Farklı Örneklem Büyüklüğü ve Dağılımı Koşullarında WLS ve Robust WLS Yöntemlerinin Karşılaştırılması

OpenAlex · Türkçe

Yapısal eşitlik modellemesinde kullanılan parametre kestirim yöntemleri verinin sürekli, sıralı olup olmamasına ve dağılımın normalliğine göre farklılık göstermektedir. Sıralı verilerle çalışıldığında en sık kullanılan parametre kestirim yöntemi WLS (weighted least squares- ağırlıklandırılmış en küçük kareler) olup, dağılıma ilişkin herhangi bir varsayım gerektirmemesi avantajı iken, büyük örneklemler gerektirmesi dezavantajı olarak karşımıza çıkmaktadır. Son yıllarda Robust WLS kestirim yöntemleri WLSM (weighted least squares mean-ortalamaya göre düzeltilmiş ağırlıklandırılmış en küçük kareler) ve WLSMV (weighted least squares mean and variance-ortalama ve varyansa göre düzeltilmiş ağırlıklandırılmış en küçük kareler) sıklıkla kullanılmakla beraber, küçük örneklemlerde ve farklı dağılım koşullarında WLS kestirim yöntemine alternatif olup olamayacağı önemli görülmektedir. Bu çalışmada PISA 2012’de yer alan matematiğe yönelik tutum maddelerinden oluşan 5 faktörlü model temel alınarak 3 farklı dağılım (ÇK=0,00; 1,00 ve 1,50) ve 4 farklı örneklem büyüklüğü (N=200, 500 ve 1000) koşullarında WLS, WLSM ve WLSMV yöntemleri karşılaştırılmıştır. Farklı örneklem büyüklüğü koşulu altında WLSMV yönteminin WLSM ve WLS yöntemlerinden daha iyi uyum indeksleri ürettiği belirlenirken, özellikle küçük örneklem koşullarında WLS yöntemine bir alternatif olabileceği belirlenmiştir. Dağılımın çarpıklığına göre ise WLS, WLSM ve WLSMV kestirim yöntemleri incelendiğinde, dağılımın çarpıklığına karşı en dayanıklı kestirim yönteminin WLSMV olduğu görülmüştür.