Zamana bağlı değişimin incelenmesi: Örtük gelişme modelleri

Amaç & Hipotez:Bu makalenin amacı, son yıllarda boylamsal ve/veya tekrarlı ölçümlerin zaman içerisindeki değişimlerinin incelenmesinde, varyans analizi gibi klasik yöntemlere alternatif olarak önerilen Yapısal Eşitlik Modellemeleri kapsamında yer alan Örtük Gelişme Modelleri’nin Monte Carlo simülasyon yaklaşımı kullanılarak çalışılmasıdır.

📊

Temel Bulgular & Veri:Ayrıca 30, 50, 100 ve 200 olmak üzere dört farklı örneklem büyüklüğüne sahip simülasyon verileri kullanılarak örneklem büyüklüğünün testin gücü ve parametre tahminleri üzerindeki etkileri incelenmiştir.

💡

Sonuç & Katkı:Bu çerçevede, simülasyon verileri üzerinden modelin tanıtımı yapılmış ve bulguların yorumlanması üzerinde durulmuştur.

🔬Tür:Uygulamalı Anket & Alan Araştırması

📍Kapsam:Genişletilmiş Akademik Örneklem

⚙️Değişkenler:Alan Parametreleri

Özet

Bu makalenin amacı, son yıllarda boylamsal ve/veya tekrarlı ölçümlerin zaman içerisindeki değişimlerinin incelenmesinde, varyans analizi gibi klasik yöntemlere alternatif olarak önerilen Yapısal Eşitlik Modellemeleri kapsamında yer alan Örtük Gelişme Modelleri’nin Monte Carlo simülasyon yaklaşımı kullanılarak çalışılmasıdır. Bu çerçevede, simülasyon verileri üzerinden modelin tanıtımı yapılmış ve bulguların yorumlanması üzerinde durulmuştur. Ayrıca 30, 50, 100 ve 200 olmak üzere dört farklı örneklem büyüklüğüne sahip simülasyon verileri kullanılarak örneklem büyüklüğünün testin gücü ve parametre tahminleri üzerindeki etkileri incelenmiştir. Bu amaç doğrultusunda sunulan makale çerçevesinde, (1) Monte Carlo simülasyonu yapılarak analizlerde kullanılacak verilerin üretilmesi, (2) koşulsuz ve koşullu modellerin parametre tahminleri yapılarak sonuçların yorumlanması ve (3) örneklem büyüklüğünün parametre tahmin yanlılığı, standart hata yanlılığı, kapsama alanı ve yüzde anlamlılık katsayısı üzerindeki etkisinin incelenmesi olmak üzere üç aşamalı bir işlem yolu izlenmiştir. Çalışmada sunulan analizlerin tümünde Mplus 5.1 programı kullanılmıştır. Sonuçlar, Örtük Gelişme Modelleri’nin avantaj ve dezavantajları, örneklem büyüklüğünün etkileri ve Mplus programının kullanım avantajları çerçevesinde tartışılmıştır.

Abstract

Latent Growth Models which are used in understanding how individuals change over time have been a topic of intense interest among the researchers during the past two decades. These models in the framework of Structural Equation Modeling have been recommended as an alternative to classical methods such as analysis of variance. In this study, Latent Growth Models were introduced by using a Monte Carlo simulation approach and the interpretation of the fi ndings was discussed. In addition, the effect of different sample sizes (30, 50, 100, and 200) on power and parameter estimates were examined. For this purpose; (1) data generation was performed with Monte Carlo simulation, (2) the parameters of unconditional and conditional models were estimated and the fi ndings were discussed and (3) the effect of sample size on parameter estimates, standard errors, coverage and power was studied. All of the analyses were performed by using Mplus 5.1 software. Results were discussed in the context of advantages and disadvantages of Latent Growth Models, and the effect of sample size.

🔖

Bu Makaleye Atıf Yap

ÇETİNKAYA, S. D., SOMER, O., KORKMAZ, M., CAN, S., ÖĞRETMEN, T. (2010). Zamana bağlı değişimin incelenmesi: Örtük gelişme modelleri. Türk Psikoloji Dergisi, Cilt: 25 - Sayı: 65, 1–13. https://ajindex.com/articles/357892

Kaynakça (12)

Bollen, K. A. ve Curran, P. J. (2006). Latent curve models: A structural equation approach. Hoboken, NJ: Wiley. Cacioppo, J. T., Hughes, M. E., Waite, L. J., Hawkley, L. C. ve Thisted, R. A. (2006). Loneliness as a specifi c risk factor for depressive symptoms: Cross sectional and longitudinal analyses. Psychology and Aging, 21, 140-151.
Chan, D. (1998). The conceptualization and analysis of change over time: An integrative approach incorporating longitudinal means and covariance structures analysis (LMACS) and multiple indicator latent growth modeling (MLGM). Organizational Research Methods, 1, 421-483.
Chan, D. ve Schmitt, N. (2000). Interindividual differences in intraindividual changes in proactivity during organizational entry: A latent growth modeling approach to understanding newcomer adaptation. Journal of Applied Psychology, 85, 190-210.
Cheung, M. W. L. (2007). Comparison of the methods of handling missing time-invariant covariates in latent growth models under the assumption of missing completely at random. Organizational Research Methods, 10, 609-634.
Duncan, S. C. ve Duncan, T. E. (1996). A multivariate latent growth curve analysis of adolescent substance use. Structural Equation Modeling, 3, 323-347.
Duncan, S. C., Duncan, T. E. ve Hops, H. (1996). Analysis of longitudinal data within accelerated longitudinal designs. Psychological Methods, 1, 236-248.
Farrell, A. D., Sullivan, T. N., Esposito, L. E. ve Meyer, A. L. (2005). A latent growth curve analysis of the structure of aggression, drug use, and delinquent behaviors and their interrelations over time in urban and rural adolescents. Journal of Research on Adolescence, 15, 179-204.
Ferrer, E., Balluerka, N. ve Widaman, K. F. (2008). Factorial invariance and the specifi cation of the second-order latent growth models. Methodology, 4, 22-36.
Hamilton, J., Gagne, P. E. ve Hancock, G. R. (2003). The effect of sample size on latent growth models. Annual Meeting of the American Educational Research Association, April, Chicago, USA. Jones, C. J. ve Meredith, W. (1996). Patterns of personality change across the life span. Psychology and Aging, 11, 57-65.
Kline, R. B. (2005). Principles and practice of structural equation modeling. New York: The Guilford Press.
Lance, C. E., Vandenberg, R. J. ve Self, R. M. (2000). Latent growth models of individual change: The case of newcomer adjustment. Organizational Behavior and Human Decision Processes, 83, 107-140.
Li, F. ve Acock, A. C. (1999). Latent curve