Hiyerarşik (Bloklu) Regresyon

Hiyerarşik regresyon tek bir modelin katsayılarını değil, modelin büyüme sırasını inceler. Araştırmacı yordayıcıları kuramsal bir mantığa göre bloklara ayırır, birinci bloğu tek başına kestirir, ardından ikinci bloğu ekleyip modeli yeniden kurar ve iki basamak arasındaki açıklanan varyans artışının rastlantıyla açıklanıp açıklanamayacağını sınar. Sorduğu soru bu yüzden bir katsayının sıfırdan ayrışması değildir: yeni blok, öncekilerin zaten açıkladığının ÜSTÜNE bir şey katıyor mu. Tipik kurulumda birinci bloğa denetlenmesi gereken değişkenler, sonraki bloklara kuramsal ilgi taşıyan değişkenler konur; böylece ilgi değişkenlerinin katkısı denetim değişkenlerinden arındırılmış olarak okunur. Blok sıralaması istatistiğin değil araştırmacının kararıdır ve veriye bakılarak belirlenmemelidir. YouReply Nicel Analiz her basamağı statsmodels kütüphanesinin OLS sınıfıyla ayrı ayrı kestirir; iki blok zorunlu, üçüncüsü isteğe bağlıdır ve bir yordayıcı birden çok blokta yer alamaz. Her basamak için eklenen değişkenler, modeldeki değişkenler, R kare, düzeltilmiş R kare, model F ve p değeri ile R kare değişimi, F değişimi, değişimin p değeri ve anlamlılık bayrağı döner. Bunlara son modelin katsayıları standart hata, t ve p değerleriyle birlikte eşlik eder.

• Demografik değişkenler denetlendikten sonra iş doyumu, örgütsel bağlılığı açıklamaya hâlâ katkı yapıyor mu?
• Marka bilinirliği ve fiyat algısı modeldeyken reklam hatırlanırlığının satın alma niyetine kattığı pay ne kadar?
• Yaş ve gelir temel alındığında kişilik değişkenleri tüketim harcamasını açıklamayı anlamlı biçimde iyileştiriyor mu?
• Öğrenci geçmiş başarısı denetlendiğinde öğretmen desteği algısı sınav puanını yordamaya ne ekliyor?

• Bir yordayıcı kümesinin katkısı, başka bir kümenin etkisinden arındırılmış olarak gösterilmek istendiğinde.
• Denetim değişkenleri ile kuramsal ilgi değişkenlerinin ayrı ayrı raporlanması gerektiğinde.
• Blokların sırası kuramdan ya da zamansal öncelikten çıkarılabildiğinde; sıra veriye bakılarak seçilmemelidir.
• Bağımlı değişken sürekli olduğunda ve her blokta yer alacak yordayıcılar analiz öncesinde belirlenmiş olduğunda.

• Bağımlı değişken: sürekli bir sütun. Ölçek toplam puanları, süre ölçümleri ve harcama tutarları bu amaca uygundur.
• Birinci ve ikinci blok zorunludur; her biri en az bir sayısal yordayıcı taşır ve üçüncü blok isteğe bağlı olarak eklenir.
• Bir yordayıcı yalnız tek bir blokta yer alabilir; aynı sütunu iki bloğa koymak kabul edilmez.
• Kategorik yordayıcılar kukla sütunlara çevrilmelidir ve bir kategorik değişkenden türeyen kuklaların tümü aynı blokta tutulmalıdır.

Blok sırasının kuramdan gelmesi

Basamakların sırası sonucun kendisini belirler: aynı yordayıcılar farklı sırayla girdiğinde her birine düşen artımlı pay değişir. Sıra kurama, zamansal önceliğe ya da araştırma tasarımına dayanmalıdır.

Bağımlı değişkenle ilişkinin doğrusallığı

Her yordayıcının bağımlı değişkenle ilişkisi doğrusal kabul edilir. Eğrisel bir ilişki olduğunda R kare artışları olduğundan küçük çıkar ve bloğun katkısı görünmez olur.

Artıkların normal dağılımı ve sabit varyansı

Model F sınamaları ile katsayı p değerleri, artıkların normal dağıldığı ve yayılımının öngörülen değer boyunca sabit kaldığı varsayımına dayanır. Varsayım bozulduğunda p değerleri olduğundan iyimser çıkabilir.

Yordayıcılar arasında aşırı örtüşme bulunmaması

Bloklu kurulum çoklu bağlantıya özellikle duyarlıdır: yeni bloktaki bir değişken öncekilerle büyük ölçüde örtüşüyorsa artımlı R kare küçük çıkar, ama bu küçüklük değişkenin etkisiz olduğu anlamına gelmez.

Yordayıcı sayısına göre yeterli örneklem

Her eklenen değişken R kareyi bir miktar yükseltir; küçük örneklemlerde bu yükselme büyük ölçüde şansa bağlıdır. Düzeltilmiş R kare bu şişmeyi kısmen dengeler.

• Blok sırasının kuramdan gelmesi: Motor blok sırasını olduğu gibi kabul eder ve gerekçesini sorgulamaz; sıralamanın savunulabilirliğine ilişkin hiçbir denetim yoktur. Blokları veriye bakıp en büyük artışı verecek biçimde yeniden dizmek, panelin engellemediği ama yayın için savunulamayan bir uygulamadır.
• Bağımlı değişkenle ilişkinin doğrusallığı: Doğrusallık sınanmaz ve eğrisellik için uyarı üretilmez. İlişkinin biçimini görmek istiyorsanız yordayıcıları bağımlı değişkenle birlikte korelasyon yöntemlerinde ayrıca incelemeniz gerekir.
• Artıkların normal dağılımı ve sabit varyansı: Panel bu yöntemde artıklarla ilgili hiçbir hesap yapmaz: normallik sınaması, değişen varyans sınaması, artık tabloları ve artık grafikleri döndürülmez. Artıkların davranışını görmek için modeli ayrıca doğrusal regresyon yönteminde kurmanız gerekir.
• Yordayıcılar arasında aşırı örtüşme bulunmaması: Bu yöntemde regresyon tanısı hesaplanmaz: VIF, tolerans ve koşul indeksi üretilmez, etkili gözlem ölçütleri bulunmaz. Bloklar arasındaki örtüşmeyi ölçmenin panel içindeki yolu, yordayıcılar arasındaki korelasyonları ayrı bir analizle çıkarmak ve artımlı R kareyi bu bilgiyle birlikte yorumlamaktır.
• Yordayıcı sayısına göre yeterli örneklem: Motor örneklem yeterliliğini değerlendirmez ve yordayıcı başına gözlem sayısı için bir alt sınır uygulamaz. Basamak tablosundaki R kare ile düzeltilmiş R kare arasındaki açıklığa bakmak, şişmenin büyüklüğü hakkında ilk işareti verir.

1. 1Verinizi panele yükleyin ve bağımlı değişken ile yordayıcıların sayısal olarak okunduğunu Veri sekmesinde doğrulayın.
2. 2Blok planını analizden önce kâğıt üzerinde yapın: hangi değişken hangi basamakta girecek ve bu sıra hangi kuramsal gerekçeye dayanıyor.
3. 3Kategorik yordayıcıları Değişken sekmesinde kukla sütunlara çevirin ve aynı değişkenden türeyen kuklaları tek bir bloğa yazmayı unutmayın.
4. 4Analiz sekmesinde yöntemi Regresyon başlığından seçin ve parametre formunda birinci ile ikinci bloğu doldurun; üçüncü blok gerekmiyorsa boş bırakılabilir.
5. 5Bir sütunu iki bloğa koymadığınızdan emin olun; aynı yordayıcı ikinci kez işaretlendiğinde analiz hatayla durur.
6. 6Analizi çalıştırın ve basamak tablosunu soldan sağa okuyun: önce R kare değişimi, sonra F değişimi ve değişimin p değeri. Son modelin katsayıları ayrı bir bölümde açılır. Bu yöntemde grafik üretilmez; tabloları Excel olarak indirebilir ve koşuyu Geçmiş sekmesinde saklayabilirsiniz.

Basamak başına eklenen ve modeldeki değişkenler

Her basamakta hangi yordayıcıların yeni girdiği ve o basamakta modelin hangi değişkenleri taşıdığı. Blok planınızın motora doğru geçtiğini bu iki kolondan doğrulayabilirsiniz.

R kare ve düzeltilmiş R kare

Her basamakta modelin açıkladığı varyans payı ile yordayıcı sayısına göre düzeltilmiş hâli. İkisi arasındaki açıklık büyüyorsa modele eklenen değişkenler bedeline değmiyor olabilir.

Model F ve p değeri

Basamaktaki modelin bütün olarak anlamlılığı. Bu sınama o basamağa kadar girmiş bütün yordayıcıları birlikte değerlendirir, yalnız yeni bloğu değil.

R kare değişimi

Yeni bloğun açıklanan varyansa kattığı pay. Yöntemin asıl çıktısı budur; birinci basamakta karşılaştırılacak önceki model bulunmadığı için değişim, modelin kendi R karesine eşit gelir.

F değişimi ve değişimin p değeri

Artımlı payın rastlantıyla açıklanıp açıklanamayacağını sınayan istatistik ve karşılık gelen p değeri. Bir bloğun katkısına ilişkin karar bu p değerine dayanır, model F değerine değil.

Değişim anlamlılık bayrağı

Her basamak için artımlı katkının 0,05 düzeyinde anlamlı olup olmadığını gösteren işaret. Birinci basamakta bu bayrak modelin kendi anlamlılığını yansıtır.

Son modelin katsayıları

Bütün blokların içinde bulunduğu son modelde her yordayıcının katsayısı, standart hatası, t değeri ve p değeri. Ara basamakların katsayıları döndürülmez, yalnız son basamağınkiler verilir.

Son R kare ve düzeltilmiş R kare

Tamamlanmış modelin açıklama gücü. Rapor cümlesinde genellikle bu iki değer ile blok başına artımlı paylar birlikte verilir.

R kare değişimi

Bir bloğun açıklanan varyansa kattığı paydır ve bu yöntemin kendi etki büyüklüğü ölçüsüdür. 0,02 dolayındaki bir artış küçük, 0,13 dolayındaki orta, 0,26 ve üzeri büyük katkı olarak değerlendirilir; bu eşikler Cohen geleneğinden gelir ve kesin sınırlar değildir. Yüzdeye çevirmek yorumu kolaylaştırır: 0,05 değeri, bağımlı değişkendeki değişkenliğin yüzde 5'inin o blokla açıklandığı anlamına gelir.

Düzeltilmiş R kare

Yordayıcı sayısını cezalandırdığı için blok eklemenin gerçekten kazanç sağlayıp sağlamadığını gösterir. Yeni bir blokta R kare yükselirken düzeltilmiş R kare düşüyorsa o blok modeli açıklamaktan çok karmaşıklaştırmış demektir ve bu, değişimin p değeri sınırda kaldığında kararı belirleyen önemli bir okumadır.

Bu yöntemde hiçbir büyüklük için aralık döndürülmez: ne R kare değişimi, ne R kare, ne son modelin katsayıları aralıkla gelir. Katsayı tablosunda standart hatalar bulunduğu için katsayı aralıkları panel dışında kurulabilir, ancak R kare değişiminin aralığı bu kadar kolay elde edilmez ve yayında gerekiyorsa başka bir araca gitmeniz gerekir. Bu durumun pratik sonucu, küçük bir artımlı payın, örneğin 0,01 ile 0,03 arasındaki bir değerin kesinliği hakkında yalnız p değerine bakmak zorunda kalmanızdır.

Aşağıdaki sayılar temsili bir örnektir; gerçek bir araştırmanın ya da gerçek bir kullanıcının verisi değildir.

Araştırma sorusu

Temsili bir çalışan araştırmasında, demografik denetimler hesaba katıldıktan sonra iş doyumu örgütsel bağlılığı açıklamaya ne kadar katkı yapıyor?

Değişkenler

Bağımlı değişken: örgütsel bağlılık ölçek puanı (sürekli) · Birinci blok: yaş ve kurumda çalışma süresi · İkinci blok: iş doyumu puanı · Üçüncü blok: yönetici desteği algısı puanı

Örnek sonuç

n = 326. Birinci basamakta R kare 0,06, düzeltilmiş R kare 0,05, model F(2, 323) = 10,31, p < 0,001; değişim bu basamakta modelin kendisine eşit. İkinci basamakta R kare 0,29, düzeltilmiş R kare 0,28, R kare değişimi 0,23, F değişimi(1, 322) = 104,40, p < 0,001. Üçüncü basamakta R kare 0,32, düzeltilmiş R kare 0,31, R kare değişimi 0,03, F değişimi(1, 321) = 14,16, p < 0,001. Son modelde iş doyumu için katsayı 0,48 (standart hata 0,05, t = 9,60, p < 0,001), yönetici desteği için 0,17 (standart hata 0,05, t = 3,40, p = 0,001), yaş için 0,04 (standart hata 0,03, t = 1,33, p = 0,184), çalışma süresi için 0,09 (standart hata 0,04, t = 2,25, p = 0,025).

Yorum

Demografik denetimler bağlılıktaki değişkenliğin yüzde 6'sını açıklıyor; bu küçük ama anlamlı bir taban. İş doyumunun eklenmesi açıklanan payı 0,23 birim yükseltiyor, yani modelin açıklama gücünü dört katından fazlasına çıkarıyor: bu blok araştırmanın merkezindeki bulgudur. Yönetici desteği ise 0,03 ile küçük bir pay katıyor, ama bu küçük pay 0,001 düzeyinde anlamlı ve düzeltilmiş R kare de yükselmeye devam ediyor, dolayısıyla bloğu modelde tutmak savunulabilir. Üçüncü bloğun payının küçük kalmasının bir açıklaması, yönetici desteği ile iş doyumunun birbiriyle örtüşmesi olabilir; panel çoklu bağlantı ölçüsü döndürmediği için bu yorum sınanmamış bir varsayım olarak kalır. Artık davranışı da bu çıktıdan bilinmez, çünkü normallik ve değişen varyans sınamaları hesaplanmaz.

Araştırma sorusu: Yaş ve gelir kontrol edildikten sonra memnuniyet ile kalite algısı bağlılığın açıklanmasına ne ekliyor?

Bağımlı değişken

baglilik

Birinci bloğun yordayıcıları

yas,gelir

İkinci bloğun yordayıcıları

memnuniyet,kalite_puani

Hesaplama künyesi: scipy 1.18.0 · statsmodels 0.14.6 · scikit-learn 1.9.0 · numpy 2.5.1 · pandas 3.0.5 · semopy 2.3.11 · 89fc29a · Veri tohumu: 20260914

Hiyerarşik regresyonda demografik denetimler bağlılığın yüzde 6'sını açıkladı; iş doyumunun eklenmesi açıklanan varyansı anlamlı biçimde artırdı (R kare değişimi = 0,23, F(1, 322) = 104,40, p < 0,001) ve yönetici desteği küçük ama anlamlı bir pay ekledi (R kare değişimi = 0,03, p < 0,001; son model R kare = 0,32, n = 326).

APA düzenine yakın örnek cümle; sayılar temsilidir.

• Hiçbir regresyon tanısı hesaplanmaz: çoklu bağlantı ölçüsü, artık normalliği sınaması, değişen varyans sınaması ve etkili gözlem ölçütleri bu yöntemde bulunmaz.
• Ne R kare değişimi ne de katsayılar aralıkla gelir; küçük bir artımlı payın kesinliği yalnız p değerinden kestirilmek zorundadır.
• Ara basamakların katsayıları döndürülmez, bu yüzden bir katsayının blok eklendikçe nasıl küçüldüğü izlenemez ve aracılık savları bu çıktıyla kurulamaz.
• En çok üç blok kestirilebilir; daha ayrıntılı bir basamaklandırma gerektiren tasarımlar bölünerek yürütülmek zorundadır.
• Artımlı pay çoklu bağlantıya duyarlıdır: örtüşen bloklarda gerçek bir etki küçük bir R kare değişimi olarak görünebilir ve panel bu örtüşmeyi ölçmez.
• Blok sırasının gerekçesi denetlenmediği için veriye bakarak sıra değiştirme yanlışının önünde teknik bir engel yoktur.

• Doğrusal Regresyon (OLS)Neden: Bütün yordayıcılar tek basamakta girilebiliyorsa; artıklar ve model tanılarıyla ilgili daha çok çıktı sunar.
• ANCOVA (Kovaryans Analizi)Neden: İlgi değişkeni sürekli bir yordayıcı değil grup üyeliğiyse ve denetim değişkeni eş değişken olarak modele alınacaksa.
• Pearson KorelasyonuNeden: Soru blokların katkısı değil yalnız yordayıcılarla sonuç arasındaki ikili ilişkilerin gücüyse.
• Aracılık AnaliziNeden: Sav bir değişkenin ötekinin etkisini taşıdığı yönündeyse; aracılık dolaylı etkiyi doğrudan kestirir, R kare değişimi bunu yapmaz.

• Doğrusal Regresyon (OLS)
• ANCOVA (Kovaryans Analizi)
• Pearson Korelasyonu

Anlamlı bir R kare değişimi bloğu modelde tutmak için yeterli mi?

Yeterli değildir ve yalnız p değerine bakmak büyük örneklemlerde yanıltır: binin üzerinde gözlemle 0,004 gibi bir artış da anlamlı çıkabilir, oysa bu artışın araştırma açısından bir karşılığı yoktur. Kararı üç şeye birlikte bakarak verin. Birincisi artımlı payın büyüklüğü: yüzdeye çevirip bu payın araştırma sorunuz için anlam taşıyıp taşımadığını sorun. İkincisi düzeltilmiş R karenin yönü; R kare yükselirken düzeltilmiş değer düşüyorsa blok karmaşıklığı kadar açıklama getirmiyor demektir. Üçüncüsü kuramsal gerekçe: blok modele kuram gereği girdiyse payı küçük olsa da bildirilir, ama bu durumda payın küçüklüğünü de yazmak gerekir.

Birinci basamakta R kare değişimi neden model R karesine eşit geliyor?

Çünkü karşılaştırılacak bir önceki model yoktur. Artımlı pay tanımı gereği iki modelin R kareleri arasındaki farktır; birinci basamakta önceki model yordayıcısız modeldir ve onun R karesi sıfır olduğundan fark, modelin kendi R karesine eşit çıkar. Aynı mantıkla F değişimi model F değerine, değişimin p değeri de modelin p değerine eşit gelir. Bu bir hata ya da yinelenmiş hücre değildir; tabloyu okurken birinci satırı bir artış olarak değil başlangıç düzeyi olarak yorumlamanız gerekir. Gerçek artımlı bilgi ikinci satırdan başlar.

Blokların sırasını neye göre kurarım ve sıra sonucu değiştirir mi?

Sıra sonucu doğrudan değiştirir, çünkü her bloğa düşen artımlı pay kendisinden önce girenlere bağlıdır: örtüşen iki bloktan hangisi önce girerse büyük payı o alır. Bu yüzden sıralama veriden çıkarılamaz, analizden önce kurulmalıdır. Yaygın ve savunulabilir gerekçeler şunlardır: denetlenmesi gereken değişkenler en başa konur, zamansal olarak önce gelen değişkenler sonra gelenlerden önce girer ve kuramsal ilgi taşıyan küme en sona bırakılır ki katkısı geri kalanından arındırılmış görünsün. Panel sıranın gerekçesini sorgulamaz, dolayısıyla en büyük artışı veren dizilimi aramak teknik olarak mümkündür; yayında bu savunulamaz ve blok planının kurama dayandığını yazmanız beklenir.

Son modelin katsayıları dışında ara basamakların katsayılarını görebilir miyim?

Göremezsiniz; çıktıdaki katsayı tablosu yalnız bütün blokların içinde olduğu son modele aittir. Bir yordayıcının katsayısının blok eklendikçe nasıl değiştiğini izlemek istiyorsanız, basamakları ayrı ayrı doğrusal regresyon koşuları olarak kurup katsayıları kendiniz karşılaştırmanız gerekir. Bu yol aynı zamanda artık tanılarını da görmenizi sağlar, çünkü bloklu yöntemde artıklarla ilgili hiçbir hesap yapılmaz. Katsayının bir blok eklenince belirgin biçimde küçülmesini aracılık kanıtı gibi sunmak yaygın bir aşırı yorumdur; dolaylı etkiyi sınamak için tasarlanmış bir yönteme geçmeniz daha yerinde olur.

• Aiken, L. S., & West, S. G. (1991). Multiple Regression: Testing and Interpreting Interactions
• Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics
• Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics
• statsmodels OLS belgeleri