MerQuR+Başvuru Kitabı

126. Çok Düzeyli YEM ile Aracılık (MSEM)

Analiz kimliği: msem_mediation · Menü adı: Çok Düzeyli YEM ile Aracılık (MSEM) · Panel: gui/panels/analyses/msem_mediation.py (form 86–178, read_options 181–229, execute 234–244) · Motor: stats/msem.py, run_msem (satır 723–1061); olabilirlik _loglik_mats (120–157), kısıtsız model _fit_saturated (333–364), Newton _maximize (258–306)

126.1 Ne işe yarar

Kümelenmiş veride X → M → Y aracılığını iki düzeyli yapısal eşitlik modeliyle sınar (Preacher, Zyphur ve Zhang 2010). Birinci düzeyde ölçülen her değişken iki bileşene ayrılır: kümenin gizil (gözlenemeyen) ortalaması ve kümeden sapma. Aracılık modeli her bileşen için ayrı kurulur; böylece düzey içi (a_Wb_W) ve düzeyler arası (a_Bb_B) dolaylı etkiler ayrı ayrı kestirilir.

\mathbf y_{ij}=\boldsymbol\mu+\boldsymbol\eta_{B,j}+\boldsymbol\eta_{W,ij},\qquad \boldsymbol\Sigma_W=(\mathbf I-\mathbf B_W)^{-1}\boldsymbol\Psi_W(\mathbf I-\mathbf B_W)^{-\top},\qquad \boldsymbol\Sigma_B=(\mathbf I-\mathbf B_B)^{-1}\boldsymbol\Psi_B(\mathbf I-\mathbf B_B)^{-\top}
  • \mathbf y_{ij}: j. kümenin i. gözleminde birinci düzey değişkenler (1-1-1'de X, M, Y).
  • \boldsymbol\eta_{B,j}: kümenin gizil ortalamalarının sapması; \boldsymbol\eta_{W,ij}: küme içi sapma; ikisi bağımsız ve normal.
  • \mathbf B_W, \mathbf B_B: düzey içi ve düzeyler arası yol katsayıları (a, b, c'); \boldsymbol\Psi: artık varyansları.
  • İkinci düzeyde ölçülen değişkenler (2-1-1'de X) yalnız düzeyler arası modelde yer alır.

Sınanan hipotezler H_0: a_Wb_W=0, H_0: a_Bb_B=0 ve 1-1-1'de bağlamsal fark H_0: a_Bb_B-a_Wb_W=0'dır.

Ne zaman kullanılır?

  • Kümelenmiş veride düzeyler arası aracılık kestirilecek ve küme başına gözlem az ya da ICC düşükse: gözlenen küme ortalaması güvenilmez olur, gizil ortalama yanlılığı düzeltir.
  • Düzey içi ve düzeyler arası dolaylı etkilerin farkı (bağlamsal etki) sınanacaksa.
  • Model uyumu (χ², CFI, RMSEA, düzeye özgü SRMR) raporlanacaksa.

Ne zaman kullanılmaz?

  • Aracılığın kümeden kümeye değiştiği (rastgele a, b eğimleri) düşünülüyorsa: bu analiz rastgele kesişimli modeldir; Çok Düzeyli Aracılık (Bölüm 123) yığılmış modelle ab+\sigma_{ab} verir.
  • Küme sayısı çok azsa (MerQur J<3'te durur, J<30'da uyarır): düzeyler arası model J gözleme dayanır; Bölüm 123'ün REML ve Kenward–Roger seçenekleri küçük J'de daha güvenilirdir.
  • Eksik veride tam bilgi ML gerekiyorsa: liste bazında silme yapılır.
  • Y ikili ise: model normal kuram ML'dir.

Sık karıştırılan analizler. Bölüm 123'teki CWC + küme ortalamaları modeli aynı ayrışımı gözlenen ortalamalarla yapar. Gözlenen ortalama \bar X_j, gizil ortalamanın güvenilirliği \lambda_j=\tau_X/(\tau_X+\sigma^2_X/n_j) ile ölçülmüş hâlidir; bu yüzden onu yordayıcı olarak kullanan düzeyler arası eğim sıfıra doğru çekilir (Lüdtke ve ark. 2008). Tıp örneğinde a_B gözlenen ortalamayla 1,5577, gizil ortalamayla 1,6142'dir. Tek düzeyli Yol Analizi (Bölüm 124) ise kümelenmeyi yok sayar.

126.2 Varsayımlar ve veri türü

Varsayım Ne demek MerQur'da nasıl denetlenir
Sayısal değişkenler X, M, Y, kovaryatlar aralık ölçekli. Sayıya çevrilemeyen değerler yarıdan fazlaysa hata (msem.py:754–759).
Düzey uyumu 1-1-1'de X ve M küme içinde değişir; 2-1-1'de X, 2-2-1'de X ve M küme içinde sabittir; Y her zaman birinci düzeydir. _within_constant (450–455); çelişkide hata (775–794).
Çok değişkenli normallik Düzey içi ve düzeyler arası bileşenler normal; kümeler bağımsız. Denetlenmez.
Rastgele kesişimli model Eğimler kümeler arasında sabit. Kapsam gereği; notta belirtilir.
Yeterli küme ve gözlem Düzeyler arası model J gözlemle, düzey içi N-J serbestlikle kestirilir. J<3 hata (768–769); J<n_b+1 hata (807–808); N-J<p_1+1 hata (804–805); J<30 uyarı (829–830).
Tekil olmayan düzey içi kovaryans Birinci düzey değişkenler küme içinde doğrusal bağımlı olmamalı. Havuzlanmış küme içi korelasyon matrisinin en küçük özdeğeri <10^{-10} ise hata (821–828).

Eksik değer. Liste bazında silme; çıkarılan satır sayısı uyarıda (msem.py:762–765).

Uç durumlar.

  • Sabit X, M ya da Y hata; sabit kovaryat uyarıyla çıkarılır (770–773, 798–800).
  • Kovaryatlar küme içi sabitliğe göre birinci ya da ikinci düzey sayılır; birinci düzey kovaryat iki düzeyde de M ve Y'yi yordar, ikinci düzey kovaryat yalnız düzeyler arasında (795–801, _build_spec 465–481). Kovaryat listesinde yalnız sayısal sütunlar gösterilir (panel 129).
  • Newton yakınsamazsa uyarı; bilgi matrisi pozitif tanımlı değilse SH'ler ve GA'lar "—" (841–866). Ana kestirim yakınsamamışsa bootstrap yapılmaz ve delta GA verilir (949–951).
  • Negatif artık varyansı (Heywood) uyarıyla raporlanır (917–918); kısıtsız modelin düzeyler arası kovaryansı pozitif tanımlı değilse ayrı uyarı (1030–1031).

126.3 Parametreler

Varsayılanlar msem_mediation.py:86–229 kodundan okunmuştur; motor imzası (msem.py:723–727) aynı varsayılanları taşır.

Arayüz adı Varsayılan Ne yapar Sonucu nasıl değiştirir
Bağımsız (X), Aracı (M), Bağımlı (Y) ad ipucuyla Sayısal sütunlar. Model.
Küme değişkeni ad ipucu (kume, okul, ekip, id…) Kümeler. Ayrışım.
Kovaryatlar boş Sayısal; düzeyi veriden belirlenir. Yollar düzeltilir; df artar.
Tasarım 1-1-1 1-1-1 / 2-1-1 / 2-2-1. Hangi dolaylı etkiler tanımlı.
Doğrudan etki (c′) modelde açık Kapatılırsa her düzeyde c'=0 kısıtı. Model tam belirlenmiş olmaktan çıkar (df > 0); uyum sınanır.
Dolaylı etki GA'sı Monte Carlo Monte Carlo, delta, parametrik bootstrap, küme bootstrap. GA ve p.
Monte Carlo çekilişi 20000 MC çekiliş sayısı (motorda en az 100). MC GA kararlılığı.
Bootstrap örneği 1000 Bootstrap yineleme sayısı (motorda en az 50). Bootstrap GA.
Tohum 12345 MC ve bootstrap tohumu. Yeniden üretilebilirlik.
Güven düzeyi %95 Wald ve benzetim GA düzeyi. GA'lar.
Grafik Otomatik Dolaylı etki dağılımı ya da etki karşılaştırması. Yalnız grafik.

Koddaki tercih: kullanılmayan sayı seçenekleri ayar bloğuna

Seçilen GA yöntemi okumuyorsa (ör. delta seçiliyken MC çekiliş sayısı) varsayılandan farklı değer sonuç değiştirmez; "istenen/uygulanan" bloğuna yazılır (_kaydet_okunmayan, 247–264).

126.4 Tıp örneği

Tıp setinde iki düzeyli aracılık için ayrı dosya yoktur; Bölüm 123 ile aynı panel verisi kullanılmıştır, böylece iki yöntem doğrudan karşılaştırılabilir.

Dosya: english/datasets/Tip/117_panel_hba1c_metformin.xlsx (60 hasta × 8 vizit, dengeli).

Değişken Rol Tür Açıklama
metformin_g_day X sürekli vizitteki günlük doz (g)
bmi M sürekli vizitteki BMI
hba1c_pct Y sürekli vizitteki HbA1c (%)
patient_id küme 60 düzey hasta

2-1-1 ve 2-2-1 için türetilmiş hasta düzeyi değişkenler metformin_ort ve bmi_ort (hasta ortalamaları) kullanılmıştır (dogrulama/multilevel_mediation/veri.py).

n ve eksik değer: 480 gözlem, 60 küme, eksik yok.

Klinik soru: Metformin dozunun HbA1c'ye BMI üzerinden aracılı etkisi hasta içinde mi (doz değişince), hastalar arasında mı (yüksek ortalama dozla) ortaya çıkıyor; iki etki farklı mı?

Seçilen ayarlar: Arayüz varsayılanları (1-1-1, c' modelde, Monte Carlo 20000, tohum 12345, %95). Ayrıca delta GA, küme bootstrap (1000), c''siz model, 2-1-1 ve 2-2-1.

126.5 Formüller ve hesap adımları

MerQur sırası: veri denetimi → değişkenlerin kendi SS'lerine bölünmesi (sayısal koşullanma) → yeterli istatistikler (havuzlanmış küme içi SSCP, küme büyüklüğü sınıflarına göre küme ortalamalarının toplamları) → kısıtsız (doymuş) iki düzeyli ML → dışsal blokların bu çözüme sabitlenmesi → yapısal modelin Newton ile en büyüklenmesi → gözlenen bilgiyle SH → özgün ölçeğe dönüş → tanımlı etkiler (delta; MC ya da bootstrap) → uyum ölçüleri, ICC, R^2.

126.5.1 İki düzeyli olabilirlik

Küme j'nin n_j gözlemi Helmert dönüşümüyle iki bağımsız parçaya ayrılır: n_j-1 küme içi karşıtlık (kovaryansı \boldsymbol\Sigma_W) ve küme ortalaması (kovaryansı \boldsymbol\Sigma_B+\boldsymbol\Sigma_W/n_j). Log-olabilirlik kesin olarak (_loglik_mats, 120–157):

\begin{gathered}\ell=\sum_j\Big\{-\tfrac12\big[(n_j-1)\log|\boldsymbol\Sigma_W|+\operatorname{tr}(\boldsymbol\Sigma_W^{-1}\mathbf W_j)\big]-\tfrac12\big[\log|\mathbf V_j|+\mathbf d_j^{\top}\mathbf V_j^{-1}\mathbf d_j\big]\Big\}+c\\[4pt] \mathbf V_j=\boldsymbol\Sigma_B+\mathbf E\,\frac{\boldsymbol\Sigma_W}{n_j}\,\mathbf E^{\top},\qquad \mathbf d_j=(\mathbf z_j,\bar{\mathbf y}_j)-\boldsymbol\mu_B,\qquad c=-\tfrac{p_1}{2}\sum_j\log n_j-\tfrac12\sum_j(n_jp_1+q)\log 2\pi\end{gathered}
  • \mathbf W_j: j. kümenin küme içi SSCP matrisi; \sum_j\mathbf W_j=\mathbf W havuzlanmış matristir (_make_stats, 88–117).
  • \mathbf z_j: ikinci düzey değişkenler (q tane); \bar{\mathbf y}_j: birinci düzey değişkenlerin (p_1 tane) gözlenen küme ortalamaları.
  • \mathbf E: birinci düzey değişkenleri düzeyler arası vektördeki yerlerine koyan seçim matrisi.
  • Aynı büyüklükteki kümeler aynı \mathbf V_j'yi paylaştığı için toplamlar büyüklük sınıfları üzerinden alınır; dengesiz kümelerde de olabilirlik kesindir.

Neden gizil ortalama?

Gözlenen ortalama \bar{\mathbf y}_j'nin kovaryansı \boldsymbol\Sigma_B değil \boldsymbol\Sigma_B+\boldsymbol\Sigma_W/n_j'dir. Gözlenen ortalamaları regresyona sokmak, bu ek \boldsymbol\Sigma_W/n_j terimini "gerçek" düzeyler arası varyans sayar; yordayıcıda ölçme hatası gibi davranır ve eğimi \lambda=\tau/(\tau+\sigma^2/n) oranında sıfıra çeker. Olabilirlik \boldsymbol\Sigma_B'yi ayrı bir parametre olarak kestirdiği için düzeyler arası yollar gizil ortalamalar arasındaki ilişkiyi verir (Lüdtke ve ark. 2008; Preacher, Zhang ve Zyphur 2011).

126.5.2 Kısıtsız model ve fixed.x

Önce her düzeyde kovaryans ve ortalamaları serbest olan kısıtsız (h1) model kestirilir; başlangıç değerleri havuzlanmış küme içi kovaryans ve moment kestirimidir, ardından aynı Newton algoritması (_fit_saturated, 333–364). Bir düzeyde yalnız yordayıcı olan (dışsal) değişkenlerin varyans, kovaryans ve ortalamaları bu çözüme sabitlenir ve parametre sayılmaz (_assemble, 498–569).

  • 1-1-1'de X her iki düzeyde dışsaldır: \sigma^2_{X,W}, \sigma^2_{X,B} ve \mu_X sabittir (çıktıdaki "Sabit dışsal değerler" tablosu).
  • 2-1-1'de M düzey içinde dışsaldır (düzey içi denklemi yoktur), düzeyler arasında içseldir.
  • Yalnız ikinci düzeyde bulunan dışsal değişkenlerin marjinal log-olabilirliği raporlanan \ell'den, AIC'den ve BIC'ten çıkarılır; \chi^2 etkilenmez (975–989).

Koddaki tercih: referans programın varsayılanları

Dışsal blokların h1'e sabitlenmesi, gözlenen bilgi SH'leri, bağımsızlık modelinde dışsal blokların sabit tutulması, RMSEA'da N'nin toplam gözlem sayısı olması ve SRMR'nin düzey başına korelasyon ölçeğinde hesaplanması lavaan'ın iki düzeyli ML varsayılanlarıdır; MerQur bunları izler. Tek düzeyli Yol Analizi'ndeki fixed.x gibi (Bölüm 124.5.1), dışsal değişkenin dağılımı modellenmez; ancak iki düzeyli olabilirlik koşullu ve marjinal parçalara tam ayrışmadığı için fixed.x seçimi burada SH'leri etkileyebilir. MerQur yalnız fixed.x = TRUE davranışını sunar.

126.5.3 Kestirim ve standart hatalar

Değişkenler önce kendi SS'lerine bölünür; ML ölçeğe eşdeğişken olduğundan kestirimler sonra özgün birimlere geri çevrilir: yol \times s_{\text{bağımlı}}/s_{\text{yordayıcı}}, varyans \times s^2, kesişim \times s (_theta_factors, 687–697; 812–819, 846–868).

\boldsymbol\theta^{(t+1)}=\boldsymbol\theta^{(t)}+\lambda\,(-\mathbf H)^{-1}\nabla\ell,\qquad \text{dur:}\ \nabla\ell^{\top}(-\mathbf H)^{-1}\nabla\ell<10^{-12},\qquad \widehat{\operatorname{Var}}(\hat{\boldsymbol\theta})=(-\mathbf H)^{-1}
  • \nabla\ell: analitik gradyan (matris türev kuralıyla, _Model.grad 217–242); \mathbf H: gradyanın merkezi farkıyla sayısal Hesse (h=10^{-5}\max(1,|\theta|), 244–255).
  • \lambda: adım yarılama (en çok 60 kez); Hesse pozitif tanımlı değilse özdeğerleri mutlak değerle değiştirilmiş yön kullanılır; 25 yinelemedir artış yoksa durur (_maximize, 258–306).
  • Yakınsama ölçütü Newton azalımıdır (\ell biriminde, ölçekten bağımsız). Tam belirlenmiş modelde başlangıç değeri (h1'den nüfus regresyonu) zaten çözümdür ve tek yinelemede durur.

126.5.4 Tanımlı etkiler

Her düzeyde (2-1-1 ve 2-2-1'de yalnız düzeyler arası) dolaylı, doğrudan ve toplam etki; 1-1-1'de ayrıca farklar (_defined_funcs, 651–684):

\text{ind}_L=a_Lb_L,\qquad \text{tot}_L=c'_L+a_Lb_L,\qquad \Delta_{ab}=a_Bb_B-a_Wb_W,\qquad \Delta_a=a_B-a_W,\qquad \Delta_b=b_B-b_W
\text{SH}_\delta(f)=\sqrt{\nabla f^{\top}\,\widehat{\operatorname{Var}}(\hat{\boldsymbol\theta})\,\nabla f},\qquad f^{\text{std}}=f\big(\hat{\boldsymbol\theta}^{\text{std}}\big)
  • \nabla f: tanımlı etkinin parametrelere göre sayısal gradyanı (_num_grad, 700–707); çift doğrusal fonksiyonlarda kesindir.
  • Std. kestirim: her düzeyin model-örtük SS'leriyle tam standartlaştırılmış yollardan hesaplanan etki (lavaan std.all): yol \times\hat\sigma_{\text{yordayıcı}}/\hat\sigma_{\text{bağımlı}}, artık varyansı /\hat\sigma^2, kesişim /\hat\sigma (884–905).
  • \Delta_{ab}, bağlamsal dolaylı etkidir: düzeyler arası etkinin düzey içi etkiden ne kadar farklı olduğu.

Monte Carlo GA (939–948): \hat{\mathbf V}'nin Cholesky çarpanı \mathbf L ile \boldsymbol\theta^{(r)}=\hat{\boldsymbol\theta}+\mathbf L\mathbf z^{(r)}, \mathbf z^{(r)}\sim N(\mathbf 0,\mathbf I); her tanımlı etki çekilişlerde hesaplanır, GA numpy.quantile yüzdelikleridir.

Bootstrap (_bootstrap, 1059–1103): küme bootstrap'ta J küme yerine koyarak çekilir; parametrik bootstrap'ta küme ortalamaları N(\hat{\boldsymbol\mu}_B,\hat{\boldsymbol\Sigma}_B), sapmalar N(\mathbf 0,\hat{\boldsymbol\Sigma}_W)'den aynı küme büyüklükleriyle üretilir. Her örnekte h1 ve model yeniden kestirilir (en çok 60 yineleme); yakınsamayan örnekler dışlanır ve sayılır.

Koddaki tercih: çarpımlarda çekiliş p'si, tek parametrede Wald p'si

MC ya da bootstrap seçildiğinde çarpım içeren etkilerin (dolaylı etki, toplam etki ve dolaylı etki farkları) GA'sı ve p'si aynı çekilişlerden alınır: p=\min\{1,\,2\min(P(f<0),P(f>0))\} (963–968). Bu "çekiliş p'si" "†" ile işaretlenir ve bu satırlarda delta z'si yazılmaz; böylece GA ile p aynı kararı verir. Çekilişlerin hepsi sıfırın aynı yanındaysa p=0 yazılmaz, "<2/S" yazılır. Doğrudan etki c' gibi tek parametrelerde p ve GA Wald testindendir ve parametre tablosundakiyle aynıdır; bir parametreye iki p verilmez. Çok Düzeyli Aracılık (Bölüm 123) aynı kuralı kullanır.

126.5.5 Uyum ölçüleri

\chi^2=2(\ell_{h1}-\ell_0),\quad \text{sd}=m-k,\quad \text{CFI}=1-\frac{\max(\chi^2-\text{sd},0)}{\max(\chi^2-\text{sd},\chi^2_B-\text{sd}_B,0)},\quad \text{RMSEA}=\sqrt{\max\Big(\frac{\chi^2}{N\,\text{sd}}-\frac1N,0\Big)}
\text{SRMR}_L=\sqrt{\frac{1}{p_L(p_L+1)/2}\sum_{i\le j}\big(r^{h1}_{ij}-\hat\rho_{ij}\big)^2},\qquad \text{SRMR}=\text{SRMR}_W+\text{SRMR}_B
  • m: moment sayısı, her düzeyde p(p+1)/2 (+ düzeyler arası p ortalama) eksi sabit dışsal momentler (_n_moments, 602–606); k: serbest parametre sayısı.
  • \chi^2_B: bağımsızlık modeli (her düzeyde köşegen kovaryans, dışsal bloklar sabit; _baseline, 572–599).
  • TLI =1-[(\chi^2-\text{sd})\,\text{sd}_B]/[(\chi^2_B-\text{sd}_B)\,\text{sd}]; sd = 0'da 1 (632–637). RMSEA %90 GA ve PCLOSE Yol Analizi'ndeki ortak fonksiyonla (path_moments.rmsea_ci).
  • AIC =-2\ell+2k, BIC =-2\ell+k\log N, örneklem düzeltilmiş BIC =-2\ell+k\log[(N+2)/24].
  • ICC h1'den: \sigma^2_B/(\sigma^2_B+\sigma^2_W); R^2=1-\hat\psi/\hat\sigma^2 düzey başına (1026–1036).

Neden SRMR iki düzeyde ayrı?

Tek bir SRMR, büyük ve iyi uyan düzey içi modelin, küçük ve kötü uyan düzeyler arası modeli gizlemesine yol açar. Düzeye özgü SRMR hangi düzeyde sorun olduğunu gösterir; toplam satırı lavaan tanımıyla iki değerin toplamıdır.

126.6 Elle hesap: Tıp verisinde sayısal yürüyüş

Ara değerler dogrulama/msem_mediation/elle_hesap.py ile hesaplanmıştır; MerQur'u çağırmaz. Dengeli veride (her kümede 8 gözlem) kısıtsız model kapalı biçimdedir; yapısal model her kümenin 24 boyutlu tüm gözlem vektörü için yazılmış yoğun çok değişkenli normal olabilirlikle kestirilmiştir.

Adım 1 — Düzey içi kovaryans. Havuzlanmış küme içi SSCP \mathbf W, N-J=420'ye bölünür (sıra: metformin, BMI, HbA1c):

\hat{\boldsymbol\Sigma}_W=\frac{\mathbf W}{N-J}=\begin{pmatrix}0{,}050565 & 0{,}003366 & -0{,}027510\\ 0{,}003366 & 0{,}891060 & 0{,}035234\\ -0{,}027510 & 0{,}035234 & 0{,}106460\end{pmatrix}

Adım 2 — Düzeyler arası kovaryans. 60 hasta ortalamasının J paydalı kovaryansı \hat{\mathbf V}; gizil ortalamaların kovaryansı \hat{\boldsymbol\Sigma}_B=\hat{\mathbf V}-\hat{\boldsymbol\Sigma}_W/8:

\hat{\mathbf V}=\begin{pmatrix}0{,}173056 & 0{,}269569 & 0{,}088696\\ \cdot & 11{,}750752 & 1{,}171935\\ \cdot & \cdot & 0{,}534243\end{pmatrix},\qquad \hat{\boldsymbol\Sigma}_B=\begin{pmatrix}0{,}166735 & 0{,}269148 & 0{,}092135\\ \cdot & 11{,}639370 & 1{,}167531\\ \cdot & \cdot & 0{,}520936\end{pmatrix}

ICC: metformin 0{,}166735/(0{,}166735+0{,}050565)=0{,}767302; BMI 0,928888; HbA1c 0,830314. Metformin için hasta ortalamasının güvenilirliği \lambda=0{,}166735/(0{,}166735+0{,}050565/8)=0{,}963476.

Adım 3 — Düzey içi yollar. Tam belirlenmiş modelde yollar h1 kovaryansından regresyondur: \hat a_W=0{,}003366/0{,}050565=0{,}066569; (\hat c'_W,\hat b_W), HbA1c'nin metformin ve BMI üzerine regresyonundan -0{,}546819 ve 0{,}041607; artık varyansları \hat\psi_{M,W}=0{,}890835, \hat\psi_{Y,W}=0{,}089951. Düzey içi kestirimler Bölüm 123'ün CWC modeliyle aynıdır; yalnız artık varyansının paydası N-J'dir (REML'de N-J-1).

Adım 4 — Düzeyler arası yollar.

\hat a_B=\frac{0{,}269148}{0{,}166735}=1{,}614224\qquad\text{(gözlenen ortalamalarla: }0{,}269569/0{,}173056=1{,}557698\text{)}

\hat b_B=0{,}090925, \hat c'_B=0{,}405807; kesişimler \hat\alpha_M=27{,}851756, \hat\alpha_Y=4{,}581827; artık varyansları 11,204905 ve 0,377389. Gizil ortalama a_B'yi yaklaşık 1/\lambda oranında büyütür.

Adım 5 — SH, dolaylı etkiler ve MC GA. Gözlenen bilgiden: SH(\hat a_B) = 1,084258, SH(\hat b_B) = 0,024367.

\widehat{a_Bb_B}=1{,}614224\times0{,}090925=0{,}146773,\qquad \text{SH}_\delta=\sqrt{0{,}090925^2(1{,}084258)^2+1{,}614224^2(0{,}024367)^2}=0{,}105293

Düzey içi a_Wb_W=0{,}002770 (SH 0,008584); bağlamsal fark 0{,}144003 (SH 0,105689). Monte Carlo (20000, tohum 12345): düzey içi [−0,015415; 0,022474], düzeyler arası [−0,045886; 0,380294], p=0{,}1394; fark [−0,049794; 0,378566]. Standartlaştırılmış düzeyler arası dolaylı etki 0{,}1932\times0{,}4298=0{,}0830.

Adım 6 — Uyum. Model tam belirlenmiştir: 12 serbest parametre, 12 moment (düzey içi 6 − 1 sabit, düzeyler arası 6 + 3 − 2 sabit). \chi^2=0, sd = 0; \ell=-1065{,}916184, AIC 2155,832369, BIC 2205,917802. c' kaldırılınca (sd = 2): \chi^2=68{,}610462, p=1{,}26\times10^{-15}, CFI 0,218734, TLI −1,343798, RMSEA 0,263412 (%90 GA [0,212061; 0,318639]), SRMR_W 0,153803, SRMR_B 0,090067. Düzey içi doğrudan etkinin güçlü olduğu (c'_W=-0{,}547) bir modelde bu kısıt açıkça reddedilir.

Adım 7 — 2-1-1 ve 2-2-1. 2-1-1'de (X = metformin_ort) düzey içinde yalnız b_W=0{,}039542 kestirilir (BMI düzey içinde dışsal, varyansı 0,891060'a sabit); düzeyler arasında \hat a=1{,}557698 (X gözlenen ikinci düzey değişken, gizil ortalama yok), \hat b_B=0{,}091749 (gizil BMI ortalaması), a\,b_B=0{,}142917 (SH 0,103063). 2-2-1'de M de ikinci düzeydedir: \hat a=1{,}557698 (SH 1,044630; ML J paydası), \hat b=0{,}091235, ab=0{,}142117. Bu iki tasarımda X gözlenen bir hasta özelliği olduğu için a düzeltilmez.

Adım 8 — Küme bootstrap (1000, tohum 12345). Hastalar yerine koyarak çekildiğinde düzeyler arası dolaylı etkinin yüzdelik GA'sı [−0,059488; 0,459868], p=0{,}176; MC GA'sından geniştir, çünkü küme bootstrap model varsayımlarına dayanmaz.

126.6.1 Doğrulama: MerQur, Python ve R

MerQur değerleri execute() sonucundan alınmıştır; motor değerleri yuvarlamadan saklar (dogrulama/msem_mediation/merqur_calistir.py). R 4.5.3, lavaan 0.7.2: sem(model, data, cluster = "patient_id"); varsayılan nlminb çözümü lavaan'ın kendi amaç fonksiyonu ve analitik gradyanıyla BFGS + 5 Newton adımıyla inceltilmiş, SH bu gradyanın sayısal Jacobian'ından alınmıştır; uyum ölçüleri lavaan iç fonksiyonlarıyla kesin noktada yeniden hesaplanmıştır (r_dogrulama.R). Python sütunu yoğun olabilirlik ve Richardson'lı sayısal Hesse kullanır; MC ve küme bootstrap MerQur'un çekiliş düzeniyle aynı tohumla çalıştırılmıştır.

1-1-1, varsayılan ayarlar ve küme bootstrap:

Büyüklük MerQur Python (bağımsız) R lavaan 0.7.2 En büyük fark Durum
W: bmi ← metformin_g_day 0,066569 0,066569 0,066569 1,0e−09 ✓
SH, W: bmi ← metformin_g_day 0,204808 0,204808 0,204808 7,5e−10 ✓
std, W: bmi ← metformin_g_day 0,015858 0,015858 0,015858 2,4e−10 ✓
W: artık varyansı bmi 0,890835 0,890835 0,890835 1,8e−11 ✓
SH, W: artık varyansı bmi 0,061473 0,061473 0,061473 1,8e−09 ✓
std, W: artık varyansı bmi 0,999749 0,999749 0,999749 7,6e−12 ✓
W: hba1c_pct ← bmi 0,041607 0,041607 0,041607 3,2e−11 ✓
SH, W: hba1c_pct ← bmi 0,015505 0,015505 0,015505 1,3e−10 ✓
std, W: hba1c_pct ← bmi 0,120373 0,120373 0,120373 1,5e−10 ✓
W: hba1c_pct ← metformin_g_day −0,546819 −0,546819 −0,546819 1,8e−11 ✓
SH, W: hba1c_pct ← metformin_g_day 0,065089 0,065089 0,065089 5,9e−10 ✓
std, W: hba1c_pct ← metformin_g_day −0,376857 −0,376857 −0,376857 1,1e−09 ✓
W: artık varyansı hba1c_pct 0,089951 0,089951 0,089951 1,7e−12 ✓
SH, W: artık varyansı hba1c_pct 0,006207 0,006207 0,006207 1,2e−10 ✓
std, W: artık varyansı hba1c_pct 0,844928 0,844928 0,844928 7,8e−10 ✓
B: bmi ← metformin_g_day 1,614224 1,614224 1,614224 4,2e−10 ✓
SH, B: bmi ← metformin_g_day 1,084258 1,084258 1,084258 1,6e−09 ✓
std, B: bmi ← metformin_g_day 0,193202 0,193202 0,193202 4,0e−10 ✓
B: artık varyansı bmi 11,204905 11,204905 11,204905 1,3e−10 ✓
SH, B: artık varyansı bmi 2,068839 2,068839 2,068839 1,0e−08 ✓
std, B: artık varyansı bmi 0,962673 0,962673 0,962673 1,5e−10 ✓
B: kesişim bmi 27,851756 27,851756 27,851756 3,7e−11 ✓
SH, B: kesişim bmi 1,682789 1,682789 1,682789 1,6e−09 ✓
std, B: kesişim bmi 8,163715 8,163715 8,163715 1,8e−10 ✓
B: hba1c_pct ← bmi 0,090925 0,090925 0,090925 8,3e−12 ✓
SH, B: hba1c_pct ← bmi 0,024367 0,024367 0,024367 1,6e−10 ✓
std, B: hba1c_pct ← bmi 0,429789 0,429789 0,429789 1,5e−10 ✓
B: hba1c_pct ← metformin_g_day 0,405807 0,405807 0,405807 7,8e−10 ✓
SH, B: hba1c_pct ← metformin_g_day 0,206376 0,206376 0,206376 2,3e−09 ✓
std, B: hba1c_pct ← metformin_g_day 0,229584 0,229584 0,229584 7,5e−10 ✓
B: artık varyansı hba1c_pct 0,377389 0,377389 0,377389 1,1e−10 ✓
SH, B: artık varyansı hba1c_pct 0,072067 0,072067 0,072067 3,9e−10 ✓
std, B: artık varyansı hba1c_pct 0,724445 0,724445 0,724445 4,1e−10 ✓
B: kesişim hba1c_pct 4,581827 4,581827 4,581827 2,0e−10 ✓
SH, B: kesişim hba1c_pct 0,745831 0,745831 0,745831 3,3e−09 ✓
std, B: kesişim hba1c_pct 6,348141 6,348141 6,348141 5,9e−10 ✓
dolaylı ab (W) 0,002770 0,002770 0,002770 4,4e−11 ✓
SH_\delta dolaylı ab (W) 0,008584 0,008584 0,008584 3,1e−11 ✓
MC GA alt dolaylı ab (W) −0,015415 −0,015415 — 2,1e−11 ✓
MC GA üst dolaylı ab (W) 0,022474 0,022474 — 3,7e−11 ✓
MC p dolaylı ab (W) 0,744600 0,744600 — 0,0e+00 ✓
doğrudan c' (W) −0,546819 −0,546819 −0,546819 1,8e−11 ✓
SH_\delta doğrudan c' (W) 0,065089 0,065089 0,065089 5,9e−10 ✓
Wald GA alt doğrudan c' (W) −0,674391 −0,674391 −0,674391 1,1e−09 ✓
Wald GA üst doğrudan c' (W) −0,419247 −0,419247 −0,419247 1,2e−09 ✓
Wald p doğrudan c' (W) 4,4223·10−17 4,4223·10−17 4,4223·10−17 2,9e−23 ✓
toplam (W) −0,544049 −0,544049 −0,544049 6,2e−11 ✓
SH_\delta toplam (W) 0,065636 0,065636 0,065636 4,9e−10 ✓
MC GA alt toplam (W) −0,674077 −0,674077 — 1,0e−09 ✓
MC GA üst toplam (W) −0,415060 −0,415060 — 2,3e−09 ✓
MC p toplam (W) 0,000000 0,000000 — 0,0e+00 ✓
dolaylı ab (B) 0,146773 0,146773 0,146773 4,9e−11 ✓
SH_\delta dolaylı ab (B) 0,105293 0,105293 0,105293 2,3e−10 ✓
MC GA alt dolaylı ab (B) −0,045886 −0,045886 — 3,3e−10 ✓
MC GA üst dolaylı ab (B) 0,380294 0,380294 — 3,6e−09 ✓
MC p dolaylı ab (B) 0,139400 0,139400 — 0,0e+00 ✓
doğrudan c' (B) 0,405807 0,405807 0,405807 7,8e−10 ✓
SH_\delta doğrudan c' (B) 0,206376 0,206376 0,206376 2,3e−09 ✓
Wald GA alt doğrudan c' (B) 0,001319 0,001319 0,001319 5,2e−09 ✓
Wald GA üst doğrudan c' (B) 0,810296 0,810296 0,810296 3,9e−09 ✓
Wald p doğrudan c' (B) 0,049258 0,049258 0,049258 2,9e−09 ✓
toplam (B) 0,552581 0,552581 0,552581 8,2e−10 ✓
SH_\delta toplam (B) 0,225204 0,225204 0,225204 1,8e−09 ✓
MC GA alt toplam (B) 0,096427 0,096427 — 3,1e−09 ✓
MC GA üst toplam (B) 0,992683 0,992683 — 6,0e−09 ✓
MC p toplam (B) 0,016900 0,016900 — 0,0e+00 ✓
a_Bb_B-a_Wb_W 0,144003 0,144003 0,144003 9,2e−11 ✓
SH_\delta a_Bb_B-a_Wb_W 0,105689 0,105689 0,105689 2,2e−10 ✓
MC GA alt a_Bb_B-a_Wb_W −0,049794 −0,049794 — 2,5e−09 ✓
MC GA üst a_Bb_B-a_Wb_W 0,378566 0,378566 — 1,7e−09 ✓
MC p a_Bb_B-a_Wb_W 0,147600 0,147600 — 0,0e+00 ✓
a_B-a_W 1,547656 1,547656 1,547656 1,1e−09 ✓
SH_\delta a_B-a_W 1,104872 1,104872 1,104872 1,8e−09 ✓
Wald GA alt a_B-a_W −0,617854 −0,617854 −0,617854 5,5e−09 ✓
Wald GA üst a_B-a_W 3,713166 3,713166 3,713166 6,2e−10 ✓
Wald p a_B-a_W 0,161287 0,161287 0,161287 1,2e−09 ✓
b_B-b_W 0,049318 0,049318 0,049318 2,9e−11 ✓
SH_\delta b_B-b_W 0,028964 0,028964 0,028964 2,8e−10 ✓
Wald GA alt b_B-b_W −0,007451 −0,007451 −0,007451 5,7e−10 ✓
Wald GA üst b_B-b_W 0,106086 0,106086 0,106086 5,1e−10 ✓
Wald p b_B-b_W 0,088622 0,088622 0,088622 3,2e−09 ✓
ℓ −1065,916184 −1065,916184 −1065,916184 3,2e−15 ✓
ℓ (kısıtsız) −1065,916184 −1065,916184 −1065,916184 3,8e−15 ✓
χ² 0,000000 1,3642·10−12 0,000000 1,4e−12 ✓
χ² (bağımsızlık) 91,259649 91,259649 91,259649 3,0e−14 ✓
CFI 1,000000 1,000000 1,000000 1,6e−14 ✓
TLI 1,000000 1,000000 1,000000 0,0e+00 ✓
RMSEA 0,000000 0,000000 0,000000 0,0e+00 ✓
SRMR (W) 0,000000 9,8976·10−11 1,2649·10−9 1,3e−09 ✓
SRMR (B) 2,2662·10−17 1,3369·10−10 2,2772·10−9 2,3e−09 ✓
AIC 2155,832369 2155,832369 2155,832369 2,1e−15 ✓
BIC 2205,917802 2205,917802 2205,917802 3,5e−15 ✓
SABIC 2167,831052 2167,831052 2167,831052 2,7e−15 ✓
ICC metformin_g_day 0,767302 0,767302 0,767302 5,3e−10 ✓
ICC bmi 0,928888 0,928888 0,928888 4,5e−11 ✓
ICC hba1c_pct 0,830314 0,830314 0,830314 2,6e−10 ✓
R² (W) bmi 0,000251 0,000251 0,000251 7,6e−12 ✓
R² (W) hba1c_pct 0,155072 0,155072 0,155072 7,8e−10 ✓
R² (B) bmi 0,037327 0,037327 0,037327 1,5e−10 ✓
R² (B) hba1c_pct 0,275555 0,275555 0,275555 4,1e−10 ✓
Küme bootstrap GA alt dolaylı ab (W) −0,018175 −0,018175 — 4,9e−17 ✓
Küme bootstrap GA üst dolaylı ab (W) 0,023969 0,023969 — 0,0e+00 ✓
Küme bootstrap çalıştırması, Wald GA alt doğrudan c' (W) −0,674391 −0,674391 −0,674391 1,1e−09 ✓
Küme bootstrap çalıştırması, Wald GA üst doğrudan c' (W) −0,419247 −0,419247 −0,419247 1,2e−09 ✓
Küme bootstrap GA alt toplam (W) −0,665471 −0,665471 — 3,3e−16 ✓
Küme bootstrap GA üst toplam (W) −0,413164 −0,413164 — 3,9e−16 ✓
Küme bootstrap GA alt dolaylı ab (B) −0,059488 −0,059488 — 1,3e−14 ✓
Küme bootstrap GA üst dolaylı ab (B) 0,459868 0,459868 — 6,4e−14 ✓
Küme bootstrap çalıştırması, Wald GA alt doğrudan c' (B) 0,001319 0,001319 0,001319 5,2e−09 ✓
Küme bootstrap çalıştırması, Wald GA üst doğrudan c' (B) 0,810296 0,810296 0,810296 3,9e−09 ✓
Küme bootstrap GA alt toplam (B) 0,153957 0,153957 — 1,1e−14 ✓
Küme bootstrap GA üst toplam (B) 0,942909 0,942909 — 4,0e−14 ✓
Küme bootstrap GA alt a_Bb_B-a_Wb_W −0,064134 −0,064134 — 8,4e−15 ✓
Küme bootstrap GA üst a_Bb_B-a_Wb_W 0,451407 0,451407 — 3,4e−14 ✓
Küme bootstrap çalıştırması, Wald GA alt a_B-a_W −0,617854 −0,617854 −0,617854 5,5e−09 ✓
Küme bootstrap çalıştırması, Wald GA üst a_B-a_W 3,713166 3,713166 3,713166 6,2e−10 ✓
Küme bootstrap çalıştırması, Wald GA alt b_B-b_W −0,007451 −0,007451 −0,007451 5,7e−10 ✓
Küme bootstrap çalıştırması, Wald GA üst b_B-b_W 0,106086 0,106086 0,106086 5,1e−10 ✓

R: lavaan 0.7.2 sem(..., cluster=); varsayılan nlminb çözümü lavaan'ın kendi amaç fonksiyonu ve analitik gradyanıyla (BFGS + 5 Newton adımı) inceltilmiş, SH bu gradyanın sayısal Jacobian'ından alınmıştır (r_dogrulama.R). Doğrudan etki ve doğrusal fark satırlarında GA ve p Wald testindendir (R sütunu lavaan kestirimi ve SH'sinden). Monte Carlo ve küme bootstrap GA'ları için R sütunu boştur: ölçüt, MerQur ile aynı tohum ve aynı çekiliş düzenini kullanan bağımsız Python hesabına uygulanmıştır. Model tam belirlenmiş olduğundan (sd = 0) χ² = 0, CFI = TLI = 1, RMSEA = 0'dır.

c''siz model, 2-1-1 ve 2-2-1:

Büyüklük MerQur Python (bağımsız) R lavaan 0.7.2 En büyük fark Durum
c' yok: W: bmi ← metformin_g_day 0,065713 0,065713 0,065713 2,9e−09 ✓
c' yok: SH, W: bmi ← metformin_g_day 0,204816 0,204816 0,204816 2,3e−10 ✓
c' yok: std, W: bmi ← metformin_g_day 0,015654 0,015654 0,015654 7,5e−10 ✓
c' yok: W: artık varyansı bmi 0,890871 0,890871 0,890871 1,1e−11 ✓
c' yok: SH, W: artık varyansı bmi 0,061478 0,061478 0,061478 1,8e−09 ✓
c' yok: std, W: artık varyansı bmi 0,999755 0,999755 0,999755 2,3e−11 ✓
c' yok: W: hba1c_pct ← bmi 0,039509 0,039509 0,039509 3,5e−11 ✓
c' yok: SH, W: hba1c_pct ← bmi 0,016755 0,016755 0,016755 9,3e−11 ✓
c' yok: std, W: hba1c_pct ← bmi 0,114306 0,114306 0,114306 1,0e−10 ✓
c' yok: W: artık varyansı hba1c_pct 0,105067 0,105067 0,105067 4,3e−13 ✓
c' yok: SH, W: artık varyansı hba1c_pct 0,007250 0,007250 0,007250 4,2e−11 ✓
c' yok: std, W: artık varyansı hba1c_pct 0,986934 0,986934 0,986934 2,4e−11 ✓
c' yok: B: bmi ← metformin_g_day 1,620195 1,620195 1,620195 1,0e−10 ✓
c' yok: SH, B: bmi ← metformin_g_day 1,084084 1,084084 1,084084 2,3e−10 ✓
c' yok: std, B: bmi ← metformin_g_day 0,193917 0,193917 0,193917 3,5e−10 ✓
c' yok: B: artık varyansı bmi 11,201636 11,201636 11,201636 4,2e−10 ✓
c' yok: SH, B: artık varyansı bmi 2,068274 2,068274 2,068274 7,0e−09 ✓
c' yok: std, B: artık varyansı bmi 0,962396 0,962396 0,962396 1,4e−10 ✓
c' yok: B: kesişim bmi 27,842803 27,842803 27,842803 9,0e−12 ✓
c' yok: SH, B: kesişim bmi 1,682522 1,682522 1,682522 2,5e−10 ✓
c' yok: std, B: kesişim bmi 8,161108 8,161108 8,161108 2,8e−10 ✓
c' yok: B: hba1c_pct ← bmi 0,100378 0,100378 0,100378 1,2e−11 ✓
c' yok: SH, B: hba1c_pct ← bmi 0,024561 0,024561 0,024561 2,3e−11 ✓
c' yok: std, B: hba1c_pct ← bmi 0,474443 0,474443 0,474443 1,2e−10 ✓
c' yok: B: artık varyansı hba1c_pct 0,403724 0,403724 0,403724 3,9e−11 ✓
c' yok: SH, B: artık varyansı hba1c_pct 0,076189 0,076189 0,076189 4,0e−11 ✓
c' yok: std, B: artık varyansı hba1c_pct 0,774904 0,774904 0,774904 1,2e−10 ✓
c' yok: B: kesişim hba1c_pct 4,904117 4,904117 4,904117 7,4e−11 ✓
c' yok: SH, B: kesişim hba1c_pct 0,748183 0,748183 0,748183 7,0e−10 ✓
c' yok: std, B: kesişim hba1c_pct 6,794262 6,794262 6,794262 2,0e−10 ✓
c' yok: dolaylı ab (W) 0,002596 0,002596 0,002596 1,2e−10 ✓
SH_\delta c' yok: dolaylı ab (W) 0,008168 0,008168 0,008168 2,2e−11 ✓
MC GA alt c' yok: dolaylı ab (W) −0,014628 −0,014628 — 6,8e−11 ✓
MC GA üst c' yok: dolaylı ab (W) 0,021918 0,021918 — 3,1e−10 ✓
MC p c' yok: dolaylı ab (W) 0,742500 0,742500 — 0,0e+00 ✓
c' yok: dolaylı ab (B) 0,162632 0,162632 0,162632 3,4e−11 ✓
SH_\delta c' yok: dolaylı ab (B) 0,115924 0,115924 0,115924 3,6e−10 ✓
MC GA alt c' yok: dolaylı ab (B) −0,045761 −0,045761 — 4,9e−10 ✓
MC GA üst c' yok: dolaylı ab (B) 0,423734 0,423734 — 1,6e−09 ✓
MC p c' yok: dolaylı ab (B) 0,131900 0,131900 — 0,0e+00 ✓
c' yok: a_Bb_B-a_Wb_W 0,160036 0,160036 0,160036 1,0e−10 ✓
SH_\delta c' yok: a_Bb_B-a_Wb_W 0,116276 0,116276 0,116276 4,3e−10 ✓
MC GA alt c' yok: a_Bb_B-a_Wb_W −0,049154 −0,049154 — 1,1e−09 ✓
MC GA üst c' yok: a_Bb_B-a_Wb_W 0,420998 0,420998 — 3,3e−09 ✓
MC p c' yok: a_Bb_B-a_Wb_W 0,142100 0,142100 — 0,0e+00 ✓
c' yok: a_B-a_W 1,554482 1,554482 1,554482 1,9e−09 ✓
SH_\delta c' yok: a_B-a_W 1,104742 1,104742 1,104742 1,4e−09 ✓
Wald GA alt c' yok: a_B-a_W −0,610772 −0,610772 −0,610772 5,8e−09 ✓
Wald GA üst c' yok: a_B-a_W 3,719736 3,719736 3,719736 9,1e−11 ✓
Wald p c' yok: a_B-a_W 0,159398 0,159398 0,159398 1,3e−09 ✓
c' yok: b_B-b_W 0,060869 0,060869 0,060869 2,4e−11 ✓
SH_\delta c' yok: b_B-b_W 0,029822 0,029822 0,029822 6,7e−11 ✓
Wald GA alt c' yok: b_B-b_W 0,002418 0,002418 0,002418 1,5e−10 ✓
Wald GA üst c' yok: b_B-b_W 0,119320 0,119320 0,119320 1,1e−10 ✓
Wald p c' yok: b_B-b_W 0,041247 0,041247 0,041247 5,3e−10 ✓
c' yok: ℓ −1100,221415 −1100,221415 −1100,221415 2,3e−15 ✓
c' yok: ℓ (kısıtsız) −1065,916184 −1065,916184 −1065,916184 3,8e−15 ✓
c' yok: χ² 68,610462 68,610462 68,610462 1,1e−13 ✓
c' yok: χ² (bağımsızlık) 91,259649 91,259649 91,259649 3,0e−14 ✓
c' yok: CFI 0,218734 0,218734 0,218734 1,2e−13 ✓
c' yok: TLI −1,343798 −1,343798 −1,343798 2,6e−13 ✓
c' yok: RMSEA 0,263412 0,263412 0,263412 1,5e−14 ✓
c' yok: SRMR (W) 0,153803 0,153803 0,153803 8,3e−10 ✓
c' yok: SRMR (B) 0,090067 0,090067 0,090067 2,1e−09 ✓
c' yok: AIC 2220,442831 2220,442831 2220,442831 2,3e−15 ✓
c' yok: BIC 2262,180692 2262,180692 2262,180692 2,6e−15 ✓
c' yok: SABIC 2230,441734 2230,441734 2230,441734 3,9e−15 ✓
c' yok: χ² p 1,2631·10−15 1,2631·10−15 1,2631·10−15 4,9e−27 ✓
c' yok: rmsea.ci.lower 0,212061 — 0,212061 2,2e−09 ✓
c' yok: rmsea.ci.upper 0,318639 — 0,318639 1,7e−08 ✓
c' yok: rmsea.pvalue 1,9446·10−11 — 1,9446·10−11 2,9e−19 ✓
c' yok: ICC metformin_g_day 0,767302 0,767302 0,767302 5,3e−10 ✓
c' yok: ICC bmi 0,928888 0,928888 0,928888 4,5e−11 ✓
c' yok: ICC hba1c_pct 0,830314 0,830314 0,830314 2,6e−10 ✓
c' yok: R² (W) bmi 0,000245 0,000245 0,000245 2,3e−11 ✓
c' yok: R² (W) hba1c_pct 0,013066 0,013066 0,013066 2,4e−11 ✓
c' yok: R² (B) bmi 0,037604 0,037604 0,037604 1,4e−10 ✓
c' yok: R² (B) hba1c_pct 0,225096 0,225096 0,225096 1,2e−10 ✓
2-1-1: W: hba1c_pct ← bmi 0,039542 0,039542 0,039542 1,3e−11 ✓
2-1-1: SH, W: hba1c_pct ← bmi 0,016755 0,016755 0,016755 1,1e−11 ✓
2-1-1: std, W: hba1c_pct ← bmi 0,114397 0,114397 0,114397 3,7e−11 ✓
2-1-1: W: artık varyansı hba1c_pct 0,105067 0,105067 0,105067 2,4e−13 ✓
2-1-1: SH, W: artık varyansı hba1c_pct 0,007250 0,007250 0,007250 5,4e−11 ✓
2-1-1: std, W: artık varyansı hba1c_pct 0,986913 0,986913 0,986913 8,4e−12 ✓
2-1-1: B: bmi ← metformin_ort 1,557698 1,557698 1,557698 2,3e−11 ✓
2-1-1: SH, B: bmi ← metformin_ort 1,044630 1,044630 1,044630 7,4e−10 ✓
2-1-1: std, B: bmi ← metformin_ort 0,189938 0,189938 0,189938 3,7e−12 ✓
2-1-1: B: artık varyansı bmi 11,219463 11,219463 11,219463 8,6e−11 ✓
2-1-1: SH, B: artık varyansı bmi 2,068720 2,068720 2,068720 1,2e−09 ✓
2-1-1: std, B: artık varyansı bmi 0,963924 0,963924 0,963924 1,4e−12 ✓
2-1-1: B: kesişim bmi 27,936510 27,936510 27,936510 2,2e−12 ✓
2-1-1: SH, B: kesişim bmi 1,625460 1,625460 1,625460 8,1e−10 ✓
2-1-1: std, B: kesişim bmi 8,188558 8,188558 8,188558 4,4e−11 ✓
2-1-1: B: hba1c_pct ← bmi 0,091749 0,091749 0,091749 3,0e−11 ✓
2-1-1: SH, B: hba1c_pct ← bmi 0,024328 0,024328 0,024328 6,2e−11 ✓
2-1-1: std, B: hba1c_pct ← bmi 0,433683 0,433683 0,433683 9,9e−11 ✓
2-1-1: B: hba1c_pct ← metformin_ort 0,369611 0,369611 0,369611 2,0e−10 ✓
2-1-1: SH, B: hba1c_pct ← metformin_ort 0,198562 0,198562 0,198562 4,9e−10 ✓
2-1-1: std, B: hba1c_pct ← metformin_ort 0,213032 0,213032 0,213032 1,2e−10 ✓
2-1-1: B: artık varyansı hba1c_pct 0,381034 0,381034 0,381034 3,1e−11 ✓
2-1-1: SH, B: artık varyansı hba1c_pct 0,072026 0,072026 0,072026 7,2e−11 ✓
2-1-1: std, B: artık varyansı hba1c_pct 0,731441 0,731441 0,731441 2,1e−11 ✓
2-1-1: B: kesişim hba1c_pct 4,611165 4,611165 4,611165 1,3e−10 ✓
2-1-1: SH, B: kesişim hba1c_pct 0,744234 0,744234 0,744234 2,3e−09 ✓
2-1-1: std, B: kesişim hba1c_pct 6,388790 6,388790 6,388790 1,9e−10 ✓
2-1-1: dolaylı ab (B) 0,142917 0,142917 0,142917 4,3e−11 ✓
SH_\delta 2-1-1: dolaylı ab (B) 0,103063 0,103063 0,103063 2,5e−10 ✓
MC GA alt 2-1-1: dolaylı ab (B) −0,045234 −0,045234 — 7,6e−11 ✓
MC GA üst 2-1-1: dolaylı ab (B) 0,375877 0,375877 — 1,2e−09 ✓
MC p 2-1-1: dolaylı ab (B) 0,136900 0,136900 — 0,0e+00 ✓
2-1-1: doğrudan c' (B) 0,369611 0,369611 0,369611 2,0e−10 ✓
SH_\delta 2-1-1: doğrudan c' (B) 0,198562 0,198562 0,198562 4,9e−10 ✓
Wald GA alt 2-1-1: doğrudan c' (B) −0,019563 −0,019563 −0,019563 1,2e−09 ✓
Wald GA üst 2-1-1: doğrudan c' (B) 0,758785 0,758785 0,758785 7,6e−10 ✓
Wald p 2-1-1: doğrudan c' (B) 0,062682 0,062682 0,062682 7,9e−10 ✓
2-1-1: toplam (B) 0,512527 0,512527 0,512527 1,5e−10 ✓
SH_\delta 2-1-1: toplam (B) 0,216965 0,216965 0,216965 2,3e−10 ✓
MC GA alt 2-1-1: toplam (B) 0,077490 0,077490 — 8,9e−11 ✓
MC GA üst 2-1-1: toplam (B) 0,938773 0,938773 — 8,5e−10 ✓
MC p 2-1-1: toplam (B) 0,021300 0,021300 — 0,0e+00 ✓
2-1-1: ℓ −1034,481446 −1034,481446 −1034,481446 5,7e−15 ✓
2-1-1: ℓ (kısıtsız) −1034,481446 −1034,481446 −1034,481446 5,7e−15 ✓
2-1-1: χ² 0,000000 0,000000 0,000000 0,0e+00 ✓
2-1-1: χ² (bağımsızlık) 25,914856 25,914856 25,914856 7,1e−14 ✓
2-1-1: CFI 1,000000 1,000000 1,000000 0,0e+00 ✓
2-1-1: TLI 1,000000 1,000000 1,000000 0,0e+00 ✓
2-1-1: RMSEA 0,000000 0,000000 0,000000 0,0e+00 ✓
2-1-1: SRMR (W) 0,000000 2,0783·10−11 2,1605·10−11 2,2e−11 ✓
2-1-1: SRMR (B) 2,2662·10−17 5,2461·10−11 6,0343·10−12 5,2e−11 ✓
2-1-1: AIC 2086,962891 2086,962891 2086,962891 1,3e−15 ✓
2-1-1: BIC 2124,526966 2124,526966 2124,526966 1,7e−15 ✓
2-1-1: SABIC 2095,961904 2095,961904 2095,961904 2,8e−15 ✓
2-1-1: ICC bmi 0,928888 0,928888 0,928888 2,5e−12 ✓
2-1-1: ICC hba1c_pct 0,830314 0,830314 0,830314 1,9e−11 ✓
2-1-1: R² (W) hba1c_pct 0,013087 0,013087 0,013087 8,4e−12 ✓
2-1-1: R² (B) bmi 0,036076 0,036076 0,036076 1,4e−12 ✓
2-1-1: R² (B) hba1c_pct 0,268559 0,268559 0,268559 2,1e−11 ✓
2-2-1: W: artık varyansı hba1c_pct 0,106460 0,106460 0,106460 2,2e−13 ✓
2-2-1: SH, W: artık varyansı hba1c_pct 0,007346 0,007346 0,007346 4,7e−11 ✓
2-2-1: std, W: artık varyansı hba1c_pct 1,000000 1,000000 1,000000 2,2e−16 ✓
2-2-1: B: bmi_ort ← metformin_ort 1,557698 1,557698 1,557698 6,5e−11 ✓
2-2-1: SH, B: bmi_ort ← metformin_ort 1,044630 1,044630 1,044630 2,8e−10 ✓
2-2-1: std, B: bmi_ort ← metformin_ort 0,189035 0,189035 0,189035 1,2e−11 ✓
2-2-1: B: artık varyansı bmi_ort 11,330846 11,330846 11,330846 4,7e−12 ✓
2-2-1: SH, B: artık varyansı bmi_ort 2,068720 2,068720 2,068720 4,0e−10 ✓
2-2-1: std, B: artık varyansı bmi_ort 0,964266 0,964266 0,964266 4,6e−12 ✓
2-2-1: B: kesişim bmi_ort 27,936510 27,936510 27,936510 5,5e−12 ✓
2-2-1: SH, B: kesişim bmi_ort 1,625460 1,625460 1,625460 3,5e−10 ✓
2-2-1: std, B: kesişim bmi_ort 8,149657 8,149657 8,149657 5,6e−12 ✓
2-2-1: B: hba1c_pct ← bmi_ort 0,091235 0,091235 0,091235 2,1e−12 ✓
2-2-1: SH, B: hba1c_pct ← bmi_ort 0,024088 0,024088 0,024088 5,0e−11 ✓
2-2-1: std, B: hba1c_pct ← bmi_ort 0,433315 0,433315 0,433315 1,3e−11 ✓
2-2-1: B: hba1c_pct ← metformin_ort 0,370410 0,370410 0,370410 7,8e−11 ✓
2-2-1: SH, B: hba1c_pct ← metformin_ort 0,198490 0,198490 0,198490 1,6e−10 ✓
2-2-1: std, B: hba1c_pct ← metformin_ort 0,213493 0,213493 0,213493 4,3e−11 ✓
2-2-1: B: artık varyansı hba1c_pct 0,381160 0,381160 0,381160 6,7e−13 ✓
2-2-1: SH, B: artık varyansı hba1c_pct 0,072025 0,072025 0,072025 8,6e−11 ✓
2-2-1: std, B: artık varyansı hba1c_pct 0,731683 0,731683 0,731683 1,1e−11 ✓
2-2-1: B: kesişim hba1c_pct 4,625502 4,625502 4,625502 1,2e−11 ✓
2-2-1: SH, B: kesişim hba1c_pct 0,738118 0,738118 0,738118 1,6e−09 ✓
2-2-1: std, B: kesişim hba1c_pct 6,408654 6,408654 6,408654 2,0e−11 ✓
2-2-1: dolaylı ab (B) 0,142117 0,142117 0,142117 1,2e−11 ✓
SH_\delta 2-2-1: dolaylı ab (B) 0,102427 0,102427 0,102427 3,6e−11 ✓
MC GA alt 2-2-1: dolaylı ab (B) −0,044050 −0,044050 — 1,8e−11 ✓
MC GA üst 2-2-1: dolaylı ab (B) 0,372546 0,372546 — 5,5e−10 ✓
MC p 2-2-1: dolaylı ab (B) 0,136500 0,136500 — 0,0e+00 ✓
2-2-1: doğrudan c' (B) 0,370410 0,370410 0,370410 7,8e−11 ✓
SH_\delta 2-2-1: doğrudan c' (B) 0,198490 0,198490 0,198490 1,6e−10 ✓
Wald GA alt 2-2-1: doğrudan c' (B) −0,018623 −0,018623 −0,018623 2,3e−10 ✓
Wald GA üst 2-2-1: doğrudan c' (B) 0,759443 0,759443 0,759443 3,8e−10 ✓
Wald p 2-2-1: doğrudan c' (B) 0,062022 0,062022 0,062022 1,5e−10 ✓
2-2-1: toplam (B) 0,512527 0,512527 0,512527 6,6e−11 ✓
SH_\delta 2-2-1: toplam (B) 0,216965 0,216965 0,216965 5,4e−11 ✓
MC GA alt 2-2-1: toplam (B) 0,076485 0,076485 — 3,7e−10 ✓
MC GA üst 2-2-1: toplam (B) 0,935489 0,935489 — 2,2e−10 ✓
MC p 2-2-1: toplam (B) 0,020400 0,020400 — 0,0e+00 ✓
2-2-1: ℓ −403,132602 −403,132602 −403,132602 4,7e−15 ✓
2-2-1: ℓ (kısıtsız) −403,132602 −403,132602 −403,132602 4,5e−15 ✓
2-2-1: χ² 0,000000 0,000000 9,5923·10−14 9,6e−14 ✓
2-2-1: χ² (bağımsızlık) 20,382183 20,382183 20,382183 3,8e−14 ✓
2-2-1: CFI 1,000000 1,000000 1,000000 6,0e−15 ✓
2-2-1: TLI 1,000000 1,000000 1,000000 0,0e+00 ✓
2-2-1: RMSEA 0,000000 0,000000 0,000000 0,0e+00 ✓
2-2-1: SRMR (W) 0,000000 0,000000 0,000000 0,0e+00 ✓
2-2-1: SRMR (B) 0,000000 1,5648·10−11 2,0218·10−11 2,0e−11 ✓
2-2-1: AIC 822,265204 822,265204 822,265204 4,6e−15 ✓
2-2-1: BIC 855,655493 855,655493 855,655493 4,4e−15 ✓
2-2-1: SABIC 830,264326 830,264326 830,264326 4,5e−15 ✓
2-2-1: ICC hba1c_pct 0,830314 0,830314 0,830314 3,1e−11 ✓
2-2-1: R² (B) bmi_ort 0,035734 0,035734 0,035734 4,6e−12 ✓
2-2-1: R² (B) hba1c_pct 0,268317 0,268317 0,268317 1,1e−11 ✓

SRMR satırlarında mutlak fark kullanılmıştır (değerler 0'a yakın). RMSEA GA ve PCLOSE için bağımsız Python hesabı yapılmamıştır (lavaan'ın lav_fit_rmsea_ci tanımı, R ile karşılaştırma).

309 satırın tümü ölçütü karşılar. lavaan'ın varsayılan nlminb çözümü göreli 10^{-10} toleransla durur; inceltme bu veride log-olabilirliği en çok 2\cdot10^{-10} artırmış ve gradyanı 10^{-15} düzeyine indirmiştir.

Şekil 126.1. Tıp 117'de iki düzeyli yol modeli (1-1-1). Alt: hasta içi sapmalar arasında yollar; üst: gizil hasta ortalamaları arasında yollar. Doğrudan etkinin işareti iki düzeyde terstir.

126.7 Çıktıyı okuma

Sonuç metni (varsayılan ayarlar, kısaltılmış):

DÜZEY İÇİ MODEL
  bmi ← metformin_g_day  (a_W)           0.0666  0.2048   0.325   0.7452     -0.3348      0.4680          0.016
  hba1c_pct ← bmi  (b_W)                 0.0416  0.0155   2.683   0.0073      0.0112      0.0720          0.120
  hba1c_pct ← metformin_g_day  (c′_W)   -0.5468  0.0651  -8.401  <0.0001     -0.6744     -0.4192         -0.377
DÜZEYLER ARASI MODEL (gizil küme ortalamaları)
  bmi ← metformin_g_day  (a_B)           1.6142  1.0843   1.489   0.1365     -0.5109      3.7393          0.193
  hba1c_pct ← bmi  (b_B)                 0.0909  0.0244   3.732   0.0002      0.0432      0.1387          0.430
  hba1c_pct ← metformin_g_day  (c′_B)    0.4058  0.2064   1.966   0.0493      0.0013      0.8103          0.230
SABİT DIŞSAL DEĞERLER (kısıtsız modelin ML kestirimleri)
  Düzey içi: Varyans: metformin_g_day        0.0506
  Düzeyler arası: Varyans: metformin_g_day   0.1667
  Düzeyler arası: Ortalama: metformin_g_day  1.4994
DOLAYLI, DOĞRUDAN VE TOPLAM ETKİLER (%95 GA: Monte Carlo, 20000 çekiliş)
  Düzey içi: dolaylı etki (a·b)                      0.0028      0.0086       —   0.7446†     -0.0154      0.0225          0.002
  Düzeyler arası: dolaylı etki (a·b)                 0.1468      0.1053       —   0.1394†     -0.0459      0.3803          0.083
  Düzeyler arası: doğrudan etki (c′)                 0.4058      0.2064   1.966    0.0493      0.0013      0.8103          0.230
  Dolaylı etki farkı (düzeyler arası − düzey içi)    0.1440      0.1057       —   0.1476†     -0.0498      0.3786          0.081
MODEL UYUMU
  χ² (kısıtsız modele karşı)                                    0.000 (df = 0, p = —)
SINIF İÇİ KORELASYONLAR (kısıtsız model)
  metformin_g_day  0.767
  bmi              0.929
  hba1c_pct        0.830
Öğe Ne yazar Nasıl yorumlanır
Düzey içi / düzeyler arası model Kestirim, SH (gözlenen bilgi), z, Wald p, Wald GA, std Yollar ve artık varyansları; düzeyler arası kesişimler gizil ortalamaların modeldeki sabitidir.
Sabit dışsal değerler h1'den alınan sabitler Parametre değildir; SH'leri yoktur.
Dolaylı/doğrudan/toplam Kestirim, SH (delta), z, p, GA, std MC ya da bootstrap'ta çarpım içeren satırlarda GA ve p çekilişlerdendir ("†", z yazılmaz); doğrudan etki c' satırında p ve GA Wald testindendir.
Farklar \Delta_{ab}, \Delta_a, \Delta_b Bağlamsal etki; sıfırı dışlayan GA düzeylerin farklı işlediğini gösterir.
Model uyumu \ell, \chi^2, CFI, TLI, RMSEA, SRMR_W, SRMR_B, AIC, BIC Tam belirlenmiş modelde bilgi vermez (not basılır).
ICC, R^2 h1 ICC'si; düzey başına R^2 Düşük ICC'de düzeyler arası model az varyansa dayanır.
Yakınsama satırı Newton yineleme sayısı Yakınsamazsa uyarı.

APA biçiminde rapor cümlesi (Türkçe ondalıkla):

Metformin dozunun BMI üzerinden HbA1c'ye dolaylı etkisi, 60 hastanın sekizer vizitinde (N = 480) gizil küme ortalamalı iki düzeyli yapısal eşitlik modeliyle (1-1-1, tam bilgi ML) incelendi. Düzey içi dolaylı etki sıfırdan ayırt edilemedi (a_Wb_W = 0{,}003, %95 Monte Carlo GA [−0,015; 0,022]); dozun HbA1c üzerindeki düzey içi doğrudan etkisi negatifti (c'_W = −0{,}547, SH = 0,065, p < 0{,}001). Düzeyler arasında gizil ortalama BMI HbA1c'yi yordadı (b_B = 0{,}091, SH = 0,024, p < 0{,}001), ancak düzeyler arası dolaylı etkinin GA'sı sıfırı içerdi (a_Bb_B = 0{,}147, %95 GA [−0,046; 0,380]); düzeyler arası ve düzey içi dolaylı etkilerin farkı anlamlı değildi (0,144, %95 GA [−0,050; 0,379]).

126.8 Uzman soruları

S1. Düzey içi kestirimler neden Bölüm 123'teki CWC modeliyle aynı?

Rastgele kesişimli, eğimleri sabit iki düzeyli modelde düzey içi kovaryans yalnız küme içi sapmalardan kestirilir ve tam belirlenmiş modelde yollar \hat{\boldsymbol\Sigma}_W'den regresyondur; bu da CWC'li karma modelin düzey içi eğimleriyle aynıdır. Farklar SH'lerdedir: MSEM ML ve z kullanır, karma model REML ve t. Düzeyler arası yollarda ise gizil/gözlenen ortalama farkı sonucu değiştirir.

S2. Gizil ortalama düzeltmesi ne zaman önemli?

Düzeltme oranı yaklaşık 1/\lambda'dır, \lambda=\tau/(\tau+\sigma^2/n). Tıp örneğinde metformin için \lambda=0{,}963, düzeltme %3,6'dır (a_B 1,558'den 1,614'e). Küme başına 3–5 gözlem ve ICC 0,1 civarındaysa \lambda 0,3–0,4'e düşer ve gözlenen ortalamalı düzeyler arası etki yarıdan fazla küçülür. Buna karşılık gizil ortalamalı kestirimin SH'si büyür; az kümede kararsızlaşır (Lüdtke ve ark. 2008).

S3. Tam belirlenmiş modelde Newton neden tek yinelemede bitti?

Başlangıç değerleri h1 kovaryanslarından nüfus regresyonlarıdır (_assemble, 528–552). Model kısıtsız h1 ile aynı sayıda parametre taşıdığında bu değerler zaten ML çözümüdür; ilk Newton azalımı 10^{-12}'nin altındadır. c' kaldırıldığında (sd = 2) üç yineleme gerekir.

S4. MC seçiliyken c'_B'nin p'si neden çekilişlerden değil Wald testinden gelir?

Tek parametrenin örnekleme dağılımı asimptotik olarak normaldir ve Wald testi bu durumda standarttır (lavaan): z=1{,}966, p=2\Phi(-|z|)=0{,}0493. Çekilişlerden bir p daha hesaplamak aynı parametreye ikinci bir p verirdi (20000 çekilişte 0,0523); fark yalnız Monte Carlo hatasıdır ama okuru iki karar arasında bırakır. Çarpımların dağılımı ise normal değildir; orada çıkarım GA ile ve aynı çekilişlerden alınan p ile yapılır (Preacher ve Selig, 2012).

S5. lavaan'la neden farklı sonuç alabilirim?

Tanımlar aynıdır (fixed.x, gözlenen bilgi, bağımsızlık modeli, SRMR). Fark yakınsama ölçütündedir: lavaan'ın nlminb'i göreli 10^{-10} toleransla durur ve kestirimlerde 10^{-5}–10^{-3} farkı bırakabilir; lavaan'ın kendi amaç fonksiyonu sıkı en küçüklendiğinde MerQur'un çözümüne yakınsar. Büyük ölçekli ikinci düzey kovaryatlarda (varyansı 10^5 düzeyinde) lavaan'ın bağımsızlık modeli yakınsamayabilir; MerQur değişkenleri SS'lerine bölerek bu sorunu önler.

S6. Küme bootstrap GA'sı neden MC'den geniş?

MC, ML kestirimlerinin asimptotik normal dağılımına ve modelin doğruluğuna dayanır. Küme bootstrap, hastaları yerine koyarak çektiği için model dışı değişkenliği (normallikten sapma, model yanlış belirlemesi, eğim heterojenliği) de yansıtır. Tıp örneğinde düzeyler arası dolaylı etkinin üst sınırı 0,380'den 0,460'a çıkar.

S7. Negatif artık varyansı uyarısı ne anlama gelir?

Düzeyler arası varyansı çok küçük bir değişkende (ICC ≈ 0) gizil ortalamanın artık varyansı negatif kestirilebilir (Heywood durumu). MerQur bunu sınırlamaz, uyarır. Bu durumda değişkenin düzeyler arası bileşeni yoktur denebilir; model sadeleştirilmeli ya da değişken yalnız düzey içi tanımlanmalıdır (bu analizde sunulmaz).

S8. 2-1-1'de X'in gizil ortalaması neden yok?

X ikinci düzeyde ölçülmüştür (hasta başına tek değer); örnekleme hatası taşıyan bir "küme ortalaması" değildir. Bu yüzden düzeyler arası vektöre gözlenen değeriyle girer, varyans ve ortalaması h1'e sabitlenir. Gizil ortalama yalnız birinci düzeyde ölçülen M ve Y için kurulur.

126.9 Sık hatalar ve tuzaklar

  • Tam belirlenmiş modelde uyum indekslerini raporlamak. c' modelde iken 1-1-1, 2-1-1 ve 2-2-1 tam belirlenmiştir; \chi^2=0, CFI = TLI = 1, RMSEA = 0 tanım gereğidir.
  • Az kümeyle düzeyler arası dolaylı etki yorumlamak. Düzeyler arası model J gözleme dayanır; J<30'da uyarı basılır. Tıp örneğinde J=60 iken bile a_B'nin SH'si 1,08'dir.
  • Gizil ve gözlenen ortalama sonuçlarını karıştırmak. Bölüm 123 ile bu bölüm düzeyler arası etkiyi farklı tanımlar; ikisini aynı raporda karşılaştırırken yöntem belirtilmelidir.
  • Çekiliş p'sini Wald p'si gibi okumak. "†" işaretli satırlarda p çekilişlerdendir ve karar GA'ya göredir; tek parametrelerde Wald p'si verilir.
  • Rastgele eğim varken MSEM kullanmak. Eğimler kümeler arasında değişiyorsa ortalama dolaylı etki ab+\sigma_{ab}'dir; bu model \sigma_{ab}'yi sıfır kabul eder.
  • Ölçekli ikinci düzey kovaryatı dönüştürmeye çalışmak. Gerek yoktur; MerQur kestirimi SS ölçeğinde yapar ve özgün birimlere geri çevirir.
  • Kategorik kovaryat beklemek. Kovaryat listesinde yalnız sayısal sütunlar vardır; kategorik kovaryat elle kukla kodlanmalıdır.

126.10 Kaynaklar

  • Lüdtke, O., Marsh, H. W., Robitzsch, A., Trautwein, U., Asparouhov, T., & Muthén, B. (2008). The multilevel latent covariate model: A new, more reliable approach to group-level effects in contextual studies. Psychological Methods, 13(3), 203–229. https://doi.org/10.1037/a0012869
  • Preacher, K. J., & Selig, J. P. (2012). Advantages of Monte Carlo confidence intervals for indirect effects. Communication Methods and Measures, 6(2), 77–98. https://doi.org/10.1080/19312458.2012.679848
  • Preacher, K. J., Zhang, Z., & Zyphur, M. J. (2011). Alternative methods for assessing mediation in multilevel data: The advantages of multilevel SEM. Structural Equation Modeling, 18(2), 161–182. https://doi.org/10.1080/10705511.2011.557329
  • Preacher, K. J., Zyphur, M. J., & Zhang, Z. (2010). A general multilevel SEM framework for assessing multilevel mediation. Psychological Methods, 15(3), 209–233. https://doi.org/10.1037/a0020141
  • 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
  • Zhang, Z., Zyphur, M. J., & Preacher, K. J. (2009). Testing multilevel mediation using hierarchical linear models: Problems and solutions. Organizational Research Methods, 12(4), 695–719. https://doi.org/10.1177/1094428108327450
  • Bauer, D. J., Preacher, K. J., & Gil, K. M. (2006). Conceptualizing and testing random indirect effects and moderated mediation in multilevel models: New procedures and recommendations. Psychological Methods, 11(2), 142–163. https://doi.org/10.1037/1082-989X.11.2.142