Örtük Profil Analizi Nedir?
Örtük Profil Analizi (LPA), bireyleri gözlemlenen sürekli değişkenler üzerindeki benzerliklerine göre anlamlı alt gruplara ayıran "birey-odaklı" (person-centered) bir istatistiksel yöntemdir.
“Mixture Distribution Model” (Karışım Dağılım Modeli)
- Popülasyon: Bu popülasyon tek tip (homojen) değildir. Farklı alt popülasyonların karışımıdır.
- Amaç: Popülasyonu homojen alt gruplara (gizli sınıflara) “ayırmak”
Kısaca anlatmak gerekirse: Bu model, içinde farklı gruplar barındıran bir veri kümesini, görünmeyen (latent) alt gruplara ayırmayı amaçlar.
Temel Fark: Kişi-Odaklı Yaklaşım
Geleneksel yöntemler (örneğin regresyon) değişkenler arası ilişkiye odaklanırken, LPA popülasyonun heterojen olduğunu varsayar.
Öğretmenlerin Öğretim Uygulamaları Profilleri
Değerler standartlaştırılmış puanlardır (Z-skoru).
Kaynak: Özdemir, N., Kılınç, A. Ç., Polatcan, M., Turan, S., & Bellibaş, M. Ş. (2023). Educational Administration Quarterly.
LCA mı, LPA mı? Veri Türünüz Karar Verir
Örtük Sınıf Analizi (LCA)
Eğer gözlemlenen verileriniz kategorik (nominal veya ordinal) ise LCA kullanılmalıdır.
Örtük Profil Analizi (LPA)
Eğer gözlemlenen verileriniz sürekli (continuous/scale) ise LPA tercih edilmelidir.
Mini LPA Simülatörü: Öğretmen Bağlılığı
Hesaplanıyor...
Bağlılık profillerini keşfedin.
Jamovi ile LPA Analizi
Pratik uygulama ve değişken seçimi rehberi.
Eğer bilgisayarınızda "Jamovi" yoksa indirme için lütfen aşağıdaki bağlantıya tıklayınız. Kurulum tamamlandıktan sonra Jamovi kütüphanesinden "snowRMM" ve "sowLatent" modüllerini ekleyiniz. jamovi.org/download.html
Veri seti için lütfen aşağıdaki bağlantıdan dosyayı indiriniz. Veri seti, okulda performansa dayalı ve uzmanlığa dayalı iklim değişkenlerini incelemektedir:
Veri Setini İndir (Google Drive)
1. Modelimizi Oluşturalım
2. Arayüz ve Değişken Seçimi
Öncelikle snowRMM modülünü kullanarak 2'den 6'ya kadar profil sayımızı test etmemiz gerekir. Örneğin indirdiğiniz veri setinde MC_PC (performansa dayalı motivasyon) ve MC_MC (uzmanlığa dayalı motivasyon) adlı iki değişkeni variables kısmına aktaralım.
Görsel yükleniyor...
Model Değerlendirme Kriterleri
AIC, BIC ve aBIC gibi değerlerin düşüş hızı incelenir. Grafik üzerindeki sert düşüşün yavaşlayıp düzleşmeye başladığı nokta ("elbow"), ideal profil sayısı için en temel istatistiksel ipucudur.
Kendi Elbow Plot'unuzu Oluşturun
| Profil # | AIC | AWE | BIC | CAIC | Entropy | BLRT_p |
|---|
Hedef Eşik: 0,80 ve üstü
Katılımcıların gizli sınıflara atanma hassasiyetini gösterir. 0.80 ve üzeri değerler sınıflandırmanın güvenilir olduğunu kanıtlar.
Hedef Eşik: < 0.05 olmalı
Bootstrap Likelihood Ratio Test, k profilin k-1 profile göre anlamlı bir iyileşme sağlayıp sağlamadığını test eder.
EN ÖNEMLİ KRİTER: Teorik Destek
İstatistiksel değerler ne derse desin, profil sayısının belirlenmesinde nihai karar teorik anlamlılıktır.
Elde edilen profillerin literatürle uyuşması, alandaki kavramsal çerçevelerle açıklanabilir olması ve araştırmanın problemine yanıt vermesi gerekir. İstatistiki olarak "mükemmel" ama teorik olarak "anlamsız" bir profil sayısı kabul edilmemelidir.
Profil Grafiği Oluşturucu
Latent Profillerin Sonuç Değişkeni Açısından İncelenmesi
snowLMM modülündeki Distal variable (for 3-step) ise latent profillerin sonuçlarını veya çıktısını temsil eden değişkendir. Profil → Çıktı şeklinde de değerlendirilebilir. Örneğin, veri setinde WA (işe yabancılaşma) değişkenini eklerseniz profiller arasında işe yabancılaşma açısından anlamlı bir fark olup olmadığını test etmiş olursunuz. Bu kısmı isterseniz boş bırakabilirsiniz.
👉 BCH Omnibus Testi
BCH omnibus testine bakınız. p değeriniz 0.05'ten küçük mü?
(Not: p değerinin sonundaki e-12 gibi eksili bir ifade, o değerin 0.000... olduğunu gösterir; yani p < 0.05'tir.)
Yazım Şablonu (Üzerine tıklayarak düzenleyebilirsiniz):
Bu cümleyi kopyalayıp makalenizde kullanabilirsiniz.
Latent Profillerin Yordayıcı Değişkenler Açısından İncelenmesi
snowLatent modülündeki LCA/LPA 3-step approach sekmesi, latent profil analizinde hem profillerin oluşturulmasını hem de bu profilleri yordayan değişkenlerin incelenmesini sağlar. Bu sekmede öncelikle analizde kullanılacak göstergeler (indicators) model kısmına aktarılır. Ardından L[ ] alanına oluşturulmak istenen profil (sınıf) sayısı girilir.
Covariates kısmına ise profilleri yordadığı düşünülen yordayıcı (predictor) değişkenler eklenir. Bu aşamada, değişkenlerin modele dahil edilebilmesi için Regression formula bölümüne de mutlaka eklenmesi gerekir. Birden fazla yordayıcı değişken kullanılacaksa değişkenler arasına “+” işareti konularak modele birlikte dahil edilebilir (örneğin: L ~ TL + yaş + kıdem).
👉 Yordayıcı Etkisi (Lojistik Regresyon) Raporlaması
Lütfen analiz sonucundaki lojistik regresyon tablosundan elde ettiğiniz değerleri giriniz:
p değeri anlamlı mı? (p < 0.05)
Yazım Şablonu (Üzerine tıklayarak düzenleyebilirsiniz):
Bu cümleyi kopyalayıp makalenizde kullanabilirsiniz.
Mplus ile LPA Analizi
Profesyonel ve esnek person-centered analiz adımları.
1. Veri Hazırlığı (CSV'den .dat Dönüştürücü)
Mplus, analiz için başlıksız ve boşlukla ayrılmış .dat formatını kullanır. SPSS (.sav) veri tabanları güvenlik/kapalı format nedeniyle tarayıcıda doğrudan okunamadığından, en güvenli ve hızlı yol CSV formatıdır.
Lütfen şu adımları izleyin:
1. SPSS'te verinizi açın: File -> Save As -> Format: Comma Separated (.csv) diyerek bilgisayarınıza kaydedin.
2. O CSV dosyasını aşağıya yükleyin. Sistem, başlıkları (değişkenleri) ayıklayıp Mplus'ın okuyabileceği formata sokar. Dosyanız hiçbir sunucuya yüklenmez, işlem anında cihazınızda (offline) gerçekleşir.
2. Mplus Sentaks Oluşturucu
3. Mplus Çıktılarından Otomatik APA Tablosu
LPA1'den LPA6'ya kadar çalıştırdığınız Mplus çıktı dosyalarını (.out) ilgili alanlara seçin. Seçtiğiniz an tablo otomatik olarak oluşacaktır.
Oluşturulan APA Tablosu
| LP | Pr | LL | BIC | aBIC | CAIC | AWE | Entropy | BLRT | VLMR | Smallest group |
|---|
Note. LP = latent profile; Pr = parameters; LL = log likelihood; BIC = bayesian information criterion; aBIC = sample size adjusted BIC; CAIC = consistent Akaike information criterion; AWE = approximate weight of evidence criterion; BLRT = bootstrapped likelihood ratio test p-value; VLMR = Vuong-Lo-Mendell-Rubin adjusted likelihood ratio test p-value.
Otomatik Elbow Plot
Otomatik Profil Grafiği