Uyumu, standart yükleri, R^2'yi, CR/AVE'yi ve gizil korelasyonları değiştirmez; yalnız ham yükleri, gizil varyansları ve onların SH'lerini değiştirir. Ancak işaretleyicinin kendisinin yükü için z testi yoktur. Bütün yüklerin SH'si isteniyorsa "Faktör varyansı = 1" ek çıktısı açılır (örnekte depression_1: \lambda=0{,}7182, SH = 0,0463; lavaan std.lv = TRUE ile 10^{-8} düzeyinde aynı).

S6. Model yakınsamazsa MerQur ne yapar, lavaan'dan farkı nedir?

Fisher puanlaması yakınsamazsa lavaan'ın "simple" başlangıcından bir kez daha denenir. Yine de yakınsamaz ya da çözüm imkânsızsa (Σ̂ pozitif tanımlı değil, χ² < 0) MerQur hiçbir değer basmaz ve açık hata verir; çok grupta sorunlu grubu adlandırır. lavaan yakınsamayan modelde uyarıyla birlikte değer basabilir. Değişmezlikte bir basamak yakınsamazsa öteki basamaklar korunur, o basamak işaretlenir.

S7. "Düşük yük" uyarısı neden standart yüklere bakar?

Ham yük işaretleyicinin ölçeğindedir: standart yükü 0,80 olan bir madde, işaretleyiciden çok daha küçük varyanslıysa ham yükü 0,4'ün altında kalabilir; işaretleyicinin ham yükü de 1'e sabittir ve hiç denetlenemez. Bu yüzden uyarı tam standart çözümdeki \lambda^*'a bakar ve işaretleyiciyi de kapsar (cfa.py:937–942). Standart çözüm kurulamazsa işaretleyici dışı ham yüklere döner.

S8. MLM neden FIML ile kullanılamıyor?

Satorra–Bentler düzeltmesi eksiksiz verinin dördüncü moment matrisine (\boldsymbol\Gamma) dayanır; eksik veri örüntülerinde bu matris doğrudan tanımlı değildir. lavaan da MLM'yi yalnız tam veride sunar. Eksik ve normal olmayan veri için MLR + FIML seçilmelidir (cfa.py:400–401).

S9. GFI'yi lavaan'la karşılaştırırken neden fark görülebilir?

lavaan 0.7.2'nin fitMeasures() çıktısında bu modelde GFI = 1,000 görünür; oysa aynı çıktının AGFI'si (0,9567) ve Jöreskog–Sörbom formülüyle elle hesaplanan GFI (0,9717) MerQur'la aynıdır. Fark R tarafındadır; MerQur'un GFI'si tanıma uygundur.

88.9 Sık hatalar ve tuzaklar

  • Hu ve Bentler satırı ile genel uyum etiketi farklı eşik kullanır. Metnin sonundaki kriter satırı RMSEA \le0{,}06 yazar; genel uyum puanlaması ise \le0{,}05 (+2) ve \le0{,}08 (+1) kullanır (cfa.py:316–324, 1229–1230). RMSEA = 0,055 olan bir model kriter satırına göre iyi, puanlamada "kabul edilebilir"dir. SRMR için de metin "< 0.08", kriter satırı "≤ 0.08" der.
  • RMSEA paydasını N − 1 yapınca GA'nın değişmesini beklemek. Seçenek yalnız nokta kestirimini değiştirir; %90 GA ve PCLOSE her zaman N ile hesaplanır (cfa.py:839, 969–970). Araç ipucu bunu "varsayılan D = N (%90 GA ve PCLOSE da N ile)" diye yazar, ama N − 1 seçildiğinde nokta kestirim ile GA farklı paydaya dayanır.
  • Düşük yük kararını ham yükten vermek. Ham yük işaretleyici ölçeğindedir; karar standart çözümden verilir (88.8, S7).
  • MI'ye bakarak model "düzeltmek". MI = 6,83 olan artık kovaryansı serbest bırakmak χ²'yi düşürür ama modeli örnekleme özgü hâle getirir. Kuramsal gerekçe yoksa bırakılmaz; bırakılırsa raporda yazılır ve yeni örneklemde sınanır.
  • CR/AVE'yi semTools ile karşılaştırırken tanımı unutmak. MerQur Fornell–Larcker formülünü (standart yükler) kullanır; semTools varsayılanı farklıdır.
  • Değişmezlik grubunu modelde de kullanmak. Grup değişkeni modelin bir göstergesiyse hata verilir.
  • Değişmezlikte grup sırası. Gruplar verideki ilk görünüş sırasıyla alınır (lavaan kuralı); skor testlerindeki "grup 2" bu sıraya göredir. Örnekte ilk satır erkek olduğundan sıra male, female'dir.
  • Kısmi değişmezlik alanını grup seçmeden doldurmak. Alan grup seçilmeden devre dışıdır; betikte doldurulursa uyarı verilir ve yok sayılır.
  • Az kategorili maddeleri sürekli saymak. 2–4 kategorili Likert'te ML, yükleri ve χ²'yi yanlı verebilir; MLM/MLR yalnız χ² ve SH'yi düzeltir. Kategorik DFA (WLSMV) MerQur'da yoktur; ikili maddeler için Bölüm 91'e bakın.

88.10 Kaynaklar

  • Bentler, P. M. (1990). Comparative fit indexes in structural models. Psychological Bulletin, 107(2), 238–246. https://doi.org/10.1037/0033-2909.107.2.238
  • Brosseau-Liard, P. E., & Savalei, V. (2014). Adjusting incremental fit indices for nonnormality. Multivariate Behavioral Research, 49(5), 460–470. https://doi.org/10.1080/00273171.2014.933697
  • Brosseau-Liard, P. E., Savalei, V., & Li, L. (2012). An investigation of the sample performance of two nonnormality corrections for RMSEA. Multivariate Behavioral Research, 47(6), 904–930. https://doi.org/10.1080/00273171.2012.715252
  • Browne, M. W., & Cudeck, R. (1992). Alternative ways of assessing model fit. Sociological Methods & Research, 21(2), 230–258. https://doi.org/10.1177/0049124192021002005
  • Chen, F. F. (2007). Sensitivity of goodness of fit indexes to lack of measurement invariance. Structural Equation Modeling, 14(3), 464–504. https://doi.org/10.1080/10705510701301834
  • Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.1177/002224378101800104
  • Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8
  • 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
  • Jöreskog, K. G. (1969). A general approach to confirmatory maximum likelihood factor analysis. Psychometrika, 34(2), 183–202. https://doi.org/10.1007/BF02289343
  • Mardia, K. V. (1970). Measures of multivariate skewness and kurtosis with applications. Biometrika, 57(3), 519–530. https://doi.org/10.1093/biomet/57.3.519
  • Meredith, W. (1993). Measurement invariance, factor analysis and factorial invariance. Psychometrika, 58(4), 525–543. https://doi.org/10.1007/BF02294825
  • Roemer, E., Schuberth, F., & Henseler, J. (2021). HTMT2: An improved criterion for assessing discriminant validity in structural equation modeling. Industrial Management & Data Systems, 121(12), 2637–2650. https://doi.org/10.1108/IMDS-02-2021-0082
  • 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. (1994). Corrections to test statistics and standard errors in covariance structure analysis. In A. von Eye & C. C. Clogg (Eds.), Latent variables analysis: Applications for developmental research (pp. 399–419). Sage.
  • 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
  • Sörbom, D. (1989). Model modification. Psychometrika, 54(3), 371–384. https://doi.org/10.1007/BF02294623
  • Steiger, J. H. (1990). Structural model evaluation and modification: An interval estimation approach. Multivariate Behavioral Research, 25(2), 173–180. https://doi.org/10.1207/s15327906mbr2502_4
  • Steiger, J. H. (1998). A note on multiple sample extensions of the RMSEA fit index. Structural Equation Modeling, 5(4), 411–419. https://doi.org/10.1080/10705519809540115
  • Tucker, L. R., & Lewis, C. (1973). A reliability coefficient for maximum likelihood factor analysis. Psychometrika, 38(1), 1–10. https://doi.org/10.1007/BF02291170
  • Vandenberg, R. J., & Lance, C. E. (2000). A review and synthesis of the measurement invariance literature: Suggestions, practices, and recommendations for organizational research. Organizational Research Methods, 3(1), 4–70. https://doi.org/10.1177/109442810031002
  • Yuan, K.-H., & Bentler, P. M. (2000). Three likelihood-based methods for mean and covariance structure analysis with nonnormal missing data. Sociological Methodology, 30(1), 165–200. https://doi.org/10.1111/0081-1750.00078