Bayesci Ayırt Edici Geçerlilik Değerlendirmesi
Bayesian Discriminant Validity Assessment · Ayrıca şöyle bilinir: Bayesian HTMT, Bayesian HTMTb, Bayesian discriminant evidence, Bayesian CFA discriminant validity
Bayesci ayırt edici geçerlilik değerlendirmesi, teorik olarak birbirinden farklı iki gizil yapının, tekil nokta sıfır hipotezi testleri yerine sonsal dağılımları ve güven aralıklarını kullanarak ampirik olarak ayrılabilir olup olmadığını değerlendirir. Yapıların yeterince ayırt edilip edilmediğini belirlemek için Bayesci teyit edici faktör analizi kapsamında veya Bayesci heterotrait-monotrait oranı (HTMTb) aracılığıyla uygulanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Çok faktörlü bir ölçeğe sahip olduğunuzda ve gizil yapıların ampirik olarak farklı olduğunu doğrulamak istediğinizde, özellikle örneklem boyutları küçük veya orta düzeydeyken (200'ün altında), sıklıkçı testlerin kararsız veya yetersiz güçlü olduğu durumlarda Bayesci ayırt edici geçerlilik kullanın. Özellikle önceki araştırmalar faktörler arası korelasyonlar hakkında bilgilendirici beklentiler sağladığında, bu önsel dağılımların tahminleri stabilize etmesine izin vererek değerlidir. Bunu teori yerine kullanmayın: iki yapı kavramsal olarak yüksek korelasyonlu olması bekleniyorsa, yüksek faktörler arası korelasyon zayıf ayırt edici geçerliliğin kanıtı değil, teorik yakınsamanın kanıtıdır. Yazılım uzmanlığı veya MCMC tahmini için hesaplama kaynakları eksikliğiniz olduğunda bu yöntemi kullanmaktan kaçının; bu durumlarda, HTMT ve bootstrap güven aralıklarına sahip sıklıkçı CFA pratik bir alternatiftir.
Güçlü yönler & sınırlılıklar
- Ayırt edici geçerlilik indeksinin tamamını sonsal dağılımını verir, tekil nokta tahmininden veya p-değerinden daha zengin kanıt sağlar.
- Güven aralıkları, yapısal ayrımın bir eşiği karşılayıp karşılamadığı veya karşılayamadığı olasılığını doğrudan iletir, şeffaf raporlamayı kolaylaştırır.
- Sıklıkçı HTMT güven aralıklarının kararsız olduğu küçük-orta örneklemlerde, makul önsel dağılımlar kullanıldığı sürece iyi performans gösterir.
- Standart ML-CFA'nın sürekli göstergeleri varsaymasının aksine, uygun olasılık modelleri (örneğin, sıralı-probit CFA) aracılığıyla sıralı öğe verilerini doğal olarak barındırır.
- Faktörler arası korelasyon tahminlerinin kesinliğini artırmak için önceki çalışmalardan veya meta-analizlerden elde edilen ön bilgileri içerebilir.
- Yüklemeler ve faktörler arası korelasyonlar için önsel dağılımların belirtilmesini gerektirir; kötü seçilmiş önsel dağılımlar, özellikle küçük örneklemlerde sonuçları yanlı hale getirebilir.
- MCMC tahmini hesaplama açısından yoğundur ve standart maksimum-olabilirlik CFA'dan daha fazla zaman ve teknik beceri gerektirir.
- HTMT eşiğinin (0.85'e karşı 0.90) seçimi, resmi teoriden ziyade bir gelenek meselesi olmaya devam eder ve Bayesci çerçeve bu belirsizliği çözmez.
- Yazılım seçenekleri (blavaan, Stan, JAGS) sıklıkçı SEM paketlerinden daha dik öğrenme eğrilerine sahiptir, bu da erişilebilirliği sınırlar.
SSS
Ayırt edici geçerlilik için HTMT eşiği nedir?
Henseler ve ark. (2015), 0.85'i muhafazakar bir eşik ve 0.90'ı daha esnek bir eşik olarak önermiştir. Bayesci çerçevede, soru şu hale gelir: HTMTb'nin 0.85'i (veya 0.90'ı) aşma sonsal olasılığı nedir? Yaklaşık %5'in altındaki bir olasılık tipik olarak ayırt edici geçerlilik desteği olarak kabul edilir. Eşik seçimi, istatistiksel bir yasa değil, disipliner bir gelenek olmaya devam eder.
Bayesci ayırt edici geçerlilik, standart CFA yaklaşımından nasıl farklıdır?
Standart (sıklıkçı) CFA, faktörler arası korelasyonun nokta tahmini ile %95 güven aralığı veya bootstrap CI ile HTMT kullanarak ayırt edici geçerliliği test eder. Bayesci ayırt edici geçerlilik, aynı nicelikler için bir sonsal dağılım üretir ve 'HTMTb < 0.85 olması için %97 sonsal olasılık var' gibi olasılık ifadeleri verir ki bu, sıklıkçı güven aralığından daha doğrudan yorumlanabilir.
Bayesci ayırt edici geçerlilik kullanmak için büyük bir örneğe ihtiyacım var mı?
Hayır — bu onun ana avantajlarından biridir. Bilgilendirici veya zayıf bilgilendirici önsel dağılımlarla, Bayesci tahmin, sıklıkçı bootstrap CI'ların kararsız olduğu 50-100 gibi küçük örneklemlerde bile kararlı faktörler arası korelasyon tahminleri üretebilir. Daha büyük örneklemler (200+) genel model kararlılığı için hala tercih edilir, ancak Bayesci yöntemler maksimum-olabilirlik CFA'dan daha küçük örneklemleri daha iyi tolere eder.
Hangi yazılımları kullanabilirim?
R'deki blavaan paketi, lavaan sözdizimini yansıttığı ancak Stan veya JAGS aracılığıyla Bayesci tahmin eklediği için en erişilebilir giriş noktasıdır. Alternatif olarak, tamamen özel CFA modelleri için Stan veya PyMC kullanılabilir. HTMT indeksi için, faktör korelasyonu sonsal dağılımı elde edildikten sonra sonsal çekimlerden manuel hesaplama basittir.
Faktörler arası korelasyon için güven aralığı 0.85 ile örtüşüyorsa ne olur?
Bu belirsiz bir sonuçtur: veriler hem yeterli hem de yetersiz ayırt edici geçerlilik ile tutarlıdır. Seçenekler arasında daha fazla veri toplamak, iki yapının gerçekten kavramsal olarak farklı olup olmadığını yeniden gözden geçirmek, faktörler arasında ağır çapraz yükleme yapan öğeleri revize etmek veya kaldırmak veya belirsizliği şeffaf bir şekilde raporlamak ve yorumlamaya maddi teorinin rehberlik etmesine izin vermek yer alır.
Kaynaklar
- Garnier-Villarreal, M. & Jorgensen, T. D. (2020). Adapting fit indices for Bayesian structural equation modeling: Comparison to maximum likelihood. Psychological Methods, 25(1), 46–70. DOI: 10.1037/met0000224 ↗
- Campbell, D. T. & Fiske, D. W. (1959). Convergent and discriminant validation by the multitrait-multimethod matrix. Psychological Bulletin, 56(2), 81–105. DOI: 10.1037/h0046016 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Discriminant Validity Assessment. ScholarGate. https://scholargate.app/tr/psychometrics/bayesian-discriminant-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