Sağlam Ölçme Değişmezliği Testi
Robust Measurement Invariance Testing · Ayrıca şöyle bilinir: robust MI testing, robust measurement equivalence, non-normal measurement invariance, robust multi-group CFA invariance
Sağlam ölçme değişmezliği testi, gözlemlenen veriler çok değişkenli normallikten saptığında, psikometrik bir aracın aynı gizil yapıyı gruplar arasında aynı şekilde ölçüp ölçmediğini değerlendirir. Çarpık veya sıralı verilerle bile faktör yükleri, kesişim noktaları ve artık varyanslar hakkında güvenilir sonuçlar üreterek, sıradan ki-kare istatistiklerini Satorra-Bentler ölçekli istatistik gibi sağlam alternatiflerle değiştirerek standart çok gruplu CFA dizilerini uyarlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Gizil ortalamaları veya yapısal yolları gruplar arasında karşılaştırmayı planlıyorsanız ve göstergeleriniz sıralıysa (örneğin, Likert tipi) veya veriler belirgin çarpıklık veya aşırı basıklık gösteriyorsa, sağlam ölçme değişmezliği testini kullanın. Likert ölçekleri neredeyse hiçbir zaman çok değişkenli normalliği karşılamadığı için, standart (ML) değişmezlik testleri, uygulamalı psikometrik çalışmalarda varsayılan olarak sağlam karşılıklarıyla değiştirilmelidir. Sağlam MI testi, grup başına örneklem büyüklükleri çok küçük olduğunda (grup başına kabaca 100'den az) uygun değildir, bu da asimptotik kovaryans matrisinin tahminini güvenilmez hale getirir. Tüm göstergeler sürekli olarak ele alındığında ve çok değişkenli normallik olası olduğunda, standart ML tabanlı MI testi yeterli olabilir.
Güçlü yönler & sınırlılıklar
- Normallik olmadığında ki-kare şişmesini düzeltir, yeterli modellerin yanlış reddedilmesini önemli ölçüde azaltır.
- Standart MI testleri ile aynı iyi anlaşılmış yapısal-metrik-skaler hiyerarşisini izler, bu nedenle sonuçlar aynı çerçevede yorumlanabilir.
- İyi belgelenmiş seçenekler aracılığıyla yaygın olarak bulunan yazılımlarla (R'de lavaan, Mplus) uyumludur.
- Sıralı veya çarpık verilerle bile gruplar arasında geçerli gizil ortalama karşılaştırmaları ve yapısal yol karşılaştırmaları sağlar.
- Kısmi değişmezlik çözümleri mevcuttur, bu da araştırmacıların tam skaler değişmezlik başarısız olduğunda kısmi karşılaştırılabilirliği kurtarmasına olanak tanır.
- Grup başına büyük örneklemler gerektirir çünkü momentlerin asimptotik kovaryans matrisinin doğru tahmini örneklem yoğunludur.
- İç içe geçmiş model karşılaştırması için düzeltilmiş fark testi, ML altında kullanılan basit ki-kare farkından daha karmaşıktır.
- Temeldeki ölçme sorununu, maddeler gerçekten değişmez değilse çözmez — yalnızca test istatistiğinin doğru şekilde kalibre edildiğinden emin olur.
- Sonuçlar seçilen tahmin ediciye (örneğin, MLR, sıralı veriler için WLSMV) bağlıdır ve farklı sağlam tahmin ediciler biraz farklı sonuçlar verebilir.
SSS
Sağlam ölçme değişmezliği testi ile standart ölçme değişmezliği testi arasındaki fark nedir?
Her ikisi de aynı yapısal-metrik-skaler hiyerarşisini izler, ancak standart MI testi çok değişkenli normalliği varsayan sıradan ML ki-kare istatistiklerini kullanır. Sağlam MI testi, bu istatistikleri Satorra-Bentler ölçekli değerlerle değiştirir ve veriler çarpık, basık veya sıralı olduğunda sonuçları güvenilir hale getirerek iç içe geçmiş model karşılaştırmaları için düzeltilmiş bir fark testi kullanır.
Likert maddeleriyle sağlam MI testi için WLSMV yerine MLR kullanabilir miyim?
Evet. WLSMV (ortalama ve varyans ayarlı çapraz ağırlıklı en küçük kareler), Likert yanıtlarını sürekli olarak ele almak yerine polikori korelasyonlarını modellediği için gerçekten sıralı göstergeler için sıklıkla tercih edilir. Göstergeler normallik olmadığında bile yaklaşık olarak sürekli kabul edildiğinde MLR tercih edilir. Her ikisi de özel fark testini (Mplus'ta DIFFTEST; lavaan'ın lavTestScore veya lavTestLRT yöntemi='satorra.2000' ile) naive ki-kare çıkarma yerine gerektirir.
Tam skaler değişmezlik başarısız olursa ne olur?
Kısmi skaler değişmezlik için test yapın: bir madde alt kümesinin (faktör başına en az ikisi) kesişim noktalarını kısıtlayın ve değişmez olmayanları serbest bırakın. Faktör başına en az iki kesişim noktası kısıtlı kalırsa, gizil ortalama karşılaştırmaları hala mümkündür, ancak değişmezliğin kısmi doğasını raporlamanız ve sonuçları dikkatli bir şekilde yorumlamanız gerekir.
Her grup örneği ne kadar büyük olmalı?
Evrensel bir minimum yoktur, ancak SB düzeltmesi için gereken asimptotik kovaryans matrisi küçük örneklemlerle güvenilmez hale gelir. Birçok metodolog, pratik bir alt sınır olarak grup başına en az 100-200 vaka önermektedir. Çok küçük gruplarla, değişmezlik testi için Bayes yaklaşımları daha kararlı olabilir.
Hangi yazılımlar sağlam MI testlerini çalıştırabilir?
Mplus, iç içe geçmiş model karşılaştırmaları için DIFFTEST seçeneği ile sağlam tahmin edicileri (MLR, WLSMV) destekler. R paketi lavaan, varsayılan olarak MLR'yi uygular ve lavTestLRT aracılığıyla doğru ölçeklenmiş fark testini sağlar. R'deki semTools paketi, sağlam tahmin altında tam değişmezlik testi dizisi için kullanışlı sarmalayıcı fonksiyonlar ekler.
Kaynaklar
- Satorra, A. & Bentler, P. M. (1994). Corrections to test statistics and standard errors in covariance structure analysis. In A. von Eye & C. C. Clogg (Eds.), Latent variables analysis: Applications for developmental research (pp. 399–419). Sage. link ↗
- Millsap, R. E. (2011). Statistical approaches to measurement invariance. Routledge. ISBN: 978-0805864786
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Measurement Invariance Testing. ScholarGate. https://scholargate.app/tr/psychometrics/robust-measurement-invariance
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Doğrulayıcı faktör analizi (DFA)Psikometri↔ karşılaştır
- Ölçme Değişmezliği TestiPsikometri↔ karşılaştır
- Yapısal Eşitlik Modellemesi (YEM)İstatistik↔ karşılaştır