İçindekiler
Düzenleyici değişken analizi (moderation analysis), araştırmacıların bir bağımsız değişkenin bağımlı değişken üzerindeki etkisini daha iyi anlamalarını sağlayan bir istatistiksel yöntemdir. Bu analiz, araştırmacıların, sosyal, psikolojik veya ekonomik faktörlerin sonuçları nasıl etkilediğini belirlemesine yardımcı olur. Bu makalede, düzenleyici değişken analizinin ne olduğunu, varsayımlarını, SPSS ile nasıl yapılacağını ve elde edilen sonuçların nasıl yorumlanması gerektiğini ele alacağız.
Düzenleyici Değişken Analizi Nedir?
Düzenleyici değişken analizi (moderation analysis), bir veya daha fazla bağımsız değişken ile bir bağımlı değişken arasındaki korelasyon ilişkisini etkileyen üçüncü bir değişkenin (düzenleyici değişkenin) varlığını belirtir. Burada, üçüncü değişkene düzenleyici değişken denir (moderator). Bu değişken, bağımsız değişkenin bağımlı değişkeni nasıl etkilediği üzerinde bir etkiye sahiptir (moderation effect). Düzenleyici değişken analizi, genellikle regresyon analizinden sonra yapılır. İsterseniz aşağıdaki örneğe bakalım.
Mesela köpek gezdirme sıklığının mutluluğu arttırıp arttırmadığını merak ediyoruz. Korelasyona baktık ve arttırıyor ya da arttırmıyor diye bulduk. Peki, belki de sadece hava güzelken köpek gezdirme sıklığı mutluluğu arttırıyordur, bunu test etsek? Moderation analizi tam olarak burada devreye giriyor.
Buradaki modelde, hava durumu, köpek gezdirmek ile mutluluk seviyesi arasına giriyor. Bunun köpek – mutluluk ilişkisini değiştirip değiştirmediğini, eğer değiştiriyorsa nasıl değiştirdiğini düzenleyici değişken analizi ile test ediyoruz.
Düzenleyici değişken (moderator), kategorik veri de olabilir sürekli veri de, fark etmez.
Düzenleyici Değişken Analizi Varsayımları
Düzenleyici değişken analizi (moderation), genellikle regresyon analizinden sonra veri setindeki değişkenlerin birbirine etkisini daha derinlemesine incelemek amacıyla yapıldığı için, regresyon analizi için geçerli olan bütün varsayımlar genellikle düzenleyici değişken analizi için de geçerlidir.
Genelde yapıldığı gibi moderation analizine başlama noktasına gelmeden önce bir regresyon analizi yaptıysanız zaten varsayımlar yeterince karşılanmış demektir. Bu sayfadaki yazıyı uzatmayıp doğrudan moderation analizine geçmek için varsayımları burada tekrarlamayacağım. Eğer görmek isterseniz regresyon analizi varsayımları linkine tıklayarak bakabilirsiniz.
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 miktarının hava durumuna bağlı olarak mutluluk seviyesindeki etkisini düzenleyici değişken analizi ile inceleyeceğiz. Bu örnekteki bağımsız değişken köpek gezdirme miktarı, düzenleyici değişken hava durumu (iyi 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 ilginç bir şekilde SPSS’in içinde düzenleyici değişken analizi yapmak için hazır bir moderation analizi fonksiyonu yoktur.
PROCESS web sitesi üzerinden, PROCESS eklentisini ücretsiz olarak bilgisayarınıza indirebilirsiniz. İndirdikten sonra, bu eklentiyi SPSS’e eklemeniz gerekmektedir. Ekleme işi biraz karışık, bu adamın YouTube videosunu izleyerek çok basit şekilde SPSS’e eklemeyi öğrenebilirsiniz.
PROCESS eklentisi, bazı yerlerde PROCESS MACRO olarak da geçer.
Yükledikten sonra, aşağıdaki adımları izleyerek SPSS PROCESS ile düzenleyici değişken analizi yapmaya başlayabilirsiniz.
Kategorik Moderator İçin SPSS ile Düzenleyici Değişken Analizi Adımları
SPSS’i açıyoruz. Öncelikle, düzenleyici değişken analizine 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 moderation (düzenleyici değişken) analizi yapmak için seçilmesi gereken model, Model 1’dir. Ayrıca buradaki confidence intervals ve number of bootstrap samples resimdeki gibi ayarlı olursa daha iyi olur.
“Options” butonuna basıyoruz. “Generate code for visualizing interactions” seçeneğini işaretliyoruz.
Continue ve OK butonlarına basarsak artık SPSS PROCESS Macro düzenleyici değişken analizini başlatacaktır.
Kategorik Moderator İçin Düzenleyici Değişken Analizi SPSS Tablo Yorumlama
Düzenleyici değişken analizini başlattıktan sonra PROCESS eklentisi bize SPSS’in normalde verdiği görünümde tablolardan biraz farklı tablolar verecek. Görünüşü farklı 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, düzenleyici değişken analizimizden istatistiksel olarak anlamlı bir sonuç geldiğini işaret ediyor. Demek ki, 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 istatistik modeli, bağımlı değişkendeki varyasyonun %8.62’sini açıklayabiliyormuş. Fena bir oran değil. Bağımlı değişkendeki 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 Köpek gezdirme bağımsız değişkeninin Mutluluk bağımlı değişkenine 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 hava durumu düzenleyici değişkeninin Mutluluk bağımlı değişkenine 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.
Bakmamız gereken en önemli yer en alttaki “Int_1” satırı. Burada, interaction effect yani bağımsız ve düzenleyici değişkenlerimizin birlikte etkileşim etkisini görüyoruz. p değerine bakarsak, 0.0018 yani istatistiksel olarak anlamlı. Etkileşim etkisini bir sonraki tabloda detaylı inceleyeceğiz.
Model tablosunda Coeff denen yer, normal regresyondaki B değeri demektir. LLCI %95 güven aralığında alt sınır, ULCI de %95 güven aralığında üst sınır demektir.
Eğer p değeri 0.05’in altındaysa, LLCI ve ULCI’nin değerleri arasında 0 değeri yer almaz. Ya ikisi de pozitif olur ya da ikisi de negatif olur.
Üçüncü ve son olarak, etkiyi daha da derinlemesine incelemek adına, 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. Biz bu örnekteki veri setindeki veride Hava Durumu’nun alabileceği değerleri 1 = Hava Kötü; 2 = Hava İyi diye kodlamıştık.
1 yani Hava Kötü satırına bakalım. Buradaki p değeri 0.0009 yani istatistiksel olarak anlamlı. Demek ki, “Hava kötü iken köpek gezdirmek mutluluk üzerinde 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 Hava İyi 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 İyi olduğunda köpek gezdirme miktarı, mutluluk üzerinde anlamlı bir etkiye sahip değildir”.
Dikkat ederseniz moderator yani 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 değiştiriyor (köpek gezdirme miktarı arttıkça mutluluk seviyesi azaltıyor). Hava iyiyken köpek gezdirme miktarı mutluluk seviyesini değiştirmiyor” şeklinde, daha detaylı bir sonuç bulduk. İşte düzenleyici değişken analizinin faydası budur.
SPSS İle Düzenleyici Değişken Analizi (Devamlı Veri Moderator)
Bu örnekte, köpek gezdirme miktarının hava durumuna bağlı olarak mutluluk seviyesindeki etkisini düzenleyici değişken analizi ile inceleyeceğiz. Bu örnekteki bağımsız değişken köpek gezdirme miktarı, düzenleyici değişken hava durumu (hava sıcaklığı, devamlı veri), 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 ilginç bir şekilde SPSS’in içinde düzenleyici değişken analizi yapmak için hazır bir moderation analizi fonksiyonu yoktur.
PROCESS web sitesi üzerinden, PROCESS eklentisini ücretsiz olarak bilgisayarınıza indirebilirsiniz. İndirdikten sonra, bu eklentiyi SPSS’e eklemeniz gerekmektedir. Ekleme işi biraz karışık, bu adamın YouTube videosunu izleyerek çok basit şekilde SPSS’e eklemeyi öğrenebilirsiniz.
PROCESS eklentisi, bazı yerlerde PROCESS MACRO olarak da geçer.
Yükledikten sonra, aşağıdaki adımları izleyerek SPSS PROCESS ile düzenleyici değişken analizi yapmaya başlayabilirsiniz.
Devamlı Veri Moderator İçin SPSS ile Düzenleyici Değişken Analizi Adımları
SPSS’i açıyoruz. Öncelikle, düzenleyici değişken analizine 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 moderation (düzenleyici değişken) analizi yapmak için seçilmesi gereken model, Model 1’dir. Ayrıca buradaki confidence intervals ve number of bootstrap samples resimdeki gibi ayarlı olursa daha iyi olur.
Options butonuna basıyoruz. Yeni açılacak pencerede ok işaretliyle gösterilen üç seçeneği de işaretliyoruz.
Continue ve OK butonlarına basarak PROCESS MACRO SPSS moderation analizini başlatıyoruz.
Devamlı Veri Moderator İçin Düzenleyici Değişken Analizi SPSS Tablo Yorumlama
Düzenleyici değişken analizini başlattıktan sonra PROCESS eklentisi bize SPSS’in normalde verdiği görünümde tablolardan biraz farklı tablolar verecek. Görünüşü farklı 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, düzenleyici değişken analizimizden istatistiksel olarak anlamlı bir sonuç geldiğini işaret ediyor. Demek ki, 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 istatistik modeli, bağımlı değişkendeki varyasyonun %9.86’sını açıklayabiliyormuş. Fena bir oran değil. Bağımlı değişkendeki 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 Köpek gezdirme miktarı bağımsız değişkeninin Mutluluk bağımlı değişkenine 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 hava sıcaklığı düzenleyici değişkeninin Mutluluk bağımlı değişkenine 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.
Bakmamız gereken en önemli yer en alttaki “Int_1” satırı. Burada, interaction effect yani bağımsız ve düzenleyici değişkenlerimizin birlikte etkileşim etkisini görüyoruz. p değerine bakarsak, 0.0344 yani istatistiksel olarak anlamlı. Etkileşim etkisini bir sonraki tabloda detaylı inceleyeceğiz.
Model tablosunda Coeff denen yer, normal regresyondaki B değeri demektir. LLCI %95 güven aralığında alt sınır, ULCI de %95 güven aralığında üst sınır demektir.
Eğer p değeri 0.05’in altındaysa, LLCI ve ULCI’nin değerleri arasında 0 değeri yer almaz. Ya ikisi de pozitif olur ya da ikisi de negatif olur.
Üçüncü ve son olarak, etkiyi daha da derinlemesine incelemek adına, 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 düzenleyici değişken analizi yaparken, sürekli veri tipinde olan bir düzenleyici değişken var ise bunu daha kolay analiz edebilmek için üç farklı gruba ayırarak gruplar: aşağıdaki tabloda en üstteki satır hava sıcaklığının ortalamanın altında olduğu, ortadaki satır hava sıcaklığının ortalama olduğu, en alttaki satır da hava sıcaklığının ortalamanın üstünde olduğu durumlardaki etkileşim 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 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 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 olduğunda, köpek gezdirme miktarı arttıkça, mutluluk seviyesi azalmaktadır. Hava sıcaklığı yüksek olduğunda köpek gezdirme miktarı ile mutluluk seviyesi arasında bir ilişki görülmez.” şeklinde bir yorumlama yapıp konuyu kapatabiliriz.
Burada, hava sıcaklığı düşük, ortalama, yüksek diye gruplandırmayı SPSS PROCESS uygulamasının kendisinin yaptığını tekrar belirtmekte fayda var. Bu örnekte hava sıcaklığı, sürekli veri cinsindedir fakat program bunu daha kolay analiz edebilmek için kendi formüllerini uygulayıp bunu
Dikkat ederseniz moderator yani 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 veya ortalama iken köpek gezdirme miktarı mutluluk seviyesini değiştiriyor (köpek gezdirme miktarı arttıkça mutluluk seviyesi azalıyor). Hava iyiyken köpek gezdirme miktarı mutluluk seviyesini değiştirmiyor” şeklinde, daha detaylı bir sonuç bulduk. İşte düzenleyici değişken analizinin faydası budur.
Bir yanıt bırakın