MerQuR+Başvuru Kitabı

90. PLS-SEM (Kısmi En Küçük Kareler Yol Modellemesi)

Analiz kimliği: plssem · Menü adı: PLS-SEM (Kısmi En Küçük Kareler Yol Modellemesi) · Panel: gui/panels/analyses/plssem.py (form 65–122, execute 157–192, uyarılar 195–250) · Motor: stats/pls_sem.py, pls_core (244–280), fit_core (296–311), estimate (563–648), bootstrap (728–774), _bca (777–800)

90.1 Ne işe yarar

PLS-SEM (partial least squares structural equation modeling, PLS yol modellemesi), her kavramı (yapıyı) göstergelerinin ağırlıklı toplamı olarak tanımlar ve bu bileşen skorları arasındaki yolları sıradan en küçük kareler regresyonuyla kestirir. Ağırlıklar, her yapının hem kendi göstergeleriyle hem de yapısal modeldeki komşu yapılarla ilişkisini en iyi yansıtacak biçimde yinelemeli olarak bulunur. Amaç, YEM'deki gibi kovaryans yapısını uydurmak değil, içsel yapılardaki açıklanan varyansı (R^2) yüksek tutan öngörücü bir modeldir.

\hat\xi_j=\sum_{h\in j}w_{jh}\,z_{h},\qquad \hat\xi_{j}=\sum_{i\in\mathcal P(j)}\beta_{ij}\,\hat\xi_i+\hat\zeta_j
  • z_h: standartlaştırılmış gösterge (n-1 bölenli SS ile).
  • w_{jh}: j. yapının h. göstergesinin dış ağırlığı; skorlar birim varyanslı olacak biçimde ölçeklenir.
  • \hat\xi_j: yapı (bileşen) skoru.
  • \mathcal P(j): j'nin öncülleri (yapısal modelde j'ye ok gönderen yapılar).
  • \beta_{ij}: standartlaştırılmış yol katsayısı.

Cevapladığı soru şudur: "Bu yapılar arasındaki yollar sıfırdan farklı mı ve içsel yapılardaki varyansın ne kadarını açıklıyorlar?" Anlamlılık, dağılım varsayımı yapmadan bootstrap ile sınanır.

Ne zaman kullanılır?

  • Amaç öngörü ya da kuram geliştirme, özellikle çok yapılı karmaşık modellerde.
  • Biçimlendirici (formative) yapılar varsa: göstergeler yapıyı oluşturur (ör. sosyoekonomik düzey = gelir + eğitim + meslek).
  • Örneklem görece küçükse ve çok değişkenli normallik savunulamıyorsa.
  • Yapı skorları sonraki analizlerde kullanılacaksa ("Yapı skorlarını kaydet").

Ne zaman kullanılmaz?

  • Amaç bir kuramın kovaryans yapısıyla uyumunu sınamak ve ölçme hatasından arındırılmış parametreler kestirmekse: Yapısal Eşitlik Modeli (Bölüm 89).
  • Yalnız ölçme modeli sınanacaksa: Doğrulayıcı Faktör Analizi (Bölüm 88).
  • Modelde geri besleme döngüsü varsa (özyinelemeli olmayan model): MerQur hata verir (pls_sem.py:156–174).
  • Hata kovaryansları (~~) gerekiyorsa: PLS'de tanımlanamaz, hata verir (pls_sem.py:94–95).
  • Bağımlı değişken tek ve göstergeler çoksa (yapısal model yok): PLS Regresyon.

Sık karıştırılan analizler. PLS Regresyon (Bölüm 108) bir yanıt bloğunu yordayıcı bloktan bileşenlerle yordar; yapısal model içermez. PLSc (tutarlı PLS) yansıtıcı yapılarda yol katsayılarını ölçme hatasına göre düzeltir; MerQur PLSc uygulamaz. YEM ile PLS-SEM aynı veride farklı sayılar verir: bileşen skorları ölçme hatası taşıdığı için PLS yolları ortak faktör yollarından mutlak değerce küçüktür (90.7).

90.2 Varsayımlar ve veri türü

Varsayım Ne demek MerQur'da nasıl denetlenir
Özyinelemeli model Yapısal modelde döngü yok. Topolojik sıralamayla denetlenir; döngüde hata (pls_sem.py:156–174).
Sayısal göstergeler Aralık ölçekli ya da en az 5 kategorili Likert. Sayıya çevrilemeyen değer varsa hata (pls_sem.py:321–326); kategorik işaretli sütun ayar bloğuna yazılır (plssem.py:186–187).
Sıfırdan farklı varyans Her göstergenin SS'si > 0. Sabit göstergede hata (pls_sem.py:217–218).
Yeterli örneklem "10 kat kuralı": bir yapıya yönelen en çok ok sayısının 10 katı. n<\max(10,\ \text{öncül}+2,\ \text{Mode B blok}+2) ise hata (pls_sem.py:574–578); n<10\times en çok ok sayısı ise uyarı (plssem.py:204–207).
Biçimlendirici blokta çoklu doğrusal bağıntı yok Mode B ağırlıkları \mathbf R_{xx}^{-1} ister. Blok korelasyon matrisinin koşul sayısı >10^{12} ise hata (pls_sem.py:254–255); gösterge VIF > 3 uyarılır.
Dağılım varsayımı Yok; çıkarım bootstrap'a dayanır. —

Eksik değer. Varsayılan ortalama ile doldurmadır (seminr mean_replacement): her göstergedeki eksik hücre o göstergenin ortalamasıyla doldurulur; tüm göstergeleri eksik satır atılır (pls_sem.py:341–346, _impute_mean 347–354). Doldurma her bootstrap örnekleminde yeniden yapılır (_est_vector, 718–720). "Liste boyu silme" seçilirse herhangi bir göstergesi eksik satır çıkarılır. "Eksik değer kodu" (ör. −99) girilirse bu değer eksik sayılır. Bir göstergede eksik oranı %5'i aşarsa uyarı verilir.

Uç durumlar. Aynı gösterge iki yapıda kullanılamaz; yapı adı bir gösterge adıyla çakışamaz; yapısal satırda tanımlanmamış bir sütun adı geçerse tek göstergeli yapı olarak eklenir (pls_sem.py:134–146); yapısal modelde hiç geçmeyen yapı düşürülür ve uyarılır. Algoritma en çok yinelemeye ulaşırsa sonuç verilir ama yakınsamama uyarısı basılır.

90.3 Parametreler

Varsayılanlar plssem.py:65–142 (form ve read_options) ile execute (157–192) kodundan okunmuştur.

Arayüz adı Varsayılan Ne yapar Sonucu nasıl değiştirir
Model (ölçme + yapısal) boş F =~ x1 + x2 yansıtıcı (Mode A), F <~ x1 + x2 biçimlendirici (Mode B), Y ~ X1 + X2 yapısal yol. Modelin kendisi.
İç ağırlıklandırma Yol (path, varsayılan) Yol, centroid ya da faktör (factorial) şeması (90.5.2). İç vekiller ve dolayısıyla dış ağırlıklar; farklar genellikle üçüncü ondalıktadır.
Eksik veri Ortalama ile doldurma Ya da liste boyu silme. n ve tüm kestirimler.
Eksik değer kodu boş Bu sayı eksik sayılır. Eksik hücreler.
En çok yineleme 300 PLS algoritmasının yineleme sınırı. Yalnız yakınsamayan modelde.
Durma ölçütü (10^-k) 7 \sum\lvert W^{(t)}-W^{(t-1)}\rvert<10^{-k}. Kestirimlerin son basamakları.
Güven Düzeyi %95 Bootstrap GA düzeyi. GA sınırları ve "*" işaretleri.
Bootstrap örnek sayısı 5000 Yeniden örnekleme sayısı; 0 = bootstrap yok. SD, t, p, GA. B<1000 ise uyarı.
Tohum 123 Rastgele sayı tohumu (seed). Bootstrap örneklemleri.
BCa güven aralığı kapalı Yüzdelik GA'ya ek olarak düzeltilmiş ve hızlandırılmış GA. Ek sütun; açıkken "*" işareti BCa'ya göre konur. n ek kestirim (jackknife) gerektirir.
Q² (blindfolding) kapalı Stone–Geisser çapraz geçerli artıklık. R^2 tablosuna Q² sütunu.
Atlama uzaklığı (D) 7 Blindfolding'de her D'inci veri noktası atlanır. Yalnız Q² açıkken etkin. Q²; n/D tam sayıysa uyarı.
Ek çıktı: Çapraz yükler kapalı Her göstergenin tüm yapı skorlarıyla korelasyonu. Ek tablo.
Ek çıktı: Yapı skorlarını kaydet kapalı PLS_<yapı> sütunları. Veri setine standart skorlar.

Durma ölçütü neden ağırlık farklarının toplamı?

seminr ölçütüdür: ardışık iki yinelemenin dış ağırlık matrisleri arasındaki mutlak farkların toplamı. cSEM ise varsayılan olarak en büyük mutlak farkı kullanır. 10^{-7} eşiğinde yol katsayıları yedinci ondalığa kadar kararlıdır; bu bölümdeki doğrulamada farklı ölçütlerle kestirilen değerler 10^{-9} içinde eşleşmiştir.

90.4 Tıp örneği

Dosya: english/datasets/Tip/125_sem_literacy_selfmanagement_glycemic.xlsx. Tıp setinde PLS-SEM'e ayrılmış bir dosya yoktur; YEM bölümüyle (Bölüm 89) doğrudan karşılaştırma yapabilmek için aynı veri ve aynı yapısal model kullanılmıştır. Değişkenlerin özeti 89.4'tedir.

Yapı Ölçme modu Göstergeler
Literacy Mode A (yansıtıcı) hl_understand, hl_appraise, hl_apply
SelfMgmt Mode A sm_diet, sm_exercise, sm_medication, sm_glucose_monitoring
Glycemia Mode A hba1c_pct, fasting_glucose_mgdl, ppg_mgdl

n ve eksik değer: 410 hasta, eksik değer yok.

Klinik soru: Sağlık okuryazarlığı öz yönetim üzerinden glisemik kontrolü öngörüyor mu; öz yönetim ve okuryazarlık glisemik göstergelerin ortak bileşenindeki varyansın ne kadarını açıklıyor?

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 ~ Literacy
Glycemia ~ SelfMgmt + Literacy

Seçilen ayarlar: Arayüz varsayılanları (yol şeması, ortalama ataması, B = 5000, tohum 123). Doğrulama için ikinci bir çalıştırmada B = 1000, BCa, Q² (D = 7) ve çapraz yükler açılmış; ayrıca Literacy biçimlendirici (Mode B) ve centroid/factorial şemalı çeşitlemeler kestirilmiştir.

90.5 Formüller ve hesap adımları

MerQur'un hesap sırası: göstergeler standartlaştırılır; başlangıç dış ağırlıkları 1 alınır; (1) dış kestirim ile yapı skorları kurulur, (2) iç kestirim ile her yapı için komşu yapılardan bir "iç vekil" oluşturulur, (3) dış ağırlıklar bu vekile göre yenilenir; ağırlıklar durana kadar döngü sürer. Son ağırlıklarla skorlar, yükler, yol katsayıları ve R^2 hesaplanır; ardından güvenirlik/geçerlik ölçüleri, f² (yeniden kestirimle), SRMR, isteğe bağlı Q² ve bootstrap eklenir (estimate, 558–643).

90.5.1 Standartlaştırma ve dış kestirim (outer estimation)

z_{ih}=\frac{x_{ih}-\bar x_h}{s_h},\qquad s_h=\sqrt{\frac{1}{n-1}\sum_i(x_{ih}-\bar x_h)^2},\qquad \hat\xi_j^{(t)}=\operatorname{std}\Big(\sum_{h\in j}w^{(t)}_{jh}z_h\Big)
  • \operatorname{std}(\cdot): ortalamayı çıkarıp n-1 bölenli SS'ye bölme (_scale_cols, 219–225).
  • Başlangıç: tüm w^{(0)}_{jh}=1, yani ilk skorlar standartlaştırılmış toplam puanlardır (pls_core, 246).

90.5.2 İç kestirim (inner estimation): iç vekiller

Her yapı için komşu yapı skorlarının ağırlıklı toplamı alınır ve standartlaştırılır (_inner, 228–238):

\tilde\xi_j=\operatorname{std}\Big(\sum_{k\neq j}e_{kj}\,\hat\xi_k\Big),\qquad e_{kj}=\begin{cases}\text{öncüller: } \big[\mathbf R_{\mathcal P\mathcal P}^{-1}\mathbf r_{\mathcal P j}\big]_k & \text{(yol şeması)}\\ \text{ardıllar: } r_{jk} & \text{(yol şeması)}\\ r_{jk}\ \text{(komşu ise)} & \text{(faktör şeması)}\\ \operatorname{sign}(r_{jk})\ \text{(komşu ise)} & \text{(centroid şeması)}\end{cases}
  • r_{jk}: \hat\xi_j ile \hat\xi_k arasındaki korelasyon.
  • \mathcal P: j'nin öncülleri; yol şemasında öncüllerin katkısı, \hat\xi_j'nin öncül skorları üzerine çoklu regresyon katsayılarıdır.
  • Komşu: yapısal modelde j ile doğrudan bağlantılı (ok yönü fark etmez) yapı.
  • Bağlantısız yapılar için e_{kj}=0.

Neden yol şeması varsayılan?

Centroid şeması yalnız korelasyonun işaretini kullanır; korelasyon sıfıra yakınsa işaret rastgele değişip yakınsamayı bozabilir ve okların yönünü yok sayar. Faktör şeması işaret yerine korelasyonu kullanır ama yine yönü yok sayar. Yol şeması (Lohmöller 1989) öncüller için çoklu regresyon, ardıllar için korelasyon alarak yapısal modelin yönünü iç kestirime taşır; seminr'in varsayılanıdır. Bu veride üç şema yol katsayılarını en çok 0,0007 farkla verir.

90.5.3 Dış ağırlıkların yenilenmesi: Mode A ve Mode B

\text{Mode A:}\ \ w_{jh}\propto\operatorname{cov}\big(z_h,\tilde\xi_j\big),\qquad \text{Mode B:}\ \ \mathbf w_j\propto\mathbf R_{jj}^{-1}\operatorname{cov}\big(\mathbf z_j,\tilde\xi_j\big),\qquad \operatorname{Var}\Big(\sum_h w_{jh}z_h\Big)=1
  • Mode A (yansıtıcı, =~): her ağırlık göstergenin iç vekille kovaryansıdır (n-1 bölenli); basit regresyon z_h üzerine \tilde\xi_j.
  • Mode B (biçimlendirici, <~): \tilde\xi_j'nin bloğun göstergeleri üzerine çoklu regresyon katsayıları; \mathbf R_{jj} blok içi korelasyon matrisi (pls_core, 248–268).
  • Son satır: ağırlıklar skorların varyansı 1 olacak biçimde bölünür (pls_core, 269–273).

Durma: \sum_{h,j}\lvert w^{(t)}_{jh}-w^{(t-1)}_{jh}\rvert<10^{-7} ya da 300 yineleme (pls_core, 274–276).

Koddaki tercih: ilk karşılaştırma ölçeklenmemiş başlangıçla

İlk yinelemede W^{(t-1)} ölçeklenmemiş başlangıç matrisidir (tüm ağırlıklar 1); bu yüzden ilk fark büyüktür ve en az iki yineleme yapılır. Yineleme sayacı 0'dan başlar; sonuç metnindeki "5 yineleme" sayaç değeridir (pls_core, 256, 277). seminr aynı sayıyı (5) raporlar.

90.5.4 Son kestirimler: yükler, yollar, R^2

\ell_{hj}=\operatorname{cor}\big(z_h,\hat\xi_j\big),\qquad \boldsymbol\beta_{\mathcal P j}=\mathbf R_{\mathcal P\mathcal P}^{-1}\mathbf r_{\mathcal P j},\qquad R^2_j=1-\frac{1}{[\mathbf R_{(\mathcal P,j)}^{-1}]_{jj}}
  • \ell_{hj}: dış yük; çapraz yük, göstergenin başka bir yapının skoruyla korelasyonudur (fit_core, 297–298).
  • \boldsymbol\beta: standart skorlar üzerinde OLS (sabit terimsiz; skorlar merkezli).
  • R^2_j: (\mathcal P,j) yapılarının korelasyon matrisinin tersinin son köşegen öğesinden (fit_core, 302–307); OLS R^2'siyle özdeştir.
  • Düzeltilmiş R^2: 1-(1-R^2)(n-1)/(n-k-1), k öncül sayısı.

Etkiler. \mathbf B yol matrisi (B_{ij}: i\to j) ise toplam etkiler \mathbf T=(\mathbf I-\mathbf B)^{-1}-\mathbf I, toplam dolaylı etki \mathbf T-\mathbf B; özgül dolaylı etki bir yoldaki katsayıların çarpımıdır (total_effects, 446–448; indirect_paths, 451–466).

90.5.5 Güvenirlik ve yakınsak geçerlik

\alpha=\frac{k}{k-1}\Big(1-\frac{k}{\mathbf 1^{\top}\mathbf R_j\mathbf 1}\Big),\qquad \rho_C=\frac{\big(\sum_h\ell_{hj}\big)^2}{\big(\sum_h\ell_{hj}\big)^2+\sum_h\big(1-\ell_{hj}^2\big)},\qquad \text{AVE}=\frac1k\sum_h\ell_{hj}^2
\rho_A=\big(\mathbf w^{\top}\mathbf w\big)^2\,\frac{\mathbf w^{\top}\big(\mathbf R_j-\operatorname{diag}\mathbf R_j\big)\mathbf w}{\mathbf w^{\top}\big(\mathbf w\mathbf w^{\top}-\operatorname{diag}(\mathbf w\mathbf w^{\top})\big)\mathbf w}
  • \alpha: standartlaştırılmış Cronbach alfası; \mathbf R_j bloğun gösterge korelasyon matrisi (reliability, 378–401).
  • \rho_C: bileşik güvenirlik (Jöreskog'un ρ'su), yükler kullanılarak.
  • AVE: ortalama açıklanan varyans; \sqrt{\text{AVE}} Fornell–Larcker köşegenidir.
  • \rho_A (Dijkstra ve Henseler 2015): \mathbf w son dış ağırlıklar. Mode B ve tek göstergeli yapılarda 1 yazılır.

Neden üç güvenirlik ölçüsü?

Alfa tüm yüklerin eşit olduğunu (tau-eşdeğerlik) varsayar ve gerçek güvenirliği alttan sınırlar. \rho_C yükleri kullanır ama PLS yükleri bileşen skoruyla korelasyon olduğu için ölçme hatasını da içerir ve güvenirliği üstten tahmin eder. \rho_A, ağırlıklar üzerinden ortak faktör modelindeki gerçek güvenirliği tutarlı kestirir ve genellikle ikisinin arasında kalır (Dijkstra ve Henseler 2015). Bu veride sıralama \alpha<\rho_A<\rho_C'dir.

90.5.6 Ayırt edici geçerlik: Fornell–Larcker ve HTMT

\text{HTMT}_{ij}=\frac{\overline{\lvert r\rvert}_{\,\text{hetero}(i,j)}}{\sqrt{\overline{\lvert r\rvert}_{\,\text{mono}(i)}\ \overline{\lvert r\rvert}_{\,\text{mono}(j)}}}
  • Pay: i ve j yapılarının göstergeleri arasındaki tüm korelasyonların mutlak ortalaması.
  • Payda: her yapının kendi göstergeleri arasındaki (köşegen dışı) korelasyonların mutlak ortalamalarının geometrik ortalaması (htmt_matrix, 359–375; seminr ile aynı mutlak değer tanımı). Tek göstergeli yapıda tek-özellik ortalaması 1 alınır.
  • Fornell–Larcker: \sqrt{\text{AVE}_j}, j'nin diğer yapılarla korelasyonlarından büyük olmalıdır. MerQur bu tabloyu yalnız yansıtıcı yapılar için basar.

HTMT için bootstrap tek yönlü üst sınır (1-\alpha yüzdeliği) verilir: üst sınır 0,85 (ya da 0,90) eşiğinin altındaysa HTMT eşikten anlamlı olarak küçüktür (Henseler, Ringle ve Sarstedt 2015).

90.5.7 Etki büyüklüğü f², VIF ve SRMR

f^2_{i\to j}=\frac{R^2_{j,\text{dahil}}-R^2_{j,\text{hariç}}}{1-R^2_{j,\text{dahil}}},\qquad \text{VIF}_h=\big[\mathbf R^{-1}\big]_{hh}
  • R^2_{j,\text{hariç}}: i\to j yolu modelden çıkarılıp tüm PLS algoritması yeniden çalıştırılarak bulunan R^2 (_f2_for, 542–555; seminr fSquared tanımı). Yol çıkınca yalıtılan yapı düşer; j'nin öncülü kalmazsa R^2_{\text{hariç}}=0.
  • Gösterge VIF: blok içi korelasyon matrisinden; iç VIF: öncül yapıların korelasyon matrisinden.

SRMR (cSEM calculateSRMR tanımı; srmr, 413–443): yansıtıcı bloklar ortak faktör, biçimlendirici bloklar bileşik olarak alınıp örtük gösterge korelasyon matrisi kurulur; Mode A göstergeleri için \hat\sigma_{hk}=\ell_h\ell_k\hat\rho_{c(h)c(k)}, köşegen 1; Mode B bloklarının iç korelasyonları gözlenen değere eşitlenir.

\text{SRMR}=\sqrt{\frac{1}{p(p+1)/2}\sum_{h\le k}\big(r_{hk}-\hat\sigma_{hk}\big)^2}

"Doymuş" SRMR'de \hat\rho yapı korelasyonlarının kendisidir; "kestirilen" SRMR'de yapısal modelin öngördüğü korelasyonlardır. Yapısal model doymuşsa (bu örnekte olduğu gibi tüm olası yollar kestirilmişse) ikisi eşittir.

90.5.8 Q²: blindfolding ile çapraz geçerli artıklık

Yansıtıcı içsel yapı j için (blindfold_q2, 471–505; ortalama ataması; göstergeler alfabetik yazıldığında semPLS qSquared, dlines = FALSE ile aynı):

Q^2_j=1-\frac{\sum_{d=1}^{D}\text{SSE}_d}{\sum_{d=1}^{D}\text{SSO}_d},\qquad \hat z_{ih}=\Big(\sum_{k\in\mathcal P(j)}\beta^{(-d)}_{kj}\hat\xi^{(-d)}_{ik}\Big)\,\ell^{(-d)}_{hj}\,s^{(-d)}_h+\bar z^{(-d)}_h
  • Bloğun n\times k veri matrisi sütun öncelikli sırayla numaralanır; d. turda d, d+D, d+2D,\dots hücreler atlanır, yerine sütunun kalan ortalaması konur, model yeniden kestirilir.
  • \text{SSE}_d=\sum(z_{ih}-\hat z_{ih})^2, \text{SSO}_d=\sum(z_{ih}-\bar z^{(-d)}_h)^2; ikisi de yalnız atlanan hücreler üzerinden.
  • (-d) üst simgesi: d. turda atlanmış veriyle kestirilmiş değer; s_h ve \bar z_h atanmış verinin SS ve ortalaması.
  • Q^2>0: model atlanan veriyi ortalamadan daha iyi öngörüyor.

Q² gösterge sırasına bağlıdır

Atlama deseni hücrelerin sütun öncelikli sırasından kurulur; dolayısıyla bir blokta göstergelerin yazılış sırası değişirse hangi hücrelerin birlikte atlandığı ve Q² değişir. Doğru tek bir sıra yoktur; MerQur kullanıcının sözdiziminde yazdığı sırayı korur ve atlama mesafesini (D) ve yapı başına kullanılan gösterge sırasını çıktıda yazar. semPLS göstergeleri blok içinde alfabetik sıralar; bu bir uygulama tercihidir, yöntemin tanımı değildir. Bu veride sözdizimi sırasıyla Q² = 0,140650 (SelfMgmt) ve 0,253736 (Glycemia), alfabetik sırayla 0,140752 ve 0,252674'tür. Doğrulamada MerQur alfabetik sırayla da çalıştırılmış ve semPLS ile 10^{-9} düzeyinde eşleşmiştir. Ayrıca n/D tam sayıysa atlama deseni satır hizalı olur; MerQur bu durumda uyarır.

90.5.9 Bootstrap: SD, t, p ve güven aralıkları

B yeniden örneklemin her birinde (n satır, yerine koyarak) tüm hesap tekrarlanır: ortalama ataması, standartlaştırma, PLS algoritması, yollar, yükler, ağırlıklar, özgül/toplam dolaylı ve toplam etkiler, HTMT (bootstrap, 723–769).

\text{SD}=\sqrt{\frac{1}{B-1}\sum_b\big(\hat\theta^{*}_b-\bar\theta^{*}\big)^2},\qquad t=\frac{\hat\theta}{\text{SD}},\qquad p=2\,P\big(T_{B-1}\ge\lvert t\rvert\big)
\text{Yüzdelik GA}=\big[Q_{\alpha/2},\ Q_{1-\alpha/2}\big],\qquad \text{BCa}:\ \alpha_{1{,}2}=\Phi\!\Big(\hat z_0+\frac{\hat z_0+z_{\alpha/2,\,1-\alpha/2}}{1-\hat a(\hat z_0+z_{\alpha/2,\,1-\alpha/2})}\Big)
\hat z_0=\Phi^{-1}\!\Big(\frac{\#\{\hat\theta^{*}_b\le\hat\theta\}}{B}\Big),\qquad \hat a=\frac{\sum_i(\bar\theta_{(\cdot)}-\hat\theta_{(i)})^3}{6\big[\sum_i(\bar\theta_{(\cdot)}-\hat\theta_{(i)})^2\big]^{3/2}}
  • Q: numpy.quantile (R quantile type 7).
  • p: t dağılımından, sd =B-1 (seminr geleneği).
  • \hat\theta_{(i)}: i. gözlem çıkarılarak kestirilen değer (jackknife; n ek kestirim); \bar\theta_{(\cdot)} bunların ortalaması.
  • BCa sınırları, M çekiliş vektörünün \alpha_1 ve \alpha_2 yüzdelikleridir (cSEM BcaCIResample biçimi; _bca, 772–795).
  • İşaret değişikliği düzeltmesi uygulanmaz.
  • Yeniden örnekleme dizisi numpy.random.default_rng(tohum).integers(0, n, size=(B, n)).

Neden t=\hat\theta/\text{SD} ve t_{B-1}?

Bu, PLS-SEM yazılımlarının geleneğidir (Hair vd. 2021): bootstrap SD, kestiricinin SH'sinin kestirimidir ve \hat\theta/\text{SH} asimptotik olarak normaldir. sd =B-1 seçimi pratikte normal dağılımla aynıdır (B\ge1000). Karar için yüzdelik ya da BCa GA'sının 0'ı içerip içermediği daha sağlamdır; MerQur "*" işaretini GA'ya göre koyar.

90.6 Elle hesap: Tıp verisinde sayısal yürüyüş

Ara değerler dogrulama/plssem/elle_hesap.py ile hesaplanmıştır. Betik MerQur'u çağırmaz; PLS algoritmasını yapı yapı döngüyle (matris biçimli pls_core'dan farklı olarak) yazar.

Adım 1 — Başlangıç skorları. Tüm ağırlıklar 1: skorlar blok başına standartlaştırılmış toplam puandır. Bu skorların korelasyonları:

r_{LS}=0{,}473662,\qquad r_{LG}=-0{,}429729,\qquad r_{SG}=-0{,}528062

Adım 2 — İç vekiller (yol şeması).

  • Literacy (öncülü yok; ardılları SelfMgmt ve Glycemia): \tilde\xi_L\propto0{,}473662\,\hat\xi_S-0{,}429729\,\hat\xi_G.
  • SelfMgmt (öncül Literacy; ardıl Glycemia): öncül katkısı tek yordayıcılı regresyon katsayısı =r_{LS}: \tilde\xi_S\propto0{,}473662\,\hat\xi_L-0{,}528062\,\hat\xi_G.
  • Glycemia (öncüller Literacy ve SelfMgmt): \hat\xi_G'nin iki skor üzerine regresyonu
\begin{pmatrix}1&0{,}473662\\0{,}473662&1\end{pmatrix}^{-1}\begin{pmatrix}-0{,}429729\\-0{,}528062\end{pmatrix}=\begin{pmatrix}-0{,}231557\\-0{,}418383\end{pmatrix},\qquad \tilde\xi_G\propto-0{,}231557\,\hat\xi_L-0{,}418383\,\hat\xi_S

Adım 3 — Mode A ağırlıkları (1. yineleme). Her ağırlık \operatorname{cov}(z_h,\tilde\xi_j), sonra skor varyansı 1'e ölçeklenir:

Yapı Ağırlıklar (t=1)
Literacy 0,424798; 0,382332; 0,367702
SelfMgmt 0,352826; 0,241164; 0,329683; 0,319881
Glycemia 0,409213; 0,362613; 0,347857

Adım 4 — Yakınsama. Ağırlık farklarının toplamı beşinci yinelemede 10^{-7}'nin altına iner. Son ağırlıklar:

Gösterge Ağırlık Yük Gösterge Ağırlık Yük
hl_understand 0,423856 0,870646 sm_glucose_monitoring 0,319732 0,793462
hl_appraise 0,382089 0,842264 hba1c_pct 0,408232 0,900362
hl_apply 0,368926 0,837977 fasting_glucose_mgdl 0,362563 0,906908
sm_diet 0,352125 0,854005 ppg_mgdl 0,348924 0,870195
sm_exercise 0,241912 0,729945
sm_medication 0,329893 0,815433

İlk yineleme ağırlıkları son ağırlıklara üçüncü ondalıkta zaten yakındır: göstergeler bir blok içinde benzer güçte olduğunda PLS ağırlıkları eşit ağırlıklı toplam puandan çok uzaklaşmaz.

Adım 5 — Yollar ve R^2. Son skorların korelasyonları: r_{LS}=0{,}478725, r_{LG}=-0{,}431545, r_{SG}=-0{,}539748.

\beta_{L\to S}=r_{LS}=0{,}478725,\qquad R^2_S=0{,}478725^2=0{,}229177
\begin{pmatrix}\beta_{L\to G}\\ \beta_{S\to G}\end{pmatrix}=\begin{pmatrix}1&0{,}478725\\0{,}478725&1\end{pmatrix}^{-1}\begin{pmatrix}-0{,}431545\\-0{,}539748\end{pmatrix}=\begin{pmatrix}-0{,}224635\\-0{,}432210\end{pmatrix}

R^2_G=-0{,}224635(-0{,}431545)-0{,}432210(-0{,}539748)=0{,}330224; düzeltilmiş R^2: 0,227288 ve 0,326933. Dolaylı etki 0{,}478725\times(-0{,}432210)=-0{,}206909; toplam etki -0{,}431545 (=r_{LG}, çünkü Literacy tek dışsal yapıdır).

Adım 6 — Güvenirlik. SelfMgmt için yükler (0{,}854;\ 0{,}730;\ 0{,}815;\ 0{,}793): \sum\ell=3{,}192846, \sum(1-\ell^2)=1{,}443341:

\rho_C=\frac{3{,}192846^2}{3{,}192846^2+1{,}443341}=\frac{10{,}194266}{11{,}637607}=0{,}875976,\qquad \text{AVE}=0{,}639165
Yapı \alpha \rho_A \rho_C AVE \sqrt{\text{AVE}}
Literacy 0,808890 0,813336 0,886831 0,723213 0,850419
SelfMgmt 0,812037 0,825401 0,875976 0,639165 0,799478
Glycemia 0,872685 0,878568 0,921626 0,796792 0,892632

Fornell–Larcker: SelfMgmt'in \sqrt{\text{AVE}}=0{,}799'u, en büyük korelasyonu olan \lvert-0{,}540\rvert'tan büyüktür; ölçüt üç yapıda da karşılanır.

Adım 7 — HTMT, f², VIF. HTMT: L–S 0,584435; L–G 0,511471; S–G 0,627290 (hepsi < 0,85). f²: L\to S için yol çıkınca SelfMgmt'in öncülü kalmaz, f^2=0{,}229177/0{,}770823=0{,}297316; S\to G 0,214799; L\to G 0,057114. İç VIF (Glycemia'nın öncülleri) 1/(1-0{,}478725^2)=1{,}297316. Gösterge VIF'leri 1,52–2,67. SRMR = 0,063688 (yapısal model doymuş: kestirilen = doymuş).

Adım 8 — Q². Sözdizimi sırasıyla D = 7: Q^2_S=0{,}140650, Q^2_G=0{,}253736. SelfMgmt'in ilk turunda (d=1) \text{SSE}=219{,}364, \text{SSO}=252{,}069; yedi turun toplamı 1-1412{,}433/1643{,}606=0{,}140650.

Adım 9 — Bootstrap (B = 1000, tohum 123). MerQur'la aynı yeniden örneklemler bağımsız Python ve R'de yeniden kestirildi:

Büyüklük Kestirim SD t %95 yüzdelik %95 BCa
\beta_{L\to S} 0,478725 0,036818 13,002 [0,402181; 0,544477] [0,390727; 0,538823]
\beta_{S\to G} −0,432210 0,039783 −10,864 [−0,509661; −0,360352] [−0,504752; −0,352489]
\beta_{L\to G} −0,224635 0,044628 −5,033 [−0,307769; −0,134501] [−0,301649; −0,132885]
Dolaylı L→S→G −0,206909 0,026908 −7,690 [−0,266113; −0,158695] [−0,263666; −0,157363]

BCa için \beta_{L\to S}'de \hat z_0=-0{,}105474, \hat a=-0{,}004306: bootstrap dağılımının ortalaması kestirimin biraz üstündedir; BCa aralığı yüzdelik aralığı sola kaydırır.

Adım 10 — Mode B ve şemalar. Literacy <~ ile biçimlendirici tanımlandığında ağırlıklar \mathbf R^{-1}\mathbf r'den gelir: 0,545304; 0,344807; 0,274247 (yükler 0,913; 0,823; 0,795), \beta_{L\to S}=0{,}483455, R^2_S=0{,}233729. Centroid şemasında \beta_{L\to S}=0{,}478638, faktör şemasında 0,478725.

90.6.1 Doğrulama: MerQur, Python ve R

MerQur değerleri execute() sonucundaki out (yükler, ağırlıklar, yollar, güvenirlik, HTMT, VIF, f², SRMR, Q²) ve boot_df öğelerinden alınmıştır (dogrulama/plssem/merqur_calistir.py; motor yuvarlamaz). R 4.5.3: seminr 2.6.0 (estimate_pls, summary; Mode A/B, güvenirlik, HTMT, f², VIF, toplam etkiler), cSEM 0.7.1 (csem(.disattenuate = FALSE); centroid/factorial şemaları ve calculateSRMR), semPLS 1.0.10 (qSquared(d = 7, dlines = FALSE), ortalama ataması). Bootstrap için MerQur'un 1000 yeniden örneklem indeksi R'ye aktarılmış, her örneklemde seminr ile yeniden kestirilmiştir; BCa formülü R'de ayrıca yazılmıştır (dogrulama/plssem/r_dogrulama.R).

Ölçme ve yapısal model:

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Dış ağırlık hl_understand 0,423856 0,423856 0,423856 3,9e−16 ✓
Dış ağırlık hl_appraise 0,382089 0,382089 0,382089 5,0e−16 ✓
Dış ağırlık hl_apply 0,368926 0,368926 0,368926 3,9e−16 ✓
Dış ağırlık sm_diet 0,352125 0,352125 0,352125 1,1e−16 ✓
Dış ağırlık sm_exercise 0,241912 0,241912 0,241912 2,8e−16 ✓
Dış ağırlık sm_medication 0,329893 0,329893 0,329893 5,6e−16 ✓
Dış ağırlık sm_glucose_monitoring 0,319732 0,319732 0,319732 4,4e−16 ✓
Dış ağırlık hba1c_pct 0,408232 0,408232 0,408232 2,2e−16 ✓
Dış ağırlık fasting_glucose_mgdl 0,362563 0,362563 0,362563 5,0e−16 ✓
Dış ağırlık ppg_mgdl 0,348924 0,348924 0,348924 2,8e−16 ✓
Dış yük hl_understand 0,870646 0,870646 0,870646 1,1e−15 ✓
Dış yük hl_appraise 0,842264 0,842264 0,842264 2,1e−15 ✓
Dış yük hl_apply 0,837977 0,837977 0,837977 1,9e−15 ✓
Dış yük sm_diet 0,854005 0,854005 0,854005 3,3e−16 ✓
Dış yük sm_exercise 0,729945 0,729945 0,729945 1,1e−16 ✓
Dış yük sm_medication 0,815433 0,815433 0,815433 3,3e−16 ✓
Dış yük sm_glucose_monitoring 0,793462 0,793462 0,793462 4,4e−16 ✓
Dış yük hba1c_pct 0,900362 0,900362 0,900362 2,2e−16 ✓
Dış yük fasting_glucose_mgdl 0,906908 0,906908 0,906908 1,1e−16 ✓
Dış yük ppg_mgdl 0,870195 0,870195 0,870195 5,6e−16 ✓
\beta Literacy → SelfMgmt 0,478725 0,478725 0,478725 5,0e−16 ✓
\beta SelfMgmt → Glycemia −0,432210 −0,432210 −0,432210 7,8e−16 ✓
\beta Literacy → Glycemia −0,224635 −0,224635 −0,224635 4,2e−16 ✓
R^2 SelfMgmt 0,229177 0,229177 0,229177 1,1e−11 ✓
Düz. R^2 SelfMgmt 0,227288 0,227288 0,227288 4,8e−11 ✓
R^2 Glycemia 0,330224 0,330224 0,330224 3,6e−11 ✓
Düz. R^2 Glycemia 0,326933 0,326933 0,326933 1,3e−11 ✓
Dolaylı etki L → S → G −0,206909 −0,206909 −0,206909 8,3e−12 ✓
Toplam etki L → G −0,431545 −0,431545 −0,431545 2,1e−11 ✓

Güvenirlik, geçerlik, f², VIF, SRMR ve Q²:

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Cronbach \alpha Literacy 0,808890 0,808890 0,808890 1,8e−11 ✓
\rho_A Literacy 0,813336 0,813336 0,813336 2,8e−11 ✓
\rho_C Literacy 0,886831 0,886831 0,886831 3,8e−11 ✓
AVE Literacy 0,723213 0,723213 0,723213 3,6e−11 ✓
Cronbach \alpha SelfMgmt 0,812037 0,812037 0,812037 4,0e−11 ✓
\rho_A SelfMgmt 0,825401 0,825401 0,825401 3,5e−11 ✓
\rho_C SelfMgmt 0,875976 0,875976 0,875976 4,2e−12 ✓
AVE SelfMgmt 0,639165 0,639165 0,639165 2,8e−11 ✓
Cronbach \alpha Glycemia 0,872685 0,872685 0,872685 2,2e−11 ✓
\rho_A Glycemia 0,878568 0,878568 0,878568 6,5e−12 ✓
\rho_C Glycemia 0,921626 0,921626 0,921626 1,8e−12 ✓
AVE Glycemia 0,796792 0,796792 0,796792 2,5e−12 ✓
HTMT Literacy–SelfMgmt 0,584435 0,584435 0,584435 4,9e−11 ✓
HTMT Literacy–Glycemia 0,511471 0,511471 0,511471 3,2e−11 ✓
HTMT SelfMgmt–Glycemia 0,627290 0,627290 0,627290 4,6e−11 ✓
f^2 Literacy → SelfMgmt 0,297316 0,297316 0,297316 5,0e−11 ✓
f^2 SelfMgmt → Glycemia 0,214799 0,214799 0,214799 3,8e−12 ✓
f^2 Literacy → Glycemia 0,057114 0,057114 0,057114 2,3e−11 ✓
İç VIF (Glycemia öncülleri) 1,297316 1,297316 1,297316 5,0e−11 ✓
Gösterge VIF hl_understand 1,825286 1,825286 1,825286 9,3e−12 ✓
Gösterge VIF hl_appraise 1,728916 1,728916 1,728916 2,7e−11 ✓
Gösterge VIF hl_apply 1,739684 1,739684 1,739684 3,4e−11 ✓
Gösterge VIF sm_diet 1,930618 1,930618 1,930618 3,3e−11 ✓
Gösterge VIF sm_exercise 1,516545 1,516545 1,516545 4,9e−11 ✓
Gösterge VIF sm_medication 1,714003 1,714003 1,714003 3,2e−11 ✓
Gösterge VIF sm_glucose_monitoring 1,617563 1,617563 1,617563 8,2e−13 ✓
Gösterge VIF hba1c_pct 2,330353 2,330353 2,330353 3,8e−11 ✓
Gösterge VIF fasting_glucose_mgdl 2,669257 2,669257 2,669257 2,4e−11 ✓
Gösterge VIF ppg_mgdl 2,156813 2,156813 2,156813 4,5e−11 ✓
SRMR (kestirilen = doymuş) 0,063688 0,063688 0,063688 9,9e−13 ✓
Q^2 SelfMgmt (alfabetik gösterge sırası) 0,140752 0,140752 0,140752 4,7e−11 ✓
Q^2 Glycemia (alfabetik gösterge sırası) 0,252674 0,252674 0,252674 4,0e−11 ✓

Bootstrap (B = 1000, tohum 123, aynı yeniden örneklemler):

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
\beta L → S: bootstrap SD 0,036818 0,036818 0,036818 1,7e−11 ✓
\beta L → S: t 13,002410 13,002410 13,002410 2,8e−11 ✓
\beta L → S: %95 yüzdelik alt 0,402181 0,402181 0,402181 2,0e−11 ✓
\beta L → S: %95 yüzdelik üst 0,544477 0,544477 0,544477 4,6e−12 ✓
\beta L → S: BCa alt 0,390727 0,390727 0,390727 3,4e−11 ✓
\beta L → S: BCa üst 0,538823 0,538823 0,538823 2,0e−11 ✓
\beta S → G: bootstrap SD 0,039783 0,039783 0,039783 3,4e−11 ✓
\beta S → G: t −10,864305 −10,864305 −10,864305 4,5e−11 ✓
\beta S → G: %95 yüzdelik alt −0,509661 −0,509661 −0,509661 5,8e−12 ✓
\beta S → G: %95 yüzdelik üst −0,360352 −0,360352 −0,360352 3,9e−11 ✓
\beta S → G: BCa alt −0,504752 −0,504752 −0,504752 6,6e−12 ✓
\beta S → G: BCa üst −0,352489 −0,352489 −0,352489 4,5e−11 ✓
\beta L → G: bootstrap SD 0,044628 0,044628 0,044628 4,4e−11 ✓
\beta L → G: t −5,033462 −5,033462 −5,033462 3,4e−11 ✓
\beta L → G: %95 yüzdelik alt −0,307769 −0,307769 −0,307769 2,5e−11 ✓
\beta L → G: %95 yüzdelik üst −0,134501 −0,134501 −0,134501 3,7e−11 ✓
\beta L → G: BCa alt −0,301649 −0,301649 −0,301649 4,4e−11 ✓
\beta L → G: BCa üst −0,132885 −0,132885 −0,132885 3,7e−11 ✓
Dolaylı L → S → G: bootstrap SD 0,026908 0,026908 0,026908 1,6e−11 ✓
Dolaylı L → S → G: t −7,689620 −7,689620 −7,689620 2,4e−11 ✓
Dolaylı L → S → G: %95 yüzdelik alt −0,266113 −0,266113 −0,266113 2,0e−11 ✓
Dolaylı L → S → G: %95 yüzdelik üst −0,158695 −0,158695 −0,158695 1,1e−11 ✓
Dolaylı L → S → G: BCa alt −0,263666 −0,263666 −0,263666 3,9e−11 ✓
Dolaylı L → S → G: BCa üst −0,157363 −0,157363 −0,157363 3,5e−11 ✓
Yük sm_exercise: bootstrap SD 0,029741 0,029741 0,029741 1,2e−12 ✓
Yük sm_exercise: t 24,543735 24,543735 24,543735 1,1e−11 ✓
Yük sm_exercise: %95 yüzdelik alt 0,664677 0,664677 0,664677 1,1e−11 ✓
Yük sm_exercise: %95 yüzdelik üst 0,779249 0,779249 0,779249 1,1e−11 ✓
Yük sm_exercise: BCa alt 0,664320 0,664320 0,664320 4,8e−11 ✓
Yük sm_exercise: BCa üst 0,779018 0,779018 0,779018 1,8e−11 ✓
Ağırlık hl_understand: bootstrap SD 0,021968 0,021968 0,021968 3,9e−12 ✓
Ağırlık hl_understand: t 19,294061 19,294061 19,294061 4,5e−11 ✓
Ağırlık hl_understand: %95 yüzdelik alt 0,382704 0,382704 0,382704 3,3e−11 ✓
Ağırlık hl_understand: %95 yüzdelik üst 0,469888 0,469888 0,469888 4,8e−11 ✓
Ağırlık hl_understand: BCa alt 0,381564 0,381564 0,381564 1,1e−12 ✓
Ağırlık hl_understand: BCa üst 0,468543 0,468543 0,468543 3,7e−11 ✓
HTMT S–G: bootstrap SD 0,040103 0,040103 0,040103 4,3e−11 ✓
HTMT S–G: t 15,642006 15,642006 15,642006 4,7e−11 ✓
HTMT S–G: %95 yüzdelik alt 0,547035 0,547035 0,547035 2,2e−11 ✓
HTMT S–G: %95 yüzdelik üst 0,703912 0,703912 0,703912 3,8e−12 ✓
HTMT S–G: BCa alt 0,546140 0,546140 0,546140 2,1e−11 ✓
HTMT S–G: BCa üst 0,702305 0,702305 0,702305 4,6e−12 ✓
HTMT S–G: tek yönlü %95 üst 0,692214 0,692214 0,692214 1,0e−11 ✓

Mode B ve iç ağırlıklandırma şemaları:

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Mode B ağırlık hl_understand 0,545304 0,545304 0,545304 7,8e−16 ✓
Mode B ağırlık hl_appraise 0,344807 0,344807 0,344807 2,1e−15 ✓
Mode B ağırlık hl_apply 0,274247 0,274247 0,274247 1,7e−15 ✓
Mode B \beta Literacy → SelfMgmt 0,483455 0,483455 0,483455 1,6e−15 ✓
Mode B \beta SelfMgmt → Glycemia −0,432160 −0,432160 −0,432160 1,7e−16 ✓
Mode B \beta Literacy → Glycemia −0,222111 −0,222111 −0,222111 9,2e−16 ✓
centroid \beta Literacy → SelfMgmt 0,478638 0,478638 0,478638 1,3e−12 ✓
centroid \beta SelfMgmt → Glycemia −0,431556 −0,431556 −0,431556 2,5e−12 ✓
centroid \beta Literacy → Glycemia −0,225035 −0,225035 −0,225035 1,3e−12 ✓
factorial \beta Literacy → SelfMgmt 0,478725 0,478725 0,478725 1,3e−12 ✓
factorial \beta SelfMgmt → Glycemia −0,431922 −0,431922 −0,431922 2,4e−12 ✓
factorial \beta Literacy → Glycemia −0,224799 −0,224799 −0,224799 1,2e−12 ✓

116 satırın tümü ölçütü karşılar; farkların çoğu 10^{-13}–10^{-16} düzeyindedir. Centroid ve factorial satırlarında R kaynağı cSEM'dir (durma ölçütü "en büyük mutlak fark", tolerans 10^{-10}); fark 10^{-9} düzeyindedir. Q² R ile yalnız alfabetik gösterge sırasında karşılaştırılabilir (90.5.8); sözdizimi sırasındaki değer MerQur ile bağımsız Python arasında 10^{-12} düzeyinde aynıdır.

90.7 Çıktıyı okuma

Sonuç metni (varsayılan ayarlar, B = 5000, kısaltılmış):

══ PLS-SEM (BİLEŞEN TABANLI YAPISAL EŞİTLİK MODELİ) ══
İç ağırlıklandırma: Yol (path, varsayılan)
N = 410
PLS algoritması: 5 yineleme, yakınsadı (durma ölçütü 10^-7)
Bootstrap: 5000 geçerli örnek (5000 istendi), tohum = 123
── Ölçme modeli: dış yükler ve ağırlıklar ──
SelfMgmt  (yansıtıcı, Mod A)
  Gösterge            Yük      SD       t       p      Yüzdelik %95  Ağırlık    VIF
  sm_diet           0.854   0.013   63.70   <.001    [0.825, 0.878] *    0.352   1.93
  sm_exercise       0.730   0.029   24.85   <.001    [0.666, 0.782] *    0.242   1.52
── İç tutarlılık güvenirliği ve yakınsak geçerlik ──
Yapı                   alfa    rho_A    rho_C      AVE
SelfMgmt              0.812    0.825    0.876    0.639
── Ayırt edici geçerlik: HTMT ──
  Yapı çifti                      HTMT        Yüzdelik %95 Tek yönlü üst %95
  SelfMgmt <-> Glycemia          0.627      [0.548, 0.702]             0.691
── Yapısal model: yol katsayıları ──
  Yol  β  SD  t  p  Yüzdelik %95  f2  VIF
  Literacy -> SelfMgmt  0.479  0.037  12.88  <.001  [0.406, 0.552] *  0.297  1.00
  SelfMgmt -> Glycemia  -0.432  0.039  -11.15  <.001  [-0.509, -0.356] *  0.215  1.30
  Literacy -> Glycemia  -0.225  0.044  -5.08  <.001  [-0.309, -0.135] *  0.057  1.30
── Açıklanan varyans ──
  SelfMgmt                0.229       0.227
  Glycemia                0.330       0.327
── Özgül dolaylı etkiler ──
  Literacy -> SelfMgmt -> Glycemia  -0.207  0.027  -7.69  <.001  [-0.263, -0.159] *
── Model uyumu ──
  SRMR (kestirilen model) = 0.0637
  SRMR (doymuş model) = 0.0637
Öğe Nasıl yorumlanır
Yineleme satırı Yakınsamadıysa sonuçlar son yinelemenin değeridir; uyarı basılır.
Yük (Mode A) ≥ 0,708 önerilir (yükün karesi ≥ 0,5: göstergenin varyansının yarısı yapıdan). sm_exercise 0,730 sınırdadır. Altında kalan yükler uyarıda listelenir.
Ağırlık (Mode B) Biçimlendirici blokta sınanan büyüklüktür; anlamsız ağırlıkta yük ≥ 0,50 ise gösterge tutulabilir (çıktı bu durumda yükün t ve p'sini ayrıca yazar).
alfa, rho_A, rho_C, AVE 0,70–0,95 aralığı ve AVE ≥ 0,50; aşan/altında kalanlar uyarılır (plssem.py:213–222).
HTMT < 0,85 (yakın kavramlarda < 0,90); tek yönlü üst sınırın eşiğin altında olması tercih edilir.
β, SD, t, p, GA Standartlaştırılmış yol; "*" GA'nın 0'ı içermediğini gösterir.
f² 0,02 / 0,15 / 0,35: küçük / orta / büyük (Cohen). L\to G doğrudan etkisi küçüktür (0,057).
R^2, Q² R^2 0,25 / 0,50 / 0,75 zayıf / orta / güçlü (Hair vd. 2021); Q² > 0 öngörüsel uygunluk.
SRMR < 0,08 iyi; PLS-SEM'de uyum ölçüleri tartışmalıdır, karar ölçütü yapılmamalıdır.

YEM ile karşılaştırma. Aynı veride YEM (Bölüm 89) a^{*}=0{,}588, b^{*}=-0{,}505, c^{*}=-0{,}216 ve R^2_G=0{,}430 verir; PLS-SEM 0{,}479, -0{,}432, -0{,}225 ve 0{,}330 verir. Fark, bileşen skorlarının ölçme hatasını içermesinden kaynaklanır (\rho_A<1): yapılar arası korelasyon bileşen düzeyinde zayıflar (Henseler vd. 2014). Dolaylı etkinin yönü ve anlamlılığı iki yaklaşımda aynıdır.

APA biçiminde rapor cümlesi (Türkçe ondalıkla):

Model PLS-SEM ile (yol iç ağırlıklandırması, N = 410) kestirildi; anlamlılık 5000 bootstrap örneğiyle sınandı ve %95 yüzdelik güven aralıkları raporlandı. Yansıtıcı ölçme modelleri güvenilir (\rho_A = 0,81–0,88; \rho_C = 0,88–0,92) ve yakınsak geçerli (AVE = 0,64–0,80) bulundu; HTMT değerleri 0,51–0,63 aralığındaydı. Sağlık okuryazarlığı öz yönetimi yordadı (\beta = 0{,}48, t = 12{,}88, p < 0{,}001, %95 GA [0,41; 0,55], f^2 = 0{,}30); öz yönetim (\beta = -0{,}43, %95 GA [−0,51; −0,36], f^2 = 0{,}21) ve okuryazarlık (\beta = -0{,}22, %95 GA [−0,31; −0,14], f^2 = 0{,}06) glisemik bozulmayla negatif ilişkiliydi. Okuryazarlığın öz yönetim üzerinden özgül dolaylı etkisi anlamlıydı (-0{,}21, %95 GA [−0,26; −0,16]). Model öz yönetimdeki varyansın %22,9'unu, glisemik bileşendeki varyansın %33,0'ını açıkladı; SRMR = 0,064.

90.8 Uzman soruları

S1. MerQur'un PLS algoritması seminr ile birebir mi?

Evet: başlangıç ağırlıkları 1, n-1 bölenli standartlaştırma, yol şeması (öncüller için regresyon, ardıllar için korelasyon), Mode A kovaryans / Mode B \mathbf R^{-1}\mathbf r, her adımda birim varyansa ölçekleme ve "mutlak farkların toplamı < 10^{-7}" durma ölçütü seminr simplePLS ile aynıdır. Bu veride ağırlık, yük, yol, R^2, güvenirlik, HTMT, f² ve VIF seminr ile 10^{-13} içinde eşleşti; aynı yeniden örneklemlerle bootstrap SD ve GA'ları 10^{-15} düzeyinde aynıdır.

S2. Bootstrap'ta işaret değişikliği düzeltmesi neden yok?

İşaret değişikliği (bir örneklemde ağırlıkların topluca ters işaret alması) PLS'de bileşenin işareti belirsiz olduğunda görülür. MerQur bunu düzeltmez; seminr de varsayılanda düzeltmez. Bu veride tüm yükler güçlü ve aynı işaretli olduğundan sorun çıkmaz. Zayıf yüklü bloklarda bootstrap dağılımı iki tepeli olabilir; bu durumda SD şişer ve GA genişler.

S3. p değerini t_{B-1} dağılımından almak doğru mu?

t=\hat\theta/\text{SD} yaklaşık standart normaldir; t_{4999} ile normal arasındaki fark p'nin dördüncü anlamlı basamağında bile görünmez. Bu, seminr ile uyum için seçilmiş bir gelenektir. Kesin bir karar için GA kullanılmalıdır.

S4. f² neden R^2 farkından değil de yeniden kestirimden?

Bir yol çıkarıldığında PLS ağırlıkları da değişir (iç vekil değişir); bu yüzden "yol olmadan R^2" yalnız regresyonu yeniden yaparak değil, tüm algoritmayı yeniden çalıştırarak bulunur. seminr fSquared aynı yolu izler. Fark genellikle küçüktür, ama tek öncülü kalan yapıda R^2_{\text{hariç}}=0 olduğundan f^2=R^2/(1-R^2)'ye eşittir (L\to S: 0,297).

S5. SRMR'nin "kestirilen" ve "doymuş" değerleri neden aynı?

Yapısal model üç yapı arasındaki üç olası yolun hepsini içerir; öngörülen yapı korelasyonları gözlenenlere eşittir. Dolayısıyla SRMR'deki tüm uyumsuzluk ölçme modelinden gelir (Mode A göstergeleri ortak faktör gibi ele alındığında \ell_h\ell_k\rho ile gözlenen korelasyonlar arasındaki fark). cSEM ile 10^{-12} düzeyinde aynıdır.

S6. Q² neden sözdizimi sırasıyla hesaplanıyor ve semPLS'ten neden farklı çıkabilir?

Blindfolding sonucu atlama düzenine bağlıdır ve yöntemin tanımında doğru tek bir sıra yoktur; kullanıcının yazdığı sıra en şeffaf seçimdir ve çıktıda yazılır. semPLS göstergeleri blok içinde alfabetik sıralar ve atlama desenini bu sıradan kurar. Sütun öncelikli numaralandırmada sıra değişince farklı hücreler birlikte atlanır. Bu veride fark üçüncü ondalıktadır (Glycemia: 0,2537 ve 0,2527). Göstergeler alfabetik yazılırsa iki program 10^{-9} içinde aynıdır. Raporda D değeri ve gösterge sırası belirtilmelidir.

S7. Mode B bloğunda yüksek VIF ne yapar?

Ağırlıklar \mathbf R_{jj}^{-1}\mathbf r olduğu için göstergeler ilişkiliyse ağırlıklar kararsızlaşır, işaret değiştirebilir ve bootstrap SD'leri büyür. MerQur VIF > 3 için uyarır, koşul sayısı 10^{12}'yi aşarsa durur. Yük (göstergenin bileşenle korelasyonu) bu durumdan daha az etkilenir; anlamsız ağırlıklı göstergede yük ≥ 0,50 ise gösterge tutulabilir.

S8. BCa ile yüzdelik GA arasında hangisi?

BCa, bootstrap dağılımının yanlılığını (\hat z_0) ve SH'nin parametreyle değişimini (\hat a) düzeltir; teoride ikinci dereceden doğrudur (Efron 1987). Maliyeti n ek kestirimdir. Bu veride iki GA en çok 0,012 farklıdır. MerQur BCa açıkken anlamlılık işaretini BCa'ya göre koyar.

S9. Tek göstergeli yapılarda ne olur?

Ağırlık ve yük tanım gereği 1'dir; alfa, \rho_A, \rho_C, AVE 1 yazılır; bootstrap vektöründen çıkarılır (_stat_layout, 668–674). HTMT'de tek-özellik ortalaması 1 alınır; bu, tek göstergeli yapının HTMT'sini ilişkinin kendisine eşitler ve yorumu sınırlıdır.

90.9 Sık hatalar ve tuzaklar

  • PLS yollarını YEM yollarıyla aynı şey saymak. Bileşen skorları ölçme hatası taşır; yansıtıcı yapılarda PLS yolları ortak faktör yollarından küçüktür (bu veride 0{,}479'a karşı 0{,}588).
  • SRMR'yi model uyum testi gibi kullanmak. PLS-SEM bir kovaryans yapısı uydurmaz; SRMR yalnız betimsel bir göstergedir.
  • Q²'yi gösterge sırasından bağımsız sanmak. Sıra ve D değeri Q²'yi değiştirir; n/D tam sayı olmamalıdır.
  • B = 5000'i yavaş diye düşürmek. B<1000 uyarı verir; BCa ve yüzdelik GA'nın uç yüzdelikleri az örneklemde kararsızdır.
  • Biçimlendirici yapıya alfa ve AVE uygulamak. MerQur Mode B yapılar için bu ölçüleri "uygulanmaz" diye basar; biçimlendirici göstergelerin birbiriyle ilişkili olması gerekmez.
  • Yakınsamama uyarısını görmezden gelmek. 300 yinelemede durmayan model genellikle centroid şemasında işaret salınımından ya da Mode B çoklu bağıntısından kaynaklanır.
  • Eksik veriyi ortalamayla doldurmanın etkisini unutmak. Ortalama ataması varyansı ve korelasyonları küçültür; eksik oranı %5'i aşan göstergeler uyarılır.

90.10 Kaynaklar

  • Dijkstra, T. K., & Henseler, J. (2015). Consistent partial least squares path modeling. MIS Quarterly, 39(2), 297–316. https://doi.org/10.25300/MISQ/2015/39.2.02
  • Efron, B. (1987). Better bootstrap confidence intervals. Journal of the American Statistical Association, 82(397), 171–185. https://doi.org/10.1080/01621459.1987.10478410
  • 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
  • Geisser, S. (1974). A predictive approach to the random effect model. Biometrika, 61(1), 101–107. https://doi.org/10.1093/biomet/61.1.101
  • Hair, J. F., Hult, G. T. M., Ringle, C. M., Sarstedt, M., Danks, N. P., & Ray, S. (2021). Partial least squares structural equation modeling (PLS-SEM) using R. Springer. https://doi.org/10.1007/978-3-030-80519-7
  • Henseler, J., Dijkstra, T. K., Sarstedt, M., Ringle, C. M., Diamantopoulos, A., Straub, D. W., Ketchen, D. J., Hair, J. F., Hult, G. T. M., & Calantone, R. J. (2014). Common beliefs and reality about PLS. Organizational Research Methods, 17(2), 182–209. https://doi.org/10.1177/1094428114526928
  • 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
  • Lohmöller, J.-B. (1989). Latent variable path modeling with partial least squares. Physica. https://doi.org/10.1007/978-3-642-52512-4
  • Stone, M. (1974). Cross-validatory choice and assessment of statistical predictions. Journal of the Royal Statistical Society: Series B (Methodological), 36(2), 111–133. https://doi.org/10.1111/j.2517-6161.1974.tb00994.x
  • Tenenhaus, M., Esposito Vinzi, V., Chatelin, Y.-M., & Lauro, C. (2005). PLS path modeling. Computational Statistics & Data Analysis, 48(1), 159–205. https://doi.org/10.1016/j.csda.2004.03.005
  • Wold, H. (1982). Soft modeling: The basic design and some extensions. K. G. Jöreskog & H. Wold (Ed.), Systems under indirect observation içinde (Kısım II, ss. 1–54). North-Holland.