MerQuR+İstatistik Sözlüğü

İstatistik Sözlüğü → Yol Analizi

Yol Analizianaliz

Gözlenen değişkenler arasındaki yönlü ilişkilerden oluşan bir kuramsal modeli (kim kimi etkiler) eşanlı denklemlerle kestiren ve modelin veriyle ne kadar uyumlu olduğunu sınayan analiz.

Kavram

Birçok araştırma sorusu tek bir regresyon denklemiyle ifade edilemez: bir değişken hem bir sonucun nedeni hem de başka bir değişkenin sonucu olabilir. Yol analizi, araştırmacının kurama dayanarak çizdiği bir ok şemasını (yol diyagramı) bir denklem sistemi olarak yazar ve bütün yolları aynı anda kestirir. Böylece doğrudan etkiler, aracı değişkenler üzerinden geçen dolaylı etkiler ve toplam etkiler birlikte elde edilir.

Model, değişkenlerin gözlenen kovaryans matrisini, çizilen yolların öngördüğü kovaryans matrisiyle karşılaştırır. Kuram bazı yolların sıfır olduğunu söylüyorsa (ör. X'ten Y'ye doğrudan ok yok), model veriyi tam olarak yeniden üretemeyebilir; aradaki fark ki-kare testi ve CFI, TLI, RMSEA, SRMR gibi uyum indeksleriyle değerlendirilir. Bir dolaylı etki, yol üzerindeki katsayıların çarpımıdır. Her olası yolu içeren 'doymuş' bir modelin serbestlik derecesi sıfırdır ve uyumu kendiliğinden kusursuzdur; bu nedenle uyum testi ancak kuramın bazı yolları dışarıda bıraktığı modellerde bilgi verir.

Yol analizi değişkenlerin hatasız ölçüldüğünü, modelin doğru belirlendiğini (önemli bir değişken ya da yol atlanmadığını) ve ML kestiriminde çok değişkenli normalliği varsayar. İyi uyum modelin doğru olduğunu kanıtlamaz; aynı veriye eşit derecede uyan farklı yönlü modeller bulunabilir. Oklar nedensel bir sıra öne sürer, ancak bu sıra verinin kendisinden değil kuramdan ve tasarımdan gelir.

Ne zaman kullanılır?

  • Kurama dayalı, birden çok denklemden oluşan yönlü bir ilişki ağı (zincirleme ya da paralel aracılar, birden çok sonuç) gözlenen değişkenlerle birlikte sınanacağında.
  • Yalnız tek bir X, bir ya da birkaç aracı ve tek bir Y varsa ve odak dolaylı etkinin bootstrap aralığıysa aracılık analizi yeterlidir.
  • Değişkenler birden çok maddeyle ölçülen gizil yapılarsa (ör. ölçek puanları yerine 'kaygı' kavramı) ölçüm hatasını da modelleyen yapısal eşitlik modeli (SEM) tercih edilir.

Gündelik bir örnek

Bir hastane yönetimi, hemşirelerin iş yükünün iş performansını nasıl etkilediğini anlamak istiyor. Kurama göre iş yükü stresi artırır, stres uyku kalitesini bozar, kötü uyku da performansı düşürür; iş yükünün performansa ayrıca doğrudan etkisi de olabilir. Yol analizi bu dört değişkeni ve okları tek modelde kestirir, her doğrudan ve dolaylı etkiyi verir ve uyum indeksleriyle bu zincir kurgusunun 250 hemşirenin verisiyle uyuşup uyuşmadığını gösterir.

MerQur'da parametreler

Şablon (Simple / Mediation / Serial / Parallel / Custom) ve X, M, M1, M2, Y

Kavram: Şablonlar sık kullanılan yol yapılarını hazır sunar: basit (X → Y), aracılık (X → M → Y), seri (X → M1 → M2 → Y) ve paralel (X'ten Y'ye iki ayrı aracı üzerinden). Her şablon, hangi değişkenin hangisini yordadığını tanımlayan denklemleri kurar.

Gündelik örnek: Hastane örneğindeki 'iş yükü → stres → uyku → performans' zinciri seri şablona uyar. Stres ve uyku birbirinden bağımsız iki yol olarak düşünülseydi paralel şablon seçilirdi.

Ne işe yarar: Model metnini üretir: basit (Y ~ X), aracılık (M ~ X; Y ~ X + M), seri (M1 ~ X; M2 ~ X + M1; Y ~ X + M1 + M2), paralel (M1 ~ X; M2 ~ X; Y ~ X + M1 + M2; aracılar arası artık kovaryansı yoktur), özel (elle). İkili 0/1 X de seçilebilir.

Sonuca etkisi: Tüm model değişir.

Doğrulama verisinde: Aracılık (hsbdemo): a = 0.7248 (SH 0.0580), b = 0.3654, c' = 0.4017, dolaylı etki 0.2649 (delta SH 0.0522). Paralel model: χ²(1) = 21.4258; CFI 0.9441, RMSEA 0.3196 [0.2110, 0.4436], SRMR 0.0638.

→ Ölçüm modeli ve yapısal model

Model metni (özel model)

Kavram: Özel modelde yollar metin olarak yazılır: '~' bir değişkenin hangi değişkenlerle yordandığını, '~~' iki değişken arasında yönsüz bir kovaryansı (ortak açıklanamayan değişkenlik) tanımlar.

Gündelik örnek: 'performans ~ uyku + iş_yükü' satırı performansın uyku ve iş yükünden etkilendiğini söyler. 'stres ~~ tükenmişlik' ise iki değişkenin, modelde olmayan ortak nedenlerle birlikte değiştiğini kabul eder.

Ne işe yarar: "~" yol, "~~" kovaryans (semopy sözdizimi); özel modda elle yazılır.

Sonuca etkisi: Tüm model değişir.

Doğrulama verisinde: Çoklu bağımsız değişken (read ~ math + ses; science ~ read + math + ses): read ~ ses 1.726, science ~ ses 1.0337. Tam aracılık (science ~ read, c' = 0): χ²(1) = 28.8987.

→ Ölçüm modeli ve yapısal model

Güven Düzeyi (%90 / %95 / %99 / Diğer, özel değer)

Kavram: Yol katsayılarının ve dolaylı ve toplam etkilerin aralık tahminlerinin güven düzeyini belirler. RMSEA'nın aralığı geleneksel olarak %90 düzeyinde raporlanır.

Gündelik örnek: Stresin uyku kalitesine etkisi için %95 güven aralığı [-0,55; -0,30] ise etki büyük olasılıkla belirgin biçimde negatiftir; %99 seçilirse aralık genişler.

Ne işe yarar: Yol katsayılarının ve dolaylı/toplam etkilerin Wald aralığı ile bootstrap yüzdelik aralığının düzeyi. RMSEA aralığı her zaman %90'dır.

Sonuca etkisi: Yalnız aralıklar değişir.

Doğrulama verisinde: read ~ math GA: %95 [0.6112, 0.8385], %90 [0.6294, 0.8202], %85.5 [0.6403, 0.8093].

→ Güven düzeyi ve güven aralığı

Bootstrap (dolaylı etkiler) (0 = kapalı)

Kavram: Dolaylı etkiler katsayıların çarpımı olduğundan dağılımları çarpıktır. Bootstrap, veriden yerine koyarak çok sayıda yeniden örneklem çekip dolaylı etkiyi her birinde yeniden hesaplar ve formüle dayanmayan bir güven aralığı verir.

Gündelik örnek: İş yükünün stres ve uyku üzerinden performansa dolaylı etkisi üç katsayının çarpımıdır. 2000 bootstrap örneğinde bu çarpımın ortadaki %95'i sıfırı içermiyorsa zincir yoluyla iletilen etki anlamlıdır.

Ne işe yarar: Dolaylı etkiler için vaka yeniden örneklemesi ve yüzdelik aralık (tohum sabit 42).

Sonuca etkisi: Yalnız dolaylı etki aralıkları değişir. FIML ile bootstrap yapılmaz, uyarı yazılır.

Doğrulama verisinde: Aracılık B = 500: [0.15339, 0.38552]; paralel B = 2000: [0.21255, 0.48089]; %90: [0.23732, 0.45077].

→ Bootstrap (yeniden örnekleme)

Kestirim yöntemi (ML / MLM Satorra-Bentler / MLR Huber-White / GLS / WLS ADF)

Kavram: ML, çok değişkenli normallik varsayımıyla en çok olabilirlik kestirimidir. MLM ve MLR normallikten sapmaya karşı ki-kare değerini ölçekler ve sağlam standart hatalar verir; GLS ve WLS (ADF) farklı ağırlıklandırmalarla kestirir, WLS normallik varsaymaz ama büyük örneklem ister.

Gündelik örnek: Hemşirelerin stres puanları sağa çarpıksa ML'nin ki-karesi uyumu olduğundan kötü gösterebilir. MLR ile ölçeklenmiş ki-kare ve sağlam standart hatalar bu çarpıklığa karşı daha güvenilir sonuç verir.

Ne işe yarar: Yol tablosunun β, SH, z, p ve aralıkları seçilen yöntemle hesaplanır; ayrı bölümde yöntemin χ²'si (MLM ve MLR'de ölçekli χ² ve c) verilir. Standartlaştırılmış katsayılar, R², etki ayrıştırması ve ana uyum indeksleri ML temellidir (ekranda notla belirtilir).

Sonuca etkisi: SH, z, p ve χ² değişir.

Doğrulama verisinde: Paralel model: MLM ölçekli χ² = 19.6876, c = 1.0883, read ~ math SH = 0.0549. MLR ölçekli χ² = 24.3466 (c = 0.8800). GLS χ² = 18.3521, WLS χ² = 18.7009.

→ Sağlam ML tahmincileri (MLM, MLR; Satorra-Bentler)

Eksik veri (Liste bazında silme / FIML)

Kavram: Liste bazında silme, herhangi bir değişkeni eksik olan kişiyi tümüyle dışarıda bırakır. FIML (tam bilgili en çok olabilirlik) ise her kişinin gözlenen bütün değerlerini kullanır ve eksikliğin gözlenen değişkenlerle açıklanabildiği (MAR) varsayımı altında yansız sonuç verir.

Gündelik örnek: 250 hemşirenin 30'u uyku anketini doldurmamışsa liste bazında silme onları tümüyle atar ve örneklem 220'ye düşer. FIML bu 30 kişinin iş yükü, stres ve performans bilgisini yine de kullanır.

Ne işe yarar: FIML, MAR varsayımı altında gözlenen tüm veriyi kullanır (yalnız ML ve MLR ile).

Sonuca etkisi: Örneklem büyüklüğü ve tüm kestirimler değişir. FIML ile GLS seçilirse anlaşılır hata mesajı verilir. FIML'de GFI ve AGFI hesaplanmaz.

Doğrulama verisinde: boys: liste bazında n = 684: hgt ~ age 6.6169 (SH 0.0571), χ²(2) = 192.42. FIML n = 748: 6.5811 (SH 0.0549), χ²(2) = 211.708.

→ Tam bilgi en çok olabilirlik (FIML)

RMSEA paydası (N / N-1)

Kavram: RMSEA, modelin her serbestlik derecesi başına düşen uyumsuzluğunu örneklem büyüklüğüne göre ölçer. Formülde N ya da N-1 kullanılması yazılımlar arasında küçük farklar yaratır; büyük örneklemlerde fark önemsizdir.

Gündelik örnek: 250 hemşirelik veride RMSEA'nın N ile 0,061, N-1 ile 0,0612 çıkması karar vermeyi etkilemez. Sonucu başka bir programla karşılaştırırken bu ayarın aynı olduğundan emin olmak yeterlidir.

Ne işe yarar: RMSEA hesabında kullanılan örneklem büyüklüğü.

Sonuca etkisi: Yalnız RMSEA nokta kestirimi değişir; %90 aralık ve PCLOSE her iki seçimde N ile hesaplanır. Doymuş modelde (sd = 0) etkisizdir.

Doğrulama verisinde: Paralel model: N ile 0.3196; N-1 ile 0.3204 (elle formülle aynı).

→ Model uyum indeksleri (χ², CFI, TLI, RMSEA, SRMR)

Mardia çok değişkenli normallik (Ek çıktı)

Kavram: Mardia testleri değişkenlerin birlikte çok değişkenli normal dağılıp dağılmadığını çarpıklık ve basıklık açısından sınar. Anlamlı sonuç, ML yerine MLM ya da MLR gibi sağlam kestiricilerin düşünülmesi gerektiğine işaret eder.

Gündelik örnek: Çok değişkenli çarpıklık testi anlamlı çıkarsa, örneğin birkaç hemşirenin hem çok yüksek iş yükü hem çok düşük uyku puanı birlikte uç bir öbek oluşturuyor olabilir. Bu durumda MLR ile kestirim daha güvenlidir.

Ne işe yarar: Çok değişkenli çarpıklık ve basıklık testleri.

Sonuca etkisi: Yalnız ek çıktı ekler.

Doğrulama verisinde: Paralel, 4 değişken: b1p = 1.1426, χ²(20) = 38.087 (p = 0.0086); b2p = 23.3923, z = -0.6202. Katsayılar n paydalı (ML) kovaryansla hesaplanır.

→ Mardia çok değişkenli normallik testi

Modifikasyon indeksleri (Ek çıktı)

Kavram: Modifikasyon indeksi, modele henüz bulunmayan bir yol ya da kovaryans eklendiğinde ki-karenin yaklaşık ne kadar düşeceğini gösterir. Yalnız kuramsal olarak savunulabilir öneriler dikkate alınmalıdır; veriye göre art arda yol eklemek modeli o örnekleme aşırı uydurur.

Gündelik örnek: İndeks, stres ile performans arasına doğrudan bir yol eklenmesini önerebilir. Stresin uyku dışında da performansı (ör. dikkat dağınıklığıyla) etkilediği kuramsal olarak makulse yol eklenir; değilse öneri göz ardı edilir.

Ne işe yarar: Modele yeni parametre eklemenin χ² azalmasını (MI, EPC, sEPC) listeler. Dışsal değişkeni bağımlı yapan adaylar listelenmez.

Sonuca etkisi: Yalnız ek çıktı ekler.

Doğrulama verisinde: Paralel model: read ~~ write MI = 20.318 (EPC 18.165, sEPC 0.3187).

→ Değişiklik (modifikasyon) indeksleri

Artık korelasyonlar (Ek çıktı)

Kavram: Artık korelasyonlar, gözlenen korelasyonlar ile modelin öngördüğü korelasyonlar arasındaki farklardır. Büyük bir artık, modelin o iki değişken arasındaki ilişkiyi açıklayamadığını gösterir.

Gündelik örnek: İş yükü ile uyku arasındaki gözlenen korelasyon -0,40, modelin öngördüğü ise -0,20 ise artık -0,20'dir: iş yükü uykuyu yalnız stres üzerinden değil, örneğin gece vardiyası yoluyla doğrudan da etkiliyor olabilir.

Ne işe yarar: cor(S) - cor(Σ̂) matrisini verir.

Sonuca etkisi: Yalnız ek çıktı ekler.

Doğrulama verisinde: Paralel model: read-write artık korelasyonu 0.188, write-science 0.053; diğerleri |r| ≤ 0.030.

→ Model uyum indeksleri (χ², CFI, TLI, RMSEA, SRMR)

Karşılaştırma modeli

Kavram: İki model, ki-kare farkı testiyle (biri diğerinin özel hâliyse, yani iç içe ise) ve AIC ile BIC farklarıyla karşılaştırılır. Daha küçük AIC ya da BIC, uyum ile basitlik arasında daha iyi bir dengeyi gösterir.

Gündelik örnek: İş yükünden performansa doğrudan yolun olduğu ve olmadığı iki model karşılaştırılır. Ki-kare farkı anlamlı değilse ve BIC yolsuz modelde daha küçükse, iş yükünün etkisinin tümüyle stres ve uyku üzerinden iletildiği daha basit açıklama tercih edilir.

Ne işe yarar: Alternatif bir modelle ki-kare farkı, AIC ve BIC farkı verir. Karşılaştırma her zaman ML ve liste bazında silmeyle yapılır.

Sonuca etkisi: Yalnız ek çıktı ekler.

Doğrulama verisinde: Paralel model ile doymuş model (read ~~ write): Δχ² = 21.4258, Δsd = 1, ΔAIC = 19.43, ΔBIC = 16.13. Aracılık ile tam aracılık: Δχ² = 28.8987.

→ Olabilirlik oranı testi (LRT)

Gerçek veride örnek

Veri: UCLA OARC hsbdemo

Değişkenler: paralel şablon: X math, aracılar read ve write, Y science

  • Soru: Matematik puanı (math) fen puanını (science) doğrudan mı, yoksa okuma (read) ve yazma (write) üzerinden dolaylı olarak mı etkiliyor? (paralel iki aracılı yol modeli, n = 200)
  • Yollar: math, read'i (β = 0.7248) ve write'ı (β = 0.6247) güçlü biçimde yordar; science üzerinde math (0.3190), read (0.3015) ve write (0.2065) yollarının hepsi anlamlıdır (p ≤ .002).
  • Dolaylı etki: math'ın science üzerindeki toplam dolaylı etkisi 0.3476 (delta SH 0.0659, %95 GA [0.218, 0.477]); toplam etki 0.6666'nın yaklaşık yarısı aracılar üzerinden iletilir, doğrudan yol da anlamlı kaldığı için kısmi aracılık söz konusudur.
  • Model uyumu: χ²(1) = 21.43, p < .001; CFI = 0.944, TLI = 0.665, RMSEA = 0.320 [0.211, 0.444], SRMR = 0.064. RMSEA ve χ² modelin veriyle uyuşmadığını gösterir; genel uyum vasattır.
  • Açıklanan varyans: R² read için 0.4386, write için 0.3812, science için 0.4881.
  • Sınırlılık: Paralel şablon read ile write'ın artıklarını ilişkisiz varsayar; tek serbestlik derecesi bu kısıttan gelir. Modifikasyon indeksi bu kovaryansın eklenmesini önerir (kötü uyumun kaynağı budur).
  • APA: Paralel aracılık modeli, χ²(1) = 21.43, p < .001, CFI = .94, RMSEA = .32, SRMR = .06; toplam dolaylı etki = 0.35, %95 GA [0.22, 0.48].

İlgili kavramlar

Ölçüm modeli ve yapısal modelModel uyum indeksleri (χ², CFI, TLI, RMSEA, SRMR)Değişiklik (modifikasyon) indeksleriSağlam ML tahmincileri (MLM, MLR; Satorra-Bentler)Tam bilgi en çok olabilirlik (FIML)Dolaylı etki (aracılık)Mardia çok değişkenli normallik testiTahmin hata ölçütleri (RMSE, MAE, MAPE, MASE)

Örneklerdeki sayılar MerQur'un bağımsız, kamuya açık doğrulama verileri üzerindeki çıktılarıdır; ayrıntılar için MerQur Teknik Not'a bakınız.