Sağlam Yapısal Eşitlik Modellemesi
Robust Structural Equation Modeling · Ayrıca şöyle bilinir: Robust SEM, SEM with robust standard errors, Satorra-Bentler SEM, non-normal SEM
Sağlam yapısal eşitlik modellemesi (Robust SEM), gözlemlenen verilerin çok değişkenli normal dağılımdan sapması durumunda geçerli kalan düzeltilmiş test istatistikleri ve sandviç standart hataları kullanırken, tam SEM çerçevesini — gizil değişkenler arasındaki ölçüm ve yapısal ilişkilerin eş zamanlı tahminini — uygular. Satorra-Bentler ölçekli ki-kare, en yaygın kullanılan düzeltmedir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Gözlemlenen göstergeler çok değişkenli normal dağılımdan belirgin sapmalar gösterdiğinde — örneğin, Mardia'nın basıklık katsayısı sıfırın önemli ölçüde üzerinde olduğunda veya değişkenlerde bariz taban veya tavan etkileri olduğunda — sağlam SEM kullanın. Psikolojik, davranışsal ve sağlık araştırmalarında varsayılan varsayılan yöntemdir çünkü normal dağılım sapması istisna değil kuraldır. Sıralı verileri ele almak için bir ikame olarak kullanmayın: göstergeler beş veya daha az kategoriye sahip Likert tipi ise, polikore korelasyonlarla WLSMV genellikle tercih edilir. Ayrıca çok küçük örneklemlerle (n < 100–200) sağlam SEM kullanmaktan kaçının: sandviç tahmin edicisi kararlı olmak için makul derecede büyük bir n gerektirir ve küçük n'de düzeltme garip davranabilir.
Güçlü yönler & sınırlılıklar
- Normal dağılım sapmaları altında şişmiş ki-kareyi ve yanlı standart hataları ML nokta tahminlerini değiştirmeden düzeltir.
- Satorra-Bentler ölçekli ki-kare, en iyi incelenmiş ve en yaygın kabul gören sağlam düzeltmedir; lavaan, Mplus, EQS ve LISREL'de uygulanmıştır.
- Sonlu dördüncü momentlerin ötesinde herhangi bir dağılım varsayımı gerektirmez — kullanıcı tarafından belirtilen alternatif bir dağılım gerekmez.
- Sağlam CFI, TLI ve RMSEA, SB ki-karesinden türetilebilir, bu da standart model uyum değerlendirme iş akışının tamamlanmasını sağlar.
- Doğrulayıcı faktör analizi, gizil değişkenli yol modelleri ve çok gruplu modeller dahil olmak üzere geniş bir SEM modeli yelpazesine uygulanabilir.
- Ampirik örneklem momentleri kovaryans matrisinin tahmininin küçük örneklemlerde gürültülü olması nedeniyle standart SEM'den daha büyük örneklemler gerektirir.
- Sıralı veriler için sorunu tam olarak çözmez: sürekli normal dağılım sapmalarını ayarlar ancak sıralı göstergeler polikore korelasyonlar ve WLSMV gerektirir.
- SB düzeltmesi öncelikle basıklığı ele alır; veriler aşırı derecede çarpık veya çok modlu olduğunda yetersiz kalabilir.
SSS
Sağlam SEM ile standart SEM arasındaki fark nedir?
Standart ML SEM, çok değişkenli normal dağılımı varsayar; bu varsayım başarısız olduğunda ki-kare testi şişer ve standart hatalar yanlı olur. Sağlam SEM, aynı model denklemlerini ve ML tahminlerini korur ancak ki-kareyi Satorra-Bentler ölçekli istatistikle ve standart hataları sandviç (sağlam) standart hatalarla değiştirerek, farklı bir dağılım gerektirmeden her iki sorunu da düzeltir.
lavaan veya Mplus'ta sağlam SEM'i nasıl talep edebilirim?
lavaan'da, sem() veya cfa() çağrısında estimator = 'MLR' olarak ayarlayın; bu, Yuan-Bentler T2* sağlam ki-karesini ve sağlam standart hataları sağlar. Mplus'ta, ANALYSIS bölümünde ESTIMATOR = MLR'yi belirtin. Her ikisi de Satorra-Bentler düzeltme ailesini verir.
İç içe geçmiş sağlam SEM modellerini ki-kare fark testi ile karşılaştırabilir miyim?
Hayır, sıradan ki-kare fark testi ile değil. İki iç içe geçmiş modelin SB ölçekli istatistikleri, SB ölçekli bir fark vermek üzere çıkarılmadığı için, özel ölçekli ki-kare fark formülünü (Satorra-Bentler ki-kare fark testi) kullanmalısınız; bu, farkı yeniden ölçeklendirir. lavaan'ın lavTestLRT() fonksiyonu method = 'satorra.bentler.2010' ile bunu otomatik olarak halleder.
Normal olmayan veriler için WLSMV'yi sağlam ML'ye ne zaman tercih etmeliyim?
WLSMV (ortalama ve varyans ayarlı köşegen ağırlıklı en küçük kareler), göstergeler beş veya daha az yanıt kategorisine sahip sıralı olduğunda tercih edilir; polikore korelasyonları kullanır ve özellikle kategorik veriler için tasarlanmıştır. Sağlam ML, göstergeler sürekli olarak ele alındığında ancak normal dağılımdan saptığında daha uygundur.
Sağlam SEM küçük örneklemler için uygun mudur?
Sağlam standart hataların temelini oluşturan sandviç tahmin edicisi yalnızca asimptotik olarak tutarlıdır ve n 100–200'ün altında olduğunda kararsız olabilir. Küçük örneklemlerde, Bayesci SEM veya bootstrap güven aralıkları daha güvenilir alternatifler olabilir.
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 (pp. 399–419). Sage. link ↗
- Yuan, K.-H. & Bentler, P. M. (1998). Normal theory based test statistics in structural equation modelling. British Journal of Mathematical and Statistical Psychology, 51(2), 289–309. DOI: 10.1111/j.2044-8317.1998.tb00682.x ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Structural Equation Modeling. ScholarGate. https://scholargate.app/tr/statistics/robust-structural-equation-modeling
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Doğrulayıcı faktör analizi (DFA)Psikometri↔ karşılaştır
- Yol Analiziİstatistik↔ karşılaştır
- Sağlamlaştırılmış Doğrulayıcı Faktör Analiziİstatistik↔ karşılaştır
- Sağlam Yol Analiziİstatistik↔ karşılaştır
- Yapısal Eşitlik ModellemesiAraştırma istatistiği↔ karşılaştır