BÖLÜM3 Örtük Profil Analizi
Örtük profil analizinde (latent profile analysis- lpa), örtük sınıf analizinin aksine gözlenen değişkenler kategorik değildir. Bu bakımdan örtük değişkenlerin (profil) keşfi için test veya ölçek toplam puanları gözlenen değişken olarak ele alınır. Burada sözü edilen toplam puanlar toplanabilirlik özelliği gösteren madde puanlarından elde edilen ikinci düzey verilerdir. Örtük sınıf analizindeki “sınıflar” burada “profil” adını almıştır ve her bir profil gözlenen değişkenlerde farklı ortalamalara sahiptir. Keşfedilen profillerin tanımlanması ve adlandırılmasında bu ortalamalar dikkate alınır. Analizi yapmak için R’da “tidyLPA” ve “mclust” kütüphanelerini kullanalım. Analiz datasını ise “tidySEM” kütüphanesinden çekelim.
Kullanacağımız veri setinde (zegwaard_carecompass), evde psikolojik sağlık hizmeti alan hastalara bakım sağlayan hasta bakıcılara dair bazı ölçümler yer almaktadır. Ölçümlerden biri hasta bakıcıların hayatlarının sorumluluklarından ne kadar etkilendiğine dair 15 maddelik bir ölçekten elde edilmiştir (burdened), diğeri hasta bakıcıların seçme özgürlüklerine dair algılarının ölçümüdür (trapped), bir diğeri hasta bakıcıların negatif duygularıyla ilişkilidir (negaffect) ve son olarak hasta bakıcıların algıladıkları yalnızlık düzeyini ölçen bir ölçekten elde edilen puanlardır (loneliness). Bu veri seti, hasta bakıcıların psikososyal durumlarını anlamak ve değerlendirmek amacıyla kullanılmıştır.
library(tidyLPA)
library(mclust)
library(tidySEM)
library(dplyr)
datalpa <- zegwaard_carecompass
results <- datalpa %>%
subset(select = c("burdened", "trapped", "negaffect","loneliness" )) %>%
single_imputation() %>%
estimate_profiles(1:5)Kod Bloğu 9. Örtük profil analizi ile altı farklı modelin elde edilmesi
Kod bloğunda görüldüğü üzere “tidyLPA” kütüphanesi bir tek söz dizimiyle bir profilli modelden beş profilli (istediğimiz kadar) modele kadar oluşturulmasına ve her biri için ayrı ayrı çıktıların alınmasına olanak tanımaktadır. Çıktılara R console’dan değil environment sekmesinden ulaşılabileceğini not edelim. Söz dizimine ekleyeceğimiz compare_solutions() fonksiyonu ile oluşturulan tüm modellerin veriye uygunluk bakımından karşılaştırılabiliyor olması da araştırmacı için son derece kullanışlıdır.
Elde edilen çıktılardan bazı uyum indekslerinin dört profilli modelde bazılarının ise beş profilli modelde daha düşük olduğu görülmektedir. Bu durum başlı başına daha az kompleks olan dört profilli modelin seçimine işaret etmektedir. Bunun yanı sıra likelihood ratio test sonuçları da beşinci profilin modele dahil edilmesinin istatistiksel olarak anlamlı bir katkı sağlamadığını göstermektedir. Ayrıca “tidyLPA” kütüphanesi ile entropy değerlerinin de elde edilebileceğini görüyoruz (model değerlendirmede kullanılabilir).
Model seçiminde sadece istatistiklerle hareket edilmemesi gerektiği bilgisini tekrar hatırlatmakla birlikte bu örnekte dört profilli model ile ilerleyelim ve çıktılarını tekrar inceleyelim.
library(tidyLPA)
library(dplyr)
results <- datalpa %>%
subset(select = c("burdened", "trapped", "negaffect","loneliness" )) %>%
single_imputation() %>%
estimate_profiles(4) Kod Bloğu 10. Dört profilli model çıktıları
Tabloda görüldüğü üzere, birinci, ikinci, üçüncü ve dördüncü profillerde dört farklı ölçekten elde edilen ölçümlerin ortalamalarının değiştiği görülmektedir. Örneğin üçüncü profil bireylerde sorumluluk yükü (burdened) dördüncü profil bireylere göre daha fazlayken dördüncü profil bireylerde yalnızlık hissi (loneliness) üçüncü profil bireylere göre daha fazladır. Bu farklılıklar keşfedilen profillerin farklı psikolojik durumları temsil ettiğini göstermektedir. Yine dikkat çeken bir bulgu olarak ikinci profil bireylerin diğer tüm ortalamaları diğer profillerden düşükken yalnızlık hisleri diğer tüm profillerden yüksektir. Söz konusu profili adlandırırken yalnızlık hislerinin yüksekliğine vurgu yapacak bir adlandırma yapılması yerinde olacaktır.