Hayes PROCESS ile düzenleyici değişken analizi nasıl yapılır?
Güncelleme tarihi: 11 Eyl
Hayes PROCESS ile düzenleyici değişken analizi, bağımsız değişken ile bağımlı değişken arasındaki ilişkinin bir başka değişkene göre farklılaşıp farklılaşmadığını incelemek için kullanılır. Tek bir düzenleyici değişken içeren basit model, PROCESS içinde Model 1 ile kurulabilir. Bu modelde bağımsız değişken X, bağımlı değişken Y ve düzenleyici değişken W alanına yerleştirilir. Analizde temel olarak X ile W’nin etkileşimi test edilir; ardından X’in Y ile ilişkisinin W’nin farklı düzeylerinde nasıl değiştiği değerlendirilir.
Örneğin iş stresi ile iş doyumu arasındaki ilişkinin yönetici desteğine göre değiştiğini araştırıyor olabiliriz. Böyle bir çalışmada stres X, doyum Y ve destek W değişkenidir. Bu rehberde sürekli puanlardan oluşan bu örnek üzerinden model kurma ve çıktı yorumlama aşamalarını açıklayacağız. Kavramı ilk kez öğreniyorsanız uygulamaya başlamadan önce düzenleyici değişken nedir? yazımızı inceleyebilirsiniz.
PROCESS Model 1 ne zaman kullanılır?
Model 1, tek bir düzenleyicinin X ile Y arasındaki ilişkideki rolünü inceleyen basit düzenleyicilik modelidir. Modelde X, W ve bu iki değişkenin çarpımından oluşan etkileşim terimi bulunur. W sürekli veya uygun biçimde kodlanmış kategorik bir değişken olabilir. Araştırmada aracılık yolları, birden fazla düzenleyici veya daha karmaşık etkileşimler varsa model seçimi buna göre yeniden değerlendirilmelidir.
Model numarası, daha önce benzer bir çalışmada kullanılmış olmasına bakılarak seçilmemelidir. Önce hangi değişkenin hangi ilişkiyi düzenlediği açıkça tanımlanmalıdır. Ardından kuramsal model ile PROCESS modelinin aynı ilişkileri temsil edip etmediği kontrol edilmelidir. Araştırma sorularınıza uygun modelin belirlenmesi için istatistiksel analiz danışmanlığı hizmetimizin kapsamını inceleyebilirsiniz.
1. Verileri analize hazırlayın
PROCESS’i açmadan önce her satırın bir gözlemi, her sütunun bir değişkeni temsil ettiği veri düzenini kontrol edin. Ölçek kullanıyorsanız ters maddeleri yeniden kodlayın ve puanları ölçeğin özgün yönergesine göre hesaplayın. Eksik verileri, hatalı değerleri ve analiz üzerinde aşırı etkili olabilecek gözlemleri inceleyin. Çıktıda kullanılan örneklem büyüklüğünün, veri dosyanızdaki toplam katılımcı sayısıyla aynı olup olmadığını da kontrol etmeniz gerekir.
Örneğimizde kullanılacak değişkenler aşağıdaki gibidir:
Değişken | Modeldeki rolü | PROCESS alanı |
İş doyumu puanı | Bağımlı değişken | Y |
İş stresi puanı | Bağımsız değişken | X |
Yönetici desteği puanı | Düzenleyici değişken | W |
Bu rehberde sürekli bağımlı değişken için doğrusal regresyon yaklaşımı kullanılmaktadır. Model biçimi, gözlemlerin bağımsızlığı, artıkların dağılımı ve değişen varyans gibi konular değerlendirilmelidir. Aynı kurum veya sınıf içinde kümelenmiş gözlemler bulunuyorsa standart regresyonun bağımsızlık varsayımı sorun oluşturabilir. PROCESS’in çıktı üretmesi, bu kontrollerin yapılmış olduğu anlamına gelmez.
2. PROCESS ekranında Model 1’i seçin
PROCESS özel iletişim kutusu kurulmuşsa SPSS’te genellikle Analyze → Regression → PROCESS yolundan açılır. Ekranın görünümü ve seçeneklerin yerleri, kurulu sürüme göre farklılaşabilir. Menüde PROCESS görünmüyorsa iletişim kutusunun kurulumu ile makronun çalıştırılmasının ayrı işlemler olduğunu dikkate alın. Buradaki adımlar, PROCESS’in kullanıma hazır olduğu varsayımıyla verilmiştir.
Modeli şu şekilde kurun:
Y Variable alanına iş doyumu değişkenini yerleştirin.
X Variable alanına iş stresi değişkenini yerleştirin.
W Variable alanına yönetici desteği değişkenini yerleştirin.
Model Number alanından 1 numaralı modeli seçin.
Kuramsal olarak gerekçelendirilmiş kontrol değişkenleri varsa ilgili kovaryat alanına ekleyin.
PROCESS, Model 1 için gerekli etkileşim terimini kendisi oluşturur. Önceden hesapladığınız X × W değişkenini ayrıca kovaryat olarak eklemeniz gerekmez. X ve W alanlarına çarpım değişkeni yerine bu değişkenlerin kendileri yerleştirilmelidir. Aksi hâlde amaçladığınız modelden farklı bir analiz kurabilirsiniz.
3. Merkezileştirme ve çıktı seçeneklerini düzenleyin
Sürekli değişkenler için ortalamadan merkezileştirme, katsayıların yorumunu kolaylaştırabilir. Bu işlemden sonra düzenleyicinin sıfır değeri, ortalama düzeyini temsil eder. Merkezileştirme düzenleyicilik analizinin zorunlu koşulu değildir ve aynı tam modelde etkileşimin anlamlılığını değiştirmez. Ayrıca merkezileştirme ile standartlaştırma aynı işlem değildir.
Kurulu sürümünüzdeki seçenekleri şu amaçlarla kontrol edin:
Etkileşimde kullanılan sürekli değişkenleri merkezileştirmek
Koşullu etkileri ve bunlara ait güven aralıklarını almak
Sürekli düzenleyici için Johnson–Neyman sonuçlarını istemek
Etkileşim grafiği için gerekli tahminleri veya kodu üretmek
Araştırmanın gerektirdiği standart hata yöntemini seçmek
Düzenleyicinin hangi değerlerinde koşullu etkilerin hesaplandığını çıktıda ayrıca kontrol edin. Bu değerler, sürüme ve seçilen ayarlara göre ortalama ve standart sapmaya dayanan noktalar ya da yüzdelikler olabilir. Çıktıyı okumadan bu noktaları otomatik olarak “ortalama ±1 standart sapma” diye raporlamayın. Kullanılan gerçek değerleri ve bunların nasıl seçildiğini yöntem bölümünde belirtin.
4. Model özetini inceleyin
Analiz tamamlandığında önce çıktı başlığındaki X, Y ve W değişkenlerinin doğru yerleştirildiğini kontrol edin. Ardından analize alınan gözlem sayısını ve model özetini inceleyin. Model Summary bölümündeki R², bütün yordayıcıların birlikte bağımlı değişkendeki varyansın ne kadarını açıkladığını gösterir. Modelin genel F testi ise yordayıcıların birlikte katkısını değerlendirir.
Modelin genel olarak anlamlı bulunması, düzenleyicilik hipotezinin desteklendiği anlamına gelmez. Anlamlılık yalnızca stres veya destek değişkeninin katkısından kaynaklanmış olabilir. Bu nedenle model özetinden sonra etkileşim katsayısına geçilmelidir. Düzenleyicilik kararı, yalnızca toplam R² ya da modelin genel p değeri üzerinden verilmemelidir.
5. Etkileşim teriminin anlamlılığını değerlendirin
Katsayılar tablosunda etkileşim terimi çoğunlukla Int_1 adıyla gösterilir. Bu satırın hangi değişkenlerin çarpımı olduğunu, çıktıda verilen etkileşim tanımından doğrulayın. Standartlaştırılmamış katsayı, standart hata, p değeri ve güven aralığını birlikte inceleyin. Önceden belirlenen anlamlılık düzeyinde etkileşimin anlamlı bulunması, X ile Y arasındaki ilişkinin W’ye göre farklılaştığına ilişkin kanıt sağlar.
Çıktıda ayrıca etkileşimin ek katkısını gösteren bir bölüm bulunabilir. Buradaki R² değişimi, etkileşim teriminin açıklanan varyansa katkısını gösterir. Örneğin R² değişiminin 0,03 olması, açıklanan varyansta üç yüzde puanlık ek katkı anlamına gelir. Bu değerin büyüklüğü ve anlamlılığı, etkileşim katsayısıyla birlikte değerlendirilmelidir.
Etkileşim katsayısının pozitif olması her durumda ilişkinin güçlendiği anlamına gelmez. Başlangıç ilişkisi negatifse pozitif etkileşim, düzenleyici arttıkça ilişkinin daha az negatif hâle gelmesini gösterebilir. Yorum yaparken X’in koşullu eğimleri ve değişkenlerin kodlanması dikkate alınmalıdır. Özellikle ters puanlama veya referans kategori hataları, ilişkinin yönünün yanlış açıklanmasına yol açabilir.
6. Koşullu etkileri ve basit eğimleri yorumlayın
Koşullu etkiler tablosu, X’in Y ile ilişkisini düzenleyicinin belirli değerlerinde gösterir. Sürekli düzenleyicide seçilen destek puanları, kategorik düzenleyicide ise ilgili gruplar için ayrı sonuçlar sunulabilir. Her satırda eğim tahminiyle birlikte standart hata, test sonucu ve güven aralığı değerlendirilir. Bu tablo, etkileşimin araştırma açısından ne anlama geldiğini açıklamak için kullanılır.
Aşağıdaki değerler yalnızca yorumlamayı göstermek için hazırlanmış varsayımsal eğimlerdir. Gerçek bir araştırmanın sonuçları değildir. Tabloda p değeri ve güven aralığı verilmediği için anlamlılık hakkında karar verilemez. Yalnızca ilişkinin yönü ve büyüklüğündeki değişim görülebilir.
Yönetici desteği | Stresin iş doyumuyla koşullu ilişkisi |
Seçilen düşük destek değeri | −0,60 |
Seçilen orta destek değeri | −0,40 |
Seçilen yüksek destek değeri | −0,20 |
Bu örnekte yönetici desteği yükseldikçe stres ile iş doyumu arasındaki negatif ilişki zayıflamaktadır. Düşük destek düzeyinde stres puanındaki bir birimlik artış, tahmin edilen doyum puanındaki daha büyük bir azalmayla ilişkilidir. Yüksek destek düzeyinde bu negatif eğim daha küçüktür. Ancak destek düzeylerinden birinde ilişkinin anlamlı, diğerinde anlamsız olması tek başına düzenleyicilik kanıtı değildir; eğimlerin farklılaşması etkileşim testiyle değerlendirilir.
7. Johnson–Neyman sonuçlarını okuyun
Johnson–Neyman yöntemi, sürekli düzenleyicinin hangi değerlerinde X’in Y üzerindeki koşullu etkisinin istatistiksel olarak anlamlı olduğunu belirlemeye yardımcı olur. Yalnızca üç seçilmiş noktaya bakmak yerine anlamlılık bölgesini incelemeyi sağlar. Örneğin ilişkinin belirli bir destek puanının altında anlamlı, üzerinde anlamsız olduğu görülebilir. Eşik değerin hangi tarafında anlamlılık bulunduğu, çıktıdaki sonuçlardan kontrol edilmelidir.
Bulunan sınır, örneklemdeki gözlenen düzenleyici aralığıyla birlikte yorumlanmalıdır. Veri aralığının dışında kalan bir eşik üzerinden katılımcılar hakkında sonuç çıkarılmamalıdır. Ayrıca bu eşik, kişileri doğal olarak iki gruba ayıran psikolojik veya klinik bir sınır değildir. Örneklem büyüklüğüne, belirsizliğe ve modelin özelliklerine bağlı istatistiksel bir sonuçtur.
8. Düzenleyicilik grafiğini oluşturun
PROCESS, seçilen ayarlara bağlı olarak etkileşimi çizmek için kullanılabilecek tahminler veya grafik kodu sağlayabilir. Yatay eksende X, dikey eksende modelin tahmin ettiği Y değerleri ve ayrı çizgilerde W’nin seçilen düzeyleri gösterilir. Kullanılan sürümde verilen SPSS grafik kodu bir Syntax penceresinde çalıştırılabilir. Grafik başlığında ve açıklamasında çizgilerin hangi düzenleyici değerlerini temsil ettiği belirtilmelidir.
Grafik, koşullu ilişkileri okuyucuya anlatmayı kolaylaştırır; anlamlılık testinin yerine geçmez. Çizgilerin kesişmesi düzenleyiciliğin zorunlu koşulu değildir. Birbirini kesmeden farklı eğimlerle ilerleyen çizgiler de etkileşimi gösterebilir. Sürekli bir düzenleyiciyi yalnızca grafik hazırlamak amacıyla düşük ve yüksek diye iki gruba ayırmak yerine, modelden hesaplanan koşullu tahminler kullanılmalıdır.
Kategorik düzenleyici kullanılırken nelere dikkat edilmelidir?
İki kategorili bir düzenleyicide kodların hangi grupları temsil ettiği açıkça tanımlanmalıdır. Örneğin çalışma biçimi 0=ofisten çalışma, 1=uzaktan çalışma olarak kodlanabilir. Bu durumda X’in katsayısı referans gruptaki eğimi, etkileşim katsayısı ise grupların eğimleri arasındaki farkı gösterir. Sonuç raporunda yalnızca sayısal kodları vermek yerine grup adları da kullanılmalıdır.
Üç veya daha fazla kategorili düzenleyicilerde uygun çok kategorili değişken ayarları ve kodlama yaklaşımı gerekir. Kategorileri 1, 2 ve 3 olarak kodlayıp sürekli değişken gibi kullanmak, aralarında doğrusal ve eşit aralıklı bir yapı varsayabilir. Birden fazla etkileşim katsayısı oluştuğunda genel etkileşim testi ile belirli grup karşılaştırmaları birlikte değerlendirilmelidir. Johnson–Neyman yöntemi ise burada anlatılan biçimiyle sürekli düzenleyiciler için kullanılır.
Model 1’de bootstrap zorunlu mudur?
Basit doğrusal düzenleyicilik analizinde etkileşim katsayısı regresyon temelli test ve güven aralığıyla değerlendirilebilir. Bootstrap, Model 1’in kurulabilmesi için zorunlu bir koşul değildir. Aracılık analizlerinde sık kullanılan bootstrap yaklaşımını bütün PROCESS modellerine aynı biçimde uygulamak doğru olmaz. Kullanılan seçeneklerin hangi tahmin için ne tür bir güven aralığı ürettiği bilinmelidir.
Çıktıda LLCI ve ULCI başlıklarını görmek, bu aralığın mutlaka bootstrap ile elde edildiğini göstermez. Güven aralığının hesaplanma biçimi seçilen ayarlardan ve çıktı açıklamalarından doğrulanmalıdır. Benzer şekilde değişen varyansa dayanıklı standart hatalar seçildiyse kullanılan yöntem raporda belirtilmelidir. Bootstrap veya dayanıklı standart hata kullanılması, yanlış kurulmuş bir modeli ya da bağımsızlık sorununu kendiliğinden düzeltmez.
Hayes PROCESS sonuçları nasıl raporlanır?
Raporlama, hangi modelin kurulduğunu ve düzenleyicilik hipotezinin ne ölçüde desteklendiğini göstermelidir. Kullanılan PROCESS sürümü, değişkenlerin rolleri, analiz örneklemi, merkezileştirme ve standart hata tercihleri açıklanmalıdır. Etkileşim katsayısı, standart hata, p değeri ve güven aralığının ardından koşullu etkiler sunulmalıdır. Johnson–Neyman analizi yapıldıysa sınır değer ve anlamlılık bölgesi de gözlenen veri aralığıyla birlikte belirtilmelidir.
Aşağıdaki paragraf, sonuçlarınıza göre doldurabileceğiniz bir raporlama şablonudur:
“İş stresi ile iş doyumu arasındaki ilişkide yönetici desteğinin düzenleyici rolü, Hayes PROCESS Model 1 kullanılarak incelenmiştir. Sürekli yordayıcılar ortalamadan merkezileştirilmiş ve analiz [n] gözlem üzerinden yürütülmüştür. Stres ile yönetici desteğinin etkileşim katsayısı [b], standart hatası [SH] ve %95 güven aralığı [alt sınır; üst sınır] olarak bulunmuştur (p = […]). Koşullu etkiler, yönetici desteği [değerler] düzeyindeyken stres ile doyum arasındaki ilişkinin […] olduğunu göstermiştir.”
Şablondaki bütün alanlar kendi çıktınızdaki değerlerle değiştirilmelidir. Merkezileştirme yapmadıysanız ilgili cümle kullanılmamalıdır. Etkileşim anlamlı değilse düzenleyicilik hipotezinin desteklenmediği açıkça yazılmalıdır. Kesitsel ve gözlemsel araştırmalarda sonuçlar koşullu ilişki olarak değerlendirilmelidir; yalnızca anlamlı bir etkileşimden nedensel sonuç çıkarılmamalıdır.
PROCESS analizinde danışmanlık desteği
PROCESS ekranında doğru alanları doldurmak analizin bir bölümüdür. Araştırma modelinin uygunluğu, değişkenlerin kodlanması, varsayımlar ve sonuçların birlikte yorumlanması da değerlendirme gerektirir. Model kurulumu, koşullu etkiler, grafik ve akademik raporlama için SPSS analizi hizmetimizin kapsamını inceleyebilirsiniz. Çalışmanızın hangi aşamada olduğunu belirtmeniz, ihtiyaç duyduğunuz desteğin belirlenmesini kolaylaştırır.
Elinizde tamamlanmış bir PROCESS çıktısı varsa bütün analizi yeniden yaptırmanız gerekmeyebilir. Önce etkileşim tablosu, basit eğimler, grafik ve yazılı yorum arasındaki tutarlılık kontrol edilebilir. Bu amaçla analiz kontrolü ve istatistiksel revizyon hizmetimizin kapsamına göz atabilirsiniz. İnceleme talebinizde araştırma modelinizi ve mevcut çıktı dosyanızı paylaşarak hangi yorumdan emin olmadığınızı belirtebilirsiniz.
Klasik SPSS regresyonuyla bağlantısı
Aynı gözlemler, değişken kodları, model ve standart hata yöntemi kullanıldığında basit düzenleyicilik modeli klasik SPSS regresyonuyla da kurulabilir. PROCESS’in sağladığı kolaylık, özellikle koşullu etkiler ve etkileşimin ayrıntılı incelenmesindedir. İki yöntem arasında beklenmeyen fark gördüğünüzde örneklem, merkezileştirme, kovaryatlar ve standart hata seçeneklerini karşılaştırmalısınız. Etkileşim teriminin elle nasıl oluşturulduğunu görmek için SPSS ile düzenleyici değişken analizi nasıl yapılır? rehberimizi inceleyebilirsiniz.