Yapısal Eşitlik Modellemeleri (YEM) için Güç Analizi
Power Analysis for Structural Equation Modeling and Multivariate Analyses · Ayrıca şöyle bilinir: SEM sample size planning, covariance structure power analysis, MANOVA power analysis, SEM / Çok Değişkenli Güç Analizi
YEM ve diğer çok değişkenli işlemler için güç analizi, belirli bir büyüklükteki model uyumsuzluğunu yeterli olasılıkla saptamak için gereken minimum örneklem büyüklüğünü belirler. MacCallum, Browne ve Sugawara tarafından 1996'da sunulan baskın yaklaşım, etki büyüklüğünü Yaklaşım Karekök Ortalama Hata (RMSEA) olarak ifade eder ve gücü merkezi olmayan ki-kare dağılımından türetir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Yapısal eşitlik modeli, onaylayıcı faktör analizi, yol analizi, MANOVA veya herhangi bir gizli değişken prosedürü ile analiz edilecek bir çalışmayı planlarken YEM güç analizini uygulayın. En azından, model serbestlik dereceleri ve alternatif hipotez altındaki hedef RMSEA, veri toplama işleminden önce belirtilmelidir. Kaynaktan gelen iki varsayım geçerli olmalıdır: serbestlik dereceleri ve RMSEA etki büyüklüğü önsel olarak belirlenir ve MacCallum kuralı (gizli değişkene göre en az 10 gözlemlenen vaka) karşılanır. Çok küçük örneklemlerle (yaklaşık 50 vakadan az) veya oldukça karmaşık modellerle, analitik güç tahminleri kararsız hale gelir ve simülasyon tabanlı güç analizi tercih edilmelidir.
Güçlü yönler & sınırlılıklar
- Örneklem büyüklüğü kararlarını, genel bir etki büyüklüğü kuralı yerine, modelin kendi serbestlik derecelerine ve teorik olarak temellendirilmiş bir etki büyüklüğüne (RMSEA) dayandırır.
- Merkezi olmayan ki-kare yaklaşımı, veri toplama işleminden önce hesaplanabilen kapalı form güç tahminleri verir.
- semPower R paketinde uygulanmış olup, hızlı önsel, sonradan ve hassasiyet analizlerine olanak tanır.
- Araştırmacının veri toplama işleminden önce model serbestlik derecelerini ve makul bir alternatif RMSEA'yı belirtmesini gerektirir; her ikisi de erken aşama araştırmalarda belirsiz olabilir.
- Yakın uyumun RMSEA tabanlı testi, YEM model değerlendirmesinin yalnızca bir yönüdür; belirli yol katsayıları veya modifikasyon indeksleri için güç ayrı ayrı ele alınmalıdır.
- Çok karmaşık modeller veya normal olmayan veriler için ki-kare yaklaşımı doğru olmayabilir ve Monte Carlo simülasyonu daha güvenilirdir.
SSS
H0 ve H1 olarak hangi RMSEA değerlerini kullanmalıyım?
MacCallum vd. (1996) takip edilerek geleneksel seçim H0: RMSEA ≤ 0.05 (yakın uyum) ve H1: RMSEA ≥ 0.08 (vasat uyum) şeklindedir. Bu eşikler YEM literatüründe yaygın olarak benimsenmiştir, ancak araştırmacılar teorik gerekçelendirme olduğunda alan özgü değerleri ikame edebilirler.
YEM güç analizi için G*Power kullanabilir miyim?
G*Power'ın MANOVA F-testi, YEM senaryoları için yalnızca kaba bir yaklaştırma sağlar. Titiz RMSEA tabanlı güç analizi için semPower R paketi, MacCallum–Browne–Sugawara yaklaşımını doğrudan uygular ve önerilen araçtır.
Veri toplama işleminden önce model serbestlik derecelerim bilinmiyorsa ne olur?
Serbestlik derecelerini analitik olarak hesaplamak için varsayılan model yapısını - gizli değişken sayısı, göstergeler ve serbest yollar - belirtin. Model hala belirsizse, tüm makul model spesifikasyonları altında yeterli güç sağlayan bir örneklem büyüklüğünü belirlemek için bir dizi olası df değeri üzerinden hassasiyet analizleri çalıştırın.
Ne zaman Monte Carlo simülasyonuna geçmeliyim?
Analitik yaklaşım, çok değişkenli normalliği ve istatistik dağılımının doğru bir şekilde belirtilmesini varsayar. Verilerin normaliteden önemli ölçüde sapması beklendiğinde, model çok karmaşık olduğunda veya N yaklaşık 50'nin altında olduğunda, simülasyon tabanlı güç analizi daha doğru bir tahmin sağlar.
Kaynaklar
- MacCallum, R. C., Browne, M. W., & Sugawara, H. M. (1996). Power analysis and determination of sample size for covariance structure modeling. Psychological Methods, 1(2), 130–149. DOI: 10.1037/1082-989X.1.2.130 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Power Analysis for Structural Equation Modeling and Multivariate Analyses. ScholarGate. https://scholargate.app/tr/statistics/power-analysis-sem
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Çok Değişkenli Varyans Analizi (MANOVA)İstatistik↔ karşılaştır
- Çok Düzeyli ve Karma Etkili Modeller için Güç Analiziİstatistik↔ karşılaştır
- ANOVA için Güç Analiziİstatistik↔ karşılaştır
- Çoklu Regresyon için Güç Analiziİstatistik↔ karşılaştır
- Simülasyon Tabanlı Güç Analizi (Monte Carlo Gücü)İstatistik↔ karşılaştır
- Yapısal Eşitlik ModellemesiAraştırma istatistiği↔ karşılaştır