MerQuR+Başvuru Kitabı

121. Düzenleyicilik Analizi

Analiz kimliği: moderation · Menü adı: Düzenleyicilik Analizi · Panel: gui/panels/analyses/moderation_analysis.py (form 104–285, read_options 290–353, execute 420–586) · Motor: stats/kosullu_surec.py (Koşullu Süreç Motoru; run_conditional_process, 962–1119; Model 1–3)

121.1 Ne işe yarar

Düzenleyicilik (moderation) analizi, bir yordayıcının (X) sonuç değişkeni (Y) üzerindeki etkisinin büyüklüğünün ya da yönünün üçüncü bir değişkene, düzenleyiciye (W), göre değişip değişmediğini sorar. Soru "X, Y'yi etkiliyor mu?" değil, "X'in etkisi kime göre, hangi koşulda farklı?" sorusudur. MerQur bunu çarpım terimli bir doğrusal regresyonla kestirir (Model 1):

Y=b_0+b_1X+b_2W+b_3XW+\sum_k c_kC_k+e,\qquad \theta_{X\to Y}(W)=\frac{\partial\hat Y}{\partial X}=b_1+b_3W
  • Y: sonuç; X: odak yordayıcı; W: düzenleyici; C_k: kovaryatlar.
  • XW: X ile W'nin gözlem gözlem çarpımı (etkileşim terimi).
  • \theta_{X\to Y}(W): X'in koşullu etkisi; W'nin doğrusal işlevidir. b_3, W bir birim arttığında X'in eğiminin ne kadar değiştiğidir.
  • b_1: yalnız W=0 iken X'in etkisidir; ana etki değildir.

Düzenleyiciliğin sınaması H_0:\ b_3=0'dır. Etkileşim anlamlıysa koşullu etki seçilen W değerlerinde (basit eğimler, simple slopes) ya da W'nin tüm aralığında (Johnson–Neyman bölgesi) incelenir. Model 2 iki düzenleyiciyi (X×W ve X×Z ayrı ayrı), Model 3 üçlü etkileşimi (X×W×Z) ekler; bu bölüm Model 1'i ayrıntılı anlatır, Model 2–3 aynı formüllerin genişlemesidir (121.5.6).

Ne zaman kullanılır?

  • Kuram, bir etkinin bir alt grupta ya da bir özelliğin düzeyine göre güçlendiğini/zayıfladığını öngörüyorsa (ör. ilacın etkisi yaşla azalıyor mu?).
  • Etkileşimin anlamlılığından öte, hangi W değerlerinde X'in etkisinin sıfırdan farklı olduğu raporlanacaksa.
  • İki değerli Y'de aynı soru lojistik ölçekte sorulacaksa (motor Y iki değerliyse kendiliğinden lojistik regresyona geçer).

Ne zaman kullanılmaz?

  • X'in etkisinin bir aracı üzerinden geçip geçmediği soruluyorsa: Aracılık Analizi (Bölüm 122). Düzenleyicili aracılık (koşullu dolaylı etki) da Aracılık Analizi panelindeki Model 7, 8, 14 … ile yapılır.
  • Düzenleyici bir grup değişkeniyse ve yalnız grup ortalamaları karşılaştırılıyorsa: İki Yönlü ANOVA (Bölüm 9) ya da ANCOVA (Bölüm 14) etkileşim terimiyle.
  • Gözlemler kümeliyse (hasta içinde ölçümler): Doğrusal Karma Model (Bölüm 54) ile çapraz düzey etkileşimi; burada en çok küme-dayanıklı SH alınabilir.
  • Doğrusal olmayan bir koşullu ilişki (eğrisel W etkisi) varsa: GAM (Bölüm 101) ile etkileşim yüzeyi.

Sık karıştırılan analizler. Düzenleyicilik ile aracılık (Baron ve Kenny, 1986) farklı sorulardır: düzenleyici ne zaman/kime sorusunu, aracı nasıl/neden sorusunu yanıtlar. Düzenleyicilik analizi, sıradan çoklu regresyona (Bölüm 45) çarpım terimi eklemekten ibaret değildir; farkı, koşullu etkilerin SH'lerini katsayı kovaryans matrisinden kurması, Johnson–Neyman sınırlarını çözmesi ve etkileşim testini \Delta R^2 ile birlikte vermesidir. Katsayılar ve b_3'ün testi, aynı terimlerle kurulan çoklu regresyonla birebir aynıdır.

121.2 Varsayımlar ve veri türü

Varsayım Ne demek MerQur'da nasıl denetlenir
Doğru model biçimi X'in etkisi W ile doğrusal değişir (b_1+b_3W); diğer ilişkiler doğrusal. Denetlenmez. Etkileşim grafiği ve J-N grafiği görsel denetimdir.
Bağımsız gözlemler Hatalar birbirinden bağımsız. Kümeli veride "Küme değişkeni" ile küme-dayanıklı SH (_cluster_cov, 403–411).
Sabit varyans Hata varyansı X ve W boyunca sabit. Denetlenmez; "Değişen varyansa sağlam SH" ile HC0–HC4 (_hc_cov, 383–400).
Normal hatalar t ve F testleri için. Denetlenmez; "Regresyon tanılamaları" ek çıktısı artıkları raporlar.
Ölçme hatası yok Çarpım terimi, ölçme hatasını büyütür; güvenirlik düşükse b_3 küçülür. Denetlenmez.
Sabit olmayan değişken Her sütunun varyansı > 0. Sabit sütunda hata (kosullu_surec.py:724–726).

Eksik değer. Liste bazında silme: Y, X, W, (Z) ve kovaryatlardan herhangi birinde eksik olan satır tüm analizden çıkarılır (_prepare, 682–685). "Silinen satırları listele" bu satırların numaralarını yazar. Sayısal olmayan değer içeren sayısal sütun hata verir (676–677); kategorik işaretli bir sütun sayısal rolde (iki düzeyli 0/1 hariç) hata verir (673–674).

Uç durumlar.

  • n<4 hata (689–690); herhangi bir denklemde n\le p ise "örneklem küçük" hatası (1084–1086).
  • Tasarım matrisi tekilse (ölçekten bağımsız koşul sayısı >10^{12}) hata (ols_fit, 440–441).
  • İki değerli Y → lojistik regresyon (Newton–Raphson, 728–731; logit_fit, 580–604); etkileşim testi olabilirlik oranı \chi^2'si olur. Lojistik Y ile HC ya da küme-dayanıklı SH birlikte seçilemez (1013–1014).
  • İki değerli W → koşullu etkiler W'nin iki değerinde verilir; Johnson–Neyman uygulanmaz (_probe_values, 1198–1200; J-N koşulu 1256–1260) ve bu durum ayar bloğuna yazılır (moderation_analysis.py:575–585).
  • Kategorik işaretli X/W/Z, kodlama seçilmemişse gösterge (kukla) kodlamasıyla girer; 9'dan çok düzey hata verir (703–704). Düzey sırası (ve dolayısıyla ilk düzey, yani referans) şu öncelikle belirlenir: Veri sekmesinde tanımlı sıra; etiketler sayıysa ya da sayı içeriyorsa sayısal/doğal sıra; aksi hâlde verideki ilk görülme sırası. Alfabetik sıra kullanılmaz; kullanılan sıra çıktıda yazılır.

121.3 Parametreler

Varsayılanlar moderation_analysis.py:104–353 kodundan okunmuştur. Seçenek adları referans makronun (Hayes, 2022) adlarıyla birebir eşlenir.

Arayüz adı Varsayılan Ne yapar Sonucu nasıl değiştirir
Model Model 1 1: tek düzenleyici; 2: W ve Z ayrı ayrı; 3: X×W×Z üçlü etkileşim. Denklemin terimleri.
Sonuç değişkeni (Y), Odak yordayıcı (X), Düzenleyici (W), İkinci düzenleyici (Z) ad eşleşmesi (y, x, w, z …), yoksa sıradaki sütun Roller. Z yalnız Model 2–3'te açıktır. Model.
Kovaryatlar boş Denkleme toplamsal girer; kategorik işaretliyse ilk düzey referanslı kuklalara açılır (593–628). Katsayılar, koşullu etkiler (kovaryata göre düzeltilmiş).
Güven düzeyi %95 Tüm GA'lar ve J-N'deki t_c. GA'lar ve J-N sınırları.
Grafik Etkileşim grafiği Etkileşim grafiği ya da J-N grafiği. Yalnız grafik.
Ortalamadan merkezleme Yok Yok / yalnız çarpımdaki sürekli değişkenler / çarpımdaki tüm değişkenler (737–754). b_0,b_1,b_2 ve yoklama değerlerinin ölçeği; b_3 ve testi değişmez (121.5.4).
Düzenleyici değerleri 16., 50. ve 84. yüzdelikler Yüzdelik / ortalama ± 1 SS / elle. Hangi W değerlerinde basit eğim verileceği.
W değerleri (elle) boş Elle girilen değerler, seçilen türün önüne geçer (481–494). Yoklama değerleri.
Johnson-Neyman yöntemi kapalı Anlamlılık bölgesi sınırları ve 22 noktalık tablo. Ek bölüm.
Grafik verisi tablosu kapalı Etkileşim grafiğinin sayısal tablosu (motor her zaman hesaplar, metne yazılması seçmeli). Ek tablo.
Etkileşim yoklama eşiği (p) 0,10 Etkileşim p'si bu eşiğin altındaysa koşullu etkiler ve J-N yazılır (1242–1243). Koşullu etki tablolarının görünmesi.
Değişen varyansa sağlam SH Yok HC0–HC4. SH, t, p, GA; etkileşim testi Wald F olur.
Küme değişkeni — Küme-dayanıklı SH, sd =G-1. SH ve sd.
X / W / Z kodlaması; referans kategorisi Sürekli; ilk düzey Gösterge, ardışık, Helmert, etki kodlaması. Kategorik roller.
Ek çıktılar kapalı Standartlaştırılmış katsayılar, betimleyici, tanı, kareler toplamı, katsayı kovaryansı, silinen satırlar, doğrusal bileşim, çıkarılacak satırlar. Ek bölümler.
Lojistik yineleme / yakınsama 100 / 10^{-8} Yalnız iki değerli Y'de. Lojistik kestirim.
Katsayılar için bootstrap GA kapalı Katsayıların bootstrap ortalaması, SH'si ve GA'sı. Ek tablo.
Bootstrap örnek sayısı 5000 200–100000. Bootstrap GA.
Rastgele tohum 0 0: her çalıştırmada yeni tohum seçilir ve sonuca yazılır; pozitif değer sabit tohumdur (532–536). Yeniden üretilebilirlik.
Bootstrap GA yöntemi Yüzdelik Yüzdelik, BC, BCa (jackknife ivmesi). Yalnız bootstrap GA.
Kümelenmiş bootstrap Yok Küme içinde tabakalı ya da kümelerin yeniden örneklenmesi. Bootstrap örneklemleri.

Güven düzeyi neden J-N sınırlarını değiştirir?

Johnson–Neyman sınırı, koşullu etkinin t istatistiğinin tam olarak kritik değere (\pm t_c) eşit olduğu W değeridir. Güven düzeyi %95'ten %99'a çıkınca t_c büyür ve anlamlılık bölgesi daralır; aynı veride sınırlar kayar. Bu yüzden J-N sınırları raporlanırken güven düzeyi mutlaka yazılmalıdır.

Koddaki tercih: bootstrap ayarları yalnız "Katsayılar için bootstrap GA" açıkken

Düzenleyicilik analizinde bootstrap yalnız regresyon katsayılarının GA'sı içindir; koşullu etkiler ve J-N her zaman normal kuram SH'siyle hesaplanır. Bootstrap kutusu kapalıyken örnek sayısı, tohum ya da GA türü varsayılandan farklı girilirse hesaba girmez ve "İstenen ve uygulanan ayarlar" bloğuna nedeniyle yazılır (moderation_analysis.py:548–558). Tohum 0 iken çekilen tohum metne "Bootstrap tohumu: …" satırıyla yazılır; analizi aynen tekrarlamak için bu değer girilmelidir.

121.4 Tıp örneği

Tıp setinde ayrı bir düzenleyicilik dosyası yoktur. Örnek, aynı setin açlık glukozu dosyasından alınmıştır; dosyada güçlü bir etkinlik × diyet etkileşimi vardır.

Dosya: english/datasets/Tip/122_mlp_fasting_glucose.xlsx; samples/Tum_Analiz_Tip altında Türkçe kopyası yoktur.

Değişken Rol Tür Özet
fasting_glucose_mg_dL Y sürekli ort. 107,83; SS 18,36
physical_activity_min_week X sürekli (0–420 dk/hafta) ort. 148,54; SS 78,81
diet_quality_score W sürekli (15–90) ort. 54,28; SS 14,21
age kovaryat sürekli ort. 52,08; SS 11,51
bmi kovaryat sürekli ort. 28,64; SS 5,17

n ve eksik değer: 760 hasta, eksik değer yok.

Klinik soru: Haftalık fiziksel etkinliğin açlık glukozuyla ilişkisi diyet kalitesine göre değişiyor mu? Yaş ve beden kütle indeksi sabit tutulduğunda, etkinliğin glukozla ilişkisi hangi diyet kalitesi düzeylerinde sıfırdan farklıdır?

Seçilen ayarlar: Model 1, %95, merkezleme yok, yüzdelik düzenleyici değerleri, J-N ve grafik verisi açık. Hesap yürüyüşü için ayrıca merkezleme (çarpımdaki tüm değişkenler), ortalama ± 1 SS, HC3 ve katsayı bootstrap'ı (B = 5000, tohum 2026; yüzdelik, BC, BCa) çalıştırılmıştır.

121.5 Formüller ve hesap adımları

MerQur'un hesap sırası: (1) liste bazında silme ve isteğe bağlı merkezleme; (2) tasarım matrisinin kurulması (sabit, X, W, X·W, kovaryatlar; _build_eqs, 795–834); (3) OLS kestirimi, SH (klasik, HC ya da küme); (4) en yüksek dereceli etkileşimin \Delta R^2 ve F testi; (5) etkileşim p< yoklama eşiği ise düzenleyici değerlerinde koşullu etkiler; (6) istenirse J-N kökleri ve tablosu; (7) grafik verisi; (8) istenirse katsayı bootstrap'ı.

121.5.1 Kestirim ve etkileşim testi

\hat{\mathbf b}=(\mathbf X^{\top}\mathbf X)^{-1}\mathbf X^{\top}\mathbf y,\qquad \widehat{\mathbf V}=\text{MSE}\,(\mathbf X^{\top}\mathbf X)^{-1},\qquad \text{MSE}=\frac{\mathbf e^{\top}\mathbf e}{n-p}
\Delta R^2=R^2-R^2_{(-XW)},\qquad F=\frac{\Delta R^2/q}{(1-R^2)/(n-p)}\ \sim F_{q,\,n-p}
  • \mathbf X: n\times p tasarım matrisi; burada p=6 (sabit, X, W, X·W, yaş, BKİ).
  • R^2_{(-XW)}: çarpım terimi çıkarılmış modelin R^2'si (aynı örneklemde, _test_drop, 882–902); q: çıkarılan terim sayısı (Model 1'de 1).
  • Tek terimde F=t^2_{b_3}'tür; \Delta R^2 etkileşimin açıkladığı ek varyans oranıdır (etki büyüklüğü olarak raporlanır).
  • HC ya da küme SH seçildiğinde F, Wald istatistiğidir: F=\hat{\mathbf b}_I^{\top}\widehat{\mathbf V}_{II}^{-1}\hat{\mathbf b}_I/q (_wald_F, 414–421); \Delta R^2 yine OLS farkıdır.

Neden \Delta R^2 ve F birlikte?

t testi b_3'ün sıfırdan farkını sınar; \Delta R^2 ise bu farkın pratik önemini (açıklanan ek varyans) verir. Tek çarpım teriminde iki test aynı p'yi verir; Model 2'de iki çarpım terimi birlikte (BOTH satırı) ya da kategorik W'de birden çok kod sütunu varken F çok serbestlik dereceli tek bir sınama olur ve t ile yapılamaz.

121.5.2 Basit eğimler (koşullu etkiler)

W'nin seçilen bir w değerinde X'in etkisi, katsayıların doğrusal bileşimidir (_cond_L, 905–922; _lin_stats, 925–935):

\hat\theta(w)=\mathbf L\hat{\mathbf b}=\hat b_1+\hat b_3w,\qquad \SH\big(\hat\theta(w)\big)=\sqrt{\hat V_{11}+2w\hat V_{13}+w^2\hat V_{33}},\qquad t=\frac{\hat\theta(w)}{\SH},\quad \text{sd}=n-p
  • \mathbf L=(0{,}1{,}0,w,0{,}0): X'i içeren her terime diğer bileşenlerin değer çarpımını koyan vektör.
  • \hat V_{11}=\widehat{\operatorname{Var}}(\hat b_1), \hat V_{33}=\widehat{\operatorname{Var}}(\hat b_3), \hat V_{13}=\widehat{\operatorname{Cov}}(\hat b_1,\hat b_3).
  • GA: \hat\theta(w)\pm t_{1-\alpha/2,\,n-p}\SH. Lojistik Y'de z ve normal dağılım kullanılır.

Neden kovaryans terimi?

\hat b_1 ve \hat b_3 aynı veriden kestirildiği için ilişkilidir; burada \hat V_{13}<0'dır. Kovaryansı atlamak (yalnız \sqrt{V_{11}+w^2V_{33}}) SH'yi şişirir ya da küçültür; doğru SH yalnız tam kovaryans matrisiyle elde edilir. Aynı formül merkezlenmiş veride w yerine w-\bar W ile aynı sayıyı verir.

Düzenleyici değerleri. Üç seçenek vardır (_probe_values, 1182–1206):

w\in\{Q_6(0{,}16),\ Q_6(0{,}50),\ Q_6(0{,}84)\}\quad\text{ya da}\quad w\in\{\bar W-s_W,\ \bar W,\ \bar W+s_W\}
  • Q_6(p): Hyndman–Fan tip 6 yüzdeliği (h=p(n+1) konumunda doğrusal ara değer; _weibull_pct, 314–316). Normal dağılımda 16. ve 84. yüzdelikler yaklaşık ortalama ± 1 SS'ye karşılık gelir; avantajı, değerlerin her zaman gözlenen aralıkta kalmasıdır.
  • Ortalama ± SS seçeneğinde bir uç gözlenen en küçük/en büyük değerin dışına düşerse o uç gözlenen sınıra çekilir ve not yazılır (1197–1203).
  • W iki değerliyse yalnız bu iki değer kullanılır; kategorik W'de her düzey.

Koddaki tercih: tip 6 yüzdelik

R'nin quantile() varsayılanı tip 7'dir. Sürekli W'de iki tanım farklı değer verebilir; MerQur referans makronun tanımını (tip 6) izler. Bu örnekte W tam sayı değerli olduğu için iki tanım da 39, 54 ve 69'u verir. R ile karşılaştırma yapılırken quantile(w, c(.16, .5, .84), type = 6) kullanılmalıdır.

Yoklama eşiği. Koşullu etki tabloları, en yüksek dereceli etkileşim testinin p'si "Etkileşim yoklama eşiği"nin (varsayılan 0,10) altındaysa metne yazılır (1242–1243); aksi hâlde tablonun yerinde "etkileşim p\ge 0{,}10; koşullu etkiler verilmedi" iletisi bulunur. Eşiği 1 yapmak tabloları her durumda gösterir.

121.5.3 Johnson–Neyman anlamlılık bölgesi

Koşullu etkinin tam olarak sınırda anlamlı olduğu W değerleri, t(w)^2=t_c^2 eşitliğinden ikinci derece denklemle bulunur (_jn_core, 1400–1438):

A w^2+B w+C=0,\qquad A=\hat b_3^{\,2}-t_c^2\hat V_{33},\quad B=2\big(\hat b_1\hat b_3-t_c^2\hat V_{13}\big),\quad C=\hat b_1^{\,2}-t_c^2\hat V_{11}
  • t_c=t_{1-\alpha/2,\,n-p} (lojistikte z_{1-\alpha/2}).
  • Kökler w=\big(-B\pm\sqrt{B^2-4AC}\big)/(2A); yalnız gözlenen W aralığına düşen kökler raporlanır.
  • Her kök için W'nin bu değerin altında ve üstünde kalan gözlem yüzdesi verilir.
  • Tablo: en küçük ile en büyük W arasında 22-k eşit aralıklı nokta ile k kökün birleşimi (toplam 22 satır).
  • Kök yoksa durum "tüm aralıkta anlamlı" ya da "hiçbir yerde anlamlı değil" olarak yazılır.

Neden ikinci derece denklem?

\hat\theta(w) W'nin doğrusal işlevi, varyansı ise ikinci derece işlevidir. \hat\theta(w)^2=t_c^2\,\widehat{\operatorname{Var}}(\hat\theta(w)) eşitliği bu yüzden w'de ikinci derecedendir. A>0 olduğunda (etkileşim kendisi anlamlıysa böyledir) parabol yukarı açılır: iki kök arasında koşullu etki anlamlı değildir, köklerin dışında anlamlıdır. Basit eğim yalnız üç noktaya bakar; J-N, W'nin tüm aralığında karar verir (Bauer ve Curran, 2005).

Koddaki tercih: J-N'nin uygulandığı durumlar

J-N yalnız tek, sürekli, iki değerli olmayan bir düzenleyicide (Model 1) ya da Model 3'te sürekli Z boyunca koşullu X×W etkileşimi için hesaplanır (1250–1269). Model 2'de, iki değerli ya da kategorik W'de istenirse hesaplanmaz ve bu "İstenen ve uygulanan ayarlar" bloğuna yazılır. J-N grafiği ise kökleri gözlenen aralıkta aynı ikinci derece denklemden, 201 noktalı ızgarada çizer (conditional_effect_curve, 1118–1177).

121.5.4 Ortalamadan merkezleme

"Çarpımdaki tüm değişkenler" seçildiğinde X ve W ortalamadan çıkarılır, çarpım merkezlenmiş değerlerden kurulur; "yalnız sürekli" seçeneği iki değerli değişkenleri olduğu gibi bırakır; kategorik kod sütunları hiç merkezlenmez (737–754). Kovaryatlar merkezlenmez.

\tilde X=X-\bar X,\quad \tilde W=W-\bar W:\qquad \tilde b_1=b_1+b_3\bar W,\qquad \tilde b_2=b_2+b_3\bar X,\qquad \tilde b_3=b_3
  • Merkezlemeden sonra \tilde b_1, X'in W ortalamadayken koşullu etkisidir (W=0'daki değil).
  • b_3, SH'si, t'si, \Delta R^2, model R^2'si ve basit eğimlerin değerleri değişmez; yalnız yoklama değerleri ve J-N kökleri merkezlenmiş ölçekte (w-\bar W) yazılır.

Neden merkezlemek, ve neden "çoklu doğrusallığı çözmez"?

Merkezlemenin tek gerçek yararı yorumdur: W=0 veride anlamsız ya da aralık dışıysa (burada diyet puanı 15–90), b_1 hiçbir hastaya karşılık gelmez; merkezleme b_1'i ortalama diyet kalitesindeki etkiye dönüştürür. X ile X·W arasındaki yüksek korelasyonu düşürür, ama bu "çoklu doğrusallık sorunu" yalnız b_1 ve b_2'nin anlamının değişmesinden kaynaklanır; etkileşim testi ve koşullu etkiler merkezlemeden etkilenmez (Echambadi ve Hess, 2007). 121.6, Adım 5 bunu sayılarla gösterir.

121.5.5 Sağlam SH, lojistik Y ve katsayı bootstrap'ı

\widehat{\mathbf V}_{HCk}=(\mathbf X^{\top}\mathbf X)^{-1}\Big(\sum_i \omega_i e_i^2\,\mathbf x_i\mathbf x_i^{\top}\Big)(\mathbf X^{\top}\mathbf X)^{-1},\qquad \omega_i^{HC3}=\frac{1}{(1-h_{ii})^2}
  • h_{ii}: kaldıraç; HC0: \omega_i=1; HC1: n/(n-p); HC2: 1/(1-h_{ii}); HC4: 1/(1-h_{ii})^{\min(4,\,nh_{ii}/p)} (Long ve Ervin, 2000; Cribari-Neto, 2004).
  • Küme-dayanıklı SH: \frac{G}{G-1}\frac{n-1}{n-p}(\mathbf X^{\top}\mathbf X)^{-1}\big(\sum_g \mathbf s_g\mathbf s_g^{\top}\big)(\mathbf X^{\top}\mathbf X)^{-1}, \mathbf s_g=\sum_{i\in g}\mathbf x_ie_i; sd =G-1.
  • Koşullu etkiler ve J-N seçilen \widehat{\mathbf V} ile hesaplanır.

Katsayı bootstrap'ı. "Katsayılar için bootstrap GA" açıksa B yeniden örneklemde (tohum s ile numpy.random.default_rng(s).integers(0, n); bellek için en çok 2\,000\,000/n örneklemlik parçalar hâlinde) model yeniden kestirilir (_boot_only_models, 2538–2549; _bootstrap_betas, 1863–1923). Tekil örneklemler yeniden çekilir.

\text{alt uç}=\theta^*_{(\lceil qB\rceil)},\qquad \text{üst uç}=\theta^*_{(\lfloor qB\rfloor+1)},\qquad q_{\text{yüzdelik}}=\tfrac{\alpha}{2},\ 1-\tfrac{\alpha}{2}
q^{BC}=\Phi\big(2z_0+z_{\alpha/2}\big),\qquad q^{BCa}=\Phi\Big(z_0+\frac{z_0+z_{\alpha/2}}{1-\hat a(z_0+z_{\alpha/2})}\Big),\qquad z_0=\Phi^{-1}\Big(\frac{\#\{\theta^*_b<\hat\theta\}}{B}\Big),\quad \hat a=\frac{\sum_i(\bar\theta_{(\cdot)}-\theta_{(i)})^3}{6\big[\sum_i(\bar\theta_{(\cdot)}-\theta_{(i)})^2\big]^{3/2}}
  • \theta^*_{(r)}: sıralı bootstrap değerlerinin r. sırası (_pct_pick, 1963–1973; Hayes, 2022, böl. 3).
  • z_0'ın oranı [1/(B+1),\ 1-1/(B+1)] aralığına kırpılır (_ci, 1939–1960).
  • \theta_{(i)}: i. gözlem çıkarılmış (jackknife) kestirim (_jackknife_betas, 2552–2567); \hat a ivmedir (Efron, 1987).
  • BootSH: bootstrap değerlerinin B-1 paydalı SS'si.

Neden ara değer yok?

Sıra istatistiği kuralı, uç noktayı her zaman gerçekten gözlenmiş bir bootstrap değeri olarak seçer; B=5000 ve %95'te alt uç 125., üst uç 4876. değerdir. R quantile() tip 7 gibi ara değerli tanımlarla fark en çok iki komşu sıra istatistiği arasındadır ve B büyüdükçe kaybolur.

121.5.6 Model 2 ve Model 3

Model 2'de Y=b_0+b_1X+b_2W+b_3XW+b_4Z+b_5XZ ve \theta(w,z)=b_1+b_3w+b_5z; X×W, X×Z ve ikisinin birlikte (BOTH) testleri verilir; koşullu etkiler W ve Z değerlerinin tüm bileşimlerinde hesaplanır (W dış, Z iç döngü; _modval_rows, 938–942). Model 3'te üçlü çarpım eklenir, \theta(w,z)=b_1+b_4w+b_5z+b_7wz; ayrıca her Z değerinde koşullu X×W etkileşimi b_4+b_7z için F testi (_cond_int_m3, 1441–1475) ve isteğe bağlı olarak Z boyunca J-N verilir.

121.6 Elle hesap: Tıp verisinde sayısal yürüyüş

Ara değerler dogrulama/moderation/elle_hesap.py ile (numpy; MerQur kodu çağrılmadan) hesaplanmıştır.

Adım 1 — Model. n=760, p=6, sd =754:

\widehat{\text{glukoz}}=-17{,}0042+0{,}378469X+0{,}998001W-0{,}0070626XW+0{,}478594\,\text{yaş}+1{,}632072\,\text{BKİ}

R^2=0{,}489501, MSE =173{,}2427, F(5,\,754)=144{,}597. \hat b_3=-0{,}0070626 (SH 0,00042805), t=-16{,}50.

Adım 2 — Etkileşim testi. Çarpımsız modelde R^2_{(-XW)}=0{,}305183:

\Delta R^2=0{,}489501-0{,}305183=0{,}184318,\qquad F=\frac{0{,}184318/1}{(1-0{,}489501)/754}=272{,}234\ (=t^2),\qquad p<10^{-50}

Etkileşim, modele %18,4'lük ek açıklama katar.

Adım 3 — Basit eğimler. Katsayı kovaryansından \hat V_{11}=5{,}856645\times10^{-4}, \hat V_{13}=-1{,}002803\times10^{-5}, \hat V_{33}=1{,}832233\times10^{-7}; t_c=1{,}963115. Tip 6 yüzdelikleri w=39,\ 54,\ 69. w=39 için:

\hat\theta(39)=0{,}378469+(-0{,}0070626)(39)=0{,}103029
\SH=\sqrt{5{,}856645\times10^{-4}+2(39)(-1{,}002803\times10^{-5})+39^2(1{,}832233\times10^{-7})}=\sqrt{8{,}21611\times10^{-5}}=0{,}009064
W \hat\theta SH t p %95 GA
39 (16.) 0,103029 0,009064 11,367 <0{,}001 [0,085235; 0,120823]
54 (50.) −0,002909 0,006076 −0,479 0,632 [−0,014837; 0,009019]
69 (84.) −0,108847 0,008609 −12,643 <0{,}001 [−0,125749; −0,091946]

Ortalama ± 1 SS (\bar W=54{,}2803, s_W=14{,}2070): w=40{,}0733'te 0,095449 (SH 0,008728); w=54{,}2803'te −0,004889 (SH 0,006071; p=0{,}421); w=68{,}4872'de −0,105226 (SH 0,008455).

Adım 4 — Johnson–Neyman.

A=(-0{,}0070626)^2-1{,}963115^2(1{,}832233\times10^{-7})=4{,}91736\times10^{-5}
B=2\big[(0{,}378469)(-0{,}0070626)-1{,}963115^2(-1{,}002803\times10^{-5})\big]=-5{,}26862\times10^{-3}
C=0{,}378469^2-1{,}963115^2(5{,}856645\times10^{-4})=0{,}140982
w_{1{,}2}=\frac{5{,}26862\times10^{-3}\mp\sqrt{(5{,}26862\times10^{-3})^2-4(4{,}91736\times10^{-5})(0{,}140982)}}{2(4{,}91736\times10^{-5})}=51{,}8674;\ 55{,}2760

Her iki kök de gözlenen aralıkta (15–90). Hastaların %42,63'ünün diyet puanı 51,87'nin altında, %47,24'ünün 55,28'in üstündedir. A>0 olduğundan koşullu etki iki kök arasında anlamsız, dışında anlamlıdır: diyet puanı 51,87'nin altındayken etkinlik glukozla pozitif, 55,28'in üstündeyken negatif ilişkilidir.

Şekil 121.1. Etkileşim grafiği: diyet kalitesinin 16., 50. ve 84. yüzdeliklerinde fiziksel etkinliğe karşı tahmini açlık glukozu (yaş ve BKİ ortalamada).

Şekil 121.2. Johnson–Neyman grafiği: etkinliğin koşullu etkisi \hat\theta(W) ve %95 GA bandı; kesikli çizgiler anlamlılık bölgesinin sınırları.

Adım 5 — Merkezleme. \bar X=148{,}5395, \bar W=54{,}2803:

\tilde b_1=0{,}378469+(-0{,}0070626)(54{,}2803)=-0{,}004889,\qquad \tilde b_2=0{,}998001+(-0{,}0070626)(148{,}5395)=-0{,}051067

Merkezlenmiş modelde \tilde b_1 (SH 0,006071) ortalama diyet kalitesindeki koşullu etkidir ve Adım 3'teki w=\bar W satırıyla aynıdır. \tilde b_3=-0{,}0070626 ve SH'si, \Delta R^2 ve R^2 değişmez; \tilde b_0=36{,}4415. J-N kökleri merkezli ölçekte 51{,}8674-54{,}2803=-2{,}4129 ve 55{,}2760-54{,}2803=0{,}9957 olarak yazılır.

Adım 6 — HC3 ve bootstrap. HC3 ile \SH(\hat b_3)=0{,}00043019 (OLS: 0,00042805); Wald F=269{,}528. Katsayı bootstrap'ında (B = 5000, tohum 2026) \hat b_3 için BootSH 0,00042579; %95 yüzdelik GA [−0,0079127; −0,0062392] (125. ve 4876. sıra), BC [−0,0079105; −0,0062363], BCa [−0,0079116; −0,0062392]. Tüm yöntemler normal kuram GA'sıyla ([−0,0079029; −0,0062223]) uyumludur; n=760'ta katsayının örnekleme dağılımı neredeyse simetriktir.

Adım 7 — Grafik verisi. X'in tip 6 yüzdelikleri 68,76, 146 ve 229 dk/hafta; yaş ve BKİ ortalamada. Örneğin X=68{,}76, W=39'da \hat y=100{,}6709; X=229, W=69'da \hat y=98{,}6006.

121.6.1 Doğrulama: MerQur, Python ve R

MerQur değerleri execute() sonucundaki tam hassasiyetli tablolardan alınmıştır (motor yuvarlama yapmaz; dogrulama/moderation/merqur_calistir.py). R: 4.5.3; lm(), anova(), sandwich::vcovHC(type = "HC3"), quantile(type = 6), J-N için polyroot(); bootstrap için Python'un ürettiği aynı yeniden örneklem indeksleri R'de yeniden kestirilmiş ve aynı sıra kuralı uygulanmıştır (r_dogrulama.R).

Model ve etkileşim testi:

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
b sabit −17,004163 −17,004163 −17,004163 2,1e−12 ✓
SH sabit 5,345277 5,345277 5,345277 1,8e−14 ✓
b X (aktivite) 0,378469 0,378469 0,378469 1,0e−14 ✓
SH X (aktivite) 0,024201 0,024201 0,024201 8,0e−17 ✓
b W (diyet) 0,998001 0,998001 0,998001 5,4e−14 ✓
SH W (diyet) 0,073248 0,073248 0,073248 6,9e−17 ✓
b X×W −0,007063 −0,007063 −0,007063 2,4e−16 ✓
SH X×W 0,000428 0,000428 0,000428 7,6e−19 ✓
b age 0,478594 0,478594 0,478594 4,8e−15 ✓
SH age 0,041555 0,041555 0,041555 6,2e−17 ✓
b bmi 1,632072 1,632072 1,632072 6,7e−14 ✓
SH bmi 0,092602 0,092602 0,092602 3,1e−16 ✓
p X×W 1,8999·10−52 1,8999·10−52 1,8999·10−52 1,4e−63 ✓
%95 GA alt X×W −0,007903 −0,007903 −0,007903 2,4e−16 ✓
%95 GA üst X×W −0,006222 −0,006222 −0,006222 2,4e−16 ✓
R^2 0,489501 0,489501 0,489501 1,1e−16 ✓
MSE 173,242740 173,242740 173,242740 2,0e−13 ✓
F (model) 144,597203 144,597203 144,597203 2,8e−13 ✓
\Delta R^2 (X×W) 0,184318 0,184318 0,184318 1,7e−16 ✓
F (X×W) 272,234411 272,234411 272,234411 1,2e−12 ✓
p (X×W) 1,8999·10−52 1,8999·10−52 1,8999·10−52 5,1e−65 ✓

Basit eğimler, J-N ve grafik verisi:

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
W yüzdeliği 16. 39 39 39 0,0e+00 ✓
\theta (W = 39) 0,103029 0,103029 0,103029 1,9e−14 ✓
SH (W = 39) 0,009064 0,009064 0,009064 1,9e−17 ✓
GA alt (W = 39) 0,085235 0,085235 0,085235 2,0e−14 ✓
GA üst (W = 39) 0,120823 0,120823 0,120823 2,0e−14 ✓
p (W = 39) 9,6035·10−28 9,6035·10−28 9,6035·10−28 2,0e−38 ✓
W yüzdeliği 50. 54 54 54 0,0e+00 ✓
\theta (W = 54) −0,002909 −0,002909 −0,002909 2,3e−14 ✓
SH (W = 54) 0,006076 0,006076 0,006076 3,6e−17 ✓
GA alt (W = 54) −0,014837 −0,014837 −0,014837 2,3e−14 ✓
GA üst (W = 54) 0,009019 0,009019 0,009019 2,3e−14 ✓
p (W = 54) 0,632220 0,632220 0,632220 2,7e−12 ✓
W yüzdeliği 84. 69 69 69 0,0e+00 ✓
\theta (W = 69) −0,108847 −0,108847 −0,108847 2,7e−14 ✓
SH (W = 69) 0,008609 0,008609 0,008609 3,8e−17 ✓
GA alt (W = 69) −0,125749 −0,125749 −0,125749 2,7e−14 ✓
GA üst (W = 69) −0,091946 −0,091946 −0,091946 2,7e−14 ✓
p (W = 69) 2,2915·10−33 2,2915·10−33 2,2915·10−33 7,6e−44 ✓
Ort. ± SS: W = 40.0733 40,073281 40,073281 40,073281 1,4e−14 ✓
\theta (W = 40.0733) 0,095449 0,095449 0,095449 2,0e−14 ✓
SH (W = 40.0733) 0,008728 0,008728 0,008728 2,6e−17 ✓
Ort. ± SS: W = 54.2803 54,280263 54,280263 54,280263 3,6e−14 ✓
\theta (W = 54.2803) −0,004889 −0,004889 −0,004889 2,3e−14 ✓
SH (W = 54.2803) 0,006071 0,006071 0,006071 4,1e−17 ✓
Ort. ± SS: W = 68.4872 68,487245 68,487245 68,487245 4,3e−14 ✓
\theta (W = 68.4872) −0,105226 −0,105226 −0,105226 2,7e−14 ✓
SH (W = 68.4872) 0,008455 0,008455 0,008455 2,8e−17 ✓
J-N kökü 1 51,867387 51,867387 51,867387 3,1e−12 ✓
J-N kökü 1: % altı 42,631579 42,631579 42,631579 1,4e−14 ✓
J-N kökü 2 55,275962 55,275962 55,275962 3,6e−12 ✓
J-N kökü 2: % altı 52,763158 52,763158 52,763158 4,3e−14 ✓
\hat y (X = 68.76, W = 39) 100,670892 100,670892 100,670892 2,3e−12 ✓
\hat y (X = 146, W = 54) 108,131892 108,131892 108,131892 8,8e−13 ✓
\hat y (X = 229, W = 69) 98,600578 98,600578 98,600578 1,1e−12 ✓

Merkezleme, HC3 ve katsayı bootstrap'ı:

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Merkezli b sabit 36,441480 36,441480 36,441480 8,2e−13 ✓
Merkezli SH sabit 3,521866 3,521866 3,521866 9,8e−15 ✓
Merkezli b X (aktivite) −0,004889 −0,004889 −0,004889 2,1e−17 ✓
Merkezli SH X (aktivite) 0,006071 0,006071 0,006071 5,2e−18 ✓
Merkezli b W (diyet) −0,051067 −0,051067 −0,051067 1,8e−15 ✓
Merkezli SH W (diyet) 0,033690 0,033690 0,033690 1,4e−17 ✓
Merkezli b X×W −0,007063 −0,007063 −0,007063 4,3e−18 ✓
Merkezli SH X×W 0,000428 0,000428 0,000428 5,4e−20 ✓
HC3 SH sabit 5,845628 5,845628 5,845628 9,5e−13 ✓
HC3 SH X (aktivite) 0,024370 0,024370 0,024370 5,4e−15 ✓
HC3 SH W (diyet) 0,078551 0,078551 0,078551 1,4e−14 ✓
HC3 SH X×W 0,000430 0,000430 0,000430 9,6e−17 ✓
HC3 SH age 0,040983 0,040983 0,040983 1,6e−15 ✓
HC3 SH bmi 0,100315 0,100315 0,100315 3,6e−15 ✓
HC3 Wald F (X×W) 269,527657 269,527657 269,527657 1,1e−10 ✓
Bootstrap yüzdelik alt, X (aktivite) 0,331074 0,331074 0,331074 3,9e−14 ✓
Bootstrap yüzdelik üst, X (aktivite) 0,427028 0,427028 0,427028 2,6e−14 ✓
Bootstrap yüzdelik alt, X×W −0,007913 −0,007913 −0,007913 3,2e−16 ✓
Bootstrap yüzdelik üst, X×W −0,006239 −0,006239 −0,006239 6,5e−16 ✓
Bootstrap BC alt, X (aktivite) 0,329938 0,329938 0,329938 1,9e−14 ✓
Bootstrap BC üst, X (aktivite) 0,425675 0,425675 0,425675 1,9e−14 ✓
Bootstrap BC alt, X×W −0,007910 −0,007910 −0,007910 9,2e−16 ✓
Bootstrap BC üst, X×W −0,006236 −0,006236 −0,006236 1,3e−16 ✓
Bootstrap BCa alt, X (aktivite) 0,329805 0,329805 0,329805 2,0e−14 ✓
Bootstrap BCa üst, X (aktivite) 0,425591 0,425591 0,425591 2,4e−14 ✓
Bootstrap BCa alt, X×W −0,007912 −0,007912 −0,007912 1,8e−16 ✓
Bootstrap BCa üst, X×W −0,006239 −0,006239 −0,006239 6,5e−16 ✓
Bootstrap SH, X×W 0,000426 0,000426 0,000426 5,3e−18 ✓

83 satırın tümü ölçütü karşılar. Bootstrap satırları, aynı indekslerle hesaplandığından 10^{-12} düzeyinde aynıdır; farklı bir yazılımın kendi rastgele örneklemleriyle yalnız düzey olarak benzer sonuç beklenir.

121.7 Çıktıyı okuma

Sonuç metni (varsayılan ayarlar + J-N + grafik verisi, kısaltılmış):

── Kestirilen model denklemi ──
  tahmini fasting_glucose_mg_dL = −17.0042 + 0.3785·physical_activity_min_week + 0.9980·diet_quality_score − 0.0071·(physical_activity_min_week×diet_quality_score) + 0.4786·age + 1.6321·bmi
Model özeti:
          R         R²        MSE          F        df1        df2          p
     0.6996     0.4895   173.2427   144.5972     5.0000   754.0000    <0.0001
Katsayılar:
                                katsayı         se          t          p        AGA        ÜGA
physical_activity_min_week       0.3785     0.0242    15.6389    <0.0001     0.3310     0.4260
diet_quality_score               0.9980     0.0732    13.6250    <0.0001     0.8542     1.1418
etk_1                           -0.0071     0.0004   -16.4995    <0.0001    -0.0079    -0.0062
En yüksek dereceli koşulsuz etkileşim testleri:
                  ΔR²          F        df1        df2          p
X*W            0.1843   272.2344     1.0000   754.0000    <0.0001
Düzenleyici değerlerinde odak yordayıcının koşullu etkileri:
 diet_quali       etki         SE          t          p        AGA        ÜGA
    39.0000     0.1030     0.0091    11.3665    <0.0001     0.0852     0.1208
    54.0000    -0.0029     0.0061    -0.4788     0.6322    -0.0148     0.0090
    69.0000    -0.1088     0.0086   -12.6428    <0.0001    -0.1257    -0.0919
Johnson-Neyman anlamlılık bölgesi sınırları:
      değer     % altı     % üstü
    51.8674    42.6316    57.3684
    55.2760    52.7632    47.2368
── APA 7 ÖZET ──
X*W etkileşimi: ΔR² = 0.1843, F(1, 754) = 272.23, p < 0.0001. Johnson-Neyman geçiş noktaları (diet_quality_score): 51.8674, 55.2760.
Öğe Ne yazar Nasıl yorumlanır
Model denklemi Tüm katsayılarla tahmin denklemi. Çarpım teriminin işareti: negatif b_3, diyet kalitesi arttıkça etkinliğin eğiminin azaldığını gösterir.
Katsayılar b, SH, t, p, GA; etk_1 çarpım terimidir ("Çarpım terimleri" satırında açılır). b_1 ve b_2, öteki değişken sıfırken geçerli koşullu etkilerdir; ana etki gibi yorumlanmaz.
En yüksek dereceli etkileşim testi \Delta R^2, F, sd, p. Düzenleyiciliğin kanıtı. HC/küme SH'de Wald F.
Koşullu etkiler Seçilen W değerlerinde \hat\theta, SH, t, p, GA. Etkileşim p< yoklama eşiği değilse bu tablo yerine bilgi iletisi çıkar.
J-N sınırları ve tablosu Kökler, altında/üstünde kalan yüzde; 22 satırlık tablo. Kökte p=\alpha'dır (tabloda 0,0500). Hangi aralıkta anlamlı olduğu tablodan okunur.
Grafik verisi X ve W yüzdeliklerinde \hat y. Etkileşim grafiğinin sayısal karşılığı; kovaryatlar ortalamada.
Notlar Güven düzeyi, düzenleyici değerlerinin türü, merkezlenen değişkenler, bootstrap ayarları ve tohum. Merkezleme açıksa koşullu tablolardaki W değerleri merkezli ölçektedir.

APA biçiminde rapor cümlesi (Türkçe ondalıkla):

Haftalık fiziksel etkinliğin açlık glukozuyla ilişkisinin diyet kalitesine göre değişip değişmediği, yaş ve beden kütle indeksinin denetlendiği çarpım terimli regresyonla incelendi (n = 760). Etkinlik × diyet kalitesi etkileşimi anlamlıydı, b = -0{,}0071, %95 GA [−0,0079; −0,0062], \Delta R^2 = 0{,}184, F(1, 754) = 272{,}23, p < 0{,}001. Diyet kalitesi düşükken (16. yüzdelik, 39 puan) etkinlik glukozla pozitif ilişkiliydi, \theta = 0{,}103, %95 GA [0,085; 0,121]; ortalama düzeyde (54 puan) ilişki yoktu, \theta = -0{,}003, p = 0{,}632; yüksek diyet kalitesinde (84. yüzdelik, 69 puan) negatifti, \theta = -0{,}109, %95 GA [−0,126; −0,092]. Johnson–Neyman yöntemine göre etkinliğin etkisi diyet puanı 51,87'nin altında ve 55,28'in üstünde anlamlıydı.

121.8 Uzman soruları

S1. b_1=0{,}378 "etkinliğin ana etkisi" midir?

Hayır. b_1, W=0 iken X'in etkisidir; diyet puanı 15–90 aralığında olduğu için W=0 hiçbir hastaya karşılık gelmez ve 0,378 bir uzantı değeridir. Ortalama diyet kalitesindeki etki, merkezlenmiş modeldeki \tilde b_1=-0{,}0049'dur (p=0{,}421). Etkileşimli modelde "ana etki" ancak merkezleme ya da etki kodlaması ile tanımlı bir yorum kazanır.

S2. Merkezleme etkileşim testini değiştirir mi?

Değiştirmez: \hat b_3, SH'si, t'si, \Delta R^2 ve model R^2'si aynıdır; koşullu etkiler de aynı W değerlerinde aynı sayılardır (121.6, Adım 5). Değişen, b_1 ve b_2'nin hangi noktadaki koşullu etki olduğudur. X ile X·W arasındaki korelasyonun düşmesi bir "çoklu doğrusallık çözümü" değildir; yalnız b_1'in tanımı değişir (Echambadi ve Hess, 2007).

S3. Neden 16./50./84. yüzdelikler, neden ortalama ± SS değil?

İkisi de seçilebilir. Yüzdelikler her zaman gözlenen aralıktadır ve çarpık W'de daha temsilîdir; ortalama ± SS çarpık dağılımda gözlenmemiş bir değere düşebilir (MerQur bu durumda ucu gözlenen sınıra çeker ve not yazar). Yüzdelik tanımı Hyndman–Fan tip 6'dır; R'nin varsayılan tip 7'siyle sürekli W'de küçük farklar doğabilir.

S4. J-N bölgesinde neden iki kök arası anlamsız?

Koşullu etkinin varyansı W'nin ikinci derece işlevidir ve en küçük değerini W'nin ortalamasına yakın bir yerde alır; etki burada sıfırdan geçtiği için (işaret değiştiriyor) bu dar aralıkta |t|<t_c kalır. İki kökün dışında etki sıfırdan uzaklaştıkça hızla anlamlı olur. A<0 olsaydı (zayıf etkileşim) durum tersine dönebilir ve anlamlı bölge iki kökün arası olurdu; tabloda p sütunu her durumda doğru bölgeyi gösterir.

S5. J-N sınırları çoklu karşılaştırma düzeltmesi gerektirir mi?

J-N, W'nin sonsuz sayıda değerinde aynı anda karar verir; noktasal %95 GA bandı eşzamanlı bir güven bandı değildir. Kesin bir eşzamanlı yorum için Scheffé tipi kritik değer ya da yanlış bulgu oranı düzeltmesi önerilmiştir. MerQur noktasal t_c kullanır (referans makro gibi); sınırlar keşifsel olarak raporlanmalıdır.

S6. HC3 seçilince \Delta R^2 neden değişmiyor da F değişiyor?

\Delta R^2 iki OLS modelinin R^2 farkıdır ve SH seçiminden bağımsızdır. Sağlam SH ile F, R^2 farkından değil Wald istatistiğinden (\hat b_3^{\,2}/\widehat V^{HC3}_{33}) hesaplanır: burada 272,23 yerine 269,53. Koşullu etkilerin SH'leri ve J-N sınırları da HC3 kovaryansıyla yeniden hesaplanır.

S7. İki değerli Y'de ne değişir?

Motor Y'nin iki değerli olduğunu görünce lojistik regresyon kestirir (Newton–Raphson, sapma ölçütü 10^{-8}). Koşullu etkiler log-odds ölçeğindedir, z testi ve normal kritik değer kullanılır; etkileşim testi olabilirlik oranı \chi^2'sidir. Log-odds ölçeğinde etkileşim olmaması olasılık ölçeğinde etkileşim olmaması anlamına gelmez; grafik verisi tablosu olasılıkları ayrıca verir.

S8. Bootstrap tohumu neden varsayılan olarak 0?

Referans makro gibi, tohum 0 her çalıştırmada yeni bir tohum çeker ve metne yazar. Aracılık panelinin varsayılan tohumu ise 42'dir. Rapor edilen bir bootstrap GA'sını aynen üretmek için metindeki "Bootstrap tohumu" değeri girilmelidir. Bootstrap yalnız katsayı GA'larını etkiler; koşullu etkiler ve J-N normal kurama dayanır.

121.9 Sık hatalar ve tuzaklar

  • b_1 ve b_2'yi ana etki diye raporlamak. Etkileşimli modelde bunlar öteki değişkenin sıfır olduğu noktadaki koşullu etkilerdir.
  • Merkezlemenin çoklu doğrusallığı "çözdüğünü" sanmak. Test istatistikleri değişmez; merkezleme yalnız yorumu kolaylaştırır.
  • Merkezlenmiş çıktıdaki W değerlerini ham değer sanmak. Merkezleme açıkken koşullu etki tablosundaki ve J-N sınırlarındaki W değerleri w-\bar W'dir (burada −2,41 ve 1,00); ham ölçeğe dönmek için ortalama eklenir.
  • Yoklama eşiğini unutmak. Etkileşim p\ge0{,}10 ise koşullu etkiler metne yazılmaz; bu bir hata değildir, eşik 1 yapılarak tablolar her zaman alınabilir.
  • J-N'yi iki değerli düzenleyicide beklemek. İki değerli W'de koşullu etki yalnız iki değerde tanımlıdır; J-N uygulanmaz.
  • Basit eğimi kovaryanssız SH ile elle hesaplamak. \widehat{\operatorname{Cov}}(\hat b_1,\hat b_3) atlanırsa SH yanlış çıkar.
  • Grafikte kovaryatların ortalamada tutulduğunu unutmak. Etkileşim grafiği ve grafik verisi tablosu kovaryatları örneklem ortalamasında sabitler.
  • Tohum 0 ile bootstrap sonucunu yeniden üretmeye çalışmak. Her çalıştırma yeni tohum çeker; metindeki tohum kullanılmalıdır.
  • Kategorik W'yi sayısal bırakmak. 1/2/3 kodlu bir grup değişkeni Veri sekmesinde kategorik işaretlenmez ya da W kodlaması seçilmezse doğrusal bir düzenleyici gibi girer.

121.10 Kaynaklar

  • Aiken, L. S., & West, S. G. (1991). Multiple regression: Testing and interpreting interactions. Sage.
  • Bauer, D. J., & Curran, P. J. (2005). Probing interactions in fixed and multilevel regression: Inferential and graphical techniques. Multivariate Behavioral Research, 40(3), 373–400. https://doi.org/10.1207/s15327906mbr4003_5
  • Cribari-Neto, F. (2004). Asymptotic inference under heteroskedasticity of unknown form. Computational Statistics & Data Analysis, 45(2), 215–233. https://doi.org/10.1016/S0167-9473(02)00366-3
  • Echambadi, R., & Hess, J. D. (2007). Mean-centering does not alleviate collinearity problems in moderated multiple regression models. Marketing Science, 26(3), 438–445. https://doi.org/10.1287/mksc.1060.0263
  • Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3. bs.). Guilford Press.
  • Hayes, A. F., & Matthes, J. (2009). Computational procedures for probing interactions in OLS and logistic regression: SPSS and SAS implementations. Behavior Research Methods, 41(3), 924–936. https://doi.org/10.3758/BRM.41.3.924
  • Johnson, P. O., & Neyman, J. (1936). Tests of certain linear hypotheses and their application to some educational problems. Statistical Research Memoirs, 1, 57–93.
  • Long, J. S., & Ervin, L. H. (2000). Using heteroscedasticity consistent standard errors in the linear regression model. The American Statistician, 54(3), 217–224. https://doi.org/10.1080/00031305.2000.10474549
  • Preacher, K. J., Curran, P. J., & Bauer, D. J. (2006). Computational tools for probing interactions in multiple linear regression, multilevel modeling, and latent curve analysis. Journal of Educational and Behavioral Statistics, 31(4), 437–448. https://doi.org/10.3102/10769986031004437
  • Spiller, S. A., Fitzsimons, G. J., Lynch, J. G., & McClelland, G. H. (2013). Spotlights, floodlights, and the magic number zero: Simple effects tests in moderated regression. Journal of Marketing Research, 50(2), 277–288. https://doi.org/10.1509/jmr.12.0420