Yol Analizi ve Parselleme Tekniği

Yapısal eşitlik modeli tekil bir istatistiksel teknik değil, bir grup istatistiksel prosedürü kapsayan bir tekniktir. Bu yapı içinde en temel teknikler yol analizi, doğrulayıcı faktör analizi ve hibrid model geliştirmedir (Möbius, 2003). Gözlenen ve örtük değişkenlerin kullanıldığı yol analizi (MacCallum ve Austin, 2000), göreceli olarak daha basit çözüm süreçlerini içerdiği için uygulayıcılara kolaylık sağlamaktadır.

Parametreler cebir yada çoklu regresyon adımlarını temel alarak değerlendirilmektedir. Sadece güçlü, belirli yöndeki ve nedensel ilişkilerin dışında, yol analizi, aracılık etkisi ile doğrudan olmayan etkileri ve nedensel olmayan ilişkileri de ortaya çıkartmaktadır (Maruyama, 1998:17-36). Yol analizinde gerçekleşen modellemede şekillerin anlamları Şekil 12’de gösterildiği gibidir.

Yapısal eşitlik modellemesinde yol sayısı arttıkça modelin doğrulanma olasılığı da artmaktadır. İç içe geçmiş olan modellerde daha az sayıda yola sahip olan yani daha az sayıda parametreyi test eden modeller tercih edilmektedir. Beklenen durum tam tanımlama durumudur. Böylesi bir modelde araştırmacının elindeki bilgi, model tarafından açıklığa kavuşturulan bilgiden fazladır. Böylece değişkenler arasında alternatif değerlendirmeler yapılabilmektedir (Şimşek, 2007:28-29).

Şekil 12: Yol Modelleme Gösterimi

Kutular gözlenen ölçümleri tanımlamak için kullanılır. Gözlenen ölçümlere aynı zamanda gösterge de denir.

Daireler teorik değişkenleri tanımlamak için kullanılır. Aynı zamanda örtük değişkenler, ölçümlenemeyen değişkenler yada yapılar olarak da adlandırılır.

Ok, iki kutu veya daire arasındaki nedensel ilişkiyi gösterir.

e

e

e

Ok, iki kutu veya daire arasındaki nedensel olmayan ilişkiyi gösterir.

Ok, iki fark arasındaki kovaryansı gösterir. Ok, ölçüm veya değişkene ilişkin farkı gösterir.

Kaynak: Maruyama, 1998; 58.

Yapısal eşitlik modellemesinde kullanılan bir teknik, madde parsellemedir. Teknik, Cattell (1956) tarafından ilk defa tanıtılmış ve sonrasında Cattell ve Burdsal (1975) tarafından açıklanarak uygulamaları artırılmıştır. Madde parselleme tekniği genellikle veri setindeki sorunlar, küçük anakütle, madde – anakütle birim sayısı oranının yetersizliği ve stabil olmayan parametre tahminlerinin olması gibi durumlarda kullanılmaktadır (Cattell ve Bursdal, 1975; Hell vd., 1999; Holt, 2004; Marsh vd., 1998).

Parselleme tekniği, madde toplam veya ortalamaları kullanılarak parsel değerlerinin oluşturulması ve yapısal eşitlik modelinde parsel değerlerinin kullanımıdır. Parsel, iki veya daha fazla madde, yanıt veya davranışın toplamı ya da ortalaması olarak tanımlanmaktadır (Little vd., 2002). Parseller, ölçek toplamı veya ortalamasından farklı olarak aynı örtük yapıya ilişkin belirlenen toplam veya ortalamayı ifade etmektedir (Abu Alhija ve Wisenbaker, 2006). Her bir boyuta ilişkin oluşturulan parseller arasında dengeli dağılım ve her parselin ait olduğu örtük değişkene ilişkin aynı bilgiyi sağlıyor olması gereklidir (Kim ve Hagtvet, 2003). Parsellerin oluşturulmasında madde seçimi, almış oldukları yüke yani örtük değişkeni açıklama oranlarına göre yapılan birleştirme ile gerçekleştirilmektedir. Kimi zaman bu belirlemede sezgisellik de ön plana çıkabilmektedir (Bandalos, 2008).

Psikolojik ve örgütsel araştırmalarda kullanımı önerilen parselleme tekniği, faktör analizinin zayıflıklarına alternatif olurken, özellikle N küçük ise ve sabitlenen parametre değerleri varken, maddelerin bireysel kullanımı yerine parsellenmesi ile modelde daha iyi uyum değerlerine ulaşılmaktadır. Özellikle tek boyutlu örtük değişkenlerde parselleme ile çok daha yüksek model uyumu sağlanabilmektedir. Çok boyutlu örtük değişkenlerde parselleme ile örtük değişkenin tanımlanmasında sorun yaşanabilse de eğer örtük değişkende faktör yapısı belirli ise ve kuram tarafından doğrulanan bir yapı varsa, doğrulayıcı faktör analizi olarak parselleme tekniği kullanılabilmektedir. Ancak gene de bu durumda bazı model alternatifleri gözden kaçabilecektir. Bu zayıflığı ortadan kaldırmak için alternatif modellerin geliştirilmesi gerekebilecektir (Bandalos, 2002; Hau ve Marsh, 2004; Hodgkinson ve Sadler-Smith, 2003; Holt, 2004; Marsh vd., 1998;).

Parselleme tekniğinde her örtük değişken için ya da her faktör grubu için kaç parsel ayrılacağı konusunda kesin bir yargı olmamakla birlikte Bandalos (2002)’un yapmış olduğu incelemede normallik düzeyinde (.05) olabilmek için parsellerdeki gözlenenen değişken sayısının 4 – 12 arasında olması sonucu ortaya çıkmıştır. Hau ve Marsh (2004) her faktör grubunda en az 3 – 4 parsel olması gerektiğini ifade etmişlerdir. Holt (2004), çok parsel yerine tek boyutlu olduğu sürece az parsel içinde çok değişken olması yaklaşımını savunmaktadır. Marsh ve çalışma arkadaşları (1998) incelemelerinde değişkenlerin farklı sayılarda parsel gruplarına bölünebileceği ancak parsel sayısı az olduğunda (2-3) ve anakütle küçük olduğunda (50<N<100) önemli bir fark olmadığını ifade etmişlerdir.

Bandalos ve Finney (2001) madde parselleme kullanımı nedenlerine ilişkin olarak en sık karşılaşılan durumların başında ölçekteki değişken sayısı ve anakütle birim sayısı oranının yetersizliği olduğunu belirtmişlerdir (Holt, 2004). Kline (1998) örnek sayısının <100 olması durumunda küçük ölçekli bir hacimden bahsedildiğini ve sınırlı sayıda analiz yapılabileceğini, örnek sayısı 100 – 200 ise orta ölçek ve >200 olması durumunda büyük ölçekten bahsedildiğini ve analiz türlerinin artarak daha anlamlı sonuçlar elde edileceğini ifade etmektedir. Yine bu ölçekteki araştırmalarda örnek hacmi ve madde sayısı oranı eğer 5:1 olursa istatistiksel olarak şüpheli sonuçlara ulaşılacağı, 10:1 olması durumunda gerçekçi ve 20:1 olması durumunda ise beklenen ve güvenilir sonuçlara ulaşılabileceğini belirtmektedir (Kline, 1998; 112).

Çalışmanın ölçeklerindeki madde sayıları (gözlenen değişkenler) MO=14, LO=23, INN=6, PER=6 ve N=102 dir. Bu durumda gerçekçi sonuçlar alabilmek için 1:10 oranı kullanılmak istendiğinde öğrenme yönlü olma (LO) ölçeğinin test edilmesinde bu kriterin sağlanamadığı görülmektedir. Bu durum faktör analizinde bazı sapmalara neden olmaktadır. Diğer taraftan yine örtük değişkenlere ilişkin gözlenen değişkenlerin faktör yapısı kuramda belirlenmiş ve uzun yıllardır bu ölçek yapısı kullanılıyor olsa da cevaplayıcıların algılarından kaynaklanan bir sorun veya değişkenlerin nedenselliği yüzünden bazı değişkenlerin faktör dağılımlarında sapma olduğu gözlemlenmiştir. Gözlenen değişkenlerin ortogonal bir yapı sergilemiyor olmaları da düşünülebilecek nedenler arasındadır. Sayılan nedenlerle çalışmada yapısal eşitlik modellemesi içinde parselleme tekniği kullanılmıştır.

Parselleme tekniklerinden birisi Aluja ve Blanch (2004) tarafından farklı parselleme teknikleri arasında belirtmiş oldukları, faktör analizi yapısını temel alan parsellemedir. Dolayısıyla her bir örtük değişkende yer alan faktör grubu sayısı kadar parsel belirleme bir yoldur. Her örtük değişken için en az iki parsel belirleme ve belirlenen parsellerin tek boyutlu bir değişkeni ifade ediyor olması gibi kriterler de göz önünde tutularak pazar yönlü olma ölçeği üç, öğrenme yönlü olma ölçeği dört, yenilikçilik ve performans ölçekleri de ikişer parsele ayrılmıştır (bkz. Tablo 20). Tablo 21, 22, 23 ve 24’te her örtük değişken için ayrılmış olan parsellerin birbirleri ile ilişkileri görülmektedir. Maddeler p<.01 düzeyinde birbirleri ile önemli derecede ilişkili çıkmışlardır. Bu durum parsellerin anlamlılığını ve modelde parsellerin kullanılabileceğini ifade etmektedir.

Tablo 20: Ölçekler için Parseller

Ölçek Parseller Madde Ölçek

Sayısı

1. Parsel 2. Parsel 3. Parsel 4. Parsel

MO

Pazar Yönlü Olma

MOPA1 5 madde MOPA2 5 madde MOPA3 4 madde 14 LO

Öğrenme Yönlü Olma 6 madde LOPA1 6 madde LOPA2 6 madde LOPA3 5 madde LOPA4 23

INN

Yenilikçilik 3 madde INNPA1 3 madde INNPA2 6

PER Performans PERPA1 3 madde PERPA2 3 madde 6

Faktör analizinde faktör gruplarının birbirleri ile ilişkili olmasının önemli olması gibi parselleme tekniğinde de aynı örtük değişkene ait olan parsellerin birbirleri ile anlamlı düzeyde ilişkili olmaları beklenmektedir. Bu nedenle parselleme tekniği ile yapısal modellemeye geçmeden önce her bir parselin o örtük değişkeni açıklar derecede anlamlı ve ait olduğu örtük değişkene ilişkin diğer parseller ile de anlamlı olmasına dikkat edilmelidir.

Tablo 21, pazar yönlü olma örtük değişkenine ilişkin olarak ölçekteki parsellerin birbirleri ile ilişkini göstermektedir. Belirlenen üç parsel anlamlı düzeyde ilişkilidir ve örtük değişkeni açıklamaktadır.

Tablo 21: Pazar Yönlü Olma Ölçeği için Parsel Korelasyonları

MOPA1 MOPA2 MOPA3

MOPA1 1.000 .509(**) .676(**)

MOPA2 1.000 .557(**)

MOPA3 1.000

** Korelasyon p<.01 düzeyinde anlamlıdır.

Tablo 22, öğrenme yönlü olma örtük değişkeni için 23 sorudan oluşan ölçekte belirlenen dört parsel grubunun da birbirleri ile anlamlı düzeyde ilişkili olduğunu göstermektedir.

Tablo 22: Öğrenme Yönlü Olma Ölçeği için Parsel Korelasyonları

LOPA1 LOPA2 LOPA3 LOPA4

LOPA1 1.000 .855(**) .658(**) .728(**)

LOPA2 1.000 .799(**) .798(**)

LOPA3 1.000 .674(**)

LOPA4 1.000

** Korelasyon p<.01 düzeyinde anlamlıdır.

Yenilikçilik ölçeği için iki adet parsel belirlenmiş ve Tabo 23’te parsellerin anlamlığı gösterilmektedir.

Tablo 23: Yenilikçilik Ölçeği için Parsel Korelasyonları

INNPA1 INNPA2

INNPA1 1.000 .651(**)

INNPA2 _1.000

** Korelasyon p<.01 düzeyinde anlamlıdır.

Performans ölçeği için de belirlenmiş olan iki parsel örtük değişken için anlamlı ve birbirleri ilişkilidir. İki parselin ilişki düzeyi Tablo 24’de gösterildiği gibi p<.01 düzeyinde anlamlıdır.

Tablo 24: Performans Ölçeği için Parsel Korelasyonları

PERPA1 PERPA2

PERPA1 1.000 .746(**)

PERPA2 _1.000

** Korelasyon p<.01 düzeyinde anlamlıdır.