Yapısal eşitlik modellemesine yeni başlayan araştırmacıların çoğu doğrudan yazılımı açıp model çizmeye girişir. Oysa YEM’de en kritik kararlar, AMOS’u açmadan önce verilir.

Yapısal eşitlik modellemesi ve veri analizi çalışması
YEM’de model kurulumu, yazılım bilgisinden önce kuramsal netlik ister.

Yapısal eşitlik modellemesi (YEM), birden fazla değişken arasındaki ilişkileri ölçme hatasını da hesaba katarak eş zamanlı test etmenizi sağlar. Regresyona göre en büyük üstünlüğü budur: gözlemlediğiniz maddelerin arkasındaki örtük yapıyı modelin içine dâhil eder.

Ama bu güç, beraberinde bir sorumluluk getirir. YEM’de “çalışan” bir model bulmak kolaydır; savunulabilir bir model kurmak zordur. Aradaki fark, aşağıdaki dört kararda saklı.

1. Modeli veriden değil kuramdan türetin

YEM doğrulayıcı bir yöntemdir. Yani hangi değişkenin hangisini yordadığını, hangi maddenin hangi faktöre yükleneceğini analiz öncesinde belirlemeniz beklenir. Veriye bakıp “hangi yol anlamlı çıkarsa onu bırakayım” yaklaşımı, istatistiksel olarak mümkün ama bilimsel olarak savunulamaz.

Hakem sürecinde en sık karşılaşılan itiraz da budur: “Bu yol neden bu yönde kuruldu?” Cevabınız bir kaynağa dayanmıyorsa, model reddedilir.

2. Ölçme modelini yapısal modelden önce test edin

İki aşamalı yaklaşım, YEM’in standart pratiğidir. Önce doğrulayıcı faktör analiziyle (DFA) ölçme modelinizin veriye uyup uymadığını sınarsınız; ancak ölçme modeli kabul edilebilir uyum gösterdikten sonra yapısal ilişkileri eklersiniz.

Bu sıralamayı atlarsanız, kötü uyumun kaynağını bilemezsiniz: sorun ölçme aracınızda mı, kurduğunuz ilişkilerde mi? İki aşamalı yaklaşım bu belirsizliği ortadan kaldırır.

Uyum indekslerinde yaygın eşikler

  • χ²/sd — 3’ün altı iyi, 5’in altı kabul edilebilir kabul edilir
  • CFI ve TLI — .95 üzeri iyi, .90 üzeri kabul edilebilir
  • RMSEA — .06 altı iyi, .08 altı kabul edilebilir
  • SRMR — .08 altı

Bu değerler Hu ve Bentler’in (1999) simülasyon çalışmasından türemiştir. Ancak yazarların kendisi de bunların katı kurallar değil, örneklem büyüklüğüne ve model karmaşıklığına göre yorumlanması gereken ölçütler olduğunu vurgular.

3. Modifikasyon indekslerini dikkatli kullanın

AMOS, modele hangi parametreyi eklerseniz uyumun ne kadar iyileşeceğini söyler. Bu bilgi cazip ama tehlikelidir.

Dikkat: Modifikasyon indeksine bakarak hata terimleri arasında kovaryans eklemek uyumu neredeyse her zaman iyileştirir. Ancak bu ekleme kuramsal olarak gerekçelendirilemiyorsa, yaptığınız şey modeli veriye uydurmaktır — kuramı test etmek değil. Böyle bir modelin başka bir örneklemde tekrarlanma ihtimali düşüktür.

Genel ilke şu: bir modifikasyonu ancak neden mantıklı olduğunu bir cümleyle açıklayabiliyorsanız uygulayın. Örneğin aynı alt boyuttaki iki maddenin benzer ifade yapısına sahip olması, hata kovaryansı için kabul edilebilir bir gerekçedir. “Uyum iyileşti” gerekçe değildir.

4. Örneklem büyüklüğünü baştan planlayın

YEM için tek bir sihirli sayı yoktur. Gereken örneklem; model karmaşıklığına, gösterge sayısına, faktör yüklerinin gücüne ve verinin normalliğine göre değişir. Yine de pratik bir başlangıç noktası olarak, tahmin edilen her serbest parametre için 10–20 katılımcı hedeflemek yaygın bir yaklaşımdır.

Daha doğru yol, analiz öncesinde Monte Carlo simülasyonuyla güç analizi yapmaktır. Bu, hakem sürecinde “örneklem yeterli mi?” sorusuna verilebilecek en güçlü yanıttır.

Özet

  1. Kuramı netleştirinHangi yol neden var? Her ok bir kaynağa dayanmalı.
  2. Ölçme modelini test edinDFA kabul edilebilir uyum vermeden yapısal modele geçmeyin.
  3. Uyumu bütün olarak değerlendirinTek bir indekse bakmayın; χ², CFI, RMSEA ve SRMR birlikte okunur.
  4. Modifikasyonu gerekçelendirinAçıklayamıyorsanız uygulamayın.
  5. Şeffaf raporlayınDenenen alternatif modelleri de yazın. Hakem bunu takdir eder.

AMOS ile YEM Eğitimi

Bu adımların her birini uygulamalı olarak, kendi veri setinizle çalışarak öğrenmek isterseniz eğitimimize göz atın. Küçük gruplar, canlı ve uygulamalı format.

Eğitim detayları →

Kaynaklar

  1. Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis. Structural Equation Modeling, 6(1), 1–55.
  2. Kline, R. B. (2023). Principles and practice of structural equation modeling (5th ed.). Guilford Press.