İstatistiksel Modellemede Yapısal Eşitlik Modeli (SEM), Aracı Değişken ve Düzenleyici Değişken ile İlgili Çalışma Çıktı Yorumları
Hazırlayan: İsmail Cüneyt VARİLCİ
Veri Yapısı Hakkında Açıklama
Bu çalışmada kullanılan simüle veri seti, bireylerin gönüllülük faaliyetlerine katılımını etkileyen değişkenleri içermektedir. Veri seti aşağıdaki temel değişkenlerden oluşmaktadır:
toplumsal_duyarlilik: Bireyin toplumsal meselelere olan duyarlılığı (sürekli değişken)
arkadas_baskisi: Bireyin sosyal çevresinden gördüğü gönüllülük yönündeki baskı (sürekli değişken)
bos_zaman: Bireyin gönüllü faaliyetlere ayırabileceği zaman miktarı (sürekli değişken)
gonullu_niyeti: Bireyin gönüllü olma yönündeki niyeti (sürekli değişken, aracılık rolü üstlenir)
katilim: Bireyin gönüllü faaliyetlere fiilen katılım düzeyi (sürekli değişken, bağımlı değişken)
grup: Cinsiyeti temsil eden kategorik değişken; “Kadın” ve “Erkek” grupları mevcuttur.
Genel Model Sonuçlarının Yorumu
Genel modelde, tüm katılımcılar (Kadın ve Erkek) birlikte ele alınarak gönüllülük davranışına ilişkin yapısal eşitlik modeli test edilmiştir. Elde edilen sonuçlara göre:
RMSEA = 0.000, mükemmel bir uyumu gösterir. Kritik değer maksimum 0.080’dir.
CFI = 1.000 ve TLI = 1.011 değerleri 0.90’ın üzerinde olduğu için model ile veri uyumludur.
Chi-Square p value değeri = 0.813 bu değer 0.05’den büyük çıktığı için model ile veri uyumludur.
Regresyon katsayılarına göre:
“Gönüllü olma niyeti”, “katılım”ı anlamlı biçimde yordamaktadır. (β = 0.760, p < .001).
“Toplumsal duyarlılık”, “gönüllü niyeti”ni en güçlü biçimde etkilemektedir (β = 0.491, p < .001), bunu “boş zaman” (β = 0.245) ve “arkadaş baskısı” (β = 0.194) izlemektedir.
Genel modelimiz yapısal eşitlik analizine göre uygun çıkmıştır. Genel modelin katsayılarının kadınlarda ve erkeklerde farklılaşıp farklılaşmadığını test etmek için aynı model cinsiyet değişkenine göre “Çok Gruplu Yapısal Eşitlik Analizi” ile incelenmiştir.
Çoklu Grup Yapısal Eşitlik Modelinin Gerekçesi
Yapısal eşitlik modellemesinde çoklu grup analizi, belirli bir kuramsal yapının farklı alt gruplar (örneğin, cinsiyet) için benzer biçimde işleyip işlemediğini test etmek amacıyla kullanılır. Bu tür bir analiz, aynı modelin farklı gruplarda geçerli olup olmadığını incelemeye olanak tanır.
Bu çalışmada cinsiyet (Kadın/Erkek) temelinde gruplar oluşturularak çoklu grup SEM analizi yapılmıştır. Amaç, gönüllülüğe ilişkin yapısal ilişkilerin (örneğin, niyetin katılım üzerindeki etkisi) kadınlar ve erkekler için farklılık gösterip göstermediğini incelemektir.
Katı Model Yaklaşımı
“Katı Model (Strict Model)” yaklaşımı, oldukça kısıtlayıcı bir varsayım setiyle hareket eder. Katı modele göre:
Intercepts (Başlangıç Noktaları): Her iki grup için regresyon denklemlerinin sabit terimlerinin aynı olduğu varsayılır. Örneğin, gönüllü olma niyeti sıfır olduğunda, kadın ve erkeklerin katılım düzeylerinin aynı olması beklenir.
Regresyon Katsayıları (Eğimler): Tüm yapısal ilişkilerin (yani değişkenler arası etkilerin) kadın ve erkeklerde birebir aynı olduğu varsayılır.
Hata Terimleri (Residuals): Modele göre açıklanamayan varyans (hata) miktarının da her iki grupta eşit olması beklenir.
Bu model, oldukça güçlü ve iddialı bir varsayım içerdiği için sıklıkla test edilir; çünkü bu varsayımların gerçek hayatta sağlanması nadir olabilir. Biz modelin ne ölçüde veriye uyum sağladığını değerlendirmek amacıyla uyum indekslerine (CFI, TLI, RMSEA, vb.) bakarak yorum yaparız.
Katı Modelin Sonuçlarının Yorumu
Yapılan katı model analizi, gönüllülük niyeti ve katılım ilişkilerinin yanı sıra bu ilişkilere etki eden tüm yapısal yolların kadın ve erkek grupları arasında benzer işlediğini ortaya koymuştur. Modelin oldukça güçlü uyum indekslerine sahip olması (CFI = 0.995, TLI = 0.995, RMSEA = 0.029) ve Chi-square testinde anlamlı farkın olmaması (p = 0.327), gruplar arasında yapısal eşitliğin sağlandığını göstermektedir.
Bu bulgular, gönüllülük sürecinin cinsiyete göre anlamlı bir farklılık göstermediğini, yapının her iki grupta da geçerli olduğunu işaret etmektedir.
Serbest Model Yaklaşımı
Serbest model analizi, gruplar arasında herhangi bir kısıtlama yapılmadan (örneğin, regresyon katsayılarının, sabitlerin veya hata varyanslarının eşit olacağına dair bir varsayım olmadan) yürütülen modeldir. Bu model, her grubun (Kadın ve Erkek) kendi regresyon katsayılarına, kesişim değerlerine (intercept) ve hata terimlerine sahip olmasına izin verir.
Serbest Modelin Sonuçlarının Yorumu
Serbest modelin uyum indeksleri oldukça güçlüdür:
Chi-Square p değeri = 0.428 → Modelin veriye iyi uyum sağladığını gösterir. (p > .05)
CFI = 1.000, TLI = 1.000 → Kusursuz uyuma işaret eder.
RMSEA = 0.000, mükemmele yakın uyum gösterir.
Bu uyum indeksleri, serbest modelin her iki grup için de iyi çalıştığını ortaya koymaktadır.
Serbest Modelde Regresyon Katsayıları ve Grup Karşılaştırması
Kadın Grubu:
Gönüllü olma niyeti, katılım davranışını güçlü biçimde yordar (β = 0.857, p < .001).
Toplumsal duyarlılık, gönüllü olma niyetini en güçlü etkileyen değişkendir (β = 0.519,p <.001).
Diğer etkileyici değişkenler: Boş zaman (β = 0.230,p <.001), Arkadaş baskısı (β = 0.160,p <.05).
Erkek Grubu:
Gönüllü olma niyeti, katılımı anlamlı biçimde etkiler ancak kadın grubuna göre daha düşük etkiye sahiptir (β = 0.669, p <.001).
Toplumsal duyarlılık burada da en güçlü değişkendir (β = 0.423,p <.001).
Boş zaman ve arkadaş baskısı etkileri yine anlamlıdır. (p <.001).
Gruplar Hakkında Yorum:
Kadın ve erkek gruplarında tüm yollar anlamlıdır fakat katsayılar farklılaşmaktadır. Özellikle “gönüllü niyeti → katılım” yolunda kadınlarda etki daha yüksektir. Bu durum, cinsiyete göre gönüllülük davranışının altında yatan psikolojik mekanizmaların farklı olabileceğine işaret edebilir.
Kısmen Kısıtlı (Ara) Model İkinci Derece Yaklaşımı
Bu bölümde, katı ve serbest modeller arasında yer alan ve yalnızca
belirli parametrelerin eşit olduğu varsayılan kısmen kısıtlı model (ara
model) incelenmiştir. Bu analizde yalnızca
regresyon katsayıları ve intercept değerleri
gruplar (kadın ve erkek) arasında eşitlenmiştir. Böylece modelin hem
yapısal ilişkilerinin hem de başlangıç düzeylerinin gruplar arasında
benzer olup olmadığı test edilmiştir.
Kısmen Kısıtlı (Ara) Model İkinci Derece Yaklaşımı Yorumu
Modelin uyum iyiliği istatistikleri, kısmen kısıtlı modelin veriyle uyumlu olduğunu göstermektedir. Ki-kare p = .252 anlamlı değildir (p>0.05), bu da modelin veriye yeterli uyum sağladığını gösterir.
CFI = .993, TLI = .991 değerleri modelin iyi uyum sağladığını desteklemektedir.
RMSEA = .040 modelin veri ile uyumlu olduğunu gösterir. (Kritik değer maks. 0.080’dir.)
Parametre tahminlerine bakıldığında, hem kadın hem de erkek gruplarında:
“Gönüllü olma niyeti” değişkeni “katılım”ı anlamlı şekilde yordamakta (β = 0.765, p < .001).
“Toplumsal duyarlılık”, “boş zaman” ve “arkadaş baskısı” değişkenleri gönüllü olma niyetini anlamlı biçimde yordamakta olup katsayılar eşitlenmiş ve tutarlıdır (β = 0.489, β = 0.245, β = 0.195, tamamı p < .001).
Bu sonuçlar, modelin yapı taşlarının iki grup arasında benzer işlediğini; dolayısıyla gönüllülük davranışının ardındaki yapının cinsiyete göre büyük farklılıklar göstermediğini göstermektedir.
Kısmen Kısıtlı (Ara) Model Üçüncü Derece Yaklaşımı
Üçüncü derece model, yapısal eşitlik modellemesinde sadece regresyon katsayılarının gruplar arasında eşit olduğu varsayımına dayanır. Bu modelde group.equal = c(“regressions”) argümanı kullanılarak kadın ve erkek gruplarında regresyon katsayılarının sabit olduğu kabul edilirken, kesişim noktaları (intercepts) ve hata varyansları (residuals) gruplar arasında farklılaşabilir. Böylece yapı katsayılarının değişmeden kaldığı ancak diğer parametrelerde farklılık olabileceği bir senaryo test edilir.
Kısmen Kısıtlı (Ara) Model Üçüncü Derece Yaklaşımı Yorumu
Modelin genel uyum iyiliği oldukça güçlüdür:
Ki-kare p = .262 p > 0.05, bu da modelin veriye yeterli düzeyde uyum sağladığını gösterir.
CFI = 0.994 ve TLI = 0.991 değerleri model ile verinin uyumlu olduğunu gösterir.
RMSEA = 0.040 model ve verinin uygun olduğunu gösterir. (Kritik değer maks. 0.080’dir.)
Parametre Tahminlerini bu modelde regresyon katsayıları her iki grup için eşitlenmiş olduğundan, değişkenler arasındaki ilişkilerin cinsiyete göre anlamlı bir fark göstermediği varsayılmıştır.
Gönüllü Niyeti Katılımı Her iki grup için de bu ilişkinin katsayısı 0.777 olup istatistiksel olarak anlamlıdır (p < .001). Bu durum, gönüllü niyetin katılım davranışını güçlü bir şekilde yordadığını göstermektedir.
Toplumsal Dayanışma Gönüllü Niyetini katsayı 0.472 olup anlamlı şekilde yordar (p < .001). Katılımcılar arasında toplumsal dayanışma algısı arttıkça gönüllü niyetin de arttığı gözlemlenmektedir.
Arkadaş Baskısı Gönüllü Niyetini katsayı 0.179 olup anlamlı şekilde yordar (p < .001). Arkadaş baskısının da gönüllü niyeti pozitif yönde etkilediği söylenebilir.
Boş Zaman Gönüllü Niyetini katsayı 0.239 olup anlamlı şekilde yordar (p < .001). Bireylerin boş zamana sahip olması gönüllü niyet düzeylerini artırmaktadır.
Uygun Model Seçimi
| Model | Chi_Sq. | p_value | CFI | TLI | RMSEA |
|---|---|---|---|---|---|
| Serbest Model | 5.960 | 0.428 | 1.000 | 1.000 | 0.000 |
| Kısmen Kısıtlı (3. Derece) | 12.357 | 0.262 | 0.994 | 0.991 | 0.040 |
| Kısmen Kısıtlı (2. Derece) | 14.809 | 0.252 | 0.993 | 0.991 | 0.040 |
| Tam Kısıtlı Model | 15.772 | 0.327 | 0.995 | 0.995 | 0.029 |
Yukarıdaki karşılaştırma tablosuna göre:
Ki-kare değeri (χ² = 5.960, p = .428) en düşük olan ve diğerlerine göre daha anlamlı olmayan tek modeldir.
CFI ve TLI değerleri 1.000 olup modelin uyumlu ifade etmektedir.
RMSEA = 0.000 modelin mükemmel derecede uyumlu olduğunu göstermektedir.
Tüm bu uyum iyilikleri göz önünde bulundurulduğunda, serbest modelin en iyi uyumu sağladığı görülmektedir. Bu nedenle çalışmada serbest modelin en uygun model olduğuna karar verilmiştir. Serbest modele karar verildiği için model katsayıların standardize edilmesi gerekir.
Serbest Model İçin Standardize Edilmiş Katsayılar
(Serbest Model Seçildiği İçin Bu İnceleme Yapılmıştır.)
Standartlaştırılmış katsayılar (Std.all), değişkenlerin farklı ölçü birimlerinden bağımsız olarak etki büyüklüklerini karşılaştırmaya olanak tanır. Bu, özellikle çok gruplu yapısal eşitlik modellerinde (ör. kadın ve erkek grupları) aynı değişkenler arası etkilerin kıyaslanması açısından önemlidir.
Standardize Edilmiş Katsayılar Üzerinden Yorum
Serbest modeldeki std.all katsayıları, değişkenler arasındaki ilişkinin şiddetini standart bir ölçekte karşılaştırmak amacıyla kullanılmıştır. Bu katsayılar, değişkenlerin farklı ölçeklerde ölçülmesinden kaynaklanabilecek yorum zorluklarını ortadan kaldırarak daha anlamlı karşılaştırmalar yapılmasına olanak tanır.
Kadın grubunda, gönüllü niyetinin katılım üzerindeki yordaması oldukça yüksektir (β = 0.778). Bu durum, gönüllü niyetinin kadınların gönüllülük katılımını güçlü biçimde yordadığını göstermektedir. Aynı şekilde, gönüllü niyeti üzerinde toplumsal duyarlılık yordaması (β = 0.584) en güçlü belirleyici olurken, boş zaman (β = 0.254) ve arkadaş baskısı (β = 0.178) görece daha düşük ama anlamlı yordamalar göstermektedir.
Erkek grubunda da benzer bir yapı gözlenmiştir. Gönüllü niyeti, katılım üzerinde yüksek bir yordamaya sahiptir (β = 0.640), ancak bu yordama kadınlara kıyasla biraz daha düşüktür. Erkeklerin gönüllü niyetinde ise boş zaman (β = 0.312) en yordayıcı faktör olarak öne çıkarken, toplumsal duyarlılık (β = 0.469) ve arkadaş baskısı (β = 0.237) da anlamlı yordamalar göstermektedir.
Bu sonuçlar, kadınlar için gönüllü niyetin daha güçlü bir belirleyici olduğunu, erkeklerde ise gönüllü niyeti oluşturan bileşenlerin daha dengeli dağıldığını göstermektedir. Standartize katsayıların yorumlanması, bu tür grup karşılaştırmalarını daha objektif bir temele oturtmaktadır.
Aracı Değişkenlerin Seri ve Paralel Analizleri
Bu analizde hem serial (seri) hem de parallel (paralel) yapıda aracılık (mediation) modelleri değerlendirilmiştir. Aracılık analizi, bir bağımsız değişkenin (X) bağımlı değişken (Y) üzerindeki etkisinin dolaylı yollarla mı gerçekleştiğini test eden bir istatistiksel yöntemdir.
Serial(Seri) Mediation Bilgileri
Seri (sıralı) aracılık modeli, değişkenler arasındaki nedensel ilişkinin basamaklı ve aşamalı bir yapıda gerçekleştiği varsayımına dayanır. Bu modele göre, bağımsız değişken (X), önce birinci aracı değişkeni (M1) etkiler; M1, ikinci aracı değişkeni (M2) etkiler ve M2 de nihayetinde bağımlı değişkeni (Y) etkiler. Süreç X → M1 → M2 → Y biçiminde ilerler. Bu yapıyı domino taşlarının sıralı devrilmesi gibi düşünmek mümkündür: her değişken bir sonrakini tetikler.
Bu modelin temel hipotezi, X’in Y üzerindeki doğrudan etkisinin sınırlı olduğu veya hiç olmadığı; asıl etkinin aracı değişkenler zinciri yoluyla gerçekleştiğidir. Bu nedenle modelde yalnızca bireysel yolların (a1, d, b2) anlamlılığı değil, bu yolların çarpımıyla elde edilen toplam dolaylı etkinin (serial := a1 * d * b2) anlamlılığı esas olarak test edilir.
Modeldeki temel yol katsayıları:
• a1: X → M1
• d : M1 → M2
• b2: M2 → YBu yolların çarpımı (a1 × d × b2) bize seri aracılık etkisini verir. Eğer bu yol anlamlı bulunursa, X’in Y’ye etkisinin sırayla M1 ve M2 üzerinden aktarıldığına dair güçlü bir kanıt elde edilmiş olur.
Seri aracılık modelleri genellikle psikolojik, davranışsal ya da sosyal araştırmalarda, adım adım işleyen süreçleri anlamak için kullanılır. Ancak bu tür modellerin test edilmesi, dikkatli düşünme ve model yollarının çok iyi tanımlanmasını gerektirir. Çünkü modeldeki her bir yol bir sonraki aşamayı etkileyen kritik bir halka gibi çalışır.
Parallel(Paralel) Mediation Bilgileri
Paralel aracılık (parallel mediation) modeli, bağımsız değişkenin (X) birden fazla aracı değişken (M1 ve M2) aracılığıyla, birbirinden bağımsız yollarla bağımlı değişken (Y) üzerindeki etkisini test etmeyi amaçlar. Bu yapıda, her bir aracı değişken bağımsız olarak hem X tarafından etkilenir hem de Y’yi etkiler. Modelde iki ayrı dolaylı yol mevcuttur:
• X → M1 → Y
• X → M2 → YBu durum, X’in Y üzerindeki toplam etkisinin iki alt yol üzerinden dağıldığı anlamına gelir. Her bir yolun aracılık etkisi ayrı ayrı değerlendirilir:
• mediation_M1 := a1 × b1 → M1 üzerinden giden dolaylı yol
• mediation_M2 := a2 × b2 → M2 üzerinden giden dolaylı yolBu modelin temel hipotezi, X’in Y’ye etkisinin yalnızca doğrudan değil, aynı zamanda bu iki paralel yol üzerinden dolaylı olarak da gerçekleştiğidir. Her bir yolun anlamlı olup olmadığına bakılarak, bu aracılık etkilerinin varlığı test edilir.
Paralel aracılık modeli, özellikle farklı psikolojik, davranışsal veya çevresel faktörlerin aynı anda bireyin davranışları veya tutumları üzerinde etkili olabileceği durumlarda kullanılır. Bu model, süreçlerin eş zamanlı ve bağımsız biçimde işleyip işlemediğini ortaya koymak için güçlü bir analitik yaklaşımdır.
Serial ve Paralel Mediation Modeli Şeması
Aşağıdaki diyagramda hem seri (a1 → d → b2) hem de paralel (a1b1 ve a2b2) aracılık yolları gösterilmektedir:
Analizlere konu olacak veri seti R kodları ile simültene olarak yaratılmıştır.
Analize Konu Olacak Veri Setinin Simültene ile Elde Edilmesi
Sosyal Medya Kullanımına Dayalı Seri ve Paralel Mediation Veri Seti ile İlgili Açıklamalar
Veri Setinin Tanıtımı
Bu çalışmada kullanılan veri seti, sosyal medya kullanımı ile bireysel verimlilik arasındaki ilişkiyi incelemek amacıyla simülasyon yoluyla üretilmiştir. Veri seti dört temel değişkenden oluşmaktadır ve her biri bireyin günlük yaşam alışkanlıklarına ve psikolojik durumuna ilişkin ölçümleri temsil etmektedir.
Aşağıda, veri setinde yer alan değişkenlerin kısaltmaları ve açıklamaları tablo halinde sunulmuştur:
| Degisken | Aciklama |
|---|---|
| X | Günlük sosyal medya kullanım süresi (saat) |
| M1 | Dikkat süresi (dakika) |
| M2 | Uyku kalitesi (0–100 arası) |
| Y | Günlük verimlilik düzeyi (0–100 arası) |
Bu veri setinde:
• X değişkeni bağımsız değişken olup bireyin günlük sosyal medya kullanım süresini temsil eder.
• M1 ve M2 değişkenleri sırasıyla dikkat süresi ve uyku kalitesini temsil eden aracı değişkenlerdir.
• Y değişkeni ise bağımlı değişken olup günlük verimliliği yansıtır.Veri seti toplam 300 gözlem içermektedir. Aşağıda veri setinin ilk 6 gözlemi yer almaktadır:
Serial (Sıralı) Mediation Modeli: Sonuçların Yorumlanması
Bu bölümde, sosyal medya süresinin dikkat süresi ve uyku kalitesi üzerinden günlük verimliliğe etkisini içeren serial (sıralı) aracılık modeli değerlendirilmiştir. Yapısal eşitlik modeli (SEM) ile elde edilen bulgular aşağıda yorumlanmıştır.
Model Uyum İyiliği
Modelin veriye sağladığı uyum mükemmel düzeydedir:
CFI (Comparative Fit Index): 1.000
TLI (Tucker-Lewis Index): 1.000
RMSEA: 0.000
Bu uyum iyiliği değerleri, modelin gözlenen veriye yüksek düzeyde uygunluk gösterdiğini ifade eder.
Yol Katsayılarının Değerlendirilmesi
Modeldeki bağımlı ve aracı yolların katsayıları ve anlamlılık düzeyleri aşağıdaki gibidir:
| Yol (Etki) | Katsayı | p-değeri | Yorum |
|---|---|---|---|
| X → M1 (a1) | -5.212 | < 0.001 | Anlamlı, negatif |
| X → M2 (a2) | -0.397 | 0.293 | Anlamsız |
| M1 → M2 (d) | 0.355 | < 0.001 | Anlamlı, pozitif |
| M1 → Y (b1) | 0.301 | < 0.001 | Anlamlı, pozitif |
| M2 → Y (b2) | 0.346 | < 0.001 | Anlamlı, pozitif |
| X → Y (c) | 0.686 | 0.065 | Marjinal anlamlılık |
Bu bulgulara göre dikkat süresi (M1) hem uyku kalitesine (M2) hem de doğrudan verimliliğe (Y) anlamlı etki yapmaktadır. Uyku kalitesi de verimliliği anlamlı biçimde etkilemektedir. Ancak, X’in M2 üzerindeki doğrudan etkisi anlamlı değildir.
Serial Mediation (Dolaylı Etki) Yorumu
Tanımlı parametre olarak hesaplanan serial := a1 × d × b2 yolu:
Estimate: -0.640
p-değeri: < 0.001
Bu, modeldeki seri aracılık etkisinin anlamlı olduğunu göstermektedir.
Serial Mediation Modeli Genel Değerlendirme
Serial mediation modeli kapsamında test edilen X → M1 → M2 → Y yoluna ilişkin bulgular, sıralı aracılık etkisinin istatistiksel olarak anlamlı olduğunu göstermektedir. Aşağıdaki tablo, bu üç temel yolun regresyon katsayılarını ve anlamlılık düzeylerini özetlemektedir:
| Yol | Katsayi | p.değeri | Yorum |
|---|---|---|---|
| X → M1 (a1) | -5.212 | < 0.001 | Sosyal medya süresi arttıkça dikkat süresi azalıyor. |
| M1 → M2 (d) | 0.355 | < 0.001 | Dikkat süresi arttıkça uyku kalitesi artıyor. |
| M2 → Y (b2) | 0.346 | < 0.001 | Uyku kalitesi arttıkça günlük verimlilik yükseliyor. |
Bu sonuçlara göre:
• Günlük sosyal medya kullanım süresi (X) arttıkça, bireyin dikkat süresi (M1) anlamlı düzeyde azalmaktadır (a1 = -5.212, p < 0.001).
• Dikkat süresi azaldıkça, uyku kalitesi (M2) de olumsuz etkilenmektedir (d = 0.355, p < 0.001).
• Uyku kalitesi düştükçe, bireyin günlük verimliliği (Y) de anlamlı biçimde azalmaktadır (b2 = 0.346, p < 0.001).🟥 Sosyal medya süresi (X) → ⬇️ Dikkat süresi (M1) → ⬇️ Uyku kalitesi (M2) → ⬇️ Günlük verimlilik (Y)
Bu üç yolun birlikte anlamlı olması, serial mediation modelinin desteklendiğini ve X’ten Y’ye olan etkinin, sırasıyla M1 ve M2 üzerinden zincirleme olarak aktarıldığını göstermektedir.
Özetle:
Sosyal medya kullanım süresi arttıkça dikkat süresi azalmakta, bu da uyku kalitesini düşürmekte ve sonuç olarak günlük verimlilik azalmaktadır.
Aracılığın Türü: Tam mı, Kısmi mi?
Serial mediation modeli kapsamında elde edilen sonuçlara göre,
modelde yer alan dolaylı yol (X → M1 → M2 → Y)
istatistiksel olarak anlamlıdır
(serial := a1 * d * b2, p < 0.001). Öte yandan, X’in Y
üzerindeki doğrudan etkisi (c yolu) anlamlılık
düzeyinin hemen üzerinde kalmıştır (b = 0.686, p = 0.065).
Bu durum, modelde doğrudan etkinin istatistiksel olarak anlamlı olmadığını, ancak sınırda bir değerle zayıf düzeyde varlık gösterdiğini göstermektedir.
Aşağıdaki tablo, durumu özetlemektedir:
| Yol | Katsayi | p.değeri | Sonuc |
|---|---|---|---|
| Serial Dolaylı Etki (a1 * d * b2) | -0.640 | < 0.001 | Anlamlı |
| Doğrudan Etki (c) | 0.686 | 0.065 | Anlamlı değil (marjinal) |
Bu sonuca göre modelde tam (full) aracılık vardır. Çünkü X’in Y üzerindeki etkisi doğrudan olarak anlamlı değildir, ancak dolaylı yol (X → M1 → M2 → Y) anlamlıdır.
Yani bireyin sosyal medya kullanım süresi, günlük verimlilik üzerinde doğrudan bir etki göstermemekte; bu etki tamamen dikkat süresi ve uyku kalitesi üzerinden zincirleme biçimde dolaylı olarak aktarılmaktadır.
Bu bulgu, aracı değişkenlerin sürecin tamamını taşıdığını ve X’in etkisinin tamamen bu yollar aracılığıyla ortaya çıktığını göstermektedir.
Paralel Mediation Modeline Geçiş
Serial mediation modeliyle yapılan analiz sonucunda, sosyal medya kullanım süresinin dikkat süresi ve uyku kalitesi üzerinden günlük verimlilik üzerindeki dolaylı etkisi anlamlı bulunmuştur. Özellikle X → M1 → M2 → Y biçimindeki sıralı yapı, modelin güçlü bir dolaylı etki taşıdığını göstermektedir.
Ancak bu tür sıralı yapılar, dolaylı etkinin sadece adım adım
ilerleyen bir zincir şeklinde işlediğini varsayar. Gerçek
hayatta ise süreçler her zaman bu kadar katı ve sıralı
olmayabilir.
Bu nedenle ikinci bir olasılığı da test etmek gerekir:
Acaba X, M1 ve M2 üzerinden birbirinden bağımsız yollarla aynı anda Y’yi etkiliyor olabilir mi?
Bu soruya yanıt verebilmek için, serial yapının dışında kalan ve daha esnek bir yapı sunan paralel mediation modeli incelenmelidir.
Paralel modelde:
- X’in M1 üzerinden Y’ye etkisi (X → M1 → Y)
- X’in M2 üzerinden Y’ye etkisi (X → M2 → Y)
ayrı ayrı ve aynı anda değerlendirilir. Aracı değişkenler sıralı değil, bağımsız yollarla etkiyi taşır.
Bu aşamada paralel modeli kurarak, X’in etkisinin M1 ve M2’ye bağımsız olarak aktarılıp aktarılmadığını test edilmiştir. Böylece serial modele göre daha yaygın görülebilecek bir alternatif dolaylı etki yapısını analiz edilmiştir.
Parallel(Paralel) Mediation Modeli: Sonuçların Yorumlanması
Bu bölümde, sosyal medya süresinin (X), hem dikkat süresi (M1) hem de uyku kalitesi (M2) aracılığıyla günlük verimlilik (Y) üzerindeki bağımsız dolaylı etkilerini değerlendiren paralel mediation modeli tanımlanmış ve analiz edilmiştir. Model, serial yapıyı da içererek karşılaştırma yapılmasına olanak tanımaktadır.
Bu modelde tanımlanan üç dolaylı yol bulunmaktadır:
| Yol | Açıklama | Katsayı | p-değeri | Yorum |
|---|---|---|---|---|
| med_M1 | X → M1 → Y (Dikkat üzerinden dolaylı etki) | -1.567 | < 0.001 | Anlamlı, güçlü, negatif |
| med_M2 | X → M2 → Y (Uyku üzerinden dolaylı etki) | -0.137 | 0.300 | Anlamsız |
| serial | X → M1 → M2 → Y (Seri zincir dolaylı etki) | -0.640 | < 0.001 | Anlamlı, orta düzey |
Yorumsal Değerlendirme:
✅ med_M1 yolu:
- Sosyal medya süresi arttıkça dikkat süresi azalıyor, bu da verimliliği düşürüyor.
- Bu dolaylı yol istatistiksel olarak anlamlı ve güçlü bir etki taşıyor.
⛔ med_M2 yolu:
- Sosyal medya süresi ile uyku kalitesi arasındaki doğrudan ilişki anlamlı değil.
- Bu yüzden X’in M2 aracılığıyla Y üzerindeki etkisi anlamlı değil (p = 0.300).
- Uyku kalitesinin dikkat dışında X’ten bağımsız etkilenmediği anlaşılıyor.
✅ serial yolu:
- Yani: X → M1 → M2 → Y zinciri anlamlı.
- Bu da serial modeldeki gibi, dikkat → uyku → verimlilik zincirinin X tarafından tetiklendiğini destekliyor.
Sonuç: Paralel Değil, Seri Yapı Daha Uygun
Modelde yalnızca M1 (dikkat) üzerinden ve M1
→ M2 üzerinden gelen serial yol anlamlıdır.
M2 (uyku) üzerinden gelen bağımsız yol anlamlı
değildir.
Dolayısıyla bu analiz göstermektedir ki:
- Paralel değil, zincirleme (serial) yapılı bir dolaylı etkiden söz etmek daha doğrudur.
- Yani dikkat, hem doğrudan hem de uykuya etkisiyle verimliliği etkileyen temel aracı değişkendir.
Düzenleyici Değişken Analizi
Bu bölümde, bağımsız değişken (X) ile bağımlı değişken (Y) arasındaki ilişkinin gücünün veya yönünün üçüncü bir değişkene (Z) bağlı olarak değişip değişmediğini test etmek amacıyla düzenleyici değişken (moderation) analizi yapılmıştır.
Düzenleyici Değişken Nedir?
Düzenleyici değişken (moderatör), X → Y ilişkisini doğrudan değiştiren bir faktördür. Başka bir deyişle, X’in Y üzerindeki etkisinin şiddeti ya da yönü, bu moderatör değişkenin seviyesine bağlı olarak farklılık gösterebilir.
Bu tür analizler aşağıdaki soruya yanıt arar:
“X’in Y üzerindeki etkisi, Z’nin farklı seviyelerinde aynı mı, yoksa değişiyor mu?”
Örnekler:
| Durum | X | Y | Z | Açıklama |
|---|---|---|---|---|
| 1 | Çalışma süresi | Sınav başarısı | Müzik dinleme | Müzik dinleyenlerde etki artabilir |
| 2 | Sosyal medya kullanımı | Verimlilik | Cinsiyet | Kadın ve erkeklerde etki farklı olabilir |
| 3 | Spor yapma sıklığı | Sağlık düzeyi | Yaş grubu | Genç ve yaşlı bireylerde etki farklı olabilir |
Kategorik vs. Sürekli Moderatörler
Kategorik moderatörler (örneğin cinsiyet, okul türü) farklı gruplar arasında kıyaslama yapmaya olanak tanır ve yorumlaması genellikle daha kolaydır.
Sürekli moderatörler (örneğin yaş, gelir düzeyi) ise eğimlerin düzeylere göre değişimini modellemek için uygundur. Genellikle standartlaştırılarak analiz edilir.
Analizlere konu olacak veri seti R kodları ile simültene olarak yaratılmıştır.
Analize Konu Olacak Veri Setinin Simültene ile Elde Edilmesi
Çalışan Memnuniyetinde Değişkenlerin Düzenleyici Rolü Veri Setinin Simültene ile Elde Edilmesi
Veri Setinin Simülasyonu ve Değişken Açıklamaları
Bu analizde kullanılan veri seti, çalışan memnuniyeti üzerindeki etkileri açıklamak amacıyla günlük yaşantıya uyarlanmış değişkenlerle oluşturulmuştur. Veri setinde 300 gözlem yer almaktadır ve tüm değişkenler simülasyon yoluyla üretilmiştir.
Aşağıda, her bir değişkenin kısa açıklaması sunulmuştur:
| Değişken | Açıklama |
|---|---|
| V1 | Çalışan memnuniyeti puanı (0–100 arası, bağımlı değişken) |
| V2 | Günlük kahve tüketimi (fincan sayısı, bağımsız değişken) |
| V3 | Çalışma ortamı (0 = evden çalışma, 1 = ofisten çalışma, moderatör) |
| V4 | Günlük ortalama uyku süresi (saat, sürekli moderatör) |
| V2V3 | Kahve tüketimi ile çalışma ortamı arasındaki etkileşim terimi (V2 × V3) |
| V2V4 | Kahve tüketimi ile uyku süresi arasındaki etkileşim terimi (V2 × V4) |
Analiz Amacı
Bu veri seti ile aşağıdaki iki moderasyon ilişkisi test edilecektir:
Kategorik Moderasyon Analizi:
Kahve tüketiminin çalışan memnuniyeti üzerindeki etkisi, çalışma ortamına göre (V3) değişmekte midir?
Sürekli Moderasyon Analizi:
Kahve tüketiminin çalışan memnuniyeti üzerindeki etkisi, uyku süresine göre (V4) değişmekte midir?
Her iki analizde de etkileşim teriminin (V2 × V3 ve V2 × V4) anlamlılığı üzerinden düzenleyici etki değerlendirilecektir.
Analiz Öncesi Kontrol Edilmesi Gereken Önemli Varsayım Kontrolleri
Çoklu Doğrusallık (Multicollinearity)
Düzenleyici (moderatör) değişken analizlerinde, özellikle sürekli değişkenler kullanıldığında, analizden önce dikkatle kontrol edilmesi gereken önemli bir varsayım vardır: multi-collinearity (çoklu doğrusallık).
Moderasyon analizinde, bağımsız değişken (X) ile moderatör değişkenin (Z) çarpımı olan etkileşim terimi (X × Z), genellikle X ile yüksek düzeyde korelasyon gösterebilir. Bu da tahmin edici değişkenlerin birbirinden ayırt edilememesine yol açar ve analiz sonuçlarının güvenilirliğini zedeler.
Örneğin bizim çalışmamızda:
- V2 = Kahve tüketimi (sürekli bağımsız değişken)
- V3 = Çalışma ortamı (0 = ev, 1 = ofis) (kategorik moderatör)
- V2V3 = V2 × V3 (etkileşim terimi)
Bu durumda V2 ile V2V3, V3 ile V2V3 ve V2 ile V3 arasındaki korelasyonlara bakmak gerekir.
Korelasyon Kontrolü
Eğer bu korelasyon 0.70’in üzerindeyse, bu bir çoklu doğrusallık sorunudur.
Örneğin 0.76 çıktıysa, analiz hatalı bir temel üzerinden yapılmış olur.
Çalışmada V2 ile V2V3 arasındaki korelasyon sonucu aşağıdaki gibidir.
##
## Pearson's product-moment correlation
##
## data: veri3$V2 and veri3$V2V3
## t = 5.1879, df = 298, p-value = 3.939e-07
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.1804494 0.3883915
## sample estimates:
## cor
## 0.287809Korelasyon Katsayısı (r): 0.288
p-değeri: < 0.001
Bu sonuca göre:
V2 ile V2V3 arasında pozitif yönde orta düzeyde bir korelasyon bulunmaktadır (r = 0.29).
p-değeri oldukça düşük olduğu için bu korelasyon istatistiksel olarak anlamlıdır.
Ancak literatürde yaygın olarak kullanılan eşik değer olan 0.70’in altında kaldığı için bu düzeyde bir korelasyon, çoklu doğrusallık açısından kritik bir sorun oluşturmaz.
Yine de ilerleyen adımlarda mean centering (ortalamaya çekme) yöntemiyle bu etkileşimler sadeleştirilmiş ve potansiyel çoklu doğrusal ilişki riski azaltılmıştır.
Mean Centering (Ortalamaya Çekme)
Moderasyon analizlerinde, özellikle sürekli değişkenlerle çalışırken dikkat edilmesi gereken en önemli varsayımlardan biri multi-collinearity (çoklu doğrusallık) sorunudur. Bu sorun, bağımsız değişken (V2) ile onun moderatörle çarpımı sonucu oluşan etkileşim terimi (V2 × V3) arasında yüksek korelasyon bulunması durumunda ortaya çıkar.
Yapılan korelasyon testi sonucunda:
V2 ile V2V3 arasında korelasyon (r): 0.288
p-değeri: < 0.001
Bu değer 0.70’in altında olmakla birlikte, modelin doğruluğunu artırmak ve çoklu doğrusal ilişkiden tamamen uzaklaşmak amacıyla “mean centering” (ortalamaya çekme) yöntemi çalışmada kullanılmıştır.
Mean centering, sürekli değişkenlerin ortalamaları etrafında yeniden düzenlenmesini ifade eder. Yani, her gözlem değerinden değişkenin ortalaması çıkarılır. Bu yöntem:
Etkileşim terimlerinin ana değişkenle korelasyonunu azaltır.
Modelin yorumlanmasını kolaylaştırır.
Regresyon sonuçlarında sapmaların önüne geçer.
Bu çalışmada V2 sürekli değişken olduğu için scale()
fonksiyonu kullanılarak mean centering uygulanmıştır.
Bu işlem sonucunda:
• c_V2: Ortalamaya çekilmiş V2 değişkeni oluşur.
• Yeni etkileşim terimi: c_V2 * V3 olarak hesaplanmıştır.Bu adım, analizdeki çoklu doğrusallık riskini azaltmak için kritik öneme sahiptir.
Kategorik Moderasyon Analizi
Önceki adımlarda, moderasyon analizine başlamadan önce gerçekleştirilmesi gereken önemli varsayım kontrolleri detaylı şekilde yapılmıştır. Özellikle çoklu doğrusallık riski değerlendirilmiş, değişkenler arası korelasyon incelenmiş ve bu doğrultuda mean centering (ortalamaya çekme) işlemi uygulanarak veri uygun hale getirilmiştir.
Bu hazırlık süreci, analiz sonuçlarının daha güvenilir ve yorumlanabilir olmasını sağlamaktadır.
Bu ön kontrollerin ardından, oluşturulan centered (ortalamaya çekilmiş) değişkenler ile düzenleyici değişken (moderation) analizi yapılmıştır.
Analizde, bağımlı değişken olan çalışan memnuniyetini (V1), bağımsız değişken olan kahve tüketimi (c_V2), moderatör olan çalışma ortamı (V3) ve bu ikisinin etkileşim terimi (c_V2 × V3) üzerinden incelenmiştir.
Düzenleyici Değişken Analizi: V3 (Çalışma Ortamı) için Sonuçların Yorumu
Bu analizde bağımlı değişken
V1 (Çalışan Memnuniyeti);
- Bağımsız değişken
c_V2 (Ortalamadan arındırılmış Kahve Tüketimi),
- Moderatör değişken
V3 (Çalışma Ortamı: 0 = Ev, 1 = Ofis) ve
- Etkileşim terimi c_V2V3 (c_V2 * V3) ile
açıklanmaya çalışılmıştır.
| Değişken | Katsayı (β) | p-değeri | Yorum |
|---|---|---|---|
| (Intercept) | 53.76 | < 0.001 *** | Temel düzey memnuniyet düzeyi |
| c_V2 | -6.29 | < 0.001 *** | Kahve tüketimi arttıkça memnuniyet azalıyor |
| V3 | 4.93 | < 0.001 *** | Ofiste çalışanlar ev ortamına göre daha memnun |
| c_V2V3 | 3.02 | < 0.001 *** | Kahve tüketiminin etkisi ortama göre değişiyor |
c_V2 (Kahve Tüketimi): Kahve tüketimi arttıkça çalışan memnuniyetinde anlamlı bir azalma görülmektedir.
V3 (Çalışma Ortamı): Ofis ortamında çalışan bireylerin memnuniyet düzeyi evde çalışanlara kıyasla daha yüksektir.
c_V2V3 Etkileşim: Kahve tüketiminin memnuniyet üzerindeki etkisi, çalışma ortamına göre değişmektedir.
Özellikle ofis ortamında kahve tüketiminin etkisi daha ılımlı görünmektedir.
Bu da moderatörlük etkisinin varlığını göstermektedir.
R² = 0.467: Model, çalışan memnuniyetine ilişkin varyansın %46.7’sini açıklamaktadır.
F(3, 296) = 86.37, p < .001: Modelin tümü anlamlı bir şekilde açıklayıcıdır.
Çalışma Memnuniyeti Grafik Çizdirme - Günlük Kahve Tüketimi × Çalışma Ortamı
• Grafik, kahve tüketiminin çalışan memnuniyetine etkisinin, çalışılan ortama göre farklılaştığını açıkça göstermektedir.
• Ofis ortamında kahve tüketimi arttıkça memnuniyet daha yüksek seviyelere çıkarken, ev ortamında bu artış daha sınırlı kalmaktadır.
• Bu da interaksiyon (çarpan) etkisinin anlamlı çıktığı istatistiksel bulguyu grafiksel olarak desteklemektedir.Sonuç: Çalışma ortamı, kahve tüketiminin memnuniyet üzerindeki etkisini değiştirerek anlamlı bir moderatör rolü üstlenmiştir.
Sürekli Moderasyon Analizi
Önceki bölümde, V3 değişkenini (çalışma ortamı: ev/ofis) kullanarak kategorik bir moderatör ile etkileşim analizi gerçekleştirilmiştir. Bu analiz sonucunda çalışma ortamının, kahve tüketimi ile çalışan memnuniyeti arasındaki ilişkiyi anlamlı biçimde değiştirdiği belirlenmiştir.
Bu bölümde ise, analiz sürekli bir moderatör değişken olan V4 (günlük uyku süresi) üzerinden yapılmıştır.
• V4, bireylerin günlük uyku süresini saat cinsinden ifade eden sürekli bir değişkendir.
• Sürekli moderatör değişkenlerle yapılan analizlerde, mean centering (ortalamaya çekme) uygulaması istatistiksel olarak daha kritik bir hale gelir. Bu nedenle analiz öncesinde gerekli dönüşümler yapılmıştır.
• V4’ün moderatör etkisi, kahve tüketiminin memnuniyet üzerindeki etkisini uyku süresine göre değiştirip değiştirmediğini ortaya koyacaktır.Düzenleyici Değişken Analizi: V4 (Uyku) için Sonuçların Yorumu
Bu analizde, günlük kahve tüketiminin (V2) çalışan memnuniyeti (V1) üzerindeki etkisinin, uyku süresi (V4) değişkenine göre değişip değişmediği test edilmiştir. Uyku süresi sürekli bir değişken olduğu için analiz öncesinde mean centering (ortalamaya çekme) işlemi uygulanmış, ardından etkileşim terimi oluşturulmuştur (c_V2:c_V4).
| Değişken | Katsayı (β) | p-değeri | Yorum |
|---|---|---|---|
| (Intercept) | 56.42 | < 0.001 *** | Ortalama kahve ve uyku süresinde temel memnuniyet düzeyi |
| c_V2 | -5.09 | < 0.001 *** | Kahve tüketimi arttıkça memnuniyet azalıyor |
| c_V4 | -2.34 | < 0.001 *** | Uyku süresi arttıkça memnuniyet azalıyor |
| c_V2:c_V4 | -1.43 | < 0.001 *** | Kahve tüketiminin etkisi uyku süresine göre değişiyor (etkileşim) |
• Kahve tüketimi tek başına arttıkça memnuniyeti azaltmaktadır. Bu etki anlamlı ve negatiftir.
• Uyku süresi arttıkça memnuniyet pozitif değil, negatif yönde etkilenmektedir. Bu bulgu örneklemin yapısına bağlı olarak ilginçtir (örneğin, fazla uyumak üretkenliği azaltıyor olabilir).
• Etkileşim terimi anlamlıdır: Bu, kahve tüketiminin memnuniyet üzerindeki etkisinin uyku süresine bağlı olarak değiştiği anlamına gelir.
Örneğin:
• Az uyuyan bireylerde, kahve tüketiminin memnuniyet üzerindeki olumsuz etkisi daha güçlü olabilir.
• Çok uyuyan bireylerde, kahvenin olumsuz etkisi bir miktar hafiflemiş olabilir.Modelin Uyumuna İlişkin Notlar:
• R² = 0.5342, yani model çalışan memnuniyetindeki değişkenliğin %53’ünü açıklayabiliyor.
• Modelin anlamlılığı yüksek (p < 0.001).Çalışma Memnuniyeti Grafik Çizdirme - Günlük Kahve Tüketimi × Uyku Süresi
Grafikte, kahve tüketiminin çalışan memnuniyeti üzerindeki etkisinin uyku süresine göre nasıl değiştiği gösterilmektedir:
• Uyku süresi kısa olan bireylerde kahve tüketiminin artışı, memnuniyet düzeyinde daha belirgin bir azalmaya yol açmaktadır.
• Ortalama uyku süresine sahip bireylerde bu olumsuz etki daha sınırlı düzeydedir.
• Uyku süresi uzun olan bireylerde ise kahve tüketiminin memnuniyet üzerindeki etkisi daha az olumsuz hatta bazı durumlarda dengelenmiş görünmektedir.Bu bulgu, uyku süresi arttıkça kahve tüketiminin olumsuz etkilerinin hafiflediğini göstermektedir. Dolayısıyla uyku süresi, kahve tüketimi ile çalışan memnuniyeti arasındaki ilişkiyi anlamlı biçimde düzenlemektedir.
Simple Slopes Analizi: Kahve Tüketimi ve Uyku Süresi Etkileşimi
Kahve tüketiminin çalışan memnuniyeti üzerindeki etkisinin, uyku süresi değiştikçe nasıl farklılaştığını daha ayrıntılı inceleyebilmek için Simple Slopes (Basit Eğimler) analizi uygulanmıştır. Moderatör değişken olan uyku süresi (c_V4), ortalaması etrafında -1 SD (düşük), 0 SD (ortalama) ve +1 SD (yüksek) düzeylerinde ele alınarak, bağımsız değişken olan kahve tüketiminin (c_V2) eğimleri bu düzeylerde ayrı ayrı değerlendirilmiştir.
Bu analiz, etkileşimli bir modelde bağımsız değişkenin etkisinin, moderatör değişkenin belirli düzeylerinde nasıl değiştiğini ortaya koyarak etkileşimin doğasını daha net bir şekilde anlamamıza yardımcı olur.
Simple Slopes Sonuç Tablosu
| c_V4.Düzeyi..Uyku.Süresi. | c_V2.Katsayısı..β. | p.değeri | Yorum |
|---|---|---|---|
| -1 SD (Düşük) | -3.25 | < .001 | Düşük uyku süresinde kahve tüketimi memnuniyeti anlamlı şekilde azaltıyor (etki daha zayıf). |
| Ortalama | -5.09 | < .001 | Ortalama uyku süresinde kahve tüketiminin negatif etkisi daha belirgin. |
| +1 SD (Yüksek) | -6.92 | < .001 | Yüksek uyku süresinde kahve tüketiminin memnuniyet üzerindeki negatif etkisi daha güçlü. |
Etkileşim anlamlı ve kuvvetlidir.