MerQuR+Başvuru Kitabı

89. Yapısal Eşitlik Modeli (YEM)

Analiz kimliği: sem · Menü adı: Yapısal Eşitlik Modeli (SEM) · Panel: gui/panels/analyses/sem.py (form 62–130, execute 157–234) · Motor: stats/sem_engine.py, run_sem (2051–2132), fit_spec (1007–1040), fit_measures (1417–1473), param_table (1643–1707), bootstrap_defined (2271–2302)

89.1 Ne işe yarar

Yapısal eşitlik modeli (YEM, structural equation model), doğrudan ölçülemeyen kavramları (gizil değişkenler: sağlık okuryazarlığı, öz yönetim, glisemik kontrol) birkaç gözlenen göstergeyle ölçer ve bu kavramlar arasındaki yönlü ilişkileri aynı modelde kestirir. İki parçası vardır:

  • Ölçme modeli (=~): her gizil değişken göstergelerini açıklar. Bu kısım doğrulayıcı faktör analizidir (Bölüm 88).
  • Yapısal model (~): gizil (ya da gözlenen) değişkenler arasındaki regresyonlardır. Yalnız gözlenen değişkenlerle kurulursa yol analizine dönüşür (Bölüm 124).

Model denklemi (Jöreskog'un "all-y" gösterimiyle):

\boldsymbol\eta=\mathbf B\boldsymbol\eta+\boldsymbol\zeta,\qquad \mathbf y=\boldsymbol\Lambda\boldsymbol\eta+\boldsymbol\varepsilon,\qquad \boldsymbol\Sigma(\boldsymbol\theta)=\boldsymbol\Lambda(\mathbf I-\mathbf B)^{-1}\boldsymbol\Psi(\mathbf I-\mathbf B)^{-\top}\boldsymbol\Lambda^{\top}+\boldsymbol\Theta
  • \boldsymbol\eta: m gizil değişken; \mathbf y: p gözlenen gösterge.
  • \mathbf B: gizil değişkenler arası yol katsayıları (m\times m, köşegeni 0).
  • \boldsymbol\Lambda: faktör yükleri (p\times m).
  • \boldsymbol\Psi=\operatorname{Cov}(\boldsymbol\zeta): dışsal gizil değişkenlerin varyansları ve içsel gizil değişkenlerin artık (bozukluk) varyansları.
  • \boldsymbol\Theta=\operatorname{Cov}(\boldsymbol\varepsilon): gösterge ölçme hatası varyansları (varsayılan köşegen).
  • \boldsymbol\Sigma(\boldsymbol\theta): modelin öngördüğü (örtük) kovaryans matrisi; \boldsymbol\theta serbest parametreler.

Cevapladığı soru şudur: "Ölçme hatası arındırıldığında A kavramı B'yi doğrudan ve C üzerinden dolaylı olarak ne kadar etkiler, ve bu kuramsal model verinin kovaryans yapısıyla uyumlu mu?" Tek tek yollar için H_0:\ \beta=0 Wald z testiyle, modelin bütünü için H_0:\ \boldsymbol\Sigma=\boldsymbol\Sigma(\boldsymbol\theta) olabilirlik oranı \chi^2 testiyle sınanır.

Ne zaman kullanılır?

  • Kuram önceden belirlenmiş birkaç kavram ve aralarında yönlü ilişkiler varsa.
  • Her kavram en az üç sürekli (ya da en az 5 kategorili Likert) göstergeyle ölçülmüşse.
  • Aracılık (dolaylı etki) ölçme hatasından arındırılmış olarak kestirilmek isteniyorsa (:= ile tanımlı parametre).
  • Aynı modelin gruplar arasında eşdeğer işleyip işlemediği (ölçme değişmezliği) sınanacaksa.

Ne zaman kullanılmaz?

  • Yalnız ölçme yapısı (faktörler ve yükler) sınanacaksa: Doğrulayıcı Faktör Analizi (Bölüm 88).
  • Tüm değişkenler gözlenen değişkense (gizil değişken yoksa): Yol Analizi (Bölüm 124); tek aracılık için Aracılık Analizi.
  • Amaç kuramı sınamak değil, içsel yapılardaki açıklanan varyansı en çoklamak ve öngörüyse ya da örneklem küçükse ve biçimlendirici yapılar varsa: PLS-SEM (Bölüm 90).
  • Göstergeler ikili ya da az kategorili sıralıysa: normal kuram ML uygun değildir; MerQur bu panelde kategorik (WLSMV) kestirici sunmaz.
  • Gözlemler kümeliyse (öğrenci–okul): Çok Düzeyli YEM ile Aracılık (MSEM).

Sık karıştırılan analizler. PLS-SEM de "yapısal eşitlik modeli" adını taşır, ama gizil değişkeni göstergelerin ağırlıklı toplamı (bileşen) olarak tanımlar, kovaryans yapısını uydurmaz ve genel bir uyum testi yoktur. YEM ise ortak faktör modelidir: gizil değişken göstergelerin ortak varyansıdır ve ölçme hatası \boldsymbol\Theta'da ayrıca kestirilir. Aynı veride PLS yolları YEM yollarından mutlak değerce küçüktür (89.7 ile 90.7'yi karşılaştırın).

89.2 Varsayımlar ve veri türü

Varsayım Ne demek MerQur'da nasıl denetlenir
Sürekli göstergeler Aralık ölçekli ya da en az 5 kategorili Likert. Denetlenmez; Veri sekmesinde "kategorik" işaretli sütun sürekli kullanılırsa ayar bloğuna yazılır (sem.py:200–201).
Çok değişkenli normallik ML kestirimi ve \chi^2 testi normal kurama dayanır. Denetlenmez; ihlalde MLR seçilir (Huber–White SH, Yuan–Bentler \chi^2).
Belirlenmiş model Serbest parametre sayısı ≤ moment sayısı; her gizil değişkenin ölçeği sabitlenmiş. Parametre sayısı moment sayısını aşarsa hata (sem_engine.py:2146–2151); ölçek, ilk göstergenin yükü 1'e sabitlenerek otomatik konur.
Doğru model Dışlanan yollar ve kovaryanslar gerçekten sıfır. Uyum indeksleri ve modifikasyon indeksleri (MI).
Yeterli örneklem N\ge200 önerilir. N<30 hata (sem.py:183–184); N<200 uyarı (sem.py:215–216); grup başına n<10 hata (sem_engine.py:2063–2065).
Uygun çözüm Negatif varyans (Heywood durumu) yok. Negatif varyans kestirimi uyarılır (sem.py:220–223).

Eksik değer. Varsayılan liste bazında silmedir: modeldeki gözlenen değişkenlerden herhangi birinde eksik olan satır çıkarılır (sem_engine.py:2018–2019). "FIML" seçilirse en az bir değeri olan her satır kullanılır; olabilirlik eksik veri örüntüleri üzerinden toplanır (89.5.2) ve doymuş H1 modeli EM ile kestirilir.

Uç durumlar.

  • Sözdizimi boş ya da yalnız yorumsa hata (sem.py:156–157).
  • Modelde geçen bir ad veri sütunu değilse ve gizil değişken olarak da tanımlanmamışsa hata (sem_engine.py:196–198).
  • Optimizasyon yakınsamazsa önce yedek başlangıçla (lavaan start = "simple") bir kez daha denenir (sem_engine.py:1015–1023); yine yakınsamaz ya da \hat{\boldsymbol\Sigma} pozitif tanımlı değilse ve \chi^2<0 çıkarsa sonuç basılmaz, açık hata verilir (sem_engine.py:1355–1381).
  • Bilgi matrisi tekilse sözde ters kullanılır ve bu "İstenen ve uygulanan ayarlar" bloğuna yazılır (sem_engine.py:1053–1060).

89.3 Parametreler

Varsayılanlar sem.py:62–148 (form ve read_options) ve execute'tan (sem.py:157–232) okunmuştur.

Arayüz adı Varsayılan Ne yapar Sonucu nasıl değiştirir
Model sözdizimi boş lavaan benzeri: =~ ölçme, ~ regresyon, ~~ (ko)varyans, ~ 1 kesişim, := tanımlı parametre; a*x etiket, 1*x sabit, NA*x serbest, c(a, b)*x gruba özgü etiket. Modelin kendisi.
Kestirim yöntemi ML (en çok olabilirlik) ML ya da MLR (sağlam: Huber–White SH + Yuan–Bentler \chi^2). MLR'de kestirimler aynıdır; SH, z, p, GA ve ölçekli \chi^2/CFI/TLI/RMSEA değişir.
Eksik veri Liste bazında silme FIML seçilebilir. N, kestirimler; FIML'de ortalama yapısı açılır ve SH gözlenen bilgiden gelir.
Grup değişkeni (çoklu grup) (yok) Model her grupta ayrı kestirilir (biçimsel/configural). Parametreler grup başına; tek etiket gruplar arası eşitlik koyar.
Ölçme değişmezliği kapalı Biçimsel → metrik → ölçek (scalar) → katı (strict); her adımda \Delta\chi^2, \DeltaCFI, \DeltaRMSEA ve skor testleri. Ek tablo. Yalnız grup seçiliyken etkindir. Ayrıntı Bölüm 88.
Kısmi değişmezlik (serbest parametreler) boş x3 ~ 1; F1 =~ x2 biçiminde gruplar arasında serbest bırakılan kısıtlar. Değişmezlik basamakları; grup ve değişmezlik yoksa ayar bloğuna "gereksiz" diye yazılır.
Güven Düzeyi %95 Wald GA \hat\theta\pm z_{1-\alpha/2}\,\SH ve bootstrap yüzdelikleri. Yalnız GA sınırları.
Bootstrap (tanımlı parametreler) Kapalı (0) := parametreleri için vaka yeniden örneklemeli yüzdelik GA. Ek GA satırları; nokta kestirimi ve delta SH değişmez. := yoksa uygulanmaz, ayar bloğuna yazılır.
Rastgele tohum 42 Yeniden örnekleme dizisinin tohumu (seed). Bootstrap GA ve SH; tohum çıktıda yazılır.
Ek çıktı: Modifikasyon indeksleri açık Sabit-sıfır adaylar için tek sd'li skor testi (MI), EPC, sEPC. Ek tablo; FIML'de hesaplanmaz (ayar bloğuna yazılır, sem.py:180–185).

Koddaki tercih: bootstrap tohumu formda ve çıktıda

Tohum formdaki kutudan okunur (varsayılan 42) ve bootstrap satırlarının altında yazılır. Gizli bir sabit tohum, sonucun yeniden üretilmesini okurdan saklardı; Yol Analizi paneli (Bölüm 124) de aynı biçimde çalışır.

Neden "ilk göstergenin yükü 1"?

Gizil değişkenin ölçeği yoktur: \lambda'yı k ile çarpıp gizil varyansı k^2'ye bölmek aynı \boldsymbol\Sigma'yı verir. Bu belirsizliği gidermek için ya bir yük ya da gizil varyans sabitlenir. MerQur lavaan'ın varsayılanını uygular (auto.fix.first, sem_engine.py:259–268): her faktörün ilk göstergesi "işaretçi"dir. Standartlaştırılmış çözüm (std.all) bu seçimden bağımsızdır.

89.4 Tıp örneği

Dosya: english/datasets/Tip/125_sem_literacy_selfmanagement_glycemic.xlsx (Türkçe kopyası samples/Tum_Analiz_Tip/125_sem_literacy_selfmanagement_glycemic.xlsx). Model, veri üreticisinin (english/datasets/_uretec_v1023/gen_125_sem.py) ve R karşılaştırma vakasının (r_karsilastirma/Tip/cases/c125.py) modelidir.

Değişken Rol Tür Özet
hl_understand, hl_appraise, hl_apply Literacy (sağlık okuryazarlığı) göstergeleri 1–5 Likert ort. 3,61–3,64; SS 1,06–1,10
sm_diet, sm_exercise, sm_medication, sm_glucose_monitoring SelfMgmt (diyabet öz yönetimi) göstergeleri 1–7 Likert ort. 4,63–4,77; SS 1,40–1,46
hba1c_pct Glycemia (kötü glisemik kontrol) işaretçisi % ort. 7,59; SS 1,33
fasting_glucose_mgdl Glycemia göstergesi mg/dL ort. 153,2; SS 39,9
ppg_mgdl Glycemia göstergesi mg/dL ort. 205,9; SS 52,7

n ve eksik değer: 410 hasta, eksik değer yok; modelde N=410.

Klinik soru: Sağlık okuryazarlığı, diyabet öz yönetimini artırarak glisemik kontrolü dolaylı olarak iyileştiriyor mu? Okuryazarlığın öz yönetimden bağımsız doğrudan bir etkisi var mı?

Model sözdizimi:

Literacy =~ hl_understand + hl_appraise + hl_apply
SelfMgmt =~ sm_diet + sm_exercise + sm_medication + sm_glucose_monitoring
Glycemia =~ hba1c_pct + fasting_glucose_mgdl + ppg_mgdl
SelfMgmt ~ a*Literacy
Glycemia ~ b*SelfMgmt + c*Literacy
indirect := a*b
total := c + a*b

Seçilen ayarlar: Arayüz varsayılanları (ML, liste bazında, %95, MI açık). Hesap yürüyüşü için ayrıca MLR, bootstrap (B = 1000), ortalama yapılı (x ~ 1) ve ikinci düzey faktörlü çeşitlemeler çalıştırılmıştır.

89.5 Formüller ve hesap adımları

MerQur'un hesap sırası: sözdizimi ayrıştırılır ve lavaan varsayılanlarıyla tam parametre tablosu kurulur (işaretçi yükler, artık varyanslar, dışsal gizil değişken kovaryansları, fixed.x); başlangıç değerleri örneklem kovaryanslarından hesaplanır; log-olabilirlik Fisher puanlaması ve adım yarılamayla en büyüklenir; \chi^2 doymuş modele (H1) göre, CFI/TLI bağımsızlık modeline göre hesaplanır; SH beklenen bilgi matrisinden (ML), gözlenen bilgiden (FIML) ya da sandviç biçiminden (MLR) gelir; standart çözüm, R^2 ve := parametreleri delta yöntemiyle eklenir; son olarak modifikasyon indeksleri ve istenirse bootstrap hesaplanır. Ölçme kısmının kestirimi ve uyum indeksleri DFA ile aynı motoru kullanır; bu bölüm, Bölüm 88'den farklı olan yapısal kısma, ortalama yapısına ve ikinci düzey faktöre ağırlık verir.

89.5.1 Model gösterimi: RAM

MerQur içeride Jöreskog gösteriminin matrislerini değil, McArdle ve McDonald'ın (1984) RAM (reticular action model) gösterimini kullanır (sem_engine.py:8–13, Engine.implied, 603–609). Gözlenen ve gizil tüm değişkenler tek bir \mathbf v vektöründe toplanır:

\mathbf v=\mathbf A\mathbf v+\mathbf u,\qquad \boldsymbol\Sigma(\boldsymbol\theta)=\mathbf F(\mathbf I-\mathbf A)^{-1}\mathbf S(\mathbf I-\mathbf A)^{-\top}\mathbf F^{\top},\qquad \boldsymbol\mu(\boldsymbol\theta)=\mathbf F(\mathbf I-\mathbf A)^{-1}\mathbf M
  • \mathbf v=(\mathbf y,\boldsymbol\eta): önce p gözlenen, sonra m gizil değişken.
  • \mathbf A: tüm yönlü oklar; F =~ x için A_{x,F}=\lambda, y ~ x için A_{y,x}=\beta.
  • \mathbf S=\operatorname{Cov}(\mathbf u): tüm (artık) varyans ve kovaryanslar (~~).
  • \mathbf M: kesişim ve ortalamalar (~ 1).
  • \mathbf F=[\mathbf I_p\ \ \mathbf 0]: gözlenenleri seçen süzgeç matrisi.

Neden RAM?

RAM'de ölçme, yapısal, ikinci düzey faktör ve gözlenen–gizil karışık yollar aynı iki matriste (\mathbf A, \mathbf S) durur; Jöreskog gösterimindeki gibi "x-tarafı / y-tarafı" ayrımı ya da hayalet gizil değişken hilesi gerekmez. Türevler de tek biçimdedir: \partial\boldsymbol\Sigma/\partial A_{ij}=\mathbf G_{\cdot i}(\mathbf B\mathbf S\mathbf G^{\top})_{j\cdot}+\text{devrik}, \mathbf G=\mathbf F(\mathbf I-\mathbf A)^{-1} (Engine.jac, 611–636). Bu bölümün bağımsız Python doğrulaması bilerek Jöreskog gösterimiyle yazıldı; iki gösterim aynı \boldsymbol\Sigma(\boldsymbol\theta)'yı verdiği için sayılar birebir aynıdır.

89.5.2 Olabilirlik ve uyum fonksiyonu

Tam veride (liste bazında) log-olabilirlik ve ML uyum fonksiyonu:

\ell(\boldsymbol\theta)=-\frac N2\Big[p\ln2\pi+\ln\lvert\boldsymbol\Sigma\rvert+\operatorname{tr}\!\big(\mathbf S\boldsymbol\Sigma^{-1}\big)\Big],\qquad F_{ML}=\ln\lvert\boldsymbol\Sigma\rvert+\operatorname{tr}\!\big(\mathbf S\boldsymbol\Sigma^{-1}\big)-\ln\lvert\mathbf S\rvert-p
  • \mathbf S: N bölenli örneklem kovaryansı (make_group_data, sem_engine.py:440).
  • N: liste bazında silmeden sonra kalan gözlem sayısı.
  • F_{ML}\ge0; model mükemmel uyarsa (\boldsymbol\Sigma=\mathbf S) sıfırdır. lavaan'ın raporladığı fmin bunun yarısıdır.

Ortalama yapısı ve eksik veri durumunda olabilirlik örüntüler üzerinden toplanır (Engine.loglik, 704–722; Arbuckle 1996 FIML):

\ell=-\frac12\sum_{k}n_k\Big[p_k\ln2\pi+\ln\lvert\boldsymbol\Sigma_{oo}\rvert+\operatorname{tr}\!\Big(\boldsymbol\Sigma_{oo}^{-1}\big(\mathbf S_k+\mathbf d_k\mathbf d_k^{\top}\big)\Big)\Big],\qquad \mathbf d_k=\bar{\mathbf y}_k-\boldsymbol\mu_o
  • k: aynı değişkenleri gözlenmiş satırların oluşturduğu eksiklik örüntüsü; tam veride tek örüntü vardır.
  • n_k, p_k: örüntüdeki satır ve gözlenen değişken sayısı.
  • \boldsymbol\Sigma_{oo}, \boldsymbol\mu_o: örtük kovaryans ve ortalamanın o örüntüde gözlenen değişkenlere ait alt blokları.
  • \mathbf S_k, \bar{\mathbf y}_k: örüntü içi (n_k bölenli) kovaryans ve ortalama. Ortalama yapısı kapalıysa \mathbf d_k=\mathbf 0 alınır.

Model \chi^2'si doymuş (H1) modele karşı olabilirlik oranıdır:

\chi^2=2\big(\ell_{H1}-\ell_{H0}\big)=N\,F_{ML}(\hat{\boldsymbol\theta}),\qquad \text{sd}=\underbrace{\tfrac{p(p+1)}2+p\,[\text{ortalama yapısı varsa}]}_{\text{moment sayısı}}-q
  • \ell_{H1}: tam veride -\tfrac N2\big[p\ln2\pi+\ln\lvert\mathbf S\rvert+p\big] (logl_h1, 995–1004); FIML'de EM ile kestirilen doymuş \hat{\boldsymbol\mu},\hat{\boldsymbol\Sigma}'nın olabilirliği.
  • q: serbest parametre sayısı (eşitlik kısıtlı parametreler bir kez sayılır).
  • fixed.x altında sabitlenen dışsal gözlenen değişken momentleri hem moment sayısından hem de log-olabilirlikten düşülür (_nmoments, 986–992; run_sem, 2100–2104).

89.5.3 Kestirim: Fisher puanlaması

\boldsymbol\theta^{(t+1)}=\boldsymbol\theta^{(t)}+\lambda_t\,\mathcal I(\boldsymbol\theta^{(t)})^{-1}\,\mathbf g(\boldsymbol\theta^{(t)}),\qquad \mathcal I_{kl}=\sum_k n_k\Big[\tfrac12\operatorname{tr}\big(\boldsymbol\Sigma^{-1}\boldsymbol\Delta_k\boldsymbol\Sigma^{-1}\boldsymbol\Delta_l\big)+\boldsymbol\delta_k^{\top}\boldsymbol\Sigma^{-1}\boldsymbol\delta_l\Big]
  • \mathbf g=\partial\ell/\partial\boldsymbol\theta: analitik gradyan; g_k=\tfrac N2\operatorname{tr}\big[\boldsymbol\Sigma^{-1}(\mathbf S-\boldsymbol\Sigma)\boldsymbol\Sigma^{-1}\boldsymbol\Delta_k\big] (tam veri, ortalamasız).
  • \boldsymbol\Delta_k=\partial\boldsymbol\Sigma/\partial\theta_k, \boldsymbol\delta_k=\partial\boldsymbol\mu/\partial\theta_k.
  • \mathcal I: beklenen (Fisher) bilgi matrisi (grad_info, 724–749).
  • \lambda_t: adım yarılama katsayısı; -\ell azalmıyorsa adım yarıya indirilir.

Koddaki tercih: başlangıç ve durma ölçütü

Başlangıç değerleri (start_values, 821–878): işaretçi göstergeli faktörde gizil varyans \hat\phi=\operatorname{medyan}\{s_{m a}s_{m b}/s_{ab}\} (işaretçi m, öteki göstergeler a,b; üçlü kuralı), [0{,}05\,s_{mm},\ 0{,}95\,s_{mm}] aralığına kırpılır; yük s_{x m}/\hat\phi; yapısal yollar 0; gösterge artık varyansı s_{xx}/2; içsel gizil artık varyans \hat\phi/2; kesişim \bar y. Optimizasyon (optimize, 931–961) en çok 2000 yinelemedir; \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} olunca durur. Bilgi matrisinin köşegenine 10^{-12}\cdot\overline{\operatorname{diag}} kadar sayısal düzenleme eklenir. lavaan aynı minimumu nlminb ile arar; bu veride iki program arasındaki parametre farkı 10^{-7} düzeyindedir (89.6.1).

Neden Newton–Raphson değil Fisher puanlaması?

Beklenen bilgi her zaman pozitif yarı tanımlıdır ve yalnız birinci türevlerle (\boldsymbol\Delta) kurulur; gözlenen Hessian ise ikinci türev ister ve optimumdan uzakta belirsiz olabilir. Fisher puanlaması bu yüzden kötü başlangıçta daha kararlıdır; optimumda yakınsama hızı Newton'a yakındır. ML'de beklenen bilginin tersi aynı zamanda SH'nin kaynağıdır.

89.5.4 Standart hatalar: beklenen, gözlenen ve sandviç

\widehat{\operatorname{Var}}_{ML}(\hat{\boldsymbol\theta})=\mathcal I(\hat{\boldsymbol\theta})^{-1}\quad\text{(tam veri)},\qquad \widehat{\operatorname{Var}}_{FIML}=\mathbf A^{-1},\qquad \widehat{\operatorname{Var}}_{MLR}=\mathbf A^{-1}\mathbf B\mathbf A^{-1}
\mathbf A=-\frac{\partial^2\ell}{\partial\boldsymbol\theta\,\partial\boldsymbol\theta^{\top}}\Big|_{\hat{\boldsymbol\theta}},\qquad \mathbf B=\sum_{i=1}^{N}\mathbf s_i\mathbf s_i^{\top},\qquad s_{ik}=\tfrac12\operatorname{tr}\!\Big[\boldsymbol\Sigma^{-1}\big(\mathbf d_i\mathbf d_i^{\top}-\boldsymbol\Sigma\big)\boldsymbol\Sigma^{-1}\boldsymbol\Delta_k\Big]
  • \mathbf A: gözlenen bilgi; MerQur analitik gradyanın merkezi farkıyla bulur (h_j=10^{-5}\max(1,\lvert\theta_j\rvert); hessian, 800–816).
  • \mathbf s_i: i. bireyin skor (log-olabilirlik katkısının gradyanı) vektörü (casewise_scores, 751–771; score_crossprod, 773–798).
  • \mathbf d_i=\mathbf y_i-\hat{\boldsymbol\mu} (ortalama yapısı yoksa \mathbf y_i-\bar{\mathbf y}).

Neden üç ayrı SH?

Model ve dağılım doğruysa üçü asimptotik olarak aynıdır. Beklenen bilgi yalnız \boldsymbol\Sigma(\boldsymbol\theta)'ya bağlıdır ve tam veride en kararlısıdır; lavaan'ın ML varsayılanıdır. Eksik veride beklenen bilgi MAR altında yanlıdır; FIML gözlenen bilgiyi ister (lavaan missing = "ml" varsayılanı). Normallik bozuksa \mathbf A^{-1} varyansı yanlış tahmin eder; Huber (1967) ve White'ın (1982) sandviç biçimi \mathbf B ile gerçek skor değişkenliğini kullanır ve basıklığa karşı tutarlıdır.

Koddaki tercih: FIML her zaman gözlenen bilgi

"FIML" seçildiğinde veri tam olsa bile gözlenen bilgi kullanılır (fit_spec, 1031–1037). Bu, lavaan missing = "fiml" ile aynıdır. Sonuç metni hangi bilgi matrisinin kullanıldığını "Standart hatalar:" satırında yazar (sem.py:502–503).

89.5.5 Uyum indeksleri

Uyum indeksleri DFA ile aynı fonksiyondan gelir (fit_measures, 1417–1473); ayrıntılı tartışma Bölüm 88'dedir.

\begin{gathered}\text{CFI}=1-\frac{\max(\chi^2-\text{sd},0)}{\max(\chi^2-\text{sd},\ \chi^2_B-\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}\\[4pt] \text{RMSEA}=\sqrt G\sqrt{\frac{\max(\chi^2-\text{sd},0)}{\text{sd}\cdot N}},\qquad \text{SRMR}=\sum_g\frac{n_g}N\sqrt{\frac{\sum_{a\le b}r_{ab}^2+\sum_a m_a^2}{p(p+1)/2+p}}\end{gathered}
  • \chi^2_B, \text{sd}_B: bağımsızlık (temel) modeli: yalnız varyanslar (ve ortalamalar) serbest, kovaryanslar 0 (baseline_spec, 369–399).
  • G: grup sayısı. RMSEA paydasında N kullanılır (N-1 değil; lavaan ile aynı).
  • r_{ab}=s_{ab}/\sqrt{s_{aa}s_{bb}}-\hat\sigma_{ab}/\sqrt{\hat\sigma_{aa}\hat\sigma_{bb}}; m_a=(\bar y_a-\hat\mu_a)/\sqrt{s_{aa}} yalnız ortalama yapısında (Bentler SRMR, srmr, 1398–1414).
  • RMSEA'nın %90 GA'sı merkezsel olmayan \chi^2 dağılımının parametresi için kök bulmayla, PCLOSE P(\text{RMSEA}\le0{,}05) testidir (Browne ve Cudeck 1992; path_moments.rmsea_ci, 292–312).
  • AIC =-2\ell+2q, BIC =-2\ell+q\ln N.

89.5.6 MLR: Yuan–Bentler ölçekli \chi^2 ve ölçekli/sağlam indeksler

c=\frac{\operatorname{tr}\!\big(\mathbf A_1^{-1}\mathbf B_1\big)-\operatorname{tr}\!\big(\mathbf A_0^{-1}\mathbf B_0\big)}{\text{sd}},\qquad T_{YB}=\frac{\chi^2}{c}
  • İndis 1: doymuş model (\operatorname{vech}\boldsymbol\Sigma, ortalama yapısında \boldsymbol\mu da); \mathbf A_1, \mathbf B_1 \mathbf S (ya da EM kestirimi) noktasında (_h1_trace, 1073–1088).
  • İndis 0: kurulan model; \mathbf A_0, \mathbf B_0 89.5.4'teki matrisler (add_mlr_test, 1258–1271).
  • c>1: veri normalden daha basık, ML \chi^2'si şişkin; c<1: tersi.

Ölçekli CFI/TLI/RMSEA, aynı formüllerde \chi^2 ve \chi^2_B yerine T_{YB} ve temel modelin ölçekli değeri konarak bulunur. Ayrıca sağlam (Brosseau-Liard, Savalei ve Li 2012; Brosseau-Liard ve Savalei 2014) değerler verilir (sem_engine.py:1443–1472):

\text{RMSEA}_r=\sqrt G\sqrt{\max\!\Big(\frac{\chi^2}{N\,\text{sd}}-\frac cN,\ 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)}

Neden "ölçekli" ile "sağlam" ayrı?

Ölçekli indeksler T_{YB}'yi ölçekleme katsayısıyla düzeltilmiş bir \chi^2 gibi formüle koyar; ama RMSEA ve CFI'nin tanımladığı nüfus büyüklüğü bu durumda tutarlı kestirilmez (Brosseau-Liard vd. 2012). Sağlam biçim, merkezsellik parametresini \chi^2-c\cdot\text{sd} olarak kestirir ve tutarlıdır. MerQur sonuç metninde ölçekli değerleri, değişmezlik tablosunda ayrıca sağlam değerleri basar; ikisi de measures sözlüğündedir. FIML+MLR'de sağlam değerler eksik veri düzeltmeli testten (FIML-C; fiml_corrected, 1179–1255) hesaplanır, hesaplanamazsa basılmaz.

Koddaki tercih: MLR'de ortalama yapısı

Tek grupta, tam veride ve ~ 1 satırı yokken MLR ortalama yapısını açmaz (run_sem, 2067). Doymuş ortalamalar kestirimlere, sandviç SH'ye ve c'ye katkı vermez (bilgi matrisi optimumda ortalama ve kovaryans blokları arasında bloklu köşegendir); bu yüzden SH ve T_{YB} lavaan ile aynıdır ve serbest parametre sayısı (AIC/BIC) ortalamasız sayılır. Bu veride lavaan da npar = 23 raporlar.

89.5.7 Standart çözüm (std.all) ve R^2

\lambda^{*}_{xF}=\lambda_{xF}\frac{\sigma_F}{\sigma_x},\qquad \beta^{*}_{yx}=\beta_{yx}\frac{\sigma_x}{\sigma_y},\qquad \psi^{*}_{ab}=\frac{\psi_{ab}}{\sqrt{\psi_{aa}\psi_{bb}}},\qquad R^2_v=1-\frac{s_{vv}}{\sigma^2_v}
  • \sigma_v=\sqrt{[(\mathbf I-\mathbf A)^{-1}\mathbf S(\mathbf I-\mathbf A)^{-\top}]_{vv}}: değişkenin model-örtük SS'si (gözlenen ya da gizil; std_values, 1527–1566).
  • \psi^{*}_{ab}: kovaryans satırında artık varyanslarla ölçekleme (artık korelasyonu); varyans satırında \psi_{vv}/\sigma_v^2 (açıklanmayan oran).
  • R^2_v: içsel değişkenin (gelen ok alan) açıklanan varyans oranı; s_{vv} o değişkenin \mathbf S matrisindeki artık varyansı (r2_values, 1627–1640).
  • std.all'ın SH'si sayısal Jacobian'la delta yöntemidir (h=10^{-6}; _std_jac, 1600–1624).

89.5.8 Tanımlı parametreler (:=) ve delta yöntemi

indirect := a*b gibi ifadeler etiketli parametrelerden güvenli bir ifade çözücüyle hesaplanır (yalnız + − * / ^, exp, log, sqrt, abs; eval_expr, 1505–1514). SH delta yöntemidir (Sobel 1982):

\widehat{\operatorname{Var}}\big(h(\hat{\boldsymbol\theta})\big)=\mathbf J\,\widehat{\operatorname{Var}}(\hat{\boldsymbol\theta})\,\mathbf J^{\top},\qquad \mathbf J=\frac{\partial h}{\partial\boldsymbol\theta^{\top}};\qquad h=ab:\ \ \operatorname{Var}\approx b^2\operatorname{Var}(a)+a^2\operatorname{Var}(b)+2ab\operatorname{Cov}(a,b)
  • \mathbf J MerQur'da sayısal merkezi farkla bulunur (_num_jac, 1591–1597); doğrusal ve çarpım ifadelerinde analitik türevle 10^{-9} düzeyinde aynıdır.
  • Tanımlı parametrenin std.all değeri, etiketli parametrelerin std.all değerleri ifadeye konarak bulunur (std_defined, 1581–1588): (ab)^{*}=a^{*}b^{*}. lavaan aynı tanımı kullanır.
  • Wald GA: h\pm z_{1-\alpha/2}\SH; p=2[1-\Phi(\lvert z\rvert)].

Neden bootstrap da var?

\hat a\hat b'nin örnekleme dağılımı, a ve b normal olsa bile çarpık ve basıktır; delta SH'ye dayanan simetrik Wald GA, gerçek kapsama oranını tutturamayabilir (MacKinnon, Lockwood ve Williams 2004). Yüzdelik bootstrap GA asimetriyi yansıtır.

89.5.9 Bootstrap (tanımlı parametreler)

\big\{h(\hat{\boldsymbol\theta}^{*}_b)\big\}_{b=1}^{B},\qquad \text{GA}=\Big[Q_{\alpha/2},\ Q_{1-\alpha/2}\Big],\qquad \SH_{boot}=\sqrt{\tfrac1{B}\textstyle\sum_b\big(h^{*}_b-\bar h^{*}\big)^2}
  • \hat{\boldsymbol\theta}^{*}_b: b. yeniden örneklemde (gruplar içinde, yerine koyarak N satır) aynı modelin ML kestirimi; başlangıç olarak özgün kestirim kullanılır (bootstrap_defined, 2271–2298).
  • Q: lavaan'ın bootstrap yüzdeliği, yani boot::norm.inter (sıralı değerler arasında normal ölçekte ara değer); Yol Analizi paneliyle aynı tanım.
  • \SH_{boot}: B paydalı (lavaan ile aynı).
  • Yeniden örnekleme dizisi numpy.random.default_rng(tohum).integers(0, n, n); yakınsamayan örneklem atlanır ve sayısı yazılır.

Neden lavaan'ın bootstrap tanımı?

Aynı dolaylı etki YEM ve Yol Analizi panellerinde aynı GA'yı vermelidir. İki panel bu yüzden tek kuralı kullanır: lavaan'ın boot.ci.type = "perc" tanımı (boot::norm.inter ile yüzdelik, B paydalı SH). lavaan bu modellerin ana başvuru uygulamasıdır. quantile(type = 7) gibi başka bir yüzdelik tanımı aynı çekilişlerde üçüncü–dördüncü ondalıkta farklı sınır verirdi.

fixed.x altında dışsal gözlenen değişkenlerin varyans ve kovaryansları her örneklemde özgün örneklem değerlerinde kalır (spec yeniden kurulmaz). Bu doğrulama sırasında ayrıca sınandı: ML'de ortak olabilirlik dışsal blok ile koşullu blok arasında ayrıştığı için yol kestirimleri bu sabitlerden etkilenmez; Tıp #52 yol modelinde iki yaklaşım 10^{-11} düzeyinde aynı bootstrap GA'yı verdi (dogrulama/path_analysis/elle_hesap.py).

89.5.10 Modifikasyon indeksleri

Sabit-sıfır bir aday parametre \theta_k için tek sd'li skor (Lagrange çarpanı) testi (Sörbom 1989; modification_indices, 1758–1820; _score_test, 1712–1756):

\text{MI}_k=\frac{g_k^2}{\mathcal I_{kk}-\mathcal I_{k\theta}\mathcal I_{\theta\theta}^{-1}\mathcal I_{\theta k}},\qquad \text{EPC}_k=\frac{g_k}{\mathcal I_{kk}-\mathcal I_{k\theta}\mathcal I_{\theta\theta}^{-1}\mathcal I_{\theta k}}
  • g_k: adayın olabilirlik gradyanı (sabit modelin kestiriminde); \mathcal I: beklenen bilgi (aday dahil).
  • MI: aday serbest bırakılırsa \chi^2'nin yaklaşık ne kadar düşeceği (\chi^2_1 dağılımı).
  • EPC: adayın beklenen değeri; sEPC: std.all ölçeğinde.
  • Adaylar: çapraz yükler, gösterge artık kovaryansları, gizil kovaryanslar, gizil yapısal yollar ve 1'e sabit işaretçi yükleri. Çıktıda MI ≥ 3,84 olan ilk 15 aday basılır.

89.5.11 Ortalama yapısı ve ikinci düzey faktör

Ortalama yapısı (x ~ 1). Sözdiziminde bir kesişim satırı varsa ortalama yapısı açılır (lavaan: any(op == "~1") ise meanstructure = TRUE; run_sem, 2068–2073). Ortalama yapısında her gözlenen değişkenin kesişimi serbest, gizil ortalamalar 0'dır (tek grupta); moment sayısına p eklenir:

\text{sd}=\Big[\tfrac{p(p+1)}2+p\Big]-\big(q_{\Sigma}+q_{\mu}\big)

Neden moment sayısına p eklenir?

Kesişimler serbest parametre olarak sayılıp ortalama momentleri sayılmazsa sd kesişim sayısı kadar eksik çıkar, RMSEA ve TLI yanlış hesaplanır ve MLR'de bilgi matrisi tekil olur. Bu veride 10 kesişim yazıldığında sd 32'dir (65 moment − 33 parametre); momentler eklenmeseydi 22 çıkardı. Ortalamalar doymuş olduğu için \chi^2, CFI ve c değişmez, AIC ve BIC 2\cdot10 ve 10\ln N artar (89.6, Adım 9).

İkinci düzey faktör. Bir gizil değişken başka bir gizil değişkenin göstergesiyse (Health =~ Literacy + SelfMgmt + Glycemia), birinci düzey faktörler içsel sayılır: lavaan'ın lv.x tanımı gibi, başka bir faktörün göstergesi olan gizil değişken dışsal kovaryans kümesinden çıkarılır (build_spec, 225–229). Böylece birinci düzey faktörler arasına serbest kovaryans eklenmez; aralarındaki ilişki yalnız ikinci düzey faktörden geçer.

Neden birinci düzey faktörler arasına kovaryans eklenmez?

Birinci düzey faktörler "dışsal" sayılıp aralarına serbest kovaryanslar eklenseydi ikinci düzey yapı fiilen silinirdi (daha büyük bir örnek modelde \chi^2=79{,}49, sd = 90 çıkar; doğrusu \chi^2=115{,}84, sd = 100). Üç birinci düzey faktörlü bu veride ikinci düzey model, ilişkili üç faktörlü modelle eşdeğerdir (üç korelasyon yerine iki serbest ikinci düzey yük ve bir varyans): \chi^2=38{,}6278, sd = 32. Altı ek kovaryans modeli tanımlanamaz hâle getirirdi.

89.6 Elle hesap: Tıp verisinde sayısal yürüyüş

Ara değerler dogrulama/sem/elle_hesap.py ile hesaplanmıştır. Bu betik MerQur'u çağırmaz: modeli Jöreskog gösterimiyle (sem_bagimsiz.py) kurar, scipy BFGS ile başlayıp analitik türevli Fisher puanlamasıyla bitirir; gözlenen bilgiyi analitik gradyanın karmaşık adımlı türeviyle makine duyarlığında bulur.

Adım 1 — Momentler ve serbestlik derecesi. p=10 gösterge, N=410; \mathbf S N bölenlidir (örneğin s_{11}=1{,}1185, s_{99}=1590{,}573). Moment sayısı 10\cdot11/2=55. Serbest parametreler: 7 yük (her faktörde işaretçi dışındakiler), 3 yapısal yol (a, b, c), 1 dışsal gizil varyans (Literacy), 2 içsel artık varyans (SelfMgmt, Glycemia), 10 gösterge artık varyansı: q=23. Dışsal gizil değişken tek olduğu için gizil kovaryans yoktur. \text{sd}=55-23=32.

Adım 2 — Optimumda uyum fonksiyonu.

\ln\lvert\hat{\boldsymbol\Sigma}\rvert=14{,}728915,\qquad \ln\lvert\mathbf S\rvert=14{,}634701,\qquad \operatorname{tr}\big(\mathbf S\hat{\boldsymbol\Sigma}^{-1}\big)=10{,}000000
F_{ML}=14{,}728915+10-14{,}634701-10=0{,}094214,\qquad \chi^2=410\times0{,}094214=38{,}627799

\operatorname{tr}(\mathbf S\hat{\boldsymbol\Sigma}^{-1})=p olması rastlantı değildir: tüm gösterge artık varyansları serbestken ML çözümünde bu iz p'ye eşitlenir. \text{sd}=32 ile p=P(\chi^2_{32}\ge38{,}6278)=0{,}1950.

\ell_{H0}=-8837{,}075526,\qquad \ell_{H1}=-8817{,}761626,\qquad 2(\ell_{H1}-\ell_{H0})=38{,}627799

Adım 3 — Uyum indeksleri. Bağımsızlık modelinde \chi^2_B=N\big[\sum_j\ln s_{jj}-\ln\lvert\mathbf S\rvert\big]=1871{,}511435, \text{sd}_B=45.

\text{CFI}=1-\frac{38{,}6278-32}{1871{,}5114-45}=1-\frac{6{,}6278}{1826{,}5114}=0{,}996371
\text{TLI}=\frac{41{,}589143-1{,}207119}{41{,}589143-1}=0{,}994897,\qquad \text{RMSEA}=\sqrt{\frac{6{,}6278}{32\times410}}=0{,}022476

RMSEA %90 GA [0; 0,044920], PCLOSE = 0,982018; SRMR = 0,027351; AIC =-2\ell+2q=17674{,}151052+46=17720{,}151052, BIC = 17812,522666.

Adım 4 — Kestirimler ve SH.

Parametre Kestirim SH (beklenen) z std.all
Literacy =~ hl_appraise 0,964063 0,069059 13,960 0,747321
SelfMgmt =~ sm_exercise 0,776655 0,062475 12,431 0,633149
Glycemia =~ fasting_glucose_mgdl 30,842505 1,562551 19,739 0,868387
SelfMgmt ~ Literacy (a) 0,808315 0,084936 9,517 0,588142
Glycemia ~ SelfMgmt (b) −0,486030 0,066990 −7,255 −0,504802
Glycemia ~ Literacy (c) −0,286371 0,087575 −3,270 −0,216416
Literacy ~~ Literacy 0,720112 0,081911 8,791 1
SelfMgmt ~~ SelfMgmt (artık) 0,889680 0,110309 8,065 0,654089
Glycemia ~~ Glycemia (artık) 0,718503 0,080972 8,873 0,569834

fasting_glucose_mgdl yükünün 30,8 olması ölçek farkındandır: Glycemia'nın ölçeği işaretçi hba1c_pct (yüzde birimi) ile kurulmuştur; 1 HbA1c birimlik gizil artış açlık glukozunda 30,8 mg/dL'ye karşılık gelir. std.all'da yük 0,868'dir.

Adım 5 — Standartlaştırma ve R^2. Gizil değişkenlerin model-örtük SS'leri: \sigma_{L}=0{,}848594, \sigma_{SM}=1{,}166268, \sigma_{G}=1{,}122898 (\sigma^2_{SM}=a^2\cdot0{,}720112+0{,}889680=1{,}360182).

a^{*}=0{,}808315\cdot\frac{0{,}848594}{1{,}166268}=0{,}588142,\qquad b^{*}=-0{,}486030\cdot\frac{1{,}166268}{1{,}122898}=-0{,}504802
R^2_{SM}=1-\frac{0{,}889680}{1{,}360182}=0{,}345911,\qquad R^2_{G}=1-\frac{0{,}718503}{1{,}260900}=0{,}430167

Adım 6 — Dolaylı ve toplam etki. \hat a\hat b=0{,}808315\times(-0{,}486030)=-0{,}392865. Beklenen bilginin tersinden \operatorname{Var}(a)=0{,}0072142, \operatorname{Var}(b)=0{,}0044876, \operatorname{Cov}(a,b)=0{,}00069619:

\begin{gathered}\operatorname{Var}(\hat a\hat b)\approx(-0{,}486030)^2(0{,}0072142)+(0{,}808315)^2(0{,}0044876)+2(-0{,}392865)(0{,}00069619)\\[4pt] =0{,}0017042+0{,}0029321-0{,}0005470=0{,}0040893,\qquad \SH=0{,}063947\end{gathered}

Wald %95 GA [-0{,}518199;\ -0{,}267531]; std.all a^{*}b^{*}=-0{,}296895. Toplam etki c+ab=-0{,}679236 (SH 0,078292; std.all −0,513311).

Adım 7 — Bootstrap. MerQur'la aynı 1000 yeniden örneklemde (tohum 42) model yeniden kestirildi:

Büyüklük Bootstrap SH %95 yüzdelik GA
indirect ab 0,069891 [−0,551597; −0,271109]
total c+ab 0,080571 [−0,837613; −0,526113]

Bootstrap GA'sı delta GA'sından daha geniş ve sola (büyük mutlak değerlere) kaymıştır: \hat a\hat b'nin dağılımı sola çarpıktır.

Adım 8 — MLR. \operatorname{tr}(\mathbf A_0^{-1}\mathbf B_0)=22{,}486300, \operatorname{tr}(\mathbf A_1^{-1}\mathbf B_1)=55{,}033271:

c=\frac{55{,}033271-22{,}486300}{32}=1{,}017093,\qquad T_{YB}=\frac{38{,}627799}{1{,}017093}=37{,}978637,\qquad p=0{,}2155

Ölçekli CFI 0,996614, TLI 0,995238, RMSEA 0,021347; sağlam CFI 0,996668, RMSEA 0,021529. c\approx1 olduğu için Likert verisi burada normal kuramdan belirgin sapmaz. a için SH: beklenen 0,084936, gözlenen 0,084174, sandviç 0,084725; dolaylı etkinin sandviç SH'si 0,067304.

Adım 9 — Ortalama yapısı ve ikinci düzey faktör. On göstergenin hepsine ~ 1 eklendiğinde kesişimler \hat\nu_j=\bar y_j olur (ör. hba1c_pct: 7,589268; SH \sqrt{\hat\sigma_{jj}/N}=0{,}065796), q=33, sd =65-33=32, \chi^2=38{,}6278 ve AIC =17740{,}151052. İkinci düzey modelde (Health =~ Literacy + SelfMgmt + Glycemia) \chi^2=38{,}6278, sd = 32; ikinci düzey yükler 1 (sabit), 1,692362 (SelfMgmt), −1,422111 (Glycemia).

89.6.1 Doğrulama: MerQur, Python ve R

MerQur değerleri execute() sonucundaki out.measures ve out.table öğelerinden tam hassasiyetle alınmıştır (dogrulama/sem/merqur_calistir.py; motor değer yuvarlamaz, yalnız metin biçimler). R: 4.5.3, lavaan 0.7.2 (sem(), fitMeasures, parameterEstimates(standardized = TRUE), modindices); bootstrap için MerQur'un 1000 yeniden örneklem indeksi R'ye aktarılmış, her örneklemde lavaan yeniden kestirilmiş ve quantile(type = 7) alınmıştır (dogrulama/sem/r_dogrulama.R).

Uyum ölçüleri:

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
\chi^2 38,627799 38,627799 38,627799 2,5e−10 ✓
sd 32 32 32 0,0e+00 ✓
p (\chi^2) 0,195050 0,195050 0,195050 7,5e−12 ✓
Log-olabilirlik \ell −8837,075526 −8837,075526 −8837,075526 1,3e−10 ✓
\ell_{H1} −8817,761626 −8817,761626 −8817,761626 1,8e−12 ✓
Temel model \chi^2_B 1871,511435 1871,511435 1871,511435 3,2e−12 ✓
CFI 0,996371 0,996371 0,996371 1,3e−13 ✓
TLI 0,994897 0,994897 0,994897 1,9e−13 ✓
RMSEA 0,022476 0,022476 0,022476 4,2e−13 ✓
RMSEA %90 GA alt 0,000000 0,000000 0,000000 0,0e+00 ✓
RMSEA %90 GA üst 0,044920 0,044920 0,044920 1,4e−08 ✓ (R kök bulma toleransı)
PCLOSE 0,982018 0,982018 0,982018 1,1e−12 ✓
SRMR 0,027351 0,027351 0,027351 1,5e−08 ✓
AIC 17720,151052 17720,151052 17720,151052 2,2e−10 ✓
BIC 17812,522666 17812,522666 17812,522666 2,5e−10 ✓
MLR ölçekleme katsayısı c 1,017093 1,017093 1,017093 2,1e−08 ✓
MLR \chi^2_{YB} 37,978637 37,978637 37,978636 7,8e−07 ✓
MLR p (ölçekli) 0,215489 0,215489 0,215489 2,5e−08 ✓
MLR CFI (ölçekli) 0,996614 0,996614 0,996614 4,4e−10 ✓
MLR TLI (ölçekli) 0,995238 0,995238 0,995238 6,2e−10 ✓
MLR RMSEA (ölçekli) 0,021347 0,021347 0,021347 1,4e−09 ✓
MLR CFI (sağlam) 0,996668 0,996668 0,996668 3,7e−10 ✓
MLR RMSEA (sağlam) 0,021529 0,021529 0,021529 1,2e−09 ✓

Parametreler (ML ve MLR):

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Literacy =~ hl_appraise kestirim 0,964063 0,964063 0,964064 8,8e−08 ✓
Literacy =~ hl_appraise SH (beklenen) 0,069059 0,069059 0,069059 2,9e−08 ✓
Literacy =~ hl_appraise std.all 0,747321 0,747321 0,747321 6,8e−08 ✓
Literacy =~ hl_appraise SH (MLR) 0,074249 0,074249 0,074249 1,4e−08 ✓
SelfMgmt =~ sm_exercise kestirim 0,776655 0,776655 0,776654 3,9e−07 ✓
SelfMgmt =~ sm_exercise SH (beklenen) 0,062475 0,062475 0,062475 1,5e−10 ✓
SelfMgmt =~ sm_exercise std.all 0,633149 0,633149 0,633149 2,2e−07 ✓
SelfMgmt =~ sm_exercise SH (MLR) 0,059374 0,059374 0,059374 4,4e−08 ✓
Glycemia =~ fasting_glucose_mgdl kestirim 30,842505 30,842505 30,842505 2,1e−07 ✓
Glycemia =~ fasting_glucose_mgdl SH (beklenen) 1,562551 1,562551 1,562551 1,1e−07 ✓
Glycemia =~ fasting_glucose_mgdl std.all 0,868387 0,868387 0,868387 4,1e−08 ✓
Glycemia =~ fasting_glucose_mgdl SH (MLR) 1,549215 1,549215 1,549215 3,5e−08 ✓
SelfMgmt ~ Literacy kestirim 0,808315 0,808315 0,808315 1,2e−07 ✓
SelfMgmt ~ Literacy SH (beklenen) 0,084936 0,084936 0,084936 3,7e−08 ✓
SelfMgmt ~ Literacy std.all 0,588142 0,588142 0,588142 2,6e−07 ✓
SelfMgmt ~ Literacy SH (MLR) 0,084725 0,084725 0,084725 3,6e−08 ✓
Glycemia ~ SelfMgmt kestirim −0,486030 −0,486030 −0,486030 6,5e−08 ✓
Glycemia ~ SelfMgmt SH (beklenen) 0,066990 0,066990 0,066990 1,4e−08 ✓
Glycemia ~ SelfMgmt std.all −0,504802 −0,504802 −0,504802 6,8e−08 ✓
Glycemia ~ SelfMgmt SH (MLR) 0,065285 0,065285 0,065285 9,2e−09 ✓
Glycemia ~ Literacy kestirim −0,286371 −0,286371 −0,286371 9,4e−08 ✓
Glycemia ~ Literacy SH (beklenen) 0,087575 0,087575 0,087575 2,3e−09 ✓
Glycemia ~ Literacy std.all −0,216416 −0,216416 −0,216416 1,0e−08 ✓
Glycemia ~ Literacy SH (MLR) 0,086309 0,086309 0,086309 9,7e−09 ✓
Literacy ~~ Literacy kestirim 0,720112 0,720112 0,720112 4,2e−07 ✓
Literacy ~~ Literacy SH (beklenen) 0,081911 0,081911 0,081911 2,7e−08 ✓
Literacy ~~ Literacy std.all 1,000000 1 1 2,2e−16 ✓
Literacy ~~ Literacy SH (MLR) 0,077130 0,077130 0,077130 1,0e−07 ✓
Glycemia ~~ Glycemia kestirim 0,718503 0,718503 0,718503 6,3e−08 ✓
Glycemia ~~ Glycemia SH (beklenen) 0,080972 0,080972 0,080972 8,8e−09 ✓
Glycemia ~~ Glycemia std.all 0,569834 0,569834 0,569834 4,1e−08 ✓
Glycemia ~~ Glycemia SH (MLR) 0,076182 0,076182 0,076182 7,9e−09 ✓
ppg_mgdl ~~ ppg_mgdl kestirim 1026,170742 1026,170742 1026,170320 4,2e−04 ✓
ppg_mgdl ~~ ppg_mgdl SH (beklenen) 93,365257 93,365257 93,365222 3,5e−05 ✓
ppg_mgdl ~~ ppg_mgdl std.all 0,370613 0,370613 0,370613 4,1e−08 ✓
ppg_mgdl ~~ ppg_mgdl SH (MLR) 96,262916 96,262916 96,262838 7,8e−05 ✓
Literacy =~ hl_understand std.all (işaretçi) 0,802392 0,802392 0,802392 9,5e−08 ✓
Glycemia =~ hba1c_pct std.all (işaretçi) 0,842842 0,842842 0,842842 5,8e−08 ✓
R^2 SelfMgmt 0,345911 0,345911 0,345911 3,0e−07 ✓
R^2 Glycemia 0,430166 0,430166 0,430166 4,1e−08 ✓
R^2 hba1c_pct 0,710383 0,710383 0,710383 9,8e−08 ✓
R^2 sm_exercise 0,400877 0,400877 0,400877 2,8e−07 ✓

Tanımlı parametreler, bootstrap, MI, ortalama yapısı, ikinci düzey faktör:

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Dolaylı ab −0,392865 −0,392865 −0,392865 7,5e−09 ✓
Dolaylı SH (delta) 0,063947 0,063947 0,063947 3,5e−09 ✓
Dolaylı Wald GA alt −0,518199 −0,518199 −0,518199 1,4e−08 ✓
Dolaylı std.all −0,296895 −0,296895 −0,296895 8,9e−08 ✓
Toplam c + ab −0,679236 −0,679236 −0,679236 8,7e−08 ✓
Toplam SH (delta) 0,078292 0,078292 0,078292 2,8e−08 ✓
Dolaylı SH (MLR, delta) 0,067304 0,067304 0,067304 1,2e−08 ✓
Bootstrap %95 alt, dolaylı −0,551597 −0,551597 −0,551595 1,7e−06 ✓ (mutlak 10⁻⁵; lavaan yakınsama ölçütü)
Bootstrap %95 üst, dolaylı −0,271109 −0,271109 −0,271110 7,5e−07 ✓
Bootstrap SH, dolaylı 0,069891 0,069891 0,069891 4,3e−08 ✓
Bootstrap %95 alt, toplam −0,837613 −0,837613 −0,837613 3,4e−07 ✓ (mutlak 10⁻⁵; lavaan yakınsama ölçütü)
Bootstrap %95 üst, toplam −0,526113 −0,526113 −0,526114 3,4e−07 ✓
Bootstrap SH, toplam 0,080571 0,080571 0,080571 1,4e−09 ✓
MI SelfMgmt =~ hba1c_pct 9,428946 9,428946 9,428940 5,8e−06 ✓ (göreli 10⁻⁵; lavaan yakınsama ölçütü)
EPC SelfMgmt =~ hba1c_pct −0,191815 −0,191815 −0,191815 6,5e−08 ✓ (göreli 10⁻⁵; lavaan yakınsama ölçütü)
MI Glycemia =~ sm_exercise 8,218645 8,218645 8,218610 3,5e−05 ✓ (göreli 10⁻⁵; lavaan yakınsama ölçütü)
EPC Glycemia =~ sm_exercise 0,233594 0,233594 0,233593 4,8e−07 ✓ (göreli 10⁻⁵; lavaan yakınsama ölçütü)
MI hba1c_pct ~~ ppg_mgdl 6,399320 6,399320 6,399367 4,7e−05 ✓ (göreli 10⁻⁵; lavaan yakınsama ölçütü)
EPC hba1c_pct ~~ ppg_mgdl −6,609216 −6,609216 −6,609239 2,3e−05 ✓ (göreli 10⁻⁵; lavaan yakınsama ölçütü)
MI fasting_glucose_mgdl ~~ ppg_mgdl (lavaan NA) 7,932267 7,932267 7,932267 1,4e−10 ✓ (R değeri yok; iki kaynak)
Ortalama yapısı: sd 32 32 32 0,0e+00 ✓
Ortalama yapısı: serbest parametre 33 33 33 0,0e+00 ✓
Ortalama yapısı: \chi^2 38,627799 38,627799 38,627799 2,5e−10 ✓
Ortalama yapısı: AIC 17740,151052 17740,151052 17740,151052 2,2e−10 ✓
Kesişim hba1c_pct ~ 1 7,589268 7,589268 7,589268 2,7e−15 ✓
Kesişim SH hba1c_pct ~ 1 0,065796 0,065796 0,065796 5,1e−09 ✓
Ortalama yapısı + MLR: c 1,017093 1,017093 1,017093 8,2e−09 ✓
İkinci düzey: \chi^2 38,627799 38,627799 38,627799 2,9e−10 ✓
İkinci düzey: sd 32 32 32 0,0e+00 ✓
İkinci düzey yük Health =~ SelfMgmt 1,692362 1,692362 1,692363 4,1e−07 ✓
İkinci düzey SH Health =~ SelfMgmt 0,198238 0,198238 0,198238 1,4e−08 ✓
İkinci düzey yük Health =~ Glycemia −1,422111 −1,422111 −1,422111 1,6e−07 ✓
İkinci düzey SH Health =~ Glycemia 0,161893 0,161893 0,161893 4,5e−08 ✓

98 satırın tümü ölçütü karşılar. MerQur ile bağımsız Python 10^{-9} düzeyinde aynıdır. lavaan ile parametreler 10^{-7} düzeyinde eşleşir; lavaan'ın nlminb çözümünde gradyanın en büyük öğesi 2{,}6\times10^{-7}'dir. Bu küçük kalıntı, gradyanın karesiyle çalışan MI'ya ve bootstrap yüzdeliklerine 10^{-6}–10^{-5} göreli fark olarak yansır; bu satırlarda tolerans gerekçesiyle yazılmıştır. RMSEA GA üst sınırında R'nin kök bulma toleransı farkı (10^{-7}) vardır. fasting_glucose_mgdl ~~ ppg_mgdl için lavaan MI üretmez (NA): bu iki göstergenin varyansı 10^3 düzeyinde olduğundan lavaan'ın koşullu bilgi eşiği altında kalır; ölçek değişmezi olan MI, iki gösterge 30'a bölünerek kurulan lavaan modelinde de 7,932 çıkar (r_karsilastirma/Tip/cases/c125.py notu).

89.7 Çıktıyı okuma

Sonuç metni (varsayılan ayarlar, kısaltılmış):

══ YAPISAL EŞİTLİK MODELİ (SEM) ══
Kestirim yöntemi: ML
Eksik veri: Liste bazında silme
N = 410
Standart hatalar: beklenen (Fisher) bilgi matrisi
── MODEL UYUMU ──
χ²              = 38.6278
df              = 32
p               = 0.195
CFI             = 0.9964
TLI             = 0.9949
RMSEA           = 0.0225  %90 GA [0.0000, 0.0449]
PCLOSE          = 0.982  (P(RMSEA ≤ .05), yakın uyum testi)
SRMR            = 0.0274
Temel (bağımsızlık) modeli: χ²(45) = 1871.511
AIC             = 17720.15
BIC             = 17812.52
Log-olabilirlik = -8837.0755  (H1: -8817.7616)
Serbest parametre  = 23
GENEL UYUM: MÜKEMMEL
── PARAMETRE KESTİRİMLERİ ──
  Kestirim  SE  z  p  %95 GA Stand.tam
Regresyonlar (~):
  SelfMgmt ~ Literacy (a)  0.8083  0.0849  9.517  <.001  [0.642, 0.975]  0.588
  Glycemia ~ SelfMgmt (b)  -0.4860  0.0670  -7.255  <.001  [-0.617, -0.355]  -0.505
  Glycemia ~ Literacy (c)  -0.2864  0.0876  -3.270  0.001  [-0.458, -0.115]  -0.216
── R² (İÇSEL DEĞİŞKENLER) ──
  SelfMgmt                  0.3459
  Glycemia                  0.4302
── TANIMLI PARAMETRELER (DOLAYLI / TOPLAM ETKİLER) ──
  indirect := a*b  -0.3929  0.0639  -6.144  <.001  [-0.518, -0.268]  -0.297
  total := c + a*b  -0.6792  0.0783  -8.676  <.001  [-0.833, -0.526]  -0.513
── MODİFİKASYON İNDEKSLERİ (MI, EPC) ──
SelfMgmt =~ hba1c_pct                 9.429   -0.1918   -0.168
SelfMgmt =~ fasting_glucose_mgdl      9.168    5.6879    0.166
Glycemia =~ sm_exercise               8.219    0.2336    0.183
fasting_glucose_mgdl ~~ ppg_mgdl      7.932  232.1538    0.366

Bootstrap açıkken (B = 1000) tanımlı parametrelerin altına şu satırlar eklenir:

Bootstrap yüzdelik GA (1000 başarılı yeniden örnekleme, %95 GA):
  Tohum = 42; yüzdelik sınırlar normal ölçekte enterpolasyonla, bootstrap SH n bölenli (Yol Analizi paneliyle aynı tanım).
  indirect                bootstrap SH = 0.0699   [-0.5516, -0.2711] ★
  total                   bootstrap SH = 0.0806   [-0.8376, -0.5261] ★
Öğe Nasıl yorumlanır
Standart hatalar satırı Hangi bilgi matrisinin kullanıldığını söyler (beklenen / gözlenen / sandviç).
\chi^2, sd, p Modelin doymuş modelden kötü olup olmadığının testi. p=0{,}195: kovaryans yapısı reddedilmez. Büyük N'de küçük sapmalar bile anlamlı çıkar; indekslerle birlikte okunur.
CFI, TLI, RMSEA, SRMR Hu ve Bentler (1999) ölçütleri; dördü de iyi uyum. "GENEL UYUM" etiketi DFA panelinin puanlamasıdır (cfa._interpret_fit).
Yükler Ham ölçekte işaretçiye görelidir; karşılaştırma için std.all sütunu kullanılır (bu veride 0,63–0,87).
Regresyonlar a: okuryazarlık 1 SS arttığında öz yönetim 0,59 SS artar. b: öz yönetim 1 SS arttığında glisemi 0,50 SS azalır (iyileşir). c: öz yönetim sabitken okuryazarlığın doğrudan etkisi −0,22 SS.
R^2 Öz yönetimdeki varyansın %34,6'sı, glisemik göstergelerin ortak varyansının %43,0'ı modelle açıklanır. Göstergelerin R^2'si std.all yükünün karesidir.
indirect, total Delta SH ve Wald GA. Dolaylı etkinin kararı için bootstrap GA tercih edilir; ★ GA'nın 0'ı içermediğini gösterir.
MI En büyük MI 9,43: tek bir kısıt gevşetilse \chi^2 en çok bu kadar düşer. Kuramsal gerekçe yoksa (ör. öz yönetim faktörünün HbA1c'ye çapraz yükü) model değiştirilmez.
Uyarılar N<200, Heywood durumu, SH hesaplanamaması (sem.py:212–223), yakınsamama notu.

APA biçiminde rapor cümlesi (Türkçe ondalıkla):

Sağlık okuryazarlığı (3 gösterge), diyabet öz yönetimi (4 gösterge) ve glisemik kontrol (3 gösterge) gizil değişkenleriyle kurulan yapısal eşitlik modeli en çok olabilirlik yöntemiyle kestirildi (N = 410). Model veriyle iyi uyum gösterdi, \chi^2(32, N = 410) = 38{,}63, p = 0{,}195, CFI = 0,996, TLI = 0,995, RMSEA = 0,022, %90 GA [0,000; 0,045], SRMR = 0,027. Okuryazarlık öz yönetimi yordadı (\beta = 0{,}59, p < 0{,}001); öz yönetim (\beta = -0{,}50, p < 0{,}001) ve okuryazarlık (\beta = -0{,}22, p = 0{,}001) glisemik bozulmayı azalttı. Okuryazarlığın öz yönetim üzerinden dolaylı etkisi anlamlıydı, ab = -0{,}39, %95 bootstrap GA [−0,55; −0,27] (1000 yeniden örneklem), standartlaştırılmış dolaylı etki = −0,30; toplam etki −0,68 (SH = 0,08) idi.

89.8 Uzman soruları

S1. MerQur kendi motorunu kullanıyor; lavaan'la "birebir" iddiası neye dayanıyor?

stats/sem_engine.py lavaan'ın parametre tablosu kurallarını (işaretçi yük, auto.var, auto.cov.lv.x, auto.cov.y, fixed.x, int.ov.free, int.lv.free = FALSE), bilgi matrisi sözleşmesini (ML: beklenen; FIML ve MLR: gözlenen) ve test tanımlarını (lavaan yuan.bentler.mplus ölçeklemesi, Satorra–Bentler 2001 fark testi) izler. Bu bölümde 98 büyüklük lavaan 0.7.2 ile 10^{-6} (MI ve bootstrap'ta 10^{-5}) içinde eşleşti; kalan fark lavaan'ın nlminb durma ölçütündendir. Ek olarak MerQur'dan bağımsız bir Jöreskog gösterimli Python uygulaması 10^{-9} düzeyinde aynı sonucu verdi.

S2. Neden ML'de SH beklenen bilgiden, MLR'de gözlenen bilgiden?

lavaan sözleşmesidir: tam veride ML için information = "expected", MLR ve FIML için "observed". Doğru belirlenmiş normal modelde ikisi asimptotik olarak aynıdır (bu veride a için 0,08494 ve 0,08417). Sandviç biçimde "ekmek" \mathbf A^{-1}'in gözlenen olması, model yanlış belirlendiğinde de tutarlılığı korur. Sonuç metninin "Standart hatalar:" satırı hangisinin kullanıldığını her zaman yazar.

S3. Ölçekleme katsayısı c 1'e yakın; MLR'ye gerek var mı?

c=1{,}017: ML \chi^2'si yalnız %1,7 şişkin. Likert göstergeler 5–7 kategorili ve yaklaşık simetrik olduğundan basıklık düşüktür. MLR'nin maliyeti yoktur (kestirimler aynı), ama SH'ler küçük örneklemde biraz daha değişkendir. Raporlama alışkanlığı gereği Likert veride MLR sık seçilir; burada sonuçlar değişmez (T_{YB}=37{,}98, p=0{,}215).

S4. `x ~ 1` yazınca neden \chi^2 değişmiyor ama AIC değişiyor?

Kesişimler serbest ve gizil ortalamalar 0 iken ortalama kısmı doymuştur: \hat\nu_j=\bar y_j, ortalama artıkları sıfırdır, olabilirlik değişmez. Moment ve parametre sayısı aynı miktarda (10) arttığı için sd de değişmez. AIC/BIC ise parametre sayısını cezalandırdığından artar. Ortalama momentleri sayılmasaydı (89.5.11) bu denge bozulurdu: parametreler artar, momentler artmazdı.

S5. İkinci düzey faktör neden birinci düzey modelle aynı \chi^2'yi veriyor?

Üç birinci düzey faktörün üç korelasyonu, ikinci düzey yapıda iki serbest yük ve bir varyansla (toplam üç parametre) tam olarak yeniden üretilir; model kısıtlayıcı değildir (tam belirlenmiş üst yapı). İkinci düzey faktörün sınanabilir olması için en az dört birinci düzey faktör gerekir. Birinci düzey faktörler dışsal sayılsaydı modele altı ek kovaryans girer ve model tanımlanamaz olurdu (89.5.11).

S6. Glycemia'ya yüklenen `ppg_mgdl` ile `fasting_glucose_mgdl` arasında MI 7,93; lavaan neden NA veriyor?

lavaan modifikasyon indeksini koşullu bilgi \mathcal I_{kk}-\mathcal I_{k\theta}\mathcal I_{\theta\theta}^{-1}\mathcal I_{\theta k} küçük bir mutlak eşiğin altındaysa NA yapar. Varyansları 10^3 mertebesinde olan iki göstergenin artık kovaryansı için bu büyüklük ölçek nedeniyle eşiğin altına düşer. MI ölçekten bağımsızdır: göstergeler 30'a bölünüp lavaan'a verildiğinde MI 7,932 çıkar; kovaryans serbest bırakılınca LR \Delta\chi^2=7{,}85'tir. MerQur eşik uygulamaz; bağımsız Python hesabıyla aynı değeri verir.

S7. Bootstrap GA'sı lavaan'ın `se = "bootstrap"` sonucuyla neden aynı değil?

Yeniden örneklemler farklı rastgele sayı üreticilerinden gelir (numpy PCG64 ile R Mersenne-Twister); aynı tohum iki programda farklı örneklemler üretir. Yüzdelik ve SH tanımı ise lavaan'la aynıdır (norm.inter, B paydası): aynı örneklemler R'de elle yeniden kestirildiğinde sınırlar eşleşir. Farklı çekilişlerden gelen fark Monte Carlo hatasıdır; B büyüdükçe küçülür.

S8. Delta yöntemindeki türev sayısal; bu güvenilir mi?

h=10^{-6}\max(1,\lvert\theta_j\rvert) merkezi farkı, çarpım ve toplam gibi düzgün ifadelerde O(h^2)\approx10^{-12} hata verir; bu veride analitik türevli SH ile fark 10^{-9}'un altındadır. Sorun yalnız ifade \theta'nın tanımsız olduğu bölgeye yakınsa (ör. log(a), a\approx0) çıkar.

S9. Standart çözümde dışsal gözlenen değişkenler nasıl ölçekleniyor?

std.all, her değişkeni model-örtük SS'siyle ölçekler. fixed.x altında dışsal gözlenen değişkenin varyansı örneklem değerinde sabittir; model-örtük SS örneklem SS'sine eşittir. lavaan'daki std.nox (dışsal x'i standartlaştırmayan) türü bu panelde basılmaz; Yol Analizi panelinde dolaylı etkiler için seçilebilir (Bölüm 124).

S10. Küçük örneklemde (N=100) ne olur?

N<30'da analiz durur; N<200'de uyarı basılır. ML \chi^2'si küçük örneklemde aşırı reddeder, Heywood durumları ve yakınsamama sıklaşır. MerQur yakınsamazsa yedek başlangıçla bir kez daha dener; yine yakınsamazsa ya da \hat{\boldsymbol\Sigma} pozitif tanımlı değilse sonuç basmaz (_check_solution). Negatif varyans kestirimi basılır ama uyarılır.

89.9 Sık hatalar ve tuzaklar

  • Uyumu iyi diye modeli doğru saymak. Eşdeğer modeller (okları ters çevrilmiş yapısal modeller) aynı \chi^2'yi verir; uyum nedenselliği kanıtlamaz.
  • Ham yükleri karşılaştırmak. Yük işaretçi göstergenin birimindedir (fasting_glucose_mgdl için 30,8); göstergeler arası karşılaştırma std.all ile yapılır.
  • Dolaylı etkiyi delta GA ile raporlamak. ab'nin dağılımı çarpıktır; bootstrap GA önerilir. Raporda B ve tohum yazılmalıdır (çıktıda yer alır).
  • MI'ya bakarak model "onarmak". Kuramsal gerekçesiz çapraz yük ya da hata kovaryansı eklemek veri madenciliğidir; özellikle aynı veride yeniden sınanırsa p değerleri anlamını yitirir.
  • ~ 1 satırını model karşılaştırmasında unutmak. Kesişim yazılınca AIC/BIC artar (\chi^2 ve sd değişmez); kesişimli ve kesişimsiz modellerin bilgi ölçütleri karşılaştırılmaz.
  • İkinci düzey faktörü üç birinci düzey faktörle "sınamak". Üç faktörde ikinci düzey yapı ilişkili faktör modeline eşdeğerdir; uyum karşılaştırması bilgi vermez.
  • FIML seçip MI beklemek. FIML'de modifikasyon indeksleri hesaplanmaz; seçenek ayar bloğuna "uygulanmadı" diye yazılır.
  • Kategorik işaretli sütunları sürekli kullanmak. Panel uyarı verir (ayar bloğu) ama ikili göstergeler için doğru kestirici (WLSMV) bu panelde yoktur.

89.10 Kaynaklar

  • Arbuckle, J. L. (1996). Full information estimation in the presence of incomplete data. G. A. Marcoulides & R. E. Schumacker (Ed.), Advanced structural equation modeling içinde (ss. 243–277). Lawrence Erlbaum.
  • 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
  • Bollen, K. A. (1989). Structural equations with latent variables. Wiley. https://doi.org/10.1002/9781118619179
  • 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
  • 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
  • Huber, P. J. (1967). The behavior of maximum likelihood estimates under nonstandard conditions. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability içinde (Cilt 1, ss. 221–233). University of California Press.
  • Jöreskog, K. G. (1969). A general approach to confirmatory maximum likelihood factor analysis. Psychometrika, 34(2), 183–202. https://doi.org/10.1007/BF02289343
  • MacKinnon, D. P., Lockwood, C. M., & Williams, J. (2004). Confidence limits for the indirect effect: Distribution of the product and resampling methods. Multivariate Behavioral Research, 39(1), 99–128. https://doi.org/10.1207/s15327906mbr3901_4
  • McArdle, J. J., & McDonald, R. P. (1984). Some algebraic properties of the Reticular Action Model for moment structures. British Journal of Mathematical and Statistical Psychology, 37(2), 234–251. https://doi.org/10.1111/j.2044-8317.1984.tb00802.x
  • 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
  • Sobel, M. E. (1982). Asymptotic confidence intervals for indirect effects in structural equation models. Sociological Methodology, 13, 290–312. https://doi.org/10.2307/270723
  • 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
  • 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
  • White, H. (1982). Maximum likelihood estimation of misspecified models. Econometrica, 50(1), 1–25. https://doi.org/10.2307/1912526
  • Yuan, K.-H., & Bentler, P. M. (2000). Three likelihood-based methods for mean and covariance structure analysis with nonnormal missing data. Sociological Methodology, 30, 165–200. https://doi.org/10.1111/0081-1750.00078