Örtük Markov modelleri, niceliksel olarak ölçüm almanın mümkün olmadığı boylamsal psikoloji çalışmalarında, kategorik gözlenen ve örtük değişkenlerin zamana bağlı değişimlerini analiz etmek ve yorumlamak için iyi bir alternatif olarak karşımıza çıkmaktadır. Ancak, son yıllarda giderek artan kullanıma rağmen Örtük Markov modellerindeki model seçim süreci konusunda henüz bir görüş birliğine varılamamıştır. Bu bağlamda, çalışmanın ilk amacı, tek değişkenli bir görgül veri seti kullanarak bir uygulama örneği sunmaktır. Bir diğer amacı da Monte Carlo simulasyon yöntemi ile oluşturulmuş veri setinden yararlanarak, madde tepki olasılıklarının gücü, ölçüm alınan zaman sayısı ve örneklem büyüklüğüne göre bilgi kriterlerinin model seçimi ve parametre tahmin yanlılıklarına etkisini incelemektir. Sonuçlara göre, madde tepki olasılıklarının hem güçlü hem de zayıf olduğu koşullarda, ölçüm alınan üç farklı zaman koşulunda ya da örneklem büyüklüğü 200’den 2000’e yükseldiğinde BIC ve CAIC bilgi kriterleri kullanılarak yapılan model seçimlerinde %100 doğru karar oranı gözlenmiştir. Bulgular, alanyazın ışığında tartışılacaktır.

Latent Markov models emerge as a good alternative for longitudinal psychological studies where it is not possible to take quantitative measurements to analyze and interpret time-dependent changes of categorical observed and latent variable(s). However, despite its increasing use in recent years, a consensus on the model selection process in the Latent Markov models has not been reached yet. In this context, the first objective of this research was to provide an application example by using an empirical dataset with a single variable. Another aim was to examine the impacts of the strength of item response probabilities, the number of times the measurement being taken and sample size on model selection and parameter estimation bias based on using the dataset generated by Monte Carlo simulation method. As a result, using BIC and CAIC information criteria, 100% correct decision rate was observed regardless to item response probabilities (weak or strong), and number of measurement (2 or 3) when the sample size increased from 200 to 2000. The findings were discussed in the light of the related literature.