Makalenizin Reddedilmesine Neden Olan Yaygın YEM Hataları (Ve Nasıl Düzeltilir)
İleri Modelleme

Makalenizin Reddedilmesine Neden Olan Yaygın YEM Hataları (Ve Nasıl Düzeltilir)

13 Nisan 202611 dakikalık okuma

Hakemler YEM makalelerini hep aynı nedenlerle reddeder: zayıf model uyumu, göz ardı edilen modifikasyon indeksleri, ölçüm değişmezliğinin test edilmemesi ve yalnızca CFI raporlanması. RMSEA'nız 0.08'in üzerindeyse ve nedenini bilmiyorsanız, bu yazı tam size göre.

Hakemler Neden YEM Makalelerini Reddediyor

Yapısal eşitlik modellemesi, sosyal bilim araştırmalarında en güçlü araçlardan biridir, ancak aynı zamanda en çok yanlış kullanılanlardan biridir. Dergiler, yazarların yöntemi tam olarak anlamadan analizi çalıştırdığı açık olan bir YEM makalesi seli alır. Sonuç tahmin edilebilir: red. En yaygın hakem şikayetleri beş kategoriye ayrılır: zayıf model belirtimi, yetersiz uyum raporlaması, göz ardı edilen varsayımlar, eksik ölçüm değişmezliği testi ve modifikasyon indekslerine aşırı bağımlılık.

Hata 1: Önce DFA Yapmadan YEM Çalıştırmak

Ölçüm modelinizin çalıştığını doğrulamadan doğrudan yapısal modele geçerseniz, hakemler bunu hemen işaretler. Her zaman önce doğrulayıcı faktör analizi (DFA) çalıştırın. Her faktörün yeterli yüklemelere sahip olduğunu (genel kural olarak 0.50 üzerinde standartlaştırılmış yüklemeler), modelinizin verilere kabul edilebilir ölçüde uyduğunu ve ayrışma geçerliliğinin sağlandığını (AVE, faktörler arası korelasyonların karesini aşmalıdır) kontrol edin. Ancak ölçüm modeliniz sağlam olduktan sonra yapısal yollar eklemelisiniz.

Hata 2: Sadece CFI Raporlayıp Geri Kalanı Göz Ardı Etmek

Birçok araştırmacı CFI değerinin 0.90'ın üzerinde olduğunu bildirir ve bunu iyi uyum olarak adlandırır. Hakemler kapsamlı bir set bekler: serbestlik dereceleri ve p-değeriyle Ki-kare, CFI (0.95 üzeri tercih edilir), TLI (0.95 üzeri), yüzde 90 güven aralığıyla RMSEA (0.06 altı tercih edilir) ve SRMR (0.08 altı); bunlar Hu ve Bentler'in (1999) kılavuz değerleridir. CFI 0.93, TLI 0.89 ve RMSEA 0.09 ise — tek bir seçilmiş indeksin ne önerdiğinden bağımsız olarak bu kabul edilebilir uyum değildir. Tüm indeksleri raporlayın ve birlikte yorumlayın.

Hata 3: Modifikasyon İndekslerini Körü Körüne Takip Etmek

AMOS ve lavaan, uyumu iyileştirmek için yol eklemeyi öneren modifikasyon indeksleri sağlar. Model uyum verene kadar hata kovaryansları ekleme cazibesi güçlüdür — ve reddedilmenin en hızlı yoludur. Her modifikasyonun kuramsal bir gerekçesi olmalıdır. Farklı faktörlerdeki maddelerin hata terimleri arasına sadece MI yüksek olduğu için kovaryans eklemek, doğrulayıcı modelinizi keşifsel bir modele dönüştürür. İki veya üçten fazla kuramsal olarak gerekçelendirilmiş modifikasyona ihtiyacınız varsa, modelinizin muhtemelen baştan yeniden düşünülmesi gerekir.

Hata 4: Ölçüm Değişmezliğini Atlamak

Grupları karşılaştırıyorsanız (erkek-kadın, ön-son test, farklı kültürler), önce ölçüm modelinizin gruplar arasında eşit çalıştığını göstermelisiniz. Bu, sırayla yapılandırma (configural), metrik (metric) ve skalar (scalar) değişmezliği test etmek anlamına gelir. Skalar değişmezlik olmadan, gruplar arasında gizil ortalamalar karşılaştırmasının bir anlamı yoktur. Birçok araştırmacı bunu tamamen atlar ve doğrudan çoklu grup karşılaştırmasına geçer — YEM bilen hakemler bunu her seferinde yakalar.

Bu Sorunları Nasıl Çözüyoruz

Future House Academy'de YEM analizinde uzmanız. Model belirlemenizi gözden geçiriyor, varsayımları kontrol ediyor, yapısal modellemeden önce uygun DFA çalıştırıyor, gerektiğinde ölçüm değişmezliğini test ediyor ve sonuçları tam APA 7 formatında raporluyoruz. Makaleniz YEM sorunları nedeniyle reddedildiyse, bize hakem yorumlarını gönderin — araştırmacıların başarılı bir şekilde revize edip yeniden göndermelerine yardımcı olduk. AMOS, R'da lavaan ve Mplus ile çalışıyoruz ve aldığımız her kararı açıklıyoruz, böylece bir sonraki projeniz için öğrenirsiniz.

Kaynaklar

Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55. https://doi.org/10.1080/10705519909540118

İleri Modelleme