Bir SEM analizinin çıktısının çok önemli yönlerinden biri, model uyumu indeksleri setidir. Bu tür indeksler, varsayımsal yapının verilere ne kadar iyi uyduğunu değerlendirir; Uyum ne kadar iyi olursa, model için o kadar fazla destek olur. Yıllar içinde geliştirilmiş oldukça az sayıda uyum indeksi vardır ve herhangi bir araştırma çalışmasında uygulanması daha uygun olan bazı farklı görüşler vardır.

Jo riskog ve So rbom (1996) ve Bentler (1990) gibi çoğu yazar, ki-karenin örneklem büyüklüğüne duyarlılığı nedeniyle modelin genel uyumunu değerlendirirken sadece ki-kare değerinin kullanılmasına karşı tavsiyede bulunur. 

Daha büyük örnek boyutları artan güç ile ilişkilidir ve büyük örnek boyutları ile ki-kare testi gözlemlenen ve tahmin edilen kovaryanslar arasındaki küçük önemsiz farklılıkları saptayabilir ve modelin verilere uymadığını öne sürebilir. Meyers ve ark. (2013) ki-kareye ek olarak dört uyum ölçüsünün rapor edilmesini önermektedir.

Bunlar aşağıdaki gibidir:

• Uyum İyiliği İndeksi (GFI). GFI kavramsal olarak çoklu regresyonda R2’ye benzerdir (Kline, 2011) ve tahmin edilen model tarafından açıklanan örnek korelasyon/kovaryansındaki varyans oranını temsil eder.
• Normlu Uyum İndeksi (NFI). Bentler-Bonett normlu uyum indeksi olarak da bilinen NFI, sıfır modelin ki-karesi ile varsayılan modelin ki-karesinin sıfır modelin ki-karesine bölümü arasındaki farka eşittir. Örneğin, .95’lik bir NFI, ilgilenilen modelin sıfır veya bağımsızlık modeline göre uyumu %95 oranında iyileştirdiğini gösterir.
• Karşılaştırmalı Uyum İndeksi (CFI). CFI kabaca varsayımsal modelin bağımsızlık veya boş modelden (değişkenler arasında hiçbir korelasyonun olmadığı varsayıldığında) daha iyi uyma derecesini temsil eder.
• Yaklaşımın Kök-Ortalama-Kare Hatası (RMSEA). RMSEA, örnekten gözlemlenen korelasyon/kovaryans ile popülasyon için tahmin edilen beklenen model arasındaki artıkların ortalamasıdır.

Birkaç yazar grubu, bu uyum indekslerinin yorumlanması için yönergeler önermiştir. Genel olarak, mevcut fikir birliği, GFI, NFI ve CFI için .95 değerinin, bu “çizgilerin” körü körüne uygulanması tavsiye edilmese de, modelin verilere iyi bir uyumunu temsil etmek için alınacağı yönündedir. RMSEA için, .06, .08 ve .10’dan büyük değerlerin, modelin verilere sırasıyla iyi, yeterli ve zayıf uyumunu temsil ettiği kabul edilir.

Sol panelde Model Uyum’un seçilmesi, IBM SPSS Amos tarafından üretilen çeşitli uyum dizinlerini görüntüler; bunlar sunuldu (hepsini tek bir ekran görüntüsünde gösteremedik).

Ekonomik parametre Nedir
Parametre Türkçe karşılığı
Parametre Nedir
Sosyolojide parametre Nedir
Parametre tahmini nedir
Parametre örnekleri
Temel parametre Ne Demek
Biyoistatistikte parametre Nedir

Üstte gösterilen CMIN tablosu, Model Notları ekranında gördüğümüz bilgileri tekrar eden ki-kare uyum iyiliği testi olan Varsayılan model satırındaki minimum tutarsızlık değerini sunar. Yine Şekil 39.22’de gösterilen CMIN/DF, serbestlik derecesine bölünen ki-karedir (31.765/8 = 3.971). Bazı araştırmacılar, kabul edilebilir bir uyum için beş gibi yüksek değerler önerirken, diğerleri göreli ki-karenin iki veya daha az olmasını sağlar. Değerimiz bu iki yönerge arasındadır.

GFI, Şekil 39.22’deki orta tabloda gösterilmektedir; burada, .967’lik değerinin, .95’lik kılavuz değerimizi aştığını ve kabul edilebilir bir model uyumu düzeyi olduğunu görüyoruz. AGFI (düzeltilmiş uyum iyiliği indeksi) ve PGFI (parsimony uyum iyiliği indeksi), sırasıyla serbestlik derecesi ve parametre sayısı için GFI’ye yapılan ayarlamaları temsil eder; kabul edilebilir model uyumu için kurallar AGFI için .95 ve PGFI için .50 veya daha iyidir. RMR (kök-ortalama-kare kalıntısı), gerçek kovaryans ile önerilen model kovaryansı arasındaki kalıntıların ortalama boyutunun bir ölçüsüdür ve daha küçük RMR’ler daha iyi bir uyumu gösterir.

NFI ve CFI, Şekil 39.22’nin alt tablosunda gösterilmektedir; burada .922 ve .939 değerlerinin, .95’lik kılavuz değerimizin altında kaldığını ve bu da kabul edilebilir bir model uyumu seviyesinin altında olduğunu göstermektedir. RMSEA, Şekil 39.24’ün üst tablosunda sunulmaktadır. .095 değeri de modelin verilere o kadar iyi uymadığını gösteriyor.

Özetle, ki-kare, NFI, CFI ve RMSEA endeksleri, bizim iyi uyum kriterlerimizi karşılamaya yetecek kadar veriye uymayan bir modelin resmini çiziyor. Sonuçların ayrıntılarını öğrenmek için regresyon katsayılarını inceleyeceğiz, ancak Modifikasyon Endeksleri herhangi bir makul seçenek öneriyorsa, muhtemelen uyumu iyileştirmek için modeli değiştirmek istiyoruz.

Analiz Çıktısı: Tahmini Parametreler

Sol panelde Tahminlerin seçilmesi, ilk kısmı gösterilen model tarafından oluşturulan tahmini parametreleri görüntüler. En üstteki tablodaki Regresyon Ağırlıkları Tablosu, Tahmin sütunundaki standartlaştırılmamış regresyon katsayılarını standart hatalarıyla (S.E.) birlikte sunar.

Bunlar, başlangıçta modelin belirlenmesinde kısıtlanmış olan iki yol dışında, ölçülen değişkenin değerini tahmin etmek için ilgili gizli değişken kullanılarak tahmin edilen regresyon ağırlıklarıdır. Örneğin, yas tarafından tahmin edildiği gibi yalnızlık için tahmin edilen standartlaştırılmamış regresyon ağırlığı 0,948’dir ve standart hata 0,105’tir.
Tahmin edilen her bir regresyon katsayısı, sonucu P sütununda gösterilen istatistiksel anlamlılık için test edilir; üçlü yıldız işareti (***), p < .001 olasılık seviyesini gösterir.

Tüm kısıtsız regresyon katsayıları istatistiksel olarak anlamlıydı. Üçüncü sütun (CR), standartlaştırılmamış regresyon katsayısının standart hatasına bölünmesiyle elde edilen bir değer olan kritik oranı bildirir. C.R., istatistiksel anlamlılığı gösteren 1,96 veya daha büyük değerlerle bir z istatistiği olarak çalışır.

İkinci tablo, her bir yol ile ilişkili standartlaştırılmış regresyon katsayılarını (genellikle gayri resmi olarak “faktör yükleri” olarak anılır) sunar. Regresyon Ağırlıkları Tablosunda standartlaştırılmamış değerleri 1.000 olarak tutulan iki kısıtlı yolun, kendileriyle ilişkili tahmini standartlaştırılmış değerlere sahip olduğuna dikkat edin.

Modelin sonuçlarının diyagram şeklinde raporlanmasında, genellikle yollara yerleştirilen değerlerdir. Tüm bu standartlaştırılmış regresyon katsayıları, ölçülen değişkenlerin gizli yapılarının makul göstergeleri olarak göründüğüne karar vermemiz için yeterli değerde görünmektedir.

Kalan tahmini parametreleri sunar. En üstteki iki tablo, standartlaştırılmamış formdaki (Kovaryanslar) ve standartlaştırılmış formdaki (Korelasyonlar) faktörler arasındaki korelasyonu gösterir. Görüldüğü gibi iki faktör arasındaki korelasyon .723’tür. Böyle bir korelasyon oldukça yüksektir, bu da iki faktörün iki faktörlü bir yapıyı haklı çıkaracak kadar birbirinden bağımsız olmayabileceğini düşündürür.

The post Tahmini Parametreler – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi (Tez Yaptırma).