Sağlam Yol Analizi
Robust Path Analysis · Ayrıca şöyle bilinir: robust PA, path analysis with robust standard errors, robust causal path modeling, robust structural path modeling
Sağlam yol analizi, gözlemlenen değişkenler arasındaki yönlü nedensel ilişkileri belirleyen yol modellerine, sandviç standart hatalar veya M-tahmini gibi sağlam tahmin yöntemlerini uygular. Verilerin normal dağılımdan sapması, aykırı değerler içermesi veya geleneksel standart hataları bozacak değişen varyans (heteroskedastisite) göstermesi durumunda yol katsayıları ve dolaylı etkiler hakkında geçerli çıkarımları korur.
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 temellendirilmiş, gözlemlenen (gizli olmayan) değişkenlere sahip bir yol diyagramınız olduğunda ve verileriniz normal dağılımdan sapma — çarpıklık, basıklık veya ağır kuyruklar — belirtileri gösterdiğinde veya konu alanına göre aykırı değerler makul olduğunda sağlam yol analizini kullanın. Özellikle Mardia'nın çok değişkenlı basıklığı anlamlı olduğunda veya artık tanıları değişen varyans gösterdiğinde uygundur. Doğru şekilde belirtilmiş bir modelin yerine geçmesi olarak kullanmayın: sağlam tahmin, standart hataları düzeltir ancak eksik değişkenleri, ters okları veya temelde yanlış bir nedensel diyagramı düzeltmez. Gizli değişkenler olduğunda (bunun yerine sağlam SEM kullanın) veya örneklem büyüklüğü çok küçük olduğunda (n < 100), hatta sağlam düzeltmelerin bile güvenilmez olabileceği durumlarda bundan kaçının.
Güçlü yönler & sınırlılıklar
- Normal dağılımdan sapma ve aykırı değer bulaşması altında yol katsayıları için geçerli standart hataları ve anlamlılık testlerini korur.
- Yapısal (yol) belirtimin kendisi dışındaki dağılımsal varsayımları gerektirmez.
- Sağlam uyum istatistikleri (Satorra–Bentler ki-kare, sağlam CFI/RMSEA), normal dağılmayan veriler varlığında güvenilir model karşılaştırmasına olanak tanır.
- Dolaylı etkiler için bootstrap tabanlı çıkarım, özellikle katsayı çarpımları için kırılgan olan asimptotik normal dağılım varsayımından kaçınır.
- Katsayı tahminleri, standart yol analizi ile aynı koşullar altında yansız kalır; sağlamlık özellikle varyans tahminine uygulanır.
- Sağlam düzeltmeler çıkarımı iyileştirir ancak yanlış belirtilmiş bir yol yapısını telafi edemez — yanlış nedensel sıralama veya eksik karıştırıcılar metodolojik sorunlar olarak kalır.
- Tüm değişkenler gözlemlenmiş olmalıdır; hata ile ölçülen gizli yapılar, sağlam yol analizi yerine sağlam SEM gerektirir.
- Sandviç tahmin edicileri çok küçük örneklemlerde verimsiz olabilir ve bootstrap aralıkları güvenilir kapsama için en az n ≈ 200 gerektirir.
- Birbirine denk birden fazla rakip yol modeli veriye eşit derecede iyi uyum sağlayabilir (denk modeller sorunu), bu geleneksel yol analiziyle paylaşılan bir sınırlamadır.
- Dolaylı etkilerin yorumlanması dikkatli nedensel varsayım gerektirir; standart hataların sağlamlığı nedensel anlatıyı doğrulamaz.
SSS
Sağlam yol analizi standart yol analizinden nasıl farklıdır?
Yol diyagramı, yönlülük ve katsayı yorumu aynıdır. Farklılık tahmin işlemindedir: sağlam yol analizi, veriler normal dağılımdan sapmış veya değişen varyanslı olduğunda standart hataların ve uyum istatistiklerinin geçerli kalması için bir sandviç varyans tahmin edicisi veya ölçekli düzeltme prosedürü uygular. Standart yol analizi, bu koşullar altında ciddi şekilde yanlış olabilen nominal (modele dayalı) standart hataları kullanır.
Ne zaman sağlam yol analizi ile sağlam SEM kullanmalıyım?
Modelinizdeki tüm değişkenler doğrudan gözlemlenmiş ve hatasız ölçülmüşse sağlam yol analizini kullanın. Herhangi bir değişken gizli bir yapı ise — birden fazla gösterge aracılığıyla dolaylı olarak ölçülmüş — ölçüm modelini (faktör yapısı) yapısal (yol) modelle birleştiren ve aynı sağlam düzeltmeleri uygulayan sağlam SEM'e ihtiyacınız vardır.
Yazılımda hangi sağlam düzeltmeyi istemeliyim?
Satorra–Bentler ölçekli ki-kare ve sağlam standart hatalar (lavaan'da estimator = 'MLR' veya Mplus'ta TYPE = COMPLEX olarak mevcuttur), sürekli normal dağılımdan sapma gösteren veriler altında en yaygın kullanılan ve iyi doğrulanmış düzeltmelerdir. Yuan–Bentler artık tabanlı düzeltme, model uyumu zayıf olduğunda bir alternatiftir. Sıralı veriler için, kendi sağlam düzeltmelerine sahip WLSMV tahmin edicisi daha uygundur.
Sağlam tahmin yanlı yol katsayılarını düzeltir mi?
Genellikle hayır. Sandviç tipi sağlam düzeltmeler, katsayı yanlılığını değil, varyans tahminini (standart hataları) ele alır. Katsayı tahminleri, standart ML veya OLS tahminindekiyle aynı kalır. Eğer aykırı değerler katsayıların kendilerini yanlı hale getirecek kadar aşırıysa, ek olarak bu gözlemleri yalnızca varyans tahmini sırasında değil, katsayı tahmini sırasında da daha az ağırlıklandıran bir M-tahmin edicisine ihtiyaç duyabilirsiniz.
Dolaylı etkiler için her zaman bootstrap gerekli midir?
Bootstrap güven aralıkları, sağlam yol analizi altında bile dolaylı etkiler (yol katsayılarının çarpımları) için şiddetle tavsiye edilir, çünkü bir çarpımın örneklem dağılımı genellikle çarpıktır ve yalnızca sağlam standart hatalar bu dağılımın şeklini düzeltmez. Yüzdelik veya yanlılık düzeltilmiş bootstrap aralıkları, en az 1000 yeniden örnekleme ile mevcut en iyi uygulamadır.
Kaynaklar
- 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 ↗
- Hair, J. F., Black, W. C., Babin, B. J. & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning. ISBN: 978-1473756540
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Path Analysis. ScholarGate. https://scholargate.app/tr/statistics/robust-path-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Aracılık Analiziİstatistik↔ karşılaştır
- Yol Analiziİstatistik↔ karşılaştır
- Sağlamlaştırılmış Doğrulayıcı Faktör Analiziİstatistik↔ karşılaştır
- Sağlam Aracılık Analiziİstatistik↔ karşılaştır
- Sağlam Yapısal Eşitlik Modellemesiİstatistik↔ karşılaştır
- Yapısal Eşitlik ModellemesiAraştırma istatistiği↔ karşılaştır