AI Summary & Key Takeaways
AI InsightIn conclusion BIC and CAIC tend to select false negative, AIC tends to select false positive models whereas AIC3 seems to be more consistent.
📌 3 Key Takeaways
Abstract
Purpose of this study is to investigate measurement equivalence with latent class analysis in different conditions. Latent class analysis is an alternative method when both observed and latent variables are discrete, or continuous but assumptions like normal distribution, homogeneity, unidimensionality are violated. Within the study 28 different conditions were simulated by changing; sample size, number of items, inequivalence type, number of inequivalent items. BIC, CAIC, AIC and AIC3 are used for model selection. In general, for all information criteria, increasing the sample size induced the true decision rate. Number of items did not cause any alteration in true decision rates. In scale level analysis true decision rates increase parallel with the number of inequivalent items. Also when there is inequivalence both in slope and intercept parameters, more true decisions are taken with respect to the case when there is inequivalence only in intercept parameter. In conclusion BIC and CAIC tend to select false negative, AIC tends to select false positive models whereas AIC3 seems to be more consistent.
Özet
Bu çalışmanın amacı örtük sınıf analiziyle ölçme eşdeğerliğinin farklı koşullarda incelenmesidir. Örtük sınıf analizi gözlenen ve örtük değişkenlerin süreksiz yapıda olduğu ya da sürekli ölçekleme düzeyinde olup normal dağılım, homojenlik, tekboyutluluk gibi varsayımların ihlal edildiği koşullarda kullanmaya uygun güçlü bir alternatiftir. Çalışma kapsamında örneklem büyüklüğü, madde sayısı, yanlılığın olduğu parametre, eşdeğer olmayan madde sayıları değişimlenerek 28 farklı koşul oluşturulmuştur. Model seçimleri BIC, CAIC, AIC ve AIC3 bilgi kriterleri kullanılarak yapılmıştır. Örneklem büyüklüğünün etkisi incelendiğinde genel olarak tüm bilgi kriterlerinin büyüklük arttığında doğru karar oranlarının arttığı gözlemlenmiştir. Madde sayısındaki değişme doğru karar oranında bir değişikliğe neden olmamıştır. Eşdeğer olmayan madde sayısı arttığında ise ölçek düzeyindeki analizlerde doğru karar oranının da arttığı söylenebilir. Yanlılığın olduğu parametrelerin hem eğim hem sabit olduğu koşullarda, sadece sabit olduğu koşullara oranla daha çok doğru karar alınmıştır. Genel olarak değerlendirildiğinde BIC ve CAIC'nin yanlış negatif, AIC'nin yanlış pozitif karar eğilimi olduğu, AIC3'ün ise daha tutarlı sonuçlar verdiği söylenebilir.