MerQuR+İstatistik Sözlüğü

İstatistik Sözlüğü → Aracılık Analizi

Aracılık Analizianaliz

Bir değişkenin (X) bir sonucu (Y) etkilemesinin ne kadarının üçüncü bir değişken (aracı, M) üzerinden iletildiğini, dolaylı etkiyi ve onun güven aralığını kestirerek gösteren analiz.

Kavram

Bir etkinin varlığını bilmek çoğu zaman yetmez; 'bu etki nasıl ortaya çıkıyor?' sorusu da önemlidir. Düzenli egzersiz ruh hâlini iyileştiriyorsa bunun bir kısmı daha iyi uyku sayesinde olabilir. Aracılık analizi X'in Y üzerindeki toplam etkisini, M üzerinden geçen dolaylı etki ile M'den bağımsız doğrudan etki olarak ikiye ayırır.

İki regresyon denklemi kurulur: M = a·X + …, Y = c'·X + b·M + … . a, X'in aracıyı; b, X sabitken aracının sonucu ne kadar değiştirdiğini gösterir. Dolaylı etki bu ikisinin çarpımıdır (ab), doğrudan etki c', toplam etki ise c = c' + ab. ab'nin örnekleme dağılımı genellikle çarpık olduğundan anlamlılığı en iyi bootstrap güven aralığıyla değerlendirilir: aralık sıfırı içermiyorsa dolaylı etki anlamlıdır. c' de anlamlı kalıyorsa aracılık kısmi, c' sıfıra yakınsa tam aracılık söz konusudur. Model birden çok aracıya (paralel ya da seri) ve dolaylı etkinin bir moderatöre göre değiştiği durumlara (moderasyonlu aracılık) genişletilebilir.

Aracılık nedensel bir iddiadır: X'in M'den, M'nin Y'den önce geldiği ve X-M, M-Y ilişkilerini açıklayan ölçülmemiş karıştırıcıların olmadığı varsayılır. Tek seferlik (kesitsel) veride bu sıralama kanıtlanamaz; sonuç kurama ve tasarıma dayanılarak yorumlanmalıdır. Aracının güvenilir ölçülmemesi de dolaylı etkiyi yanlı kestirebilir.

Ne zaman kullanılır?

  • Bir etkinin hangi ara mekanizma üzerinden işlediği sorulduğunda (bir eğitim programı bilgiyi artırarak mı davranışı değiştiriyor, bir tedavi iltihabı azaltarak mı ağrıyı düşürüyor?).
  • Birden çok mekanizma birlikte sınanacaksa paralel ya da seri çoklu aracı modeli; dolaylı etkinin bir grup ya da sürekli değişkene göre değişip değişmediği sorulduğunda moderasyonlu aracılık modeli kullanılır.
  • Birden çok sonuç, gizil değişkenler ya da daha karmaşık yönlü ilişkiler varsa yol analizi veya yapısal eşitlik modeli; zaman içinde tekrarlı ölçümler varsa boylamsal aracılık modelleri daha uygundur.

Gündelik bir örnek

Bir ortaokul, öğrencilerin haftalık kitap okuma süresinin Türkçe sınav puanını artırdığını biliyor; ama bunun kelime bilgisini geliştirerek olup olmadığını merak ediyor. 200 öğrencide okuma süresi kelime bilgisi testini yordar (a yolu), kelime bilgisi de okuma süresi sabitken sınav puanını yordar (b yolu). Dolaylı etki ab ve bootstrap güven aralığı sıfırı içermiyorsa, okumanın etkisinin bir kısmı kelime bilgisi üzerinden iletiliyor demektir; örneğin toplam etkinin %40'ı.

MerQur'da parametreler

X (bağımsız), M (aracı), Y (bağımlı)

Kavram: X etkinin kaynağı (öncül), M etkiyi ileten ara değişken (aracı), Y ise sonuçtur. Aracılık iddiası, bu üç değişkenin X → M → Y sırasıyla birbirini izlediği varsayımına dayanır.

Gündelik örnek: Okul örneğinde X haftalık okuma süresi, M kelime bilgisi, Y Türkçe sınav puanıdır. Sıra kuramdan gelir: önce okunur, sonra kelime bilgisi gelişir, sonra puan yükselir.

Ne işe yarar: Öncül, aracı ve sonuç değişkeni. M listesi yalnız sayısal sütunları gösterir; X ve Y listesinin sonunda sayısal olmayan sütunlar da bulunur (metin X çok kategorili X, metin Y ikili Y ile kullanılır).

Sonuca etkisi: Tüm yollar ve dolaylı etki değişir.

Doğrulama verisinde: hsbdemo (X = math, M = read, Y = science): a = 0.7248, b = 0.3654, c' = 0.4017, c = 0.6666, ab = 0.2649.

→ Dolaylı etki (aracılık)

Bootstrap (B) (100 ile 50 000; varsayılan 5000)

Kavram: Dolaylı etki iki katsayının çarpımı olduğundan dağılımı çarpıktır ve basit formüllerle iyi yaklaşılamaz. Bootstrap, veriden yerine koyarak binlerce yeni örneklem çekip her birinde ab'yi yeniden hesaplar; bu değerlerin dağılımı güven aralığını verir.

Gündelik örnek: 200 öğrencinin kayıtlarından yerine koyarak 5000 kez yeni '200 kişilik sınıflar' çekilir ve her seferinde okumanın kelime bilgisi üzerinden dolaylı etkisi hesaplanır. Bu 5000 değerin ortadaki %95'i sıfırı içermiyorsa aracılık anlamlıdır.

Ne işe yarar: Dolaylı etkinin örnekleme dağılımını vaka yeniden örneklemesiyle kestirir; güven aralığı ve bootstrap p buradan gelir.

Sonuca etkisi: Yalnız dolaylı etki satırlarının SH, p ve GA'sı değişir; regresyon yolları değişmez. B < 1000 için uyarı verilir.

Doğrulama verisinde: hsbdemo, yanlılık düzeltmeli %95: B = 100: SH 0.0545, GA [0.1793, 0.3874]; 1000: 0.0580, [0.1464, 0.3850]; 5000: 0.0558, [0.1562, 0.3804]; 20000: 0.0547, [0.1572, 0.3746].

→ Bootstrap (yeniden örnekleme)

Seed (tohum) (0 ile 99999; varsayılan 42)

Kavram: Tohum, rastgele örneklemelerin başlangıç noktasıdır. Aynı tohumla analiz her çalıştırıldığında aynı bootstrap örneklemleri ve aynı güven aralığı elde edilir; farklı tohumlarla sınırlar biraz oynar.

Gündelik örnek: Bir makaledeki aralığın [0,15; 0,38] olarak birebir yeniden üretilebilmesi için kullanılan tohum raporlanır. Tohum değiştirildiğinde sınırlar [0,16; 0,37] gibi küçük oynamalar gösterebilir; B büyüdükçe bu oynama azalır.

Ne işe yarar: Bootstrap örneklemlerini sabitler (yeniden üretilebilirlik).

Sonuca etkisi: Yalnız bootstrap uç noktaları değişir; nokta kestirimleri değişmez.

Doğrulama verisinde: Tohum 0: GA [0.1617, 0.3705]; 2026: [0.1653, 0.3779]; 42: [0.1562, 0.3804]. Monte Carlo payı tohum 1 ile 30 arasındaki dağılımdan belirlenir.

→ Rastgele tohum (seed)

Kovaryatlar

Kavram: Kovaryatlar, hem aracı hem sonuç denklemine eklenen kontrol değişkenleridir. X-M ya da M-Y ilişkisini karıştırabilecek etkenleri sabit tutarak dolaylı etkinin daha doğru kestirilmesine yardım eder.

Gündelik örnek: Varlıklı ailelerin çocukları hem daha çok kitap okuyor hem de daha zengin kelime dağarcığına sahip olabilir. Aile geliri kovaryat olarak eklendiğinde dolaylı etki, gelir farkından arındırılmış olarak kestirilir.

Ne işe yarar: Hem M hem Y denklemine eklenen kontrol değişkenleri.

Sonuca etkisi: Yollar ve dolaylı etki değişir; kovaryat katsayıları "Y ~ c (kovaryat)" satırlarında verilir.

Doğrulama verisinde: estress (ese, sex, tenure) ab = 0.1127; hsbdemo (ses, female) ab 0.2649'dan 0.2394'e; jobs (econ_hard, sex, age) ab = -0.0157.

→ Kovaryat (ortak değişken)

Ek aracılar ve Çoklu aracı modeli (Paralel / Seri)

Kavram: Paralel modelde birden çok aracı X ile Y arasında yan yana yer alır ve her biri ayrı bir dolaylı yol oluşturur. Seri modelde aracılar bir zincir oluşturur: X birinci aracıyı, o da ikinciyi etkiler.

Gündelik örnek: Okuma süresi hem kelime bilgisini hem okuma hızını geliştiriyorsa paralel model iki yolun payını ayrı ayrı verir. Okuma önce kelime bilgisini, kelime bilgisi de okuduğunu anlamayı geliştiriyorsa seri model X → kelime → anlama → puan zincirini sınar.

Ne işe yarar: Paralel (Hayes (2022) aracılık çerçevesi, Model 4): her aracı için a_i·b_i, toplam dolaylı etki ve ikili kontrastlar. Seri (Model 6, iki aracı): X→M1→Y, X→M2→Y ve X→M1→M2→Y yolları.

Sonuca etkisi: Dolaylı etkilerin sayısı ve kontrastlar değişir.

Doğrulama verisinde: hsbdemo paralel read + write: toplam 0.3476, read 0.2186, write 0.1290; seri X→read→write→Y: 0.0463. pmi seri (Hayes): 0.2033; 0.1402; 0.0488.

→ Dolaylı etki (aracılık)

Güven Düzeyi (%90 / %95 / %99 / Diğer, özel değer)

Kavram: Yol katsayılarının ve dolaylı etkinin aralık tahminlerinin güven düzeyini belirler; düzey yükseldikçe aralık genişler ve sıfırı içerme olasılığı artar.

Gündelik örnek: Dolaylı etkinin %95 aralığı [0,15; 0,38] ise, %99 istendiğinde aralık [0,12; 0,42] gibi genişler. İki durumda da sıfırı içermediği için aracılık sonucu değişmez.

Ne işe yarar: Regresyon yollarındaki t aralığı (ikili Y'de z) ve dolaylı etkinin bootstrap aralığı aynı düzeyde verilir.

Sonuca etkisi: Yalnız aralık sınırları değişir.

Doğrulama verisinde: Dolaylı etki GA (yanlılık düzeltmeli): %90 [0.1755, 0.3603], %95 [0.1562, 0.3804], %99 [0.1226, 0.4173]; c' için %90 [0.2818, 0.5217].

→ Güven düzeyi ve güven aralığı

Bootstrap GA türü (Yanlılık düzeltmeli BC / Yüzdelik / BCa)

Kavram: Bootstrap değerlerinden güven aralığını kurmanın farklı yollarıdır. Yüzdelik aralık, bootstrap dağılımının alt ve üst %2,5'lik noktalarını alır; yanlılık düzeltmeli (BC) ve BCa aralıkları dağılımın kaymasını ve çarpıklığını düzeltmeye çalışır. BC aralığı bazı durumlarda I. tip hata (yanlış alarm) oranını şişirebildiği için güncel öneriler çoğunlukla yüzdelik aralığı tercih eder.

Gündelik örnek: Aynı 5000 bootstrap değerinden yüzdelik aralık [0,151; 0,376], BC aralığı [0,156; 0,380] çıkabilir. Sınırlar sıfırdan uzaksa seçim sonucu değiştirmez; sınır sıfıra çok yakınsa hangi türün kullanıldığı önceden belirtilmelidir.

Ne işe yarar: BC, z0 yanlılık düzeltmeli yüzdeliktir; Yüzdelik, α/2 ve 1-α/2 yüzdeliklerini alır; BCa jackknife ivmeli BC'dir. Varsayılan Yüzdelik'tir; yüzdelik bootstrap güncel öneridir (Hayes 2022; Tibbe ve Montoya 2022).

Sonuca etkisi: Yalnız dolaylı etki aralığı değişir.

Doğrulama verisinde: hsbdemo: BC [0.1562, 0.3804], Yüzdelik [0.1511, 0.3756], BCa [0.1554, 0.3791]. Yüzdelikler doğrusal enterpolasyonla (Hyndman-Fan tip 7) hesaplanır.

→ BCa bootstrap güven aralığı

Moderatör (W) ve Moderasyon modeli (Model 7 / Model 14)

Kavram: Moderasyonlu aracılıkta dolaylı etkinin büyüklüğü bir moderatöre (W) göre değişir. W, X'in aracıyı etkilediği a yolunu ya da aracının sonucu etkilediği b yolunu düzenleyebilir; moderasyonlu aracılık indeksi bu değişimin anlamlı olup olmadığını sınar.

Gündelik örnek: Okumanın kelime bilgisine etkisi, öğretmenin okunan kitaplar üzerine sınıfta tartışma yaptırmasıyla güçleniyorsa W 'sınıf tartışması' olur ve a yolunu düzenler. Dolaylı etki tartışma yapılan sınıflarda daha büyük çıkar.

Ne işe yarar: Koşullu dolaylı etki: Model 7'de W, a yolunu; Model 14'te b yolunu düzenler. Moderasyonlu aracılık indeksi (a3·b ya da a·b3) ve W'nin 16., 50. ve 84. yüzdeliklerinde (ikili W'de iki değerde) koşullu dolaylı etkiler verilir.

Sonuca etkisi: Dolaylı etkiler koşullu hale gelir. W seçilmediyse model seçeneği etkisizdir.

Doğrulama verisinde: protest (W = sexism) Model 7 indeks 0.1450, Model 14 0.0881; teams (W = negexp) Model 14 indeks -0.3204. W yoklama değerleri MerQur'da 4.25 / 5.12 / 5.896'dır.

→ Düzenleyici (moderatör) değişken

Sobel testi (Ek çıktı)

Kavram: Sobel testi dolaylı etkinin standart hatasını formülle yaklaşık hesaplar ve ab'nin normal dağıldığını varsayar. Bu varsayım çoğu zaman tutmadığından, özellikle küçük örneklemlerde bootstrap aralığına göre daha düşük güçlüdür; tamamlayıcı bilgi olarak raporlanır.

Gündelik örnek: Hakem 'Sobel testi ne diyor?' diye sorarsa z değeri raporlanabilir. 200 öğrencide Sobel ve bootstrap genellikle aynı sonucu verir; 30 öğrencilik bir sınıfta ise bootstrap aralığı daha güvenilir dayanaktır.

Ne işe yarar: Normal kuram testleri: Sobel (birinci derece), Aroian (+s_a²s_b²) ve Goodman (-s_a²s_b²); a: M ~ X, b: Y ~ M | X (OLS SH).

Sonuca etkisi: Yalnız ek testler ekler.

Doğrulama verisinde: hsbdemo: Sobel SH 0.05258 (z 5.037), Aroian 0.05272 (z 5.024), Goodman 0.05244.

→ Sobel testi

Y ikili (Ek çıktı)

Kavram: Sonuç ikili (0/1) olduğunda Y denklemi lojistik regresyonla kurulur ve b yolu logit (log-odds) ölçeğindedir. Dolaylı etki bu nedenle doğrusal modeldekiyle aynı ölçekte okunmaz ve işareti hangi düzeyin 1 kodlandığına bağlıdır.

Gündelik örnek: Sonuç 'sınavı geçti / kaldı' ise, kelime bilgisinin etkisi geçme odds'unun logaritması üzerinden ifade edilir. 'Geçti' yerine 'kaldı' 1 kodlanırsa dolaylı etki aynı büyüklükte ama ters işaretli çıkar.

Ne işe yarar: Y denklemi lojistiktir; dolaylı etki a·b (b logit ölçeğinde; Hayes 2022 çerçevesi). Düzeyler sıralanır, ilki 0 alınır.

Sonuca etkisi: b ve dolaylı etki değişir; toplam ve doğrudan etki logit ölçeğindedir (c ≠ c' + ab; lojistikte beklenen). Etki büyüklükleri ikili Y'de verilmez.

Doğrulama verisinde: hsbdemo honors (metin; "not enrolled" = 1) ab = -0.0514; sayısal honors (enrolled = 1) ab = +0.0514 (işaret yalnız kodlamaya bağlıdır ve çıktıda yazılıdır). framing cong_mesg (kovaryatlı) ab = 0.5358.

Çok kategorili X (metin X; otomatik)

Kavram: X ikiden fazla kategorili olduğunda gösterge (kukla) değişkenlerine açılır ve her kategori için temel kategoriye göre ayrı bir göreli dolaylı etki kestirilir.

Gündelik örnek: X 'okul türü' (devlet, özel, kolej) ise ve 'devlet' temel düzeyse, model 'özel okulda okumak devlet okuluna göre kelime bilgisi üzerinden puanı ne kadar etkiliyor?' sorusunu her okul türü için ayrı yanıtlar.

Ne işe yarar: Gösterge kodlaması (alfabetik ilk düzey temel düzeydir) ile göreli dolaylı etkiler.

Sonuca etkisi: Her düzey için ayrı göreli etki verilir.

Doğrulama verisinde: hsbdemo prog (temel düzey "academic"): general -3.9457, vocation -6.1356; framing educ (temel düzey "bachelor's degree or higher"). Temel düzey çıktıda yazılıdır.

→ Kukla (gösterge) değişken kodlaması

Gerçek veride örnek

Veri: UCLA OARC hsbdemo

Değişkenler: X math (matematik puanı), aracı M read (okuma), Y science (fen)

  • Soru: Matematik puanının (math, X) fen puanı (science, Y) üzerindeki etkisinin bir kısmı okuma becerisi (read, M) üzerinden mi iletiliyor? (n = 200)
  • Yollar: a yolu (math -> read) 0.7248, b yolu (read -> science, math kontrol) 0.3654; ikisi de p < .001.
  • Sonuç: Dolaylı etki ab = 0.2649, %95 yüzdelik bootstrap GA [0.151, 0.376] (B = 5000); aralık 0'ı içermediği için aracılık etkisi anlamlıdır.
  • Doğrudan ve toplam etki: Toplam etki c = 0.6666; read kontrol edildiğinde doğrudan etki c' = 0.4017 (p < .001) anlamlı kalır, bu nedenle aracılık kısmidir (c = c' + ab).
  • Etki büyüklüğü: Tamamen standartlaştırılmış dolaylı etki ab_cs = 0.2506; aracılanan oran P_M = 0.3973, yani math'ın fen üzerindeki toplam etkisinin yaklaşık %40'ı okuma üzerinden iletilir.
  • Sınırlılık: Kesitsel veride aracılık nedensel sıralamayı kanıtlamaz; bootstrap aralığının uç noktaları rastgele örneklemlere bağlıdır (tohum 42).
  • APA: Dolaylı etki, ab = 0.265, %95 GA [0.15, 0.38], p < .001; doğrudan etki c' = 0.40, p < .001 (kısmi aracılık).

İlgili kavramlar

Bootstrap (yeniden örnekleme)Rastgele tohum (seed)Dolaylı etki (aracılık)Sobel testiDüzenleyici (moderatör) değişkenBCa bootstrap güven aralığıKovaryat (ortak değişken)Kukla (gösterge) değişken kodlaması

Örneklerdeki sayılar MerQur'un bağımsız, kamuya açık doğrulama verileri üzerindeki çıktılarıdır; ayrıntılar için MerQur Teknik Not'a bakınız.