SPSS İle Düzenleyici Değişken (Moderation) Analizi — Resimli

Düzenleyici Değişken Analizi (Moderation Analysis), üçüncü başka bir “düzenleyici” değişkenin, bir bağımsız değişkenin bir bağımlı değişken üzerindeki etkisinin gücünü veya yönünü etkileyip etkilemediğini incelemek için yapılan istatistiksel analizdir. Bu analiz bazı kaynaklarda Düzenleyici Etki Analizi olarak da geçer. Bu yazıda, “düzenleyici değişken” kavramını, SPSS ile Düzenleyici Etki Analizi’nin nasıl yapılacağını ve elde edilen sonuçların nasıl yorumlanması gerektiğini ele alacağız.

Düzenleyici Değişken Analizi Nedir?

Düzenleyici Değişken Analizi (Moderation Analysis), bir bağımsız değişken ile bağımlı değişken arasındaki ilişkinin, üçüncü bir değişkene (düzenleyici değişkene) bağlı olarak değişip değişmediğini inceleyen analiz türüdür. Bu üçüncü değişken “düzenleyici değişken” (moderator) olarak adlandırılır. Düzenleyici değişken, bağımsız değişkenin bağımlı değişken üzerindeki etkisinin yönünü ya da gücünü değiştirebilir.

Genellikle Regresyon Analizi bağlamında ele alınan Düzenleyici Etki Analizi yaklaşımı, değişkenler arasındaki ilişkinin hangi koşullarda güçlendiğini veya zayıfladığını anlamaya yardımcı olur.

Mesela köpek gezdirme sıklığının mutluluğu arttırıp arttırmadığını merak ediyoruz. Köpek gezdirme sıklığının mutluluk seviyesi üzerindeki etkisine regresyon analizi yaparak baktık ve arttırıyor ya da arttırmıyor diye bulduk. Peki, belki de sadece hava güzelken köpek gezdirme sıklığı mutluluğu arttırıyordur, hava güzel değilken köpek gezdirme sıklığının mutluluk üzerinde etkisi yoktur, bunu test etsek? Düzenleyici Etki Analizi tam da bunu test etmemizi sağlıyor.

Buradaki modelde, hava durumu, köpek gezdirmenin mutluluk üzerindeki etkisini değiştirme potansiyeli olan bir “düzenleyici değişken” olarak devreye giriyor. Hava durumunun köpek gezdirme – mutluluk ilişkisinin istatistiksel anlamlılığını, yönünü veya gücünü değiştirip değiştirmediğini, eğer değiştiriyorsa nasıl değiştirdiğini Düzenleyici Değişken Analizi ile test ediyoruz.

Düzenleyici Etki Analizi’nde düzenleyici değişken (moderator), kategorik yapıda da olabilir sürekli yapıda da, fark etmez. Ben bu yazıda hem düzenleyici değişkenin kategorik yapıda olduğu bir Düzenleyici Etki Analizi örneği hem de düzenleyici değişkenin sayısal değerli yapıda olduğu bir Düzenleyici Etki Analizi örneği gösteriyorum, linklere tıklayarak sayfanın içinde ilgili bölüme geçebilirsiniz.

Düzenleyici Değişken Analizi Örnekleri

Düzenleyici değişken kavramını ilk kez öğrenirken Düzenleyici Etki Analizi’nde tam olarak neyin test edildiğini anlamak biraz zor olabiliyor. Anlaşılmasının kolay olması adına, aşağıda Düzenleyici Etki Analizi’nin uygulama alanlarına dair birkaç örnek yazdım:

• Mesela bir iş yerinde çalışan kişilerin Stres düzeyleri arttıkça o kişilerin Tükenmişlik düzeyleri artıyor mu diye test etmek istiyoruz. Fakat belki de “sadece Algılanan Örgütsel Destek (üçüncü bir değişken, düzenleyici değişken oluyor şu an) düzeyi düşük olan kişilerde Stres arttıkça Tükenmişlik artıyordur; Algılanan Örgütsel Destek düzeyi yüksek olan kişilerde Stres arttıkça Tükenmişlik artmıyordur” belki de. Böyle bir durum olup olmadığını Düzenleyici Etki Analizi yaparak görebiliriz.

• Mesela öğrencilerin Ders Çalışma Süresi arttıkça Akademik Başarıları artıyor mu diye diye test etmek istiyoruz. Fakat belki de “İçsel Motivasyon düzeyi yüksek olan öğrencilerde Ders Çalışma Süresi arttıkça Akademik Başarı daha çok artıyordur ve İçsel Motivasyon düzeyi düşük olan öğrencilerde Ders Çalışma Süresi arttıkça Akademik Başarı daha az artıyordur (yine artıyor yani ama daha az artıyor)”. Bunu Düzenleyici Etki Analizi yaparak test edebiliriz.

• Mesela hastaların Depresyon tedavisi için terapi gördüğünü düşünelim. Terapi Süresi arttıkça Depresyon’un azalmasını bekliyoruz. Fakat “acaba ilaç kullanan hastalarda bu azalış, ilaç kullanmayanlardakine göre anlamlı olarak daha güçlü bir azalış mı?”… Bunu Düzenleyici Etki Analizi yaparak test edebiliriz.

• Mesela zor bir görev yapmaya çalışan bir katılımcı grubu var. Erkekler ve kadınlar olmak üzere ikiye ayrılıyor. Stres düzeyinin Performans üzerindeki etkisini incelemek istiyoruz. “Kadınlarda Stres düzeyi arttıkça Performans yükseliyor mu ve erkeklerde Stres düzeyi arttıkça Performans azalıyor mu, ve kadınlardaki artış ile erkeklerdeki azalış arasında anlamlı fark var mı” diye test etmek için Düzenleyici Etki Analizi yapabiliriz.

Düzenleyici Değişken Analizi sonucunda, her zaman düzenleyici etkinin istatistiksel anlamlılık durumunu da analiz sonuçları arasında görürüz. Yani örneğin “Stres düzeyi Tükenmişlik’i Algılanan Örgütsel Destek düzeyi düşük olanlarda daha çok arttırırken Algılanan Örgütsel Destek düzeyi yüksek olanlarda daha az arttırıyor ve Algılanan Örgütsel Destek düzeyine göre gözlenen bu fark istatistiksel olarak anlamlı bir farktır” şeklinde yorumlar yapabilmemizi sağlıyor.

Düzenleyici Değişken Analizi Kavramsal ve İstatistiksel Modeli

Düzenleyici değişkenin, bağımsız değişkenin bağımlı değişken üzerindeki etkisini kavramsal olarak göstermek ile istatistiksel olarak göstermek birbirinden biraz farklıdır.

Kavramsal olarak genelde Düzenleyici Etki Analizi aşağıdaki gibi gösterilmektedir.

SPSS gibi bir programda Düzenleyici Etki Analizi yapıldığında ise, analiz modelinde istatistiksel olarak aşağıdaki gibi analiz edilmektedir.

Düzenleyici Etki Analizi’nin istatistiksel modelinin, 3 farklı bağımsız değişkenin 1 adet bağımlı değişken üzerindeki etkisinin incelendiği bir Çoklu Doğrusal Regresyon analizine benzediğine dikkatinizi çekerim.

• Bağımsız değişkenin Bağımlı değişken üzerindeki etkisi (X)
• Düzenleyici (Mediator) değişkenin Bağımlı değişken üzerindeki etkisi (M)
• Bağımsız değişken ve Düzenleyici değişkenin etkileşiminin Bağımlı değişken üzerindeki etkisi (X*M)

Şimdi bu analizin SPSS’te nasıl yapıldığına geçelim.

Düzenleyici Değişken Analizi Varsayımları

Düzenleyici Değişken Analizi (Moderation), istatistiksel formül açısından Çoklu Doğrusal Regresyon analizinin bir uzantısı olduğu için, regresyon analizi için geçerli olan bütün varsayımlar düzenleyici değişken analizi için de geçerlidir.

SPSS İle Düzenleyici Değişken Analizi Nasıl Yapılır?

Düzenleyici değişken analizinde inceleyeceğimiz düzenleyici (moderator) veri kategorik veri de olabilir sürekli veri cinsinde de olabilir demiştik. Bu iki moderator değişken için analizi yapmak ve okumak azıcık değişiyor. Bu yüzden bu sayfada hem kategorik veri için hem de sürekli veri için düzenleyici değişken analizi (moderation) yapmayı 2 farklı örnek üzerinden göstereceğim.

SPSS İle Düzenleyici Değişken Analizi (Kategorik Moderator)

Bu örnekte, Köpek Gezdirme Miktarı’nın Hava Durumu’na bağlı olarak Mutluluk seviyesi üzerindeki etkisinin değişip değişmediğini, Düzenleyici Değişken Analizi yaparak inceleyeceğiz. Bu örnekteki bağımsız değişken Köpek Gezdirme Miktarı, düzenleyici değişken Hava Durumu (İyi veya Kötü hava, kategorik), bağımlı değişken ise Mutluluk seviyesidir.

SPSS PROCESS Macro İndirme

SPSS ile Düzenleyici Değişken Analizi yapabilmek için, bilgisayarınızdaki SPSS programına öncelikle PROCESS adlı eklentiyi yüklemeniz gerekmektedir. Çünkü maalesef SPSS’in içinde Düzenleyici Değişken Analizi yapmak için hazır bir analiz fonksiyonu yoktur.

Neyse ki bedava çözülen bir durum bu. Andrew F. Hayes isimli bir istatistikçi tarafından geliştirilen, PROCESS Macro olarak geçen bir eklentiyi ücretsiz olarak SPSS’e eklememiz gerekiyor sadece.

PROCESS Macro web sitesi üzerinden, PROCESS Macro eklentisini ücretsiz olarak bilgisayarınıza indirebilirsiniz. İndirdikten sonra, bu eklentiyi SPSS’e eklemeniz gerekmektedir. Ekleme işi biraz karışık, Türkçe olarak Behçet Hoca’mın YouTube videosunu izleyerek veya İngilizce olarak bu adamın YouTube videosunu izleyerek çok basit şekilde SPSS’e eklemeyi öğrenebilirsiniz.

Yükleyip SPSS’e eklemeyi tamamladıktan sonra, aşağıdaki adımları izleyerek SPSS üzerinde PROCESS Macro eklentisiyle Düzenleyici Değişken Analizi yapmaya başlayabilirsiniz.

Kategorik Moderator İçin SPSS ile Düzenleyici Değişken Analizi Adımları

SPSS’i açıyoruz. Öncelikle, Düzenleyici Değişken Analizi’ne sokacağımız değişkenlerin isimlerini 8 karakter veya daha kısa olacak şekilde ayarlıyoruz. Çünkü PROCESS eklentisi 8 karakterden uzun değişkenler ile analiz yapmaya izin vermiyor.

Yaptıktan sonra;

Analyze -> Regression -> PROCESS v4.2 by Andrew F. Hayes butonlarına basıyoruz. (versiyon değişebilir ama buton hep aynı yerde oluyor)

Bağımlı değişkenimizi “Y Variable” kutusuna koyuyoruz. Bağımsız değişkenimizi “X Variable” kutusuna koyuyoruz. Düzenleyici değişkenimizi ise “Moderator Variable W” kutusuna koyuyoruz.

Sol alttaki Model Number, 1 olarak seçilmelidir. SPSS PROCESS Macro’da Düzenleyici Değişken Analizi yapmak için seçilmesi gereken model, Model 1’dir. Ayrıca buradaki Confidence Intervals %95 olarak ve Number of Bootstrap Samples 5000 resimdeki gibi ayarlı olursa iyi olur.

“Options” butonuna basıyoruz. “Generate code for visualizing interactions” seçeneğini işaretliyoruz.

Continue ve OK butonlarına basarsak artık SPSS PROCESS Macro bizim için Düzenleyici Değişken Analizi’ni başlatacaktır.

Kategorik Moderator İçin Düzenleyici Değişken Analizi SPSS Tablo Yorumlama

Düzenleyici Değişken Analizi’ni başlattıktan sonra PROCESS eklentisi bize SPSS’in normalde verdiği görünümde tablolardan biraz farklı tablolar verecek. Görünüşü biraz ilkel olsa da okumak gereken yerler yine standart yerler, p değeri, R-Square gibi. Aşağıda inceleyelim.

İlk önce, “Model Summary” başlıklı tabloya bakıyoruz.

Tablodaki p değeri 0.0039 yani 0.05’in altında. Bu, kurduğumuz düzenleyici değişken analizi modelinin Mutluluk’taki varyasyonu istatistiksel olarak anlamlı şekilde açıkladığını işaret ediyor. Demek ki, en azından ya bağımsız değişken, ya düzenleyici değişken, ya da ikisinin etkileşimi, bağımlı değişkende anlamlı bir değişime yol açmış.

R-Sq olarak görünen yer, R-Square yani R-Kare değerini ifade eder. Bu 0.0862 çıkmış. Demek ki, kurduğumuz düzenleyici değişken analizi modeli, bağımlı değişken olan Mutluluk’taki varyasyonun %8.62’sini açıklayabiliyormuş. Fena bir oran değil, orta düzey etki büyüklüğüne karşılık geliyor bu. Bağımlı değişken olan Mutluluk’taki varyasyonun geri kalan %91.38’lik kısmı bu modelde bulunmayan sebepler veya şans faktörüne göre gerçekleşiyor demektir bu.

İkinci olarak, “Model” başlıklı tabloya bakıyoruz. Burada bağımsız ve düzenleyici değişkenlerin etkisini daha detaylı göreceğiz.

Burada, “Köpek” satırında bağımsız değişken olan Köpek Gezdirme Miktarı’nın bağımlı değişken olan Mutluluk’a etki edip etmediğini p değerine bakarak görebiliriz. Burada p = 0.0039 çıkmış yani 0.05’ten küçük olduğu için anlamlı. Demek ki köpek gezdirmenin, tek başına mutluluğa etkisi varmış. Coeff değeri -0.5649 yani “Köpek gezdirme miktarında 1 birimlik artış, mutluluk seviyesinde 0.5649 birimlik bir azalışa sebep oluyor” diyebiliriz. (Bu veri seti gerçek verilerden oluşmuyor ben uydurdum)

“Hava” satırında düzenleyici değişken olan Hava Durumu (iyi vs kötü hava) değişkeninin bağımlı değişken olan Mutluluk’a etki edip etmediğini p değerine bakarak görebiliriz. Burada p = 0.0469 çıkmış yani 0.05’ten küçük olduğu için anlamlı. Demek ki hava durumunun da tek başına mutluluğa etkisi varmış.

Bu tabloda bakmamız gereken en önemli yer en alttaki “Int_1” satırı. Burada, interaction effect yani bağımsız ve düzenleyici değişkenlerin birlikte etkileşim etkisini görüyoruz. Bu satırdaki p değerine bakarsak, 0.0018 yani istatistiksel olarak anlamlı. Bu satırdaki p değeri 0.05’ten küçük olursa demek ki anlamlı düzenleyici etki varmış demek oluyor. Düzenleyici etkinin nasıl bir etkisi olduğunu detaylı inceleyeceğiz bir sonraki tabloda.

Model tablosunda Coeff denen yer, normal regresyon analizindeki B değeriyle aynı şeydir. SE standart hata, t test istatistiği demektir (bunların kaç olduğu analiz sonucunu yorumlamak açısından fark etmiyor o yüzden pas geçiyorum). LLCI %95 güven aralığındaki alt güven aralığı sınırı, ULCI de %95 güven aralığında üst güven aralığı sınırı anlamına gelmektedir.

Bu analizi Bootstrap yani yeniden örnekleme yoluyla yapmıştık. Ve %95 güven aralığı belirlemiştik. Bootstrap yöntemiyle yapılan böyle analizlerde bir satırda p değeri 0.05’in altındaysa yani anlamlı etki varsa, o satırdaki LLCI ve ULCI’nin değerleri arasında 0 değeri yer almaz. Ya ikisi de pozitif olur ya da ikisi de negatif olur.

Hava Durumu’nun istatistiksel olarak anlamlı bir düzenleyici etkisi olduğunu bulduk yani. Şimdi anlamlı çıkan düzenleyici etkiyi daha derinlemesine inceleyelim.

Üçüncü ve son olarak, düzenleyici etkiyi daha da derinlemesine incelemek amacıyla, düzenleyici değişkenin bağımsız ve bağımlı değişkenin ilişkisini nasıl değiştirdiğini gösteren bu “Conditional effects” tablosuna bakıyoruz.

En sol sütundaki değerler Hava Durumu değişkeninin nasıl kodlandığına göre belirlenir. Bizim bu örnekteki veri setinde veride Hava Durumu’nun alabileceği değerler 1 = Kötü Hava; 2 = İyi Hava şeklinde kodlanmıştı.

1 yani Kötü Hava satırına bakalım. Buradaki p değeri 0.0009 yani istatistiksel olarak anlamlı. Demek ki, “Hava kötü iken köpek gezdirmek mutluluk üzerinde anlamlı bir etkiye sahip” diyebiliriz. Ne yönde bir etkiye sahip olduğunu söylemek için Effect sütununa bakmalıyız. Burada Effect -0.3172 çıkmış. Yani, “Hava kötüyken köpek gezdirme miktarı 1 birim arttığında, mutluluk miktarı ortalama 0.3172 birim azalmaktadır” şeklinde bir sonuca varabiliriz.

2 yani İyi Hava satırına bakalım. Aynı mantıkla gideceğiz. Burada p değeri 0.1116 yani 0.05’in üstünde, yani istatistiksel olarak anlamsız. Bu da demek oluyor ki, “Hava iyiyken köpek gezdirme miktarı, mutluluk üzerinde anlamlı bir etkiye sahip değildir”.

Dikkat ederseniz düzenleyici değişkenin olmadığı durumda “Köpek gezdirme miktarı mutluluk seviyesini değiştiriyor” şeklinde bir sonuç bulmuştuk. Ama sonra düzenleyici değişkeni de analize dahil ettiğimiz zaman, “Yalnızca hava kötü iken köpek gezdirme miktarı mutluluk seviyesini etkiliyor (köpek gezdirme miktarı arttıkça mutluluk seviyesi azaltıyor); hava iyiyken köpek gezdirme miktarı mutluluk seviyesini etkilemiyor ” şeklinde, daha nokta atışı bir sonuç bulduk. İşte Düzenleyici Değişken Analizi’nin faydası budur.

SPSS İle Düzenleyici Değişken Analizi (Devamlı Veri Moderator)

Bu örnekte, Köpek Gezdirme Miktarı’nın Hava Durumu’na bağlı olarak Mutluluk seviyesindeki etkisini Düzenleyici Değişken Analizi ile inceleyeceğiz. Bu örnekteki bağımsız değişken Köpek Gezdirme Miktarı, düzenleyici değişken Hava Durumu (hava sıcaklığı, sayısal veri), bağımlı değişken ise Mutluluk seviyesidir.

Deminki örnekte hava durumunu kategorik olarak (iyi hava – kötü hava) ele almıştık. Bu seferki örnekte ise hava durumunu sayısal veri olarak (rakam cinsinden hava sıcaklığı) ele alıyoruz.

SPSS PROCESS Macro İndirme

SPSS ile Düzenleyici Değişken Analizi yapabilmek için, bilgisayarınızdaki SPSS programına öncelikle PROCESS adlı eklentiyi yüklemeniz gerekmektedir. Çünkü maalesef SPSS’in içinde Düzenleyici Değişken Analizi yapmak için hazır bir analiz fonksiyonu yoktur.

Neyse ki bedava çözülen bir durum bu. Andrew F. Hayes isimli bir istatistikçi tarafından geliştirilen, PROCESS Macro olarak geçen bir eklentiyi ücretsiz olarak SPSS’e eklememiz gerekiyor sadece.

PROCESS Macro web sitesi üzerinden, PROCESS Macro eklentisini ücretsiz olarak bilgisayarınıza indirebilirsiniz. İndirdikten sonra, bu eklentiyi SPSS’e eklemeniz gerekmektedir. Ekleme işi biraz karışık, Türkçe olarak Behçet Hoca’mın YouTube videosunu izleyerek veya İngilizce olarak bu adamın YouTube videosunu izleyerek çok basit şekilde SPSS’e eklemeyi öğrenebilirsiniz.

Yükleyip SPSS’e eklemeyi tamamladıktan sonra, aşağıdaki adımları izleyerek SPSS üzerinde PROCESS Macro eklentisiyle Düzenleyici Değişken Analizi yapmaya başlayabilirsiniz.

Sayısal Yapıdaki Moderator İçin SPSS ile Düzenleyici Değişken Analizi Adımları

SPSS’i açıyoruz. Öncelikle, Düzenleyici Değişken Analizi’ne sokacağımız değişkenlerin isimlerini 8 karakter veya daha kısa olacak şekilde ayarlıyoruz. Çünkü PROCESS eklentisi 8 karakterden uzun değişkenler ile analiz yapmaya izin vermiyor.

Yaptıktan sonra;

Analyze -> Regression -> PROCESS v4.2 by Andrew F. Hayes butonlarına basıyoruz. (versiyon değişebilir ama buton hep aynı yerde oluyor)

Bağımlı değişkenimizi “Y Variable” kutusuna koyuyoruz. Bağımsız değişkenimizi “X Variable” kutusuna koyuyoruz. Düzenleyici değişkenimizi ise “Moderator Variable W” kutusuna koyuyoruz.

Sol alttaki Model Number, 1 olarak seçilmelidir. SPSS PROCESS Macro’da Düzenleyici Değişken Analizi yapmak için seçilmesi gereken model, Model 1’dir. Ayrıca buradaki Confidence Intervals %95 olarak ve Number of Bootstrap Samples 5000 resimdeki gibi ayarlı olursa iyi olur.

Options butonuna basıyoruz. Yeni açılacak pencerede ok işaretliyle gösterilen üç seçeneği de işaretliyoruz.

Continue ve OK butonlarına basarsak artık SPSS PROCESS Macro bizim için Düzenleyici Değişken Analizi’ni başlatacaktır.

Sayısal Yapıdaki Moderator İçin Düzenleyici Değişken Analizi SPSS Tablo Yorumlama

Düzenleyici Değişken Analizi’ni başlattıktan sonra PROCESS eklentisi bize SPSS’in normalde verdiği görünümde tablolardan biraz farklı tablolar verecek. Görünüşü biraz ilkel olsa da okumak gereken yerler yine standart yerler, p değeri, R-Square gibi. Aşağıda inceleyelim.

İlk önce, “Model Summary” başlıklı tabloya bakıyoruz.

Tablodaki p değeri 0.0015 yani 0.05’in altında. Bu, kurduğumuz düzenleyici değişken analizi modelinin Mutluluk’taki varyasyonu istatistiksel olarak anlamlı şekilde açıkladığını işaret ediyor. Demek ki, en azından ya bağımsız değişken, ya düzenleyici değişken, ya da ikisinin etkileşimi, bağımlı değişkende anlamlı bir değişime yol açmış.

R-Sq olarak görünen yer, R-Square yani R-Kare değerini ifade eder. Bu 0.0986 çıkmış. Demek ki, kurduğumuz düzenleyici değişken analizi modeli, bağımlı değişken olan Mutluluk’taki varyasyonun %9.86’sını açıklayabiliyormuş. Fena bir oran değil, orta düzey etki büyüklüğüne karşılık geliyor bu. Bağımlı değişken olan Mutluluk’taki varyasyonun geri kalan %90.14’lük kısmı bu modelde bulunmayan sebepler veya şans faktörüne göre gerçekleşiyor demektir bu.

İkinci olarak, “Model” başlıklı tabloya bakıyoruz. Burada bağımsız ve düzenleyici değişkenlerin etkisini daha detaylı göreceğiz.

Burada, “Köpek” satırında bağımsız değişken olan Köpek Gezdirme Miktarı’nın bağımlı değişken olan Mutluluk’a etki edip etmediğini p değerine bakarak görebiliriz. Burada p = 0.0413 çıkmış yani 0.05’ten küçük olduğu için anlamlı. Demek ki köpek gezdirme miktarının, tek başına mutluluğa etkisi varmış. Coeff değeri -0.0836 yani “Köpek gezdirme miktarında 1 birimlik artış, mutluluk seviyesinde 0.0836 birimlik bir azalışa sebep oluyor” diyebiliriz. (Bu veri seti gerçek verilerden oluşmuyor ben uydurdum)

“Hava” satırında düzenleyici değişken olan Hava Durumu (hava sıcaklığı yani) değişkeninin bağımlı değişken olan Mutluluk’a etki edip etmediğini p değerine bakarak görebiliriz. Burada p = 0.0085 çıkmış yani 0.05’ten küçük olduğu için anlamlı. Demek ki hava sıcaklığının da tek başına mutluluğa etkisi varmış. Coeff değeri -0.1182 yani “Hava sıcaklığındaki 1 birimlik artış, mutluluk seviyesinde 0.1182 birimlik bir azalışa sebep oluyor” diyebiliriz.

Bu tabloda bakmamız gereken en önemli yer en alttaki “Int_1” satırı. Burada, interaction effect yani bağımsız ve düzenleyici değişkenlerin birlikte etkileşim etkisini görüyoruz. Bu satırdaki p değerine bakarsak, 0.0344 yani istatistiksel olarak anlamlı. Bu satırdaki p değeri 0.05’ten küçük olursa demek ki anlamlı düzenleyici etki varmış demek oluyor. Düzenleyici etkinin nasıl bir etkisi olduğunu detaylı inceleyeceğiz bir sonraki tabloda.

Model tablosunda Coeff denen yer, normal regresyon analizindeki B değeriyle aynı şeydir. SE standart hata, t test istatistiği demektir (bunların kaç olduğu analiz sonucunu yorumlamak açısından fark etmiyor o yüzden pas geçiyorum). LLCI %95 güven aralığındaki alt güven aralığı sınırı, ULCI de %95 güven aralığında üst güven aralığı sınırı anlamına gelmektedir.

Bu analizi Bootstrap yani yeniden örnekleme yoluyla yapmıştık. Ve %95 güven aralığı belirlemiştik. Bootstrap yöntemiyle yapılan böyle analizlerde bir satırda p değeri 0.05’in altındaysa yani anlamlı etki varsa, o satırdaki LLCI ve ULCI’nin değerleri arasında 0 değeri yer almaz. Ya ikisi de pozitif olur ya da ikisi de negatif olur.

Hava Durumu’nun istatistiksel olarak anlamlı bir düzenleyici etkisi olduğunu bulduk yani. Şimdi anlamlı çıkan düzenleyici etkiyi daha derinlemesine inceleyelim.

Üçüncü ve son olarak, düzenleyici etkiyi daha da derinlemesine incelemek amacıyla, düzenleyici değişkenin bağımsız ve bağımlı değişkenin ilişkisini nasıl değiştirdiğini gösteren bu “Conditional effects” tablosuna bakıyoruz.

En sol sütundaki değerler Hava Sıcaklığı’nı belirtir. SPSS PROCESS Macro, düzenleyici değişken analizi yaparken, sürekli veri tipinde olan bir düzenleyici değişken var ise bunu daha kolay analiz edebilmek için üç farklı seviyeye ayırarak gruplar: aşağıdaki tabloda en üstteki satır hava sıcaklığının ortalamanın altında olduğu, ortadaki satır hava sıcaklığının ortalama düzeyde olduğu, en alttaki satır da hava sıcaklığının ortalamanın üstünde olduğu durumlarda Köpek Gezdirme Miktarı’nın Mutluluk üzerindeki etkisi hakkında bilgileri gösterir.

En üstteki satıra bakalım. Buradaki p değeri 0.0035 yani istatistiksel olarak anlamlı. Demek ki, “Hava sıcaklığı ortalamadan soğuk olduğu zaman köpek gezdirme miktarı mutluluk üzerinde bir etkiye sahip” diyebiliriz. Ne yönde bir etkiye sahip olduğunu söylemek için Effect sütununa bakmalıyız. Burada Effect -0.8084 çıkmış. Yani, “Hava sıcaklığı ortalamadan düşükken köpek gezdirme miktarı 1 birim arttığında, mutluluk miktarı ortalama 0.8084 birim azalmaktadır” şeklinde bir sonuca varabiliriz.

Ortadaki satıra bakalım. Aynı mantıkla gideceğiz. Buradaki p değeri 0.0098 yani yine istatistiksel olarak anlamlı. Demek ki, “Hava sıcaklığı ortalama düzeyde olduğu zaman köpek gezdirme miktarı mutluluk üzerinde bir etkiye sahip” diyebiliriz. Ne yönde bir etkiye sahip olduğunu söylemek için Effect sütununa bakmalıyız. Burada Effect -0.4870 çıkmış. Yani, “Hava sıcaklığı ortalama düzeyde iken köpek gezdirme miktarı 1 birim arttığında, mutluluk miktarı ortalama 0.4870 birim azalmaktadır” şeklinde bir sonuca varabiliriz.

En alttaki satıra bakalım. Burada p değeri 0.3174 yani 0.05’in üstünde, yani istatistiksel olarak anlamsız. Bu da demek oluyor ki, “Hava sıcaklığı ortalamadan yüksek olduğunda köpek gezdirme miktarı, mutluluk üzerinde anlamlı bir etkiye sahip değildir”.

Sonuç olarak, “Hava sıcaklığı düşük veya ortalama düzeyde olduğunda, köpek gezdirme miktarı arttıkça, mutluluk seviyesi azalmaktadır. Hava sıcaklığı yüksek olduğunda ise köpek gezdirme miktarı ile mutluluk seviyesi arasında bir ilişki görülmez.” şeklinde bir yorumlama yapıp analizi sonuçlandırabiliriz.

Dikkat ederseniz yalnızca “Köpek gezdirme miktarı mutluluk seviyesini değiştiriyor mu?” şeklinde bir analiz yaparsak, “Evet köpek gezdirme miktarı mutluluk seviyesini değiştiriyor” şeklinde bir sonuç bulurduk. Ama düzenleyici değişken olan hava durumunu modele dahil ederek düzenleyici etki analizi yaptığımız zaman, “Yalnızca hava sıcaklığı düşük veya ortalama düzeyde iken köpek gezdirme miktarı mutluluk seviyesini değiştiriyor (köpek gezdirme miktarı arttıkça mutluluk seviyesi azalıyor); fakat hava sıcaklığı yüksek iken köpek gezdirme miktarı mutluluk seviyesini değiştirmiyor” şeklinde, daha detaylı bir sonuç bulduk. İşte Düzenleyici Değişken Analizi’nin faydası budur.

Düzenleyici etki kavramı, kategorik yapıdaki düzenleyici değişken ile SPSS’te düzenleyici etki analizi ve sayısal yapıdaki düzenleyici değişken ile SPSS’te düzenleyici etki analizi hakkında bilinmesi gereken temel bilgiler bunlardı. Okuduğunuz için teşekkürler, çalışmalarınızda başarılar diliyorum.