yapısal eşitlik modellemesi

• genelde sosyal bilimlerde kulanilan ve coklu degiskenlerin incelenmesinde nedensel surecleri incelemeye odaklanan bir istatistik metodudur. bu analiz metodu basitce birbirlerinden bagimsiz regresyon ya da faktor analizlerinin (mumkunse dordu gecmemek uzere) hepsini tek analizde birlestirir ve (bu bagimsiz analizlerin varyans ve kovaryanslarini kullanarak) aralarindaki iliskiye bakar.
  
  soyle bi model dusunelim: sosyal destegin ve atilganligin (boyle bi olcek var cidden) psikolojik dengeyi ne kadar tahmin ettigine bakicaz. diyelim ki sosyal destegi (olcek 1) tahmin eden alt degiskenler, aile destegi (alt olcek 1.1), arkadas destegi (alt olcek 1.2) ve algilanan destek (alt olcek 1.3) olsun. alt olcek/ olcek iliskisi icin, olcekte otuz soru varsa, bu uc alt olcekte onar soru var gibi dusunebiliriz. bu olcek ve alt olceklerin her biri, bu analizde kullanabilecegimiz birer degiskeni olustuyor.
  
  sonucta birbirinden bagimsiz uc analizimiz var:
  - 1.1, 1.2 ve 1.3 ile 1'i olcen
  - 2.1, 2.2 ve 2.3 ile 2'yi olcen, ve
  - 3.1, 3.2 ve 3.3 ile 3 u olcen.
  
  iste structural equation modeling'in yaptigi sey, 1,2 ve 3'un iliskisine bakmak ve bunu bir neden-sonuc iliskisi modeline oturtmak. dahasi, 1 ve 2, 3'u ne kadar tahmin ediyor/ 3'e sebep oluyor mu gibi bir arastirma sorumuz varsa mesela, 1 ve 2'nin 3'le dogrudan mi yoksa birbirleri ustunden/ birbirleri araciligiyla mi bir iliskisi var, bunu da gosteriyor (bkz: mediation).
  
  bir diger farki da gorsel bilgi saglamasi. genelde makalelerde, buyuk yuvarlaklari (1,2,3) birbirine baglayan oklarin yonu nedenselligi (okun ucundaki sonuc ya da araci degiskendir), oklarin ustundeki beta degerleri de bu iliskilerin gucunu gosterir. bu yuvarlaklara latent variable deniyor. bu yuvarlaklarin her birine baglanan dikdortgenler (1.1, 1.2 ,1.3, 2.1, 2.2, 2.3, 3.1, 3.2 ve 3.3) alt olceklerin olctugu measured variable'lar. bu dikdortgenlere bagli en kucuk yuvarlak sekiller de, iliskinin bu degiskenleri kullanmakla aciklanamayan yuzdesi, yani error term'ler. degisken sayisi arttikca virgulune kadar ayni cikmasada, kabaca measured'dan latent variable'a giden ok ustundeki beta degerinin karesinin alinip 1'den cikartilmasiyla elde ediliyor error term'ler.
  
  structural equation modeling'in cesitli avantaj ve dezavantajlari var tabii ki. hemen hemen hicbir baska istatistik analizinin saglamadigi kadar ayrintili bicimde neden sonuc iliskilerini inceliyor. ancak bu analizde neden-sonuc iliskilerinin gidis yonune, aralarindaki direk iliskilere ya da iliskilendirmemeye biz subjektif olarak karar veriyoruz. bunu bu analizi yapan sayili istatistik programlarindan amos'la yapiyorsak mesela, yandaki path model'lardan kullanacagimiz nedensel modeli biz seciyoruz, program sadece bizim sectigimiz nedensel model kullanilirsa, bu degiskenler arasindaki iliskilerin ne olacagini soyluyor bize.
  
  bu nedenle goodness of fit denilen en iyi calisma modeline ulasmak icin data uzerinde uzun sureler bin ayri model denenerek oynanirsa (en basit haliyle 1 ve 2'nin 3'u tahmin etmesi istatistiksel olarak iyi bir model cikmadiysa, ama 2 ve 3'un 1'i tahmin etmesi en iyi goodness of fit'i vermisse ikinci yolu secmek gibi) esas arastirma sorusundan uzaklasarak hata yapmaya dogru yol alinir. yani hic alakasi olmayan yuz ayri model denenirse, bu modellerin besinin (gercekte degiskenlerin aralarinda hic bir iliski olmamasina ragmen) olasilik hesaplarina bakilarak tamamen tesadufi olarak dogru cikmasi soz konusu olacagi icin, bu analizi kullanarak yayinlanan makalelerdeki sonuclarin gecerliligi icin hangi dergide basildigini baz almak daha mantiklidir. cunku bu analizde daha ilk denenilen modelde sonuc alindigi gorulmus sey degildir, fakat hemen hicbir yazarin da kac model denedigine degindigine rastlamadim.