Page 74 - Maša Vidmar, Vedenjske težave in učna uspešnost. Ljubljana: Pedagoški inštitut, 2017. Digitalna knjižnica, Dissertationes, 30
P. 74
vedenjske težave in učna uspešnost
renčni označevalec) pri vsakem konstruktu vedno fiksiramo na 1,00 (Taba-
chnick in Fidell 2007; Maruyama 1998)1.
S pomočjo KFA (izvedli smo jo za vsak konstrukt posebej) smo ugo-
tavljali, kako dobro smo predpostavljene latentne konstrukte merili z izbra-
nimi označevalci. S pomočjo SEM pa smo poleg merskih modelov analizi-
rali tudi strukturne modele, v katerih smo preverjali, ali so konstrukti (in
opazovane spremenljivke, ki niso označevalci konstruktov; npr. spol, izo-
brazba) povezani med seboj tako, kot smo predvideli v hipotezah od 2 do
6. V dveh ločenih SEM analizah smo torej preverjali, kakšen je odnos med
učno uspešnostjo in vedenjem ponotranjenja oziroma vedenjem pozuna-
njenja (hipoteza 2). S pomočjo statistike Boxov M in modeliranjem več sku-
pin (t. i. multigroup modeling, ki je ena od oblik SEM) smo analizirali uči-
nek moderatorske spremenljivke, in sicer otrokovega spola na odnose med
vedenjskimi težavami in učno uspešnostjo (hipoteza 3). Poleg tega smo pre-
verjali predpostavljene učinke vključenosti v vrtec (hipoteza 4) in drugih
izbranih napovednikov na vedenjske težave in učno uspešnost ter na odno-
se med njimi (hipoteza 5).
KFA in SEM smo izvedli s pomočjo programa Mplus 5.2 (2009), ki
uporablja algoritem največjega verjetja z uporabo vseh razpoložljivih po-
datkov (t.i. FIML oziroma full information maximum likelihood) za oce-
ne parametrov v modelu. Poleg tega ta algoritem predstavlja najsodobnejši
pristop k problemu manjkajočih vrednosti (v nasprotju s starejšimi postop-
ki, katerih uporaba se odsvetuje, npr. postopek izločanja osebe pri vseh
analizah (ang. listwise deletion), postopek izločanja po parih (ang. pairwi-
se deletion), nadomeščanje manjkajočih vrednosti z regresijo; Schafer in
Graham 2002). Kadar uporabljamo FIML algoritem, namreč v analizah
obdržimo tudi udeležence, ki nimajo popolnih podatkov, prav tako ni pot-
rebno »popravljanje« podatkov (npr. nadomeščanje manjkajočih vrednosti
z aritmetično sredino); ocene parametrov in pripadajočih standardnih na-
pak temeljijo na vseh podatkih, ki so na voljo (Peugh in Enders 2004). To
pomeni, da so bili v KFA in SEM analize vključeni vsi udeleženci, ki so ime-
li podatek pri vsaj eni opazovani spremenljivki iz modela2.
1 Katerega izmed možnih označevalcev izberemo za referenčnega, ne vpliva na rela-
tivne nasičenosti in prileganje modela, so pa pri zanesljivejših označevalcih nestan-
dardizirane nasičenosti v modelu nižje, poleg tega je varianca konstrukta večja (Ma-
ruyama 1998).
2 FIML algoritma za obravnavo manjkajočih vrednosti nismo uporabili pri računanju
opisnih statistik oziroma korelacije med opazovanimi spremenljivkami (označeval-
74
renčni označevalec) pri vsakem konstruktu vedno fiksiramo na 1,00 (Taba-
chnick in Fidell 2007; Maruyama 1998)1.
S pomočjo KFA (izvedli smo jo za vsak konstrukt posebej) smo ugo-
tavljali, kako dobro smo predpostavljene latentne konstrukte merili z izbra-
nimi označevalci. S pomočjo SEM pa smo poleg merskih modelov analizi-
rali tudi strukturne modele, v katerih smo preverjali, ali so konstrukti (in
opazovane spremenljivke, ki niso označevalci konstruktov; npr. spol, izo-
brazba) povezani med seboj tako, kot smo predvideli v hipotezah od 2 do
6. V dveh ločenih SEM analizah smo torej preverjali, kakšen je odnos med
učno uspešnostjo in vedenjem ponotranjenja oziroma vedenjem pozuna-
njenja (hipoteza 2). S pomočjo statistike Boxov M in modeliranjem več sku-
pin (t. i. multigroup modeling, ki je ena od oblik SEM) smo analizirali uči-
nek moderatorske spremenljivke, in sicer otrokovega spola na odnose med
vedenjskimi težavami in učno uspešnostjo (hipoteza 3). Poleg tega smo pre-
verjali predpostavljene učinke vključenosti v vrtec (hipoteza 4) in drugih
izbranih napovednikov na vedenjske težave in učno uspešnost ter na odno-
se med njimi (hipoteza 5).
KFA in SEM smo izvedli s pomočjo programa Mplus 5.2 (2009), ki
uporablja algoritem največjega verjetja z uporabo vseh razpoložljivih po-
datkov (t.i. FIML oziroma full information maximum likelihood) za oce-
ne parametrov v modelu. Poleg tega ta algoritem predstavlja najsodobnejši
pristop k problemu manjkajočih vrednosti (v nasprotju s starejšimi postop-
ki, katerih uporaba se odsvetuje, npr. postopek izločanja osebe pri vseh
analizah (ang. listwise deletion), postopek izločanja po parih (ang. pairwi-
se deletion), nadomeščanje manjkajočih vrednosti z regresijo; Schafer in
Graham 2002). Kadar uporabljamo FIML algoritem, namreč v analizah
obdržimo tudi udeležence, ki nimajo popolnih podatkov, prav tako ni pot-
rebno »popravljanje« podatkov (npr. nadomeščanje manjkajočih vrednosti
z aritmetično sredino); ocene parametrov in pripadajočih standardnih na-
pak temeljijo na vseh podatkih, ki so na voljo (Peugh in Enders 2004). To
pomeni, da so bili v KFA in SEM analize vključeni vsi udeleženci, ki so ime-
li podatek pri vsaj eni opazovani spremenljivki iz modela2.
1 Katerega izmed možnih označevalcev izberemo za referenčnega, ne vpliva na rela-
tivne nasičenosti in prileganje modela, so pa pri zanesljivejših označevalcih nestan-
dardizirane nasičenosti v modelu nižje, poleg tega je varianca konstrukta večja (Ma-
ruyama 1998).
2 FIML algoritma za obravnavo manjkajočih vrednosti nismo uporabili pri računanju
opisnih statistik oziroma korelacije med opazovanimi spremenljivkami (označeval-
74
