Bu araştırmada, Eğitim Fakültesinde öğrenim gören öğrencilerin öz-düzenleme yaklaşımları ve ders çalışma becerilerinin akademik başarıları üzerindeki doğrudan ve dolaylı etkilerinin belirlenmesi amaçlandığından, araştırma betimsel nitelikte olup, desen olarak tarama modeli seçilmiştir. Bu çalışmada, akademik çalışma becerileri ve öz- düzenleme yaklaşımlarının öğrencilerin başarılarına olan etkisinin düzeyi ve yönünün belirlenebilmesi iki farklı teknik ile araştırılabilmektedir. Bunlardan ilki regresyon analizi diğeri ise yol analizi tekniğidir. Regresyon analizi değişkenler arasındaki etkileşimi regresyon denklemi üzerinden açıklarken, yol analizi tekniği ise bu etkileşimi görsel olarak daha anlaşılır biçimde bir şema üzerinden açıklamaktadır. Dolayısıyla, bu çalışmada değişkenler arasındaki etkileşimin daha anlaşılır bir şema ile gösterilmesi amacı ile yol analizi tekniği kullanılmıştır. Yol analizi, gözlenen değişkenler ve örtük değişkenler olmak üzere iki farklı türde yapılabilmektedir. Bu çalışma kapsamında akademik başarı değişkeninin gözlenebilen bir değişken olması nedeni ile gözlenen değişkenler ile yapılan yol analizi türü seçilmiştir.
39
3.1.1 Yapısal Eşitlik Modelleme ve Yol Analizi
Yapısal Eşitlik Modelleme (YEM) genel olarak araştırmacı tarafından belirlenen ya da tasarlanan teorik model hipotezinin elde edilen veriler ile uyumunun test edilmesi işlemidir (Schumaker & Lomax, 2010). Başka bir şekilde ifade edersek, YEM araştırmacının teoride test etmek istediği modelde yer alan gözlenebilir (indicator) değişkenler ile gözlenemeyen (latent) değişkenler arasındaki ilişkiyi veya etkileşimi araştırma kapsamında toplanan veriler üzerinden betimleyebildiği bir hipotez test etme tekniğidir.
3.1.1.1 Tarihçe
YEM’ in tarihsel süreci, 1896 yılında Karl Pearson’ın korelasyon katsayısının belirlenebilmesi için geliştirdiği formüle kadar dayanmaktadır. Bu korelasyon katsayısının hesaplanması aynı zamanda istatistik alanında farklı tekniklerin kullanılmasına da olanak sağlamıştır. Nitekim, 1904 yılında Charles Spearman “General Inteligence Objectivity and Measured” adlı çalışmasında korelasyon katsayıları yardımıyla regresyon modelini kullanarak ilk faktör analizi çalışmasının temellerini oluşturmuştur (Ford, MacCallum & Tait, 1986). Bu yöntem, insan yeteneklerinden ve davranışlarından kaynaklanan bireysel farklılıkların ölçümüne kuramsal destek ve gerekçe oluşturduğu için, akademik çalışmalarda çok sık kullanılan bir teknik haline gelmiş, 100 yılı aşkın bir süredir ölçüm araçları geliştirmede kullanılmaktadır. Günümüzde kullanılan tanılama testleri, anketler ve ölçeklerin boyutlandırılmasında hala bu teknik kullanılmaktadır. Bunlara ek olarak Lawley ve Thurnstone 1940 yılında faktör modelleri için geliştirdikleri uygulamalar ile veri toplama araçlarının yapısal durumunu betimleyen çalışmalar yapmışlardır. 1960’lı yılların başında ise Karl Joreskög Doğrulayıcı Faktör Analizi (DFA) ile ilgili ilk çalışmasını ortaya atarak, DFA yazılımlarının gelişmesine katkıda bulunmuştur. 1918 yılında Sewell Wright tarafından geliştirilen Yol Analizi (Path Analysis) tekniği de YEM’in etkisiyle yeni bir boyut kazanmıştır (Streiner, 2005).
3.1.1.2 Yol Analizi
Sosyal bilimlerde yapılan çoğu araştırmada problem olarak belirlenen durumu nitelemek için değişken adı verilen göstergeler kullanılmaktadır. Bu değişkenler neden sonuç
40
ilişkisinde ise bağımlı ve bağımsız olarak isimlendirilmektedir. Burada bağımsız değişken neden, bağımlı değişken ise sonuçtur. Yol analizi, neden-sonuç ilişkisine bağlı oluşan durumları çoklu regresyon düzeyleri üzerinden açıklayabildiği bir istatistik tekniğidir. Yol analizi, gözlenen değişkenler ve örtük değişkenler olmak üzere iki farklı türde yapılabilmektedir. Örtük Değişkenler ile yapılan yol analizi genelde Yapısal Eşitlik Modelleme olarak da bilinmektedir. Bu iki yöntem arasındaki en önemli farklılık örtük değişkenler ile yapılan analiz türünde hata miktarı model içerisinde ölçülebilir iken, gözlenen değişkenler ile yapılan yol analizinde hata miktarı modelden elemine edilememektedir. Fakat bu tür analizler de oldukça önemli olabilecek karmaşık modellerin test edilmesine olanak tanırlar. Bu çalışma kapsamında akademik başarı değişkeninin gözlenebilen bir değişken olması nedeni ile gözlenen değişkenler ile yapılan yol analizi türü seçilmiştir. Gözlenen değişkenler ile yapılan yol analizi türüne örnek Şekil2’ deki gibidir.
Not: A, B ve C gözlenebilir değişken; e1 ve e2 hata değişkenleri
Şekil 2. Gözlenen değişkenler ile yapılan basit bir yol analizi şeması
Gözlenen değişkenler ile yapılan basit bir yol analizinde değişkenler dikdörtgenler şeklinde gösterilmektedir. Bir değişkenden diğerine çizilen oklar etki yönünü başka bir ifade ile regresyon ağırlıklarını ifade etmektedir. Şekildeki modeli ifade etmek gerekirse A değişkeni, B değişkenini; B değişkeni de C değişkenini etkilemektedir. Bu modelde A değişkeni bağımsız, C değişkeni bağımlı ve B değişkeni ise hem bağımsız hem de bağımlı değişken rolündedir. Yol analizi tekniğinin önemli avantajlarından biri A değişkenin B değişkeni üzerinden C değişkenini etkileyip etkilemediğinin belirlenebilmesi için fırsat sunmasıdır. Burada, B ve C değişkenleri üzerinde bire regresyon etkisi söz konusu olduğu için e1 ve e2 ile gösterilen gizil değişkenler hata değişkenleri olarak ifade edilmektedir.
41
3.1.1.3 Yapısal Eşitlik Modelleme ile Yol Analiz Süreci
YEM ile yol analiz tekniğinin çözümlenebilmesi istatistik paket programına (Lisrel, AMOS, vd.) değişkenlerin tanımlanması gerekmektedir. Bu bakımdan yapılacak olan yol analizinin gözlenen değişkenler ile mi, yoksa örtük değişkenler ile mi yapılacağına karar verilmesi gerekmektedir. Bu karar verildikten sonra eğer gözlenen değişkenler ile yol analizi yapılacaksa değişkenler dikdörtgenler ile; gizil değişkenler ile yol analizi yapılacaksa elips ile istatistik paket programına tanımlanması gerekmektedir. Eğer gözlenebilir değişkenler ile analiz yapılacak ise veri seti değişkenler arasındaki korelasyon matrisinden, gizil değişkenler ile analiz yapılacak ise gizil değişkenleri oluşturan göstergelerden (ölçek maddeleri) oluşması gerekmektedir.
Daha sonra, elde edilen veriler doğrultusunda hipotez modelin olasılığı test edilmelidir (Byrne, 2010). Model test etme sürecinin öncelikli hedefi, kurgulanan model (hipotez model) ile örneklemden elde edilen veri arasındaki uyumun, İyilik Uyum İndeksleri adı verilen ölçütler doğrultusuna incelenmesidir. Bu karşılaştırma tekrar özetlersek model ile elde edilen verilerin karşılaştırılmasıdır. Dolayısıyla model ile veri seti arasındaki fark, kalan (residual) olarak kabul edilir. Bu durumu matematiksel bir denklem ile ifade etmek gerekirse şu şekilde yapılabilir (Byrne, 2010).
Veri = Model + Kalan
Veri, örneklemde yer alan kişilerden alınan gözlenebilir değişkenlere ait puanlar; model, değişkenler arasındaki bağlantıların oluşturulduğu yapısal duruma ait hipotez, kalan ise, hipotez model ile gözlenebilir değişkenlere ait uyum arasındaki farklılık olarak ifade edilmektedir (Byrne, 2010). Kalan ne kadar küçükse hipotez model ile veri seti arasındaki uyum o kadar iyi olmaktadır. YEM sürecinde modelin tanımlanması, modelin tahmin edilmesi, modelin uyumunun incelenmesi ve modelin düzeltilmesi olmak üzere 4 farklı basamak yer almaktadır.
Modelin tanımlanması basamağında araştırmacının hangi parametrelerin sabit veya sıfır olacağına karar vermesi gerekmektedir. Bu bakımdan araştırmacı gözlemek istediği ilişkisel yapıdaki bağlantıları teoride test etmek istediği kavramsal bütünlük ile birleştirmelidir. Ayrıca, modelde değişkenler arasındaki bağlantıların oluşturulduğu yapısal durumu ortaya çıkaracak yeterli parametre sayısının modelde tanımlı olması önemli bir önkoşuldur (Byrne, 2010).
42
Modelin tahmin edilmesi basamağında modelde yer alan sabit ya da sıfır olarak belirlenen parametrelere ilişkin popülasyon kovaryans matrisi istatistik programı tarafından tahmin edilmektedir. Bu tahmin etme işleminin amacı örneklemin oluşturduğu popülasyon kovaryans matrisi ile modelde yer alan parametrelerin temsil edildiği popülasyon kovaryans model arasındaki farkın sıfır hipotezi ile test edilmesidir. Fark ne kadar küçük ise model ile ver seti arasındaki uyum o kadar güçlüdür (Byrne, 2010).
Model uyumunun incelenmesi için model test istatistikleri kullanılmalıdır. Model test istatistikleri ya da model uyum indeksleri araştırmacı tarafından kurgulanan model ile araştırma kapsamında topladığı veriler arasındaki uyumu belirli ölçütler doğrultusunda incelenmesine yardımcı olan test istatistikleridir. YEM literatürün de çok sayıda uyum istatistiği bulunmaktadır. Bunlar sırasıyla aşağıda belirtilmiştir.
Ki-kare, evren kovaryans matrisi ile örneklem kovaryans matrisinin birbiriyle uyumuna bakar ve söz konusu değerin anlamlı çıkması iki kovaryans matrisinin birbirinden farklı olduğunu gösterir (Tabachnick & Fidel, 1989). Örneklem sayısına oldukça duyarlı bir testtir.
SRMR (Standardised Root Mean Square Residual), Model içindeki ölçülen değişkenlerin varyans ve kovaryans büyüklükleri arasındaki standardize farkları inceleyen bir ölçüttür. Örneklem kovaryans matrisi ile hiptez kovaryans model arasındaki farkın karekökü ile hesaplanmaktadır. Bu ölçüt, 0 değerine yaklaştıkça iyi uyumu işaret etmektedir (Byrne, 2010; Hooper, Coughlan & Mullen, 2008)
RMSEA (Root Mean Square Error of Approximation), modelin serbestlik derecesine göre ne kadar kompleks olduğunu ifade eden bir ölçüttür. RMSEA için kesim noktası ,06 değeri önerilmektedir. Bu değerin altında yer alan model sınamalarının iyi uyum gösterdiği ifade edilmektedir (Byrne, 2010; Di Stefano & Hess, 2005; Hoyle, 2000). En önemli ölçütlerden biri olarak kabul edilmektedir (Hooper, Coughlan & Mullen, 2008). Bunun nedeni ise sınanan modele ait RMSEA değeri için bir güven aralığı belirlenebilmesidir. Sınanan modelin alt limit RMSEA değerinin 0’a yakın, üst limit RMSEA değerinin ise ,10 değerini aşmaması beklenmektedir.
AGFI - GFI (Goodnes of Fit Index), ki-kare testine alternatif olarak kullanılan bir testtir. Sınanan modelce hesaplanan gözlenen değişkenler arasındaki genel kovaryans miktarım
43
gösterir. Bu ölçütün ,90 değerinin üzerinde olması modelin iyi uyum sağladığını göstermektedir (Byrne, 2010; Hoyle, 2000).
CFI (Comparative Fit Index), sınanan model tarafından tahmin edilen kovaryans matrisi ile sıfır hipotez ile sınanan modelin kovaryans matrisini karşılaştırma esasına dayanan bir ölçüttür (Hoyle, 2000). Bu ölçütün ,90 değerinin üzerinde olması modelin iyi uyum sağladığını göstermektedir (Byrne, 2010; Hoyle, 2000).
NFI (Normed Fit Index), sınanan modelin ki-kare değeri ile sıfır modelin ki-kare değerinin karşılaştırılması esasına dayanan bir ölçüttür (Hooper, Coughlan, Mullen, 2008). Sınanan modele ait NFI değeri ,80 ile ,95 arası için kabul edilebilir uyumu, >,95’in üstü için ise mükemmel uyumu işaret etmektedir (Hu & Bentler, 1999).
TLI (Tucker Lewis Index) & Non-normed Fit Index (NFI) olarak da bilinmektedir. NFI hem gözlenen modelin hem de sıfır modele ait ki-kare / serbestlik derecesi oranlarını karşılaştırma esasına dayanan bir ölçüttür. Bu değerin ,90 üzerinde olması modelin iyi uyum sağladığını göstermektedir (Byrne, 2010; Hoyle, 2000). Bu istatistiklerin hepsi test edilen modeli belirli açılardan ele alarak veri seti ile uyumunu incelemektedir. Bu bakımdan tek bir istatistiğin olumlu sonuçlar vermesi modelin tanımlı olduğu anlamına gelmemektedir.
Modelin düzeltilmesi basamağında ise model tarafından tahmin edilen kovaryans matrisi yeteri kadar örneklem kovaryans matrisi ile uyum göstermez ise, araştırmacı tarafından test edilen model düzeltilmeli ve tekrar test edilmelidir. Modelin düzeltilmesi modelde bir yolun çizilmesi olabildiği gibi var olan yolun silinmesi de olabilmektedir. Modelin düzeltilmesi işlemindeki genel esas modifikasyon indis olarak bilinen bir ölçüt üzerine kuruludur. Bu ölçüt, modele eklenen herhangi bir yolun modelin ki-kare değerindeki değişimine ilişkin araştırmacıya ipuçları vermektedir. Burada istenilen, modele ait ki-kare değerindeki maksimum düşüşü sağlayan yolların belirlenmesi ve modele tanımlanmasıdır.