TABLE of CONTENTS

Yol Analizi Tekrar ve Aracılık Etkisi

Dördüncü derste bir önceki dersin konusu olan yol analizine yönelik kısa bir tekrar gerçekleştirdik ve bazı önemli noktalara değindik. Burada yol analizini yapma sebeplerimizin birkaçından bahsettik. Regresyon analizini gerçekleştirdikten sonra modeli etkileyecek durumları test ederiz. Modelde değişkenler arasındaki ilişkiyi etkileyen, aracılık etkisi(mediation) ya da düzenleyici etkiye(moderation) etkiye sahip diğer değişkenler var mı sorusuna cevap bulmak için yol analizi yapabiliriz. Sadece bu etkileri görmek için değil modelde birden fazla bağımlı değişkenin olduğu durumlarda zaten yol analizi kullanmamız gerekir. Yol analizi geçen derste de bahsettiğimiz gibi gözlenen değişkenler üzerinden yapılır. Eğer örtük bir değişken varsa Yapısal Eşitlik Modelleri(YEM) kullanırız. Gizil değişkenlerin bağımlı değişken olduğu modelleri YEM’dir. Gizil değişkeni elde ettikten sonra gizil değişkeni kullanarak aynı yol analizi modellerini tekrar yapabiliriz. Burada analatılmak istenen durum gizil değişkeni elde ettikten sonra onu gözlenen değişken olarak kullanabileceğimizdir. Bağımlı, bağımsız, araacı vs. olarak analizimizde yer alabilir. DEğindiğimiz bir diğer önemli nokta ise yol analizinde incelediğimiz değişkenler gözlene tek bir puan üzerinden analize dahil edilir. Burada tutum ölçeği örneğini ele aldık. Tutum ölçeği ile yol analizi yapamayız fakat tutum ölçeğinin tek boyutluluğunu kanıtlayıp sonrasında toplam puan ile tek bir gözlem puanı elde edebiliriz ve yol analizini gerçekleştiririz. Ayrıca yol analizinden moelin doğruluğu kanıtlanamaz bunun için de YEM gereklidir (yapı geçerliği). Yol analizinde temel olarak modeli kurduktan sonra uyum katsayıları ve yol katsayıları anlamlı mı bunu Test ederiz. Analamsız sonuçlar için artıkları inceleyip burada z puanı +- 1,96 aralığında olmayan değerleri büyük artık olarak değerlendirebiliriz. Sonrasında modincdies bölümünde artıkları düşürmek için verilen önerileri göz önünde bulundurarak revize edilmiş modelimizi kurabiliriz. Elde edlien önerilerle anlamsız çıkan yol katsayılarını inceleyerek -marksig() fonksiyonu ile- modelden çıkarıp anlamlı yollar ile yeni modeli kurup uyum katsayılarını inceyebiliriz. Burada elde ettiğimiz sonuçlar standartlaştırılmış olmalıdır. Daha sonra dolaylı etki ve doğrudan etkiyi nasıl analiz edebileceğimize baktık. Dolaylı etkileri incelemek için modelde doğrudan etkilerin önüne “:=” ile katsayılar eklememiz gerekir. Bu sayede etkileşim etkilerinin anlamlı olup olmadığını görebiliriz. Burada direct effect ve total indirect effect üzerinden analizi yapıp sem() fonksiyonu ile elde ettiğimiz istatiskleri inceleriz. Yine aynı şekilde standardizedsolution() fonksiyonu ile standarlaştırılmış değerleri inceleriz. Aracılık etkisini incelemeye başlamadan önce temel bilgiler edindik. Değişkenleri kontrol altına almak demek aslında modele değişken eklemektir. O değişkenlerin etkisini kontrol ederek görmek istedğimiz ana etkileri daha net görebiliriz. Eğer eklediğimiz değişken doğrusallık, çoklu bağlantı vs. gibi varsayımları sağlamıyorsa ve bunu düzeltmek istiyorsak bu değişkeni logx şeklinde modele dahil ederiz. Aracılık etkisi bağımsız değişkenin (X) bağımlı değişken (Y) üzerindeki etkisinin bir kısmının aracı değişken (M) üzerinden gerçekleşip gerçekleşmediğini test eder.

M ~ X Y ~ X + M

Düzenleyicilik etkisi, bağımsız değişken ile bağımlı değişken arasındaki ilişkinin başka bir değişkenin (moderator) düzeyine bağlı olarak değişip değişmediğini test eder.Düzenleyicilik etkisi ilşikinin gücünü veya yönünü değiştirebilir.

Y ~ X * W

Aracılık etkisini incelerken stargazer paketi ile regresyon çıktılarımızı bir tabloda toplayabiliriz. Multilevel paketinde yer alan sobel() fonksiyonu ile sobel testi yapılır ve etki incelenir. Burada sobel testi örneklem büyüklüğüne göre farklı sonuçlar verebileceğinden mediate() fonksiyonu kullanılarak boostrapping önerilir. gvlma paketi ile varsayımları tek bir çıktıda inceleyebiliriz. Sonuç çıktıları içim ACME toplam etkiyi, ADE doğrudan etkiyi, Total Effect dolaylı ve doğrudan etkinin toplamını ve Prop. Mediated ise kestirim oranını (ACME/Total Effect) verir.

Aracılık etkisini incelemek amacıyla general survey service(gss) paketinden gss_all veri setini kullandım. Bu veri setinde sosyo-demografik değişkenler (yaş, cinsiyet, eğitim, gelir, politik görüş vb.) bulunmakta ve bu değişkenlerden aracılık etkisini incelemek için şöyle bir model kurdum: bağımsız değişken(X): eğitim(educ) aracı değişken(M): gelir(income) bağımlı değişken(Y): politik katılım(polviews)

library(dplyr)
library(haven)
library(mediation)
library(naniar)
library(lavaan)
library(broom)
library(semPlot)
library(semptools)
library(stargazer)
library(multilevel)
library(olsrr)

Paketleri yükledikten sonra veri setimi sisteme yükledim ve kullanacağım değişkenleri aldım. Sonrasında kayıp verileri tespit ettim ve imputation yöntemiyle verileri yeniden oluşturdum. sonrasında aracılık etkisi için mediation analizini gerçekleştirdim.

data <- read_dta("gss7224_r3.dta")
veri<- data[, c("educ", "polviews", "income")]
any_na(veri)
## [1] TRUE
n_miss(veri)
## [1] 19436
prop_miss(veri)
## [1] 0.08558457
miss_var_summary(veri)
## # A tibble: 3 × 3
##   variable n_miss pct_miss
##   <chr>     <int>    <num>
## 1 polviews   9821   13.0  
## 2 income     9329   12.3  
## 3 educ        286    0.378
veri_2<- veri %>% mutate(
    educ = as.numeric(educ),
    income = as.numeric(income),
    polviews = as.numeric(polviews)
  )
library(mice)

imp <- mice(veri_2, m = 5, method = "pmm", seed = 123)
completed_data <- complete(imp, 1)
fit_M <- lm(income ~ educ, data = completed_data)
fit_Y <- lm(polviews ~ educ + income, data = completed_data)

med_fit <- mediate(fit_M, fit_Y, treat = "educ", mediator = "income", boot = TRUE, sims = 1000)
summary(med_fit)
## 
## Causal Mediation Analysis 
## 
## Nonparametric Bootstrap Confidence Intervals with the Percentile Method
## 
##                 Estimate 95% CI Lower 95% CI Upper   p-value    
## ACME            0.013083     0.011852     0.014619 < 2.2e-16 ***
## ADE            -0.043696    -0.046996    -0.040288 < 2.2e-16 ***
## Total Effect   -0.030613    -0.033691    -0.027416 < 2.2e-16 ***
## Prop. Mediated -0.427374    -0.499771    -0.369283 < 2.2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Sample Size Used: 75699 
## 
## 
## Simulations: 1000

YORUM:

ACME (Toplam Etki): 0.013, güven aralığı (0.0119, 0.0146), p < 0.001 Politik görüş ~ Eğitim + Gelir yolundaki dolaylı etki anlamlı. Eğitim düzeyi arttıkça gelir üzerinden politik görüşlerde küçük ama anlamlı bir değişim oluyor. ADE (Doğrudan Etki): -0.0437, güven aralığı (-0.0470, -0.0403), p < 0.001 Politik görüşü Eğitim doğrudan etkisi negatif ve anlamlı. Yani eğitim düzeyi arttıkça politik görüşlerde doğrudan bir sapma var diyebiliriz. Total Effect(ACME+ADE): -0.0306, güven aralığı (-0.0337, -0.0274), p < 0.001 Eğitim düzeyinin politik görüşler üzerindeki toplam etkisi negatiftir. - Prop. Mediated(ACME/Total Effect): -0.427, güven aralığı (-0.500, -0.369), p < 0.001 Toplam etkinin yaklaşık %43’ü gelir aracılığıyla gerçekleşiyor çıkarımı yapılabilmektedir. Dolaylı etki anlamlı bulunmuş ve toplam etkinin yaklaşık %43’ü gelir aracılığıyla açıklandığı görülmektedir. Bu bulguya göre, sosyoekonomik faktörlerin politik tutumlar üzerindeki etkisinin olduğu yorumu yapılabilir. ( Burada gvlma fonksiyonu ile varsayımları test etmek istedim fakat veri setinin büyüklüğünden dolayı tam olarak istediğim sonuçlara ulaşamadım)

Aynı işlemin stargazer fonksiyonu ile yapılması

fit <- lm(polviews ~ educ, data=veri_2)

fita <- lm(income ~ educ, data=veri_2)

fitb <- lm(polviews ~ income + educ, data=veri_2)

fitc <- lm(educ ~ polviews + educ, data=veri_2)

stargazer(fit, fita, fitb, fitc, type = "text", title = "Baron and Kenny Yontemi ile Aracilik Etkisi",digits = 2,
          font.size ="tiny")
## 
## Baron and Kenny Yontemi ile Aracilik Etkisi
## ==============================================================================================================================
##                                                                Dependent variable:                                            
##                     ----------------------------------------------------------------------------------------------------------
##                             polviews                     income                    polviews                    educ           
##                                (1)                        (2)                         (3)                       (4)           
## ------------------------------------------------------------------------------------------------------------------------------
## income                                                                              0.04***                                   
##                                                                                     (0.002)                                   
##                                                                                                                               
## educ                        -0.03***                    0.34***                    -0.05***                                   
##                              (0.002)                    (0.003)                     (0.002)                                   
##                                                                                                                               
## polviews                                                                                                     -0.15***         
##                                                                                                               (0.01)          
##                                                                                                                               
## Constant                     4.51***                    5.80***                     4.27***                  13.89***         
##                              (0.02)                      (0.04)                     (0.03)                    (0.04)          
##                                                                                                                               
## ------------------------------------------------------------------------------------------------------------------------------
## Observations                 65,699                      66,262                     59,442                    65,699          
## R2                            0.005                       0.14                       0.01                      0.005          
## Adjusted R2                   0.005                       0.14                       0.01                      0.005          
## Residual Std. Error     1.40 (df = 65697)          2.57 (df = 66260)           1.40 (df = 59439)         3.08 (df = 65697)    
## F Statistic         323.19*** (df = 1; 65697) 11,156.38*** (df = 1; 66260) 295.52*** (df = 2; 59439) 323.19*** (df = 1; 65697)
## ==============================================================================================================================
## Note:                                                                                              *p<0.1; **p<0.05; ***p<0.01