Yapısal EĢitlik Modeli Analizi

Yapısal eĢitlik modellemesi, kuramsal bir modelin niceliksel olarak test edilmesine olanak sağlayan, gözlenen değiĢkenler arasındaki iliĢkiyi resmetmede kullanılan temelde korelasyon ve regresyon analizine dayanan istatistiksel bir tekniktir (Schumacker ve Lomax, 2004). Yapısal eĢitlik modeli, aralarında iliĢki olan birden fazla bağımlı ve bağımsız değiĢken arasındaki iliĢkiyi matematiksel eĢitlik yardımıyla açıklar (Çokluk, ġekercioğlu ve Büyüköztürk, 2014). Yapısal eĢitlik modeli regresyon analizine benzemekle birlikte, yapılara ölçme hatalarını ve hatalar arasındaki iliĢkileri dâhil etmesiyle regresyon analizinden farklılaĢır (Çelik ve Yılmaz, 2013). Bu araĢtırmada YEM analizine yönelik aĢağıdaki iĢlem adımları takip edilmiĢtir.

 Modelin tanımlanması

 YEM varsayımlarının incelenmesi

 Modelin test edilmesi

 Uyumun değerlendirilmesi

 Modelin yeniden düzenlenmesi

Modelin Tanımlanması: Test edilecek model, literatürde yer alan bilgiler ve

ilgili araĢtırmalar temel alınarak hazırlanır. Bu çalıĢmada, ilgili literatürden bilgilendirici metinleri anlama baĢarısı ile kelime bilgisi düzeyi, ön bilgi düzeyi, okuma stratejilerini kullanma düzeyi ve okuma iç motivasyonu arasında anlamlı iliĢkilerin olduğu saptanmıĢtır. Bu noktadan hareketle değiĢkenler arasındaki iliĢkilere yönelik çeĢitli hipotezler geliĢtirilip test edilecek model tanımlanmıĢtır. Test edilecek yapısal model, AMOS programı kullanılarak çizilmiĢtir (bkz. ġekil 1).

YEM Varsayımlarının Ġncelenmesi: AraĢtırma kapsamında kullanılan YEM analizinin yapılabilmesi için veri setinin bazı varsayımları sağlaması gerekir. Bu varsayımlar; kayıp değerler, normallik, örneklem büyüklüğü ve çoklu doğrusallık olarak ifade edilmektedir (Çokluk, ġekercioğlu ve Büyüköztürk, 2014: 274).

YEM’in varsayımları için öncelikle veri setinde kayıp veri kontrolü yapılmıĢtır. Bu amaç için veri setinde yer alan hatalı ve eksik veriler belirlenmiĢtir. Hatalı veriler ilgili veri formu kontrol edilerek düzenlenmiĢ, eksik veriler (68 veri) ise veri setinden çıkartılmıĢtır (Pallant, 2016). Eksik veriler için veri atama yöntemine gidilmemiĢtir.

Veri setinin normal dağılım gösterip göstermediğini incelemek için öncelikle uç değer (out-lier) analizi yapılmıĢtır (Büyüköztürk, 2012). Bunun için Z puanlarının +3 ile

-3 aralığında olmasına (Çokluk, ġekercioğlu ve Büyüköztürk, 2014) dikkat edilmiĢtir. Analiz sonucunda 5 katılımcının verisinin bu değerlerin dıĢında olduğu belirlenmiĢtir. Bu uç değerlere sahip veri formları, veri setinden çıkarıldıktan sonra, veri setinde 538 kiĢiye ait veri kalmıĢtır.

Veri setinin tek değiĢkenli normallik varsayımının incelemesinde skewness (çarpıklık) ve kurtosis (basıklık) değerlerinin -1 ile +1 arasında olmasına (Çokluk, ġekercioğlu ve Büyülöztürk, 2014) dikkat edilmiĢtir. AraĢtırma değiĢkenlerine ait çarpıklık ve basıklık değerleri, veri setinin tekli normallik Ģartını sağladığı söylenebilir (bkz. Tablo 13). Veri setinin çok değiĢkenli normal dağılım gösterip göstermediğinin belirlenmesi için çok değiĢkenli normallik analizleri yapılmıĢ ve sonuçlar Tablo 13’te sunulmuĢtur:

Tablo 13. Çok DeğiĢkenli Normallik Testi

DeğiĢken min mak. skew c.r. kurtosis c.r.

Okuma Ġç Motivasyonu 30,000 72,000 -,354 -3,348 -,241 -1,140 Ön Bilgi Düzeyi 10,000 41,000 ,266 2,519 -,727 -3,440 Okuma Stratejileri 60,000 160,000 -,218 -2,065 -,512 -2,426 Kelime Bilgi Düzeyi 7,000 54,000 -,167 -1,581 -,645 -3,054 Okuduğunu Anlama 8,000 44,000 ,024 ,225 -,644 -3,049 Multivariate -,660 -,915

Veri setinin çok değiĢkenli normal bir dağılama sahip olup olmadığına bakmak için yukarıdaki tablonun son iki sütunun en altındaki çok değiĢkenli basıklık kat sayısı ve kritik oran (c.r.) değerine bakılır (Karagöz, 2016: 963). Çok değiĢkenli basıklık (multivariate kurtosis) değerinin -2 ile +2 arasında ve çok değiĢkenli kritik oran değerinin 1.96’dan küçük olması (multivariate critical ratio) veri setinin çok değikenli normalliğe sahip olduğunu göstermektedir (Bayram, 2010). Tablo 13’te yapılan çok değiĢkenli normallik analizi sonuçlarına göre veri setinin çok değiĢkenli normallik varsayımlarını karĢıladığı söylenebilir (multivariate kurtosis: “-.660”, multivariate c.r.:“-.915”).

Tabachnick ve Fidell’e (2015) göre YEM analizinde uygun örneklem büyüklüğü için 50 artı yordayan değiĢken sayısının sekiz katı formülü kullanılır. Yapısal eĢitlik modeli için araĢtırmada 4 yordayıcı değiĢken (okuma stratejileri biliĢsel farkındalık düzeyi, ön bilgi düzeyi, kelime bilgisi düzeyi, okuma iç motivasyonu) kullanılmıĢtır. Bu kapsamda örneklemde yer alan 538 katılımcının yapısal eĢitlik modeli

uygulaması için uygun örneklem büyüklüğüne sahip olduğu söylenebilir. Çoklu doğrusallık için değiĢkenler arasındaki iliĢkiler incelenmiĢ ve değiĢkenler arasındaki iliĢkinin .80’den küçük olduğu görülmüĢtür. Bu kapsamda veri setinde çoklu doğrusallık probleminin olmadığı söylenebilir.

Modelin Test Edilmesi: Veriler iki aĢamalı yaklaĢım kullanılarak YEM ile çözümlenmiĢtir. Çelik ve Yılmaz (2013) iki aĢamalı yaklaĢımda ölçüm modeli ve yapısal modelin ayrı ayrı analiz edileceğini ve iki aĢamalı yaklaĢımın ilk aĢamasının DFA olarak ele alınabileceği ifade etmiĢtir. Bu kapsamda ölçüm modelinin analizi aĢamasında Doğrulayıcı Faktör Analizi (DFA) yapılmıĢ ve analiz sonuçları “Veri Toplama Araçları” bölümünde verilmiĢtir. Bu bölümde bu sonuçlara ayrıca yer verilmemiĢtir.

Yapısal modelin analizinde, yol analizi (path analysis) kullanılmıĢtır. Yol analizi, sadece gözlemlenen değiĢkenler kullanılarak çizilen modeldir (Meydan ve ġeĢen, 2015: 13). Bu modelde gizil değiĢkenlere yer verilmez. Yol analizi çerçevesinde çizilen yolların .05 düzeyinde anlamlı olmasına dikkat edilmiĢ ve “En Çok Olabilirlik (Maximum Likelihood)” yöntemi kullanılmıĢtır.

Uyumun Değerlendirilmesi: Yapısal eĢitlik modellerinde, model uyumunu değerlendirmek için χ2/sd (X2: Ki-kare, sd: serbestlik derecesi), GFI (iyilik uyum indeksi), AGFI (düzeltilmiĢ iyilik uyum indeksi), NFI (normlaĢtırılmıĢ uyum indeksi), NNFI/TLI (normlaĢtırılmamıĢ uyum indeksi), IFI (arttırmalı uyum indeksi), CFI (karĢılaĢtırılmalı uyum indeksi), RMSEA (yaklaĢık hataların ortalama karekökü), SRMR (ortalama hataların standardize edilmiĢ karekökü) gibi uyum indeksleri kullanılır. Bu araĢtırmada, uyum indekslerinin değerlerinin yorumlanmasında Tablo 14’teki ölçütler kullanılmıĢtır.

Tablo 14. Uyum Ġndeksleri Kabul Değerleri

Uyum indeksi Kabul edilebilir uyum Ġyi uyum

x2/sd 2 ≤ χ2/sd ≤ 5 0 ≤ χ2/sd< 2

GFI 0.85 ≤ GFI < 0.90 0.90 ≤ GFI ≤ 1.00

AGFI 0.85 ≤ AGFI < 0.90 0.90 ≤AGFI ≤ 1.00

NFI 0.90 ≤ NFI < 0.95 0.95 ≤ NFI ≤ 1.00

NNFI/TLI 0.90 ≤ NNFI < 0.95 0.95 ≤ NNFI ≤ 1.00

IFI 0.90 ≤ IFI < 0.95 0.95 ≤ IFI ≤ 1.00

CFI 0.90 ≤ CFI < 0.95 0.95 ≤ CFI ≤ 1.00

RMSEA 0.05 ≤ RMSEA ≤ 0.08 0 ≤ RMSEA < 0.05

SRMR 0.05 ≤ SRMR ≤ 0.08 0 ≤ SRMR < 0.05

(Kaynak: Bayram, 2010; Çelik ve Yılmaz, 2013; Çokluk, ġekercioğlu ve Büyüköztürk, 2014; Ġlhan ve Çetin, 2014; Karagöz, 2016; Kline, 2010; Meydan ve ġeĢen, 2015; ġimĢek, 2007).

Tablo 14’te görülen uyum indeksi değerlerini sağlamayan modeller yeniden düzenlenerek tekrar test edilmiĢtir.

Modelin Yeniden Düzenlenmesi: YEM çerçevesinde araĢtırmada üç model oluĢturulmuĢtur. Ġlk iki modelde .05 düzeyinde anlamlı olmayan yollara rastlanmıĢtır. Bu yollar modellerden teker teker çıkarılarak, modeller düzenlenmiĢtir. Anlamlı olmayan yolların modelden atılmasında, β değeri en düĢük olan yoldan baĢlanılmıĢtır.

AraĢtırmanın hipotezlerine bağlı olarak oluĢturulan ilk modele, birinci model denilmiĢtir. Birinci modelde istatistiksel olarak anlamlı olmayan bazı yolların çıkartılmasıyla oluĢturulan yeni modele, ikinci model denilmiĢtir. Ġkinci modelde anlamlı olmayan yolların çıkarılmasıyla oluĢturulan model, üçüncü ve nihai model olarak adlandırılmıĢtır.