“X, Y’yi etkiliyor mu?” sorusu çoğu tezin başlangıç noktasıdır; ancak danışmanların ve jürilerin asıl merak ettiği, bu etkinin nasıl ve hangi koşullarda ortaya çıktığıdır. Aracı etki analizi “nasıl” sorusuna, düzenleyici etki analizi ise “hangi koşullarda” sorusuna yanıt arar. Her iki analiz için de bugün iki ana yol vardır: Hayes’in PROCESS makrosu ve yapısal eşitlik modellemesi (SEM). Hangisinin tercih edileceği, değişkenlerin nasıl ölçüldüğüne ve modelin karmaşıklığına bağlıdır. Bu yazıda iki kavramı araştırma örnekleriyle ayırıyor, Baron ve Kenny yaklaşımının neden terk edildiğini açıklıyor, PROCESS modellerini sade bir dille anlatıyor ve SEM’in ne zaman daha doğru seçim olduğunu tartışıyoruz.
Aracılık ve Düzenleyicilik: İki Farklı Soru
Aracı etki (mediation)
Aracı etki, bir bağımsız değişkenin (X) bağımlı değişkeni (Y) üçüncü bir değişken (M) üzerinden etkilediği durumdur. Örneğin dönüşümcü liderliğin (X) iş performansını (Y) işe adanmışlık (M) üzerinden artırdığını ya da sosyal medya kullanım süresinin (X) uyku kalitesini (Y) gece ekran maruziyeti (M) yoluyla düşürdüğünü öne sürebilirsiniz. Her iki örnekte de neden ile sonuç arasına bir mekanizma yerleştiriyoruz. Kritik kavram dolaylı etkidir: X’in M üzerindeki etkisi (a yolu) ile M’nin Y üzerindeki etkisinin (b yolu) çarpımı, yani a×b.
Düzenleyici etki (moderation)
Düzenleyici etki, X ile Y arasındaki ilişkinin gücünün ya da yönünün üçüncü bir değişkene (W) bağlı olarak değişmesidir. İş yükünün (X) tükenmişlik (Y) üzerindeki etkisi, sosyal destek (W) yüksek olanlarda zayıf, düşük olanlarda güçlü olabilir. İstatistiksel olarak düzenleyicilik, regresyon modeline X×W etkileşim teriminin eklenmesiyle sınanır; etkileşim anlamlıysa X’in etkisinin W’nin düzeyine göre değiştiği sonucuna varılır. Aracılıkta mekanizma, düzenleyicilikte koşul sorulmaktadır; bir değişken kuramsal gerekçe olmadan hem aracı hem düzenleyici olarak denenmemelidir.
Baron ve Kenny Neden Artık Yeterli Değil?
Baron ve Kenny’nin (1986) nedensel adımlar yaklaşımı yıllarca aracılık analizinin standardı oldu: Önce X→Y toplam etkisi anlamlı olmalı, sonra X→M ve M→Y yolları anlamlı olmalı, en son M kontrol edildiğinde X→Y etkisi azalmalı ya da yok olmalı. Bu mantık sezgisel görünse de üç temel sorunu vardır. Birincisi, dolaylı etkiyi (a×b) hiç doğrudan test etmez; yalnızca yolların tek tek anlamlılığına bakar. İkincisi, toplam etkinin anlamlı olmasını ön koşul sayar; oysa birbirini dengeleyen dolaylı etkiler ya da baskılama (suppression) durumlarında toplam etki anlamsızken gerçek bir aracılık bulunabilir. Üçüncüsü, istatistiksel gücü düşüktür; küçük ve orta örneklemlerde var olan aracılık etkilerini kaçırır.
Sobel testi de dolaylı etkinin standart hatasını normal dağılım varsayımıyla hesaplar; oysa iki katsayının çarpımının örnekleme dağılımı, özellikle küçük örneklemlerde, çarpıktır. Bu nedenle Preacher ve Hayes (2008) ile Hayes (2018), dolaylı etkinin bootstrap güven aralığıyla test edilmesini önerir. Bootstrap, veri setinden yerine koymalı olarak binlerce yeniden örneklem çeker, her birinde a×b’yi hesaplar ve elde edilen dağılımın %95 güven aralığını oluşturur; aralık sıfırı içermiyorsa dolaylı etki anlamlı kabul edilir. Bu yaklaşım dağılım varsayımı gerektirmez ve toplam etkinin anlamlılığını ön koşul saymaz. Tezinizde “Baron ve Kenny’nin adımları izlenmiştir” yazıyorsa, jüriden gelecek ilk soru muhtemelen bootstrap güven aralığının nerede olduğu olacaktır.
PROCESS Makrosu: En Sık Kullanılan Modeller
Hayes’in PROCESS makrosu SPSS, SAS ve R için ücretsiz dağıtılan, gözlenen değişkenlerle regresyon tabanlı aracılık ve düzenleyicilik modelleri kuran bir araçtır. Kullanıcı model numarasını, değişkenleri ve bootstrap sayısını belirtir; makro yolları, dolaylı etkileri ve güven aralıklarını üretir. Doksana yakın model tanımlıdır ama tezlerde dört tanesi ezici çoğunluğu oluşturur.
Model 4, basit aracılık modelidir: X→M→Y. Birden fazla aracı varsa aynı modelde paralel olarak sınanabilir; makro her aracının özgül dolaylı etkisini ve bunların karşılaştırmasını (pairwise contrasts) verir. Model 7, düzenleyici değişkenin a yolunu (X→M) etkilediği durumdur; buna “birinci aşama düzenlenmiş aracılık” denir. Örneğin liderliğin adanmışlığa etkisinin, çalışanın kıdemine göre değişip değişmediğini sorar. Model 8, düzenleyicinin hem a yolunu hem de doğrudan c′ yolunu (X→Y) etkilediği modeldir; yani W, X’in hem M üzerinden hem de doğrudan etkisini koşullandırır. Model 14, düzenleyicinin b yolunu (M→Y) etkilediği “ikinci aşama düzenlenmiş aracılık” modelidir; adanmışlığın performansa dönüşmesinin örgütsel destekle koşullandığını test etmek buna örnektir. Düzenlenmiş aracılık modellerinde kilit istatistik, koşullu dolaylı etkilerin düzenleyiciye bağlı olarak farklılaşıp farklılaşmadığını gösteren düzenlenmiş aracılık indeksidir (index of moderated mediation); bootstrap güven aralığı sıfırı içermiyorsa düzenlenmiş aracılıktan söz edilebilir.
PROCESS’in güçlü yanları açıktır: kurulumu kolay, çıktısı okunaklıdır ve bootstrap varsayılan olarak gelir. Sınırlılığı ise değişkenleri ölçme hatasından arınmış, tek puanlı gözlenen değişkenler olarak ele almasıdır. Beş maddelik bir ölçeğin ortalamasını aldığınızda ölçme hatası o ortalamanın içinde kalır ve yol katsayıları zayıflar (attenuation); güvenirliği ,70 civarında olan ölçeklerde bu zayıflama göz ardı edilemez.
Ne Zaman SEM Tercih Edilmeli?
Yapısal eşitlik modellemesi, ölçme modeli ile yapısal modeli aynı çerçevede tahmin eder. Her yapı, kendisini ölçen maddelerden oluşan gizil bir değişken olarak tanımlanır; böylece ölçme hatası açıkça modellenir ve yol katsayıları bu hatadan arındırılmış olarak elde edilir. Birden fazla bağımlı değişken, ardışık aracılar ya da aynı modelde hem aracılık hem düzenleyicilik varsa, SEM bunların tümünü tek modelde sınar ve bütüne ilişkin uyum indeksleri (CFI, TLI, RMSEA, SRMR) üretir. AMOS ve lavaan kovaryans tabanlı SEM için, SmartPLS ise PLS-SEM için yaygın seçeneklerdir; küçük örneklem ve tahmin odaklı çalışmalarda PLS-SEM, kuram sınamada kovaryans tabanlı SEM tercih edilir.
SEM’in bedeli, daha büyük örneklem gereksinimi ve ölçme modelinin önce doğrulanmış olması zorunluluğudur; ölçme modeli uyum sağlamıyorsa yapısal yollar anlamsızdır. Gizil değişkenlerle etkileşim modellemek de PROCESS’teki kadar basit değildir; lavaan’da ürün gösterge (product indicator) yaklaşımı ya da Mplus’ta LMS yöntemi gerekir. Aşağıdaki tablo iki yaklaşımı tez planlaması açısından karşılaştırmaktadır.
| Ölçüt | PROCESS (Hayes) | SEM (AMOS / lavaan / SmartPLS) |
|---|---|---|
| Değişken türü | Gözlenen (ölçek ortalaması/toplamı) | Gizil (maddelerle tanımlı) veya gözlenen |
| Ölçme hatası | Modellenmez; katsayılar zayıflar | Açıkça modellenir |
| Birden fazla bağımlı değişken | Tek Y; ayrı çalıştırmalar gerekir | Aynı modelde sınanır |
| Model uyumu | Yalnızca R² ve katsayılar | CFI, TLI, RMSEA, SRMR |
| Dolaylı etki testi | Bootstrap varsayılan | Bootstrap (AMOS/lavaan) veya Monte Carlo |
| Etkileşim (düzenleyicilik) | Çok kolay; simple slopes ve J-N hazır | Gizil etkileşimde ek yöntem gerekir |
| Örneklem gereksinimi | Görece düşük (yaklaşık 150+) | Daha yüksek (genellikle 200-300+) |
| Uygun olduğu durum | Az değişkenli, güvenirliği yüksek ölçekler, hızlı ve şeffaf analiz | Karmaşık modeller, çok aracı/çıktı, ölçek psikometrisi önemliyse |
Pratik bir kural: Tek aracı ve tek düzenleyiciyle, güvenirliği ,80 üzerinde ölçekler kullanıyorsanız PROCESS yeterli ve savunulabilirdir. Üç ya da daha fazla gizil yapı, birden fazla çıktı ya da modelin bütünsel uyumunu göstermenizi bekleyen bir jüri varsa SEM’e yönelin. Karar aşamasında hangi testi seçmeliyim aracımız ilk yönlendirmeyi sağlar; model kurulumunun ayrıntıları için yapısal eşitlik modellemesi hizmetlerimize göz atabilirsiniz.
Etkileşimi Yorumlamak: Merkezleme, Basit Eğimler ve Johnson-Neyman
Düzenleyicilik analizinde X ve W’nin ortalama etrafında merkezlenmesi (mean-centering) sıkça önerilir. Merkezleme etkileşim katsayısını ya da anlamlılığını değiştirmez; çoklu bağlantıyı da gerçek anlamda “çözmez”. Yaptığı şey, ana etki katsayılarını yorumlanabilir kılmaktır: Merkezleme sonrası X’in katsayısı, W ortalama düzeydeyken X’in Y üzerindeki etkisini gösterir. Merkezleme yapılmazsa aynı katsayı W = 0 iken geçerlidir; Likert ölçeklerinde sıfır anlamsız olduğundan yorum da anlamsızlaşır. PROCESS’te bu işlem Options altında tek tıkla yapılır.
Etkileşim terimi anlamlı çıktığında “düzenleyici etki vardır” demek yetmez; etkinin hangi yönde ve hangi düzeylerde olduğunu göstermeniz beklenir. Basit eğimler (simple slopes) analizi, W’nin düşük (−1 SS), orta ve yüksek (+1 SS) düzeylerinde X→Y eğimini ayrı ayrı tahmin eder; PROCESS bu değerleri koşullu etkiler tablosunda verir. Johnson-Neyman tekniği ise keyfi üç düzey yerine, X→Y etkisinin anlamlı olduğu W aralığını tam olarak belirler: “Sosyal destek puanı 3,42’nin altında olan çalışanlarda iş yükü tükenmişliği anlamlı biçimde artırmakta, bu değerin üzerinde etki anlamsızlaşmaktadır” biçiminde bir cümle bu çıktıdan türetilir ve jüri için çok daha bilgilendiricidir. Etkileşim grafiği tez metninde mutlaka yer almalı; eksenler, düzeyler ve güven bantları açıkça etiketlenmelidir.
Örneklem Büyüklüğü ve Güç
Aracılık analizi için gereken örneklem, a ve b yollarının büyüklüğüne bağlıdır. Fritz ve MacKinnon’un (2007) simülasyonlarına göre, her iki yol orta büyüklükte (yaklaşık ,39) ise bootstrap ile ,80 güce ulaşmak için 70-80 kişi yeterli olurken, yollar küçük (yaklaşık ,14) ise 400’ün üzerinde katılımcı gerekir. Düzenleyicilik için tablo daha zorludur: Etkileşim etkileri tipik olarak küçüktür (ΔR² = ,01-,03) ve 200-300 kişilik örneklemler bile bunları güvenilir biçimde saptamakta yetersiz kalabilir. Düzenlenmiş aracılık modellerinde iki gereksinim birleşir. Planlama aşamasında beklenen etki büyüklüklerini literatürden alarak örneklem büyüklüğü hesaplayıcımızı kullanabilir; SEM için Monte Carlo simülasyonuna başvurabilirsiniz. Anlamsız çıkan bir etkileşim, örneklem gerekçelendirilmemişse jüri tarafından güç yetersizliğiyle açıklanacaktır.
APA 7 ile Raporlama Şablonları
Aracılık bulgusunu raporlarken her yolu katsayısı, standart hatası ve güven aralığıyla vermeli; dolaylı etkiyi bootstrap aralığıyla sunmalısınız. Standartlaştırılmamış katsayılar esastır. Örnek bir aracılık paragrafı şöyledir:
Dönüşümcü liderliğin iş performansı üzerindeki etkisinde işe adanmışlığın aracı rolü, PROCESS Model 4 ile 10.000 yeniden örneklemli yanlılık düzeltmeli bootstrap kullanılarak sınanmıştır (N = 348). Dönüşümcü liderlik işe adanmışlığı anlamlı biçimde yordamış (a = ,46; SH = ,05; p < ,001), işe adanmışlık da liderlik kontrol edildiğinde iş performansını anlamlı biçimde yordamıştır (b = ,38; SH = ,06; p < ,001). Dolaylı etki anlamlı bulunmuştur (a×b = ,17; %95 bootstrap GA [,11; ,25]). Aracı değişken modele eklendiğinde liderliğin doğrudan etkisi anlamlılığını korumuştur (c′ = ,21; SH = ,06; p < ,001); toplam etki c = ,38’dir. Model, iş performansındaki varyansın %31’ini açıklamıştır.
Düzenleyicilik için örnek paragraf:
İş yükü ile tükenmişlik arasındaki ilişkide sosyal desteğin düzenleyici rolü, değişkenler ortalama etrafında merkezlenerek PROCESS Model 1 ile sınanmıştır. İş yükü × sosyal destek etkileşimi anlamlı bulunmuştur (B = −,14; SH = ,05; p = ,004; ΔR² = ,02). Basit eğimler analizi, iş yükünün tükenmişlik üzerindeki etkisinin sosyal destek düşükken (−1 SS) güçlü (B = ,52; p < ,001), ortalama düzeyde orta (B = ,38; p < ,001) ve yüksekken (+1 SS) zayıf ama anlamlı (B = ,24; p = ,01) olduğunu göstermiştir. Johnson-Neyman analizi, etkinin sosyal destek puanı 4,18’in üzerinde anlamsızlaştığını ortaya koymuştur; katılımcıların %17’si bu bölgede yer almaktadır.
SEM ile raporlamada bu paragrafların önüne ölçme ve yapısal modelin uyum indeksleri eklenir; örneğin “Yapısal model veriyle iyi uyum göstermiştir: χ²(184) = 341,52; p < ,001; CFI = ,95; TLI = ,94; RMSEA = ,050 (%90 GA [,042; ,058]); SRMR = ,041.” Ölçeklerin güvenirlik ve normallik değerlendirmeleri yöntem bölümünde önceden verilmiş olmalıdır; normallik varsayımının ne zaman önemli olduğuna ilişkin yazımız bu bölümde yardımcı olabilir.
Sık Yapılan Hatalar
En yaygın hata, kesitsel veriden nedensellik çıkarmaktır. Aracılık modeli tanım gereği nedensel bir sıralama varsayar; ancak tek bir zaman noktasında toplanan anket verisi bu sıralamayı kanıtlayamaz ve aynı korelasyon örüntüsü M→X→Y sıralamasıyla da tutarlı olabilir. Doğru dil, “bulgular önerilen aracılık modeliyle tutarlıdır” biçimindedir; “X, M aracılığıyla Y’ye neden olmaktadır” değil. Bu sınırlılığı tartışma bölümünde açıkça yazın ve boylamsal ya da deneysel tasarımı gelecek çalışmalar için önerin.
İkinci hata, “tam aracılık” ve “kısmi aracılık” ayrımını kullanmaya devam etmektir. Hayes (2018) bu terimleri önermemektedir; çünkü ayrım doğrudan etkinin anlamlılığına dayanır ve bu da büyük ölçüde örneklem büyüklüğünün bir işlevidir. Aynı model 150 kişide “tam”, 600 kişide “kısmi” aracılık gösterebilir; bu, mekanizma hakkında değil güç hakkında bilgi verir. Bunun yerine dolaylı etkinin büyüklüğünü ve güven aralığını raporlayın. Üçüncü hata, düzenleyici değişkeni medyandan bölüp gruplar hâlinde ayrı regresyonlar çalıştırmaktır; bu, bilgi kaybına ve güç düşüşüne yol açar. Dördüncü hata, düzenlenmiş aracılık modelinde koşullu dolaylı etkileri raporlayıp düzenlenmiş aracılık indeksini atlamaktır; indeks olmadan koşullu etkilerin birbirinden anlamlı biçimde farklı olduğu söylenemez. Son olarak, çok sayıda PROCESS modelini deneyip yalnızca anlamlı çıkanı raporlamak çoklu karşılaştırma sorununu gizler; model kuramsal gerekçeyle önceden belirlenmelidir. Savunma öncesinde bu noktalara hazırlanmak için tez savunması hazırlığı sayfamıza bakabilirsiniz.
Sık Sorulan Sorular
Toplam etki (X→Y) anlamsızsa aracılık analizi yapılabilir mi?
Evet. Çağdaş yaklaşımda toplam etkinin anlamlılığı bir ön koşul değildir; aracılığın kanıtı dolaylı etkinin bootstrap güven aralığıdır. Zıt yönlü dolaylı ve doğrudan etkiler birbirini götürebilir ve toplam etki sıfıra yakın çıkabilir; bu durum “tutarsız aracılık” olarak adlandırılır ve kuramsal olarak son derece bilgilendiricidir. Böyle bir bulguyu tartışma bölümünde açıklamanız beklenir.
Kaç bootstrap örneklemi kullanmalıyım?
Hayes (2018) en az 5.000 önermektedir; 10.000 giderek standart hâle gelmiştir ve hesaplama süresi önemsizdir. Yüzdelik (percentile) bootstrap PROCESS’in güncel sürümlerinde varsayılandır; yanlılık düzeltmeli (bias-corrected) aralık biraz daha güçlü ancak Tip I hata oranı biraz daha yüksektir. Hangisini kullandığınızı ve seed değerini raporlamanız yeniden üretilebilirlik için gereklidir.
PROCESS ile SEM aynı veride farklı sonuç verirse hangisine güvenmeliyim?
Farklılık genellikle ölçme hatasından kaynaklanır: SEM gizil değişkenlerle çalıştığı için yol katsayıları tipik olarak daha büyük, standart hataları da daha geniş çıkar. İki yöntem birbirinin “doğrulaması” değildir. Ölçeklerinizin güvenirliği yüksekse ve model basitse ikisi de savunulabilir; güvenirlik düşük ya da model karmaşıksa SEM sonuçları daha güvenilir kabul edilir. Her durumda tek bir yaklaşımı gerekçesiyle seçip onu raporlayın.
Düzenleyici değişkenim kategorikse (örneğin cinsiyet) ne yapmalıyım?
İki kategorili düzenleyici, 0/1 olarak kodlanıp doğrudan PROCESS’e girilebilir; koşullu etkiler her grup için ayrı raporlanır. Üç ve üzeri kategoride PROCESS, mcw seçeneğiyle gösterge kodlamayı kendisi yapar. SEM’de ise çok gruplu analiz yolu izlenir; önce ölçme değişmezliği sınanır, ardından yapısal yolların gruplar arasında eşit olup olmadığı ki-kare fark testiyle karşılaştırılır. Kategorik düzenleyicide merkezleme yapılmaz.
Aracı ve düzenleyici etki analizleri, bir tezi “X, Y’yi etkiler” düzeyinden “X, Y’yi şu mekanizma üzerinden ve şu koşullarda etkiler” düzeyine taşır; doğru yöntem seçimi ve dürüst raporlamayla desteklendiğinde bu sıçrama çalışmanın kuramsal katkısını belirgin biçimde artırır. PROCESS ile SEM arasında kararsız kaldıysanız, talep formu üzerinden bize yazabilirsiniz; verinizin yapısına ve araştırma sorunuza göre hangi yolun daha savunulabilir olduğunu birlikte değerlendirebiliriz.
