Doğrulayıcı Faktör Analizi için Gerekli Örneklem Büyüklüğü Kaç Kişidir? : Bayes Yaklaşımı ve Maksimum Olabilirlik Kestirimi

Authors : Gizem UYUMAZ, Gözde SIRGANCI

Pages : 5302-5340

Doi:10.26466/opus.826895

View : 12 | Download : 10

Publication Date : 2020-12-31

Article Type : Research Paper

Abstract :Bu çalışmanın öncelikli amacı özellikle sosyal bilimler ve eğitim bilimleri alanlarında çalışmalar yapan araştırmacılara, doğrulayıcı faktör analizinde insert ignore into journalissuearticles values(DFA); uygun sonuçlar elde edebilmek için gerekli örneklem büyüklüğüyle ilgili kolay ulaşılabilir bir kaynak hazırlamaktır. Çalışmanın diğer amacı çeşitli koşullar altında küçük örneklemlerde, farklı faktör yükü ve faktörler arası korelasyon koşullarında, maksimum olabilirlik kestirimine ve bilgilendirici ve bilgilendirici olmayan önsellerin kullanılarak Bayes yaklaşımına dayalı olarak yapılan DFA ile elde edilen kestirimlerin kestirim yanlılığı, hata kareler ortalaması ve istatistiksel gücünün belirlenmesidir. Özellikle doğru tanımlanmış bilgilendirici önseller kullanılan Bayes DFA, tüm örneklem büyüklüklerinde en iyi performansı göstermektedir. Bilgilendirici önseller hatalı belirlendiğinde Bayes DFA daha düşük performans gösterir. Düşük faktör yüklerinde, önseller bilgilendirici olmasa bile Bayes kestirimi maksimum olabilirlik kestiriminden daha az yanlı sonuçlar verir. Zayıf faktör yükleri koşulunda tahminler, özellikle insert ignore into journalissuearticles values(çok); küçük örneklem büyüklüklerinde insert ignore into journalissuearticles values(N = 50 veya daha az); kestirimleri gerçek değerinden yüksek yapma eğilimindedir. Bayes DFA, özellikle daha küçük örneklem büyüklüklerinde, düşük faktör yüklerinde maksimum olabilirlik DFA`dan daha iyi performans gösterir. Faktör yükleriyle ilgili önseller bilgilendirici ise Bayes DFA, daha düşük örneklem büyüklüklerinde maksimum olabilirlik DFA`dan daha az yanlı sonuçlar verir. Maksimum olabilirlik kestirimlerinde, düşük örneklem büyüklüklerinde ve zayıf ile orta faktör yüklerinde sorunlarla karşılaşılırken, Bayes DFA sürekli olarak hatasız çalışır.
Keywords : yapısal eşitlik modeli, bayesçi yaklaşım, küçük örneklemler, monte carlo simülasyonu