Sorumluluğum : Bu sorunun bir süredir uykuda olduğunu fark ettim, ancak önemli bir soru ve birden fazla yanıt almayı amaçladığınız gibi görünüyor. Ben bir Sosyal Psikologum ve seslerinden, muhtemelen bu tür tasarımlarla Henrik'ten biraz daha rahat (nedensel yorumlarla ilgili endişeleri tamamen meşru olsa da).
SEM Hangi Koşullar Altında Uygun Bir Veri Analiz Tekniği?
Bana göre, bu soru aslında iki farklı alt soruyu ele almaktadır:
- Neden ilk etapta SEM kullanıyorsunuz?
- Bir araştırmacı SEM kullanmaya karar verdiyse, SEM kullanmak için veri ile ilgili gereksinimler nelerdir?
Neden ilk etapta SEM kullanıyorsunuz?
SEM, veri analizine diğer, daha tipik, genel doğrusal modelleme yaklaşımlarından (örn., ANOVA'lar, korelasyonlar, regresyon ve bunların uzantıları, vb.) Daha nüanslı ve karmaşık - ve dolayısıyla daha az erişilebilir - bir yaklaşımdır. Bu yaklaşımlarla yapmayı düşünebileceğiniz her şeyi, SEM ile yapabilirsiniz.
Bu nedenle, bence kullanıcılar öncelikle SEM'i neden kullanmaya zorlandıklarını güçlü bir şekilde değerlendirmelidir . Emin olmak için, SEM kullanıcılarına bazı güçlü faydalar sunuyor, ancak bu avantajların hiçbirinin kullanılmadığı kağıtları inceledim ve son ürün, tipik okuyucuların anlaması gereksiz yere daha zor olan bir veri analizi bölümüdür. . SEM ve diğer veri analizi yaklaşımlarının faydaları sağlanamıyorsa, sadece araştırmacı veya okuyucu için sorun değil.
Öyleyse bir SEM yaklaşımının birincil faydaları olarak ne görüyorum? Bence büyük olanlar:
(1) Gizli değişkenlerin modellenmesi : SEM, kullanıcıların esasen bir grup değişken (örn. Bir kaygıdan ögeler) arasındaki paylaşılan kovaryans olan gözlemlenmemiş gizli değişkenler arasındaki yapısal ilişkileri (varyanslar, kovaryanslar / korelasyonlar, regresyonlar, grup ortalama farklılıkları) incelemelerine olanak tanır. öğrencilerinizin kullanabileceğini ölçün).
Gizli değişkenleri analiz etmek için büyük satış noktası (ör. Gizli kaygı) ile yapının gözlenen bir puanı (ör. Kaygı maddelerinin ortalaması), gizli değişkenlerin hatasız olmasıdır - gizli değişkenler paylaşılan kovaryanstan oluşur, ve hata hiçbir şey olmadan tutarlılık kuramsallaştırılır. Bu, kullanıcıların artık modellemeye çalıştıkları etkileri zayıflatan ölçüm güvenilmezliği konusunda endişelenmek zorunda olmamaları nedeniyle artan istatistiksel güç anlamına gelir.
SEM'i kullanmayı düşünmek için daha sade bir neden, bazı durumlarda, yapılar hakkındaki teorilerimizi test etmenin daha yapısal geçerli bir yoludur. Örneğin, öğrencileriniz üç farklı kaygı ölçüsü kullanıyor olsaydı, bu üç ölçütün ortak yönlerinin - muhtemelen kaygının - bir SEM çerçevesinde imtiyaz vermek yerine nedenlerini / sonuçlarını anlamak daha iyi olmaz mıydı? özellikle bir tedbir anksiyete ölçüsü?
(2) Çoklu bağımlı değişkenlerin modellenmesi: Birisi gizli değişkenleri modellemek için SEM kullanmasa bile, bir modelde birden çok sonuç değişkenini aynı anda analiz etmek için bir çerçeve olarak hala yararlı olabilir. Örneğin, belki de öğrencileriniz aynı belirleyicilerin klinik olarak anlamlı farklı sonuçlarla (örn. Kaygı, depresyon, yalnızlık, benlik saygısı, vb.) Nasıl ilişkili olduğunu araştırmakla ilgilenmektedir. İlgilendiğiniz dört sonuç için sadece bir model çalıştırabildiğinizde neden dört ayrı model (Tip I hata oranını artırarak) çalıştırmalısınız? Bu aynı zamanda, birden fazla bağımlı kişinin hem yordayıcı hem de sonuç yanıtları verebileceği belirli bağımlı veri türleriyle uğraşırken SEM kullanmak için bir nedendir (örneğin ikili veriler; bkz. Kenny, Kashy ve Cook, 2006,
(3) Varsayımları modellemek yerine modellemek : Veri analizine yönelik diğer birçok yaklaşımla (örneğin, ANOVA, korelasyon, regresyon), uğraştığımız verilerin özellikleri hakkında bir ton varsayım yaparız - homojenliği gibi varyans / homoskedasticity. SEM (genellikle gizli değişken bir yaklaşımla birleştirilir) kullanıcıların varyans parametrelerini araçlarla ve / veya korelasyonlarla / regresif yollarla eşzamanlı olarak modellemesini sağlar. Bu, kullanıcıların değişkenliğe sadece sinir bozucu bir varsayımla ilgili sonradan düşünülmüş gibi davranmak yerine, ortalama farklılıklara / değişebilirliğe ek olarak değişkenlik hakkında kuramsallaştırmaya ve test etmeye başlayabileceği anlamına gelir.
Bazı değişkeni grup ortalamaları seviyelerini karşılaştırırken başka test edilebilir varsayım, bu değişken aslında olup olmadığıdır demektir olarak anılacaktır - her gruba aynı şeyi ölçüm değişmezliği bu sürecin bir inceleme için, SEM literatürde (Vandenberg & Lance, 2000 bakınız içinde ). Öyleyse, o değişkenin ortalama seviyeleri üzerindeki karşılaştırmalar geçerlidir, ancak gruplar bir şeyin ne olduğu konusunda önemli ölçüde farklı bir anlayışa sahipse, gruplar arasındaki ortalama seviyeleri karşılaştırmak tartışmalıdır. Bu özel varsayımı, grup karşılaştırmalarını kullanarak araştırmalarda her zaman örtük olarak yapıyoruz.
Ve sonra, bir toplam endeksi oluşturmak için madde puanlarını ortalamalandırdığınızda veya (örneğin, bir kaygı ölçüsünde) topladığınızda, her bir öğenin temeldeki yapının eşit derecede iyi bir ölçüsü olduğu varsayılır (çünkü her bir öğe, ortalama alma / toplanmasıyla). SEM, her bir öğe için farklı faktör yükleme değerlerini (öğe ile gizli değişken arasındaki ilişki) tahmin ederek gizli değişkenler kullanıldığında bu varsayımı ortadan kaldırır.
Son olarak, SEM için hala önemli olmasına rağmen verilerle ilgili diğer varsayımlar (örn. Normallik), "sağlam" tahmin ediciler kullanılarak yönetilebilir (örn., Veriler karşılanamadığı zaman Finney ve DiStefano, 2008). bazı kriterler (düşük çarpıklık ve basıklık).
(4) Model kısıtlamalarını belirtme: Benim düşünceme göre, SEM kullanmayı düşünmenin son büyük nedeni, modelinizdeki belirli yolları zorlayarak (SEM terimleriyle "sınırlandırarak) veri modeliniz hakkında sahip olabileceğiniz belirli hipotezleri test etmeyi çok kolay hale getirmesidir. belirli değerleri ele almak ve bunun modelinizin verilerinize uyumunu nasıl etkilediğini incelemek. Bazı örnekler şunlardır: (A) modelde gerekli olup olmadığını test etmek için bir regresyon yolunu sıfıra sınırlamak; (B) büyüklükte eşit olacak şekilde birden fazla regresyon yolu içeren (örneğin, bazı öngörücülerin ilişkilendirme gücü kabaca kaygı ve depresyon için eşit midir?); (C) ölçüm değişmezliğini değerlendirmek için gerekli ölçüm parametrelerini sınırlamak (yukarıda açıklanmıştır); (D) bir regresyon yolunun iki farklı grup arasında kuvvet bakımından eşit olması ile sınırlandırılması,
SEM için veri ile ilgili gereksinimler nelerdir?
SEM için veri ile ilgili gereksinimler oldukça mütevazıdır; yeterli bir örnek büyüklüğüne ihtiyacınız vardır ve verilerinizin seçtiğiniz model tahmincisinin varsayımlarını karşılaması için (Maksimum Liklihood tipiktir).
Numune boyutu için tek bedene uyan bir öneri vermek zordur. Bazı basit simülasyonlara dayanarak, Little (2013) çok basit modeller için 100-150 gözlemin yeterli olabileceğini, ancak modeller daha karmaşık hale geldikçe ve / veya kullanılan değişkenlerin güvenilirliği / geçerliliği olarak örnek boyutu ihtiyaçlarının artacağını önermektedir. model azalır. Model karmaşıklığı bir endişe ise, gizli değişkenlerinizin göstergelerini parsellemeyi düşünebilirsiniz, ancak hepsi bu yaklaşımla yerleşik değildir (Little, Cunningham, Shahar ve Widaman, 2002). Ama genel olarak konuşursak, diğer her şey eşit, daha büyük numuneler (kendi araştırmamda en az 200 için gayret ediyorum) daha iyidir.
Seçilen bir tahmin edicinin varsayımlarını karşılamaya gelince, genellikle bunu değerlendirmek oldukça kolaydır (örneğin, maksimum olabilirlik tahmincisi için çarpıklık ve basıklık değerlerine bakın). Ve veriler varsayılan özelliklerden ayrılsa bile, bir araştırma "sağlam" bir tahmin edicinin (Finney ve DiStefano, 2008) veya farklı türde bir veri (örneğin, çapraz olarak en az ağırlıklı olarak kategorik bir tahmin edicinin) kareler).
Veri Analizi için SEM Alternatifleri?
Bir araştırmacı, yukarıda vurguladığım bir SEM yaklaşımının sağladığı avantajlardan yararlanmayacaksa, söz konusu analizin daha açık ve erişilebilir bir sürümüne (e..g, t -testler, ANOVA'lar, korelasyon analizi, regresyon modelleri [arabuluculuk, moderasyon ve koşullu süreç modelleri dahil]. Okuyucular onlara daha aşinadır ve bu nedenle onları daha kolay anlayacaktır. SEM'i daha basit bir analitik yaklaşımla aynı etkiye göre kullanıyorsanız, okuyucuları SEM'in minutiaları ile karıştırmaya değmez.
SEM kullanımını düşünen araştırmacılara tavsiyeler?
SEM'de yepyeni olanlar için:
- Kapsamlı, erişilebilir yazılı bir temel SEM metni edinin. Beaujean (2014), Brown (2015; önceki sürüm de sağlam) ve Little (2013; daha sonra özellikle uzunlamasına modellere odaklansa da iyi genel tanıtım) hoşuma gidiyor.
lavaanPaketi nasıl kullanacağınızı öğrenin R(Rosseel, 2012). Sözdizimi SEM sözdiziminin alabileceği kadar kolaydır, işlevselliği birçok insanın SEM ihtiyaçları için yeterince geniştir (kesinlikle yeni başlayanlar için) ve ücretsizdir. Beaujean kitabı SEM ve lavaanpakete eşzamanlı olarak büyük bir giriş niteliğindedir .- CrossValidated ve StacksOverflow'a düzenli olarak danışın / kullanın. SEM modellerini takarken beklenmedik şeyler olabilir ve şansınız, karşılaşabileceğiniz garip şeylerin çoğu zaten açıklanmış ve Yığınlarda sorun çıkarmıştır.
- Herik'in belirttiği gibi, sadece nedensel ilişkilendirmeleri ima eden bir model belirttiğiniz için, SEM'in kesitsel / deneysel olmayan bir çalışmada nedensellik oluşturmaya yardımcı olduğu anlamına gelmez. Ayrıca, uzunlamasına ve / veya deneysel tasarımlardan gelen verileri analiz etmek için SEM kullanımını düşünmeye tamamen değer.
Ve aslında SEM'i kullanmaya başlayanlar için:
- Bir noktada, modelinizin uyumunu iyileştirmek için korelasyonlu kalıntıları willy-nilly belirtmeye cazip olacaksınız. Yapma. En azından iyi bir neden olmadan . Çoğu zaman, daha büyük bir örnek veya daha basit bir model tedavidir.
- Gizli değişkenler için marker-değişken tanımlama yöntemini kullanmaktan kaçının (yani ilk faktör yükünü 1'e sabitlemek). Çoğu durumda, durumun böyle olduğunu varsaymak için hiçbir neden olmadığında, göstergeyi gizli değişkeninizin "altın standart" göstergesi olarak ayrıcalıklı kılar. Bunun çoğu programda varsayılan tanımlama ayarı olduğunu unutmayın.
Referanslar
Beaujean, AA (2014). R kullanarak gizli değişken modelleme: Adım adım kılavuz . New York, NY: Routledge.
Brown, TA (2015). Uygulamalı araştırmacılar için doğrulayıcı faktör analizi (2. baskı). New York, NY: Guilford Press.
Finney, SJ ve DiStefano, C. (2008). Yapısal eşitlik modellemesinde normal olmayan ve kategorik veriler. GR Hancock ve RD Mueller'de (Eds.), Yapısal eşitlik modellemesi: İkinci bir ders (s. 269-314). Bilgi Çağı Yayıncılığı.
Kenny, DA, Kashy, DA ve Cook, WL (2006). Çift veri analizi . New York, NY: Guilford Press.
Küçük, TD (2013). Boyuna yapısal eşitlik modellemesi . New York, NY: Guilford Press.
Little, TD, Cunningham, WA, Shahar, G. ve Widaman, KF (2002). Parsel için veya parsel için: Soruyu keşfetmek, esasları tartmak. Yapısal Eşitlik Modellemesi , 9 , 151-173.
Rosseel, Y. (2012). lav: Yapısal eşitlik modellemesi için bir R paketi. İstatistiksel Yazılım Dergisi , 48 (2), 1-36.
Vandenberg, RJ ve Lance, CE (2000). Ölçüm değişmezliği literatürünün gözden geçirilmesi ve sentezi: Örgütsel araştırmacılar için öneriler, uygulamalar ve öneriler. Örgütsel Araştırma Yöntemleri , 3 , 4-70.