Regresyon analizi: SPSS'te çoklu ve hiyerarşik doğrusal regresyon nasıl yapılır ve yorumlanır?

Regresyon analizi ne zaman kullanılır?

Doğrusal regresyon, sürekli bir sonucu (bağımlı değişken) bir ya da birden çok yordayıcıyla (bağımsız değişken) açıklar. Sonuç bir denklemdir: tahmin edilen tükenmişlik = sabit + B₁ × yaş + B₂ × stres + B₃ × destek. Her B, o yordayıcı bir birim arttığında, diğer yordayıcılar sabitken, sonucun ortalama ne kadar değiştiğini söyler. Üç biçimi de SPSS'te aynı pencereden yapılır:

• Basit doğrusal regresyon: tek yordayıcı. "Stres puanıyla tükenmişliği tahmin edebilir miyim?"
• Çoklu doğrusal regresyon: birden çok yordayıcı, tek blokta. "Yaş, stres ve sosyal destek birlikte tükenmişlikteki farklılığın ne kadarını açıklıyor?"
• Hiyerarşik regresyon: yordayıcılar, analizden önce kuramına göre belirlediğin sırayla bloklar halinde girilir. "Yaşı kontrol ettikten sonra stres ve sosyal destek ne kadar ek varyans açıklıyor?" Kontrol değişkenleri (yaş, cinsiyet, deneyim gibi) genellikle ilk bloğa girer.

Senin durumun farklıysa:

• Sonuç iki kategoriliyse (var ya da yok, geçti ya da kaldı): ikili lojistik regresyon.
• Yalnız iki değişkenin ilişkisini soruyorsan: korelasyon analizi. Korelasyon iki değişkeni simetrik ele alır ve tek bir katsayı verir. Regresyon bir sonuç seçer; birim başına değişimi (B) ve birden çok yordayıcının birlikte açıkladığı varyansı (R²) verir.
• Grupları karşılaştırıyorsan: t testi ya da tek yönlü ANOVA.

Emin değilsen hangi istatistiksel test rehberindeki karar tablosuna bak. Regresyon da korelasyon gibi tek başına neden-sonuç göstermez: "yordar" ya da "ilişkili" de, "etkiler" deme.

Hipotezler

Regresyonda üç ayrı soru sınanır:

• Modelin bütünü: H₀: Popülasyonda yordayıcılar sonucun varyansını açıklamaz (R² = 0). H₁: En az bir yordayıcının katsayısı sıfırdan farklıdır. Bunu ANOVA tablosu sınar.
• Blok (hiyerarşik regresyonda): H₀: Yeni blok, önceki bloklara ek olarak varyans açıklamaz (ΔR² = 0). H₁: ΔR² > 0. Bunu Model Summary'deki Sig. F Change sınar.
• Tek bir yordayıcı: H₀: Diğer yordayıcılar sabitken bu yordayıcının katsayısı sıfırdır. H₁: Sıfırdan farklıdır. Bunu Coefficients tablosundaki t ve Sig. sınar.

Varsayımlar

Bağımlı değişken sürekli olmalıdır (SPSS'te Scale); yordayıcılar sürekli ya da 0/1 kodlu (kukla) olabilir. Diğer varsayımlar çoğunlukla modelin artıklarıyla (residuals), yani gözlenen puan ile modelin tahmini arasındaki farklarla ilgilidir. Onlara modeli çalıştırdıktan sonra çıktıdan bakarsın:

1. Doğrusallık: yordayıcılar ile sonuç arasındaki ilişki doğrusaldır.
2. Hataların bağımsızlığı: bir kişinin artığı diğerininkiyle ilişkili değildir. Bu çoğunlukla desenle sağlanır: her kişi bir kez ve diğerlerinden ayrı ölçülür. Durbin-Watson istatistiği dosyada art arda gelen artıkların ilişkisine bakar (Durbin ve Watson, 1951). 0 ile 4 arasında değişir; 2, ilişki olmadığı anlamına gelir. Field (2018) 1'in altındaki ya da 3'ün üstündeki değerleri kesin bir sorun işareti sayar. Satırların sırası bir anlam taşımıyorsa (zaman ya da veri toplama sırası gibi) bu istatistik pek bilgi vermez.
3. Eş varyanslılık (homoscedasticity): artıkların yayılımı, tahminin her düzeyinde benzerdir.
4. Artıkların normalliği: normal dağılması gereken bağımlı değişkenin kendisi değil, artıklardır. Ayrıntılar SPSS'te normallik testi rehberinde. Örneklem büyüdükçe küçük sapmalar sonucu pek etkilemez.
5. Çoklu bağlantı olmaması: yordayıcılar birbiriyle çok yüksek düzeyde ilişkili değildir. Tolerance ve VIF ile bakılır.
6. Aşırı etkili gözlem olmaması: tek bir kişi katsayıları sürüklemez. Casewise Diagnostics tablosu ve Cook uzaklığıyla bakılır.

Kaç kişi gerekir?

Green (1991) yaygın kuralları güç analiziyle karşılaştırdı. "En az 100 kişi" ya da "yordayıcı başına şu kadar kişi" gibi sabit kuralları desteklemedi. Orta büyüklükte bir etki varsayımıyla iki kurala kısmi destek buldu (m, yordayıcı sayısı): modelin bütününü sınamak için N ≥ 50 + 8m, tek tek yordayıcıları sınamak için N ≥ 104 + m. Üç yordayıcı için bu 74 ve 107 kişi eder; örnekteki 180 kişi ikisini de karşılıyor. Beklenen etki küçükse daha çok kişi gerekir. Green (1991) bu yüzden örneklem büyüklüğünü, beklenen etkiyi hesaba katan bir güç analiziyle belirlemeyi önerir.

SPSS'te adım adım

Temsili veri. Bir araştırmacı 180 hemşirede tükenmişliği yordamak istiyor. Bağımlı değişken tükenmişlik ölçeğinin toplam puanı (tukenmislik, 20–100; yüksek puan daha fazla tükenmişlik). Yordayıcılar yaş (yas, yıl), algılanan stres (stres, 0–40) ve algılanan sosyal destek (destek, 12–84). Soru şu: yaş kontrol edildikten sonra stres ve sosyal destek tükenmişliği yordar mı? Bu yüzden yaş birinci bloğa, stres ve destek ikinci bloğa giriyor. Veride eksik değer yok.

1. Menüden Analyze → Regression → Linear yolunu aç.
2. tukenmislik değişkenini Dependent kutusuna taşı.
3. Block 1 of 1 başlığı altında yas değişkenini Independent(s) kutusuna taşı. Method listesinde Enter seçili kalsın.
4. Next düğmesine bas. Başlık Block 2 of 2 olur ve kutu boşalır. stres ve destek değişkenlerini Independent(s) kutusuna taşı. Önceki bloğa Previous düğmesiyle dönersin. Basit ya da çoklu regresyon yapıyorsan bu adımı atla ve bütün yordayıcıları birinci bloğa koy.
5. Statistics düğmesine bas, şu kutuları işaretle ve Continue de:
   • Regression Coefficients altında Estimates (varsayılan olarak işaretli) ve Confidence intervals (Level(%): 95).
   • Model fit (varsayılan olarak işaretli) ve R squared change. ΔR² ve bloğun testi bu kutudan gelir.
   • İstersen Descriptives: ortalamalar, standart sapmalar ve korelasyon matrisi.
   • Collinearity diagnostics: Tolerance, VIF ve Collinearity Diagnostics tablosu.
   • Residuals altında Durbin-Watson ve Casewise diagnostics. Outliers outside kutusunda 3 standard deviations kalsın.
6. Plots düğmesine bas. *ZRESID değişkenini Y kutusuna, *ZPRED değişkenini X kutusuna taşı. Standardized Residual Plots altında Normal probability plot kutusunu işaretle, istersen Histogram kutusunu da. Continue de.
7. İsteğe bağlı olarak Save düğmesine bas. Residuals altında Standardized, Distances altında Cook's kutusunu işaretle ve Continue de. SPSS veri dosyasına iki sütun ekler: ZRE_1 (standartlaştırılmış artık) ve COO_1 (Cook uzaklığı).
8. OK de. Sözdizimini saklamak istersen Paste de.

REGRESSION
  /DESCRIPTIVES MEAN STDDEV CORR SIG N
  /MISSING LISTWISE
  /STATISTICS COEFF OUTS CI(95) R ANOVA COLLIN TOL CHANGE
  /CRITERIA=PIN(.05) POUT(.10)
  /NOORIGIN
  /DEPENDENT tukenmislik
  /METHOD=ENTER yas
  /METHOD=ENTER stres destek
  /SCATTERPLOT=(*ZRESID ,*ZPRED)
  /RESIDUALS DURBIN NORMPROB(ZRESID)
  /CASEWISE PLOT(ZRESID) OUTLIERS(3)
  /SAVE COOK ZRESID.

Her /METHOD=ENTER satırı bir bloktur. CHANGE R² değişimini, COLLIN TOL çoklu bağlantı istatistiklerini, OUTS de henüz modele girmemiş değişkenlerin tablosunu (Excluded Variables) üretir. /CRITERIA satırı yalnız Stepwise gibi yöntemleri etkiler. /MISSING LISTWISE sayesinde bütün modeller aynı kişilerle hesaplanır.

Çıktı nasıl okunur?

Descriptive Statistics ve Correlations

Correlations tablosuna göre tükenmişlik stresle r = ,534, sosyal destekle r = −,355, yaşla r = −,172 ilişkili. Yordayıcılar arasındaki en güçlü ilişki stres ile destek arasında (r = −,309). Bu tablodaki Sig. (1-tailed) satırı tek yönlü p değeridir. Korelasyonları raporlayacaksan iki yönlü p'yi Analyze → Correlate → Bivariate penceresinden al: örneğin yaş ile tükenmişlik için tek yönlü p = ,011, iki yönlü p = ,021.

Variables Entered/Removed tablosu her modele hangi değişkenlerin girdiğini listeler: Model 1'de yas, Model 2'de buna ek olarak stres ve destek.

Model Summary tablosu

Aynı tablonun sağ tarafında Change Statistics sütunları ve Durbin-Watson yer alır:

• R: gözlenen puanlarla modelin tahminleri arasındaki korelasyon. Model 1'de, tek yordayıcı olduğu için, yaş ile tükenmişlik korelasyonunun mutlak değeridir (,172).
• R Square (R²): modelin açıkladığı varyans oranı. Yaş tek başına tükenmişlikteki varyansın %2,9'unu, üç yordayıcı birlikte %32,7'sini açıklıyor.
• Adjusted R Square: R², her yeni yordayıcıyla tesadüfen de büyür. Düzeltilmiş R² bunu yordayıcı sayısına (k) göre düzeltir: 1 − (1 − R²) × (N − 1) / (N − k − 1) = 1 − ,673 × 179 / 176 = ,316.
• Std. Error of the Estimate: artıkların tipik büyüklüğü, sonucun biriminde. Tahminler gözlenen puanlardan tipik olarak 10,3 puan sapıyor. ANOVA tablosundaki Residual Mean Square'in kareköküdür (√106,459 = 10,318).
• Change Statistics, Model 1: hiç yordayıcı olmayan modele göre değişim. Bu yüzden R Square Change R²'ye, F Change de ANOVA'daki F'ye eşittir.
• Change Statistics, Model 2: hiyerarşik regresyonun asıl sonucu. Stres ve destek R²'yi ,298 artırdı, F(2, 176) = 38,93, p < ,001. df1 eklenen yordayıcı sayısıdır, df2 son modelin artık serbestlik derecesidir (180 − 3 − 1 = 176). F Change = (ΔR² / df1) / ((1 − R²) / df2) = (,2977 / 2) / (,6729 / 176) = 38,93.
• Durbin-Watson yalnız son modelin satırında basılır: 1,981, yani 2'ye çok yakın.

ANOVA tablosu

Her satır, modelin hiç yordayıcı olmayan modelden (herkese ortalamayı tahmin etmekten) anlamlı biçimde daha iyi tahmin edip etmediğini sınar. R² de buradan çıkar: Regression / Total = 9108,145 / 27844,950 = ,327.

Model 2'nin F'si, F(3, 176) = 28,52, p < ,001, üç yordayıcının birlikte testidir, ikinci bloğun testi değildir. Bloğu F Change sınar: Regression kareler toplamındaki artış (9108,145 − 819,064 = 8289,081) Total'ın ,298'idir ve (8289,081 / 2) / 106,459 = 38,93.

Coefficients tablosu

SPSS bu tabloyu tek parça verir; okunaklı olsun diye iki parçada gösteriyoruz. İlk parça katsayılar:

İkinci parça, 95,0% Confidence Interval for B başlığı altındaki güven aralığı ile Collinearity Statistics başlığı altındaki Tolerance ve VIF:

Model 2'nin denklemi: tahmin edilen tükenmişlik = 51,130 − 0,071 × yaş + 1,042 × stres − 0,229 × destek. 30 yaşında, stres puanı 25, destek puanı 50 olan bir hemşire için tahmin 63,6 puandır.

• B (Unstandardized Coefficients): diğer yordayıcılar sabitken 1 birimlik artışa karşılık gelen ortalama değişim. Yaşı ve desteği aynı olan iki hemşireden stres puanı 5 puan yüksek olanın tükenmişliği ortalama 5,2 puan (5 × 1,042) daha yüksek tahmin edilir. Yaşı ve stresi aynı olan iki hemşireden desteği 10 puan yüksek olanın tükenmişliği ise ortalama 2,3 puan (10 × 0,229) daha düşük tahmin edilir.
• (Constant): bütün yordayıcılar 0 iken tahmin edilen değer. 0 yaşında bir hemşire olmadığı için burada tek başına yorumlanmaz. Yorumlanabilir bir sabit istersen yordayıcıları ortalamalarından çıkararak merkezle (ör. COMPUTE yas_m = yas - 33.82.).
• Beta (Standardized Coefficients): bütün değişkenler z puanına çevrilseydi elde edilecek katsayı: β = B × S(yordayıcı) / S(sonuç). Stres için 1,042 × 5,468 / 12,472 = ,457: stres 1 standart sapma arttığında tükenmişlik 0,457 standart sapma artıyor. Farklı birimlerdeki yordayıcıları aynı model içinde karşılaştırmak için kullanılır; en güçlüsü stres, sonra destek (−,212).
• t ve Sig.: t = B / Std. Error, serbestlik derecesi N − k − 1 = 176. Stres (p < ,001) ve destek (p = ,001) anlamlı, yaş değil (p = ,488).
• Güven aralığı: stres için [0,738; 1,346] sıfırı içermiyor; yaş için [−0,273; 0,131] içeriyor.

"Diğerleri sabitken" ne demek? Yaş tek başına anlamlıydı (Model 1: B = −0,274, p = ,021). Stres ve destek modele girince katsayısı −0,071'e indi (p = ,488). Yaşça büyük hemşireler daha az stres bildiriyor (r = −,266); yaşın tükenmişlikle ilişkisi büyük ölçüde stresle örtüşüyor. Hiyerarşik regresyonda yorumu son modelin katsayılarıyla yaparsın.

Çıktıdaki Excluded Variables tablosu, stres ve destek Model 1'e tek başına eklenseydi alacakları katsayıları (Beta In) gösterir; yorumlaman gerekmez.

Tolerance, VIF ve Collinearity Diagnostics

Tolerance, bir yordayıcının varyansının diğer yordayıcılarla açıklanamayan kısmıdır: 1 − R², burada R² o yordayıcının diğer yordayıcılar üzerine regresyonundan gelir. VIF = 1 / Tolerance. Stres için Tolerance ,838: stresin varyansının %83,8'i yaş ve destekle açıklanamıyor.

En yaygın kural, VIF 10'u aştığında, yani Tolerance ,10'un altına indiğinde ciddi çoklu bağlantıdan söz etmektir (O'Brien, 2007). Field (2018) Tolerance ,20'nin altını da olası bir sorun sayar. Bunlar kesin sınır değildir: O'Brien (2007), yüksek bir VIF'in örneklem büyüklüğü gibi diğer etkenlerle birlikte değerlendirilmesi gerektiğini ve tek başına bir değişkeni modelden çıkarmayı haklı çıkarmadığını gösterir. Örnekte en büyük VIF 1,193: sorun yok.

Collinearity Diagnostics tablosu (Eigenvalue, Condition Index, Variance Proportions), VIF yüksekse hangi yordayıcıların çakıştığını bulmaya yarar. Belsley vd. (1980), condition index'in 30'u aştığı bir satırda iki ya da daha fazla varyans oranının ,50'yi geçmesini çakışma işareti sayar. Örnekte en büyük condition index 21,855, yani 30'un altında: bu ölçüte göre sorun yok. O satırda sabit terimin varyans oranı 1,00, stresinki ,51, desteğinki ,55: bu boyut, yordayıcıların birbiriyle değil, ortalamaları sıfırdan uzak olduğu için sabit terimle örtüşmesinden doğuyor. Merkezlenmiş yordayıcılarla en büyük condition index 1,5 civarına iner.

Basit regresyon: tek yordayıcıyla

Aynı veride yalnız stresle bir model kurarsan (Block 1'e yalnız stres):

Model Summary'de R = ,534 ve R² = ,285, ANOVA'da F(1, 178) = 71,122, p < ,001. Tek yordayıcıda Beta, Pearson korelasyonuna eşittir (,534); R² bu korelasyonun karesidir (,534² = ,285); F de t'nin karesidir (8,433² = 71,12). Basit regresyon, korelasyonun bilgisine birim başına değişimi (B = 1,219) ve tahmin denklemini ekler. Yaş ve destek sabit tutulduğunda stresin B'si 1,219'dan 1,042'ye iniyor.

Varsayımları artıklarla kontrol et

Normal P-P grafiği

Normal P-P Plot of Regression Standardized Residual grafiğinde noktalar köşegen çizgi boyunca dizilmelidir. Uçlarda sistemli biçimde ayrılan ya da S çizen noktalar çarpıklığa veya ağır kuyruklara işaret eder. Örnekte noktalar köşegene yakın. Sayılarla desteklemek istersen kaydettiğin ZRE_1 değişkenine Explore ile bak: çarpıklık −0,164 (SH 0,181), basıklık 0,217 (SH 0,360), Shapiro-Wilk W = ,994, p = ,673.

ZRESID ve ZPRED saçılım grafiği

Scatterplot başlıklı grafikte yatay eksende standartlaştırılmış tahminler (Regression Standardized Predicted Value), dikey eksende standartlaştırılmış artıklar (Regression Standardized Residual) vardır. Doğrusallık ve eş varyanslılık sağlanıyorsa noktalar 0 çizgisinin çevresinde, desensiz ve soldan sağa benzer genişlikte bir bulut oluşturur. Huni biçimi (yayılım bir yana doğru açılıyor) eş varyanslılığın, eğri (ör. U biçimi) doğrusallığın bozulduğunu gösterir. Örnekte bulut desensiz; tek dikkat çeken nokta −3,4 civarında duran bir kişi. Plots penceresindeki Produce all partial plots kutusu her yordayıcı için ayrı bir grafik de çizer.

Casewise Diagnostics tablosu

Tablo, standartlaştırılmış artığı ±3'ün dışında kalan kişileri listeler. 18. kişinin tükenmişlik puanı 24, model ise 58,95 tahmin ediyor. Standartlaştırılmış artık, artığın kestirimin standart hatasına bölümüdür: −34,945 / 10,318 = −3,387.

Field (2018) mutlak değeri 3,29'u aşan artıkları dikkat gerektiren uç değer sayar. ±2,58 dışındakiler örneklemin %1'inden, ±1,96 dışındakiler %5'inden fazlaysa bunu modelin veriye iyi uymadığının işareti sayar. Örnekte ±1,96 dışında 8 kişi (%4,4), ±2,58 dışında yalnız 18. kişi (%0,6) var, ama bu kişi 3,29 sınırını aşıyor. Önce veri girişini kontrol et; puan doğruysa etkisine Cook uzaklığıyla bak.

Cook uzaklığı

Cook uzaklığı (Cook, 1977), bir kişi analizden çıkarılsaydı katsayıların birlikte ne kadar değişeceğini özetler; 1'in üzerindeki değerler dikkat gerektirir (Field, 2018). En büyük değeri bulmak için COO_1 sütununu Data View'da büyükten küçüğe sırala ya da Analyze → Descriptive Statistics → Descriptives ile Maximum değerine bak.

Örnekte en büyük değer ,122 ve yine 18. kişiye ait: uç bir artığı var ama modeli sürüklemiyor. O kişi olmadan R² ,348, ΔR² ,309 oluyor; stres (B = 0,99) ve destek (B = −0,26) yine p < ,001 düzeyinde anlamlı, yaş yine değil. Kişi analizde kalır, bu kontrol raporda bir cümleyle belirtilir.

Etki büyüklüğü: R², ΔR² ve f²

R² ve ΔR² açıklanan varyans oranıdır ve kendileri de birer etki büyüklüğüdür. Cohen (1988) bunlardan f²'yi türetir; SPSS bu değeri vermez:

• Modelin bütünü: f² = R² / (1 − R²). Model 2 için ,327 / (1 − ,327) = 0,49.
• Bir bloğun katkısı (yerel f²): f² = ΔR² / (1 − R²); burada R², bloğu da içeren modelin R²'sidir (Selya vd., 2012). İkinci blok için ,298 / (1 − ,327) = 0,44.
• Tek bir yordayıcı: aynı formülde ΔR² yerine yordayıcının Part korelasyonunun karesi kullanılır (Statistics → Part and partial correlations). Stres için ,175 / ,673 = 0,26.

Cohen'e (1988) göre f² ≈ 0,02 küçük, 0,15 orta, 0,35 büyük etkidir. Yaşın katkısı küçük (,029 / ,971 = 0,03), stres ve desteğin yaşa ek katkısı büyük. f² 1'i aşabildiği için başında sıfırla, R² ve ΔR² ise sıfırsız yazılır.

Raporlama (APA)

Tükenmişliği yordamak için hiyerarşik doğrusal regresyon analizi yapıldı. İlk adımda girilen yaş, tükenmişlikteki varyansın %2,9'unu açıkladı, R² = ,03, F(1, 178) = 5,39, p = ,021. İkinci adımda algılanan stres ve sosyal destek eklendiğinde açıklanan varyans anlamlı düzeyde arttı, ΔR² = ,30, F(2, 176) = 38,93, p < ,001, f² = 0,44. Son model tükenmişlikteki varyansın %32,7'sini açıkladı, R² = ,33, düzeltilmiş R² = ,32, F(3, 176) = 28,52, p < ,001. Yaş ve sosyal destek sabit tutulduğunda algılanan stres tükenmişliği pozitif yönde yordadı, B = 1,04, %95 GA [0,74; 1,35], β = 0,46, t(176) = 6,76, p < ,001. Sosyal destek negatif yönde yordadı, B = −0,23, %95 GA [−0,37; −0,09], β = −0,21, t(176) = −3,26, p = ,001. Yaş son modelde anlamlı bir yordayıcı değildi, B = −0,07, %95 GA [−0,27; 0,13], p = ,488.

Cümledeki ve aşağıdaki tablodaki değerler SPSS'in tam değerlerinden iki basamağa yuvarlandı. Bu yüzden ANOVA tablosunda 5,395 görünen F 5,39 (tam değeri 5,3946), Coefficients tablosunda −,045 görünen yaş β'sı −0,04 (tam değeri −0,0446) olarak yazıldı. Tam değeri görmek için çıktıdaki tabloya, sonra hücreye çift tıkla.

Varsayım kontrolleri için de bir cümle ekle: artık grafikleri, en büyük VIF (1,19), en büyük Cook uzaklığı (,12), uç artığı olan kişi ve onsuz analizin sonucu. Hiyerarşik regresyonu tabloyla vermek daha okunaklıdır:

Not. N = 180. B: standartlaştırılmamış katsayı, SH: standart hata, β: standartlaştırılmış katsayı. 1. adımın ΔR²'si için F(1, 178) = 5,39, p = ,021; 2. adımınki için F(2, 176) = 38,93, p < ,001.

β 1'i aşabildiği için başında sıfırla yazılır. İstersen B'nin yanına bir %95 GA sütunu ekle.

Kategorik yordayıcılar: kukla değişkenler

İki kategorili bir yordayıcıyı 0 ve 1 olarak kodla (ör. 0 = kadın, 1 = erkek); B, diğer yordayıcılar sabitken iki grubun ortalama farkıdır. Üç ya da daha fazla kategorili bir değişkeni (ör. çalışma düzeni: 1 = gündüz, 2 = gece, 3 = vardiyalı) 1, 2, 3 kodlarıyla modele koyma: SPSS bu kodları eşit aralıklı sayılar gibi işler. Bunun yerine k kategori için k − 1 tane kukla değişken oluştur. Hepsinde 0 alan kategori (burada gündüz) referans kategoridir.

Kuklaları Transform → Recode into Different Variables penceresinde ya da sözdizimiyle oluşturursun:

RECODE duzen (2=1) (1,3=0) INTO gece.
RECODE duzen (3=1) (1,2=0) INTO vardiyali.
EXECUTE.

Listede olmayan değerler (eksik veri) yeni değişkende boş kalır. İki kuklayı aynı bloğa koy; gece değişkeninin B'si, diğerleri sabitken gece çalışanların gündüz çalışanlardan ortalama farkıdır. Yeni sürümlerde Transform → Create Dummy Variables menüsü de her kategori için bir 0/1 değişkeni üretir. Bu bir uzantı (extension) komutudur; menünde görmüyorsan Extensions → Extension Hub üzerinden kurulabilir. Referans kategorinin kuklasını modele koymazsın.

Varsayımlar sağlanmazsa ya da sonuç anlamlı çıkmazsa

• İlişki eğriselse: yordayıcının karesini modele ekle (önce ortalamadan merkezle) ya da değişkeni dönüştür.
• Eş varyanslılık bozuksa: katsayılar yansız kalır ama standart hatalar, p değerleri ve güven aralıkları güvenilmez olur. Dayanıklı (robust) standart hatalar ya da bootstrap güven aralıkları kullanılabilir. Linear Regression penceresindeki Bootstrap düğmesi sürümüne ve lisansına bağlıdır.
• Artıklar normal dağılmıyorsa: büyük örneklemde küçük sapmalar genellikle sorun olmaz; önce uç değerlere bak.
• VIF yüksekse: aynı şeyi ölçen yordayıcılardan birini çıkar ya da ikisini tek bir puanda birleştir; kararı kuramsal gerekçeyle ver.
• Etkili bir gözlem varsa: veri girişi hatası değilse analizi o kişiyle ve onsuz yapıp ikisini de raporla.
• Yordayıcı ya da blok anlamlı değilse: "ilişki yok" deme, "anlamlı bir ilişki bulunmadı" de; B'yi, güven aralığını ve ΔR²'yi yine raporla. Anlamlı sonuç için yordayıcı çıkarıp eklemek ya da Stepwise'a geçmek doğru değildir: modeli analizden önce kurarsın.

Sık yapılan hatalar

• Model 2'nin ANOVA F'sini ikinci bloğun testi sanmak. Bloğun katkısını R Square Change ve Sig. F Change verir.
• Bağımlı değişkenin normalliğine bakmak. Varsayım artıklar içindir.
• Farklı birimlerdeki yordayıcıların B'lerini karşılaştırmak. Aynı modeldeki yordayıcıları β ile karşılaştır.
• Yordayıcıların 0 değeri anlamsızken sabiti yorumlamak.
• Kuramsal bir soruda Stepwise kullanmak. Değişken seçimini örneklemdeki tesadüfler belirler (Field, 2018).
• Kategorik bir değişkeni 1, 2, 3 kodlarıyla modele koymak. k − 1 kukla değişken kullan.
• Regresyonu neden-sonuç gibi yazmak. "Stres tükenmişliğe yol açar" değil, "stres tükenmişliği pozitif yönde yordadı".
• Raporda "p = ,000" yazmak. Doğrusu p < ,001.

Kaynaklar

• Belsley, D. A., Kuh, E. ve Welsch, R. E. (1980). Regression diagnostics: Identifying influential data and sources of collinearity. Wiley. https://doi.org/10.1002/0471725153
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2. baskı). Lawrence Erlbaum.
• Cook, R. D. (1977). Detection of influential observation in linear regression. Technometrics, 19(1), 15–18. https://doi.org/10.1080/00401706.1977.10489493
• Durbin, J. ve Watson, G. S. (1951). Testing for serial correlation in least squares regression. II. Biometrika, 38(1–2), 159–178. https://doi.org/10.1093/biomet/38.1-2.159
• Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5. baskı). SAGE.
• Green, S. B. (1991). How many subjects does it take to do a regression analysis? Multivariate Behavioral Research, 26(3), 499–510. https://doi.org/10.1207/s15327906mbr2603_7
• O'Brien, R. M. (2007). A caution regarding rules of thumb for variance inflation factors. Quality & Quantity, 41(5), 673–690. https://doi.org/10.1007/s11135-006-9018-6
• Selya, A. S., Rose, J. S., Dierker, L. C., Hedeker, D. ve Mermelstein, R. J. (2012). A practical guide to calculating Cohen's f², a measure of local effect size, from PROC MIXED. Frontiers in Psychology, 3, Makale 111. https://doi.org/10.3389/fpsyg.2012.00111