122. Aracılık Analizi
Analiz kimliği: mediation · Menü adı: Aracılık Analizi (Aracılık ve Koşullu Süreç Analizi) · Panel: gui/panels/analyses/mediation_analysis.py (form 118–383, read_options 388–479, execute 482–503) · Köprü: stats/aracilik_kosullu.py (run_mediation_ks, 148–348; _build_result, 496–842) · Motor: stats/kosullu_surec.py (_mediation, 1982–2151; Bölüm 121 ile ortak)
122.1 Ne işe yarar
Aracılık (mediation) analizi, X'in Y üzerindeki etkisinin bir kısmının ya da tamamının bir ara değişken (aracı, M) üzerinden geçip geçmediğini sorar: "X, M'yi değiştirir; M de Y'yi değiştirir." Model 4 (tek aracı) iki regresyon denkleminden oluşur:
- a: X'in M üzerindeki etkisi; b: X sabit tutulduğunda M'nin Y üzerindeki etkisi.
- c': M sabit tutulduğunda X'in Y üzerindeki doğrudan etkisi; c: X'in Y üzerindeki toplam etkisi (aracısız regresyon).
- ab: dolaylı etki; X bir birim arttığında, yalnız M'deki değişim yoluyla Y'de beklenen değişim.
- Eşitlik c=c'+ab OLS'de aynı örneklemde ve aynı kovaryatlarla cebirsel olarak tamdır (doğrusal, sürekli Y).
Sınanan hipotez H_0:\ ab=0'dır. ab'nin örnekleme dağılımı normal değildir (iki normal değişkenin çarpımı); bu yüzden MerQur kararı bootstrap güven aralığına dayandırır, Sobel testini yalnız ek çıktı olarak verir.
Ne zaman kullanılır?
- Kuram X → M → Y zincirini öngörüyor ve M zamansal olarak X'ten sonra, Y'den önce ölçülmüşse.
- Birden çok aracı paralel (Model 4, "Ek aracılar") ya da seri (Model 6) incelenecekse; özgül dolaylı etkiler ve aralarındaki farklar (karşıtlıklar) isteniyorsa.
- Dolaylı etkinin bir düzenleyiciye göre değişip değişmediği (düzenleyicili aracılık; Model 7, 8, 14, 58 … 92) sorulacaksa: aynı panel, model seçimiyle.
Ne zaman kullanılmaz?
- Soru "X'in etkisi W'ye göre değişiyor mu?" ise: Düzenleyicilik Analizi (Bölüm 121).
- Karşı-olgusal (nedensel) dolaylı etki, ikili/sayım/sağkalım Y ya da X×M etkileşiminde doğal etkiler isteniyorsa: Nedensel Aracılık Analizi (Bölüm 125).
- Değişkenler birden çok göstergeyle ölçülen gizil kavramlarsa ya da çok sayıda içsel değişkenli bir sistemin uyumu sınanacaksa: Yapısal Eşitlik Modeli (Bölüm 89) ya da Yol Analizi (Bölüm 124).
- Gözlemler kümeliyse (hasta içinde tekrarlı ölçüm): Çok Düzeyli Aracılık ya da Çok Düzeyli YEM ile Aracılık (MSEM).
Sık karıştırılan analizler. Baron ve Kenny'nin (1986) "adımlar" yaklaşımı (c, a, b ayrı ayrı anlamlı mı?) bu analiz değildir: aracılık c anlamsızken de bulunabilir, a ve b ayrı ayrı anlamlıyken de ab belirsiz olabilir (Zhao, Lynch ve Chen, 2010). "Tam/kısmi aracılık" sınıflaması MerQur'da verilmez. Yol analizi (Bölüm 124) aynı nokta kestirimlerini ML ile verir; farkı SH'lerin N paydalı olması, z dağılımı ve model uyumu testidir.
122.2 Varsayımlar ve veri türü
| Varsayım | Ne demek | MerQur'da nasıl denetlenir |
|---|---|---|
| Zamansal sıra ve nedensel yön | X → M → Y sırası kuramsal olarak gerekçeli. | Denetlenmez; veriyle sınanamaz. |
| Ölçülmemiş karıştırıcı yok | Özellikle M–Y ilişkisini karıştıran değişken modelde. | Denetlenmez. Kovaryat eklenebilir; duyarlılık analizi Bölüm 125'tedir. |
| Doğrusallık, X×M etkileşimi yok | Her denklem doğrusal; M'nin Y'ye etkisi X'e göre değişmez. | "X×M etkileşim testi" ek çıktısı; varsa "X×M etkileşimli karşı-olgusal etkiler". |
| Bağımsız gözlemler | Hatalar bağımsız. | Küme değişkeni ile küme-dayanıklı SH ve kümelenmiş bootstrap. |
| Sabit varyans, normal hata | Yol katsayılarının t testleri için. | Denetlenmez; HC0–HC4 seçilebilir. Bootstrap GA dağılım varsayımı gerektirmez. |
| Güvenilir M ölçümü | Ölçme hatası b'yi küçültür, c''yü büyütür. | "Ölçme hatası düzeltmesi" (X, M, kovaryat güvenirlikleri). |
Eksik değer. Liste bazında silme: X, M (ve ek aracılar), Y, kovaryatlar, W, Z ve küme değişkeninden herhangi birinde eksik ya da sayısal olmayan değer içeren satır çıkarılır (aracilik_kosullu.py:208–261). Metin X otomatik olarak gösterge kodlanır; iki değerli metin Y 0/1'e çevrilir.
Uç durumlar.
- Aynı değişken iki rolde seçilirse hata (180–181). En küçük örneklem: en büyük denklemin katsayı sayısı p ise n\ge p+2 (286–289); Model 4 tek aracıda n\ge5.
- Yalın yapılandırmada (122.5.1) B<100 hata (219–220); n<30 ve B<1000 uyarı (721–726); a yolu anlamsızsa ayrıca uyarı (730–735).
- İki değerli Y → Y denklemi lojistik regresyon; toplam etki ayrı lojistik modelden; etki büyüklükleri (ab_{cs}, P_M) ve c=c'+ab eşitliği geçerli değildir.
- Bootstrap örneklemlerinden biri tekil çıkarsa (ör. bir örneklemde X sabit) yalın yapılandırmada o örneklem dışlanır ve sayısı uyarıyla bildirilir (
kosullu_surec.py:1907–1918;aracilik_kosullu.py:741–743).
122.3 Parametreler
Varsayılanlar mediation_analysis.py:118–479 kodundan okunmuştur.
| Arayüz adı | Varsayılan | Ne yapar | Sonucu nasıl değiştirir |
|---|---|---|---|
| X (bağımsız), M (aracı), Y (bağımlı) | 1., 2., 3. sayısal sütun | Roller. | Model. |
| Ek aracılar | boş | Model 4'te paralel, Model 6'da seri aracılar. | Özgül ve toplam dolaylı etkiler, karşıtlıklar. |
| Model | Model 4 (paralel aracılar) | 4, 6, 5, 7–22, 28, 29, 58–92 ya da özel model. | Denklemler; düzenleyicili modellerde koşullu dolaylı etkiler ve indeksler. |
| Düzenleyici (W), İkinci düzenleyici (Z) | — | Yalnız düzenleyicili modellerde görünür. | Koşullu etkiler. |
| Kovaryatlar; kovaryatların girdiği denklemler | boş; tüm denklemler | Kovaryatlar M ve Y denklemlerine (ya da yalnız birine) girer. | Tüm yollar. |
| Bootstrap (B) | 5000 | 100–50000 yeniden örneklem. | Dolaylı etki GA'sı, BootSH, bootstrap p. |
| Tohum | 42 | RandomState(tohum) yeniden örnekleme dizisi. |
Bootstrap sonuçları. |
| Güven düzeyi | %95 | Yol GA'ları ve bootstrap GA'sı. | GA'lar; %95 dışı yalın yapılandırmayı kapatır. |
| Bootstrap GA türü | Yüzdelik | Yüzdelik, yanlılık düzeltmeli (BC), BCa (jackknife ivmesi). | Yalnız dolaylı etki GA'sı. |
| Sobel / Aroian / Goodman testleri | kapalı | Normal kuram testleri (düzenleyicisiz, seri olmayan modeller). | Ek bölüm. |
| Toplam etki modeli | açık | Y ~ X (+ kovaryatlar) denklemini ayrıntılı çıktıya yazar. | Ek bölüm. |
| Standartlaştırılmış dolaylı etkiler; standartlaştırılmış katsayılar | kapalı | ab\cdot s_X/s_Y (her bootstrap örneğinde kendi SS'leriyle). | Ek bölüm. |
| Dolaylı etki karşıtlıkları | Farklar | Birden çok aracıda özgül dolaylı etki farkları (ya da mutlak değer farkları). | Ek satırlar. |
| Monte Carlo GA | kapalı | Bootstrap yerine katsayıların çok değişkenli normal çekilişleri. | Dolaylı etki GA'sı. |
| İkili aracıya izin ver | açık | İki değerli M, OLS ile. | — |
| X×M etkileşimli karşı-olgusal etkiler; X×M testi | kapalı | Model 4'te doğal doğrudan/dolaylı etkiler (VanderWeele, 2015). | Ek bölüm. |
| Ölçme hatası düzeltmesi | güvenirlik boş | Errors-in-variables regresyonu. | Tüm yollar. |
| Değişen varyansa sağlam SH; küme değişkeni; kümelenmiş bootstrap | Yok | HC0–HC4; küme-dayanıklı SH; küme bootstrap'ı. | Yol SH'leri; bootstrap örneklemleri. |
| X/W/Z kodlaması | Sürekli | Gösterge, ardışık, Helmert, etki kodlaması. | Göreli dolaylı etkiler. |
| Ek çıktılar | kapalı | Betimleyici, tanı, kareler toplamı, katsayı kovaryansı, artık korelasyonları, silinen satırlar, katsayı bootstrap'ı. | Ek bölümler. |
Koddaki tercih: "yalın" yapılandırma
Tek aracı, kovaryat yok, %95, yüzdelik ya da BC GA, sürekli X ve Y, ileri seçenek yok ise köprü yalın yapılandırmayı seçer (aracilik_kosullu.py:216–218). Bu yapılandırmada yol tablosu altı satırdır: a, Y ~ M (X kontrolsüz basit regresyon; b yolu değildir), b, toplam, doğrudan ve dolaylı etki. Diğer bileşimlerde ("genişletilmiş", "qf", "yeni") yol tablosu modele göre değişir; dolaylı etkinin hesabı her yapılandırmada aynı motordan gelir.
Neden tohum 42 ve RandomState?
Aracılık paneli, önceki proje dosyalarının aynı bootstrap örneklemlerini üretmesi için numpy.random.RandomState(tohum) dizisini kullanır (motor seçeneği bootrng = 1; kosullu_surec.py:1751–1762). Bu dizi RandomState(42).choice(n, (B, n)) ile birebir aynıdır. Düzenleyicilik panelinin katsayı bootstrap'ı ise default_rng kullanır; aynı tohum iki panelde farklı örneklemler üretir.
122.4 Tıp örneği
Dosya: english/datasets/Tip/51_mediation_stress_cortisol_bp.xlsx (Türkçe kopya samples/Tum_Analiz_Tip/51_mediation_stres_kortizol_KB.xlsx). Değişkenler VIDEO_SCRIPT_TR.txt #51'den alınmıştır.
| Değişken | Rol | Tür | Özet |
|---|---|---|---|
stress_PSS |
X | sürekli (algılanan stres ölçeği) | ort. 5,244; SS 1,948 |
cortisol_ng_mL |
M | sürekli | ort. 19,868; SS 3,555 |
systolic_bp |
Y | sürekli (mmHg) | ort. 109,28; SS 5,638 |
n ve eksik değer: 200 hasta, eksik değer yok.
Klinik soru: Algılanan stres sistolik kan basıncını kortizol üzerinden mi artırıyor? Stresin kortizolden bağımsız bir doğrudan etkisi var mı?
Seçilen ayarlar: Model 4, B = 5000, tohum 42, %95, yüzdelik GA, Sobel testleri açık. Hesap yürüyüşü için ayrıca BC, BCa ve Monte Carlo GA çalıştırılmıştır.
122.5 Formüller ve hesap adımları
Hesap sırası: (1) liste bazında silme; (2) M ve Y denklemlerinin OLS kestirimi (kosullu_surec.ols_fit, 433–480; Bölüm 121.5.1); (3) toplam etki modeli (_total, 2409–2457); (4) doğrudan etki c' ve dolaylı etki ab; (5) B bootstrap örnekleminde tüm denklemlerin aynı örneklemle yeniden kestirimi ve a^*b^*; (6) GA, BootSH, bootstrap p; (7) isteğe bağlı Sobel, etki büyüklükleri.
122.5.1 Yollar ve dolaylı etki
- Kovaryat varsa her denkleme toplamsal girer; \hat a o zaman kısmi regresyon katsayısıdır.
- Yol SH'leri, t (sd =n-p), p ve GA klasik OLS formülleridir (Bölüm 121.5.1); lojistik Y'de z.
- c=c'+ab eşitliği MerQur'da ayrı bir model (Y\sim X) kestirilerek doğrulanabilir; bu örnekte fark -6{,}9\times10^{-15}'tir.
122.5.2 Sobel, Aroian ve Goodman testleri
"Sobel / Aroian / Goodman testleri" seçilirse (yalnız düzenleyicisiz, paralel yapıdaki modellerde) üç normal kuram SH'si verilir (mediation_process.sobel_tests, 202–211):
- s_a, s_b: a ve b'nin OLS SH'leri; p=2[1-\Phi(|z|)].
- Sobel, ab'nin birinci dereceden delta yöntemi SH'sidir; Aroian ikinci dereceden terimi ekler; Goodman yansız varyans kestiricisidir.
- MerQur'un motor içi "normal" çıktısı Aroian SH'sini kullanır (
kosullu_surec._sobel, 2387–2406).
Neden Sobel karar ölçütü değil?
\hat a ve \hat b yaklaşık normal olsa bile çarpımları normal değildir: çarpıktır ve basıklığı fazladır, özellikle a ya da b sıfıra yakınken. Sobel testi simetrik bir normal dağılım varsaydığı için gücü düşüktür ve GA'sı yanlış yerdedir (MacKinnon, Lockwood ve Williams, 2004). Şekil 122.1'de bootstrap dağılımının sola çarpıklığı ve Sobel normal eğrisi karşılaştırılmıştır.
122.5.3 Bootstrap: yüzdelik, BC ve BCa
B yeniden örneklemin her birinde (indeksler RandomState(42).randint(0, n, (B, n))) M ve Y denklemleri aynı örneklemle yeniden kestirilir (_bootstrap_betas, 1863–1923) ve \theta^*_b=a^*_bb^*_b hesaplanır.
- \theta^*_{(r)}: sıralı bootstrap değerlerinin r. sırası; ara değer yoktur (
_pct_pick, 1963–1973; Hayes, 2022). - z_0=\Phi^{-1}\big(\#\{\theta^*_b<\widehat{ab}\}/B\big); oran [1/(B+1),\,1-1/(B+1)] aralığına kırpılır (
_ci, 1939–1960). - \hat a_{acc}=\sum_i(\bar\theta_{(\cdot)}-\theta_{(i)})^3\big/\big(6\,[\sum_i(\bar\theta_{(\cdot)}-\theta_{(i)})^2]^{3/2}\big): jackknife ivmesi; \theta_{(i)}=\hat a_{(i)}\hat b_{(i)}, i. gözlem çıkarılarak (
_jackknife_betas, 2552–2567). - BootSH ve p_{boot}
aracilik_kosullu.py:518–529ve 136–141'dedir. p_{boot}, GA ile aynı bootstrap dağılımından gelen tamamlayıcı bir özettir; referans makroda yoktur. - Çekilişlerin hiçbiri sıfırın öteki yanına düşmezse p_{boot}=0 yazılmaz; benzetim çözünürlüğü sınırı "p<2/B" (ör. B=5000'de p<0{,}0004) yazılır (Phipson ve Smyth, 2010). Monte Carlo GA seçildiğinde aynı kural çekiliş sayısıyla uygulanır ve p satırı "Monte Carlo" adıyla verilir.
Neden üç GA türü?
Yüzdelik GA, bootstrap dağılımının doğrudan kuyruk değerleridir; dönüşüme değişmezdir ama dağılımın merkezi kestirimden kaymışsa (yanlılık) kayar. BC, bu kaymayı z_0 ile düzeltir; BCa ayrıca dağılımın genişliğinin parametreyle değişmesini (ivme) jackknife ile düzeltir (Efron, 1987). Benzetim çalışmalarında BC ve BCa, ab için gücü artırırken küçük örneklemde I. tip hatayı şişirebilir (Fritz, Taylor ve MacKinnon, 2012); bu yüzden MerQur'un ve referans makronun varsayılanı yüzdeliktir.
Koddaki tercih: karar ölçütü
Dolaylı etkinin "Anlamlı" sütunu ve "KARAR" satırı, seçilen bootstrap GA'sının sıfırı içerip içermediğine dayanır (aracilik_kosullu.py:526); bootstrap p ayrıca bilgi olarak kalır. Gerekçe: dolaylı etkide çıkarım GA üzerinden yapılır (Hayes, 2022); aynı satırda GA ile kararın çelişmemesi için karar ölçütü tektir. Tam/kısmi aracılık sınıflaması verilmez (aracilik_kosullu.py:728–733; Zhao, Lynch ve Chen, 2010; Rucker ve ark., 2011).
122.5.4 Monte Carlo GA
"Monte Carlo GA" seçildiğinde yeniden örnekleme yerine her denklemin katsayıları kendi asimptotik normal dağılımından çekilir (_mc_betas, 1926–1936):
- Çekiliş:
RandomState(tohum).standard_normalve Cholesky çarpanı; önce M, sonra Y denklemi. - GA yüzdelik sıra kuralıyla; SH B-1 paydalı. Monte Carlo GA yalnız düzenleyicisiz modellerde uygulanır; düzenleyicili modelde bootstrap'a dönülür ve not yazılır (1987–1992).
Neden denklemler bağımsız çekilir?
OLS'de M ve Y denklemlerinin katsayı kestiricileri asimptotik olarak ilişkisizdir (e_M ile e_Y ilişkisiz varsayımı altında). Monte Carlo yöntemi (MacKinnon ve ark., 2004) yalnız özet istatistiklerle (\hat a, \hat b, SH'ler) çalışır ve bootstrap'tan çok hızlıdır; ancak normal varsayım altında çalıştığı için aykırı değerlere bootstrap kadar uyum sağlamaz.
122.5.5 Etki büyüklükleri
- ab_{cs}: tamamen standartlaştırılmış dolaylı etki (Preacher ve Kelley, 2011); X bir SS arttığında Y'de SS cinsinden beklenen dolaylı değişim.
- P_M: aracılanan oran; c ve ab aynı işaretli ve c sıfırdan uzakken anlamlıdır. Bu örnekte işaretler zıttır ve P_M negatif çıkar (122.9).
- Her ikisi de yuvarlanmamış katsayılardan hesaplanır (
mediation_extras.effect_sizes).
122.6 Elle hesap: Tıp verisinde sayısal yürüyüş
Ara değerler dogrulama/mediation/elle_hesap.py ile (numpy; MerQur kodu çağrılmadan) hesaplanmıştır.
Adım 1 — a yolu (M ~ X). \hat a=1{,}469160 (SH 0,076947; t(198)=19{,}093; %95 GA [1,317419; 1,620900]); R^2_M=0{,}648031. Stres kortizolü güçlü yordar.
Adım 2 — b ve c' (Y ~ X + M). \hat b=-0{,}096355 (SH 0,184660; p=0{,}602; GA [−0,460520; 0,267810]); \hat c'=0{,}844207 (SH 0,337011; p=0{,}0131; GA [0,179594; 1,508820]); R^2_Y=0{,}060216.
Adım 3 — Toplam etki (Y ~ X). \hat c=0{,}702646 (SH 0,199571; p=0{,}000534; GA [0,309089; 1,096204]).
Basit regresyon Y ~ M'de kortizolün katsayısı 0,276016'dır (p=0{,}0137): kortizol tek başına kan basıncıyla ilişkili görünür, ama stres denetlenince bu ilişki kaybolur.
Adım 4 — Sobel testleri.
Aroian SH 0,271768 (p=0{,}6024); Goodman SH 0,271024 (p=0{,}6014).
Adım 5 — Bootstrap (B = 5000, tohum 42). 5000 örneklemin 1517'sinde a^*b^*>0, 3483'ünde <0:
Yüzdelik GA: \lceil0{,}025\times5000\rceil=125. ve \lfloor0{,}975\times5000\rfloor+1=4876. sıra:
BC: \#\{\theta^*<\widehat{ab}\}/B=0{,}494, z_0=\Phi^{-1}(0{,}494)=-0{,}015040; q_L=\Phi(2(-0{,}015040)-1{,}959964)=0{,}023293, q_U=0{,}973189; sıralar 117 ve 4866; GA [−0,688308; 0,355347].
BCa: jackknife ivmesi \hat a_{acc}=0{,}017010; q_L=0{,}027061, q_U=0{,}977056; sıralar 136 ve 4886; GA [−0,672314; 0,380414].
Monte Carlo (5000 çekiliş, tohum 42): GA [−0,675337; 0,385846], SH 0,272003, p=0{,}5844.
Dört GA da sıfırı içerir: dolaylı etki anlamlı değildir.
Şekil 122.1. a^*b^*'nin bootstrap dağılımı (B = 5000, tohum 42); kesikli çizgiler yüzdelik, noktalı çizgiler BCa GA sınırları; gri eğri Sobel normal yaklaşımı.
Adım 6 — Etki büyüklükleri. s_X=1{,}947749, s_Y=5{,}638311:
122.6.1 Doğrulama: MerQur, Python ve R
MerQur değerleri execute() sonucundan alınmıştır; yol tablosunun 4 ondalık yuvarlaması (round, p_yuvarla) doğrulama sırasında yalnız bellekte etkisizleştirilmiştir (dogrulama/mediation/merqur_calistir.py). R: 4.5.3; lm(), Sobel formülleri; bootstrap için Python'un ürettiği aynı 5000 yeniden örneklem indeksi R'de lm.fit ile yeniden kestirilmiş, aynı sıra kuralı, BC ve jackknife BCa uygulanmıştır (r_dogrulama.R).
Yollar ve etki büyüklükleri:
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| a (M ~ X): katsayı | 1,469160 | 1,469160 | 1,469160 | 9,8e−15 | ✓ |
| a (M ~ X): SH | 0,076947 | 0,076947 | 0,076947 | 5,6e−17 | ✓ |
| a (M ~ X): p | 8,9136·10−47 | 8,9136·10−47 | 8,9136·10−47 | 8,4e−59 | ✓ |
| a (M ~ X): %95 GA alt | 1,317419 | 1,317419 | 1,317419 | 1,8e−13 | ✓ |
| a (M ~ X): %95 GA üst | 1,620900 | 1,620900 | 1,620900 | 1,9e−13 | ✓ |
| b (Y ~ M; X sabit): katsayı | −0,096355 | −0,096355 | −0,096355 | 2,4e−13 | ✓ |
| b (Y ~ M; X sabit): SH | 0,184660 | 0,184660 | 0,184660 | 1,2e−14 | ✓ |
| b (Y ~ M; X sabit): p | 0,602399 | 0,602399 | 0,602399 | 8,8e−13 | ✓ |
| b (Y ~ M; X sabit): %95 GA alt | −0,460520 | −0,460520 | −0,460520 | 7,2e−13 | ✓ |
| b (Y ~ M; X sabit): %95 GA üst | 0,267810 | 0,267810 | 0,267810 | 2,7e−13 | ✓ |
| c' (doğrudan): katsayı | 0,844207 | 0,844207 | 0,844207 | 4,1e−13 | ✓ |
| c' (doğrudan): SH | 0,337011 | 0,337011 | 0,337011 | 1,3e−14 | ✓ |
| c' (doğrudan): p | 0,013056 | 0,013056 | 0,013056 | 4,0e−14 | ✓ |
| c' (doğrudan): %95 GA alt | 0,179594 | 0,179594 | 0,179594 | 5,5e−13 | ✓ |
| c' (doğrudan): %95 GA üst | 1,508820 | 1,508820 | 1,508820 | 1,3e−12 | ✓ |
| c (toplam): katsayı | 0,702646 | 0,702646 | 0,702646 | 5,1e−14 | ✓ |
| c (toplam): SH | 0,199571 | 0,199571 | 0,199571 | 5,6e−17 | ✓ |
| c (toplam): p | 0,000534 | 0,000534 | 0,000534 | 4,9e−16 | ✓ |
| c (toplam): %95 GA alt | 0,309089 | 0,309089 | 0,309089 | 4,5e−13 | ✓ |
| c (toplam): %95 GA üst | 1,096204 | 1,096204 | 1,096204 | 5,4e−13 | ✓ |
| Y ~ M (basit): katsayı | 0,276016 | 0,276016 | 0,276016 | 6,6e−14 | ✓ |
| Y ~ M (basit): SH | 0,111003 | 0,111003 | 0,111003 | 2,6e−15 | ✓ |
| Y ~ M (basit): p | 0,013726 | 0,013726 | 0,013726 | 2,4e−14 | ✓ |
| Y ~ M (basit): %95 GA alt | 0,057116 | 0,057116 | 0,057116 | 3,4e−13 | ✓ |
| Y ~ M (basit): %95 GA üst | 0,494916 | 0,494916 | 0,494916 | 2,2e−13 | ✓ |
| ab_{cs} | −0,048902 | −0,048902 | −0,048902 | 1,2e−13 | ✓ |
| P_M = ab/c | −0,201468 | −0,201468 | −0,201468 | 4,9e−13 | ✓ |
Dolaylı etki: Sobel, bootstrap ve Monte Carlo:
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| Dolaylı etki ab | −0,141561 | −0,141561 | −0,141561 | 3,5e−13 | ✓ |
| Sobel SH | 0,271397 | 0,271397 | 0,271397 | 2,0e−14 | ✓ |
| Sobel p | 0,601948 | 0,601948 | 0,601948 | 8,8e−13 | ✓ |
| Aroian SH | 0,271768 | 0,271768 | 0,271768 | 1,9e−14 | ✓ |
| Aroian p | 0,602445 | 0,602445 | 0,602445 | 8,8e−13 | ✓ |
| Goodman SH | 0,271024 | 0,271024 | 0,271024 | 2,0e−14 | ✓ |
| Goodman p | 0,601449 | 0,601449 | 0,601449 | 8,8e−13 | ✓ |
| Bootstrap SH (B-1 paydalı) | 0,270907 | 0,270907 | 0,270907 | 2,3e−14 | ✓ |
| Bootstrap p | 0,606800 | 0,606800 | 0,606800 | 0,0e+00 | ✓ |
| Yüzdelik %95 alt | −0,682338 | −0,682338 | −0,682338 | 2,5e−13 | ✓ |
| Yüzdelik %95 üst | 0,369881 | 0,369881 | 0,369881 | 3,8e−13 | ✓ |
| BC %95 alt | −0,688308 | −0,688308 | −0,688308 | 4,2e−13 | ✓ |
| BC %95 üst | 0,355347 | 0,355347 | 0,355347 | 8,7e−13 | ✓ |
| BCa %95 alt | −0,672314 | −0,672314 | −0,672314 | 3,4e−13 | ✓ |
| BCa %95 üst | 0,380414 | 0,380414 | 0,380414 | 2,2e−13 | ✓ |
| BCa ivmesi \hat a | — | 0,017010 | 0,017010 | 1,4e−14 | ✓ |
| Yanlılık düzeltmesi z_0 | — | −0,015040 | −0,015040 | 2,8e−17 | ✓ |
| Monte Carlo %95 alt | −0,675337 | −0,675337 | — | 3,8e−14 | ✓ (R: aynı normal çekilişler üretilemez) |
| Monte Carlo %95 üst | 0,385846 | 0,385846 | — | 3,9e−14 | ✓ (R: aynı normal çekilişler üretilemez) |
| Monte Carlo SH | 0,272003 | 0,272003 | — | 3,3e−16 | ✓ (R: aynı normal çekilişler üretilemez) |
47 satırın tümü ölçütü karşılar. Monte Carlo GA'sı, numpy RandomState normal çekilişleri R'de üretilemediği için yalnız bağımsız Python hesabıyla karşılaştırılmıştır. Düzey karşılaştırması olarak kendi rastgele örneklemleriyle lavaan 0.7.2 (se = "bootstrap", 5000, yüzdelik) [−0,679367; 0,385399] ve mediation 4.5.1 (mediate, 5000) [−0,669188; 0,365807], p=0{,}594 verir; nokta kestirimi her ikisinde de −0,141561'dir.
122.7 Çıktıyı okuma
Sonuç metni (varsayılan + Sobel, kısaltılmış):
── YOL KATSAYILARI ──
Yol Katsayı SE p %95 GA Anlamlı
cortisol_ng_mL ~ X 1.4692 0.0769 <0.0001 (1.317, 1.621) ✓
Y ~ cortisol_ng_mL 0.2760 0.1110 0.0137 (0.057, 0.495) ✓
Y ~ cortisol_ng_mL | X -0.0964 0.1847 0.6024 (-0.461, 0.268) Hayır
Toplam 0.7026 0.1996 0.0005 (0.309, 1.096) ✓
Doğrudan 0.8442 0.3370 0.0131 (0.180, 1.509) ✓
Dolaylı -0.1416 0.2709 0.6068 (-0.682, 0.370) Hayır
── ETKİ BÜYÜKLÜKLERİ ──
Dolaylı -0.1416 -0.0489 -0.2015
── SOBEL (NORMAL TEORİ) TESTLERİ ──
cortisol_ng_mL Sobel (1. derece) -0.1416 0.2714 -0.522 0.6019
cortisol_ng_mL Aroian (2. derece) -0.1416 0.2718 -0.521 0.6024
cortisol_ng_mL Goodman -0.1416 0.2710 -0.522 0.6014
── KARAR: DOLAYLI ETKİ ANLAMLI DEĞİL ──
X'in Y üzerindeki dolaylı etki(ler)i:
etki BootSH BootAGA BootÜGA
cortisol_ng_mL -0.1416 0.2709 -0.6823 0.3699
── APA 7 ÖZET ──
Dolaylı (a×b) = -0.142, %95 GA [-0.68, 0.37], p = .607 (bootstrap dağılımından)
| Satır/Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| M ~ X (a) | X'in aracıya etkisi. | Zincirin ilk halkası. |
| Y ~ M | X kontrolsüz basit regresyon (yalın yapılandırmada). | Bilgi satırıdır; b yolu değildir. |
| Y ~ M | X (b) | X sabitken M'nin Y'ye etkisi. | Zincirin ikinci halkası. |
| Toplam, Doğrudan | c ve c'; t tabanlı SH ve GA. | c=c'+ab. Doğrudan etkinin anlamlılığı aracılık kararını belirlemez. |
| Dolaylı | ab; SH sütununda BootSH, p sütununda p_{boot}, GA bootstrap GA'sı. | Karar GA'nın sıfırı içerip içermediğidir. |
| Etki büyüklükleri | ab, ab_{cs}, P_M. | P_M, c ile ab zıt işaretliyse anlamsızdır. |
| Sobel/Aroian/Goodman | Normal kuram testleri. | Yalnız karşılaştırma için. |
| Ayrıntılı çıktı | Her denklemin model özeti ve katsayıları, toplam etki modeli, etki tabloları. | Referans makronun çıktı düzeni. |
| Uyarılar | n<30, B<1000, a anlamsız, dışlanan bootstrap örneklemi. | 721–735. satırlardaki koşullar. |
APA biçiminde rapor cümlesi (Türkçe ondalıkla):
Algılanan stresin sistolik kan basıncı üzerindeki etkisinin kortizol aracılığıyla gerçekleşip gerçekleşmediği tek aracılı regresyon modeliyle incelendi (n = 200). Stres kortizolü yordadı, a = 1{,}47, %95 GA [1,32; 1,62], p < 0{,}001; ancak stres denetlendiğinde kortizol kan basıncını yordamadı, b = -0{,}10, %95 GA [−0,46; 0,27], p = 0{,}602. Dolaylı etki anlamlı değildi, ab = -0{,}14, %95 yüzdelik bootstrap GA [−0,68; 0,37] (5000 yeniden örneklem), ab_{cs} = -0{,}05. Stresin kan basıncı üzerindeki doğrudan etkisi anlamlıydı, c' = 0{,}84, %95 GA [0,18; 1,51], p = 0{,}013 (toplam etki c = 0{,}70, p < 0{,}001).
122.8 Uzman soruları
S1. Toplam etki anlamlı değilken aracılık olabilir mi?
Evet. c=c'+ab olduğundan c' ve ab zıt işaretliyse ("tutarsız aracılık") c sıfıra yakın çıkabilir. Bu yüzden Baron–Kenny'nin "önce c anlamlı olmalı" koşulu kullanılmaz; karar yalnız ab'nin GA'sına dayanır (Zhao, Lynch ve Chen, 2010). Bu örnekte işaretler zıttır (c'=0{,}84, ab=-0{,}14), ama ab sıfırdan ayırt edilemez.
S2. Basit regresyonda kortizol anlamlı, b neden anlamsız?
Y ~ M'deki 0,276, kortizol ile stresin ortak varyansını da taşır: kortizol strese güçlü bağlıdır (R^2_M=0{,}648). Stres denetlenince kortizolün kendine özgü katkısı kalmaz (b=-0{,}096). Bu, aracının değil X'in Y'yle ilişkili olduğunu gösterir; Y ~ M satırı bu yüzden "b yolu değildir" notuyla yazılır.
S3. Bootstrap p değeri GA ile çelişebilir mi?
p_{boot}=2\min(\text{oran}>0,\ \text{oran}<0) yüzdelik GA ile uyumludur: yüzdelik GA sıfırı dışlıyorsa p_{boot}\le\alpha olur (sıra kuralının yuvarlamasından doğan bir sıralık sınır durumları hariç). BC ve BCa GA'ları z_0 ve ivmeyle kaydırıldığı için sınırda p_{boot} ile farklı karar verebilir. MerQur bu yüzden "Anlamlı" sütununu ve KARAR satırını seçilen GA'ya göre verir; p_{boot} yalnız bilgi amaçlıdır.
S4. MerQur'un yüzdelik GA'sı R `boot.ci(type = "perc")` ile neden birebir aynı değil?
boot.ci, (B+1)\alpha/2 konumunda normal ölçekte ara değer alır (norm.inter; yol analizi bölümünde kullanılan tanım). MerQur referans makronun sıra kuralını uygular: alt uç \lceil B\alpha/2\rceil., üst uç \lfloor B(1-\alpha/2)\rfloor+1. sıra. B=5000'de fark iki komşu sıra istatistiği arasındadır; aynı örneklemlerle bu bölümde R'de aynı kural uygulanınca değerler 10^{-12} düzeyinde örtüşür.
S5. Sobel testi neden hâlâ veriliyor?
Eski yayınlarla karşılaştırma ve öğretim için. Sobel, Aroian ve Goodman SH'leri birbirine çok yakındır (s_as_b küçükken) ve hepsi ab'nin normal dağıldığını varsayar. Burada üçü de p\approx0{,}60 verir ve bootstrap ile aynı kararı verir; küçük örneklemde ve a, b sıfırdan uzakken Sobel'in gücü bootstrap'tan belirgin biçimde düşüktür.
S6. BCa'nın ivmesi nereden geliyor; R `mediate`'inki ile aynı mı?
MerQur'un Aracılık panelindeki BCa, ivmeyi jackknife ile (n kez bir gözlem çıkarılarak) kestirir (Efron, 1987). R mediation::mediate(boot.ci.type = "bca") ise ivmeyi bootstrap dağılımının kendisinden ve z_0'ı ortalamaya göre hesaplar; Nedensel Aracılık panelinin BCa'sı o tanımı izler (Bölüm 125.5.4). İki BCa aynı veride farklı uç noktalar verebilir.
S7. Bootstrap örneklemi tekil olursa ne olur?
Yalın yapılandırmada (aynı tohumun her zaman aynı örneklem dizisini vermesi için) tekil örneklem yeniden çekilmez, dışlanır; dışlanan sayı uyarıyla yazılır ve GA kalan örneklemlerden hesaplanır. Diğer yapılandırmalarda tekil örneklem aynı akıştan yeniden çekilir. Sürekli X ve n=200'de tekil örneklem pratikte oluşmaz; iki değerli ve dengesiz X'te küçük n'de olabilir.
S8. İki değerli Y'de dolaylı etki ne ölçeğindedir?
Y denklemi lojistik olduğunda b log-odds ölçeğindedir ve ab, M denkleminin doğrusal ölçeği ile Y'nin logit ölçeğinin karışımıdır; c=c'+ab eşitliği artık geçerli değildir ve etki büyüklükleri verilmez. Olasılık ölçeğinde yorumlanabilir bir dolaylı etki için Nedensel Aracılık Analizi (Bölüm 125) kullanılmalıdır.
122.9 Sık hatalar ve tuzaklar
- "Y ~ M" satırını b yolu sanmak. Yalın yapılandırmada ikinci satır X kontrolsüz basit regresyondur; b yolu "Y ~ M | X" satırıdır.
- Baron–Kenny adımlarını karar kuralı yapmak. c'nin anlamlılığı ön koşul değildir; karar ab'nin bootstrap GA'sına dayanır.
- "Tam/kısmi aracılık" demek. Doğrudan etkinin anlamsızlığı örneklem büyüklüğüne bağlıdır; MerQur bu sınıflamayı vermez.
- Zıt işaretli etkilerde P_M'yi yorumlamak. Burada P_M=-0{,}20; "etkinin −%20'si aracılanıyor" anlamsız bir ifadedir.
- Bootstrap sonucunu tohumsuz raporlamak. B ve tohum raporlanmalıdır; aynı tohumla MerQur aynı GA'yı verir, farklı yazılımlar farklı örneklemler çeker.
- Kesitsel veride nedensel dil kullanmak. Aracılık modeli zamansal sırayı ve karıştırıcı yokluğunu varsayar; veri bunu sınayamaz. Duyarlılık analizi için Bölüm 125.
- BC'yi "her zaman daha iyi" saymak. BC ve BCa küçük örneklemde I. tip hatayı artırabilir; yüzdelik GA varsayılandır.
- Düzenleyicili modelde dolaylı etkiyi tek sayı sanmak. Model 7, 14 gibi modellerde dolaylı etki W'ye göre değişir; karar düzenlenmiş aracılık indeksine göre verilir.
122.10 Kaynaklar
- Aroian, L. A. (1947). The probability function of the product of two normally distributed variables. The Annals of Mathematical Statistics, 18(2), 265–271. https://doi.org/10.1214/aoms/1177730442
- Baron, R. M., & Kenny, D. A. (1986). The moderator–mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173–1182. https://doi.org/10.1037/0022-3514.51.6.1173
- Efron, B. (1987). Better bootstrap confidence intervals. Journal of the American Statistical Association, 82(397), 171–185. https://doi.org/10.1080/01621459.1987.10478410
- Fritz, M. S., Taylor, A. B., & MacKinnon, D. P. (2012). Explanation of two anomalous results in statistical mediation analysis. Multivariate Behavioral Research, 47(1), 61–87. https://doi.org/10.1080/00273171.2012.640596
- Goodman, L. A. (1960). On the exact variance of products. Journal of the American Statistical Association, 55(292), 708–713. https://doi.org/10.1080/01621459.1960.10483369
- Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3. bs.). Guilford Press.
- MacKinnon, D. P., Lockwood, C. M., & Williams, J. (2004). Confidence limits for the indirect effect: Distribution of the product and resampling methods. Multivariate Behavioral Research, 39(1), 99–128. https://doi.org/10.1207/s15327906mbr3901_4
- Phipson, B., & Smyth, G. K. (2010). Permutation p-values should never be zero: Calculating exact p-values when permutations are randomly drawn. Statistical Applications in Genetics and Molecular Biology, 9(1), Article 39. https://doi.org/10.2202/1544-6115.1585
- Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods, 40(3), 879–891. https://doi.org/10.3758/BRM.40.3.879
- Preacher, K. J., & Kelley, K. (2011). Effect size measures for mediation models: Quantitative strategies for communicating indirect effects. Psychological Methods, 16(2), 93–115. https://doi.org/10.1037/a0022658
- Rucker, D. D., Preacher, K. J., Tormala, Z. L., & Petty, R. E. (2011). Mediation analysis in social psychology: Current practices and new recommendations. Social and Personality Psychology Compass, 5(6), 359–371. https://doi.org/10.1111/j.1751-9004.2011.00355.x
- Sobel, M. E. (1982). Asymptotic confidence intervals for indirect effects in structural equation models. Sociological Methodology, 13, 290–312. https://doi.org/10.2307/270723
- VanderWeele, T. J. (2015). Explanation in causal inference: Methods for mediation and interaction. Oxford University Press.
- Zhao, X., Lynch, J. G., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths and truths about mediation analysis. Journal of Consumer Research, 37(2), 197–206. https://doi.org/10.1086/651257