Yol Analizi

Yol analizi, birbirini izleyen birkaç regresyon denklemini ayrı ayrı çalıştırmak yerine tek bir sistem olarak kestirir. Bir değişken bir denklemde yordayıcı, başka bir denklemde sonuç olabilir; böylece bir değişkenin başka bir değişkene hem doğrudan hem de araya giren bir üçüncü değişken üzerinden ulaşması aynı modelde temsil edilir. Örtük yapı kurulmaz: modeldeki her isim bir veri sütununa karşılık gelir. Panelde model metin olarak yazılır; her satır bir sonucu ve onu yordayan değişkenleri lavaan yazımıyla belirtir, gerekirse ilişkili hatalar için kovaryans satırları eklenir. Çizim yüzeyi yoktur, model yalnız bu satırlardan kurulur. Çıktıda her yolun kestirimi standart hatasıyla birlikte, modelden çıkarılan dolaylı güzergâhlar ve modelin bütününe ait uyum indeksleri bulunur.

• Algılanan fiyat uygunluğu, değer algısı üzerinden yeniden satın alma niyetini nasıl etkiliyor?
• İş yükü, tükenmişliğe doğrudan mı bağlanıyor yoksa zaman baskısı üzerinden mi ilerliyor?
• Reklam hatırlama, marka tutumu ve satın alma niyeti arasındaki sıralı ilişki veriyle uyumlu mu?
• Hizmet hızı ile şikâyet sayısı, memnuniyet üzerindeki etkilerini birbirinden bağımsız mı gösteriyor?

• Birden çok sonuç değişkeni aynı modelde yer alacağında ve bir değişken hem yordayıcı hem sonuç rolündeyse.
• İlişkilerin sırası kuramdan geliyorsa; yol analizi bu sırayı sınar, kendisi keşfetmez.
• Bütün değişkenler tek gösterge ile ölçülmüşse; çok maddeli ölçeklerde ölçme hatasını modele katmak için yapısal eşitlik modeli daha uygundur.
• Ardışık birkaç regresyon yerine tek bir uyum ölçütüyle konuşmak istendiğinde; ayrı regresyonlar modelin bütününün veriyle uyumu hakkında bilgi vermez.

• Modeldeki bütün isimler: sayısal olarak kodlanmış veri sütunları. Metin etiketi taşıyan yanıtlar önce sayıya çevrilmelidir.
• Sonuç ve yordayıcı ayrımı veri yapısından değil yazdığınız satırlardan gelir; aynı sütun bir satırda solda, başka satırda sağda yer alabilir.
• Bir satır bir katılımcı; modeldeki sütunlardan birinde eksik değer taşıyan satırlar çözümlemeye girmez.

Yolların yönü kuramdan gelir

Hangi değişkenin hangisini yordadığı veriye bakarak belirlenemez. Aynı veriden iki ayrı yön varsayımı da benzer uyum verebilir, bu yüzden yön tartışması kuramsal ve tasarıma dayalı bir tartışmadır.

Yeterli gözlem sayısı

Modelde yer alan değişken sayısı arttıkça gereken veri de artar. Az gözlemle kestirilen standart hatalar ve uyum indeksleri yanıltıcıdır.

Doğrusal ilişkiler ve toplanabilirlik

Her denklem, yordayıcıların etkisini doğrusal ve birbirine eklemeli kabul eder. Eğrisel bir bağ ya da iki yordayıcı arasındaki etkileşim modelde kendiliğinden temsil edilmez.

Dışlanan yolların gerçekten sıfır olması

Modele yazmadığınız her yol, sıfır varsayıldığı anlamına gelir. Gerçekte var olan bir bağı dışarıda bırakmak yalnız uyumu bozmaz, yazdığınız yolların kestirimlerini de kaydırır.

Sürekli ve yaklaşık normal değişkenler

Kestirim sürekli ölçüm varsayımıyla çalışır; iki ya da üç kategorili sıralı maddeler ve belirgin çarpıklık kestirimleri yanlılaştırabilir.

• Yolların yönü kuramdan gelir: Panel bu varsayımı otomatik denetlemez; değerlendirme araştırmacıya aittir.
• Yeterli gözlem sayısı: Motor değişken başına en az beş gözlem arar ve bu sayının altında kalındığında kaç geçerli satır bulduğunu bildirerek durur. Bu alt sınır teknik bir eşiktir; alan yazındaki öneriler belirgin biçimde daha yüksektir.
• Doğrusal ilişkiler ve toplanabilirlik: Panel ilişkinin biçimini sınamaz. Eğrisellikten kuşkulanıyorsanız ilgili çiftleri korelasyon ya da regresyon yöntemleriyle ayrıca incelemeniz gerekir.
• Dışlanan yolların gerçekten sıfır olması: Uyum indeksleri modelin veriyle ne ölçüde örtüştüğünü gösterir, ancak hangi yolun eksik olduğunu söyleyen bir düzeltme önerisi üretilmez.
• Sürekli ve yaklaşık normal değişkenler: Normallik denetimi yapılmaz ve kestirici seçimi sunulmaz; model kütüphanenin varsayılan kestirim yöntemiyle kurulur.

1. 1Modelde geçecek bütün sütunları içeren dosyanızı panele bırakın.
2. 2Veri sekmesinde sütunların sayısal okunduğunu, ters kodlanmış maddelerin çevrildiğini ve sütun adlarının boşluk ya da özel karakter taşımadığını doğrulayın; model metnine bu adları birebir yazacaksınız.
3. 3Değişken sekmesinde modeldeki sütunların ölçüm düzeyini ölçek olarak işaretleyin ve eksik değer kodlarını tanımlayın.
4. 4Analiz sekmesinde yol analizini seçin; arama kutusu yöntemi adıyla bulur.
5. 5Parametre formundaki yollar alanına her satıra bir denklem yazın: solda sonuç, sağda yordayıcılar. İlişkili hataları tanımlamanız gerekiyorsa kovaryans satırlarını seçimlik alana ekleyin. Yol diyagramı çizebileceğiniz bir yüzey yoktur; model yalnız bu metinden kurulur.
6. 6Analizi başlatın. Yol tablosu, dolaylı etkiler, toplam etkiler ve uyum indeksleri ayrı katlanabilir bölümlerde açılır.
7. 7Dolaylı etkiler listesini baştan sona okuyun: motor tanımladığınız yollardan geçen bütün güzergâhları bulur, sınamak istediklerinizi kendiniz seçmeniz gerekir.
8. 8Bu yöntemde yönteme özgü grafik çizilmez; tabloları Excel olarak indirebilirsiniz. Hesaplama künyesi kartı kullanılan çağrıyı ve sürümü yazar ve çalıştırmanın sunucuda semopy kütüphanesini gerektirdiğini unutmayın.

Yol tablosu

Tanımladığınız her regresyon ilişkisi için kestirim, standart hata, p değeri ve 0,05 düzeyinde bir anlamlılık bayrağı.

Dolaylı etkiler

Motorun tanımlı yollar arasında saptadığı zincirler ve her zincir için iki katsayının çarpımı. Bu değerlerin yanında standart hata, p değeri ya da aralık bulunmaz.

Toplam etkiler

Bir yordayıcıdan bir sonuca giden bütün etkinin doğrudan ve dolaylı paya ayrılmış dökümü. Toplam, ilgili katsayıların aritmetik toplamıdır.

Uyum indeksleri

Chi-kare değeri, serbestlik derecesi ve p değeri ile CFI, TLI, RMSEA ve SRMR.

Uyum etiketleri ve genel yorum

Her indeks mükemmel, kabul edilebilir ya da zayıf olarak etiketlenir; eşikler CFI ve TLI için 0,95 ile 0,90, RMSEA ve SRMR için 0,05 ile 0,08. Etiketlerden bir de genel uyum yorumu türetilir.

Kovaryans kestirimleri

Seçimlik kovaryans alanına yazdığınız satırlar için kestirilen ilişkiler. Bu satırları yazmazsanız bölüm boş kalır.

Yol katsayıları

Her katsayı, yordayıcıdaki bir birimlik artışın sonuçta kaç birimlik değişimle ilişkilendiğini söyler. Katsayılar standartlaştırılmadığı için farklı ölçekteki yolları büyüklüğüne bakarak sıralamak yanıltıcıdır; karşılaştırma gerekiyorsa değişkenleri analiz öncesinde standart puana çevirmek gerekir.

Dolaylı etki büyüklüğü

Zincirdeki iki katsayının çarpımı, yordayıcıdan sonuca aracı değişken üzerinden ulaşan payı verir. Toplam etkiye oranı, ilişkinin ne kadarının o güzergâhtan geçtiği hakkında fikir verir; ancak çarpımın belirsizliği raporlanmadığı için bu oranı kesin bir ölçüt gibi sunmamak gerekir.

Uyum indeksleri

CFI ve TLI birliğe yaklaştıkça, RMSEA ve SRMR sıfıra yaklaştıkça modelin gözlenen ilişki örüntüsünü yakaladığı söylenir. Bu değerler modelin bütünüyle ilgilidir ve tek tek yolların gücü hakkında bilgi vermez: zayıf yollardan kurulu bir model de iyi uyum verebilir.

Açıklanan varyans

Denklem başına R kare hesaplanmaz. Bir sonucun ne ölçüde açıklandığını görmek istiyorsanız aynı denklemi doğrusal regresyon yöntemiyle ayrıca çalıştırmanız gerekir.

Bu yöntem güven aralığı döndürmez. Yol katsayıları için standart hata ve p değeri verilir ama aralık verilmez; dolaylı ve toplam etkilerin ise standart hatası da p değeri de yoktur, çünkü bunlar kestirilen değil katsayılardan aritmetikle türetilen sayılardır. Dolaylı etki için önyükleme aralığı hesaplanmaz. Bir dolaylı etkinin anlamlılığını sınamanız gerekiyorsa katalogdaki aracılık analizi yöntemi Sobel testini raporlar.

Aşağıdaki sayılar temsili bir örnektir; gerçek bir araştırmanın ya da gerçek bir kullanıcının verisi değildir.

Araştırma sorusu

Temsili örnek: Bir perakende markasında algılanan hizmet hızı ve fiyat uygunluğunun, değer algısı üzerinden yeniden satın alma niyetine nasıl bağlandığı soruluyor. Model iki denklemden kuruldu: değer algısı iki yordayıcıyla, niyet ise değer algısı ve hizmet hızıyla yordandı. 412 eksiksiz yanıt kullanıldı.

Değişkenler

Yordayıcılar: algılanan hizmet hızı (1-7), algılanan fiyat uygunluğu (1-7) · Aracı konumundaki değişken: değer algısı (1-7) · Sonuç: yeniden satın alma niyeti (1-7)

Örnek sonuç

Değer algısı denkleminde hizmet hızı kestirimi 0,34 (SH = 0,05, p < 0,001) ve fiyat uygunluğu kestirimi 0,41 (SH = 0,05, p < 0,001). Niyet denkleminde değer algısı kestirimi 0,52 (SH = 0,06, p < 0,001) ve hizmet hızının doğrudan yolu 0,09 (SH = 0,06, p = 0,118). Saptanan dolaylı zincirler: hizmet hızından değer algısı üzerinden niyete 0,177, fiyat uygunluğundan değer algısı üzerinden niyete 0,213. Hizmet hızının niyete toplam etkisi 0,267, bunun 0,09'u doğrudan ve 0,177'si dolaylı. Uyum: chi-kare(1) = 2,41, p = 0,120; CFI = 0,993; TLI = 0,978; RMSEA = 0,041; SRMR = 0,018 ve indekslerin tümü mükemmel ya da kabul edilebilir etiketiyle döndü.

Yorum

Her iki yordayıcı da değer algısını açıklıyor ve değer algısı niyetle güçlü biçimde ilişkili. Hizmet hızının niyete giden doğrudan yolu anlamlı değil; buna karşılık aynı değişkenin dolaylı payı doğrudan payının yaklaşık iki katı, yani ilişki büyük ölçüde değer algısı üzerinden yürüyor gibi görünüyor. Bu cümlede gibi görünüyor ifadesi bilinçli: 0,177 değerinin yanında standart hata ya da p değeri yok ve çarpımın anlamlılığı bu çıktıda sınanmıyor. Toplam etkilerdeki 0,267 de aynı biçimde iki sayının toplamıdır, kestirilen bir parametre değildir. Uyum indeksleri modelin gözlenen ilişki örüntüsüyle örtüştüğünü söylüyor, ancak bu tek bir yolun doğru kurulduğunun kanıtı değildir. Kesitsel veride yolların yönü kuramdan gelir ve başka bir sıralama da benzer uyum verebilir.

Araştırma sorusu: Hizmet ve fiyat algısı memnuniyeti, memnuniyet ile kalite algısı da bağlılığı besliyor mu?

Yol denklemleri

memnuniyet ~ hizmet_puani + fiyat_puani,baglilik ~ memnuniyet + kalite_puani

Hesaplama künyesi: scipy 1.18.0 · statsmodels 0.14.6 · scikit-learn 1.9.0 · numpy 2.5.1 · pandas 3.0.5 · semopy 2.3.11 · 89fc29a · Veri tohumu: 20260914

Yol modeli veriyle uyumluydu, chi-kare(1) = 2,41, p = 0,120, CFI = 0,993, RMSEA = 0,041, SRMR = 0,018; hizmet hızı (kestirim = 0,34, SH = 0,05, p < 0,001) ve fiyat uygunluğu (kestirim = 0,41, SH = 0,05, p < 0,001) değer algısını yordadı, değer algısı da yeniden satın alma niyetini yordadı (kestirim = 0,52, SH = 0,06, p < 0,001); hizmet hızının niyete doğrudan yolu anlamlı değildi (kestirim = 0,09, p = 0,118) ve katsayı çarpımı olarak hesaplanan dolaylı pay 0,177 idi.

APA düzenine yakın örnek cümle; sayılar temsilidir.

• Dolaylı ve toplam etkiler için standart hata, p değeri ve güven aralığı döndürülmez; bu sayılar kestirim değil katsayılardan türetilen aritmetik sonuçlardır ve anlamlılık iddiasına dayanak olmaz.
• Dolaylı zincir saptaması mekaniktir: motor tanımlı yollardan geçen bütün güzergâhları listeler, aralarında sizin kuramsal olarak sınamayı düşünmediğiniz yollar da bulunur ve bunları raporlamak veriye bakıp hipotez üretmeye dönüşür.
• Denklem başına R kare hesaplanmaz; bir sonucun ne ölçüde açıklandığını bu çıktıdan okuyamazsınız.
• AIC ve BIC bu yöntemde döndürülmez, bu yüzden iki alternatif yol modelini bilgi ölçütleriyle karşılaştıramazsınız.
• Kestirici seçimi yoktur ve ölçme hatası modele katılmaz; model kütüphanenin varsayılanıyla kurulduğu için az kategorili sıralı maddelerde kestirimler yanlı, tek maddeyle ölçülen değişkenlerde yol katsayıları olduğundan küçük çıkar.
• Yol diyagramı çizilmez ve yönteme özgü grafik üretilmez; modeli görsel olarak aktarmanız gerekiyorsa şemayı kendiniz hazırlamalısınız.

• Yapısal Eşitlik Modeli (YEM)Neden: Değişkenler çok maddeli ölçeklerle ölçülmüşse; örtük yapı kurulur ve ölçme hatası modelin içinde kalır.
• Aracılık AnaliziNeden: Soru tek bir aracı değişkenin rolüne indiriyorsa; o yöntem dolaylı etki için Sobel testini de raporlar.
• Doğrusal Regresyon (OLS)Neden: Tek bir sonuç değişkeni varsa; açıklanan varyansı ve katsayı aralıklarını daha ayrıntılı verir.
• Doğrulayıcı Faktör Analizi (DFA)Neden: Önce ölçeklerin yapısı doğrulanacaksa; yol modeline geçmeden ölçme kısmı sınanır.

• Yapısal Eşitlik Modeli (YEM)
• Aracılık Analizi
• Doğrusal Regresyon (OLS)
• Doğrulayıcı Faktör Analizi (DFA)

Yol analizi, birkaç regresyonu ayrı ayrı çalıştırmaktan ne zaman daha iyidir?

Modelde birden çok sonuç varsa ve bir değişken bir denklemde yordayıcı, başka denklemde sonuç rolündeyse yol analizi bu yapıyı tek seferde kestirir; ayrı regresyonlar ise her denklemi diğerlerinden habersiz kurar. İki pratik kazanç var. Birincisi, modelin bütününün veriyle uyumu sorulabilir: ayrı regresyonlar size yazmadığınız yolların gerçekten sıfıra yakın olup olmadığını söylemez, uyum indeksleri söyler. İkincisi, dolaylı güzergâhlar aynı çıktıda listelenir ve toplam etki doğrudan ile dolaylı paya ayrılır; bu dökümü ayrı regresyonlarla elde etmek için katsayıları elle çarpmanız gerekir. Buna karşılık tek bir sonucunuz varsa ve açıklanan varyans ile katsayı aralıkları önemliyse regresyon daha zengin bir çıktı verir.

Dolaylı etki listesinde beklemediğim satırlar var, neden?

Zincir saptaması mekaniktir. Motor yazdığınız yollara bakar ve bir değişkenden bir başkasına ulaşan her güzergâhı bulur; bu güzergâhlardan hangilerini kuramsal olarak sınamak istediğinizi bilmez. Dolayısıyla listede sizin hipotezinizde yer almayan, modelin yapısı yüzünden matematiksel olarak var olan zincirler de görünür. Yapılması gereken, analiz öncesinde hangi dolaylı güzergâhı sınadığınızı yazılı olarak belirlemek ve raporda yalnız onu aktarmaktır. Listedeki en büyük değeri seçip bulgu olarak sunmak, veriye bakarak hipotez üretmenin bilinen bir biçimidir ve bulgunun yinelenme şansını düşürür.

Dolaylı etkinin anlamlı olduğunu söyleyebilir miyim?

Bu çıktıya dayanarak söyleyemezsiniz. Dolaylı etki iki katsayının çarpımı olarak verilir ve yanında standart hata, p değeri ya da aralık yer almaz; toplam etki de aynı biçimde bir aritmetik toplamdır. Çarpımın dağılımı simetrik olmadığı için anlamlılığı kendiniz kestirmeye çalışmak da güvenilir değildir. İki yol tek tek anlamlıysa bu dolaylı güzergâh için destekleyici bir işarettir ama sınama değildir. Aracılık iddiası kuracaksanız katalogdaki aracılık analizi yöntemi en azından Sobel testini verir; daha güçlü bir kanıt için önyükleme aralığı gerekir ve o hesap panelde bulunmaz.

Uyum indeksleri iyi çıktı, model doğru mu?

İyi uyum, yazdığınız modelin gözlenen ilişki örüntüsüyle tutarlı olduğunu söyler; tek doğru model olduğunu söylemez. Aynı veriye yolların yönü değiştirilmiş bir model de benzer uyum verebilir, çünkü kesitsel ölçümde yön bilgisi veride yoktur. Ayrıca uyum modelin bütününe ilişkindir: bütün yolları zayıf olan bir model de iyi uyum gösterebilir, bu yüzden indekslerle birlikte katsayıların büyüklüğüne bakmanız gerekir. Uyum kötü çıktığında ise çıktıda düzeltme önerisi bulunmadığı için eksik yolu bulmak ek çalışma gerektirir ve aynı veride yapılan her değişikliği raporda belirtmeniz gerekir.

• Kline, R. B. (2015). Principles and Practice of Structural Equation Modeling
• Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics
• Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics
• semopy belgeleri