Hiyerarşik Doğrulayıcı Araştırma — İç İçe Geçmiş Veriler İçin Doğrulayıcı Tasarım
Hierarchical Confirmatory Research Design · Ayrıca şöyle bilinir: multilevel confirmatory research, nested confirmatory design, hierarchical hypothesis-testing research, HCR
Hiyerarşik doğrulayıcı araştırma, doğal olarak iç içe geçmiş (hiyerarşik) bir yapıya sahip verilerdeki ilişkiler veya grup farklılıkları hakkında önceden belirlenmiş hipotezleri test eden nicel bir tasarımdır — örneğin, sınıflar içinde kümelenmiş öğrenciler, hastaneler içinde hastalar veya kuruluşlar içinde çalışanlar gibi. Hiyerarşiyi açıkça modelleyerek, iç içe geçmiş veriler gözlemler bağımsızmış gibi analiz edildiğinde ortaya çıkan Tip I hata enflasyonunu önler.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Okullardaki öğrenciler, koğuşlardaki hastalar, firmalardaki çalışanlar, kişiler içindeki tekrarlanan ölçümler gibi iç içe geçmiş veya kümelenmiş veriler hakkında teoriye dayalı hipotezleriniz olduğunda ve ICC önemsiz olmayan gruplar arası varyansı gösterdiğinde hiyerarşik doğrulayıcı araştırmayı kullanın. Standart regresyon veya ANOVA'nın bağımsızlık varsayımlarını ihlal edeceği ve araştırma hedefinin keşiften ziyade hipotez testi olduğu durumlarda doğru tasarımdır. Sonradan hipotez seçimi ile keşif amaçlı bir balık avı gezisi olarak kullanmayın; doğrulayıcı mantık, uyumdan önce hipotezlerin sabitlenmesini gerektirir. Ayrıca küme boyutları çok küçük olduğunda (küme başına 5-10 birimden az) veya daha yüksek seviyeli birimlerin sayısı çok az olduğunda (yaklaşık 30 seviye-2 birimden az) rastgele etkileri güvenilir bir şekilde tahmin etmek için bundan kaçının.
Güçlü yönler & sınırlılıklar
- Varyansı seviyeler arasında doğru bir şekilde böler ve iç içe geçmiş veriler için tarafsız standart hatalar sağlar.
- Tek seviyeli modellerin ele alamayacağı seviyeler arası etkileşim hipotezlerinin test edilmesini sağlar.
- Çok düzeyli bir çerçeve içinde önceden belirlenmiş hipotez testinin doğrulayıcı titizliğini korur.
- Dengesiz grup boyutlarını ve seviye 1'deki eksik verileri, tekrarlanan ölçümler ANOVA'sından daha sağlam bir şekilde ele alır.
- Her seviyede etki büyüklüğü tahminleri üretir, varyansın nerede açıklandığına dair incelikli yorumlamaya olanak tanır.
- Her seviyede yeterli örneklem büyüklükleri gerektirir; az sayıda yüksek seviyeli birim (< 30) güvenilmez varyans bileşeni tahminleri üretir.
- Model spesifikasyonu güçlü teorik temellendirme gerektirir — bir değişkenin çalıştığı seviyeyi yanlış belirtmek yanlış sonuçlara yol açar.
- Standart regresyondan daha karmaşık bir şekilde uygulanır ve yorumlanır, özel yazılım ve çok düzeyli modelleme uzmanlığı gerektirir.
- Doğrulayıcı taahhüt, sonuçları gördükten sonra keşif amaçlı yeniden spesifikasyonun, önceden kaydedilmemiş veya çapraz doğrulanmamışsa Tip I hatayı artırdığı anlamına gelir.
SSS
Hiyerarşik doğrulayıcı araştırma, sıradan doğrulayıcı araştırmadan nasıl farklıdır?
Sıradan doğrulayıcı araştırma, bağımsız gözlemler varsayarak önceden belirlenmiş hipotezleri test eder. Hiyerarşik doğrulayıcı araştırma da aynısını yapar, ancak gözlemlerin daha yüksek seviyeli birimler içinde kümelenmesini açıkça modeller. Bu, bağımsızlığın ihlal edildiği durumlarda — örneğin, öğrenciler sınıfları paylaştığında — gereklidir, çünkü kümelenmeyi göz ardı etmek standart hataları hafife alır ve Tip I hata oranlarını artırır.
Hangi ICC değeri çok düzeyli bir model kullanmayı haklı çıkarır?
Yaygın olarak belirtilen bir eşik ICC > .05'tir, yani toplam varyansın %5'inden fazlası grup düzeyinde bulunur. Bazı metodologlar, büyük örneklem büyüklüklerinde daha küçük ICC'lerin bile önemli olabileceğini öne sürer. ICC her zaman rapor edilmelidir; eğer ihmal edilebilir düzeydeyse ve küme boyutları benzerse, tek düzeyli bir doğrulayıcı model yeterli olabilir.
ML mi yoksa REML tahmini mi kullanmalıyım?
Rastgele etkilerinde farklılık gösteren modelleri karşılaştırırken REML (kısıtlı maksimum olabilirlik) kullanın, çünkü REML varyans bileşenlerinin tarafsız tahminlerini sağlar. Sabit etkilerinde farklılık gösteren modelleri olabilirlik oranı testleri aracılığıyla karşılaştırırken tam ML kullanın, çünkü REML olabilirlik değerleri farklı sabit etkilere sahip modeller arasında karşılaştırılamaz.
Hiyerarşik doğrulayıcı araştırmayı yapısal eşitlik modellemesi ile birleştirebilir miyim?
Evet — çok düzeyli yapısal eşitlik modellemesi (MSEM), hiyerarşik doğrulayıcı çerçeveyi gizil değişken modellerine genişleterek, hem seviye içi hem de seviyeler arası birimlerde doğrulayıcı faktör yapılarına ve yol modellerine aynı anda izin verir. Mplus gibi yazılımlar MSEM'i destekler. Bu kombinasyon, yapıların birden çok göstergeyle ölçüldüğü ve hipotezlerin seviyeler arası gizil ilişkileri içerdiği durumlarda uygundur.
Her seviyede kaç katılımcıya ihtiyacım var?
Yaygın bir sezgisel kural 30/30 kuralıdır: seviye 2'de en az 30 grup ve grup başına en az 30 birey. Ancak, gereksinimler modelin karmaşıklığına ve beklenen etkilerin büyüklüğüne göre değişir. Daha az seviye-2 birimi (10-20 kadar az) büyük sabit etkilere sahip basit modeller için kabul edilebilir olabilir, ancak rastgele etki tahminleri çok az grupla güvenilmez hale gelir. Çok düzeyli tasarımlar için a priori güç analizi şiddetle tavsiye edilir.
Kaynaklar
- Raudenbush, S. W., & Bryk, A. S. (2002). Hierarchical Linear Models: Applications and Data Analysis Methods (2nd ed.). Sage. ISBN: 978-0761919049
- Hox, J. J. (2010). Multilevel Analysis: Techniques and Applications (2nd ed.). Routledge. ISBN: 978-1848728462
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Hierarchical Confirmatory Research Design. ScholarGate. https://scholargate.app/tr/research-design/hierarchical-confirmatory-research
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Doğrulayıcı faktör analizi (DFA)Psikometri↔ karşılaştır
- Doğrulayıcı AraştırmaAraştırma tasarımı↔ karşılaştır
- Hiyerarşik Model Test Etme AraştırmasıAraştırma tasarımı↔ karşılaştır
- Çok Düzeyli ModellemeAraştırma istatistiği↔ karşılaştır
- Yapısal Eşitlik ModellemesiAraştırma istatistiği↔ karşılaştır