MerQuR+Başvuru Kitabı

124. Yol Analizi

Analiz kimliği: path_analysis · Menü adı: Yol Analizi · Panel: gui/panels/analyses/path_analysis.py (form 444–640, execute 670–705, _execute_engine 895–1063) · Motor: stats/sem_engine.py (run_sem, 2051–2132; YEM ile ortak), stats/path_moments.py (fit_estimator, 172–277: MLM, GLS, WLS), stats/path_indirect.py (compute_indirect, 299–383)

124.1 Ne işe yarar

Yol analizi, yalnız gözlenen değişkenler arasındaki yönlü ilişkilerden oluşan bir regresyon sistemini tek modelde kestirir. Bir değişken bir denklemde bağımlı, ötekinde açıklayıcı olabilir; böylece "X, M'yi; M de Y'yi etkiler" türünden zincirler, doğrudan ve dolaylı etkiler birlikte incelenir. Sewall Wright'ın (1934) yol katsayıları yönteminin en çok olabilirlik (ML) biçimidir ve gizil değişkensiz yapısal eşitlik modelidir (Bölüm 89).

\mathbf y=\mathbf B\mathbf y+\boldsymbol\Gamma\mathbf x+\boldsymbol\zeta,\qquad \boldsymbol\Sigma(\boldsymbol\theta)=\begin{pmatrix}(\mathbf I-\mathbf B)^{-1}\big(\boldsymbol\Gamma\boldsymbol\Phi\boldsymbol\Gamma^{\top}+\boldsymbol\Psi\big)(\mathbf I-\mathbf B)^{-\top} & \cdot\\ \boldsymbol\Phi\boldsymbol\Gamma^{\top}(\mathbf I-\mathbf B)^{-\top} & \boldsymbol\Phi\end{pmatrix}
  • \mathbf y: içsel (en az bir okun hedefi olan) gözlenen değişkenler; \mathbf x: dışsal değişkenler.
  • \mathbf B: içsel değişkenler arası yollar; \boldsymbol\Gamma: dışsaldan içsele yollar.
  • \boldsymbol\Psi: içsel değişkenlerin artık varyansları (ve tanımlanırsa artık kovaryansları).
  • \boldsymbol\Phi: dışsal değişkenlerin kovaryans matrisi; varsayılan fixed.x altında örneklem değerine sabittir.
  • Sağ üst blok, sol alt bloğun devriğidir.

Her yol için H_0:\ \beta=0 Wald z testiyle; model bütünü için dışlanan yolların sıfır olduğu (H_0:\ \boldsymbol\Sigma=\boldsymbol\Sigma(\boldsymbol\theta)) \chi^2 testiyle sınanır. Dolaylı etkiler yol katsayılarının çarpımıdır.

Ne zaman kullanılır?

  • Kuramsal bir nedensel zincir (ör. tutum → niyet → davranış) gözlenen ölçümlerle sınanacaksa.
  • Birden çok aracı (paralel, seri) ve birden çok bağımlı değişken aynı modelde ise.
  • Modelin dışladığı yolların veriyle uyumu (aşırı belirlenmiş model) sınanmak isteniyorsa.

Ne zaman kullanılmaz?

  • Değişkenler birkaç göstergeyle ölçülen kavramlarsa ve ölçme hatası önemliyse: Yapısal Eşitlik Modeli (Bölüm 89).
  • Tek X → M → Y aracılığı ve PROCESS tipi çıktı (koşullu dolaylı etki, düzenleyici) gerekiyorsa: Aracılık Analizi ya da Düzenleyicili Aracılık.
  • Bağımlı değişken ikili ya da sayımsa: normal kuram ML uygun değildir.
  • Gözlemler kümeliyse: Çok Düzeyli YEM ile Aracılık (MSEM).

Sık karıştırılan analizler. Ayrı ayrı çoklu regresyonlar, özyinelemeli ve artıkları ilişkisiz bir yol modelinde aynı katsayıları verir (ML = denklem denklem OLS; 124.6, Adım 2); fark, yol analizinin modelin bütününü bir uyum testiyle sınaması, SH'leri ortak bilgi matrisinden (N paydalı) alması ve dolaylı etkiler için ortak kovaryansı kullanmasıdır. Baron–Kenny adımları tek aracılı yol modelinin özel bir okumasıdır.

124.2 Varsayımlar ve veri türü

Varsayım Ne demek MerQur'da nasıl denetlenir
Sürekli değişkenler Aralık ölçekli. Dışsal kategorik değişkenler kukla kodlanabilir. Veri sekmesinde kategorik işaretli dışsal değişken ilk düzey referanslı kuklalara açılır ve model metni yeniden yazılır; içsel ise sürekli kalır ve ayar bloğuna yazılır (_categorical_to_dummies, 732–804).
Doğrusallık ve toplamsallık Her denklem doğrusal. Denetlenmez.
Çok değişkenli normallik ML \chi^2 ve SH için. İsteğe bağlı Mardia testi; ihlalde MLM/MLR/WLS kestiricileri.
Doğru belirlenmiş model Dışlanan yollar gerçekten sıfır, artıklar ilişkisiz. \chi^2, uyum indeksleri, isteğe bağlı MI ve artık korelasyonlar.
Sabit olmayan değişken Her değişkenin varyansı > 0. Sabit sütunda hata (path_analysis.py:827–829); sayısal değeri olmayan sütunda ayrı hata (822–824).
Yeterli örneklem N\ge200 önerilir. n<10 hata; n<30 ve n<200 uyarı (path_analysis.py:838–844, 958–961).

Eksik değer. Varsayılan liste bazında silme (path_analysis.py:837). "FIML" seçilirse YEM motoru missing = "fiml" ile çalışır; dışsal değişkende eksik varsa fixed.x kapatılır. FIML'de yalnız ML ve MLR kullanılabilir; bootstrap uygulanmaz (uyarı).

Uç durumlar. Model metni boşsa ya da ~ içermeyen satır varsa hata. Motor sayısal olarak başarısız olursa (ve kestirici MLR değilse) semopy yedek yoluna düşülür ve uyarılır (path_analysis.py:852–857); yakınsamayan çözüm basılmaz. Doymuş modelde (sd = 0) RMSEA 0 yazılır; \chi^2 p, TLI ve AGFI tanımsızdır ve "—" basılır.

124.3 Parametreler

Varsayılanlar path_analysis.py:444–662 kodundan okunmuştur.

Arayüz adı Varsayılan Ne yapar Sonucu nasıl değiştirir
Şablon Aracılık (X → M → Y) Basit, Aracılık, Seri, Paralel ya da Özel (elle yazım). Değişken kutuları seçilince model metni üretilir. Model metni. Aynı değişken iki rolde seçilirse uyarı satırı üretilir.
X, M, M1, M2, Y (seç...) Şablonun değişkenleri; iki değerli sayısal sütunlar da listelenir. Model metni.
Model tanımı otomatik DV ~ IV1 + IV2 satırları; ~~ ile artık kovaryans. Modelin kendisi.
Güven Düzeyi %95 Wald GA ve bootstrap GA düzeyi. GA sınırları.
Bootstrap (dolaylı etkiler) kapalı (0) Dolaylı/toplam etkiler için B yeniden örneklem. Bootstrap SH, p ve GA satırları.
Bootstrap GA türü Yüzdelik Yüzdelik, yanlılık düzeltmeli (bca.simple), normal, temel (basic); lavaan lav_bootstrap_ci tanımları. Yalnız bootstrap GA'ları.
Bootstrap tohumu 42 RandomState(tohum).choice(n, n). Yeniden örneklemler; varsayılandan farklıysa ayar bloğuna yazılır.
Standartlaştırma (dolaylı etkiler) Tam standartlaştırılmış (X ve Y) std.all, std.nox (dışsal X ham), std.lv (= ham). Dolaylı etki tablosundaki "Stand.tam" sütunu.
Dolaylı etki zinciri Tüm zincirler Modeldeki X → … → Y zincirlerinden biri. Gösterilen zincirler.
Grafikte dolaylı etkiler kapalı Yol grafiğinin altına dolaylı etkiler. Yalnız grafik.
Kestirim yöntemi ML ML, MLM (Satorra–Bentler), MLR (Huber–White), GLS, WLS (ADF). SH; MLM/GLS/WLS'de katsayılar ya da test istatistiği de değişir (124.5.5).
Eksik veri Liste bazında silme FIML seçilebilir. N ve kestirimler.
RMSEA paydası N (varsayılan) N ya da N-1 (semopy tanımı). Yalnız RMSEA nokta değeri; %90 GA ve PCLOSE her zaman N ile.
Ek çıktı: Mardia normalliği kapalı Çok değişkenli çarpıklık ve basıklık. Ek bölüm.
Ek çıktı: Modifikasyon indeksleri kapalı Eklenebilecek yollar için MI, EPC, sEPC. Ek bölüm.
Ek çıktı: Artık korelasyonlar kapalı Gözlenen − model korelasyon matrisi. Ek bölüm.
Karşılaştırma modeli boş Aynı değişkenlerle iç içe ikinci model. \Delta\chi^2, \DeltaAIC, \DeltaBIC.

Koddaki tercih: varsayılan şablon "Aracılık"

Form açıldığında şablon kutusu ikinci sıradaki "Aracılık" şablonudur (path_analysis.py:476); X, M ve Y seçilmeden model metni boş kalır ve analiz "model tanımı boş" hatası verir. Elle model yazmak için "Özel" seçilmelidir; aksi hâlde kutularda yapılan bir seçim metni yeniden üretip elle yapılan düzenlemeyi siler.

124.4 Tıp örneği

Dosya: english/datasets/Tip/52_path_health_behavior.xlsx (Türkçe kopyası samples/Tum_Analiz_Tip/52_path_saglik_davranis.xlsx). Model VIDEO_SCRIPT_TR.txt #52'den alınmıştır.

Değişken Rol Tür Özet
info Dışsal sürekli (1–5) ort. 3,500; SS 0,730
attitude Dışsal sürekli (1–5) ort. 3,105; SS 0,720
intention İçsel (aracı) sürekli ort. 2,625; SS 0,615
behavior İçsel (sonuç) sürekli ort. 1,848; SS 0,609

n ve eksik değer: 220 hasta, eksik değer yok.

Klinik soru: Sağlık davranışına ilişkin tutum, davranış niyeti üzerinden sağlıklı davranışı artırıyor mu? Bilgi düzeyi ve tutumun niyetten bağımsız doğrudan etkisi var mı?

Model tanımı (Özel şablon):

behavior ~ info + attitude + intention
intention ~ attitude

Model, intention ~ info yolunu dışlar: bilgi düzeyinin niyete etkisi yok sayılır. Bu tek kısıt sd = 1 verir ve 124.6'da görüleceği gibi veriyle uyuşmaz; örnek, bir yol modelinin kısıtlarının nasıl sınandığını göstermek için olduğu gibi kullanılmıştır.

Seçilen ayarlar: Arayüz varsayılanları (ML, liste bazında, %95, RMSEA paydası N). Hesap yürüyüşü için ayrıca bootstrap (B = 1000, yüzdelik, tohum 42), MLR, MI ve artık korelasyonlar, MLM, GLS ve WLS çalıştırılmıştır.

124.5 Formüller ve hesap adımları

ML ve MLR'de (liste bazında ya da FIML) yol modeli YEM ile aynı motorla (sem_engine.run_sem) kestirilir (_execute_engine, 893–1061): ortak olabilirlik, Fisher puanlaması, beklenen bilgi SH'si, MLR sandviç SH'si ve Yuan–Bentler ölçekli \chi^2, CFI/TLI/RMSEA/SRMR tanımları 89.5'tedir; DFA ile ortak kestirim ayrıntısı Bölüm 88'dedir. Bu bölüm yol analizine özgü kısımları anlatır: fixed.x, ML'nin denklem denklem OLS'ye eşitliği, GFI/AGFI/NFI, MLM/GLS/WLS kestiricileri, dolaylı etki ayrıştırması ve bootstrap GA türleri.

124.5.1 fixed.x: dışsal değişkenler sabit

lavaan varsayılanıyla dışsal gözlenen değişkenlerin varyans ve kovaryansları (\boldsymbol\Phi) örneklem değerlerine sabitlenir ve parametre sayılmaz (build_spec, 289–300). Ortak olabilirlik dışsal blok ile koşullu blok arasında ayrışır:

\ell(\boldsymbol\theta)=\underbrace{\ell\big(\mathbf y\mid\mathbf x;\ \mathbf B,\boldsymbol\Gamma,\boldsymbol\Psi\big)}_{\text{koşullu}}+\underbrace{\ell\big(\mathbf x;\ \boldsymbol\Phi\big)}_{\text{marjinal}},\qquad \ell_{\text{rapor}}=\ell-\ell_x(\mathbf S_{xx})
  • Koşullu parça yalnız yolları ve artık varyansları, marjinal parça yalnız \boldsymbol\Phi'yi içerir; \boldsymbol\Phi'nin hangi değere sabitlendiği yol kestirimlerini değiştirmez.
  • Raporlanan log-olabilirlik, AIC ve BIC lavaan gibi dışsal marjinal katkı çıkarılarak verilir (run_sem, 2100–2104; _ll_exo, 2135–2143).
  • Moment sayısı p(p+1)/2-n_x(n_x+1)/2'dir; bu örnekte 10-3=7 (_nmoments, 986–992).

Neden fixed.x?

Regresyondaki gibi dışsal değişkenler "verili" sayılır; dağılımları modellenmez, normal olmaları gerekmez (ör. kukla değişken). Ayrıca parametre sayısı ve olası Heywood durumları azalır. GLS ve WLS'de MerQur dışsal momentleri serbest kestirir (lavaan bu kestiricilerde fixed.x = FALSE davranışına geçer); ML ve MLM'de sabittir.

124.5.2 Uyum ölçüleri: GFI, AGFI, NFI

YEM'deki \chi^2, CFI, TLI, RMSEA (%90 GA, PCLOSE), SRMR, AIC ve BIC'e ek olarak yol paneli Jöreskog–Sörbom ölçülerini ve NFI'yı basar (path_analysis.py:945–957):

\text{GFI}=1-\frac{\operatorname{tr}\big[(\hat{\boldsymbol\Sigma}^{-1}\mathbf S-\mathbf I)^2\big]}{\operatorname{tr}\big[(\hat{\boldsymbol\Sigma}^{-1}\mathbf S)^2\big]},\qquad \text{AGFI}=1-\frac{p(p+1)}{2\,\text{sd}}(1-\text{GFI}),\qquad \text{NFI}=1-\frac{\chi^2}{\chi^2_B}
  • \mathbf S ve \hat{\boldsymbol\Sigma} dışsal blok dahil tüm p\times p matrislerdir (N bölenli \mathbf S).
  • GFI ve AGFI yalnız liste bazında hesaplanır; FIML'de tanımsızdır ("—").
  • Doymuş modelde AGFI tanımsızdır.
  • CFI, [0{,}1] aralığına kırpılır (path_analysis.py:941–942).

lavaan'ın GFI'ı ile karşılaştırma

MerQur GFI/AGFI'yı Jöreskog–Sörbom'un tam p\times p matris tanımıyla (dışsal blok dahil) hesaplar ve kullanılan tanımı çıktıda yazar (js_gfi_agfi, path_analysis.py:115–132); bu değer lavaan gfi_lisrel ile karşılaştırılamaz. lavaan 0.7.2 bu modelde fixed.x = TRUE iken GFI = 1,000 ve AGFI = 0,293; fixed.x = FALSE iken GFI = 0,927 ve AGFI = 0,250 verir; iki çıktı kendi içinde AGFI formülüyle tutarsızdır. MerQur'un değerleri (0,925004 ve 0,250036) yukarıdaki tam matris formülünün kendi içinde tutarlı sonucudur ve bağımsız Python hesabıyla aynıdır. GFI/AGFI bu nedenle doğrulama tablosuna R değeriyle konmamıştır; raporlamada CFI, RMSEA ve SRMR tercih edilmelidir.

124.5.3 Özyinelemeli modelde ML = denklem denklem OLS

Model özyinelemeli (döngüsüz) ve içsel artıklar ilişkisizse ML yol kestirimleri, her denklemin OLS katsayısına eşittir; artık varyans N paydalı artık kareler ortalamasıdır:

\hat{\boldsymbol\beta}_j=\mathbf S_{\mathcal P\mathcal P}^{-1}\mathbf s_{\mathcal P j},\qquad \hat\psi_{jj}=s_{jj}-\mathbf s_{j\mathcal P}\mathbf S_{\mathcal P\mathcal P}^{-1}\mathbf s_{\mathcal P j},\qquad \SH(\hat\beta_{jk})=\sqrt{\frac{\hat\psi_{jj}\,[\mathbf S_{\mathcal P\mathcal P}^{-1}]_{kk}}{N}}
  • \mathcal P: j. denklemin açıklayıcıları; \mathbf S N bölenli.
  • SH, OLS SH'sinden \sqrt{(N-k-1)/N} oranında küçüktür: ML artık varyansı serbestlik derecesi düzeltmesi yapmaz ve dağılım t değil z'dir.

Neden eşit?

Özyinelemeli modelde \lvert\mathbf I-\mathbf B\rvert=1 ve ortak olabilirlik, denklemlerin koşullu olabilirliklerinin toplamına ayrışır; her denklemin koşullu ML'si normal regresyonun ML'sidir, yani OLS'dir. Uyum testi bu yüzden yalnız dışlanan yolların (ve sıfır varsayılan artık kovaryansların) sınamasıdır.

124.5.4 Etki ayrıştırması ve delta yöntemi

\mathbf B tüm değişkenler arası yol matrisi (B_{ij}: j\to i) ise (Bollen 1987; path_indirect._total, 206–208):

\mathbf T=(\mathbf I-\mathbf B)^{-1}-\mathbf I,\qquad \text{toplam dolaylı}=\mathbf T-\mathbf B,\qquad \text{özgül dolaylı}(x\to m_1\to\dots\to y)=\prod_{\text{zincir}}B_{\text{hedef},\,\text{kaynak}}
e^{\text{std.all}}=e\,\frac{\hat\sigma_x}{\hat\sigma_y},\qquad e^{\text{std.nox}}=\frac{e}{\hat\sigma_y}\ (x\ \text{dışsal ise}),\qquad \widehat{\operatorname{Var}}(e)=\mathbf J\,\widehat{\operatorname{Var}}(\hat{\boldsymbol\theta})\,\mathbf J^{\top}
  • Zincirler modelden otomatik bulunur (derinlik öncelikli arama; en çok 500 zincir, find_chains, 81–114).
  • \hat\sigma: model-örtük SS (\hat{\boldsymbol\Sigma}'nın köşegeni).
  • \mathbf J: etki vektörünün \boldsymbol\theta'ya göre sayısal Jacobian'ı (h=10^{-6}\max(1,\lvert\theta\rvert); compute_indirect, 313–316); \widehat{\operatorname{Var}}(\hat{\boldsymbol\theta}) ML'de beklenen bilginin tersi, MLR'de sandviç.
  • Özyinelemeli modelde toplam dolaylı etki, özgül dolaylı etkilerin toplamına eşittir; MerQur bunu değişmez olarak denetler (compute_indirect, 377–381).

124.5.5 Kestiriciler: ML, MLR, MLM, GLS, WLS

ML ve MLR 89.5'teki gibidir. MLM, GLS ve WLS stats/path_moments.py ile, kovaryans momentleri (\mathbf s=\operatorname{vech}\mathbf S) üzerinden kestirilir (fit_estimator, 172–277):

F_{GLS}=\big(\mathbf s-\boldsymbol\sigma(\boldsymbol\theta)\big)^{\top}\mathbf W_S\big(\mathbf s-\boldsymbol\sigma(\boldsymbol\theta)\big),\quad \mathbf W_S=\tfrac12\mathbf D^{\top}\big(\mathbf S^{-1}\otimes\mathbf S^{-1}\big)\mathbf D,\quad T=(N-1)F,\quad \widehat{\operatorname{Var}}=\frac{(\boldsymbol\Delta^{\top}\mathbf W_S\boldsymbol\Delta)^{-1}}{N-1}
F_{WLS}=\big(\mathbf s-\boldsymbol\sigma\big)^{\top}\Big(\tfrac{N-1}N\hat{\boldsymbol\Gamma}\Big)^{-1}\big(\mathbf s-\boldsymbol\sigma\big),\qquad T=NF,\qquad \widehat{\operatorname{Var}}=\frac{(\boldsymbol\Delta^{\top}\mathbf W\boldsymbol\Delta)^{-1}}N
\text{MLM:}\ \ \widehat{\operatorname{Var}}=\frac{\mathbf E^{-1}\boldsymbol\Delta_c^{\top}\mathbf W\boldsymbol\Gamma_x\mathbf W\boldsymbol\Delta_c\mathbf E^{-1}}N,\qquad c=\frac{\operatorname{tr}(\mathbf U\boldsymbol\Gamma_x)}{\text{sd}},\qquad \mathbf U=\mathbf W-\mathbf W\boldsymbol\Delta_c\mathbf E^{-1}\boldsymbol\Delta_c^{\top}\mathbf W,\qquad T_{SB}=\frac{\chi^2_{ML}}c
  • \mathbf D: çoğaltma (duplication) matrisi; \boldsymbol\Delta=\partial\boldsymbol\sigma/\partial\boldsymbol\theta^{\top}.
  • \hat{\boldsymbol\Gamma}: bireysel \operatorname{vech}\big[(\mathbf y_i-\bar{\mathbf y})(\mathbf y_i-\bar{\mathbf y})^{\top}\big] vektörlerinin N bölenli kovaryansı (ADF ağırlığı).
  • MLM'de \mathbf W=\tfrac12\mathbf D^{\top}(\hat{\boldsymbol\Sigma}^{-1}\otimes\hat{\boldsymbol\Sigma}^{-1})\mathbf D, \boldsymbol\Delta_c yalnız serbest (çekirdek) parametreler, \mathbf E=\boldsymbol\Delta_c^{\top}\mathbf W\boldsymbol\Delta_c.
  • \boldsymbol\Gamma_x: dışsal değişkenlere koşullu \Gamma (lavaan lav_samp_gamma, fixed.x): z_i=\operatorname{vech}(\mathbf y_{ci}\mathbf y_{ci}^{\top})-\operatorname{vech}(\hat{\mathbf y}_{ci}\hat{\mathbf y}_{ci}^{\top}), \hat{\mathbf y} içsel değişkenlerin dışsallar üzerine OLS uyumu (_gamma_fixed_x, 151–164).
  • GLS ve WLS'de dışsal momentler serbesttir; WLS'de kestirimler ML'den farklıdır.

Koddaki tercih: MLM'de fixed.x

MLM, lavaan varsayılanı olan fixed.x = TRUE ile çalışır: dışsal değişkenlerin momentleri gözlenen değerlerine sabitlenir (path_moments.py:224–239). Yol tablosundaki SH/z/p/GA, seçilen kestiricinin değerleriyle değiştirilir (path_analysis.py:1011–1021); ana uyum indeksleri (CFI, RMSEA vb.) ve std.all ise ML temellidir. MLR'de de aynı ilke geçerlidir; sonuç metni bunu not olarak yazar.

124.5.6 Bootstrap ve GA türleri

B yeniden örneklemin her birinde (tohum s ile RandomState(s).choice(n, n)) model path_moments ML'siyle yeniden kestirilir (MLR'de nokta kestirimi ML ile aynıdır; GLS/WLS'de kendi kestiricileriyle) ve tüm etkiler yeniden hesaplanır (boot_draws_moments, 518–537). Yakınsamayan örneklemler dışlanır ve sayılır.

\SH_{boot}=\sqrt{\frac1B\sum_b\big(e^{*}_b-\bar e^{*}\big)^2},\qquad z_{boot}=\frac{\hat e}{\SH_{boot}},\qquad Q_a=t_{(k)}+\frac{\Phi^{-1}(a)-\Phi^{-1}\big(\tfrac{k}{B+1}\big)}{\Phi^{-1}\big(\tfrac{k+1}{B+1}\big)-\Phi^{-1}\big(\tfrac{k}{B+1}\big)}\big(t_{(k+1)}-t_{(k)}\big)
  • \SH_{boot}: B paydalı (lavaan ile aynı); YEM paneli de aynı tanımı kullanır (89.5.9).
  • Q_a: boot::norm.inter yüzdeliği; k=\lfloor(B+1)a\rfloor, t_{(k)} k. sıra istatistiği. (B+1)a tam sayıysa doğrudan t_{(k)} alınır (norm_inter, 244–266).
  • Yüzdelik GA: [Q_{\alpha/2},Q_{1-\alpha/2}]. Temel: [2\hat e-Q_{1-\alpha/2},\ 2\hat e-Q_{\alpha/2}]. Normal: (\hat e-\text{yanlılık})\pm z\,\SH_{boot}. Yanlılık düzeltmeli (bca.simple): w=\Phi^{-1}\big(\#\{e^{*}<\hat e\}/B\big), uçlar \Phi(2w+z_{\alpha/2}) ve \Phi(2w+z_{1-\alpha/2}) yüzdelikleri (ivme yok; boot_ci, 269–294).

Neden `norm.inter`?

Sıra istatistiği yüzdeliği, (B+1)a tam sayı değilse iki komşu sıra istatistiği arasında ara değer ister. norm.inter bu ara değeri doğrusal ölçek yerine normal ölçekte yapar; uçlarda (küçük a) dağılımın kuyruk biçimini daha iyi izler. lavaan ve boot paketi bu tanımı kullanır; MerQur yol panelinde aynısını uygular.

124.5.7 Modifikasyon indeksleri ve artık korelasyonlar

MI, 89.5.10'daki skor testidir (modindices_engine, path_moments.py:388–424); yol modelinde adaylar dışlanmış yollar ve içsel artık kovaryanslardır. Artık korelasyonlar r_{ab}-\hat\rho_{ab} matrisidir. MI listesinde ters yönlü (döngü kuran) adaylar da yer alır (lavaan da listeler); bunlar özyinelemeli modeli bozar ve kuramsal olarak ayrıca değerlendirilmelidir.

124.6 Elle hesap: Tıp verisinde sayısal yürüyüş

Ara değerler dogrulama/path_analysis/elle_hesap.py (ML, MLR, MI, bootstrap) ve elle_kestiriciler.py (GLS, WLS, MLM) ile hesaplanmıştır; ikisi de MerQur'u çağırmaz (model dogrulama/sem/sem_bagimsiz.py, \boldsymbol\Lambda=\mathbf I, \boldsymbol\Theta=\mathbf 0).

Adım 1 — Momentler. Değişken sırası (intention, behavior, attitude, info); N=220, N bölenli kovaryans:

\mathbf S=\begin{pmatrix}0{,}376466 & 0{,}246274 & 0{,}340833 & 0{,}314944\\ 0{,}246274 & 0{,}368691 & 0{,}234750 & 0{,}225540\\ 0{,}340833 & 0{,}234750 & 0{,}516005 & 0{,}347641\\ 0{,}314944 & 0{,}225540 & 0{,}347641 & 0{,}530846\end{pmatrix}

Moment sayısı 10; sabit dışsal moment 3; serbest parametre 6 (4 yol, 2 artık varyans); sd =10-3-6=1.

Adım 2 — Yollar (ML = OLS). intention denklemi:

\hat a=\frac{0{,}340833}{0{,}516005}=0{,}660523,\qquad \hat\psi_{int}=0{,}376466-0{,}660523^2(0{,}516005)=0{,}151338
\SH(\hat a)=\sqrt{\frac{0{,}151338}{220\times0{,}516005}}=0{,}036512,\qquad z=18{,}091

behavior denklemi (info, attitude, intention üzerine regresyon): \hat b_{info}=0{,}064216 (SH 0,056169), \hat b_{att}=0{,}037467 (SH 0,077095), \hat b_{int}=0{,}566530 (SH 0,078638); \hat\psi_{beh}=0{,}205891.

Adım 3 — Standartlaştırma ve R^2. Model-örtük SS'ler: \hat\sigma_{int}=\sqrt{0{,}376466}; behavior için \hat\sigma^2_{beh}=0{,}362483 (gözlenen 0,368691'den farklı: dışlanan yol yüzünden model behavior varyansını tam üretmez).

a^{*}=0{,}660523\,\frac{\sqrt{0{,}516005}}{\sqrt{0{,}376466}}=0{,}773307,\qquad R^2_{int}=1-\frac{0{,}151338}{0{,}376466}=0{,}598003,\qquad R^2_{beh}=0{,}431999

std.all: b_{int}^{*}=0{,}577353, b_{info}^{*}=0{,}077712, b_{att}^{*}=0{,}044703.

Adım 4 — Uyum. \chi^2=N F_{ML}=38{,}922526, sd = 1, p=4{,}41\times10^{-10}. Bağımsızlık modelinde (içsel varyanslar serbest, dışsal blok sabit) \chi^2_B=367{,}585798, sd_B=10-3-2=5:

\text{CFI}=1-\frac{37{,}922526}{362{,}585798}=0{,}895411,\qquad \text{TLI}=\frac{73{,}517160-38{,}922526}{73{,}517160-1}=0{,}477054
\text{RMSEA}=\sqrt{\frac{37{,}922526}{1\times220}}=0{,}415181,\qquad \text{NFI}=1-\frac{38{,}922526}{367{,}585798}=0{,}894113

RMSEA %90 GA [0,309723; 0,531515], PCLOSE 1{,}93\times10^{-8}, SRMR 0,069902, GFI 0,925004, AGFI 1-\tfrac{4\cdot5}{2\cdot1}(1-0{,}925004)=0{,}250036. \ell=-242{,}781716 (dışsal marjinal çıkarılmış), AIC =485{,}563433+12=497{,}563433, BIC 517,925198.

Uyum kötüdür: tek dışlanan yol (intention ~ info) verideki güçlü ilişkiyle (r=0{,}70) çelişir. MI bunu doğrudan gösterir: intention ~ info için MI = 35,674 (EPC 0,287625); bu yol eklenince model doymuş olur ve \chi^2 sıfıra iner (sd 1 olduğundan MI ≈ \chi^2).

Adım 5 — Dolaylı ve toplam etki. Tek zincir attitude → intention → behavior:

\widehat{ab}=0{,}660523\times0{,}566530=0{,}374206,\qquad \widehat{\operatorname{tot}}=0{,}037467+0{,}374206=0{,}411673

Delta SH: \SH(ab)=0{,}055910 (z=6{,}693), Wald %95 GA [0,264625; 0,483786]; toplam SH 0,060610. std.all: ab^{*}=0{,}374206\times\sqrt{0{,}516005/0{,}362483}=0{,}446471 (SH 0,059478), toplam 0,491174.

Adım 6 — Bootstrap (B = 1000, tohum 42, yüzdelik). (B+1)\times0{,}025=25{,}025, yani alt sınır 25. ve 26. sıra istatistikleri arasında normal ölçekte ara değerdir.

Etki Bootstrap SH (B paydalı) %95 yüzdelik GA (norm.inter)
ab 0,059161 [0,262007; 0,490117]
ab (std.all) 0,065672 [0,317259; 0,577616]
Toplam 0,060714 [0,292783; 0,531192]

lavaan'ın kendi bootstrap'ı (se = "bootstrap", R'de set.seed(42), 1000 örneklem) farklı rastgele örneklemlerle [0,259669; 0,489601] ve SH 0,058642 verir: aynı düzeyde, ama birebir değil.

Adım 7 — Sağlam ve alternatif kestiriciler.

Kestirici T c b_{int} SH(b_{int}) SH(a)
ML 38,922526 — 0,566530 0,078638 0,036512
MLR 40,965167 (T_{YB}) 0,950137 0,566530 0,081881 0,033143
MLM 53,972735 (T_{SB}) 0,721152 0,566530 0,076882 0,032166
GLS 30,556762 — 0,566530 0,109326 0,036595
WLS 38,172525 — 0,600365 0,115427 0,030182

GLS'de nokta kestirimleri ML ile aynı, SH'ler farklıdır; WLS'de kestirimler de değişir. MLR dolaylı etki SH'si 0,056961'dir.

124.6.1 Doğrulama: MerQur, Python ve R

MerQur değerleri execute() sonucundan alınmıştır; yol tablosundaki 4 ondalık yuvarlama (round, p_yuvarla) doğrulama sırasında yalnız bellekte etkisizleştirilmiştir (dogrulama/path_analysis/merqur_calistir.py). R: 4.5.3, lavaan 0.7.2 (sem(), fitMeasures, parameterEstimates, standardizedSolution, modindices); bootstrap için MerQur'un 1000 yeniden örneklem indeksi R'ye aktarılmış, her örneklemde lavaan yeniden kestirilmiş ve boot:::norm.inter alınmıştır (r_dogrulama.R, r_est.R).

Yollar, std.all ve R^2:

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
b attitude → intention 0,660523 0,660523 0,660523 3,3e−16 ✓
SH attitude → intention 0,036512 0,036512 0,036512 9,7e−17 ✓
p attitude → intention 3,7830·10−73 3,7830·10−73 0,000000 3,8e−73 ✓ (mutlak 10⁻¹²; lavaan 2[1 − Φ(
std.all attitude → intention 0,773307 0,773307 0,773307 5,6e−16 ✓
b intention → behavior 0,566530 0,566530 0,566530 4,1e−11 ✓
SH intention → behavior 0,078638 0,078638 0,078638 1,5e−16 ✓
p intention → behavior 5,8358·10−13 5,8358·10−13 5,8353·10−13 4,6e−17 ✓ (mutlak 10⁻¹²; lavaan 2[1 − Φ(
std.all intention → behavior 0,577353 0,577353 0,577353 3,8e−11 ✓
b info → behavior 0,064216 0,064216 0,064216 3,9e−11 ✓
SH info → behavior 0,056169 0,056169 0,056169 2,8e−17 ✓
p info → behavior 0,252925 0,252925 0,252925 2,9e−10 ✓
std.all info → behavior 0,077712 0,077712 0,077712 4,7e−11 ✓
b attitude → behavior 0,037467 0,037467 0,037467 1,5e−12 ✓
SH attitude → behavior 0,077095 0,077095 0,077095 2,1e−16 ✓
p attitude → behavior 0,626975 0,626975 0,626975 1,4e−11 ✓
std.all attitude → behavior 0,044703 0,044703 0,044703 2,1e−12 ✓
Artık varyans intention 0,151338 0,151338 0,151338 1,7e−16 ✓
R^2 intention 0,598003 0,598003 0,598003 2,2e−16 ✓
Artık varyans behavior 0,205891 0,205891 0,205891 4,7e−16 ✓
R^2 behavior 0,431999 0,431999 0,431999 8,8e−12 ✓

Uyum ölçüleri ve MLR:

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
\chi^2 38,922526 38,922526 38,922526 4,0e−13 ✓
p (\chi^2) 4,4096·10−10 4,4096·10−10 4,4096·10−10 5,6e−19 ✓
CFI 0,895411 0,895411 0,895411 6,7e−16 ✓
TLI 0,477054 0,477054 0,477054 5,1e−15 ✓
NFI 0,894113 0,894113 0,894113 1,1e−15 ✓
RMSEA 0,415181 0,415181 0,415181 2,0e−15 ✓
RMSEA %90 GA alt 0,309723 0,309723 0,309723 2,2e−10 ✓
PCLOSE 1,9298·10−8 1,9298·10−8 1,9298·10−8 3,1e−18 ✓
SRMR 0,069902 0,069902 0,069902 3,4e−12 ✓
AIC 497,563433 497,563433 497,563433 2,8e−13 ✓
BIC 517,925198 517,925198 517,925198 1,1e−13 ✓
RMSEA %90 GA üst 0,531515 0,531515 0,531515 5,6e−08 ✓ (R kök bulma toleransı 10⁻⁷)
MLR ölçekleme katsayısı — 0,950137 0,950137 2,0e−10 ✓
MLR \chi^2_{YB} — 40,965167 40,965167 8,5e−09 ✓
MLR CFI (ölçekli) — 0,891415 0,891415 2,4e−11 ✓
MLR RMSEA (ölçekli) — 0,426216 0,426216 4,5e−11 ✓
MLR SH attitude → intention 0,033143 0,033143 0,033143 2,9e−12 ✓
MLR SH intention → behavior 0,081881 0,081881 0,081881 1,9e−11 ✓
MLR SH info → behavior 0,059367 0,059367 0,059367 9,5e−13 ✓
MLR SH attitude → behavior 0,068291 0,068291 0,068291 2,6e−12 ✓

Dolaylı etkiler, bootstrap ve MI:

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Dolaylı ab 0,374206 0,374206 0,374206 2,7e−11 ✓
Dolaylı SH (delta) 0,055910 0,055910 0,055910 2,9e−12 ✓
Dolaylı std.all 0,446471 0,446471 0,446471 2,9e−11 ✓
Dolaylı std.all SH 0,059478 0,059478 0,059478 4,4e−10 ✓
Toplam c' + ab 0,411673 0,411673 0,411673 2,6e−11 ✓
Toplam SH (delta) 0,060610 0,060610 0,060610 9,4e−13 ✓
Toplam std.all 0,491174 0,491174 0,491174 2,7e−11 ✓
Dolaylı SH (MLR) 0,056961 0,056961 0,056961 1,6e−11 ✓
Bootstrap SH, dolaylı 0,059161 0,059161 0,059161 1,8e−12 ✓
Bootstrap %95 alt, dolaylı 0,262007 0,262007 0,262007 8,1e−13 ✓
Bootstrap %95 üst, dolaylı 0,490117 0,490117 0,490117 3,1e−12 ✓
Bootstrap %95 alt, dolaylı std.all 0,317259 0,317259 0,317259 4,9e−12 ✓
Bootstrap %95 üst, dolaylı std.all 0,577616 0,577616 0,577616 1,8e−12 ✓
Bootstrap %95 alt, toplam 0,292783 0,292783 0,292783 3,8e−13 ✓
Bootstrap %95 üst, toplam 0,531192 0,531192 0,531192 2,5e−12 ✓
MI intention ← info 35,674 35,673807 35,673807 1,1e−13 ✓ (3 ondalık)
EPC intention ← info 0,2876 0,287625 0,287625 1,1e−16 ✓ (4 ondalık)

MLM, GLS ve WLS:

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
MLM: test istatistiği T 38,922526 38,922526 38,922526 4,0e−13 ✓
MLM: ölçekleme katsayısı c 0,721152 0,721152 0,721152 2,7e−15 ✓
MLM: T_{SB} 53,972735 53,972735 53,972735 5,7e−13 ✓
MLM: b attitude → intention 0,660523 0,660523 0,660523 7,8e−16 ✓
MLM: SH attitude → intention 0,032166 0,032166 0,032166 2,8e−17 ✓
MLM: b intention → behavior 0,566530 0,566530 0,566530 5,7e−12 ✓
MLM: SH intention → behavior 0,076882 0,076882 0,076882 7,3e−15 ✓
MLM: b info → behavior 0,064216 0,064216 0,064216 1,9e−12 ✓
MLM: SH info → behavior 0,055702 0,055702 0,055702 1,3e−14 ✓
MLM: b attitude → behavior 0,037467 0,037467 0,037467 2,7e−12 ✓
MLM: SH attitude → behavior 0,086136 0,086136 0,086136 8,4e−15 ✓
GLS: test istatistiği T 30,556762 30,556762 30,556762 6,4e−14 ✓
GLS: b attitude → intention 0,660523 0,660523 0,660523 4,9e−09 ✓ (lavaan nlminb yakınsama)
GLS: SH attitude → intention 0,036595 0,036595 0,036595 4,7e−10 ✓ (lavaan nlminb yakınsama)
GLS: b intention → behavior 0,566530 0,566530 0,566530 2,4e−13 ✓ (lavaan nlminb yakınsama)
GLS: SH intention → behavior 0,109326 0,109326 0,109326 2,8e−10 ✓ (lavaan nlminb yakınsama)
GLS: b info → behavior 0,064216 0,064216 0,064216 2,7e−13 ✓ (lavaan nlminb yakınsama)
GLS: SH info → behavior 0,078088 0,078088 0,078088 1,3e−09 ✓ (lavaan nlminb yakınsama)
GLS: b attitude → behavior 0,037467 0,037467 0,037467 3,5e−13 ✓ (lavaan nlminb yakınsama)
GLS: SH attitude → behavior 0,113419 0,113419 0,113419 9,7e−10 ✓ (lavaan nlminb yakınsama)
WLS: test istatistiği T 38,172525 38,172525 38,172525 2,8e−14 ✓
WLS: b attitude → intention 0,630838 0,630838 0,630838 2,7e−09 ✓ (lavaan nlminb yakınsama)
WLS: SH attitude → intention 0,030182 0,030182 0,030182 3,4e−10 ✓ (lavaan nlminb yakınsama)
WLS: b intention → behavior 0,600365 0,600365 0,600365 2,0e−09 ✓ (lavaan nlminb yakınsama)
WLS: SH intention → behavior 0,115427 0,115427 0,115427 1,2e−09 ✓ (lavaan nlminb yakınsama)
WLS: b info → behavior 0,072257 0,072257 0,072257 5,4e−09 ✓ (lavaan nlminb yakınsama)
WLS: SH info → behavior 0,076407 0,076407 0,076407 7,4e−10 ✓ (lavaan nlminb yakınsama)
WLS: b attitude → behavior 0,023224 0,023224 0,023224 2,5e−09 ✓ (lavaan nlminb yakınsama)
WLS: SH attitude → behavior 0,107563 0,107563 0,107563 7,8e−10 ✓ (lavaan nlminb yakınsama)

86 satırın tümü ölçütü karşılar. Çok küçük p değerlerinde lavaan 2[1-\Phi(\lvert z\rvert)] biçiminde hesapladığı için 10^{-13} altında kesilir (intention ~ attitude için 0); bu satırlar mutlak 10^{-12} toleransla karşılaştırılmıştır. GLS ve WLS'de lavaan'ın nlminb yakınsaması 10^{-8} düzeyinde fark bırakır. MI ve EPC, MerQur'un ek çıktı metnindeki gösterim ondalığında karşılaştırılmıştır.

124.7 Çıktıyı okuma

Sonuç metni (varsayılan ayarlar + bootstrap B = 1000, kısaltılmış):

══ YOL ANALİZİ — ÇOKLU YOL MODELİ ══
n               : 220
── YOL KATSAYILARI ──
Bağımlı  Bağımsız  β  SE  z  p  %95 GA  ★
behavior  info  0.0642  0.0562  1.143  0.2529  [-0.046, 0.174]  
behavior  attitude  0.0375  0.0771  0.486  0.6270  [-0.114, 0.189]  
behavior  intention  0.5665  0.0786  7.204  <0.0001  [0.412, 0.721]  ★
intention  attitude  0.6605  0.0365  18.091  <0.0001  [0.589, 0.732]  ★
── TAM STANDARTLAŞTIRILMIŞ YOL KATSAYILARI ──
behavior              intention                     0.5774
intention             attitude                      0.7733
── İÇSEL DEĞİŞKENLERİN R² DEĞERLERİ ──
  behavior                 R² = 0.4320
  intention                R² = 0.5980
── ÖZGÜL DOLAYLI, TOPLAM DOLAYLI VE TOPLAM ETKİLER ──
attitude → intention → behavior  0.3742  0.0559  6.693  <0.0001  [0.2646, 0.4838]  0.4465  0.0595
Bootstrap (Yüzdelik; B = 1000, kullanılan örneklem = 1000):
attitude → intention → behavior  0.3742  0.0592  <0.0001  [0.2620, 0.4901]  [0.3173, 0.5776]
attitude ⇒ behavior (Toplam)  0.4117  0.0607  <0.0001  [0.2928, 0.5312]  [0.3576, 0.6081]
── UYUM İNDEKSLERİ ──
χ²              = 38.9225
df              = 1
χ² p            < 0.0001
CFI             = 0.8954
TLI             = 0.4771
RMSEA           = 0.4152  (payda N)
RMSEA %90 GA     = [0.3097, 0.5315], PCLOSE = <0.0001  (Steiger; N ile)
SRMR            = 0.0699
GFI             = 0.9250
AGFI            = 0.2500
NFI             = 0.8941
GENEL UYUM: KÖTÜ
Öğe Nasıl yorumlanır
β, SE, z, p, GA Ham ölçekte yol katsayısı; ★ p<\alpha. Seçilen kestirici MLM/MLR/GLS/WLS ise SH ve p o kestiricidendir.
Tam standartlaştırılmış Değişkenlerin SS birimlerinde etki; yollar arası karşılaştırma için.
R^2 İçsel değişkenin model-örtük varyansında açıklanan oran.
Özgül dolaylı / toplam Delta SH ve Wald GA; bootstrap açıksa ayrıca bootstrap SH ve GA (standartlaştırılmış GA dahil). Karar için bootstrap GA önerilir.
\chi^2, CFI, TLI, RMSEA, SRMR sd = 1 olan modelde \chi^2 tek dışlanan yolun sınamasıdır. Burada model reddedilir; SRMR'nin "iyi" görünmesi (0,070) tek bir büyük artığın ortalama içinde seyrelmesinden kaynaklanır.
GFI, AGFI, NFI Tarihsel ölçüler; AGFI sd'si küçük modelde çok düşer.
GENEL UYUM \chi^2 p, CFI, RMSEA ve TLI'dan puanlanan etiket (_interpret_fit, 268–328); SRMR puana katılmaz.

APA biçiminde rapor cümlesi (Türkçe ondalıkla):

Tutumun davranış niyeti üzerinden sağlık davranışını yordadığı yol modeli en çok olabilirlik yöntemiyle kestirildi (N = 220). Model, bilgi düzeyinden niyete giden yolu dışladığı için veriyle uyuşmadı, \chi^2(1, N = 220) = 38{,}92, p < 0{,}001, CFI = 0,895, RMSEA = 0,415, %90 GA [0,310; 0,532], SRMR = 0,070; modifikasyon indeksi bu yolun eklenmesini önerdi (MI = 35,67). Kestirilen modelde tutum niyeti (\beta = 0{,}77, p < 0{,}001), niyet de davranışı (\beta = 0{,}58, p < 0{,}001) yordadı; tutumun (\beta = 0{,}04, p = 0{,}627) ve bilginin (\beta = 0{,}08, p = 0{,}253) davranış üzerindeki doğrudan etkileri anlamlı değildi. Tutumun niyet üzerinden dolaylı etkisi anlamlıydı, ab = 0{,}37, %95 bootstrap GA [0,26; 0,49] (1000 yeniden örneklem), standartlaştırılmış dolaylı etki = 0,45.

124.8 Uzman soruları

S1. Bu katsayılar ayrı OLS regresyonlarından farklı mı?

Nokta kestirimleri aynıdır (özyinelemeli model, ilişkisiz artıklar; 124.5.3). SH'ler farklıdır: ML N paydalı artık varyans ve normal dağılım kullanır, OLS N-k-1 ve t dağılımı. intention ~ attitude için ML SH 0,036512, OLS SH 0{,}036512\sqrt{220/218}=0{,}036679'dur. Fark küçük örneklemde büyür.

S2. Modelin reddedilmesi dolaylı etkiyi geçersiz kılar mı?

Dolaylı etki kestirimi modelin doğru olduğu varsayımına dayanır. Burada dışlanan intention ~ info yolu eklenirse a ve b yeniden kestirilir (niyet artık bilgiye de bağlıdır); dolaylı etki değişir ve bilgi için ikinci bir dolaylı zincir doğar. Uyumsuz modelde dolaylı etkiyi raporlamak yanıltıcıdır; önce model kuramsal gerekçeyle düzeltilmelidir.

S3. Bootstrap GA'sı neden lavaan'ınkiyle aynı değil?

Yeniden örneklemler farklıdır: MerQur numpy.random.RandomState(42).choice, lavaan R'nin üreticisini kullanır. Tanım (B paydalı SH, norm.inter yüzdeliği) aynıdır: MerQur'un örneklemleri R'de yeniden kestirildiğinde sonuçlar 10^{-12} düzeyinde aynıdır. Kendi tohumlarıyla iki program [0,2620; 0,4901] ve [0,2597; 0,4896] verir; bu, B = 1000'de beklenen Monte Carlo değişkenliğidir.

S4. MLM ölçekleme katsayısı 0,72 iken MLR'ninki 0,95; neden bu kadar farklı?

İkisi farklı \Gamma kestirimlerine dayanır. MLM beklenen bilgi ve dışsal değişkenlere koşullu dördüncü moment matrisi \boldsymbol\Gamma_x kullanır; MLR gözlenen bilgi ve bireysel skorlarla çalışır. sd = 1 gibi tek kısıtlı bir modelde c tek bir yöndeki basıklık bilgisine dayanır ve iki tanım arasındaki fark büyüyebilir. lavaan aynı iki değeri verir; fark kodun değil yöntemin özelliğidir.

S5. RMSEA paydası seçeneği neyi değiştirir?

Yalnız RMSEA'nın nokta değerini: N (varsayılan; lavaan) ya da N-1 (semopy). %90 GA ve PCLOSE her durumda N ile hesaplanır, yani N-1 seçildiğinde nokta değer ile GA tutarsız olabilir. Büyük N'de fark ihmal edilebilir; burada 0{,}415181'e karşı 0{,}416128.

S6. std.all ile std.nox arasında ne fark var?

std.all hem x'i hem y'yi SS birimine çevirir; std.nox dışsal x'i ham birimde bırakır (ikili kukla gibi SS'si anlamsız dışsal değişkenler için). fixed.x = TRUE olan ML/MLM'de std.nox = e/\hat\sigma_y; GLS/WLS'de dışsal momentler serbest olduğu için lavaan kuralıyla std.nox = std.all olur ve MerQur bunu notla belirtir.

S7. MI listesinde neden `intention ~ behavior` de var?

Skor testi her sabit-sıfır yol için hesaplanır; ters yönlü yol modelde döngü kurar ve aynı sd = 1 kısıtını farklı biçimde gevşettiği için aynı MI'yı (35,674) verir. Eşdeğer modeller verinin ayırt edemediği seçeneklerdir; seçim kurama dayanmalıdır. lavaan da aynı adayları listeler.

S8. FIML'de neden bootstrap yok?

Yol panelinin bootstrap'ı tam veri moment motorunu (path_moments) kullanır; eksik veri örüntülerini yeniden örneklemek ve her örneklemde FIML kestirmek uygulanmamıştır. FIML'de bootstrap istenirse uyarı basılır ve delta SH kullanılır. Eksik veride dolaylı etki için YEM panelinin := bootstrap'ı (FIML ile çalışır) kullanılabilir.

124.9 Sık hatalar ve tuzaklar

  • Şablonla elle düzenlemeyi karıştırmak. "Özel" dışındaki şablonlarda bir değişken kutusunu değiştirmek model metnini yeniden üretir; elle eklenen satırlar kaybolur.
  • SRMR iyi diye modeli kabul etmek. sd'si 1 olan bir modelde tek büyük artık, ortalamaya bölünerek seyrelir; \chi^2 ve RMSEA burada açıkça reddeder.
  • Doymuş modelde uyum yorumlamak. sd = 0'da \chi^2=0, CFI = 1, RMSEA = 0 tanım gereğidir; model sınanmamıştır.
  • Kategorik dışsal değişkeni sayısal bırakmak. Veri sekmesinde "kategorik" işaretlenmezse 1/2/3 kodlu bir değişken doğrusal etkiyle girer.
  • MLM/GLS/WLS'de uyum indekslerini kestiriciye ait sanmak. Ana uyum bloğu ve std.all ML temellidir; seçilen kestiricinin test istatistiği ayrı bölümde yazılır.
  • Tablo sekmesindeki yuvarlamayı tam değer sanmak. Yol tablosu 4 ondalığa, p 6 ondalığa yuvarlanır (path_analysis.py:924–931).
  • Yüksek GFI'ya güvenmek. GFI 0,925 iken model açıkça reddedilir; GFI örneklem büyüklüğüne ve model büyüklüğüne duyarlıdır; ayrıca lavaan gfi_lisrel ile aynı tanımda değildir (124.5.2).

124.10 Kaynaklar

  • Bollen, K. A. (1987). Total, direct, and indirect effects in structural equation models. Sociological Methodology, 17, 37–69. https://doi.org/10.2307/271028
  • Bollen, K. A. (1989). Structural equations with latent variables. Wiley. https://doi.org/10.1002/9781118619179
  • Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
  • Jöreskog, K. G., & Sörbom, D. (1984). LISREL VI: Analysis of linear structural relationships by maximum likelihood, instrumental variables, and least squares methods. Scientific Software.
  • 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
  • Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods, 40(3), 879–891. https://doi.org/10.3758/BRM.40.3.879
  • Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1–36. https://doi.org/10.18637/jss.v048.i02
  • Satorra, A., & Bentler, P. M. (1994). Corrections to test statistics and standard errors in covariance structure analysis. A. von Eye & C. C. Clogg (Ed.), Latent variables analysis: Applications for developmental research içinde (ss. 399–419). Sage.
  • White, H. (1982). Maximum likelihood estimation of misspecified models. Econometrica, 50(1), 1–25. https://doi.org/10.2307/1912526
  • Wright, S. (1934). The method of path coefficients. The Annals of Mathematical Statistics, 5(3), 161–215. https://doi.org/10.1214/aoms/1177732676
  • 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