Sağlam Model Testi Araştırması — Sağlam Yapısal Eşitlik Modellemesi ve Yapısal Model Değerlendirmesi
Robust Model Testing Research Design · Ayrıca şöyle bilinir: robust SEM, robust structural model testing, robust fit evaluation, robust model evaluation research
Sağlam model testi araştırması, çok değişkenli normallik ve diğer dağılımsal varsayımların ihlallerini açıkça dikkate alırken yapısal veya yol modellerini verilere uygular. Normal olmayan verileri atmak veya dönüşümler uygulamak yerine, klasik maksimum olabilirlik varsayımları ihlal edildiğinde bile güvenilir uyum indeksleri ve parametre tahminleri üretmek için düzeltilmiş tahmin ediciler — en önemlisi Satorra-Bentler ölçekli ki-kare ve Yuan-Bentler sağlam standart hataları — kullanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Teorik olarak belirtilmiş bir yapısal veya ölçüm modelini, normal olmayan dağılım (yüksek basıklık veya çarpıklık, sınırlı veya Likert tipi ölçekler, aykırı değerlere eğilimli dağılımlar) kanıtı gösteren çok değişkenli verilerle test ederken sağlam model testi araştırmasını kullanın. Likert ölçeklerinin yaygın olduğu uygulamalı sosyal bilimler, eğitim ölçümü ve sağlık araştırmalarında uygun varsayılan yöntemdir. Kötü uyan bir modeli yeniden belirtmenin yerine geçmesi olarak KULLANMAYIN — sağlamlık dağılımsal ihlalleri düzeltir, yanlış belirtilmiş teoriyi değil. Veriler gerçekten çok değişkenli normalliği karşılıyorsa (Mardia testi ile doğrulanmışsa) da gereksizdir, bu durumda standart ML verimli ve yeterlidir.
Güçlü yönler & sınırlılıklar
- Çok değişkenli normallik ihlal edildiğinde bile geçerli uyum istatistikleri ve standart hatalar üretir, yanlış model reddedilmelerini önler.
- Büyük yazılımlarda (R lavaan, Mplus, EQS, LISREL) yaygın olarak uygulanmış olması, tekrarlanabilirliği kolaylaştırır.
- Tam SEM'in — gizli değişkenler, ölçüm hatası düzeltmesi ve yol katsayıları — yorumlayıcı zenginliğini korurken dağılımsal sağlamlık ekler.
- Sürekli normal olmayan, sınırlı ölçekli ve karma formatlı veriler dahil olmak üzere geniş bir veri türü yelpazesine uygulanabilir.
- Satorra-Bentler düzeltmesi teorik olarak sağlam temellere sahiptir ve simülasyon çalışmalarında kapsamlı bir şekilde doğrulanmıştır.
- Modelin yanlış belirtilmesini çözmez — teorik model yanlışsa, sağlam tahmin ediciler yine de kötü uyumu gösterecektir.
- Satorra-Bentler düzeltmeleri yeterince büyük bir örneklem varsayar; n < 200 olduğunda düzeltmelerin kendisi kararsız olabilir.
- İç içe geçmiş model karşılaştırması özel Satorra-Bentler ki-kare fark formülünü gerektirir; ölçeklenmiş ki-karelerin naif çıkarılması yanlış p-değerleri verir.
- Eksik verileri ele almaz — sağlam tahminin önüne veya yanına bir eksik veri stratejisi (FIML veya çoklu atıf) uygulanmalıdır.
SSS
Mplus'ta MLM ve MLR arasındaki fark nedir?
Her ikisi de Satorra-Bentler ölçekleme fikrini kullanır ancak düzeltmelerinde farklılık gösterir. MLM yalnızca ki-kare istatistiğine bir ortalama ayarı uygular, standart hataları standart ML tahminleri olarak bırakır. MLR hem ortalama hem de varyans ayarı uygular, ölçeklenmiş ki-kareye ek olarak sağlam standart hatalar ve güven aralıkları üretir. MLR genellikle tercih edilir çünkü bireysel parametrelerin anlamlılık testlerini etkileyen standart hataları da düzeltir.
Sağlam tahmin kullanırken iki iç içe modeli nasıl karşılaştırırım?
Bir ölçeklenmiş ki-kareyi diğerinden basitçe çıkaramazsınız. Satorra-Bentler ölçekli fark testini kullanmalısınız; bu, ölçeklenmiş ki-kare farkını her modelin ölçekleme faktörlerinden hesaplanan bir düzeltme faktörüne böler. Mplus bunu DIFFTEST seçeneği ile otomatik olarak üretir. Bu düzeltmeyi kullanmamak, bir yol eklemenin veya çıkarmanın uyumu iyileştirip iyileştirmediği konusunda yaygın olarak hatalı sonuçlara yol açar.
Sıralı (Likert) verilerle sağlam tahmin kullanabilir miyim?
Tamamen sıralı veriler için, WLSMV (ağırlıklı en küçük kareler ortalama ve varyans ayarlı, Mplus'ta kategorik göstergeler için varsayılan) genellikle MLR'den daha çok tercih edilir çünkü sıralı değişkenleri kategorik olarak ele alır ve polikore korelasyonları tahmin eder. Sıralı verilerle MLR, değişkenlerin sürekli yaklaşımlar olduğunu varsayar, bu da beş veya daha fazla yanıt kategorisi için kabul edilebilir olabilir ancak teknik olarak gerçek sıralı ölçekler için yanlış belirtilmiştir.
Sağlam tahmin standart ML'den daha büyük bir örneklem gerektirir mi?
Sağlam tahmin ediciler asimptotik olarak geçerlidir ve bu nedenle büyük örneklemlerde daha iyi performans gösterir. Pratik bir kılavuz olarak, iyi davranışlı veriler için standart ML'ye kıyasla, sağlam SEM için yaygın olarak n >= 200 önerilir. Küçük örneklemlerde ölçekleme düzeltmelerinin kendisi kararsız hale gelir; n < 150'nin altında bootstrap güven aralıkları veya Bayesci SEM daha iyi seçeneklerdir.
Sağlam uyum indeksleri iyi uyum gösterirse ancak modifikasyon indeksleri büyükse, modeli yeniden belirtmeli miyim?
İyi küresel uyum, modelin benzersiz şekilde doğru olduğu anlamına gelmez — yanlış belirtilmiş bir model, belirli ilişkileri sistematik olarak yanlış temsil ederken kabul edilebilir uyum indeksleri verebilir. Artıkları ve modifikasyon indekslerini tanı olarak inceleyin, ancak yalnızca teorik olarak gerekçelendirildiğinde yeniden belirtmeler yapın. Modifikasyon indekslerine dayalı post-hoc modifikasyonlar, şansın kullanılması anlamına gelir ve açıklanmalı ve çapraz doğrulanmalıdır.
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 ↗
- Yuan, K.-H., & Bentler, P. M. (1998). Robust mean and covariance structure analysis. British Journal of Mathematical and Statistical Psychology, 51(1), 63–88. DOI: 10.1111/j.2044-8317.1998.tb00667.x ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Model Testing Research Design. ScholarGate. https://scholargate.app/tr/research-design/robust-model-testing-research
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesci Model Sınama AraştırmasıAraştırma tasarımı↔ karşılaştır
- Doğrulayıcı faktör analizi (DFA)Psikometri↔ karşılaştır
- Model Testing ResearchAraştırma tasarımı↔ karşılaştır
- Çok Değişkenli Model Test Etme AraştırmasıAraştırma tasarımı↔ karşılaştır
- Yol Analiziİstatistik↔ karşılaştır
- Yapısal Eşitlik ModellemesiAraştırma istatistiği↔ karşılaştır