Mediha KORKMAZ, Hakan Savaş SAZAK, Duygu GÜNGÖR

Örtük Sınıf Analiziyle Yapılan Ölçme Eşdeğerliği Çalışmalarında Model Seçimi

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.

Model Selection in Measurement Equivalence Studies with Latent Class Analysis

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.

PDF

___

Bauer, D. J., & Curran, P. J. (2003). Distributional assumptions of growth mixture models: Implications for overextraction of latent trajectory classes. Psychological Methods , 8: 338-363.
Bornovalova, M. A., Levy, R., Gratz, K., & Lejuez, C. W. (2010). Understanding the Heterogenity of BPD Symptoms Through Latent Class Analysis: Initial Results and Clinical Correlates Among Inner-City Substance Users. Pyschological Assesment , 233-245.
Brown, R. S. (2007). Using latent class analysis to set academic performance standarts. Educational Assesment , 283- 301.
Campbell, S. B., Morgan-Lopez, A. A., Cox, M. J., & McLoyd, V. C. (2009). A latent class analysis of maternal depressive symptoms over 12 years and offspring adjustment in adolescence. Journal of Abnormal Psychology , 479-493.
Collins, L. M., & Lanza, S. T. (2010). Latent class and latent trasition analysis with applications in the social, behavioral, and health sciences. Hoboken, New Jersey: John Wiley & Sons, Inc.
Dias, J. G. (2006). Latent class analysis and model selection. M. R. Kruse, C. Borgelt, A. Nürberger, & W. Gaul içinde, From data and information analysis to knowledge engineering (pp. 95-102). Berlin: SpringerVerlag.
Eid, M., Langeheine, R., & Diener, E. (2003). Comparing typological structures across cultures by multigroup latent class analysis : A primer. Journal of Cross-Cultural Psychology , 34: 195-210.
Güngör, D., Korkmaz, M., Somer, O. (2013). Çoklu-grup örtük sınıf analizi ve ölçme eşdeğerliği, Türk Psikoloji Dergisi, 28 (72), 48-57.
Güngör-Culha, D., & Korkmaz, M. (2011). Örtük sınıf analizi ile bir örnek uygulama. Eğitimde ve Psikolojide Ölçme Değerlendirme Dergisi , 2(2):191-199.
Horn, J. L., & McArdle, J. J. (1992) A practical and theoritical guide to measurement invariance in aging research. Experimental Aging Research, 18, 117-144.
Kankaras, M., & Moors, G. (2009). Measurement equivalence in solidarity attitudes in Europe. Insights from a multiple group latent class factor approach. International Sociology , 24(4):557-579.
Kankaras, M., Moors, G., & Vermunt, J. K. (2010). Testing for measurement invariance with latent class analysis. E. Davidov, P. Schmidt, & J. B. Billiet içinde, Cross-Cultural Analysis: Methods and Applications. Routledge.
Kankaras, M., Vermunt, J. K., & Moors, G. (2011). Measurement equivalence of ordinal items. A comparison of factor analytic, item response theory, and latent class approaches. Sociological Methods & Research , Vol 40-2: 279-310.
Klonsky, D. E., & Olino, T. M. (2008). Identifying clinically distinct subgroups of self-injurers among young adults:a latent class analysis. Journal of Consulting and Clinical Psychology , 22-27 doi:10.1037/0022- 006X.76.1.22.
Lin, T. H. (2006). A comparison of model selection indices for nested latent class models. Monte Carlo Methods and Applications , 12(3-4): 239-259.
Lin, T. H. (2012). Model selection information criteria in latent class models with missing data and contingency question. Journal of Statistical Computation and Simulation , DOI:10.1080/00949655.2012.698621.
Magidson, J., & Vermunt, J. K. (2004). Comparing latent class factor analysis with the traditional approach in data mining. H. Bozdogan içinde, Statistical data mining and knowledge discovery (pp. 373-383). Boca Raton: Chapman&Hall/CRC.
McCutcheon, A. L. (2002). Basic concepts and procedures in single-and multiple-group latent class analysis. J. A.
Hagenaars, & A. L. McCutcheon içinde, Applied latent class analysis (pp. 56-89). New York: Cambridge University Press.
McCutcheon, A. L., & Hagenaars, J. A. (1997). Comparative social research with multi-sample latent class models. J.
Rost, & R. Langeheine içinde, Applications of latent trait and latent class models in the social sciences (s. 266-277). Münster: Waxmann.
Millsap, R. E. (2011). Statistical approaches to measurement invariance. New York: Taylor & Francis Group.
Moors, G., & Wennekers, C. (2003 ). Comparing moral values in western european countries between 1981 and 1999.
A multigroup latent-class factor approach. International Journal of Comparative Sociology, 44:155-172 doi:10.1177/002071520304400203.
Morren, M., Gelissen, J., & Vermunt, J. K. (2011). Dealing with extreme response style in cross-cultural research: a restricted latent class factor analysis. Sociological Methodology .
Morren, M., Gelissen, J., & Vermunt, J. K. (2012). The impact of controlling for extreme responding on measurement equivalence in cross-cultural research. Methodology, 8(4), 159-170. doi:10.1027/1614-2241/a000048
Nylund, K. L., Asparouhov, T., & Muthen, B. O. (2007). Deciding on the number of classes in latent class analysis in latent class analysis and growth mixture modeling: a monte carlo simulation study. Structural Equation Modeling , 14(4): 535-569.
Somer, O., Korkmaz, M., Dural, S., & Can, S. (2009). Ölçme eşdeğerliğinin yapısal eşitlik modellemesi ve madde cevap kuramı kapsamında incelenmesi. Türk Psikoloji Dergisi , 24 (64):61-75.
Silvia, P. J., Kaufman, J. C., & Pretz, J. E. (2009). Is creativity domain-specific? Latent class models of creative accomplishments and creative self-descriptions. Psychology of Aesthetics, Creativity, and the Arts , 139- 148 doi:10.1037/a0014940.
Vermunt, J. K., & Magidson, J. (2005). Bilgisayar Yazılımı. Statistical Innovations Inc. Belmont, MA.
Vermunt, J. K., & Magidson, J. (2008). LG-Syntax User's Guide: Manual for Latent GOLD 4.5 Syntax Module.
Belmont, MA: Statistical Innovations Inc.
Vrieze, S. I. (2012). Model selection and psychological theory: A discussion of the differences between the Akaike information criterion and the Bayesian information criterion. Psychological Methods , 17:2, 228-243.
Waasdorp, T. E., & Bradshaw, C. P. (2011). Examining student responses to frequent bullying: a latent class approach. Journal of Educational Psychology , 336-352, doi:10.1037/a0022747.
Yang, C., & Yang, C. (2007). Seperating latent classes by information criteria. Journal of Classification , 24, 183-203.