Aracı ve Düzenleyici Değişken: Fark ve Analiz
Basira Editör Ekibi · · 12 dk okuma · Güncellendi: 17 Kasım 2026 · Bilimsel inceleme: Doç. Dr. Hasan Yıldırım
Aa Yazı boyutu
Anahtar çıkarımlar
- Aracı değişken (M) bir etkinin hangi yolla oluştuğunu açıklar (X → M → Y); düzenleyici değişken (W) X ile Y arasındaki ilişkinin hangi koşulda, kimde güçlendiğini ya da zayıfladığını gösterir.
- Aracılıkta sınanan nicelik dolaylı etkidir (a × b); bugün önerilen yol, Baron ve Kenny'nin adımları ya da Sobel testi değil, dolaylı etki için bootstrap güven aralığıdır.
- Düzenleyicilik regresyonda X × W etkileşim terimiyle sınanır; etkileşim varken X'in katsayısı bir ana etki değil, W = 0 noktasındaki koşullu eğimdir.
- Yordayıcıları ortalamaya göre merkezlemek katsayıları yorumlanabilir kılar; etkileşim teriminin katsayısını, t ve p değerini değiştirmez.
- Aracılık nedensel bir iddiadır: zaman sırası ve karıştırıcılar desende çözülmeden kesitsel veriden aracılık sonucu çıkarılamaz.
İçindekiler
Aracı ve düzenleyici değişken, iki değişken arasındaki bir ilişkiye üçüncü bir değişkenin nasıl katıldığını anlatan iki ayrı kavramdır. Aracı değişken etkinin hangi yolla oluştuğunu açıklar: X, M’yi değiştirir; M de Y’yi. Düzenleyici değişken ise X ile Y arasındaki ilişkinin hangi koşulda, kimde güçlendiğini ya da zayıfladığını gösterir ve regresyonda etkileşim terimiyle sınanır.
Aracı ve düzenleyici değişken nedir?
İki kavramı aynı araştırma alanından bir örnekle ayırmak kolaydır. Bir araştırmacı hemşirelerde haftalık çalışma saati (X) ile duygusal tükenme (Y) arasındaki ilişkiyle ilgileniyor. Bu ilişkiye üçüncü bir değişken iki farklı biçimde katılabilir:
- Aracı değişken (mediator, M): Uzun çalışma saatleri uykuyu kısaltıyor, kısa uyku da tükenmeyi artırıyorsa, uyku süresi bir aracıdır. Aracı, “X, Y’yi nasıl ya da neden etkiler?” sorusunu yanıtlar. X’ten etkilenir ve zaman içinde X ile Y arasında durur.
- Düzenleyici değişken (moderator, W): İş arkadaşlarından destek gören hemşirelerde çalışma saatinin tükenmeyle ilişkisi daha zayıfsa, destek bir düzenleyicidir. Düzenleyici, “X ile Y’nin ilişkisi ne zaman, kimde ya da hangi koşulda değişir?” sorusunu yanıtlar. X’in sonucu değildir; ilişkinin gücünü ya da yönünü değiştirir.
Bu ayrımı sosyal bilimlerde yerleştiren çalışma Baron ve Kenny’nin (1986) makalesidir. Aracılıkta değişken, nedensel zincirin bir halkasıdır; düzenleyicilikte ise zincirin dışından, okun kendisine etki eder. Bu yazıda Hayes’in (2022) gösterimi kullanılır: X yordayıcı, Y sonuç, M aracı, W düzenleyici. Değişkenlerin modeldeki rolleri araştırma sorusundan gelir; temel ayrım bağımlı ve bağımsız değişkenler yazısındadır.
Aracı ile düzenleyici değişken arasındaki fark nedir?
Temel fark, üçüncü değişkenin X karşısındaki konumundadır: aracı X’ten etkilenir ve etkiyi Y’ye taşır; düzenleyici X’ten etkilenmez, X ile Y arasındaki ilişkinin gücünü ya da yönünü değiştirir.
| Aracı değişken (M) | Düzenleyici değişken (W) | |
|---|---|---|
| Yanıtladığı soru | X, Y’yi hangi yolla etkiler? | X ile Y’nin ilişkisi hangi koşulda değişir? |
| X ile bağı | X’ten etkilenir, X’ten sonra gelir | X’in sonucu değildir |
| Model | İki denklem: M, X’ten; Y, X ve M’den yordanır | Tek denklem: Y, X, W ve X × W’den yordanır |
| Sınanan nicelik | Dolaylı etki (a × b) | Etkileşim katsayısı (b₃) |
| Önerilen çıkarım | Dolaylı etki için bootstrap güven aralığı | Etkileşim katsayısının t-testi ve güven aralığı; ardından basit eğimler |
| Örnek | Çalışma saati → uyku süresi → tükenme | İş arkadaşı desteği, çalışma saati ile tükenme ilişkisini zayıflatır |
| Sık karışan kavram | Karıştırıcı (X’ten önce gelir, X’in sonucu değildir) | Kontrol değişkeni (yalnız sabit tutulur, ilişkiyi değiştirdiği sınanmaz) |
Aracıyı karıştırıcıdan ayıran şey zaman sırasıdır. Karıştırıcı X’ten önce gelir ve hem X’i hem Y’yi etkiler; aracı ise X’in bir sonucudur. Aynı istatistik tablo, üçüncü değişkenin desendeki yerine göre iki farklı sonuca götürebilir; bu durum korelasyon ve nedensellik yazısında Simpson paradoksuyla gösterilir. Karıştırıcıların nasıl kontrol edildiği ise kontrol edilebilen ve edilemeyen değişkenler yazısındadır.
Cinsiyet, yaş ya da doğum yeri gibi X’ten etkilenemeyecek özellikler aracı olamaz; bu tür değişkenler çoğu zaman düzenleyici ya da kontrol değişkeni olarak modele girer.
Aracı değişken analizi nasıl yapılır?
Basit aracılık modeli iki regresyon denkleminden oluşur. İlki aracıyı X’ten, ikincisi sonucu X ve M’den yordar:
Burada a, X’ten M’ye giden yolun katsayısı; b, X sabit tutulduğunda M’den Y’ye giden yolun katsayısı; c’ ise X’in M’den geçmeyen doğrudan etkisidir. Dolaylı etki iki yol katsayısının çarpımıdır (ab). Sürekli M ve Y ile en küçük kareler regresyonunda toplam etki, doğrudan ve dolaylı etkinin toplamına eşittir (Hayes, 2022):
Burada c, M modele girmeden X’in Y’yi yordadığı basit regresyonun katsayısıdır. Model bir çoklu doğrusal regresyon dizisi olduğu için doğrusallık ve artıklarla ilgili varsayımlar her iki denklem için geçerlidir. Birden çok aracı, paralel olsun (Preacher ve Hayes, 2008) sıralı olsun (Hayes, 2022), aynı regresyon mantığıyla modele eklenebilir; gizil değişkenler ve ölçüm modeli gerektiğinde ise aynı mantık yapısal eşitlik modeli içinde kurulur; ölçüm kısmı doğrulayıcı faktör analizi yazısında anlatılır.
Baron ve Kenny’nin adımları neden yetmez?
Baron ve Kenny (1986) aracılığı dört adımla değerlendirmeyi önermişti: X, Y’yi anlamlı biçimde yordamalı (c); X, M’yi yordamalı (a); X sabitken M, Y’yi yordamalı (b); M modele girince X’in katsayısı küçülmeli (kısmi aracılık) ya da anlamsızlaşmalıdır (tam aracılık). Bu “nedensel adımlar” yaklaşımı uzun süre standart oldu, ama bugün yöntem literatürü üç nedenle ondan uzaklaşmıştır (Hayes, 2009):
- Dolaylı etkiyi doğrudan sınamaz. Karar, ab’nin kendisine değil, a ve b’nin ayrı ayrı anlamlılığına ve c’nin küçülmesine dayanır.
- İlk adım gereksizdir. Dolaylı etki, toplam etki anlamlı olmadan da var olabilir; örneğin doğrudan ve dolaylı etki zıt yönlüyse birbirini götürür. Toplam etkiyi ön koşul saymak gerçek bir aracılığı gözden kaçırır.
- Gücü düşüktür. Birden çok anlamlılık testinin aynı anda tutmasını beklediği için, aynı veride dolaylı etkiyi doğrudan sınayan yöntemlere göre daha sık “aracılık yok” sonucuna varır.
“Tam” ve “kısmi” aracılık etiketleri de örneklem büyüklüğüne bağlıdır: büyük örneklemde küçük bir doğrudan etki bile anlamlı çıkar ve aracılık “kısmi” olur. Hayes (2022) bu etiketler yerine doğrudan ve dolaylı etkinin büyüklüğünün güven aralıklarıyla raporlanmasını önerir.
Dolaylı etki neden bootstrap ile sınanır?
Sobel testi, ab’nin standart hatasını bir yaklaşım formülüyle (delta yöntemi) hesaplar ve ab’nin örnekleme dağılımını normal kabul eder. İki katsayının çarpımının dağılımı ise çoğu zaman çarpıktır; özellikle küçük ve orta büyüklükteki örneklemlerde normal yaklaşım dolaylı etkiyi gözden kaçırmaya yatkındır (Preacher ve Hayes, 2008).
Bootstrap bu varsayımı gerektirmez. Veriden, aynı büyüklükte ve iadeli olarak binlerce yeni örneklem çekilir; her birinde a ve b yeniden kestirilir ve ab hesaplanır. Bu ab değerlerinin oluşturduğu dağılımın alt ve üst yüzdelikleri dolaylı etkinin güven aralığını verir.
Aralık sıfırı içermiyorsa dolaylı etkinin sıfırdan farklı olduğu sonucuna varılır; aralık sıfırı içeriyorsa veri, dolaylı etkinin yönü hakkında karar vermeye yetmez. Raporda aralığın kendisi, yeniden örneklem sayısı ve aralığın türü (yüzdelik ya da yanlılığı düzeltilmiş) yazılır.
Aracılık neden nedensel bir iddiadır?
“M, X’in Y üzerindeki etkisine aracılık eder” demek, X’in M’ye, M’nin de Y’ye neden olduğunu söylemektir. Regresyon katsayıları bu sırayı kanıtlamaz; aynı katsayılar ters bir zincirle de üretilebilir. Maxwell ve Cole (2007), değişkenlerin aynı anda ölçüldüğü kesitsel verilerden kestirilen aracılık etkilerinin, zaman içinde gelişen gerçek süreci ciddi biçimde abartabileceğini ya da küçültebileceğini göstermiştir.
Bu yüzden güçlü bir aracılık iddiası için X, M ve Y’nin zaman sırasıyla ölçülmesi, X’in mümkünse rastgele atanması ve M ile Y’yi birlikte etkileyen karıştırıcıların ölçülüp modele alınması gerekir. X’i rastgele atamak yalnız a yolunu korur; b yolu (M → Y) yine gözlemseldir (Bullock vd., 2010).
İpucu
Kesitsel bir tezde aracılık modeli kurulacaksa sınırlılıklar bölümünde bu açıkça yazılır ve hipotez de buna uygun ifade edilir (hipotez nasıl yazılır).
Düzenleyici değişken nasıl analiz edilir?
Sürekli bir sonuçta düzenleyicilik, X ile W’nin çarpımının modele eklendiği bir regresyonla sınanır (Aiken ve West, 1991):
Burada b₀ sabit, b₁ ve b₂ X’in ve W’nin katsayıları, b₃ çarpım teriminin (etkileşimin) katsayısı, e ise hata terimidir. Aynı denklem X’in eğimini ortaya çıkaracak biçimde yeniden yazılabilir:
Burada , W’nin belirli bir değerinde X’in koşullu eğimidir. Parantezin içi, X’in Y ile ilişkisinin W’ye göre nasıl değiştiğini gösterir. Bu yüzden düzenleyicilik testi b₃’ün testidir: b₃ sıfırdan farklıysa X’in eğimi W’ye bağlıdır.
Aynı nedenle b₁ artık X’in “ana etkisi” değildir; yalnız W = 0 olduğunda X’in eğimidir. W’nin sıfır değeri anlamsızsa (ör. 1–5 arası bir ölçekte sıfır puan), b₁ de anlamsız bir noktanın eğimini verir (Hayes, 2022).
Merkezleme neden yapılır?
Merkezleme, her yordayıcıdan örneklem ortalamasını çıkarmaktır; etkileşim terimi de merkezlenmiş iki sütunun çarpımıyla kurulur. Böylece sıfır noktası ortalamaya taşınır: b₁, W ortalamadayken X’in eğimi; b₂, X ortalamadayken W’nin eğimi olur.
Dikkat
Merkezleme, çarpım terimi ile onu oluşturan değişkenler arasındaki yapay korelasyonu azaltır ve ana terimlerin VIF değerlerini düşürür. Ancak etkileşim katsayısını, standart hatasını, t ve p değerini ya da modelin R² değerini değiştirmez; yani gerçek bir çoklu bağlantı sorununu çözmez, yalnız katsayıları yorumlanabilir kılar (Echambadi ve Hess, 2007).
Düzenleyici kategorik olursa ne değişir?
Düzenleyici cinsiyet ya da uygulama grubu gibi kategorikse kukla değişkenle kodlanır ve model aynı kalır: b₃, X’in eğiminin iki grup arasındaki farkıdır. X de kategorikse model, iki faktörlü varyans analizindeki etkileşim testine karşılık gelir. Sürekli bir düzenleyiciyi ortancadan ikiye bölüp “yüksek” ve “düşük” grup yapmak ise bilgi kaybettirir ve gücü düşürür; değişken sürekli bırakılır (Cohen vd., 2003/2013).
Etkileşim neden zor yakalanır?
Gözlemsel çalışmalarda etkileşim terimi, aynı büyüklükteki bir ana etkiye göre çok daha düşük güçle sınanır; çünkü X ve W’nin uç değerleri birlikte nadiren gözlenir ve çarpım teriminin kendine özgü varyansı küçüktür (McClelland ve Judd, 1993). Bu yüzden düzenleyicilik hipotezi olan bir çalışmanın örneklem büyüklüğü etkileşim etkisine göre planlanır (örneklem büyüklüğü nasıl hesaplanır). Anlamsız bir etkileşim, düzenleyiciliğin olmadığını değil, bu veriyle gösterilemediğini söyler.
Çözümlü örnek: iş arkadaşı desteği, çalışma saati ile tükenme ilişkisini düzenliyor mu?
Bu öğretici veride evet: etkileşim terimi anlamlıdır ve destek arttıkça çalışma saatinin tükenmeyle ilişkisi zayıflar.
Bir hemşirelik araştırmacısı, 40 hemşirede haftalık çalışma saatinin duygusal tükenmeyle ilişkisinin algılanan iş arkadaşı desteğine göre değişip değişmediğini inceliyor. Hipotez şudur: destek arttıkça çalışma saatinin tükenmeyle ilişkisi zayıflar. Destek, maddelerin 1–5 arası ortalamasıdır; tükenme puanı 0–40 arasındadır ve yüksek puan daha çok tükenme demektir. Veri öğretici amaçla hazırlanmıştır.
Analizden önce veri üç sütuna dönüştürülmüştür:
saat_m: her hemşirenin haftalık çalışma saatinden örneklemin ortalama çalışma saati çıkarılmıştır.destek_m: destek puanından örneklemin ortalama destek puanı çıkarılmıştır.saat_x_destek: iki merkezlenmiş sütunun çarpımıdır (saat_m × destek_m).
İlk iki sütunun ortalaması sıfırdır; sıfır, “ortalama hemşire” demektir. Model, tukenme bağımlı değişkeniyle bu üç sütunun en küçük kareler regresyonudur.
| tukenme | saat_m | destek_m | saat_x_destek |
|---|---|---|---|
| 25 | 0 | -1.4 | 0 |
| 34 | 9 | -0.5 | -4.5 |
| 31 | 10 | -0.5 | -5 |
| 14 | -2 | -0.7 | 1.4 |
| 13 | 0 | 0.9 | 0 |
| 26 | 5 | 0.2 | 1 |
| 28 | 2 | -0.2 | -0.4 |
| 17 | -7 | -0.2 | 1.4 |
| 22 | 9 | 0.5 | 4.5 |
| 18 | -8 | -0.6 | 4.8 |
| 15 | -6 | 0.7 | -4.2 |
| 18 | -1 | -0.4 | 0.4 |
İlk 12 satır (toplam 40) · Bu örnekteki tüm sayılar SciPy 1.16.3 ile bağımsız olarak yeniden hesaplanır. Veriyi indirin (CSV)
Model: F(3, 36) = 15.74, p < .001; R² = .57, düzeltilmiş R² = .53. Katsayılar Tablo 1 ve Tablo 2’de verilir; Tablo 2’deki SH standart hatadır.
Tablo 1
Duygusal Tükenmeyi Yordayan Düzenleyicilik Modelinin Katsayıları ve Güven Aralıkları
| Yordayıcı | B | %95 GA | p |
|---|---|---|---|
| Sabit | 19.20 | ||
| Çalışma saati (merkezlenmiş) | 0.53 | [0.31, 0.75] | < .001 |
| Destek (merkezlenmiş) | −3.05 | [−4.63, −1.47] | < .001 |
| Saat × destek (etkileşim) | −0.41 | [−0.68, −0.14] | .004 |
Tablo 2
Katsayıların Standart Hataları, t Değerleri ve VIF Değerleri
| Yordayıcı | SH | t | VIF |
|---|---|---|---|
| Çalışma saati (merkezlenmiş) | 0.11 | 4.92 | 1.01 |
| Destek (merkezlenmiş) | 0.78 | −3.91 | 1.09 |
| Saat × destek (etkileşim) | 0.13 | −3.06 | 1.09 |
Artıklarda normallikten ve eşit varyanstan belirgin bir sapma görülmemiştir. Herhangi bir hemşire tek başına çıkarıldığında etkileşimin anlamlılık kararı değişmemektedir; etkili gözlemlerin nasıl inceleneceği aykırı değer yazısındadır.
Aynı model merkezlenmemiş ham değerlerle kurulsaydı etkileşim satırı (B, SH, t, p) ve R² aynı kalırdı. Değişen, ana terimlerin katsayıları ve VIF değerleri olurdu: ham modelde destek katsayısı, haftada sıfır saat çalışan, yani verinin çok dışında kalan bir hemşirenin eğimini verir; işareti bile değişebilir ve VIF değerleri çok yükselir. Merkezleme bu yanıltıcı okumayı önler.
Etkileşim sonucu nasıl yorumlanır?
Etkileşim önce b₃’ün yönü ve güven aralığıyla, ardından X’in W’nin seçilen değerlerindeki basit eğimleriyle yorumlanır. Tablodaki katsayılar, merkezleme sayesinde doğrudan okunur:
- Etkileşim (b₃): Destek bir puan arttıkça çalışma saatinin eğimi 0,41 puan azalır. Güven aralığı [−0.68, −0.14] sıfırı içermez; hipotezdeki tampon etkisiyle uyumludur.
- Çalışma saati (b₁): Desteği ortalama düzeydeki bir hemşirede haftada bir saat daha uzun çalışmak, tükenme puanında ortalama 0,53 puanlık artışla ilişkilidir. Bu bir ana etki değil, ortalama destek düzeyindeki koşullu eğimdir.
- Destek (b₂): Ortalama süre çalışan bir hemşirede destekteki bir puanlık fark, tükenme puanında ortalama 3,05 puanlık düşüklükle ilişkilidir.
- Sabit (19,20): Çalışma saati ve desteği ortalamada olan bir hemşirenin beklenen tükenme puanıdır.
Etkileşimi okura göstermenin yolu basit eğimlerdir: X’in eğimi, yani , W’nin seçilen değerlerinde hesaplanır. Destek ortalamanın bir puan üstündeyken eğim , bir puan altındayken olur. Seçilen değerler çoğu zaman ortalama ve ortalamanın bir standart sapma altı ve üstüdür; ölçeğin anlamlı noktaları da seçilebilir.
Bir basit eğimin standart hatası ve p değeri için W o değere göre yeniden merkezlenir ve model yeniden kurulur; yeni modeldeki b₁ o noktadaki basit eğimdir (Aiken ve West, 1991). Johnson-Neyman yöntemi ise X’in eğiminin hangi W aralığında anlamlı olduğunu tek tek nokta seçmeden verir (Hayes, 2022). Sonuç, W’nin üç düzeyi için çizilmiş üç regresyon doğrusuyla gösterilir.
Tabloda standartlaştırılmış β sütunu bilerek yoktur: programların çarpım terimi için verdiği β, standartlaştırılmış değişkenlerle kurulmuş bir etkileşimin katsayısı değildir ve bu biçimde yorumlanmaz (Aiken ve West, 1991). Veri kesitseldir; katsayılar bir ilişkiyi tanımlar, desteğin tükenmeyi azalttığını kanıtlamaz.
Aracılık ve düzenleyicilik bulguları nasıl raporlanır?
Düzenleyicilik raporunda modelin bütünü, etkileşim katsayısı güven aralığıyla ve basit eğimler ya da Johnson-Neyman aralığı birlikte verilir. Yukarıdaki örnek APA 7 biçiminde şöyle yazılabilir:
Tezde nasıl yazılır
Çalışma saati ile duygusal tükenme arasındaki ilişkide iş arkadaşı desteğinin düzenleyici rolü, ortalamaya göre merkezlenmiş yordayıcılar ve etkileşim terimiyle kurulan çoklu doğrusal regresyonla sınanmıştır. Model anlamlıdır, F(3, 36) = 15.74, p < .001, R² = .57. Etkileşim terimi anlamlıdır, B = −0.41, %95 GA [−0.68, −0.14], t(36) = −3.06, p = .004: destek arttıkça çalışma saatinin tükenmeyle ilişkisi zayıflamaktadır.
Aracılık raporunda a, b, c’ ve toplam etki c katsayıları standart hatalarıyla, dolaylı etki ab ise bootstrap güven aralığıyla verilir; yeniden örneklem sayısı, aralığın türü ve kullanılan program yöntem bölümüne yazılır. Dolaylı etkinin büyüklüğü için standartlaştırılmış dolaylı etki eklenebilir; etki büyüklüğü yazısındaki ilke burada da geçerlidir: büyüklük, anlamlılıktan ayrı raporlanır. Sayıların biçimi APA istatistik raporlama yazısında, bulguların tezdeki sırası bulgular bölümü yazısında anlatılır.
Sık yapılan hatalar nelerdir?
Aşağıdaki hatalar üç yerde toplanır: değişkenin rolünün seçilmesi, dolaylı etkinin sınanması ve etkileşimli modeldeki katsayıların okunması.
- Rolü veriye bakarak seçmek. Bir değişkenin aracı mı düzenleyici mi olduğu kuramdan ve desenden gelir; iki analizi deneyip anlamlı çıkanı raporlamak birinci tür hata oranını şişirir.
- X’ten etkilenemeyecek bir özelliği aracı yapmak. Cinsiyet ya da yaş bir aracı olamaz; olsa olsa düzenleyici ya da kontrol değişkeni olabilir.
- Toplam etki anlamsız diye aracılığı aramamak. Dolaylı etki toplam etki olmadan da bulunabilir (Hayes, 2009).
- Dolaylı etkiyi Sobel testiyle ya da yalnız adımlarla değerlendirmek. Bootstrap güven aralığı raporlanır (Preacher ve Hayes, 2008).
- Kesitsel veriden süreç iddia etmek. Aynı anda ölçülmüş üç değişkenle kurulan aracılık modeli, zaman içindeki süreci yanlı kestirebilir (Maxwell ve Cole, 2007).
- Etkileşimli modelde b₁’i ana etki diye yorumlamak. b₁, W = 0 noktasındaki eğimdir; W merkezlenmemişse bu nokta verinin dışında kalabilir.
- Merkezlemenin çoklu bağlantıyı çözdüğünü yazmak. Merkezleme yorum içindir; etkileşim testini değiştirmez (Echambadi ve Hess, 2007).
- Sürekli düzenleyiciyi ortancadan bölmek. Güç kaybettirir; etkileşim sürekli değişkenle sınanır.
Aracılık ve düzenleyicilik modelleri, hangi değişkenin hangi rolde olduğu ve hangi kontrol değişkenlerinin girdiği gibi kararlarla tezin yöntem bölümünde önceden tanımlanır; model kurulumu ya da bootstrap ayarları için yöntem desteği alınabilir. Uzmanla Çalış analiz ve yöntem desteğidir; tezi ya da bölümlerini yazmak, bulguları yorumlamak ve savunmak araştırmacının kendi işidir.
Sık sorulan sorular
Bir değişken hem aracı hem düzenleyici olabilir mi?
Aynı hipotezde bir değişkenin tek bir rolü vardır ve rol araştırma sorusuna göre belirlenir; ama bir modelde iki kavram birleşebilir: dolaylı etkinin büyüklüğü bir düzenleyiciye göre değişiyorsa buna düzenlenmiş aracılık (koşullu süreç analizi) denir ve dolaylı etki W’nin farklı değerlerinde ayrı ayrı kestirilir (Hayes, 2022).
Aracılık analizi hangi programla yapılır?
Aynı model her regresyon programında iki denklem olarak kurulabilir; bootstrap için ise hazır araç kullanmak pratiktir. SPSS, SAS ve R için Hayes’in dağıttığı PROCESS makrosu yaygındır (Hayes, 2022); aynı model lavaan gibi yapısal eşitlik modeli paketleriyle de kurulabilir. jamovi’de aracılık analizi modülle eklenir (jamovi programı).
Düzenleyici değişken kategorik olabilir mi?
Evet. Kukla değişkenle kodlanır ve X ile çarpılır; etkileşim katsayısı, X’in eğiminin gruplar arasındaki farkıdır.
Etkileşim terimi anlamsızsa modelden çıkarılır mı?
Hipotez etkileşimse sonucu, güven aralığıyla birlikte raporlanır. Ana terimler yorumlanacaksa etkileşimsiz model ayrıca verilebilir; hangi modelin raporlanacağı veri toplanmadan önce analiz planına yazılır.
Kontrol değişkenleri modele eklenebilir mi?
Evet. Düzenleyicilik modelinde kontrol değişkenleri denkleme ek yordayıcı olarak girer. Aracılık modelinde ise hem M’yi hem Y’yi yordayan denkleme eklenir; böylece a ve b yolları aynı değişkenlere göre ayarlanmış olur (Hayes, 2022).
- #regresyon-analizi
- #regresyon-modeli-yorumlama
- #istatistiksel-degiskenler
- #aracilik-analizi
- #duzenleyici-degisken
Bilimsel inceleme
Makine öğrenmesi ve biyoistatistik alanlarında çalışır; sağlık, fen ve sosyal bilimlerde disiplinlerarası araştırmalarda istatistik danışmanlığı yürütür.
Kaynakça
- Aiken, L. S., & West, S. G. (1991). Multiple regression: Testing and interpreting interactions. Sage.
- Baron, R. M., & Kenny, D. A. (1986). The moderator–mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173–1182.
- Bullock, J. G., Green, D. P., & Ha, S. E. (2010). Yes, but what's the mechanism? (Don't expect an easy answer). Journal of Personality and Social Psychology, 98(4), 550–558.
- Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2013). Applied multiple regression/correlation analysis for the behavioral sciences (3rd ed.). Routledge. (Original work published 2003)
- Echambadi, R., & Hess, J. D. (2007). Mean-centering does not alleviate collinearity problems in moderated multiple regression models. Marketing Science, 26(3), 438–445.
- Hayes, A. F. (2009). Beyond Baron and Kenny: Statistical mediation analysis in the new millennium. Communication Monographs, 76(4), 408–420.
- Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). Guilford Press.
- Maxwell, S. E., & Cole, D. A. (2007). Bias in cross-sectional analyses of longitudinal mediation. Psychological Methods, 12(1), 23–44.
- McClelland, G. H., & Judd, C. M. (1993). Statistical difficulties of detecting interactions and moderator effects. Psychological Bulletin, 114(2), 376–390.
- Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods, 40(3), 879–891.
Kendi verinizde görün
Kavramı kendi verinizde görmek isterseniz Doğrusal Regresyon modülünü örnek veriyle açabilirsiniz. Basira’yı deneyin
İlgili yazılar
İstatistiksel Testler
Regresyon Analizi Nedir? Türleri, Seçimi ve Yorumu
Regresyon analizi nedir? Bir sonucu bir ya da daha çok yordayıcıyla açıklar. Türleri, seçim tablosu, varsayımları ve R², katsayı ile güven aralığının okunuşu.
Basira ·
İstatistiksel Testler
Çoklu Doğrusal Regresyon (Çoklu Regresyon Analizi) Nedir?
Çoklu regresyon analizi nedir? Çoklu doğrusal regresyon sürekli bir sonucu birden çok yordayıcıyla açıklar. Varsayımlar, VIF, çözümlü örnek ve APA raporu.
Basira ·
İstatistiksel Testler
Basit Doğrusal Regresyon Analizi: Varsayımlar ve Örnek
Basit doğrusal regresyon bir sürekli sonucu tek bir yordayıcıyla açıklar. Model, varsayımlar, katsayıların yorumu, çözümlü örnek ve APA raporu.
Basira ·