Yeni Başlayanlar İçin - Structural Equation Modeling Books

Aigner, Dennis J. and Arthur S. Goldberger, eds. (1977). Latent variables in socio-economic models. Amsterdam: North-Holland. ISBN: 0-720405262

Arminger, Gerhard, Clifford C. Clogg and Michael E. Sobel, eds. (1995). Handbook of statistical modeling for the social and behavioral sciences. New York : Plenum Press. ISBN: 030644805X.

Bagozzi, Richard P. (1979). Causal Models in Marketing. New York: John Wiley. ISBN: 0-471-01516-4.

Bartholomew, David J. (1987). Latent Variable Models and Factor Analysis. New York: Oxford University Press.

Berkane, Maia, ed. (1997). Latent variable modeling and applications to causality. New York: Springer-Verlag. ISBN: 0-387-94917-8.

Bollen, Kenneth A. (1989). Structural Equations with Latent Variables. New York: John Wiley. ISBN: 0-4710-1171-1.

Bollen, Kenneth A. and J. Scott Long. (1993). Testing structural equation models. Newbury Park, Calif.: Sage Publications. ISBN: 08039-4506-X; 0-8039-4507-8 (pbk.)

Collins, L. M., & Horn, J.L., eds. (1991). Best methods for analysis of change: Recent advances, unanswered questions, future directions. ISBN: 1-55798-310-0.

Collins, L.M., & Sayer, A.G., eds. (1991). New methods for the analysis of change. Washington, D.C.: American Psychological Association. (ISBN: 1557987548).

Cudeck, R., DuToit, S., & Sorbom, D. (Eds.). (2001). Structural equation modeling: Present and future. Lincolnwood, IL: Scientific Software International. ISBN-10: 0894980491 ISBN-13: 978-0894980497

Cuttance, P., & Ecob, R. (Eds.). (2009). Structural modeling by example: Applications in educational, sociological, and behavioral research (1^st ed.). Cambridge, England: Cambridge University Press. ISBN-10: 0521115248 ISBN-13: 978-0521115247

Davey, A., & Savla, J. (2009). Statistical power with missing data: A structural equation modeling approach. New York: Routledge. ISBN-10: 0805863699 ISBN-13: 978-0805863697

de Toledo Vieira, M. (2009). Analysis of longitudinal survey data: Allowing for the complex survey design in covariance structure models. Saarbrücken, Germany: VDM Verlag. ISBN-10: 3639202953 ISBN-13: 978-3639202953

Duncan, Otis Dudley (1975). Introduction to structural equation models. New York: Academic Press. ISBN: 0-1222-41509.

Everitt, Brian. (1984). An Introduction to Latent Variable Models. London: Chapman & Hall. ISBN: 0-4122-5310-0.

Goldberger, Arthur S. and Otis Dudley Duncan, eds. (1973). Structural equation models in the social sciences. New York: Seminar Press/Harcourt Brace. ISBN: 0-1283-9950-3.

Grace, J. B. (2006). Structural equation modeling and natural systems. Cambridge, England: Cambridge University Press. ISBN-10: 0521546532 ISBN-13: 978-0521546539

Glymour, C. (2001). The mind's arrows. Cambridge, Massachusets: MIT Press.

Hagen, Klaus, David J. Bartholomew and Manfred Deistler, eds. (1993). Statistical Modelling and Latent Variables. Amsterdam: North-Holland. ISBN: 0-444898328

Hancock, G. R., & Mueller, R. O. (Eds.). (2006). Structural equation modeling: A second course. Greenwich, CT: IAP. ISBN-10: 1593110154 ISBN-13: 978-1593110154

Heinen, Ton. (1993). Discrete Latent Variable Models. Tilburg, Netherlands: Tilburg University Press. ISBN: 9036197538

Hoyle, Rick H., ed. (1995). Structural Equation Modeling: Concepts, Issues and Applications. Thousand Oaks, Calif.: Sage Publications. ISBN: 0-8039-5317-8; 0-8039-5318-6 (pbk.)

Jöreskog, Karl G. and Dag Sörbom (1979). Advances in factor analysis and structural equation models. Edited by Jay Magidson. Cambridge, Mass.: Abt Books. ISBN: 0-8901-1535-4.

Jöreskog, Karl G. and Herman Wold, eds. (1982). Systems under indirect observation: causality, structure, prediction. Vol. I, II. Amsterdam: North-Holland. ISBN: 0-44486301X (set)

Kaplan, David (2000). Structural Equation Modeling: Foundations and Extensions. Newbury Park, Calif.: Sage Publications.

Kaplan, D. W. (2008). Structural equation modeling: Foundations and extensions (2^nd ed.). Thousand Oaks, CA: Sage. ISBN-13: 978-1412916240

Kline, Rex B., ed. (1998). Principles and Practice of Structural Equation Modeling. New York: Guilford Press; ISBN: 1-57230-337-9. (pbk.)

Kline, R. B. (2005). Principles and practice of structural equation modeling (2^nd ed.). New York: Guilford Press. ISBN-10: 1593850751 ISBN-13: 978-1593850753

Kline, R. B. (2010). Principles and practice of structural equation modeling (3^rd ed.). New York: Guilford Press. ISBN-10: 1606238760 ISBN-13: 978-1606238769

Lee, S.-Y. (2007). Structural equation modeling: A bayesian approach (1^st ed.). Hoboken, NJ: Wiley. ISBN-10: 0470024232 ISBN-13: 978-0470024232

Little, Todd D., Kai-U. Schnabel and Jürgen Baumert, eds. (2000). Modeling longitudinal multilevel data: Practical issues, applied approaches, and specific examples. Mahwah, N.J.: Lawrence Erlbaum Associates. ISBN: 0-8058-3054-5.

Loehlin, John C. (1987). Latent Variable Models: An Introduction to Factor, Path, and Structural Analysis. Hillsdale, N.J.: Lawrence Erlbaum Associates. ISBN: 0-8985-9963-6; 0-8985-9965-2 (pbk.)

Loehlin, John C. (1992). Latent Variable Models: An Introduction to Factor, Path, and Structural Analysis. 2nd ed. Hillsdale, N.J.: Lawrence Erlbaum Associates. ISBN: 0-8058-1083-8; 0-8058-1084-6

Loehlin, John C. (1998). Latent Variable Models: An Introduction to Factor, Path, and Structural Analysis. 3rd ed. Mahwah, N.J.: Lawrence Erlbaum Associates. ISBN: 0-8058-2830-3 (cloth); 0-8058-2831-1 (pbk.).

Loehlin, J. C. (2004). Latent variable models: An introduction to factor, path, and structural equation analysis (4^th ed.). Mahwah, NJ: Erlbaum. ISBN-10: 0805849106 ISBN-13: 978-0805849103

Long, J. Scott (1983). Confirmatory Factor Analysis: Preface to LISREL. Quantitative Applications in the Social Sciences, Vol. 33. Beverly Hills, Calif.: Sage Publications. ISBN: 0-8039-2044-X

Marcoulides, George A. (1998). Modern Methods for Business Research.Hillsdale, N.J.: Lawrence Erlbaum Associates. ISBN: 0-8058-2677-7.

Marcoulides, George A. and Randall E. Schumacker, eds. (1996) Advanced Structural Equation Modeling: Issues and Techniques. Hillsdale, N.J.: Lawrence Erlbaum Associates. ISBN: 0-8058-1819-7.

Maruyama, Geoffrey (1997). Basics of Structural Equation Modeling. Thousand Oaks, Calif.: Sage Publications. ISBN: 0-8039-7408-6; 0-8039-7409-4 (pbk.).
Mulaik, S. A. (2009). Linear causal modeling with structural equations (1^st ed.). Boca Raton, FL: Chapman & Hall/CRC. ISBN-10: 1439800383 ISBN-13: 978-1439800386

Neale, Michael C. and Cardon, Lon R. (1992). Methodology for Genetic Studies of Twins and Families. Dordrecht, Netherlands: Kluwer Academic Press. ISBN 0-7923-1874-9.

Pearl, Judea (2000). Causality: models, reasoning, and inference. Cambridge: Cambridge University Press. ISBN: 0521773628.

Pearl, J. (2009). Causality: Models, reasoning and inference (2^nd ed.). Cambridge, England: Cambridge University Press. ISBN-10: 052189560X ISBN-13: 978-0521895606.

Pugesek, B. H., Tomer, A., & von Eye, A. (Eds.). (2009). Structural equation modeling: Applications in ecological and evolutionary biology (1^st ed.). Cambridge, England: Cambridge University Press. ISBN-10: 0521104025 ISBN-13: 978-0521104029

Raykov, Tenko and George A. Marcoulides. (2000). A first course in structural equation modeling. Mahwah, N.J. : Lawrence Erlbaum Associates. ISBN: 0-8058-3568-7; 0-8058-3569-5 (pbk)

Raykov, T., & Marcoulides, G. A. (2006). A first course in structural equation modeling (2^nd ed.). Mahwah, NJ: Erlbaum. ISBN-10: 0805855882 ISBN-13: 978-0805855883

Schumacker, Randall E. and George A. Marcoulides (1998). Advanced Structural Equation Modeling: Interaction Models. Hillsdale, N.J.: Lawrence Erlbaum Associates. ISBN: 0-8058-2950-4 (cloth); 0-8058-2951-2 (pbk).

Schumacker, Randall E. and George A. Marcoulides, eds. (1998). Interaction And Non-Linear Effects In Structural Equation. Lawrence Erlbaum Associates. ISBN: 0-8058-2950-4 (cloth); 0-8058-2951-2 (pbk).

Schumacker, Randall E. and R.G. Lomax. (1996). A Beginner’s Guide to Structural Equation Modeling. Hillsdale, N.J.: Lawrence Erlbaum Associates. ISBN: 0-8058-1766-2; 0-8058-1767-0 (pbk.).

Skrondal, A. and Rabe-Hesketh, S. (2004). Generalized Latent Variable Modeling: Multilevel, Longitudinal and Structural Equation Models. Boca Raton, FL: Chapman & Hall/CRC.

Structural equation modeling: Webster’s timeline history, 1985-2007. (2009). San Diego, CA: Icon Group. ISBN-10: 0546748155 ISBN-13: 978-0546748154.

Teo, T., & Khine, M. S. (Eds.). (2009). Structural equation modeling in educational research: Concepts and applications. Rotterdam, Netherlands: Sense. ISBN-10: 9087907877 ISBN-13: 978-9087907877

Toyoda, H. (Ed.). (2003). Covariance structure analysis techniques – structural equation modeling. Tokyo: Asakura. ASIN: B00279BEDO (Japanese)

von Eye, Alexander and Clifford C. Clogg, eds. (1994). Latent variables analysis: applications for developmental research. Thousand Oaks, Calif.: Sage Publications. ISBN: 0-8039-5330-5 (cloth); 0-8039-5331-3 (pbk.)

Research Paper

Flora, D.B. & Curran P.J. (2004). An empirical evaluation of alternative methods of estimation for confirmatory factor analysis with ordinal data. Psychological Methods, 9, 466-491.

Download Paper: STATMODEL - Mplus

Structural Equation Modeling With AMOS: Basic Concepts, Applications, and Programming

This bestselling text provides a practical guide to the basic concepts of structural equation modeling (SEM) and the AMOS program (Version 17/forthcoming Version 18). The author "walks" the reader through a variety of SEM applications based on actual data taken from her own research. Noted for its easy-to-follow, non-mathematical language, this book is written for the novice SEM user. In each chapter, the author walks the reader through all steps involved in testing the SEM model presented. Each application is accompanied by: an explanation of the issues addressed a schematic representation of the hypothesized and posthoc models tested AMOS input and output (graphical and textual) with accompanying interpretation and explanation Use and function of the many icons in the AMOS toolbar, together with their related pull-down menus The data upon which the model was based, as well as the related published reference

With over 50% new material, highlights of the new edition include:
All new screen shots so readers can easily follow along with the latest version of the AMOS program (Version 17/forthcoming Version 18)
All data files now available online
Application of a multitrait-mulitimethod model, latent growth curve model, and second-order model based on categorical data
All applications based on the most commonly used graphical interface
The automated multi-group approach to testing for equivalence
Divided into 5 major sections, the first two chapters introduce readers to the fundamental concepts of SEM and the basic components of the AMOS program. Section 2 presents four applications that focus on single-group analyses; these include first- and second order CFA models, as well as a full SEM model. Multiple-group applications are presented in Section 3 and illustrate tests for equivalence pertinent to both CFA and full SEM models, as well as tests for latent mean differences. Section 4 walks readers through applications of the multitrait-mutimethod and latent growth curve models. The final section discusses two critically important issues - non-normal data and missing (incomplete) data, and presents two applications capable of addressing these issues.
Intended for researchers, practitioners, and students who wish to use SEM and AMOS in their work, this best-selling book is the one of choice in academic as well as a wide variety of other work environments around the globe. An ideal resource for courses on SEM taught at the graduate level in psychology, education, business, and other applied social and health sciences and/or as a supplement in courses on applied statistics, multivariate statistics, statistics II, intermediate or advanced statistics, and/or research design taught in these same departments. Appropriate for those with limited or no previous exposure to SEM, a prerequisite of basic statistics through regression analysis is recommended. The book serves as an invaluable companion to the AMOS Manual as well as to any SEM textbook.

P VALUES AND STATISTICAL SIGNIFICANCE & What is a P Value?

P VALUES AND STATISTICAL SIGNIFICANCE

The traditional approach to reporting a result requires you to say whether it is statistically significant. You are supposed to do it by generating a p value from a test statistic. You then indicate a significant result with "p <0,5".

What is a P Value?

It's difficult, this one. P is short for probability: the probability of getting something more extreme than your result, when there is no effect in the population. Bizarre! And what's this got to do with statistical significance? Let's see.

I've already defined statistical significance in terms of confidence intervals. The other approach to statistical significance--the one that involves p values--is a bit convoluted. First you assume there is no effect in the population. Then you see if the value you get for the effect in your sample is the sort of value you would expect for no effect in the population. If the value you get is unlikely for no effect, you conclude there is an effect, and you say the result is "statistically significant".

Let's take an example. You are interested in the correlation between two things, say height and weight, and you have a sample of 20 subjects. OK, assume there is no correlation in the population. Now, what are some unlikely values for a correlation with a sample of 20? It depends on what we mean by "unlikely". Let's make it mean "extreme values, 5% of the time". In that case, with 20 subjects, all correlations more positive than 0.44 or more negative than -0.44 will occur only 5% of the time. What did you get in your sample? 0.25? OK, that's not an unlikely value, so the result is not statistically significant. Or if you got -0.63, the result would be statistically significant. Easy!
But wait a minute. What about the p value? Yes, umm, well... The problem is that stats programs don't give you the threshold values, ±0.44 in our example. That's the way it used to be done before computers. You looked up a table of threshold values for correlations or for some other statistic to see whether your value was more or less than the threshold value, for your sample size. Stats programs could do it that way, but they don't. You want the correlation corresponding to a probability of 5%, but the stats program gives you the probability corresponding to your observed correlation--in other words, the probability of something more extreme than your correlation, either positive or negative. That's the p value. A bit of thought will satisfy you that if the p value is less than 0.05 (5%), your correlation must be greater than the threshold value, so the result is statistically significant. For an observed correlation of 0.25 with 20 subjects, a stats package would return a p value of 0.30. The correlation is therefore not statistically significant.
Phew! Here's our example summarized in a diagram:

The curve shows the probability of getting a particular value of the correlation in a sample of 20, when the correlation in the population is zero. For a particular observed value, say 0.25 as shown, the p value is the probability of getting anything more positive than 0.25 and anything more negative than -0.25. That probability is the sum of the shaded areas under the probability curve. It's about 30% of the area, or a p value of 0.3. (The total area under a probability curve is 1, which means absolute certainty, because you have to get a value of some kind.)

Results falling in that shaded area are not really unlikely, are they? No, we need a smaller area before we get excited about the result. Usually it's an area of 5%, or a p value of 0.05. In the example, that would happen for correlations greater than 0.44 or less than -0.44. So an observed correlation of 0.44 (or -0.44) would have a p value of 0.05. Bigger correlations would have even smaller p values and would be statistically significant.

LISREL ile Yapısal Eşitlik Modellemesi – I

Yapısal Eşitlik Modeli (YEM) son dönemlerde sosyal bilimlerde en önemli veri analiz tekniklerinden biri olmuştur. YEM, sosyal bilimlerde teorilerin formüle edilmesi ve değişkenler arasındaki karmaşık ilişki yapılarının bir model yardımıyla açıklanmasında yaygın bir biçimde kullanılmaktadır. Temel olarak YEM ekonometrideki eşanlı eşitlik sistemlerinin bir uzantısıdır. YEM, iki ayrı istatistiksel geleneğin bir karma yapısını temsil etmektedir. Psikoloji ve psikometrideki faktör analizinin gelişimi ve temel olarak ekonometrideki eşanlı eşitlik modellerinin gelişimi bu modelleme yaklaşımının ortaya çıkmasına ve gelişmesine olanak sağlamıştır. Günümüzde YEM, teorik ve uygulamalı istatistiksel araştırmalarda etkin bir araç olarak kullanılmaktadır.

YEM’ de gizil (latent) değişken kavramı oldukça önemlidir. Bu kavram yapı, faktör, boyut ve değişken gibi çeşitli isimler kullanılarak adlandırılmaktadır. Gizil değişken kavramı doğrudan ölçülemeyen, ancak gözlenebilir basit değişkenler yardımıyla ölçülebilir hale gelen örtük bir yapıyı ifade etmektedir.

Temel olarak psikolojik araştırmalarda kullanılan gizil değişkenlerin analizi gözlenemeyen yapıların açıklanmasına ilişkindir. Bu nedenle bir teorik yapının açıklanmasında gizil değişkenler temel rol almaktadır. Günümüzde bu kavram YEM ile birlikte anılmakta, geniş bir biçimde tartışılmakta ve kullanılmaktadır. Psikoloji bilmini temel alan bu durum, şimdilerde biyolojide, ekolojik araştırmalarında, elektronların hareketlerinin açıklanmasında, pazarlama araştırmalarında, bilgi teknolojilerinde, yapay sinir ağlarında, biyometrik çalışmalarda, vb. yaygın bir biçimde kullanılmaktadır.

YEM, istatistiksel bağımlılığa dayalı modellerle ilgili bütünleşik hipotezler içindeki değişkenlerin sebep-sonuç ilişkisini açıklayabilen ve kuramsal modellerin bir bütün olarak test edilmesine olanak veren etkili bir model test etme ve geliştirme yöntemidir. Ayrıca YEM modelleri, araştırmacılara değişkenler arasında doğrudan ve dolaylı etkileri belirleme olanağıda sağlamaktadır YEM, sosyal bilimlerde kullanılan diğer istatistiksel tekniklere üstün olarak; modellemede yer alan kuramsal yapılar arasındaki etkileşimleri, yapılara ölçme hatalarını ve hatalar arasındaki ilişkileri dâhil ederek modelleyen çok değişkenli istatistiksel bir yaklaşımdır.

Yapısal eşitlik modellemesine ilişkin kitap çalışması 3 kitaptan oluşacak şekilde tasarlanmıştır. LISREL ile Yapısal Eşitlik Modellemesi - I başlıklı kitap YEM konusunda yeni çalışmaya başlamış araştırmacılara temel düzeyde YEM ve LISREL hazır yazılımının ekran çıktıları ile kullanımını en basit düzeyde aktarmayı hedeflemektedir. LISREL hazır yazılımına ilişkin olarak www.ssicentral.com adresinden elde edilecek uygulamalar ve LISREL kullanımına ilişkin temel belgeler bu kitabın ana çatısını oluşturmaktadır. En basit şekilde araştırmacıların herhangi bir komut yazmadan LISREL’ in grafiksel ara yüzünü kullanarak analizlerini yapabilmesi için bir yol haritası sunulmuştur. LISREL ile Yapısal Eşitlik Modellemesi –II’ de bu kitapta yer almayan yaklaşımlar ve modeller (Çok düzeyli veri, modellerin geçerliliğinin ve güvenirliğinin değerlendirilmesi, grupların karşılaştırılması, yinelemeli ve yinelemesiz modeller, lojistik ve probit regresyon, MIMIC modelleri, Bootstrap, vb.) ayrıntısı ile ele alınacaktır. AMOS, LISREL ve EQS ile Yapısal Eşitlik Modellemesi ise serinin son kitabı olacaktır.

Kitabın yayına hazırlanmasında büyük bir özveri ve titizlik ile çalışan Pegem Akademi’ nin tüm yönetici ve çalışanlarına teşekkürlerimizi sunarız.

Yapısal eşitlik modellemesine ilişkin ilk adımları birlikte attığımız Araş. Gör. Şengül CANGÜR’ e, desteklerinden dolayı Prof. Dr. Vedat PAZARLIOĞLU ve Yrd. Doç. Dr. Murat ATAN’ a teşekkürlerimizi sunarız.

Son olarak sabır ve destekleri için eşlerimiz Oya YILMAZ ve Berrin ÇELİK’ e, sonsuz anlayışları için çocuklarımız Eren YILMAZ’ a, Eylül ve Mina ÇELİK’ e sevgilerimizle.

Kitabın yapısal eşitlik modellemesi çalışan araştırmacılara ve öğrencilere temel bir kılavuz olarak yararlı olması dileklerimizle.

Doç. Dr. Veysel Yılmaz & Dr. H. Eray Çelik

Eskişehir, 2009

Kitaba Ulaşmak İçin: PEGEM

Kuruma Bağlılığı Etkileyen Faktörlerin Yapısal Eşitlik Modelleriyle Araştırılması: Özel Ve Devlet Bankası Örneği

Çalışma, özel ve devlet bankası müşterilerinin sunulan hizmetlerden memnuniyetleri ile bankaya bağlılıklarını arasındaki ilişkiyi bir model yardımıyla betimlemek amacıyla tasarlanmıştır. Bu amaçla, Eskişehir’de bir devlet bankası ve bir özel banka müşterileri arasından rassal olarak seçilen sırasıyla 250 ve 100 müşteriye 37 önermeyi içeren bir anket uygulanmıştır. Analiz sonucunda devlet bankaları için bankaların hevesliliği ve yeterliliğinin, özel bankalar için ise duyarlılık ve yeterliliğin kuruma bağlılığı artıran önemli faktörler olduğu, ortaya çıkmıştır. Çalışmada ayrıca bulgular tartışılmış ve banka yöneticilerine öneriler sunulmuştur.

This study is designed to find out the relationship between public and private bank customers’ service quality perceptions and their loyalty to their banks through the use of a research model. To serve this purpose, 250 public and 100 private bank customers are requested to fill out a 37-item questionnaire. Empirical results revealed that while responsiveness and reliability are perceived to be the most influential factors increasing loyalty to the public banks, empathy and reliability are reported in the private banks. Discussion of the results, implications to the bank managers are also presented.

Makaleye Ulaşmak İçin: Anadolu Üniversitesi Sosyal Bilimler Dergisi

Kredi Kartı Kullanma Niyetini Etkileyen Faktörlerin Yapısal Eşitlik Modeliyle Araştırılması

Yapısal eşitlik modelinin kullanılması suretiyle Türkiye’ de banka müşterilerinin, Kredi Kartı Aidatına İlişkin Algılanılan Tutumu, Kredi Kartı Kullanmaya İlişkin Olumlu Tutumu, Kredi Kartı Kullanmaya İlişkin Negatif Tutumu, Bankaya İlişkin Algılanılan Olumlu Tutumu, Memnuniyeti ve Kredi Kartı Kullanmama Niyeti arasındaki nedensel ilişkiler açıklanmaya çalışılmıştır. Hesaplanan çoklu uyum ölçütlerinden modelin istatistiksel olarak anlamlı olduğu tespit edilmiştir. Analizler sonucunda kart aidatına karşı olumlu tutumun, kredi kartlarına karşı olumlu tutumu pozitif, ancak gelecekte kredi kartı kullanmama niyetini negatif yönde etkilemekte olduğu bulunmuştur. Öte yandan kredi kartının ait olduğu bankaya karşı olumlu tutumun kredi kartlarından memnuniyeti önemli ölçüde arttırmakta olduğu ve kart aidatına ilişkin olumlu tutumdaki artışın ise gelecekte kredi kartı kullanmama niyetini azaltacağı saptanmıştır.

Makaleye Ulaşamak İçin: Bankacılar Dergisi

Yapısal Model ve Ölçüm Modeli

Yapısal model (gizil değişken modeli), gizil değişkenler arasındaki ilişkileri özetleyen yapısal eşitlikleri kapsar. Modelin bu bölümü bazen yapısal eşitlik veya nedensel model olarak da adlandırılır. Modelde yer alan tüm eşitlikler yapısal ilişkileri betimler. Tam modelde (ölçüm ve yapısal model birlikteliği) sadece gizil değişken kısmının yapısal uygulaması için ölçüm modelinin yapısal olmadığı varsayımı temel alınmaktadır (Bollen, 1989).

LISREL

LISREL is the Stratucre Equation Modeling Pioneering statistical software package developed by Karl Jöreskog and Dag Sörbom. It is used for the estimation of LInear Structural RELationships and for many other types of multivariate analysis, such as factor analysis, multiple regression, path analysis, analysis of mean structure and multisample analysis.

The LISREL model in its most general form consists of two parts: the measurement model and the structural equation model.

The measurement model specifies how latent variables or hypothetical constructs depend upon or are indicated by the observed variables. It describes the measurement properties (reliabilities and validities) of the observed variables.
The structural equation model specifies the casual relationships among the latent variables, describes causal effects, and assigns the explained and unexplained variance.

LISREL 8.8 contains the command language SIMPLIS, which uses plain English input commands. The LISREL package also includes PRELIS 2, a program for multivariate data screening and data summarization, which can be used as a preprocessor for LISREL. This is the long-waiting 8.8 version of the software.

Yapısal Eşitlik Modellemesine Giriş

Yapısal Eşitlik Modellemesinin Tarihçesi

Bollen (1989), yapısal eşitlik modellemesinin tarihsel seyrinde başlıca üç bileşeninin bulunduğunu ifade etmektedir, bunlar: (1) path analizi, (2) yapısal model ve ölçüm modellerinin kavramsal sentezi ve (3) genel tahmin süreçleridir. Nedensel modeller tarihsel bir düzende gelişme göstermiştir, bu modeller; regresyon analizi, path analizi, doğrulayıcı faktör analizi (DFA), (Confirmatory Factor Analysis – CFA) ve yapısal eşitlik modellemesidir (Schumacker and Lomax, 2004).

İlk model doğrusal regresyon modellerini içermektedir. Doğrusal regresyon modelleri regresyon ağırlıklarını hesaplamak için en küçük kareler ölçütünü ve bir korelasyon katsayısı kullanır. Regresyon modelleri 1896’ da iki değişken arasındaki ilişkilere dair bir standart büyüklüğün sağlanması amacıyla Karl Pearson tarafından korelasyon katsayısına ilişkin bir formülün ortaya konulması ile mümkün olmuştur (Schumacker and Lomax, 2004). Regresyon analizi teorik bir modelin test edilmesini sağlamaktadır. Regresyon modeli, gözlenen bağımsız değişkenler ile bağımlı değişken(ler) arasındaki ortalama ilişkinin matematiksel bir fonksiyonla ifadesidir (Akkaya ve Pazarlıoğlu, 1995).

Charles Spearman (1904, 1927) korelasyon katsayısını, ilişkili maddeleri tanımlamak için kullanmıştır. Bu temel fikir, maddelerin ilişkilerini ve birlikte değişimlerini göz önünde bulundurarak, ilk faktör analizinin ortaya çıkmasını sağlamıştır (Schumacker and Lomax, 2004). D.N. Lawley ve L.L. Thurstone 1940’ da faktör modelini ve ölçme araçları için uygulamalarını geliştirmiştir (Bollen, 1989; Timm, 2002; Schumacker and Lomax, 2004).

Path analizini bir biyometrisyen olan Wright (1918, 1921, 1934) geliştirmiştir (Bollen, 1989; Golob, 2003; Schumacker and Lomax, 2004). Path modelleri, gözlenen değişkenler arasındaki daha karmaşık ilişkilerin modellenmesi için regresyon analizini ve korelasyon katsayılarını kullanır. Path analizi, değişkenler arasında neden-sonuç ilişkisine dayalı modelleri kurar. Kurulan model, gözlenen korelasyonlara uygun açıklama getirmek ve bir dışsal değişkenin modelde yer alan diğer bir değişken ile arasındaki korelasyonu ve nedensel etkisini ne ölçüde yansıttığını değerlendirmek amacıyla kullanılmaktadır. Path analizinin ilk uygulaması hayvan davranışlarının modellenmesi ile ilgilidir. Wright, path analizinin üç yönünü ortaya koymuştur: (1) path diyagramı, (2) kovaryanslar ve korelasyonlar ile ilgili eşitlikler ve (3) etkilerin ayrıştırılmasıdır. Wright’ ın 1918’ deki ilk makalesi, kemik ölçümlerinin büyüklük bileşenlerinin bir modelini tahmin ve formüle eden modern faktör analizine ilişkindir (Bollen, 1989). Path diyagramı eşanlı eşitlikler sisteminin resimsel bir gösterimi olarak da tanımlanmaktadır. Path diyagramları tüm değişkenler arasındaki ilişkileri gösterir. Wright path diyagramı kullanarak, model parametreleri için değişkenlerin korelasyonlarını içeren eşitliklerin yazılmasına dair bir kurallar seti önermiştir. Bu önerme, path analizinin ikinci yönünü oluşturmaktadır. Path analizinin üçüncü yönü ise, toplam, doğrudan ve dolaylı etkiler içindeki herhangi iki değişken arasındaki toplam etkilerin ayrıştırılmasına ilişkindir (Bollen, 1989). Wright (1960), path katsayılarının yorumuna açıklık getirmek için standartlaştırılmış regresyon katsayılarının kullanılmasının daha uygun olduğunu ileri sürmüştür (Bryman and Cramer, 2001). Maruyama (1998) path analizini bağımlı değişkenler üzerindeki bağımsız değişkenlerin kısmi etkilerini standartlaştırılmış regresyon katsayıları ile gösteren bir analiz olarak tanımlamaktadır.

Path analizi 1960’ a kadar ekonometrisyenler ve sosyologlar tarafından gözardı edilmiştir (Shipley, 2004). 1960’ lardan önce, ekonometrisyenler kısmi korelasyonlarda tanımlama durumundaki kısıtlamaların kullanılması ile alternatif nedensel ilişkilerin test edilmesine çalışmışlardır (Golob, 2003). 1960’ lı yıllar boyunca ve 1970’ lerin başlarında sosyologlar, Blalock (1961), Boundon (1965) ve Duncan (1966) ilişkilendirilmiş kısmi korelasyon metodunu ve path analizinin gücünü keşfetmişlerdir. Path analizinin gelişmesine yönelik Blalock (1964), Duncan (1966), Land (1969), Bentler (1980), Fox (1984), Bollen (1987, 1989) ve Shipley (2004) çalışmalar yapmışlardır.

Doğrulayıcı faktör analizi(DFA) kavramı, Howe (1955), Anderson ve Rubin (1956) ve Lawley’ in (1958) çalışmalarının temelinde ortaya çıkmıştır (Bollen, 1989; Tomer 2003). DFA metodunun tamamen geliştirilmesi 1960 yılında Karl Jöreskog tarafından sağlanmıştır. Karl Jöreskog, tanımlı bir yapının maddelerinin oluşturduğu veri setinin test edilip edilemeyeceğine ilişkin kuramsal çalışmaları ile DFA’ yı geliştirmiştir. Jöreskog bilimsel incelemelerini 1963’ te tamamlamış ve 1969 yılında DFA hakkındaki ilk makalesini yayınlamış, sonradan ilk DFA hazır yazılımının geliştirilmesinde yer almıştır. Açıklayıcı faktör analizi (AFA) pek çok akademik disiplinde kullanılan ölçme araçları için 100 yılı aşkın bir süredir kullanılırken, DFA günümüzde kuramsal yapıların var oluşunu test etmek için kullanılmaktadır (Bollen, 1989; Brown, 2006).

YEM; nedensel ilişkiler hakkında varsayılan modelleri göstermek için path diyagramlarını kullanmaktadır. YEM aslında genel bir istatistiksel metodolojidir (Kline, 1998). İlk genel yapısal eşitlik modellemesi Karl Jöreskog (1970, 1973), Keesling (1972) ve Wiley (1973) tarafından geliştirilmiştir. Wright’ ın path analizi, göz önünde bulundurulan varsayımsal bir nedensel yapının test edilebilmesi yeteneğinden yoksundur. Path analizine ek olarak, gizil değişken ve ölçüm modellerinin kavramsal sentezi, çağdaş YEM’ in temelini oluşturmuştur. YEM modelleri gerçekte doğrulayıcı faktör modelleri ve path modellerini birleştirmektedir. YEM gizil ve gözlenen değişkenleri kapsamaktadır. Gözlenen değişkenler (indikatör) arasındaki kovaryanslardan elde edilen bilgilerden hareketle gizil değişkenler hakkındaki çıkarsamaya ilişkin modellerin gelişimi 1960’ lı yıllar boyunca sosyolojide sürmüştür. Bu gizil değişken modelleri, ölçme hatalarının nasıl gösterilebileceği konusunda YEM’ in gelişimine anlamlı katkıda bulunmuştur (Bollen, 1989; Schumacker and Lomax, 2004).

Modern YEM orijinal olarak JKW (Jöreskog-Keesling-Wiley) modeli olarak bilinmektedir (Bentler, 1980). Fakat daha sonradan 1973 yılında ilk hazır yazılım olan LISREL’ in geliştirilmesi ile “Doğrusal Yapısal İlişkiler Modellemesi (LISREL)” olarak adlandırılmıştır. Jöreskog ve van Thillo “Educational Testing Service – ETS” te LISREL hazır yazılımını bir matris komut dili kullanarak geliştirmişleridir. İlk kullanılabilir sürümü, LISREL III 1976’ da yayınlanmıştır. 1993’ te LISREL 8 yayınlanmış ve LISREL 8’ de değişkenlerin adlarının yazıldığı eşitliklere dair SIMPLIS (SIMPleLISrel) komut diline yer verilmiştir. 1999’ da ise LISREL’ in ilk etkileşimli sürümü yayınlamıştır. LISREL programı ilk YEM hazır yazılımı olmakla beraber, diğer hazır yazılımlar 1980’ lerin ortalarından itibaren geliştirilmeye başlanmıştır (Bollen, 1989; Hair, et al., 1998; Golob, 2003; Schumacker and Lomax, 2004). YEM yapılar arasındaki potansiyel içsel ilişkiler hakkındaki hipotetik iddiaların olası testleri ve ölçümlerinin gerçekleştirilmesi için kullanılabilir. İddiaların, ilişkilerin ve tahmin sürecinin karmaşık matematiksel yapısından dolayı hazır yazılımları YEM uygulamalarında kullanmak gerekmektedir (Bollen, 1989; Timm, 2002; Borsboom, et al., 2003; Raykov and Marcoulides, 2006). YEM’ de en yaygın olarak kullanılan hazır yazılımlar AMOS (Arbuckle, 1994, 1997), EQS (Bentler, 1989, 1995) ve LISREL (Jöreskog and Sörbom, 1993) dir. Bunların dışında CALIS (Hartmann, 1992), LISCOMP (Muthén, 1988), SEPATH (Statistica), Mx (Neale, 1997), MPLUS (Muthén, 1998) ve TETRAD (Scheines, et al., 1994) adlı hazır yazılımlarda bulunmaktadır.

YEM’ in bu bölümde ele alınacak son karakteristiği genel tahmin süreçleridir. Gözlenen değişkenler ile YEM için tahminlerin özellikleri ekonometri bilminde iyi bir şekilde saptanmıştır (Bollen, 1989). Lawley (1940), Anderson ve Rubin (1956) ve Jöreskog’ un (1969) psikometrideki çalışmaları faktör analizinde hipotez testleri için gerekli temellerin ortaya çıkarılmasına yardım etmiştir. Bock ve Bargmann (1966) gizil değişkenlerin yer aldığı modellerde çözümleme aşamasında, varyansın bileşenlerinin tahmin edilmesi için kovaryans yapı analizinin yapılması gerektiğini önermişlerdir (Bollen, 1989; Golob, 2003; Tomer, 2003). Jöreskog (1973) genel YEM’ ler için bir en çok olabilirlilik tahmin edicisi önermiştir. Bu tahmin edici günümüzde yaygın olarak kullanılmaktadır. Jöreskog ve Goldberger (1972) ve Browne (1974, 1982, 1984) genelleştirilmiş en küçük kareler tahmin edicisini öne sürmüşlerdir. Bentler (1983) gözlenen değişkenlerin momentlerinin üst sıra çarpım işlemiyle elde edilen bir tahmin ediciyi önermiştir. Muthén (1984, 1987) ordinal veya sınırlandırılmış gözlenen değişkenlerin olduğu durumlar için var olan modelleri genelleştirmiştir. YEM’ lerin en önemli özelliği, sınanmaya çalışılan model ya da modellerin, o modele dair toplanmış olan veriler için ne derecede uygun olduğuna ilişkin değerlendirme ölçütleri sunabilmesidir (Hoyle, 1995; Raykov and Marcoulides, 2006).

YEM, gözlenen değişkenler tarafından ölçülen gizil yapılar arasındaki nedensel ilişkiler ile ilgili olan araştırma problemlerini çözmek için pek çok disiplinde kullanılmaktadır. Özetle YEM’ in gelişimi ve dayandığı kuramsal çerçeve; ekonometri, istatistik ve psikolojide tarihsel olarak elde edilen bilimsel gelişmelerin meydana getirdiği bir piramitle gösterilebilir.