SEM-ANN yöntemi nedir?

SEM-ANN (Structural Equation Modeling - Artificial Neural Network), yapısal eşitlik modellemesi (SEM) ve yapay sinir ağları (ANN) tekniklerinin birleştirilmiş bir yöntemidir. Bu yöntem, geleneksel SEM'in avantajlarını, özellikle hipotez testi ve model uyumunun değerlendirilmesi gibi alanlardaki gücünü yapay sinir ağlarının öğrenme yeteneği ve esnekliği ile birleştirir.

• SEM, karmaşık ilişkileri modellemek için kullanılan istatistiksel bir tekniktir ve genellikle yapısal modelleme, yol modelleme ve faktör analizi gibi yöntemleri içerir. SEM'in temel amacı, gözlemlenen değişkenler arasındaki ilişkileri ve bu ilişkilerin arkasındaki latent yapıları belirlemektir.
• Yapay sinir ağları ise, beyindeki sinir ağlarının işleyişini modelleyen bir yapay zeka metodolojisidir. ANN, büyük miktarda veri kullanarak karmaşık ilişkileri öğrenme yeteneğine sahiptir ve özellikle tahmin ve sınıflandırma gibi alanlarda başarılıdır.
• SEM-ANN yöntemi, SEM'in avantajlarından yararlanarak bir yapısal model oluştururken, yapay sinir ağlarının esnekliğini kullanarak modelin karmaşıklığını artırabilir veya öğrenme sürecini iyileştirebilir. Örneğin, SEM-ANN yöntemi, büyük veri kümeleri üzerinde çalışırken, ANN'in öğrenme yeteneğinden yararlanarak daha karmaşık ilişkileri modelleyebilir veya non-lineer etkileri ele alabilir.
• Bu yöntem, özellikle büyük ve karmaşık veri setlerinde kullanıldığında, hem yapısal ilişkileri modelleyebilme hem de tahmin ve sınıflandırma gibi yapay sinir ağlarının gücünden yararlanabilme avantajları sunar. Bununla birlikte, uygulanması ve yorumlanması geleneksel SEM ve ANN tekniklerine kıyasla daha karmaşık olabilir. Bu nedenle, araştırmacılar SEM-ANN yöntemini kullanırken dikkatli olmalı ve sonuçları doğru bir şekilde yorumlamalıdır.

Destek için neoistatistik.com

AMOS ve SmartPLS programları arasındaki temel farklar nelerdir?

AMOS ve SmartPLS, yapısal eşitlik modellemesi (SEM) için kullanılan iki popüler yazılım aracıdır. Her ikisi de araştırmacıların karmaşık ilişkileri modellemesine ve veri analizi yapmasına olanak tanır, ancak farklı özelliklere ve kullanım senaryolarına sahiptirler.

İşte bu iki yazılım arasındaki temel farklar:

1.Yapısal Eşitlik Modellemesi (SEM) Uygulamaları:

AMOS: AMOS, geleneksel yapısal eşitlik modellemesi için kullanılır. Bu, genellikle gözlemlenen değişkenler arasındaki korelasyon ve nedensel ilişkileri test etmek için kullanılır. AMOS, bir modelin uyumunu ölçmek için çeşitli uyum indekslerini sağlar ve model parametrelerini tahmin etmek için maksimum olabilirlik veya en küçük kareler yöntemlerini kullanabilir.

SmartPLS: SmartPLS ise bir kısmi en küçük kareler (PLS) tabanlı yapısal eşitlik modelleme yaklaşımı sunar. PLS, özellikle göreli olarak küçük örneklem büyüklükleri veya tahmin edici gücün yüksek olması gereken durumlar gibi durumlarda kullanışlıdır. SmartPLS, kapsayıcı olmayan ve göreceli olarak daha basit modellerle çalışmayı destekler.

2.Ölçek Tipleri:

AMOS: AMOS, genellikle interval veya oran ölçekli değişkenlerle çalışır.

SmartPLS: SmartPLS, nominal, ordinal, interval ve oran ölçekli değişkenlerle çalışabilir. Bu, SmartPLS'in daha geniş bir veri yelpazesini desteklediği anlamına gelir.

3.Örneklem Büyüklüğü ve Güç Analizi:

AMOS: AMOS, genellikle büyük örneklem boyutları için daha uygundur ve klasik istatistiksel testler kullanır.

SmartPLS: SmartPLS, görece küçük örneklem boyutları için daha uygundur ve örneklem büyüklüğü ve güç analizi yapma yeteneğine sahiptir.

4.Kullanıcı Dostu Arayüz:

AMOS: AMOS, biraz daha karmaşık bir arayüze sahiptir ve genellikle kullanımı daha fazla zaman ve deneyim gerektirir.

SmartPLS: SmartPLS, genellikle daha kullanıcı dostu bir arayüze sahiptir ve kullanımı daha kolaydır, bu nedenle özellikle yeni başlayanlar için tercih edilebilir.

5.Hesaplama Yöntemleri:

AMOS: AMOS, yapısal eşitlik modelleme için geleneksel maksimum olabilirlik tahmin yöntemlerini kullanır.

SmartPLS: SmartPLS, kısmi en küçük kareler (PLS) yöntemini kullanır.

***Bu farklılıklar, araştırmacıların ihtiyaçlarına ve analiz gereksinimlerine bağlı olarak hangi yazılımın tercih edileceğine karar vermelerine yardımcı olabilir. Örneğin, büyük örneklem boyutları ve karmaşık yapısal ilişkilerle uğraşıyorsanız, AMOS gibi geleneksel bir SEM aracı daha uygun olabilir. Ancak, görece küçük örneklem büyüklükleri veya karmaşık olmayan yapılar için, SmartPLS gibi bir PLS tabanlı araç daha uygun olabilir.

Analiz ve raporlama desteği için neoistatistik.com sayfamızı ziyaret edebilirsiniz.

Boostrap Yöntemi ve Sobel Testi ile Aracılık etkisi nasıl hesaplanır?

Aracı değişken diğer ismi ile mediatör değişken analizi için AMOS, SPSS, LISREL, SmartPLS gibi farklı programlar kullanılabilmektedir. Aracı (mediatör) ve düzenleyici (moderatör) değişkenler hakkında daha fazla bilgi almak isterseniz şu linkten ilgili makalemi inceleyebilirsiniz. Hangi program kullanılırsa kullanılsın aracılık etkisinden söz edebilmek için bazı şartların karşılanması gerekmektedir. Bu makalede Boostrap ve Sobel Testi kullanılarak aracılık etkisinin nasıl test edilebileceği hakkında özet bilgiler sunmaya çalışacağım.

Boostrap Yöntemi ile Aracılık etkisi nasıl test edilir?

Bootstrap yöntemi, karmaşık matematiksel formüllerden ziyade anlaşılması ve kullanılması kolay basit matematiksel formüllere dayanmaktadır. Bu yöntemin çoklu normal dağılım varsayımı gibi bazı önemli varsayımların karşılanamadığı durumlarda kullanılabildiği ve güvenilir sonuçlar verdiği gözlenmiştir. Bu makalede Boostrap yönteminin temellerine inilmeyecektir. Zaten AMOS, SPSS ve SmartPLS gibi programlar bu yöntemin uygulanmasına ve sonuçların bir çırpıda elde edilmesine imkân vermektedir. Araştırmacıya düşen bu yöntem ile elde edilen sonuçları yorumlamak ve çıkarımda bulunmaktır.

Boostrap Yönteminde şu durumlar elde edilebilirse aracılık etkisinden söz edilebilir;

• .X bağımsız değişken ve Y bağımlı değişken olmak üzere, bağımsız değişkenin bağımlı değişken üzerindeki doğrudan etkisi istatistiksel olarak anlamlı olmalıdır. Bunun için AMOS programı ile aşağıdaki model oluşturularak test edilebilir. Elde edilen Beta katsayısının istatistiksel olarak anlamlı olup olmadığı incelenebilir. Eğer doğrudan etki istatistiksel olarak anlamlı ise bir sonraki aşamaya geçilebilir. Eğer anlamlı değil ise aracılık etkisinin incelenmesi işlemi, gerekli varsayım karşılanamadığı için, bu aşamada sona erer.

• İkinci durum için aşağıdaki şekil referans alınabilir.  Şekilde X bağımsız, Y bağımlı ve Z Aracı değişken olarak modelde yer almaktadır. Aracı değişken (Z) model dahil edildiğinde, bağımsız değişkenin (X) bağımlı değişken (Y) üzerindeki etkisinin bir kısmı aracı değişken (Z) üzerinden gerçekleşmektedir. Buna X’in Y üzerindeki dolaylı etkisi denmektedir. İşte bu dolaylı etkinin de istatistiksel olarak anlamlı olması gerekmektedir. Bunun için yine AMOS ile aşağıdaki model oluşturularak test edilebilir. Dolaylı etkisinin istatistiksel olarak anlamlı olup olmadığı incelenebilir. Eğer anlamlı bir etki elde edilebilir ise bir sonraki aşamaya geçilebilir.

• Üçüncü ve son durum ise VAF değeri hesaplanarak kontrol edilmektedir.

VAF= Dolaylı etki/toplam etki*100 formülü ile elde edilmektedir.

1. VAF > %80 ise full mediation, yani tam aracılık etkisi oluşmaktadır,
2. %20 ≥ VAF ≥ partial mediation, yani kısmi aracılık etkisi oluşmaktadır,
3. %20 > VAF ise aracılık etkisinin oluşmadığı ifade edilmektedir.

Kaynak: (Preacher ve Hayes, 2004; 2008)

Sobel Testi ile Aracılık etkisi nasıl gerçekleştirilir?

Sobel testinin kullanılabilmesi için normal dağılım ve çoklu normal dağılım varsayımlarının karşılanmış olması gerekmektedir. Sobel testi için internette ücretsiz hizmet veren siteler bulunmaktadır. Araştırmacı sadece istenilen değerleri girmesi durumunda sobel testi sonucunu elde edebilmektedir. Şu linkten sobel testi analizi yapan siteye ulaşabilirsiniz. Siteye girdiğinizde aşağıdaki tabloya ilgili değerleri girmeniz istenecektir.

Sobel testi için girilmesi gereken değerler

X: Bağımsız değişken, Y: Bağımlı değişken ve M: Aracı değişken

Input sütunundaki a ve S_a değerlerini elde edebilmek için yukarıdaki modelde gösterilen X in Y üzerindeki etkisi basit doğrusal regresyon analizi ile test edilmelidir. Bunun için SPSS kullanılabilir. Bu şekilde X in Y üzerindeki etkisini gösteren standart olmayan Beta katsayısı a değerini ifade edecektir. Standart olmayan Beta katsayısına ait Standart hata değeri ise S_a değerini gösterecektir.

Input sütunundaki b ve S_b değerlerini elde edebilmek için ise yukarıdaki modelde gösterilen X ve M’nin aynı anda (enter yöntemi ile) Y üzerindeki etkisi basit doğrusal regresyon analizi ile test edilmelidir. Bu şekilde M nin Y üzerindeki etkisini gösteren standart olmayan Beta katsayısı b değerini ifade edecektir. Standart olmayan Beta katsayısına ait Standart hata değeri ise S_b değerini gösterecektir. Elde edilen değerler yukarıda gösterilen tabloya girildikten sonra Calculate butonuna basılarak; sobel test değeri, std. Hata değeri ve p anlamlılık değeri elde edilmektedir. Anlamlılık değeri 0,05'ten küçük ise aracılık etkisinden bahsedilebilir.

Aracı ve düzenleyici değişken analizleri ve raporlama için profesyonel destek almak isterseniz bize ulaşabilirsiniz,

neoistatistik.com

destek@neoistatistik.com

Mediator ve moderator degisken nedir?

Neden Mediatör  ve Moderatör Değişkenleri kullanıyoruz?

Son yıllarda, özellikle sosyal bilimlerde, klasik regresyon analizlerinin dışında mediatör ve moderatör analizlerinin daha fazla kullanılmaya başlandığını görmekteyiz. Bu durumun olası nedenlerinden birinin, bilimsel çalışmaların bağımlı ve bağımsız değişken arasındaki ilişkileri incelemekten çok, bağımlı ve bağımsız değişken arasındaki ilişkiye etki edebilecek yeni değişkenleri keşfetmeyi amaçlaması olduğunu düşünüyorum. Yani şöyle düşünelim, zekâ ile akademik başarı arasında ciddi bir ilişkinin olduğunu herkes biliyor artık. Şu an merak edilen konu ise hangi değişken veya değişkenlerin bu ilişkiyi etkileyebileceğidir. İşte bu aşamada devreye Mediatör (aracı) ve moderatör (düzenleyici, katalizör) değişkenler devreye giriyor.

Mediatör ve moderatör değişkenleri çoğu zaman birbiri ile karıştırılmaktadır. Hatta bazı araştırmalarda bu değişken isimlerinin birbirinin yerine kullanıldığını görmekteyiz. Bu makalede mediatör ve moderatör değişkenler arasındaki farkı açıklamaya çalışacağım. Mediatör ve moderatör analizleri SPSS için geliştirilen macro uygulaması ile gerçekleştirilebilmektedir. Bunun için Hayes in geliştirdiği makroyu indirebilirsiniz (link). Ayrıca, AMOS programı ile de bu analizleri gerçekleştirmeniz mümkündür. AMOS programının deneme sürümünü buradan indirebilirsiniz (link).

Sonraki makalelerde bu programları kullanarak farklı örnekler yapmayı planlıyorum.

Mediatör (aracı) değişken

Mediatör değişken Türkçe kaynaklarda aracı değişken olarak da ifade edilmektedir. Aracı değişken bağımlı ve bağımsız değişkenler arasındaki ilişkinin bir kısmını veya tamamını üstlenen değişkendir. Aşağıdaki aracı değişken modelini inceleyelim.

Aracı değişken modeli

Aracı değişken modelinde mobbing algısı bağımsız değişken, iş performansı bağımlı değişken ve stres ise aracı değişken olarak yer almaktadır. Aracı olarak seçilen değişken, bağımsız değişkenin bir sonucu olmalıdır. Bağımlı değişken de aracı olarak seçilen değişkenin sonucu olmalıdır. Başka bir ifade ile mobbing algısı stres algısının yükselmesine neden olabilir. Stres ise iş performansını olumsuz yönde etkileyebilir. Görüldüğü gibi bu değişkenler arasında neden sonuç ilişkileri bulunmaktadır. 

Moderatör (düzenleyici, katalizör) değişken

Moderatör değişken ise Türkçe kaynaklarda düzenleyici veya katalizör değişken olarak geçmektedir. Düzenleyici değişken analizinde, düzenleyici olarak seçilen değişkenin bağımsız değişkenden etkilenme şartı bulunmamaktadır. Bu durumu daha iyi anlayabilmek için aşağıdaki modeli inceleyelim.

Moderatör-Düzenleyici-Katalizör Değişken Modeli

Düzenleyici değişken modelinde mobbing algısı bağımsız değişken, iş performansı bağımlı değişken ve yaş ise düzenleyici değişken olarak yer almaktadır. Görüldüğü gibi yaş değişkeninin mobbing algısının bir sonucu olması söz konusu değildir. Düzenleyici değişken analizinde temel amaç, düzenleyici olarak seçilen değişkenin, bağımlı ve bağımsız değişken arasındaki ilişkinin gücünü nasıl etkilediğini ortaya koymaktır. Yani yaş azaldıkça mobbing algısı ile iş performansı arasındaki ilişkinin gücü artabilir veya azalabilir. Düzenleyici (moderatör) değişkene bağlı olarak bağımlı ve bağımsız değişken arasındaki ilişkiyi daha iyi ifade edebilmek için regresyon eğrileri temel alınarak grafik oluşturulmaktadır. Bu şekilde oluşturulan bir grafiği aşağıda görmekteyiz.

Moderatör analizi sonucunda regresyon eğrileri temel alınarak geliştirilen grafik 

Grafik incelendiğinde, moderatör olarak CTE değişkenin seçildiği görülmektedir. Düşük (low) CTE’ye sahip kişilerde JB ve JS arasındaki ilişki daha güçlüdür. Yüksek (high) CTE’ye sahip kişilerde ise JB ve JS arasındaki ilişki daha zayıftır. Dolayısı ile CTE değişkeninin bağımlı ve bağımsız değişken için önemli olduğunu söyleyebiliriz.

Moderatör ve mediatör değişkenlerin ne olduğunu ve bunlar arasındaki farkı örnekler ile açıklamaya çalıştım. Umarım çalışmalarınızın yönünü belirlemenizde faydalı olur. Aşağıdaki örnekleri de inceleyebilirsiniz. Profesyonel destek almak için neoistatistik.com

Yararlandığım kaynaklar: statwiki.kolobkreations.com

AMOS ile yapısal eşitlik modeli analizi

İngilizce açılımı “Analysis of Moment Structures” olan AMOS, yapısal eşitlik modeli analizlerinde kullanılan oldukça başarılı bir programdır. Birden çok bağımlı ve bağımsız değişkenler arasındaki doğrudan ve dolaylı ilişkileri betimleyip, bu ilişkileri bir model üzerinde test edebilmek için AMOS, basit ve kullanıcı dostu bir ara yüz sunmaktadır. 

AMOS, değişkenler arasındaki varsayılan ilişkileri göstermek için modeller oluşturmanızı, modelleri; tahmin etmenizi, değerlendirmenizi ve sunmanızı sağlar. AMOS, standart çok değişkenli istatistik teknikleriyle modelleri daha doğru oluşturmanızı sağlar. Kullanıcılar AMOS’da grafiksel olan ya da grafiksel olmayan, programlanabilir bir arabirimi de tercih edebilir. AMOS’da, karmaşık ilişkileri yansıtan davranışsal ve tutumsal modeller oluşturabilir ve test edebilirsiniz. 

Ölçek geliştirme çalışmalarında doğrulayıcı faktör analiziniAMOS’da çok rahat gerçekleştirebilirsiniz. AMOS ile doğrulayıcı faktör analizi, yol analizi ve yapısal regresyon modeli analizi gerçekleştirilebilmektedir. AMOS ile hem gözlenen hem de gizil değişkenler arasındaki ilişkileri bir model üzerinde test edebilirsiniz.

IBM AMOS programının deneme sürümünü buradan indirebilirsiniz.

Bir sonraki aşamada amos ile gerceklestirebilecegimiz basit ve karmasik model analizlerini adım adım açıklamaya çalışacağım.