İstatistik Sözlüğü → Yapısal Eşitlik Modeli
Yapısal Eşitlik Modelianaliz
Doğrudan ölçülemeyen kavramları birkaç gözlenen değişkenle tanımlayıp bu kavramlar arasındaki doğrudan ve dolaylı neden-sonuç varsayımlarını tek bir model içinde birlikte sınayan analiz.
Kavram
Birçok araştırma sorusu, kendisi doğrudan ölçülemeyen kavramlar arasındaki ilişkilerle ilgilidir: iş yükü tükenmişliği artırır mı, tükenmişlik de işten ayrılma niyetini mi besler? Bu kavramların her biri birkaç anket maddesiyle ölçülür ve maddeler ölçme hatası içerir. Yapısal eşitlik modeli (YEM), bir yanda hangi maddenin hangi kavramı ölçtüğünü (ölçme modeli), öte yanda kavramların birbirini nasıl etkilediğini (yapısal model) aynı anda kestirir. Böylece ilişkiler ölçme hatasından arındırılmış olarak tahmin edilir ve birden fazla regresyonu ayrı ayrı yapmanın yol açtığı parçalı tablo ortadan kalkar.
Model, değişkenler arası ilişkileri birer denklem olarak yazar. Ölçme kısmı doğrulayıcı faktör analizine benzer (madde = yük · faktör + hata); yapısal kısım ise gizil değişkenler arası regresyonlardır (tükenmişlik = β · iş yükü + bozulma). Bu denklemlerden türetilen kovaryans matrisi verideki gözlenen matrisle karşılaştırılır ve uyum ki-kare, CFI, TLI, RMSEA ve SRMR ile değerlendirilir. Bir değişkenin bir aracı üzerinden ötekine etkisi, iki yolun çarpımı olan dolaylı etkiyle (a · b) ifade edilir.
YEM bir nedensellik kanıtı üretmez; modeldeki okları araştırmacı kuramdan çizer ve veri yalnızca bu yapının gözlenen ilişkilerle çelişip çelişmediğini söyler. Aynı veriye eşit derecede uyan, okları farklı yönde birden fazla model kurulabilir. Yeterli örneklem (karmaşık modellerde genellikle birkaç yüz kişi), ölçme modelinin önce kendi başına iyi çalışması ve uyumu artırmak için yapılan değişikliklerin kuramsal olarak gerekçelendirilmesi sonucun güvenilirliği için şarttır.
Ne zaman kullanılır?
- Kuramdan türetilmiş, birden fazla gizil değişken ve aracı içeren bir yol modelini bütün olarak sınamak, doğrudan ve dolaylı etkileri ayırmak istendiğinde.
- Yalnız bir ölçeğin faktör yapısı sınanacaksa doğrulayıcı faktör analizi yeterlidir; tüm değişkenler tek bir ölçümle gözleniyorsa yol analizi ya da çoklu regresyon kullanılabilir.
- Amaç kuram sınamaktan çok kestirim yapmaksa, örneklem küçükse ya da yapılar biçimlendirici göstergelerle tanımlanıyorsa varyansa dayalı PLS-SEM tercih edilebilir.
Gündelik bir örnek
Bir hastanede 400 hemşireye iş yükü, yönetici desteği, tükenmişlik ve işten ayrılma niyetine ilişkin sorular soruluyor; her kavram üç-dört maddeyle ölçülüyor. Araştırmacının modeli şöyle: iş yükü tükenmişliği artırır, yönetici desteği azaltır, tükenmişlik de ayrılma niyetini yükseltir. YEM bu ağın veriye uyup uymadığını sınar ve örneğin iş yükünün ayrılma niyetine etkisinin büyük kısmının doğrudan değil, tükenmişlik üzerinden (dolaylı) geçtiğini gösterebilir. Bu bulgu, hastanenin yalnızca vardiya sayısını değil tükenmişliği azaltacak önlemleri de düşünmesi gerektiğini düşündürür.
MerQur'da parametreler
Model sözdizimi
Kavram: Model sözdizimi, kuramsal modelin metinle yazılmış hâlidir: hangi maddelerin hangi gizil değişkeni ölçtüğü, hangi değişkenin hangisini yordadığı ve hangi değişkenlerin serbestçe ilişkili olduğu tek tek belirtilir. Kestirilecek her parametre ve modelin sınanabilirliği bu tanımdan doğar.
Gündelik örnek: Hemşire çalışmasında 'tükenmişlik, üç tükenmişlik maddesiyle ölçülür', 'tükenmişlik, iş yükü ve yönetici desteğiyle yordanır' ve 'ayrılma niyeti, tükenmişlikle yordanır' satırları yazılır. Çizilmeyen bir ok, o etkinin sıfır olduğu iddiası anlamına gelir.
Ne işe yarar: Modeli ölçme (=~), regresyon (~), (ko)varyans (~~), kesişim (~ 1) ve tanımlı parametre (:=) satırlarıyla tanımlar; aynı etiket eşitlik kısıtı, sayı sabit değer verir; ilk gösterge işaretleyicidir. Model kuramdan önceden tanımlanmalıdır (Kline, 2016).
Sonuca etkisi: Modelin kendisini, parametre tablosunu, serbestlik derecesini ve uyumu belirler.
Doğrulama verisinde: PoliticalDemocracy ki-kare(35) = 38.125, p = 0.329. d1-d3 eşitlik etiketleriyle ki-kare(38) = 40.179. Dolaylı etki ind := a*b = 1.2418 (delta SE 0.3554), toplam etki 1.8141 (SE 0.3736).
Kestirim yöntemi (ML, MLR)
Kavram: Kestirim yöntemi, parametrelerin hangi ilkeyle hesaplanacağını ve belirsizliklerinin nasıl ölçüleceğini belirler. En çok olabilirlik (ML) çok değişkenli normallik varsayar; sağlam türevi (MLR) aynı katsayıları verir ama standart hataları ve uyum testini normallik ihlaline karşı düzeltir.
Gündelik örnek: Tükenmişlik maddelerinde hemşirelerin çoğu ölçeğin üst ucunu işaretlemişse yanıtlar çarpıktır. MLR, iş yükünün etkisini aynı tahmin eder ama bu etkinin ne kadar kesin olduğunu daha dürüst gösterir.
Ne işe yarar: ML normal kuram en çok olabilirliktir (beklenen bilgi SE); MLR aynı kestirimler ile Huber-White sandviç SE ve Yuan-Bentler ölçekli ki-karedir. Normal olmayan sürekli veride ya da FIML ile birlikte kullanılır (Yuan ve Bentler, 2000).
Sonuca etkisi: Kestirimleri değiştirmez; SE, z, p, güven aralığı, ölçekli ki-kare ve ölçekli CFI/TLI/RMSEA değişir.
Doğrulama verisinde: PoliticalDemocracy: ölçekli ki-kare = 41.401 (ölçek 0.9209), ölçekli CFI 0.9901; dem60 ~ ind60 SE 0.3992 iken 0.3423.
Eksik veri (Liste bazında silme, FIML)
Kavram: Liste bazında silme, herhangi bir değişkeni eksik olan kişiyi tümüyle çıkarır. Tam bilgili en çok olabilirlik (FIML) her kişinin mevcut yanıtlarını kullanır ve eksikliğin gözlenen değişkenlerle açıklanabildiği (MAR) durumda daha az yanlı sonuç verir.
Gündelik örnek: Gece vardiyasındaki hemşireler yorgunluktan anketin son sorularını daha sık boş bırakmış olabilir. Liste bazında silme bu hemşireleri dışarıda bırakıp örneklemi en yorgun gruptan arındırırken, FIML onların yanıtladığı sorulardan yararlanmayı sürdürür.
Ne işe yarar: FIML her vakanın gözlenen değişkenleriyle olabilirliğe katkı verir ve ortalama yapısı eklenir. Dışsal gözlenen değişkende eksik varsa MerQur bu değişkenlerin dağılımını da modeller (çıktıda not düşer). MAR eksiklikte FIML önerilir (Enders, 2010).
Sonuca etkisi: n, kestirimler, SE, ki-kare ve AIC/BIC (ortalama parametreleri sayılır).
Doğrulama verisinde: bfi (dışsal 'age' tam): liste bazında n = 2617, FIML n = 2800; ind = 0.00208 iken 0.00204. Dışsal 'education' eksikken MerQur n = 2800 kullanır. Tam veride FIML ki-karesi ML ile aynıdır, SE gözlenen bilgiyle verilir (0.3973).
Grup değişkeni (çoklu grup)
Kavram: Çoklu grup analizi, aynı modeli birden fazla grupta ayrı ayrı kestirir. Böylece ilişkilerin gruplar arasında farklılaşıp farklılaşmadığı (ör. bir etkinin bir grupta daha güçlü olması) sınanabilir.
Gündelik örnek: Model yoğun bakım ve poliklinik hemşireleri için ayrı kestirilirse, iş yükünün tükenmişliğe etkisinin yoğun bakımda daha güçlü olup olmadığı görülebilir.
Ne işe yarar: Modeli her grupta ayrı kestirir (configural); ortalama yapısı eklenir. Gruplar arası karşılaştırma ve değişmezlik öncesi kullanılır.
Sonuca etkisi: Grup başına parametreler, toplam ki-kare ve serbestlik derecesi.
Doğrulama verisinde: HS, okul grubu: ki-kare(48) = 115.851, CFI 0.9234, RMSEA 0.0969.
Ölçme değişmezliği
Kavram: Ölçme değişmezliği, ölçeklerin gruplarda aynı kavramı aynı biçimde ölçüp ölçmediğini sınar; adımlar sırasıyla aynı yapı, eşit yükler, eşit kesişimler ve eşit hata varyanslarıdır. Gruplar arası yapısal ilişkileri ya da ortalamaları karşılaştırmadan önce bu koşulun sağlanması gerekir.
Gündelik örnek: 'Kendimi tükenmiş hissediyorum' maddesi yoğun bakım hemşireleri için olağan bir yorgunluğu, poliklinik hemşireleri için ciddi bir durumu anlatıyorsa iki grubun tükenmişlik puanları doğrudan karşılaştırılamaz. Değişmezlik testi bunu ortaya çıkarır.
Ne işe yarar: configural, metric, scalar ve strict adımlarını art arda kestirir; ki-kare farkı (MLR'de Satorra-Bentler 2001), CFI ve RMSEA farkları ve skor testlerini verir. Chen (2007) ölçütleri (CFI farkı <= -0.01, RMSEA farkı >= 0.015) ile birlikte yorumlanır.
Sonuca etkisi: Değişmezlik tablosu ekler; grup seçili değilse etkisizdir ve "grup değişkeni seçilmedi; değişmezlik sınanmadı" uyarısı verilir.
Doğrulama verisinde: Metric ki-kare farkı(6) = 8.192 (p = 0.224), scalar farkı(6) = 40.059, strict ki-kare(69) = 181.511; MLR'de metric ölçekli fark 6.567 (p = 0.363).
Kısmi değişmezlik (serbest parametreler)
Kavram: Kısmi değişmezlik, gruplar arasında farklı işleyen az sayıda parametrenin eşitlik kısıtından muaf tutulmasıdır. Geri kalan parametreler eşit tutulduğu sürece grup karşılaştırması anlamlı kalabilir.
Gündelik örnek: Yalnız bir tükenmişlik maddesi iki birimde farklı işliyorsa o maddenin yükü ya da kesişimi serbest bırakılır; diğer maddeler eşit tutularak yoğun bakım ve poliklinik karşılaştırması sürdürülür.
Ne işe yarar: Eşitlik kısıtından muaf parametreleri belirler ('visual =~ x2; x7 ~ 1').
Sonuca etkisi: Metric, scalar ve strict adımlarında listedeki parametreler serbest kalır.
Doğrulama verisinde: scalar ki-kare(58) = 148.587 (tam scalar 164.103).
Güven düzeyi (%90, %95, %99, özel)
Kavram: Yol katsayıları ve tanımlı parametreler (ör. dolaylı etkiler) için verilen aralıkların ne kadar güvenceli olacağını belirler. Düzey yükseldikçe aralık genişler.
Gündelik örnek: İş yükünün tükenmişliğe etkisi 0,45 bulunduysa %95 güvenle gerçek etkinin örneğin 0,33 ile 0,57 arasında olduğu söylenir; %99 istenirse bu aralık genişler.
Ne işe yarar: Parametre ve := satırlarının Wald güven aralığı ile bootstrap yüzdelik aralığının düzeyini belirler. RMSEA aralığı sabit %90'dır.
Sonuca etkisi: Yalnız aralık genişliği.
Doğrulama verisinde: PoliticalDemocracy dem60 ~ ind60 = 1.483: %95 [0.7007, 2.2653], %90 [0.8265, 2.1395], %99 [0.4549, 2.5111], %85.5 [0.9013, 2.0647].
Bootstrap (tanımlı parametreler)
Kavram: Dolaylı etki iki yol katsayısının çarpımıdır ve bu çarpımın örnekleme dağılımı genellikle çarpıktır; bu yüzden simetrik formül tabanlı aralık yanıltıcı olabilir. Bootstrap, veriden yerine koyarak çok sayıda yeni örneklem çekip etkiyi her birinde yeniden hesaplar ve aralığı bu dağılımın yüzdeliklerinden kurar.
Gündelik örnek: İş yükünün ayrılma niyetine tükenmişlik üzerinden dolaylı etkisi 0,18 bulunduysa, 400 hemşirenin anketinden binlerce kez yeniden örnek çekilerek bu etkinin hangi aralıkta dolaştığına bakılır. Aralık sıfırı içermiyorsa dolaylı etki güvenilir kabul edilir.
Ne işe yarar: := parametreleri için vaka yeniden örnekleme ile yüzdelik güven aralığı hesaplar (MerQur tohumu 42; 0 = yalnız delta yöntemi). Dolaylı etkilerin çarpık dağılımı nedeniyle önerilir; B >= 1000 (Preacher ve Hayes, 2008).
Sonuca etkisi: Yalnız := satırlarının altına bootstrap aralığı ve SE ekler; ana tablo değişmez.
Doğrulama verisinde: PoliticalDemocracy ind: B = 500 [0.631, 1.924], SE 0.335; B = 2000 [0.567, 1.956], SE 0.352. Farklı tohumlar arasındaki fark Monte Carlo hata payı içindedir.
Ek çıktı: Modifikasyon indeksleri
Kavram: Modifikasyon indeksi, modelde sıfıra sabitlenmiş bir parametre serbest bırakılsaydı ki-karenin yaklaşık ne kadar düşeceğini gösterir. Uyumsuzluğun kaynağını bulmaya yardım eder; ancak indekse bakarak model değiştirmek kuramsal gerekçe ve yeni bir örneklemde doğrulama gerektirir.
Gündelik örnek: İndeks, iki tükenmişlik maddesinin hataları arasında bir ilişki eklenmesini öneriyor olabilir. Bu iki madde neredeyse aynı şeyi soruyorsa ekleme savunulabilir; yoksa yalnız bu veriye özgü bir rastlantıyı modele işlemek olur.
Ne işe yarar: Sabit sıfır adaylar için skor (LM) testi, EPC ve standartlaştırılmış EPC verir (liste bazında).
Sonuca etkisi: Yalnız ek tablo; kapalıyken tablo yoktur, diğer sonuçlar aynıdır.
Doğrulama verisinde: PoliticalDemocracy için 20 aday serbest parametrenin MI tablosu verilir.
Gerçek veride örnek
Veri: Holzinger ve Swineford 1939, lavaan paketi
Değişkenler: Model sözdizimi: visual, textual, speed gizil faktörleri (x1-x9) ve textual ~ visual, speed ~ visual + textual yolları
- Soru: Görsel yetenek sözel yeteneği, görsel ve sözel yetenek birlikte hız faktörünü yordar mı (üç gizil faktörlü yol modeli)?
- Model uyumu: χ²(24, N = 301) = 85.31, p < .001; CFI = .931, TLI = .896, RMSEA = .092 [.071, .114], SRMR = .065. Uyum zayıftır; yapısal kısım doymuş olduğundan uyum CFA ile aynıdır.
- Yapısal yollar: textual ← visual b = 0.504 (SE 0.093, p < .001, β = .46); speed ← visual b = 0.297 (SE 0.078, p < .001, β = .43); speed ← textual b = 0.053 (SE 0.053, p = .318, β = .09) anlamlı değildir.
- Açıklanan varyans: R² textual = .21, R² speed = .23; hız faktöründeki değişkenliğin yaklaşık beşte biri görsel yetenekle açıklanır.
- Ek bulgu: En büyük modifikasyon indeksi visual =~ x9 (MI = 36.41); uyum zayıflığı ölçme modelinden kaynaklanır.
- APA: χ²(24, N = 301) = 85.31, p < .001, CFI = .931, TLI = .896, RMSEA = .092, 90% CI [.071, .114], SRMR = .065; textual ← visual: β = .46, p < .001; speed ← visual: β = .43, p < .001; speed ← textual: β = .09, p = .318.
İlgili kavramlar
Bootstrap (yeniden örnekleme)Ölçme değişmezliği (yapısal, metrik, skaler, katı)Ölçüm modeli ve yapısal modelSağlam ML tahmincileri (MLM, MLR; Satorra-Bentler)Tam bilgi en çok olabilirlik (FIML)Değişiklik (modifikasyon) indeksleriDolaylı etki (aracılık)Skor (Lagrange çarpanı) testi
Örneklerdeki sayılar MerQur'un bağımsız, kamuya açık doğrulama verileri üzerindeki çıktılarıdır; ayrıntılar için MerQur Teknik Not'a bakınız.