Oheisessa taulukossa 6 (Mallin taustateoriaa) on esitetty faktoreiden indikaattorit, joi-den perusteella niijoi-den lataukset sekä keskinäiset korrelaatiot on estimoitu ja tilastolliset merkitsevyydet on laskettu. Taulukon avulla voidaan tarkastella teoreettisia taustoja kolmen faktorin ja 12 indikaattorin mallin muuttamiseksi hyvyyden sopivuusindeksien perusteella 10 indikaattorin malliksi.
ILO-faktoriin liittyy oppijan kannustaminen, oppimisen ohjaaminen (johtaminen), it-sensä toteuttaminen ja uusien asioiden keksiminen (innovatiivisuus). Kaikki neljä indi-kaattoria kuvaavat oppimisen ilon eri puolia: ulkopuolisen ohjauksen ja oman toiminnan merkitystä.
PSY-faktoriin liittyy sopivien tehtävien tekeminen, ryhmään kuuluminen, tehtävien arvostusta lisäävä seikka ja itselleen suunnittelu sekä toteuttaminen. Mikäli mallista
pois-107
tetaan ryhmään kuulumisen kokeminen, joka mahdollisesti korreloi negatiivisesti itsel-leen toteuttamisen kanssa, niin yksi ulottuvuus (”joukkoon kuuluminen”) psykologisesta omistajuudesta jää puuttumaan.
YRI-faktoriin liittyy uusien toimintatapojen kokeilu, halu nähdä, kokea ja kehittää, haastavat tehtävät ja päämäärätietoisuus sekä itseensä luottaminen. Kaksi indikaattoria (Y1.2 ja Y1.3.) korreloivat positiivisesti mallissa tilastollisesti merkitsevästi. Tämä tarkoit-taa, että indikaattorit mittaavat samankaltaisia seikkoja, R2-arvot eivät ole erityisen kor-keita, mutta faktorien lataukset (regression weights-taulukossa) ovat tilastollisesti mer-kitseviä. Klinen (2016) mukaan muuttujan poistamista ei pidä perustella ainoastaan sopi-vuusindeksien (vähäisillä) muutoksilla.
Taustaselvityksen perusteella voidaan edellyttää, että mallissa tulisi olla mukana uu-sien asioiden kokeileminen (toteuttaminen) sekä halu nähdä, kokea ja kehittää (suunnit-teleminen).
Käsitemääritysten perusteella indikaattorit voivat jäädä malliin ja kolmen faktorin ja 12 indikaattorin malli (Malli3x12) hyväksytään. Mallin kehittelyä ja arviointiprosessia jatketaan edelleen.
4.3.2 ILO-PSY-YRI vaikutuksia, SR-mallit
Vaikutuksien suunnan määrittäminen SEM-analyysien avulla edellyttää erilaisia manipu-latiivisa tekoja ja syvällistä teoriaa käsittelevää pohdintaa sekä perusteluita (Kline 2016, 217; 338–362; Byrne 2016, 185–222). Pyrittäessä arvioimaan vaikutuksien suuntaa niin ohjeena Kline (2016) esittää seuraavaa: a) malli määritetään avainmuuttujien perusteella ilman suuntavaikutuksia b) mallia tarkennetaan kokeilemalla vaihtoehtoisia vaikutuksia c) malli määritetään niin, että se kattaa molemmat edelliset kohdat. Kohta a on CFA mal-lin perusmäärittämistä ja sen parametrien sekä hyvyyden testaamista. Kohta b voi olla ongelmallinen, sillä vaikutuksen suunnan määrittämisellä ei useinkaan ole vaikutusta mallin hyvyyteen tai sopivuuteen, tai vaikutus on vain hyvin vähäinen. Tällöin ei ole
108
tilastollista perustetta tällaiselle uudelle mallille. Kohdalla c tarkoitetaan esimerkiksi faktoreiden keskinäistä vuorovaikutusta (causal loop). Kuitenkin on kyse vain keski-näisetä vuorovaikutuksesta eikä varsinaisesta vaikutuksen suunnasta. (Kline 2016, 125–
126.)
Psykologisen omistajuuden faktorin vaikutuksia oppimisen ilon faktoriin tarkasteltiin neljän mallin avulla. CFA-mallit ovat tunnuslukujen perusteella lähes identtiset edellä esitetyn 3x12Mallin kanssa. Näissä malleissa vaikutuksen suunta määritettiin (PSYILO): psykologinen omistajuus vaikuttaa oppimisen iloon. Vaikutukset ovat tilas-tollisesti merkitseviä molemmissa malleissa. Toinen malleista osoittaa, että käänteinen vaikutus ILOPSY on tilastollisesti merkitsevä, mutta malli hyvyyden tunnusluvut muuttuvat selkeästi huonommiksi. Klinen (2016) mukaan tämä voisi olla tilastollisesti merkitsevä osoitus siitä, että PSY-faktori vaikuttaa ILO-faktoriin, koska malli heikkenee jälkimmäisessä tapauksessa. Tätä tutkittiin ja tulosta varmennettiin lisää uudessa mallis-sa, jossa vaikutusnuolet asetettiin molempiin suuntiin. Mallin parametrien merkitsevyy-det osoittavat, että tilastollisesti merkitsevä on ainoastaan PSYILO vaikutus. PSYILO vaikutuksen tilastolliset testit osoittavat, että kerroin ei ole nollasta poikkeava eikä siis tilastollisesti merkitsevä. Tämä kolmas malli tukee edellisten mallin tulosta YRIPSY vaikutuksesta: yrittäjämäisellä oppimisella on vaikutusta psykologisen omistajuuden tuntemuksiin. Loppupäätelmä on, että koska teoreettisena oletuksena psykologinen omistajuus vaikuttaa oppimisen iloon ja mallin kerroin on positiivinen ja tilastollisesti merkitsevä, niin voidaan olettaa, että PSYILO vaikutus on olemassa. Yrittäjämäisellä oppimisella on myös vaikutus psykologiseen omistajuuteen.
Yrittäjämäisen oppimisen faktorin vaikutuksia oppimisen ilon faktoriin tarkasteltiin myös kahden mallin avulla. Ensimmäinen malli osoittaa, että YRIILO parametrin ker-roin ei ole tilastollisesti merkitsevä. Tämä tulos vaikuttaa luotettavalta, sillä muita varoi-tuksia mallin rakenteesta ei parametrien estimoinnissa tullut. Toinen malli kertoo sen, että YRIILO tai ILOYRI vaikutuksia ei voida tällä menettelytavalla enempää kartoit-taa eikä mallia ei voida ratkaista luotettavasti. Myös estimaatti YRIILO -0,6 on vastoin teoreettisia oletuksia. Loppupäätelmänä on, että YRIILO vaikutusta ei voida tilastolli-sesti osoittaa muodostetun SR-mallin perusteella. Yksityiskohtaiset raportit ovat esitetty liitteessä.
109 4.3.3 Toisen kertaluvun faktori
SEM-analyysin pohjalta voidaan muodostaa myös toisen kertaluvun (2nd order) faktori-malleja. Kun faktorit korreloivat voimakkaasti keskenään, syntyy epäilys, että niiden taustalla on toisia tekijöitä, jotka mahdollisesti vaikuttavat ensimmäisiin faktoreihin ja aiheuttavat korrelaatioita. Tämä kävi hyvin ilmi SEM-analyysimallien rakentamisen kuvauksien yhteydessä edellisessä luvussa.
Ensimmäisillä faktoreilla mitataan latentteja yleiskäsitteitä, joita kutsutaan toisen ker-taluvun faktoreiksi (Lyyra 2013, 63; Kline 2016, 319). Tässä tutkimuksessa ensimmäisen tason faktoreita ovat edellisten analyysien perusteella ILO-, PSY- ja YRI-faktorit. Vain ensimmäisen tason faktoreilla on indikaattoreita, joita tällä toisen kertaluvun faktorilla ei ole lainkaan. Toisen kertaluvun faktori lasketaan epäsuorasti ensimmäisen tason fakto-rien indikaattoreista. Klinen (2016) määritelmä toisen kertaluvun faktorista on, että se ilmaisee yhteyden ensimmäisen tason faktoreiden välillä olevan virheellisen (spurious) ja selittää, miksi faktoreiden välillä on korkea korrelaatio (ja kovarianssi). Jokaisen mallissa olevan ensimmäisen asteen suora vaikutus on virhetermi, joka johtuu variaatiosta, jota toisen kertaluvun faktori ei selitä.
Toisen kertaluvun faktorimalli edellyttää vähintään kolme ensimmäisen tason fakto-ria tarkasteltavana olevassa mallissa. Edellisen lisäksi jokaisella faktorilla täytyy olla vähintään kaksi indikaattoria. Mallissa voidaan toisen kertaluvun faktorin varianssi kiin-nittää yhdeksi eli standardoida. Tämä mahdollistaa kaikkien kolmen suoran vaikutuksen vapaasti estimoitaviksi (free parameters). Toisen kertaluvun faktoreita käytetään muun muassa mallinnettaessa elämän laatua (quality of life). (Kline 2016, 319.)
Tässä tutkimuksessa toisen kertaluvun faktoria kutsutaan myös G (general)-faktoriksi, jonka olemassaolo voisi syntyä opetustapahtumassa opettajan-oppijan vuoro-vaikutuksesta (Berglund & Lister 2010; Kansanen 2017; Kansanen & Meri 1999; Kinnunen 2009). Toisen kertaluvun faktori syntyy siis joistakin muista (ulkoisista) syistä, kuin mal-liin määritetyistä. Tämä toisen kertaluvun yleisfaktori, kuvioissa 16 ja 17 esiintyvä 2nd Order Factor, voitaisiin ajatella edustavan oppimisen ilon ilmapiiriä, jolla on vaikutus kaikkiin alemman tason faktoreihin. Tätä ajatusta pohditaan lisää myöhemmin tutkimuk-sen pohdinnan yhteenvedossa (luku 6).
SEM-analyysin tulokset osoittavat toisen kertaluvun faktorimallin hyvyysindeksien olevan hyväksyttävä, jolloin ei ole tarvetta poistaa indikaattoreita tai muokata mallia.
Tulokset osoittavat, että G-faktori vaikuttaa tilastollisesti merkitsevästi kolmeen alemman tason faktoriin. Toisen kertaluvun G-faktorin kertoimet (Regression Weights) ovat kaikki tilastollisesti merkitseviä. G-faktorin vaikutukset (factor loadings = Standardized Regres-sion Weights) ILO, PSY ja YRI-faktoriin ovat 0,93, 0,96 ja 0,88. Lisäksi kaikkien alikon-struktioiden selitysasteet R2 (Squared Multiple Correlations) (PSY_Factor 0,95;
ILO_Factor 0,87; YRI_Factor 0,78) kertovat G-faktorin selittävän hyvin oppimisen iloa, oppimisen psykologista omistajuutta ja yrittäjämäistä oppimista. Tämä tukee myös ko-konaisvaltaista teoriaa siitä, että nämä kolme alirakennetta kuuluvat yhteen. Toisen ker-taluvun G-faktorin standardoidut estimaatit on esitetty yhteenvedon yhteydessä (kuvios-sa).
110
Taulukko 7: Toisen kertaluvun G-faktorin local-fit-tunnuslukuja Regression Weights: (Group number 1 - 2nd_O_3F_CFA)
Estimate S.E. C.R. P
ILO <- G ,871 ,046 19,146 ***
PSY <- G ,956 ,043 22,069 ***
YRI <-- G ,809 ,041 19,670 ***
Standardized Regression Weights: (Group number 1 - 2nd_O_3F_CFA) Estimate
ILO_Factor <--- G_FACTOR ,934 PSY_Factor <--- G_FACTOR ,976 YRI_Factor <--- G_FACTOR ,883
Squared Multiple Correlations: (Group number 1 - 2nd_O_3F_CFA) Estimate
PSY_Factor ,952
ILO_Factor ,873
YRI_Factor ,779
(2nd order CFA-AMOS-ohjelmiston osatulostus)
111
KUVIO 16: Toisen kertaluvun G-faktorin ei-standardoidut estimaatit