Bayesien Moderlenmiş Aracılık
Bayesian Moderated Mediation Analysis · Ayrıca şöyle bilinir: Bayesian conditional process analysis, Bayesian mediated moderation, Bayesian PROCESS model, Bayesian conditional indirect effect
Bayesien moderlenmiş aracılık, bir aracı değişkenin bir yordayıcının bir sonucu üzerindeki etkisini nasıl ilettiğini ve bu dolaylı etkinin bir moderatör değişkene bağlı olarak büyüklüğünün değişip değişmediğini – belirsizliği p-değerleri ve güven aralıkları yerine sonlu dağılımlar aracılığıyla ölçen bir Bayesien çerçeve içinde – tahmin eder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Teorik olarak temellendirilmiş bir koşullu süreç modeliniz olduğunda ve bootstrap güven aralıklarının sağladığından daha zengin belirsizlik ölçümü istediğinizde Bayesien moderlenmiş aracılığı kullanın. Özellikle örneklem orta büyüklükte olduğunda (örneğin, n = 100–300), dahil etmek için önemli önsel bilginiz olduğunda veya sonlu dağılım kullanarak etki büyüklüklerini birden fazla moderatör değeri boyunca aynı anda karşılaştırmanız gerektiğinde değerlidir. Ayrıca, dolaylı etki dağılımının normal olmayan olma olasılığının yüksek olduğu durumlarda da uygundur – bu durumda sıklıkçı bootstrap aralıkları zayıf kapsama alanına sahip olabilir. X, M ve W'nin nedensel sıralamasının belirsiz olduğu durumlarda (tasarım yönlülüğü gerekçelendirmelidir), parametre sayısı için verilerin çok seyrek olduğu durumlarda (önsel seçim o zaman baskın olur) veya daha basit bir sıklıkçı bootstrap yaklaşımının (PROCESS makrosu) araştırma sorusunu yeterince ele aldığı ve incelemecilerin Bayesien raporlama geleneklerine aşina olmadığı durumlarda KULLANMAYIN.
Güçlü yönler & sınırlılıklar
- Koşullu dolaylı etki için tam bir sonlu dağılım sağlar, bu da herhangi bir W değerindeki büyüklüğü hakkında doğrudan olasılık ifadelerine olanak tanır.
- Ayrı bir bootstrap veya delta-yöntemi adımı gerektirmeden çarpım-katsayılar boyunca belirsizliği doğal olarak yayar.
- Önceki çalışmalardan gelen önsel bilgiyi dahil edebilir, küçük ila orta büyüklükteki örneklemlerde tahmin hassasiyetini artırır.
- Normal olmayan dolaylı etki dağılımlarını asimptotik yöntemlerden daha iyi ele alır.
- Aynı Bayesien çerçeve içinde çok düzeyli veya çok değişkenli sonuç yapılarına kolayca genişletilebilir.
- Açık önsel belirtim gerektirir; kötü seçilmiş önsel atamalar, özellikle küçük örneklemlerde sonuçları bozabilir.
- Hesaplama açısından yoğundur – Hamiltonian Monte Carlo, karmaşık modeller için dakikalar ila saatler sürebilir.
- Bayesien raporlama gelenekleri (HDI, Bayes faktörleri, sonlu olasılıklar) birçok uygulamalı araştırmacı ve incelemeci tarafından daha az bilinmektedir.
- Dolaylı etkilerin nedensel yorumu tamamen araştırma tasarımına bağlıdır; Bayesien çerçeve karıştırıcıyı çözmez.
SSS
Bayesien moderlenmiş aracılık, PROCESS makrosu yaklaşımından nasıl farklıdır?
Her ikisi de koşullu dolaylı etkileri tahmin eder, ancak PROCESS en küçük kareler ve bootstrap güven aralıklarını kullanırken, Bayesien moderlenmiş aracılık tam sonlu dağılımdan örnekler çeker. Bayesien yaklaşım, dolaylı etki hakkında doğrudan bir olasılık ifadesi üretir ve a×b çarpımının normal olmamasını daha doğal bir şekilde ele alır, ancak önsel belirtim ve daha fazla hesaplama çabası gerektirir.
Bayesien moderlenmiş aracılık için büyük bir örneğe ihtiyacım var mı?
Zorunlu değil. Bayesien yaklaşımın bir avantajı, önceki literatüre dayanan bilgilendirici önsel atamalarla, 80-100 gibi küçük örneklemlerle bile tahminin kararlı olabilmesidir. Ancak, düz önsel atamalarla pratik gereksinimler sıklıkçı bootstrap aracılığına benzer, genellikle güvenilir dolaylı etki tahmini için n ≥ 100–200'dür.
Hangi yazılım Bayesien moderlenmiş aracılığı uygular?
brms R paketi (Stan'a bir arayüz), tam Bayesien çıkarım ile çok değişkenli regresyon sistemleri olarak moderlenmiş aracılık modellerinin belirtilmesine olanak tanır. Alternatif olarak, model doğrudan Stan veya JAGS'de kodlanabilir. Daha basit durumlar için, BayesMed ve Bayesien seçeneklere sahip mediation R paketi de mevcuttur.
Bayesien moderlenmiş aracılık sonuçlarını nasıl raporlamalıyım?
Her bir yol katsayısı ve moderatörün anlamlı değerlerindeki koşullu dolaylı etki için sonlu medyanı (veya ortalamayı) ve %95 en yüksek yoğunluk aralığını (HDI) raporlayın. R-hat yakınsama istatistiğini ve etkin örneklem boyutunu ekleyin. HDI şeritleriyle birlikte W'ye karşı koşullu dolaylı etkinin bir grafiği oldukça bilgilendiricidir.
Modellenmiş aracılık ile aracılı moderasyon arasındaki fark nedir?
Her ikisi de aracılık ve moderasyonun bir arada olduğu bir modeli tanımlar, ancak farklı nicelikleri vurgularlar. Modellenmiş aracılık, dolaylı etkinin W seviyelerinde nasıl değiştiğine odaklanır (koşullu dolaylı etki birincil tahmin edilen niceliktir). Aracılı moderasyon, bir moderasyon etkisinin kendisinin bir aracı tarafından açıklanıp açıklanmadığına odaklanır. Pratikte her ikisi de aynı istatistiksel modelden kaynaklanabilir; ayrım kavramsaldir ve vurgulanacak parametreleri yönlendirir.
Kaynaklar
- Yuan, Y. & MacKinnon, D. P. (2009). Bayesian mediation analysis. Psychological Methods, 14(4), 301–322. DOI: 10.1037/a0016972 ↗
- Hayes, A. F. (2013). Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach. Guilford Press. ISBN: 978-1609182304
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Moderated Mediation Analysis. ScholarGate. https://scholargate.app/tr/statistics/bayesian-moderated-mediation
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesci Moderasyon Analiziİstatistik↔ karşılaştır
- Modere Edilmiş Aracılık Analiziİstatistik↔ karşılaştır
- Yol Analiziİstatistik↔ karşılaştır
- Yapısal Eşitlik ModellemesiAraştırma istatistiği↔ karşılaştır