İçeriğe geç

Yapısal Eşitlik Modeli: Model 1a (Gizil Değişkenlerle)

Bu seride, özellikle gizil değişkenlerle çalışırken moderasyon analizlerini nasıl kurabileceğimizi adım adım göreceğiz. Eğer gözlenen değişkenlerle çalışacaksanız yanlış sayfada geziniyorsunuz. Buraya tıklayarak gözlenen değişkenlerle moderatör analizi açıkladığım sayfaya gidebilirsiniz.

İlk bakışta biraz karmaşık görünse de üstesinde gelebiliriz 🙂 Egzersiz süresi, iyi oluş hali ve stres değişkenlerini kullanarak açıklayacağım. Diyelim ki bir araştırmada egzersiz süresinin bireylerin iyi oluş hali üzerindeki etkisini inceliyoruz. İlk varsayımımız şu olabilir: Daha fazla egzersiz yapan bireyler, kendilerini daha iyi hisseder. Ancak bu ilişki her bireyde aynı şekilde gerçekleşmeyebilir? Örneğin, bireyin yaşadığı stres düzeyi bu ilişkiyi değiştirebilir. Belki de egzersiz, stres düzeyi düşük bireylerde iyi oluşu daha az artırırken, yüksek stres yaşayan bireylerde bu etki artabilir. Başka bir deyişle, stres düzeyi, egzersiz ile iyi oluş arasındaki ilişkinin gücünü veya yönünü düzenleyebilir.

Bu modeli daha derinlemesine ele almak için değişkenleri gizil yapılar (latent variables) üzerinden tanımlayabiliriz.

  • Egzersiz süresi (X), dört farklı gözlemle ölçülen bir gizil yordayıcıdır (örneğin: haftalık yürüyüş, koşu, yoga, bisiklet süresi).

  • Stres düzeyi (W), yine dört farklı gözlemle ölçülen bir gizil düzenleyici olabilir (örneğin: uyku bozukluğu, kaygı seviyesi, kas gerginliği, sinirlilik).

  • İyi oluş hali (Y) ise, ruhsal sağlık, yaşam doyumu, enerji düzeyi gibi dört gözlenen değişkenle ölçülen bir gizil değişkendir.

Bu yapıyla kurulan düzenleyici model, “egzersiz süresi iyi oluşu etkiler, ama bu etki stres düzeyine bağlı olarak değişir” hipotezini test etmemizi sağlar. Eğer modelde X ile W’nin etkileşimi (X*W) anlamlı çıkarsa, bu bize stresin moderatör etkisi olduğunu gösterir. Kısaca, moderatör analiz, iki değişken arasındaki ilişkiyi etkileyen üçüncü bir değişkenin varlığını ve bu etkinin yönünü inceleyen güçlü bir yaklaşımdır. Mplus gibi yapısal eşitlik modelleme yazılımları sayesinde bu ilişkiler hem gözlenen hem de gizil değişkenler üzerinden modellenebilir. Daha önce gözlenen değişkenlerle kurduğumuz moderatör ilişkileri şimdi de gizil değişkenlerle kontrol ederek sonuçları birlikte yorumlayacağız.

Mplus’ta Model 1a: Gizil Değişkenlerle Temel Moderasyon

Bu modelde üç temel yapı üzerinden ilerliyoruz:

  • Egzersiz süresi (X): Gizil bir yordayıcı değişken. Diyelim ki bu değişkeni 4 farklı gözlemle ölçüyoruz: haftalık yürüyüş süresi, spor salonunda geçirilen zaman, yoga pratiği ve bisiklet kullanımı (bunlar X1, X2, X3, X4 olsun).

  • Stres düzeyi (W): Bizim moderatör değişkenimiz. O da yine gizil bir yapı ve örneğin uyku kalitesi, kaygı düzeyi, kas gerginliği ve günlük sinirlilik gibi göstergelerle ölçülüyor (W1-W4).

  • İyi oluş hali (Y): Sonuç değişkenimiz. Ruhsal sağlık, yaşam doyumu, enerji düzeyi ve genel mutluluk gibi dört farklı ölçümden (Y1-Y4) oluşuyor.

Mplus kodlarında bu değişkenlerin her biri birer gizil faktör olarak tanımlanıyor ve her biri birkaç gözlenen değişkenle (yani ölçek maddeleri ya da diğer ölçme araçlarıyla) ölçülüyor.

Analize geçmeden önce bazı varsayımları kontrol etmek gerekiyor. Bunlar:

  • Tüm gizil yapılar (X, W, Y) sürekli gözlenen değişkenlerle ölçülmüş olmalı.

  • Çoklu regresyon analizinin temel varsayımlarının karşılanmış olması gerekir. Önceden bu varsayımların karşılandığını kontrol etmeyi unutmayın. Eğer bunlar nelerdi diye düşünüyorsanız Youtube’da çoklu regresyon analiziyle ilgili oluşturduğum videoyu izleyebilirsiniz.

Neden Bu Model?

Çünkü bize şunu test etme şansı veriyor:
Egzersizin iyi oluş üzerindeki etkisi herkes için aynı mı? Yoksa bu etki, bireyin stres düzeyine göre değişiyor mu?
Eğer X ile W’nin etkileşimi anlamlı çıkarsa, stresin bu ilişkiyi değiştirdiğini yani moderatör etkisi olduğunu anlıyoruz.

Bu oldukça değerli bir bilgi çünkü çoğu zaman davranışlar ya da duygular tek bir değişkenle açıklanamıyor. İnsan deneyimi karmaşık ve bu tür modellerle bu karmaşıklığı daha doğru analiz edebiliyoruz. O halde yavaş yavaş başlayalım. Aşağıda boş model gösterimi, modelin istatistiksel gösterimi ve model eşitliğini veriyorum.

Model Gösterimi:

İstatistiksel Model Gösterimi:

Model Eşitliği:

Y = b0 + b1X + b2W + b3XW

Mplus Kodu:

 

TITLE: örnek analiz
DATA: FILE IS model1a.dat;
VARIABLE: NAMES ARE X1 X2 X3 X4
W1 W2 W3 W4 Y1 Y2 Y3 Y4;

USEVARIABLES = X1 X2 X3 X4
W1 W2 W3 W4
Y1 Y2 Y3 Y4;

ANALYSIS:
TYPE = GENERAL RANDOM;
ESTIMATOR = ML;
ALGORITHM = INTEGRATION;

MODEL:

X BY X1 X2 X3 X4;
W BY W1* W2 W3 W4;
Y BY Y1 Y2 Y3 Y4;

   W@1;

   XW | X XWITH W;

Y ON X (b1);
Y ON W (b2);
Y ON XW (b3);

MODEL CONSTRAINT:
NEW(LOW_W MED_W HIGH_W SIMP_LO SIMP_MED SIMP_HI);

LOW_W = -1;
MED_W = 0;
HIGH_W = 1;  

SIMP_LO = b1 + b3*LOW_W;
SIMP_MED = b1 + b3*MED_W;
SIMP_HI = b1 + b3*HIGH_W;

PLOT(LOMOD MEDMOD HIMOD);
LOOP(XVAL,-3,3,0.1);
LOMOD = (b1 + b3*LOW_W)*XVAL;
MEDMOD = (b1 + b3*MED_W)*XVAL;
HIMOD = (b1 + b3*HIGH_W)*XVAL; 
PLOT:
TYPE = plot2;

OUTPUT:

CINT;

 

Şuraya kaynağı da bırakalım da 🙂

Stride, C.B., Gardner, S., Catley, N. & Thomas, F.(2015) ‘Mplus code for the mediation, moderation, and moderated mediation model templates from Andrew Hayes’ PROCESS analysis examples’

Vee nihayet videoyu oluşturdum. Aşağıya linkini bırakıyorum. Analizde değişkenlerin rolünü anlama, analizi yapma ve bulguları yorumlama işinin tümünü kapsayan bu videoyu izleyerek siz de kendi çalışmalarınızı yorumlayabilirsiniz.

 

Etiketler: