Veri setinin yüklenmesi
## This is lavaan 0.6-19
## lavaan is FREE software! Please report any bugs.## id sex ageyr agemo school grade x1 x2 x3 x4 x5 x6
## 1 1 1 13 1 Pasteur 7 3.333333 7.75 0.375 2.333333 5.75 1.2857143
## 2 2 2 13 7 Pasteur 7 5.333333 5.25 2.125 1.666667 3.00 1.2857143
## 3 3 2 13 1 Pasteur 7 4.500000 5.25 1.875 1.000000 1.75 0.4285714
## 4 4 1 13 2 Pasteur 7 5.333333 7.75 3.000 2.666667 4.50 2.4285714
## 5 5 2 12 2 Pasteur 7 4.833333 4.75 0.875 2.666667 4.00 2.5714286
## 6 6 2 14 1 Pasteur 7 5.333333 5.00 2.250 1.000000 3.00 0.8571429
## x7 x8 x9
## 1 3.391304 5.75 6.361111
## 2 3.782609 6.25 7.916667
## 3 3.260870 3.90 4.416667
## 4 3.000000 5.30 4.861111
## 5 3.695652 6.30 5.916667
## 6 4.347826 6.65 7.500000Yol modelinin oluşturulması denemeleri
##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(lavaan)
library(semPlot)
dat <- HolzingerSwineford1939 %>%
rename(
GorselAlgi = x1,
Kupler = x2,
Test = x3,
ParagrafAnlama= x4,
GenelBilgi = x5,
CumleTamamlama= x6,
KelimeAnlami = x7,
KelimeSinifi = x8,
Toplama = x9
)
print(names(dat))## [1] "id" "sex" "ageyr" "agemo"
## [5] "school" "grade" "GorselAlgi" "Kupler"
## [9] "Test" "ParagrafAnlama" "GenelBilgi" "CumleTamamlama"
## [13] "KelimeAnlami" "KelimeSinifi" "Toplama"model <- ' GorselAlgi ~ Kupler
ParagrafAnlama ~ GenelBilgi + KelimeAnlami + CumleTamamlama
GenelBilgi ~ GorselAlgi + ParagrafAnlama + Test'
fit <- sem(model, data = dat)
semPaths(fit,rotation=2, curvePivot = TRUE,
sizeMan = 12, sizeInt = 1,
sizeLat = 4,
edge.label.cex = 1.8,
pastel=TRUE,
nCharNodes = 0, nCharEdges = 0)
## lavaan 0.6-19 ended normally after 24 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 10
##
## Number of observations 301
##
## Model Test User Model:
##
## Test statistic 85.461
## Degrees of freedom 8
## P-value (Chi-square) 0.000
##
## Model Test Baseline Model:
##
## Test statistic 619.340
## Degrees of freedom 15
## P-value 0.000
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.872
## Tucker-Lewis Index (TLI) 0.760
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -1181.955
## Loglikelihood unrestricted model (H1) -1139.224
##
## Akaike (AIC) 2383.909
## Bayesian (BIC) 2420.980
## Sample-size adjusted Bayesian (SABIC) 2389.266
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.179
## 90 Percent confidence interval - lower 0.146
## 90 Percent confidence interval - upper 0.215
## P-value H_0: RMSEA <= 0.050 0.000
## P-value H_0: RMSEA >= 0.080 1.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.117
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Expected
## Information saturated (h1) model Structured
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## GorselAlgi ~
## Kupler 0.295 0.055 5.403 0.000 0.295 0.297
## ParagrafAnlama ~
## GenelBilgi -1.181 0.298 -3.967 0.000 -1.181 -1.338
## KelimeAnlami 0.117 0.087 1.339 0.181 0.117 0.111
## CumleTamamlama 1.736 0.268 6.475 0.000 1.736 1.654
## GenelBilgi ~
## GorselAlgi -0.094 0.049 -1.929 0.054 -0.094 -0.084
## ParagrafAnlama 1.200 0.072 16.752 0.000 1.200 1.059
## Test -0.065 0.051 -1.270 0.204 -0.065 -0.057
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .GorselAlgi 1.238 0.101 12.268 0.000 1.238 0.912
## .ParagrafAnlama 2.579 0.791 3.262 0.001 2.579 1.957
## .GenelBilgi 0.946 0.102 9.307 0.000 0.946 0.559fitmeasures(fit,fit.measures = c("chisq" ,"df" ,"pvalue",
"cfi","tli","rmsea",
"rmsea.ci.lower","rmsea.ci.upper"
,"srmr"))## chisq df pvalue cfi tli
## 85.461 8.000 0.000 0.872 0.760
## rmsea rmsea.ci.lower rmsea.ci.upper srmr
## 0.179 0.146 0.215 0.117GorselAlgi ~ Kupler Estimate = 0.295, p < .001: Kupler testinden alınan puan arttıkça GorselAlgi puanı da anlamlı biçimde artıyor. Pozitif ve anlamlı bir ilişki var (β = 0.297 standardized).
ParagrafAnlama ~ GenelBilgi + KelimeAnlami + CumleTamamlama GenelBilgi → ParagrafAnlama: Estimate = -1.181, p < .001 Beklenmedik biçimde negatif ve anlamlı. GenelBilgi arttıkça ParagrafAnlama düşüyor gibi görünüyor (standardized: -1.338), bu çok büyük ve olumsuz bir etki. Modeldeki değişken ilişkilerini tekrar kontrol etmek gerekebilir.
KelimeAnlami → ParagrafAnlama: Estimate = 0.117, p = 0.181 Anlamlı değil (p > .05), etkisi zayıf (standardized: 0.111)
CumleTamamlama → ParagrafAnlama: Estimate = 1.736, p < .001 Güçlü ve anlamlı bir pozitif ilişki (β = 1.654) → ParagrafAnlama’yı pozitif etkiliyor.
GenelBilgi ~ GorselAlgi + ParagrafAnlama + Test GorselAlgi → GenelBilgi: Estimate = -0.094, p = 0.054 Anlamlılık sınırında (p ≈ .05), küçük bir negatif etki. Standardized: -0.084
ParagrafAnlama → GenelBilgi: Estimate = 1.200, p < .001 Çok anlamlı ve güçlü pozitif bir ilişki (β = 1.059)
Test → GenelBilgi: Estimate = -0.065, p = 0.204 Anlamlı değil, etki zayıf (β = -0.057)
** Ki kare düşük p anlamlı ama uyum indeksleri peki iyi değil tahminlerde daha iyi olabilir bu bilgilere göre modeli tekrar düzenliyorum
model1 <- ' GorselAlgi ~ Kupler
ParagrafAnlama ~ CumleTamamlama
GenelBilgi ~ ParagrafAnlama '
fit1 <- sem(model1, data = dat)
fit1 <- sem(model1, data = dat)
semPaths(fit1,rotation=2, curvePivot = TRUE,
sizeMan = 12, sizeInt = 1,
sizeLat = 4,
edge.label.cex = 1.8,
pastel=TRUE,
nCharNodes = 0, nCharEdges = 0)
## lavaan 0.6-19 ended normally after 6 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 7
##
## Number of observations 301
##
## Model Test User Model:
##
## Test statistic 101.928
## Degrees of freedom 5
## P-value (Chi-square) 0.000
##
## Model Test Baseline Model:
##
## Test statistic 568.452
## Degrees of freedom 9
## P-value 0.000
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.827
## Tucker-Lewis Index (TLI) 0.688
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -1215.632
## Loglikelihood unrestricted model (H1) -1164.668
##
## Akaike (AIC) 2445.264
## Bayesian (BIC) 2471.213
## Sample-size adjusted Bayesian (SABIC) 2449.013
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.254
## 90 Percent confidence interval - lower 0.212
## 90 Percent confidence interval - upper 0.298
## P-value H_0: RMSEA <= 0.050 0.000
## P-value H_0: RMSEA >= 0.080 1.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.143
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Expected
## Information saturated (h1) model Structured
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## GorselAlgi ~
## Kupler 0.294 0.055 5.389 0.000 0.294 0.297
## ParagrafAnlama ~
## CumleTamamlama 0.749 0.043 17.221 0.000 0.749 0.704
## GenelBilgi ~
## ParagrafAnlama 0.807 0.043 18.583 0.000 0.807 0.731
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .GorselAlgi ~~
## .GenelBilgi 0.021 0.056 0.366 0.714 0.021 0.021
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .GorselAlgi 1.238 0.101 12.268 0.000 1.238 0.912
## .ParagrafAnlama 0.680 0.055 12.268 0.000 0.680 0.504
## .GenelBilgi 0.768 0.063 12.268 0.000 0.768 0.466fitmeasures(fit1,fit.measures = c("chisq" ,"df" ,"pvalue",
"cfi","tli","rmsea",
"rmsea.ci.lower","rmsea.ci.upper"
,"srmr"))## chisq df pvalue cfi tli
## 101.928 5.000 0.000 0.827 0.688
## rmsea rmsea.ci.lower rmsea.ci.upper srmr
## 0.254 0.212 0.298 0.143** İkinci modelde tahminler daha kuvvetli ancak veri değişken çıkardığım için varyans düştü ve istenile uyumlar yakalanmadı modifikasyonlarla daha güzel bir model oluşturmaya çalışacağım
## $type
## [1] "normalized"
##
## $cov
## GrslAl PrgrfA GnlBlg Kupler CmlTmm
## GorselAlgi 0.006
## ParagrafAnlama 5.817 0.000
## GenelBilgi 4.515 0.084 0.103
## Kupler 0.016 0.423 1.015 0.000
## CumleTamamlama 5.747 0.000 5.173 0.000 0.000## lhs op rhs mi epc sepc.lv sepc.all sepc.nox
## 21 GenelBilgi ~ CumleTamamlama 52.962 0.473 0.473 0.403 0.369
## 12 ParagrafAnlama ~~ GenelBilgi 52.962 -0.430 -0.430 -0.595 -0.595
## 17 ParagrafAnlama ~ GenelBilgi 51.624 -0.553 -0.553 -0.611 -0.611
## 28 CumleTamamlama ~ GenelBilgi 43.875 0.599 0.599 0.702 0.702
## 13 GorselAlgi ~ ParagrafAnlama 36.048 0.334 0.334 0.334 0.334
## 14 GorselAlgi ~ GenelBilgi 36.048 0.414 0.414 0.456 0.456
## 15 GorselAlgi ~ CumleTamamlama 29.567 0.325 0.325 0.305 0.279
## 26 CumleTamamlama ~ GorselAlgi 23.801 0.239 0.239 0.254 0.254
## 22 Kupler ~ GorselAlgi 22.709 -1.288 -1.288 -1.277 -1.277
## 11 GorselAlgi ~~ ParagrafAnlama 9.512 0.163 0.163 0.178 0.178
## 16 ParagrafAnlama ~ GorselAlgi 8.836 0.121 0.121 0.122 0.122
## 19 GenelBilgi ~ GorselAlgi 0.520 0.106 0.106 0.097 0.097
## 20 GenelBilgi ~ Kupler 0.520 0.031 0.031 0.029 0.024
## 18 ParagrafAnlama ~ Kupler 0.186 0.018 0.018 0.018 0.015
## 23 Kupler ~ ParagrafAnlama 0.045 0.008 0.008 0.008 0.008
## 27 CumleTamamlama ~ ParagrafAnlama 0.045 -0.041 -0.041 -0.043 -0.043
## 24 Kupler ~ GenelBilgi 0.000 0.000 0.000 0.000 0.000
## 8 Kupler ~~ Kupler 0.000 0.000 0.000 0.000 0.000
## 25 Kupler ~ CumleTamamlama 0.000 0.000 0.000 0.000 0.000
## 9 Kupler ~~ CumleTamamlama 0.000 0.000 0.000 NA 0.000
## 10 CumleTamamlama ~~ CumleTamamlama 0.000 0.000 0.000 0.000 0.000
## 29 CumleTamamlama ~ Kupler 0.000 0.000 0.000 0.000 0.000** Artık değerlerden elde edilen verilerle önerilen modifikasyonlar birbiri ile oldukça uyumlu. Artık değeri büyük olan ilişkiler için modifikasyon önerileri yapılmış. ilk modifikasyonu modele ekleyeceğim.
model2 <- ' GorselAlgi ~ Kupler
ParagrafAnlama ~ CumleTamamlama
GenelBilgi ~ ParagrafAnlama
GenelBilgi ~ CumleTamamlama '
fit2 <- sem(model2, data = dat)
semPaths(fit2,rotation=2, curvePivot = TRUE,
sizeMan = 12, sizeInt = 1,
sizeLat = 4,
edge.label.cex = 1.8,
pastel=TRUE,
nCharNodes = 0, nCharEdges = 0)
## lavaan 0.6-19 ended normally after 7 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 8
##
## Number of observations 301
##
## Model Test User Model:
##
## Test statistic 42.910
## Degrees of freedom 4
## P-value (Chi-square) 0.000
##
## Model Test Baseline Model:
##
## Test statistic 568.452
## Degrees of freedom 9
## P-value 0.000
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.930
## Tucker-Lewis Index (TLI) 0.844
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -1186.123
## Loglikelihood unrestricted model (H1) -1164.668
##
## Akaike (AIC) 2388.246
## Bayesian (BIC) 2417.903
## Sample-size adjusted Bayesian (SABIC) 2392.531
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.180
## 90 Percent confidence interval - lower 0.134
## 90 Percent confidence interval - upper 0.230
## P-value H_0: RMSEA <= 0.050 0.000
## P-value H_0: RMSEA >= 0.080 1.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.135
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Expected
## Information saturated (h1) model Structured
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## GorselAlgi ~
## Kupler 0.294 0.055 5.398 0.000 0.294 0.297
## ParagrafAnlama ~
## CumleTamamlama 0.749 0.043 17.221 0.000 0.749 0.704
## GenelBilgi ~
## ParagrafAnlama 0.502 0.055 9.053 0.000 0.502 0.451
## CumleTamamlama 0.479 0.059 8.123 0.000 0.479 0.404
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .GorselAlgi ~~
## .GenelBilgi -0.027 0.051 -0.533 0.594 -0.027 -0.031
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .GorselAlgi 1.238 0.101 12.268 0.000 1.238 0.912
## .ParagrafAnlama 0.680 0.055 12.268 0.000 0.680 0.504
## .GenelBilgi 0.631 0.051 12.268 0.000 0.631 0.376fitmeasures(fit1,fit.measures = c("chisq" ,"df" ,"pvalue",
"cfi","tli","rmsea",
"rmsea.ci.lower","rmsea.ci.upper"
,"srmr"))## chisq df pvalue cfi tli
## 101.928 5.000 0.000 0.827 0.688
## rmsea rmsea.ci.lower rmsea.ci.upper srmr
## 0.254 0.212 0.298 0.143Cumle tamamlamaın paragraf anlamayla beraber yordadığı modeli deneyelim.
model3 <- ' GorselAlgi ~ Kupler
ParagrafAnlama ~ CumleTamamlama
GenelBilgi ~ ParagrafAnlama + CumleTamamlama '
fit3 <- sem(model3, data = dat)
semPaths(fit3,rotation=2, curvePivot = TRUE,
sizeMan = 12, sizeInt = 1,
sizeLat = 4,
edge.label.cex = 1.8,
pastel=TRUE,
nCharNodes = 0, nCharEdges = 0)
## lavaan 0.6-19 ended normally after 7 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 8
##
## Number of observations 301
##
## Model Test User Model:
##
## Test statistic 42.910
## Degrees of freedom 4
## P-value (Chi-square) 0.000
##
## Model Test Baseline Model:
##
## Test statistic 568.452
## Degrees of freedom 9
## P-value 0.000
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.930
## Tucker-Lewis Index (TLI) 0.844
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -1186.123
## Loglikelihood unrestricted model (H1) -1164.668
##
## Akaike (AIC) 2388.246
## Bayesian (BIC) 2417.903
## Sample-size adjusted Bayesian (SABIC) 2392.531
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.180
## 90 Percent confidence interval - lower 0.134
## 90 Percent confidence interval - upper 0.230
## P-value H_0: RMSEA <= 0.050 0.000
## P-value H_0: RMSEA >= 0.080 1.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.135
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Expected
## Information saturated (h1) model Structured
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## GorselAlgi ~
## Kupler 0.294 0.055 5.398 0.000 0.294 0.297
## ParagrafAnlama ~
## CumleTamamlama 0.749 0.043 17.221 0.000 0.749 0.704
## GenelBilgi ~
## ParagrafAnlama 0.502 0.055 9.053 0.000 0.502 0.451
## CumleTamamlama 0.479 0.059 8.123 0.000 0.479 0.404
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .GorselAlgi ~~
## .GenelBilgi -0.027 0.051 -0.533 0.594 -0.027 -0.031
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .GorselAlgi 1.238 0.101 12.268 0.000 1.238 0.912
## .ParagrafAnlama 0.680 0.055 12.268 0.000 0.680 0.504
## .GenelBilgi 0.631 0.051 12.268 0.000 0.631 0.376fitmeasures(fit3,fit.measures = c("chisq" ,"df" ,"pvalue",
"cfi","tli","rmsea",
"rmsea.ci.lower","rmsea.ci.upper"
,"srmr"))## chisq df pvalue cfi tli
## 42.910 4.000 0.000 0.930 0.844
## rmsea rmsea.ci.lower rmsea.ci.upper srmr
## 0.180 0.134 0.230 0.135Uyum indeksleri çok daha iyi ve yeterli kabul edilebilir tlı biraz daha yüksek olabilir. Oluşturulan nihai yol analizinin katsayılarını ve anlamlılık düzeylerini şekilde gösterelim
kts <-
semPaths(fit3, whatLabels = "est",
sizeMan = 10,
edge.label.cex = 1.15,
style = "ram",layout = "spring" ,
nCharNodes = 0, nCharEdges = 0)
**hamodelde kurduğumuz ililkilere ait katsayılır anlamlı. Şekilde anlamsız ve küçük değerler korelasyon ve kovaryans değerleri.
## lavaan 0.6-19 ended normally after 7 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 8
##
## Number of observations 301
##
## Model Test User Model:
##
## Test statistic 42.910
## Degrees of freedom 4
## P-value (Chi-square) 0.000
##
## Model Test Baseline Model:
##
## Test statistic 568.452
## Degrees of freedom 9
## P-value 0.000
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.930
## Tucker-Lewis Index (TLI) 0.844
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -1186.123
## Loglikelihood unrestricted model (H1) -1164.668
##
## Akaike (AIC) 2388.246
## Bayesian (BIC) 2417.903
## Sample-size adjusted Bayesian (SABIC) 2392.531
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.180
## 90 Percent confidence interval - lower 0.134
## 90 Percent confidence interval - upper 0.230
## P-value H_0: RMSEA <= 0.050 0.000
## P-value H_0: RMSEA >= 0.080 1.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.135
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Expected
## Information saturated (h1) model Structured
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## GorselAlgi ~
## Kupler 0.294 0.055 5.398 0.000 0.294 0.297
## ParagrafAnlama ~
## CumleTamamlama 0.749 0.043 17.221 0.000 0.749 0.704
## GenelBilgi ~
## ParagrafAnlama 0.502 0.055 9.053 0.000 0.502 0.451
## CumleTamamlama 0.479 0.059 8.123 0.000 0.479 0.404
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .GorselAlgi ~~
## .GenelBilgi -0.027 0.051 -0.533 0.594 -0.027 -0.031
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .GorselAlgi 1.238 0.101 12.268 0.000 1.238 0.912
## .ParagrafAnlama 0.680 0.055 12.268 0.000 0.680 0.504
## .GenelBilgi 0.631 0.051 12.268 0.000 0.631 0.376fitmeasures(fit3,fit.measures = c("chisq" ,"df" ,"pvalue",
"cfi","tli","rmsea",
"rmsea.ci.lower","rmsea.ci.upper"
,"srmr"))## chisq df pvalue cfi tli
## 42.910 4.000 0.000 0.930 0.844
## rmsea rmsea.ci.lower rmsea.ci.upper srmr
## 0.180 0.134 0.230 0.135** Nihai modeldeki uyum indeksleri oldukça iyi. RMSEA ve SRMR değerleri çok iyi durumda. CFI ve TLI değerleri de oldukça iyi.
** Nihai modeldeki değişkenlerin ilişkileri ve anlamlılıklarıda makul.
Modellerin karşılaştırılması
## aic bic
## 2383.909 2420.980## aic bic
## 2445.264 2471.213## aic bic
## 2388.246 2417.903## aic bic
## 2388.246 2417.903** Son modelin diğer modellere göre daha uygun olduğu görülmektedir. Son modelin aic ve bic değerleri diğer modellere göre daha düşük.
Model sonuçlarının rapor edilmesi
library(knitr)
standardizedsolution(fit3) %>%
filter(op == "~") %>%
select('Bağımlı Değişkenler'=lhs, Gosterge=rhs,
B=est.std, SE=se, Z=z, 'p-value'=pvalue) %>%
knitr::kable(digits = 3, booktabs=TRUE, format="markdown",
caption="Yol Katsayıları ve Anlamlılık ")| Bağımlı Değişkenler | Gosterge | B | SE | Z | p-value |
|---|---|---|---|---|---|
| GorselAlgi | Kupler | 0.297 | 0.051 | 5.782 | 0 |
| ParagrafAnlama | CumleTamamlama | 0.704 | 0.025 | 27.984 | 0 |
| GenelBilgi | ParagrafAnlama | 0.451 | 0.048 | 9.438 | 0 |
| GenelBilgi | CumleTamamlama | 0.404 | 0.048 | 8.492 | 0 |
Doğrudan, dolaylı ve toplam etki hesaplama
Doğrudan etkiler
library(lavaan)
library(dplyr)
# Standartize edilmiş çözümü al
effects <- standardizedSolution(fit3)
direct_effects <- standardizedSolution(fit3) %>%
filter(op == "~") %>%
select(Yolu = lhs, Etkileyen = rhs, Beta = est.std)
# Sonuçları göster
print(direct_effects)## Yolu Etkileyen Beta
## 1 GorselAlgi Kupler 0.297
## 2 ParagrafAnlama CumleTamamlama 0.704
## 3 GenelBilgi ParagrafAnlama 0.451
## 4 GenelBilgi CumleTamamlama 0.404Dolaylı etki
# Standartize edilmiş çözümü al
effects <- standardizedSolution(fit3)
# 1. Doğrudan etkileri ayıklayalım
a_path <- effects %>%
filter(lhs == "ParagrafAnlama" & rhs == "CumleTamamlama") %>%
pull(est.std)
b_path <- effects %>%
filter(lhs == "GenelBilgi" & rhs == "ParagrafAnlama") %>%
pull(est.std)
# 2. Dolaylı etkiyi hesapla (a*b)
indirect_effect <- a_path * b_path
# Sonucu göster
print(indirect_effect)## [1] 0.3175766**Semoutput paketin yükleyemediğim için kikare karşılaştırmalarına bakamadım
Aracı değişken analizi
##
## Please cite as:## Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Summary Statistics Tables.## R package version 5.2.3. https://CRAN.R-project.org/package=stargazerfit4 <- lm(GenelBilgi ~ CumleTamamlama, data = dat)
fita <- lm(ParagrafAnlama ~ CumleTamamlama, data = dat)
fitb <- lm(GenelBilgi ~ ParagrafAnlama + CumleTamamlama, data = dat)
fitc <- lm(CumleTamamlama ~ GenelBilgi + ParagrafAnlama, data = dat)
stargazer(fit4, fita, fitb, fitc, type = "text", title = "Baron and Kenny Yöntemi ile Aracılık Etkisi",digits = 2,
font.size ="tiny")##
## Baron and Kenny Yöntemi ile Aracılık Etkisi
## ===================================================================================================================
## Dependent variable:
## -----------------------------------------------------------------------------------------------
## GenelBilgi ParagrafAnlama GenelBilgi CumleTamamlama
## (1) (2) (3) (4)
## -------------------------------------------------------------------------------------------------------------------
## GenelBilgi 0.37***
## (0.05)
##
## ParagrafAnlama 0.50*** 0.36***
## (0.06) (0.05)
##
## CumleTamamlama 0.85*** 0.75*** 0.48***
## (0.05) (0.04) (0.06)
##
## Constant 2.49*** 1.42*** 1.78*** -0.54***
## (0.12) (0.11) (0.13) (0.14)
##
## -------------------------------------------------------------------------------------------------------------------
## Observations 301 301 301 301
## R2 0.52 0.50 0.62 0.59
## Adjusted R2 0.52 0.49 0.62 0.58
## Residual Std. Error 0.90 (df = 299) 0.83 (df = 299) 0.80 (df = 298) 0.71 (df = 298)
## F Statistic 321.76*** (df = 1; 299) 294.60*** (df = 1; 299) 242.81*** (df = 2; 298) 210.73*** (df = 2; 298)
## ===================================================================================================================
## Note: *p<0.1; **p<0.05; ***p<0.01CumleTamamlama’nın GenelBilgi üzerinde toplam etkisi olduğunu gösterir (Etki: 0.85, p < .001) Etki: 0.75 CumleTamamlama’nın aracı değişken ParagrafAnlama üzerinde anlamlı etkisi olduğunu gösterir (Etki: 0.75, p < .001)
Her iki değişken de GenelBilgi üzerinde anlamlı. Bu, kısmi aracılık olduğunu gösterir çünkü CumleTamamlama etkisi tamamen kaybolmamış, ama azalmış ParagrafAnlama etkisi: 0.50 (***)
CumleTamamlama etkisi: 0.48 (***)
## Zorunlu paket yükleniyor: nlme##
## Attaching package: 'nlme'## The following object is masked from 'package:dplyr':
##
## collapse## Zorunlu paket yükleniyor: MASS##
## Attaching package: 'MASS'## The following object is masked from 'package:dplyr':
##
## select## $`Mod1: Y~X`
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -0.4675257 0.15428300 -3.030312 2.656524e-03
## pred 0.6112379 0.03407541 17.937800 2.373361e-49
##
## $`Mod2: Y~X+M`
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -0.5358792 0.14364658 -3.730539 2.287285e-04
## pred 0.3734997 0.04654416 8.024631 2.362117e-14
## med 0.3594567 0.05159617 6.966732 2.082921e-11
##
## $`Mod3: M~X`
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.1901577 0.16063007 1.183824 2.374231e-01
## pred 0.6613822 0.03547725 18.642433 5.322365e-52
##
## $Indirect.Effect
## [1] 0.2377383
##
## $SE
## [1] 0.03642977
##
## $z.value
## [1] 6.525933
##
## $N
## [1] 301## Zorunlu paket yükleniyor: boot## bda - 18.3.2## Sobel Aroian Goodman
## z.value 7.269377e+00 7.259274e+00 7.279523e+00
## p.value 3.611481e-13 3.891739e-13 3.350019e-13**aracı etki istatistiksel olarak anlamlı (p<0,001, p= 0.0000000000003611481)
## Zorunlu paket yükleniyor: Matrix## Zorunlu paket yükleniyor: mvtnorm## Zorunlu paket yükleniyor: sandwich## mediation: Causal Mediation Analysis
## Version: 4.5.0##
## Attaching package: 'mediation'## The following object is masked from 'dat':
##
## schoollibrary(gvlma)
fitM <- lm(ParagrafAnlama ~ CumleTamamlama, data=dat)
fitY <- lm(GenelBilgi ~ CumleTamamlama + ParagrafAnlama, data=dat)
gvlma(fitM)##
## Call:
## lm(formula = ParagrafAnlama ~ CumleTamamlama, data = dat)
##
## Coefficients:
## (Intercept) CumleTamamlama
## 1.4249 0.7485
##
##
## ASSESSMENT OF THE LINEAR MODEL ASSUMPTIONS
## USING THE GLOBAL TEST ON 4 DEGREES-OF-FREEDOM:
## Level of Significance = 0.05
##
## Call:
## gvlma(x = fitM)
##
## Value p-value Decision
## Global Stat 4.1491 0.3862 Assumptions acceptable.
## Skewness 0.1620 0.6873 Assumptions acceptable.
## Kurtosis 0.8148 0.3667 Assumptions acceptable.
## Link Function 2.3030 0.1291 Assumptions acceptable.
## Heteroscedasticity 0.8693 0.3512 Assumptions acceptable.##
## Call:
## lm(formula = GenelBilgi ~ CumleTamamlama + ParagrafAnlama, data = dat)
##
## Coefficients:
## (Intercept) CumleTamamlama ParagrafAnlama
## 1.7785 0.4757 0.4973
##
##
## ASSESSMENT OF THE LINEAR MODEL ASSUMPTIONS
## USING THE GLOBAL TEST ON 4 DEGREES-OF-FREEDOM:
## Level of Significance = 0.05
##
## Call:
## gvlma(x = fitY)
##
## Value p-value Decision
## Global Stat 40.3884 3.597e-08 Assumptions NOT satisfied!
## Skewness 0.8014 3.707e-01 Assumptions acceptable.
## Kurtosis 0.9839 3.212e-01 Assumptions acceptable.
## Link Function 38.2485 6.228e-10 Assumptions NOT satisfied!
## Heteroscedasticity 0.3546 5.515e-01 Assumptions acceptable.**Y modelinde doğrusallık sorunu mevcut.
##
## Causal Mediation Analysis
##
## Quasi-Bayesian Confidence Intervals
##
## Estimate 95% CI Lower 95% CI Upper p-value
## ACME 0.373 0.277 0.46 <2e-16 ***
## ADE 0.475 0.355 0.59 <2e-16 ***
## Total Effect 0.847 0.757 0.94 <2e-16 ***
## Prop. Mediated 0.439 0.333 0.55 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Sample Size Used: 301
##
##
## Simulations: 1000**aracılık etkisi anlamlı (0,373), doğrudan etki anlamlı (0,474)i toplam etki anlamlı (0,846)
oran=0,373/0,846=0,440 (Aracı değişkenin toplam etkideki oranı)
fitMedBoot <- mediate(fitM, fitY, boot=TRUE, sims=999, treat="CumleTamamlama", mediator="ParagrafAnlama")## Running nonparametric bootstrap##
## Causal Mediation Analysis
##
## Nonparametric Bootstrap Confidence Intervals with the Percentile Method
##
## Estimate 95% CI Lower 95% CI Upper p-value
## ACME 0.372 0.280 0.48 <2e-16 ***
## ADE 0.476 0.354 0.59 <2e-16 ***
## Total Effect 0.848 0.754 0.95 <2e-16 ***
## Prop. Mediated 0.439 0.331 0.56 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Sample Size Used: 301
##
##
## Simulations: 999# Farklı örneklemlerde de sonuçlar benzer çıktı. Değerler anlamlı.