Bayesci Yakınsak Geçerlilik
Bayesian Convergent Validity Assessment · Ayrıca şöyle bilinir: Bayesian convergent validity analysis, Bayesian MTMM convergent validity, Bayesian multitrait convergent validity, BCV
Bayesci yakınsak geçerlilik, farklı ölçümlerin aynı yapıyı kuramın öngördüğü şekilde yakınsayıp yakınsamadığını değerlendirmek için Bayesci istatistiksel çıkarımı uygular. Tek bir nokta korelasyon kestirimi yerine, teorik olarak ilişkili ölçümler arasındaki paylaşılan varyansın büyüklüğü hakkında olasılık ifadeleri sağlayan, yakınsak korelasyon üzerinde tam bir sonsal dağılım üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Olasılık temelli sonuçlar istediğinizde, ikili anlamlılık kararları yerine yapı-ölçüm ilişkileri hakkında, örneklem büyüklüğü küçük veya orta olduğunda (n < 200) sıklıkçı standart hataların kararsız hale geldiği durumlarda veya önceki geçerlilik verilerinin karşılaştırılabilir örneklemlerden resmi olarak dahil edilebildiği durumlarda Bayesci yakınsak geçerliliği kullanın. Özellikle, önceki popülasyona özgü yüklerin bilgilendirici sonsallar olarak hizmet edebileceği kültürlerarası ölçek uyarlaması için uygundur. Gözden geçirenlerin veya dergilerin yalnızca klasik NHST raporlaması gerektirdiği, MCMC yakınsamasını (izleme grafikleri, R-hat istatistikleri) teşhis etmek için hesaplama uzmanlığına sahip olmadığınız veya yapı alanının yetersiz tanımlandığı ve sonsal (önsel) belirlemenin esasen keyfi olacağı durumlarda bundan kaçının.
Güçlü yönler & sınırlılıklar
- Yakınsak korelasyonlar üzerinde tam sonsal dağılımlar üretir, geçerlilik büyüklüğü hakkında doğrudan olasılık ifadeleri sağlar.
- Önceki geçerlilik çalışmalarından elde edilen önsel kanıtları doğal olarak içerir, tek bir çalışmaya olan bağımlılığı azaltır.
- ML tabanlı CFA'nın kabul edilemez çözümler üretebildiği küçük örneklemlerde sıklıkçı alternatiflerden daha iyi performans gösterir.
- Güvenilir aralıklar, uygulayıcıların sıklıkçı güven aralıklarına sıklıkla yanlışlıkla atfettiği sezgisel yoruma sahiptir.
- Tüm ölçüm modelini — yükleri, artıkları ve yapı korelasyonlarını — tek bir tutarlı çerçevede eş zamanlı olarak tahmin eder.
- Listwise silme olmadan veri artırımı yoluyla eksik verileri doğal olarak işler.
- Önsel (prior) dağılımların belirlenmesini gerektirir; kötü seçilmiş önseller, özellikle küçük örneklemlerde sonsalları (posteriors) bozabilir.
- Hesaplama açısından yoğundur — MCMC zincirleri karmaşık modellerde yakınsamak için saatler sürebilir.
- MCMC tanıları (R-hat, etkili örneklem büyüklüğü, izleme grafikleri) standart SEM'in ötesinde ek bir teknik uzmanlık katmanı ekler.
- Sonuçlar, eleştirenlerin Bayesci yöntemleri sorgulayabileceği bir derecede öznellik içeren önsel seçimine bağlıdır.
- Yazılım seçenekleri (Stan, JAGS, brms) nokta ve tıklama CFA araçlarından daha dik öğrenme eğrilerine sahiptir.
SSS
Bayesci yakınsak geçerlilik, klasik yakınsak geçerlilikten CFA ile nasıl farklıdır?
Klasik CFA, maksimum olabilirlik kestirimini kullanır ve nokta kestirimlerini standart hatalar ve p-değerleri ile raporlar. Bayesci yakınsak geçerlilik, model parametreleri üzerindeki tam sonsal dağılımı örneklemek için MCMC kullanır, güvenilir aralıklar ve doğrudan olasılık ifadeleri üretir — örneğin 'yakınsak korelasyonun 0.50'yi aştığına dair %92 sonsal olasılık vardır.' Çıkarımsal mantık ve çıktılar, her ikisi de aynı temel faktör modelini uysa bile önemli ölçüde farklıdır.
Tipik olarak hangi yazılım kullanılır?
Stan (RStan veya CmdStanR arayüzleri aracılığıyla) ve JAGS en yaygın MCMC arka uçlarıdır. R paketi brms, Stan'a daha üst düzey bir arayüz sağlar ve nispeten kısa sözdizimi ile Bayesci faktör modellerini uyabilir. Mplus ayrıca 7. sürümünden bu yana Bayesci CFA kestirimi sunmaktadır.
Faktör yükleri için önselleri nasıl seçerim?
Yaygın bir zayıf bilgilendirici seçim, standartlaştırılmış yükler için ortalama 0.5 ve standart sapma 0.2 olan normal bir önseldir; bu, orta ila güçlü pozitif gösterge ilişkileri beklentisini yansıtır. Önceki geçerlilik çalışmaları mevcutsa, ampirik Bayes veya resmi belirleme daha bilgilendirici önseller sağlayabilir. Sonuçların değişip değişmediğini kontrol etmek için modeli biraz farklı önsellerle yeniden çalıştırarak her zaman bir önsel duyarlılık analizi yapın.
Kaç MCMC örneğine ihtiyacım var?
Her biri 2.000 ısınma ve 2.000 örnekleme yinelemesi ile en az 4 zincir, standart bir başlangıç noktasıdır. Tüm anahtar parametreler için R-hat'ın 1.01'in altında ve etkili örneklem büyüklüğünün 400'ün üzerinde olduğunu kontrol edin. Karmaşık modeller veya parametreler arasındaki güçlü korelasyonlar daha fazla yineleme gerektirebilir.
Bayesci yakınsak geçerlilik, ayrım geçerliliğini de değerlendirir mi?
Otomatik olarak değil. Yakınsak korelasyonları üreten aynı Bayesci CFA modeli, yapısal olmayan korelasyonları (ayrım korelasyonları) da üretir, ancak bunları açıkça karşılaştırmanız gerekir — örneğin, yakınsak korelasyonun ayrım korelasyonunu aştığı sonsal olasılığı hesaplayarak. Her iki analizi birlikte yapmak şiddetle tavsiye edilir.
Kaynaklar
- Levy, R. & Mislevy, R. J. (2016). Bayesian Psychometric Modeling. CRC Press. ISBN: 978-1466500952
- Van de Schoot, R., Depaoli, S., King, R., Kramer, B., Märtens, K., Tadesse, M. G., Vannucci, M., Gelman, A., Veen, D., Willemsen, J. & Yau, C. (2021). Bayesian statistics and modelling. Nature Reviews Methods Primers, 1(1), 1. DOI: 10.1038/s43586-020-00001-2 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Convergent Validity Assessment. ScholarGate. https://scholargate.app/tr/psychometrics/bayesian-convergent-validity
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesci Onaylayıcı Faktör Analizi (BCFA)Psikometri↔ karşılaştır
- Bayesçi Ölçme Değişmezliği TestiPsikometri↔ karşılaştır
- Doğrulayıcı faktör analizi (DFA)Psikometri↔ karşılaştır
- Yapısal GeçerlikPsikometri↔ karşılaştır
- Yakınsak GeçerlilikPsikometri↔ karşılaştır
- Ayrışım GeçerliliğiPsikometri↔ karşılaştır