SPSS ile düzenleyici değişken analizi nasıl yapılır?
Güncelleme tarihi: 11 Eyl
SPSS’te düzenleyici değişken analizi, bağımsız değişken ile düzenleyici değişkenin çarpımından oluşturulan etkileşim teriminin regresyon modeline eklenmesiyle yapılabilir. Analizde, iki değişken arasındaki ilişkinin düzenleyicinin farklı değerlerinde değişip değişmediği incelenir.
Örneğin iş stresi ile iş doyumu arasındaki ilişkinin yönetici desteğine göre farklılaştığını düşünelim. Yönetici desteği yüksek çalışanlarda bu ilişki daha zayıf, düşük çalışanlarda daha güçlü olabilir. Bunu incelemek için yalnızca stres ve yönetici desteğini modele eklemek yeterli değildir. İki değişkenin etkileşimini de test etmek gerekir.
Bu rehberde sürekli bir bağımlı değişken, sürekli bir bağımsız değişken ve sürekli bir düzenleyici üzerinden ilerleyeceğiz. Önce değişkenleri hazırlayacak, ardından etkileşim terimini oluşturup iki bloklu regresyon modelini kuracağız. Kavramı ilk kez öğreniyorsanız düzenleyici değişken nedir? yazımızdan başlayabilirsiniz.
SPSS ile düzenleyici değişken analizi nasıl yapılır?
Analizden önce değişkenleri belirleyin
Örneğimizde kullanılacak değişkenler şunlardır:
Modeldeki rol | Araştırmadaki değişken | SPSS değişken adı |
Bağımsız değişken (X) | İş stresi puanı | stres |
Bağımlı değişken (Y) | İş doyumu puanı | doyum |
Düzenleyici değişken (W) | Yönetici desteği puanı | destek |
Araştırma sorumuz, “İş stresi ile iş doyumu arasındaki ilişki yönetici desteğinin düzeyine göre farklılaşmakta mıdır?” şeklindedir. Bu örnek açıklama amacıyla kullanılmıştır; gerçek bir araştırma bulgusunu temsil etmez.
Değişkenler ölçek puanlarından oluşuyorsa önce ters maddeler kontrol edilmeli ve toplam ya da alt boyut puanları ölçeğin yönergesine göre hesaplanmalıdır. Eksik değerler, hatalı kodlar ve aykırı gözlemler de model kurulmadan önce incelenmelidir.
Düzenleyici değişkenin neden bu role yerleştirildiği araştırmanın kuramsal çerçevesinde açıklanmalıdır. Modelin kurulması ve analiz planının belirlenmesi için istatistiksel analiz danışmanlığı hizmetimizin kapsamını inceleyebilirsiniz.
1. Sürekli değişkenleri merkezileştirin
Ortalamadan merkezileştirme, her katılımcının puanından ilgili değişkenin ortalamasının çıkarılmasıdır. Düzenleyicilik analizinin zorunlu bir koşulu değildir; burada katsayıları ortalama düzey üzerinden yorumlayabilmek için kullanıyoruz.
Önce şu menüyü açın:
Analyze → Descriptive Statistics → Descriptives
stres ve destek değişkenlerini seçerek ortalamalarını hesaplayın. Bu işlemi, regresyonda kullanılacak analiz örneklemi üzerinden yapın. Ortalamaları hesaplarken mümkün olduğunca yeterli ondalık basamak kullanın.
Anlatım kolaylığı için stres ortalamasının 30, destek ortalamasının 40 olduğunu varsayalım.
Ardından:
Transform → Compute Variable
menüsünü açın ve stres için şu işlemi yapın:
Target Variable: stres_c
Numeric Expression: stres - 30
Destek için işlemi tekrarlayın:
Target Variable: destek_c
Numeric Expression: destek - 40
Buradaki 30 ve 40 örnek değerlerdir. Kendi verinizde hesapladığınız ortalamaları kullanmalısınız.
Merkezileştirme sonrasında destek_c = 0, ortalama yönetici desteğini gösterir. Bağımlı değişkeni merkezileştirmeniz gerekmez. Merkezileştirme, tam model aynı gözlemlerle kurulduğunda etkileşimin anlamlılığını değiştirmez; katsayıların hangi referans değerinde yorumlandığını değiştirir.
2. Etkileşim terimini oluşturun
Yeniden Transform → Compute Variable menüsünü açın.
Target Variable: stres_destek
Numeric Expression: stres_c * destek_c
Bu işlem her katılımcının merkezileştirilmiş stres puanını merkezileştirilmiş destek puanıyla çarpar.
Veri dosyasında artık model için gerekli üç yordayıcı bulunmaktadır:
stres_c
destek_c
stres_destek
Regresyona yalnızca çarpım terimini eklemeyin. Etkileşimi oluşturan stres ve destek değişkenleri de modelde yer almalıdır.
3. Regresyonun ilk bloğunu kurun
Şu menüyü izleyin:
Analyze → Regression → Linear
Bağımlı değişken olan doyum değişkenini Dependent alanına yerleştirin.
İlk bloktaki Independent(s) alanına şu değişkenleri ekleyin:
stres_c
destek_c
Yöntem olarak Enter seçin. Böylece iki değişken ilk modele birlikte alınır.
Bu ilk model, etkileşim terimi olmadan stres ve destek puanlarının iş doyumuyla ilişkisini gösterir. Araştırmanızda kuramsal olarak gerekçelendirilmiş kontrol değişkenleri bulunuyorsa blok düzenini bunları dikkate alarak planlamanız gerekir.
4. Etkileşimi ikinci bloğa ekleyin
Aynı pencerede Next düğmesine basarak ikinci bloğa geçin. Bu bloğa yalnızca stres_destek değişkenini ekleyin ve yine Enter yöntemini kullanın.
SPSS, ilk bloktaki değişkenleri ikinci modelde korur. Kurulan modeller şöyle olacaktır:
Model | İçerdiği yordayıcılar | Amaç |
Model 1 | Stres + destek | Etkileşim olmadan modeli incelemek |
Model 2 | Stres + destek + stres × destek | Etkileşimin ek katkısını test etmek |
Bu yaklaşım hiyerarşik regresyondur. Değişkenlerin sırasını araştırmacı belirler. SPSS’in değişkenleri otomatik olarak seçtiği stepwise yöntemiyle aynı değildir.
5. Gerekli istatistikleri seçin
Statistics düğmesinden şu seçenekleri işaretleyin:
Estimates
Model fit
R squared change
Confidence intervals
Collinearity diagnostics
Güven düzeyini %95 olarak bırakabilirsiniz. Varsayım kontrolleri için Plots bölümünde yatay eksene ZPRED, dikey eksene ZRESID yerleştirerek artıkların dağılımını inceleyebilirsiniz. Doğrusal regresyonda model biçimi, gözlemlerin bağımsızlığı, artıkların varyansı ve etkili gözlemler değerlendirilmelidir. Klasik test ve güven aralıkları açısından artıkların dağılımı da önem taşır. Her değişkenin tek başına normal dağılması zorunlu değildir. Aynı okul, servis veya kurum içinde kümelenmiş verilerde gözlemlerin bağımsızlığı varsayımı karşılanmayabilir. Böyle bir durumda standart regresyon yerine veri yapısına uygun bir yaklaşım gerekir. Ayarları tamamladıktan sonra OK düğmesiyle analizi çalıştırın.
6. Model Summary tablosunu yorumlayın
Model Summary tablosunda ilk ve ikinci modelin açıklanan varyans oranları bulunur. Özellikle şu sütunlara bakın:
R Square: Modelin açıkladığı varyans oranı
R Square Change: Yeni blokla açıklanan varyanstaki artış
Sig. F Change: Eklenen bloğun katkısına ilişkin anlamlılık testi
Örneğin ilk modelde R² = 0,28, ikinci modelde R² = 0,32 bulunduğunu varsayalım. Etkileşim teriminin eklenmesiyle açıklanan varyans 0,04, yani dört yüzde puanı artmıştır. Ancak R²’nin artması tek başına düzenleyicilik kanıtı değildir. İkinci blok için değişimin anlamlılığı ve etkileşim katsayısı birlikte değerlendirilmelidir. Aynı gözlemlerle kurulan standart doğrusal regresyonda ikinci bloğa yalnızca tek bir etkileşim terimi eklenmişse F değişim testi ile bu katsayının t testi aynı anlamlılık kararını verir.
7. Coefficients tablosunda etkileşim satırını bulun
Coefficients tablosunda ikinci modele ait stres_destek satırını inceleyin. Burada raporlamada kullanacağınız temel bilgiler şunlardır:
Standartlaştırılmamış B katsayısı
Standart hata
t değeri
p değeri
B katsayısının güven aralığı
Önceden belirlenen anlamlılık düzeyi 0,05 ise etkileşim satırındaki p değerinin 0,05’in altında olması düzenleyicilik hipotezini destekler. Sonucun büyüklüğü ve belirsizliği için katsayı ile güven aralığı da raporlanmalıdır.
ANOVA tablosunda modelin tamamının anlamlı bulunması, etkileşimin anlamlı olduğu anlamına gelmez. Model, yalnızca stres veya destek değişkeninin katkısıyla da anlamlı olabilir. Benzer şekilde yönetici desteğinin kendi katsayısının anlamlı olması, onun düzenleyici olduğunu göstermez. Düzenleyicilik kararı etkileşim üzerinden verilir.
8. Etkileşimin yönünü değerlendirin
İkinci modelin denklemi şöyledir:
Doyum = b₀ + b₁(stres_c) + b₂(destek_c) + b₃(stres_c × destek_c) + hata
Stresin iş doyumuyla koşullu ilişkisi ise:
Stresin eğimi = b₁ + b₃ × destek_c
olarak hesaplanır.
Örneğin b₁ = −0,50 ve b₃ = 0,02 olsun. Destek puanının standart sapmasını da örnek olarak 10 kabul edelim.
Destek düzeyi | Merkezileştirilmiş destek değeri | Stresin koşullu eğimi |
Ortalamanın bir standart sapma altı | −10 | −0,70 |
Ortalama | 0 | −0,50 |
Ortalamanın bir standart sapma üstü | 10 | −0,30 |
Bu varsayımsal örnekte destek yükseldikçe stres ile doyum arasındaki negatif ilişki zayıflamaktadır. Eğimin −0,70’ten −0,30’a gelmesi, ilişkinin daha az negatif olması demektir. Dolayısıyla pozitif bir etkileşim katsayısı her durumda “ilişki güçlenmiştir” şeklinde yorumlanamaz. Başlangıç eğimi, değişkenlerin kodları ve düzenleyicinin incelenen değerleri birlikte değerlendirilmelidir. Tablodaki eğimler yalnızca nokta tahminleridir. Anlamlılıklarını belirlemek için standart hataları ve güven aralıkları ayrıca hesaplanmalıdır.
9. Basit eğimleri ve grafiği inceleyin
Standart Linear Regression çıktısı, seçilen düşük, orta ve yüksek düzenleyici değerleri için basit eğimlerin tamamını otomatik olarak sunmaz. Bu sonuçlar ek hesaplamalarla veya uygun araçlarla elde edilebilir. Etkileşim grafiğinde yatay eksende stres, dikey eksende tahmin edilen iş doyumu; ayrı çizgilerde ise seçilen destek düzeyleri gösterilir. Sürekli destek puanını sırf grafik hazırlamak için iki gruba ayırmanız gerekmez. Regresyonda sürekli tutulan değişkenin belirli değerlerinde tahminler hesaplanabilir. Grafikte çizgilerin farklı eğimlere sahip olması ilişkinin nasıl değiştiğini anlatır. İstatistiksel anlamlılık kararı ise çizgilerin görünümünden verilmez. Bir düzeyde eğimin anlamlı, başka bir düzeyde anlamsız bulunması da tek başına eğimler arasındaki farkın anlamlı olduğunu göstermez. Bu farkı değerlendiren temel test etkileşim testidir.
Düzenleyici değişken kategorikse ne değişir?
İki kategorili bir düzenleyici, örneğin 0 ve 1 olarak kodlanabilir. Sürekli X değişkeniyle bu kodun çarpımı oluşturulur; X, düzenleyici ve etkileşim birlikte modele eklenir. Bu durumda X’in katsayısı, düzenleyicinin 0 olarak kodlandığı referans gruptaki eğimi gösterir. Etkileşim katsayısı ise 1 olarak kodlanan grubun eğiminin referans gruptan ne kadar farklı olduğunu belirtir. Üç veya daha fazla kategoride uygun gösterge kodlaması ve birden fazla etkileşim terimi gerekir. Kategorileri 1, 2 ve 3 diye kodlayıp tek bir sürekli değişken gibi modele almak, kategoriler arasında doğrusal bir yapı varsayabilir. Bu nedenle kodlama araştırma modeline uygun seçilmelidir.
SPSS regresyonu ile Hayes PROCESS arasındaki fark nedir?
Aynı veri, kodlama, değişkenler ve standart hata yöntemi kullanıldığında, aynı basit doğrusal düzenleyicilik modeli klasik regresyonla da PROCESS ile de kurulabilir. Klasik regresyon, etkileşim terimini oluşturmayı ve modele katkısını görmeyi öğretir. PROCESS ise koşullu etkiler, basit eğimler ve sürekli düzenleyiciler için Johnson–Neyman incelemesi gibi sonraki işlemleri kolaylaştırır. PROCESS üzerinden ilerlemek isteyenler Hayes PROCESS ile düzenleyici değişken analizi nasıl yapılır? rehberimizdeki uygulamayı takip edebilir.
Düzenleyici değişken analizi nasıl raporlanır?
Rapor, hangi modelin kurulduğunu ve etkileşim eklendiğinde ne değiştiğini göstermelidir. İlk ve son modelin R² değerleri, R² değişimi, etkileşim katsayısı, standart hata, p değeri ve güven aralığı sunulmalıdır. Ardından koşullu etkiler açıklanabilir.
Aşağıdaki metin, sonuçlarınızla doldurabileceğiniz bir raporlama şablonudur:
“İş stresi ile iş doyumu arasındaki ilişkide yönetici desteğinin düzenleyici rolü hiyerarşik regresyon analiziyle incelenmiştir. Sürekli yordayıcılar ortalamadan merkezileştirilmiş; ilk blokta stres ve destek, ikinci blokta etkileşim terimi modele eklenmiştir. Etkileşimin modele eklenmesi açıklanan varyansta [ΔR²] artış sağlamıştır. Etkileşim katsayısı [B], standart hatası [SH] ve %95 güven aralığı [alt sınır; üst sınır] olarak bulunmuştur (p = […]). Koşullu etkiler, stres ile doyum arasındaki ilişkinin destek düzeyine göre […] olduğunu göstermiştir.”
Köşeli parantezleri kendi çıktınızdaki değerlerle doldurmalısınız. Etkileşim anlamlı değilse düzenleyicilik hipotezinin desteklenmediği açıkça belirtilmelidir. Kesitsel bir araştırmada sonuçlar koşullu ilişki olarak yorumlanmalı; yalnızca regresyon çıktısından nedensellik çıkarılmamalıdır.
Model kurma, veri hazırlama ve sonuçları raporlama desteği için SPSS analizi hizmetimizi inceleyebilirsiniz. Elinizde tamamlanmış bir analiz bulunuyorsa etkileşim, basit eğimler ve rapor arasındaki tutarlılığın değerlendirilmesi için analiz kontrolü ve istatistiksel revizyon sayfamıza geçebilirsiniz.
