Düzenleyici Değişken Analizi Nasıl Yapılır? SPSS PROCESS Model 1, Basit Eğim ve Raporlama

Kısa cevap: Düzenleyici değişken analizi, bağımsız değişkenin (X) bağımlı değişken (Y) üzerindeki etkisinin üçüncü bir değişkenin (W) düzeyine göre değişip değişmediğini sınar. Uygulamada X ile W’yi ortalamadan merkezler, X × W etkileşim terimini regresyona ekler ve bu terimin anlamlılığına bakarız. Etkileşim anlamlıysa basit eğim analizi ve Johnson-Neyman yöntemiyle etkinin hangi W değerlerinde güçlendiğini gösteririz. SPSS’te bu işlemlerin tamamı PROCESS makrosunun Model 1 seçeneğiyle tek pencereden yapılır.

Bu rehberde yöntemi kurgusal bir örgüt psikolojisi çalışması üzerinde baştan sona uyguluyoruz. Örnekte iş stresinin tükenmişliğe etkisini ve sosyal desteğin bu etkiyi zayıflatıp zayıflatmadığını inceliyoruz. Tablolardaki değerler, öğretim amacıyla üretilmiş 240 kişilik bir veri setinden gerçekten hesaplandı. Önce temel regresyon mantığını tazelemek isterseniz SPSS hiyerarşik regresyon rehberimize göz atabilirsiniz.

Düzenleyici değişken analizi rehberi: SPSS PROCESS Model 1, etkileşim terimi ve basit eğim

Düzenleyici değişken analizi nedir, aracı değişkenden farkı ne?

Düzenleyici (moderatör) değişken, iki değişken arasındaki ilişkinin yönünü ya da gücünü değiştiren değişkendir. Örneğin iş stresi çoğu çalışanda tükenmişliği artırır; ancak güçlü sosyal desteği olan kişilerde bu artış daha sınırlı kalabilir. Yani bu durumda sosyal destek, stres ile tükenmişlik arasındaki ilişkiyi düzenler.

Aracı değişkenle sık karıştırılsa da iki kavram farklı sorulara yanıt verir. Aracı değişken etkinin nasıl ortaya çıktığını, düzenleyici değişken ise ne zaman ve kimde değiştiğini açıklar. Aracılık modellerinin ayrıntıları için aracılık analizi rehberimize bakabilirsiniz.

Tablo 1. Düzenleyici ve aracı değişkenin karşılaştırılması
Ölçüt Düzenleyici (moderatör) değişken Aracı (mediatör) değişken
Yanıtladığı soru X’in Y üzerindeki etkisi ne zaman ya da kimde güçlenir, zayıflar? X, Y’yi hangi yolla etkiler?
Modeldeki yeri X ile Y arasındaki ok üzerine etki eder X ile Y arasında zincirin halkasıdır (X → M → Y)
Test edilen terim X × W etkileşim terimi Dolaylı etki (a × b)
PROCESS modeli Model 1 (tek düzenleyici) Model 4 (basit aracılık)
Tipik bulgu cümlesi “Sosyal destek arttıkça stresin etkisi zayıflamaktadır.” “Stres, uykusuzluk aracılığıyla tükenmişliği artırmaktadır.”

Kısacası hipoteziniz “X’in etkisi W’ye bağlıdır” biçimindeyse düzenleyici değişken analizi doğru seçimdir. Buna karşılık hipotez “X, M üzerinden Y’yi etkiler” diyorsa aracılık modeli kurmanız gerekir.

Hangi koşullar ve varsayımlar gerekir?

Analiz, temelde çoklu doğrusal regresyondur. Bu nedenle regresyonun bilinen varsayımları burada da geçerlidir. Bu yüzden başlamadan önce aşağıdaki noktaları kontrol etmenizi öneririz:

  • Bağımlı değişken: Sürekli ya da sürekli kabul edilebilen bir puan olmalıdır (ör. ölçek toplam veya ortalama puanı).
  • Bağımsız ve düzenleyici değişken: İkisi de sürekli olabilir. Bunun yanı sıra W iki kategorili (ör. cinsiyet) ya da çok kategorili olabilir; çok kategoride PROCESS kukla kodlamayı kendisi yapar.
  • Doğrusallık ve artıklar: Artıkların yaklaşık normal dağılması ve varyansın sabit olması beklenir. Varyans sabit değilse PROCESS’te HC3 sağlam standart hatalarını seçebilirsiniz.
  • Ölçüm güvenirliği: Etkileşim terimi, iki ölçümün hatasını birlikte taşır. Dolayısıyla düşük Cronbach alfa değerleri etkileşimi saptama gücünü belirgin biçimde azaltır.
  • Örneklem: Etkileşim etkileri genellikle küçüktür. Özellikle tez önerisi aşamasında güç analizini etkileşim terimi için ayrıca yapmak gerekir.

Öte yandan çoklu bağlantı sorunu konusunda bir yanılgıya dikkat edin. Merkezleme, ana etkilerin yorumunu kolaylaştırır; etkileşim teriminin katsayısını, standart hatasını ve p değerini ise değiştirmez.

PROCESS makrosu SPSS’e nasıl kurulur?

PROCESS, Andrew F. Hayes tarafından geliştirilen ücretsiz bir SPSS, SAS ve R eklentisidir. Ayrıca güncel sürümü ve kullanım belgelerini resmî PROCESS sitesinden indirebilirsiniz. İndirilen klasörde SPSS için process.spd adlı bir özel iletişim kutusu dosyası bulunur.

  1. SPSS’i yönetici olarak çalıştırın; aksi hâlde kurulum yetki hatası verebilir.
  2. Yeni sürümlerde Extensions > Utilities > Install Custom Dialog (Compatibility mode) yolunu izleyin. Eski sürümlerde aynı seçenek Utilities > Custom Dialogs altındadır.
  3. process.spd dosyasını seçip kurulumu onaylayın.
  4. Son olarak SPSS’i kapatıp açtıktan sonra makro Analyze > Regression > PROCESS menüsünde görünür.

Menü kurulamıyorsa aynı klasördeki process.sps sözdizimi dosyasını çalıştırıp komutu sözdizimiyle de kullanabilirsiniz. Böylece yetki sorunu olan kurum bilgisayarlarında da analiz yapılabilir.

Düzenleyici değişken analizi SPSS’te adım adım nasıl yapılır?

Örnek çalışmamızda 240 çalışandan üç ölçek puanı topladığımızı varsayıyoruz: iş stresi (X; ort. = 3,09, SS = 0,72), sosyal destek (W; ort. = 3,37, SS = 0,70) ve tükenmişlik (Y; ort. = 2,20, SS = 0,67). Özellikle hipotezimiz şu: “Sosyal destek düzeyi arttıkça iş stresinin tükenmişlik üzerindeki olumlu etkisi zayıflar.”

  1. Analyze > Regression > PROCESS penceresini açın.
  2. Tükenmişlik puanını Y variable, iş stresini X variable, sosyal desteği Moderator variable W kutusuna taşıyın.
  3. Model number listesinden 1 seçin.
  4. Options düğmesinde merkezleme için “All variables that define products” seçeneğini işaretleyin.
  5. Aynı pencerede “Generate code for visualizing interactions” ve Johnson-Neyman çıktısı seçeneklerini işaretleyin.
  6. Koşullu değerler için −1 SS, ortalama ve +1 SS seçeneğini tercih edin. Güncel sürümlerde varsayılan değerler 16., 50. ve 84. yüzdeliklerdir; tezde hangisini kullandığınızı belirtmeniz yeterlidir.
  7. Gerekirse kontrol değişkenlerini (yaş, kıdem vb.) Covariate(s) kutusuna ekleyip OK ile çalıştırın.

Sözdizimi tercih ederseniz aynı analiz şu komutla da çalışır: process y=tukenme /x=stres /w=destek /model=1 /center=1 /plot=1 /jn=1 /moments=1. Bu komutta moments=1 seçeneği koşullu değerleri ortalama ± 1 SS olarak ayarlar.

Elle hesaplamak isteyenler ise önce merkezlenmiş X ve W’yi, ardından bunların çarpımını Transform > Compute Variable ile oluşturabilir. Sonra iki bloklu hiyerarşik regresyonda ilk bloğa X ve W’yi, ikinci bloğa çarpım terimini girerek düzenleyici değişken analizi için aynı katsayılara ulaşabilir.

PROCESS çıktısı nasıl okunur?

Çıktının ilk bölümü model özetini verir. Örneğimizde model, tükenmişlikteki varyansın %44,1’ini açıklıyor (R² = 0,441; F(3, 236) = 61,94; p < 0,001). Ancak asıl ilgilendiğimiz satır, katsayı tablosundaki Int_1 yani X × W terimidir.

Tablo 2. PROCESS Model 1 sonuçları (Y: tükenmişlik, n = 240, X ve W ortalamadan merkezlenmiş; öğretim amaçlı kurgusal veri)
Terim b SH t p %95 GA
Sabit 2,212 0,033 67,69 < 0,001 [2,147; 2,276]
İş stresi (X) 0,591 0,046 12,91 < 0,001 [0,501; 0,681]
Sosyal destek (W) −0,219 0,047 −4,69 < 0,001 [−0,311; −0,127]
X × W −0,262 0,079 −3,32 0,001 [−0,417; −0,106]
R² = 0,441; F(3, 236) = 61,94; p < 0,001. Etkileşimin eklediği açıklama: ΔR² = 0,026; F(1, 236) = 11,00; p = 0,001.

Bu nedenle tabloyu üç adımda okuyoruz:

  • Etkileşim terimi: b = −0,262 ve p = 0,001 olduğundan etkileşim anlamlıdır. Üstelik güven aralığı sıfırı içermiyor. Negatif işaret, sosyal destek arttıkça stresin etkisinin azaldığı anlamına gelir.
  • ΔR² değeri: Çıktının “Test(s) of highest order unconditional interaction(s)” bölümünde etkileşimin tek başına %2,6 ek varyans açıkladığı görülür (F(1, 236) = 11,00; p = 0,001). Bu değerden hesaplanan etki büyüklüğü f² = 0,026 / (1 − 0,441) ≈ 0,047 düzeyindedir.
  • Ana etkiler: Değişkenler merkezlendiği için X’in katsayısı (0,591), sosyal desteğin ortalama düzeyindeki etkiyi gösterir. Merkezleme yapılmasaydı bu katsayı W = 0 noktasındaki etkiyi verirdi; 1–5 arası bir ölçekte ise sıfır anlamlı bir değer değildir.

Sonuç olarak bu aşamada yalnızca “etkileşim var” diyebiliriz. Etkinin hangi düzeylerde ne kadar değiştiğini görmek için bir sonraki adıma, yani koşullu etkilere geçmek gerekir.

Basit eğim analizi ve Johnson-Neyman bölgesi nasıl yorumlanır?

Basit eğim analizi, X’in Y üzerindeki etkisini W’nin seçilmiş düzeylerinde ayrı ayrı hesaplar. Bu amaçla PROCESS, tabloyu “Conditional effects of the focal predictor at values of the moderator(s)” başlığıyla verir.

Tablo 3. Sosyal desteğin üç düzeyinde iş stresinin tükenmişliğe koşullu etkisi
Sosyal destek düzeyi W değeri Koşullu etki (b) SH t p %95 GA
Düşük (−1 SS) 2,67 0,774 0,074 10,41 < 0,001 [0,628; 0,921]
Ortalama 3,37 0,591 0,046 12,91 < 0,001 [0,501; 0,681]
Yüksek (+1 SS) 4,07 0,407 0,069 5,89 < 0,001 [0,271; 0,544]

Tablo 3’e göre sosyal desteği düşük çalışanlarda stresteki bir birimlik artış tükenmişliği yaklaşık 0,77 puan yükseltiyor. Buna karşılık sosyal desteği yüksek çalışanlarda bu artış 0,41 puana iniyor. Dolayısıyla etki her üç düzeyde de anlamlı kalsa da büyüklüğü neredeyse yarıya düşüyor. Kısacası bu bulgu, hipotezdeki tampon etkisini destekliyor.

Johnson-Neyman yöntemi ise yalnızca üç noktaya bakmak yerine W’nin tüm aralığını tarar ve etkinin anlamlılığını yitirdiği sınırı bulur. Örneğimizde bu sınır W = 4,75 noktasına denk geliyor. Nitekim bu değerin altındaki katılımcılar örneklemin %97,5’ini oluşturuyor; yani stresin etkisi neredeyse tüm örneklemde anlamlı. Yalnızca sosyal destek puanı 4,75’in üzerindeki %2,5’lik grupta etki istatistiksel olarak sıfırdan ayrışmıyor.

Merkezleme seçtiğinizde bazı sürümler bu değerleri ortalamadan sapma olarak gösterebilir. Böyle bir durumda değeri ölçek metriğine çevirmek için W’nin ortalamasını eklemeniz yeterlidir.

PROCESS çıktınızı birlikte yorumlayalım

Veri setinizi, hipotezlerinizi ve aldığınız PROCESS çıktısını paylaşırsanız model seçimini, merkezleme kararını, basit eğim ve Johnson-Neyman sonuçlarını sizinle birlikte gözden geçiririz. Ayrıca bulgular bölümündeki tablo ve yorum cümlelerinin tutarlılığını kontrol ederiz. Bunun için WhatsApp üzerinden yazabilir ya da iletişim ve teklif sayfamızı kullanabilirsiniz. Kapsam netleştikten sonra çalışma planı ve ücret bütçenize göre birlikte belirlenir.

Etkileşim grafiği nasıl çizilir?

“Generate code for visualizing interactions” seçeneği, çıktının sonuna tahmin edilen Y değerlerini üreten kısa bir veri bloğu ekler. Bu bloğu yeni bir sözdizimi penceresine kopyalayıp çalıştırdığınızda SPSS üç çizgili bir grafik oluşturur. Ayrıca aynı değerleri Excel’de çizgi grafiğine de dönüştürebilirsiniz.

Tablo 4. Etkileşim grafiği için tahmin edilen tükenmişlik puanları
Sosyal destek Düşük stres (−1 SS) Ortalama stres Yüksek stres (+1 SS)
Düşük (−1 SS) 1,81 2,37 2,92
Ortalama 1,79 2,21 2,64
Yüksek (+1 SS) 1,77 2,06 2,35

Tablo 4’te her satır grafikteki bir çizgiye karşılık gelir. Örneğin düşük destek çizgisi 1,81’den 2,92’ye tırmanırken yüksek destek çizgisi 1,77’den yalnızca 2,35’e çıkıyor. Böylece çizgilerin eğimleri arasındaki fark, etkileşimin görsel karşılığı hâline geliyor. Okurun grafiği yanlış yorumlamaması için eksen adlarını ve SS düzeylerini açıkça yazın.

Düzenleyici değişken analizi tezde nasıl raporlanır?

Raporlamada okurun her kararı izleyebilmesi gerekir. Bu nedenle yöntem bölümünde PROCESS sürümünü, model numarasını, merkezleme kararını, koşullu değerleri ve varsa sağlam standart hata tercihini belirtin. Ardından bulgular bölümünde Tablo 2’ye benzer bir katsayı tablosu, basit eğim sonuçları ve etkileşim grafiği yer alır.

Örnek bir bulgu paragrafı şöyle kurulabilir: “Sosyal desteğin düzenleyici rolü PROCESS Model 1 ile sınanmıştır. İş stresi ile sosyal desteğin etkileşimi anlamlı bulunmuştur (b = −0,26; %95 GA [−0,42; −0,11]; p = 0,001) ve modele %2,6 ek açıklama sağlamıştır (ΔR² = 0,026; F(1, 236) = 11,00). Basit eğim analizine göre stresin tükenmişliğe etkisi düşük sosyal destekte (b = 0,77; p < 0,001) yüksek sosyal desteğe (b = 0,41; p < 0,001) göre daha güçlüdür.”

Tabloları APA 7 düzenine getirirken tez bulgular bölümü rehberimizdeki biçim kurallarını kullanabilirsiniz. Bulguyu bir dergi makalesine dönüştürmeyi planlıyorsanız tartışma bölümünün kurgusu için makale hazırlama rehberlerimize de göz atabilirsiniz.

Düzenleyici değişken analizinde hangi PROCESS modeli seçilir?

Genel olarak Model 1, tek bir düzenleyicinin bulunduğu en yalın durum içindir. Bununla birlikte hipotez yapınız farklıysa başka bir model gerekir:

  • İki düzenleyici (Model 2): İki düzenleyici aynı X → Y ilişkisini birbirinden bağımsız biçimde düzenliyorsa kullanılır.
  • Üçlü etkileşim (Model 3): X × W × Z etkileşimi varsayılıyorsa tercih edilir; yorumu ve örneklem ihtiyacı belirgin biçimde artar.
  • Düzenlenmiş aracılık (Model 7 ve 14): Düzenleyici, aracılık zincirinin bir halkasını etkiliyorsa yani düzenlenmiş aracılık söz konusuysa uygundur. Bu modellerde “index of moderated mediation” değerine bakılır.
  • Çok gruplu yapısal eşitlik modeli: Gizil değişkenlerle çalışıyor ve ölçüm hatasını modele katmak istiyorsanız daha uygun bir seçenektir.

Aracılık ve düzenleyiciliğin birlikte yer aldığı modellerde yol diyagramı kurmak çoğu zaman işi kolaylaştırır. Üstelik bu konudaki seçenekleri path analizi ve aracılık testi sayfamızda ayrıca ele aldık.

Sık yapılan hatalar nelerdir?

Aşağıdaki sorunlar tez taslaklarında ve hakem raporlarında sıkça karşımıza çıkıyor. Bu yüzden analizi raporlamadan önce listeyi kısaca gözden geçirmenizi öneririz.

  • Ana etkiyi yanlış yorumlamak: Merkezleme yapılmayan modelde X katsayısını “genel etki” diye sunmak yanlıştır; bu katsayı W = 0 noktasındaki etkidir.
  • Yalnızca p değerine bakmak: Anlamlı bir etkileşim bulunduktan sonra basit eğim ve grafik verilmezse bulgunun anlamı belirsiz kalır.
  • Grupları bölmek: Sürekli bir düzenleyiciyi medyandan ikiye ayırmak bilgi kaybına ve güç düşüşüne yol açar. Bunun yerine W’yi sürekli bırakın.
  • Standartlaştırılmış katsayıyı çıktıdan almak: Etkileşimli modelde SPSS’in verdiği Beta değerleri doğru yorumlanmaz; standart katsayı gerekiyorsa değişkenleri önce z puanına çevirin.
  • Nedensel dil kullanmak: Kesitsel veride “sosyal destek etkiyi azaltır” yerine “etkinin daha zayıf olduğu görülmüştür” demek daha doğrudur.

Son olarak, etkileşim anlamsız çıktığında bunu açıkça raporlayın. Ardından koşullu etkileri hipotezi desteklemiş gibi sunmaktan kaçının.

Sık sorulan sorular

Düzenleyici değişken analizi için kaç katılımcı gerekir?
Kesin bir sayı yoktur; gerekli örneklem, beklenen etkileşim büyüklüğüne ve ölçümlerin güvenirliğine bağlıdır. Ancak etkileşimler çoğunlukla küçük olduğundan G*Power ile ΔR² ya da f² üzerinden ayrı bir güç analizi yapmanızı öneririz.

Merkezleme zorunlu mu?
Zorunlu değildir; etkileşim teriminin testi merkezlemeyle değişmez. Ancak merkezleme, ana etki katsayılarını ortalama düzeyde yorumlanabilir kılar. Bu yüzden tezlerde tercih edilmesi daha anlaşılır sonuç verir.

Düzenleyici değişken kategorik olabilir mi?
Evet. Örneğin iki kategorili bir değişken 0–1 olarak girilebilir. Üç ve daha fazla kategoride ise PROCESS, Multicategorical seçeneğiyle kukla kodlamayı kendisi yapar ve her grup için koşullu etkiyi ayrı verir.

Etkileşim anlamlı ama basit eğimlerin hepsi anlamlıysa ne yazmalıyım?
Bu durumda düzenleyicilik etkisi vardır; etki her düzeyde sürer ama büyüklüğü değişir. Örneğimizdeki gibi katsayıların düşük ve yüksek düzeydeki farkını vurgulamanız yeterlidir.

Johnson-Neyman sınırı çıkmazsa sorun var mı?
Hayır. Çünkü sınır yoksa etki, gözlenen W aralığının tamamında ya anlamlı ya da anlamsızdır. Çıktıdaki not bu durumu belirtir ve tezde tek cümleyle aktarılabilir.

PROCESS yerine AMOS ya da SmartPLS kullanabilir miyim?
Kullanabilirsiniz. Gözlenen ölçek puanlarıyla çalışıyorsanız PROCESS en hızlı yoldur. Buna karşılık gizil değişkenler ve ölçüm modeliyle çalışıyorsanız yapısal eşitlik modeli içinde etkileşim ya da çok gruplu analiz daha uygundur.

İlgili rehberler ve hizmetler