Gelen e-posta ve benim yanıtım.
Literatürden anladığım kadarıyla gerek Amos gereksede MPLUS "ml" kestirimini kullanmaları durumunda aynı veri seti için aynı sonuçları vermekte. Ancak anladığım kadarıyla MPLUS'un özellikle kategorik ve normal dağılmayan veriler için sunduğu WLSMV kestirim yöntemi literatürde özellikle ölçme ve değerlendirme alanında uzmanlaşmış ve yurt dışında eğitim almış hocalar tarafından daha sık tercih edilmekte. Sizden tam da bu konuda yardım talep etmek istiyorum eğer kıymetli vaktinizi ayırıp bu konuda beni biraz aydınlatırsanız en azından hem doktora çalışmamım verilerini daha iyi analiz etmiş olacam hemde bundan sonraki akademik kariyerim bu uygulama sonucuna göre şekilleneceği için çok memnun olacam. Doktora çalışmamda 4 ölçek kullandım.
1.Ölçek 5'li likert (Tek Faktör)
2.Ölçek 4'lü likert (Tek Faktör)
3.Ölçek 5'li likert (5 alt Faktör)
4.Ölçek 7'li likert (3 alt Faktör)
Toplam 2010 öğrenciden veri topladım.Yaptığım analizler sonucunda "kolmogrov simirnov" ve "shapiro wilk" testleri sonucunda dağılımım normal dağılıma sahip değil. Ancak sosyal bilimlerle böyle olmasını beklemek zaten çok zor. Buna karşın çarpıklık ve basıklık değerleri +1.5 -1.5 arasında değiştiği için dağılımın normal olarak kabul edilebileceği literatürde sıklıkla kullanılan bir yöntem. Soru 1. Yine literatürde özellikle 2,3,4,5,6'lı likert türü ölçeklerin kategorik olması gerektiği, 7li ve üzeri likert türünde olanların sürekli olabileceği konusunda bir tartışma var. Şimdi bu bilgiler ışığında mevcut ölçeklerimi kategorik olarak mı kabul etmeliyim sizce. Eğer böyleyse anladığım kadarıyla en uygun kestirim MPLUS'un WLSMV'si olacak. Sürekli olarak kabul edersem gerek MPLUS gereksede AMOS'ta default kestirim yöntemi olan "ml" kullanmam gerekecek. Bu konudaki düşünceniz nedir. Soru 2. Yukarıdaki açıkladığım durumdan anlaşılacağı üzere veri setim normal dağılıma sahip gibi görünüyor. Şu durumda "ML" mi yoksa "WLSMV" mi kullanmak daha doğru olur. Soru 3. Gerçekten kafam çok karışık. Sizce ne yapmalıyım. Vaktinizi ayırıp en azından bu alanda uzmanlaşmış bir bilim adamı olarak doğru bilgiye, doğru kişiden ulaşmanın verdiği mutlulukla cevap verirseniz beni gerçekten çok memnun etmiş olacaksınız.
Yanıtım
Merhaba,
Öncelikle bahsi geçen normallik varsayımı "multivariate normality" dir, "bivariate normality" değil. Bu konuda tekrar okuma yapmanı tavsiye ederim.
Kafanın karışık olması güzel, birçok kişi gibi, literatürü dikkate almayarak Likert tipi maddeleri sürekli değişken olarak kabul edip yoluna devam edebilirdin.
Sorunun kısa yanıtı, verilerin kategorik yapısını dikkate almalısın. Bunu Mplus veya R ile yapabilirsin, dahası WLSMV kullanabileceğin tahminleyicilerden (estimator) sadece bir tanesi. Vaktin olursa diğer tahminleyicileri de incele, vaktin yoksa Mplus'ın "default setting" ini kullanabilirsin.
Eğer verilerin çoklu normallik (multivariate normality) varsayımını karşılıyorsa, muhtemelen verilerini sürekli veya kategorik olarak analiz etmen sonuçları değiştirmeyecektir, yani senin tabirinle "ml" ve "wlsmv" benzer sonuçlar verecek, nihai kararların aynı olacaktır. Senin de belirttiğin gibi normallikten uzaklaşmanın derecesi önemli olabiliyor (-1.5, +1.5 demişsin mesela), ama kesin bir kesme noktası var demek bence yanlış. Yani nispeten karmaşık modellerde normallikten X derece uzaklaşmak problemken, karmaşık olmayan bir modelde normallikten X derece uzaklaşmak problem olmayabilir.
Sonuç olarak, eğer verilerin kategorik yapısını dikkate almayacak ve verileri sürekli değişken olarak kabul edeceksen, en azından her iki senaryoda sonuçların nasıl değiştiğini dikkatlice incelemen gerekir. Eğer sonuçlar aynıysa ve bir gerekçen varsa o zaman verileri sürekli değişken olarak kullanabilirsin. Benim aklıma gelen mantıklı bir gerekçe olmadığı için ben CFA ve SEM'de, Likert tipi maddelerden gelen verileri sürekli değişken olarak kabul etmiyorum. Bununla birlikte regresyon yaparken bağımlı değişkenim sıralı kategorik (ordered) ise o zaman o değişkeni sürekli değişken olarak kabul edebilir miyim onu incelerim, eğer yeterli sayıda kategorim varsa, örneğin 10, veya normallik varsayımı ihlal edilmiyorsa o zaman sürekli değişken olarak kabul ederim, çünkü possion veya negative binomial regresyon gibi bağımlı değişkenin kategorik yapısını dikkate alan regresyon modellerini yorumlamak ve okuyucuya açıklama yapmak hem fazla zaman alıyor hem de yaygın olarak kullanılmıdığından okuyucuyu zorlayabiliyor.
Umarım açıklamalarım yardımcı olur.
Kolay gelsin.
