Bayesci Moderasyon Analizi
Bayesian Moderation Analysis · Ayrıca şöyle bilinir: Bayesian interaction analysis, Bayesian moderated regression, Bayesian moderator testing, BMA
Bayesci moderasyon analizi, bir yordayıcının bir sonuç üzerindeki ilişkisinin üçüncü bir değişkenin (moderatör) değerine bağlı olarak değişip değişmediğini test eder. Tüm model parametrelerine önsel dağılımlar atayarak ve bunları gözlemlenen verilerle güncelleyerek, etkileşim etkisi için tam sonsal dağılımlar elde eder; bu da moderasyon hakkında ikili anlamlılık kararları yerine doğrudan olasılık ifadeleri kullanmayı mümkün kılar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bir üçüncü değişkenin bir yordayıcı-sonuç ilişkisinin gücünü veya yönünü değiştirdiğini test etmek istediğinizde ve ikili anlamlı/anlamsız bir cevaptan daha fazlasına ihtiyacınız olduğunda — özellikle örneklem boyutları küçük ila orta düzeyde ve sıklık gücü sınırlı olduğunda, anlamlı önsel bilgi belirtebildiğinizde veya araştırma sorusu yalnızca etkileşimin varlığından ziyade büyüklüğü ile ilgili olduğunda — Bayesci moderasyon analizini kullanın. Önsel bulguların bilgilendirici önsel'ler olarak biçimlendirilebildiği onaylayıcı çalışmalar için uygundur. Dikkatli model belirlemenin yerine geçmesine izin vermeyin: bir etkileşim terimi, her iki ana etkinin de modelde olmasını gerektirir. Moderasyon hipotezinin tamamen veri güdümlü olduğu ve savunulabilir önsel'lerin bulunmadığı durumlarda kaçının; bu durumda, bootstrap güven aralıklarına sahip klasik moderlenmiş regresyon, gözden geçirenler için daha şeffaf olabilir.
Güçlü yönler & sınırlılıklar
- Etkileşim katsayısı için tam sonsal dağılımlar sağlar, bu da moderasyon hakkında doğrudan olasılık ifadeleri kullanmayı mümkün kılar.
- Önsel'lerden güç ödünç alarak küçük ve orta ölçekli örneklemleri sıklık testlerinden daha iyi ele alır.
- Bilgilendirici önsel'ler aracılığıyla geçmiş çalışmalardan veya uzman bilgisinden önsel kanıtların dahil edilmesine izin verir.
- Güven aralıkları, sıklık güven aralıklarının tekrarlanan örnekleme mantığına ihtiyaç duymayan doğrudan bir olasılık yorumuna sahiptir.
- Aynı Bayesci çerçeve içinde çok düzeyli yapıları, normal olmayan sonuçları ve karmaşık tasarımları doğal olarak barındırabilir.
- Önsel dağılımların seçimi özneldir ve özellikle küçük örneklemlerde sonuçları etkileyebilir; duyarlılık analizleri gereklidir.
- MCMC örneklemesi, en küçük kareler yönteminden hesaplama açısından daha yoğundur ve yakınsama kontrolü gerektirir.
- Sonsal özetler ve güven aralıkları, birçok uygulamalı araştırmacı ve gözden geçiren için standart regresyon çıktısından daha az tanıdıktır.
- Birçok moderatör incelendiğinde birden çok test sorunlarını otomatik olarak ortadan kaldırmaz.
SSS
Bayesci moderasyon standart moderlenmiş regresyondan nasıl farklıdır?
Her ikisi de etkileşim terimi olan aynı doğrusal modeli tahmin eder. Fark çıkarımsaldır: standart moderlenmiş regresyon p-değerleri ve sıklık güven aralıkları kullanırken, Bayesci moderasyon sonsal dağılımlar ve güven aralıkları üretir. Bayesci yaklaşım, etkileşim katsayısı hakkında doğrudan olasılık ifadeleri kullanılmasına ve önsel bilginin dahil edilmesine olanak tanır.
Etkileşim katsayısı için hangi önsel'i kullanmalıyım?
Zayıf bilgilendirici bir önsel — örneğin, standartlaştırılmış katsayılar üzerinde Normal(0, 1) — sonucu güçlü bir şekilde kısıtlamadan tahmini düzenleyen güvenli bir varsayılandır. Geçmiş çalışmalar belirli bir etkileşim aralığı rapor ediyorsa, bilgilendirici bir önsel bu bilgiyi kodlayabilir. Her zaman seçilen önsel'i rapor edin ve alternatif önsel genişlikleriyle yeniden çalıştırarak duyarlılığı değerlendirin.
Analizden önce yordayıcıyı ve moderatörü merkezlemeli miyim?
Evet. Ürün terimi XW'yi oluşturmadan önce X ve W'yi ortalama merkezlemek, çoklu doğrusallığı azaltır ve ana etki katsayılarını diğer değişkenin ortalamasındaki etkiler olarak yorumlanabilir hale getirir. Bu, hem sıklık hem de Bayesci moderasyon analizinde standart bir uygulamadır.
Moderatörlüğün pratik olarak anlamlı olup olmadığını nasıl anlarım?
Etkileşim için güven aralığının sıfırı dışlayıp dışlamadığını kontrol etmenin ötesinde, W'nin özsel olarak anlamlı değerlerinde basit eğimler hesaplayın ve sonsal dağılımlarını inceleyin. Ayrıca sıfır etrafında pratik eşdeğerlik bölgesi (ROPE) tanımlayabilir ve etkileşim için sonsalın içine düşüp düşmediğini kontrol edebilirsiniz, bu da ihmal edilebilir bir etkiyi gösterir.
Bayesci moderasyonu sürekli olmayan sonuçlarla kullanabilir miyim?
Evet. Bayesci çerçeve, lojistik, Poisson, sıralı ve diğer regresyon modellerine doğal olarak genelleşir; uygun olasılık fonksiyonunu belirtmeniz yeterlidir. R'deki brms gibi yazılımlar, etkileşim terimli Bayesci genelleştirilmiş doğrusal modelleri uyumlu hale getirmeyi kolaylaştırır.
Kaynaklar
- Hayes, A. F. (2018). Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (2nd ed.). Guilford Press. ISBN: 978-1462534654
- Kruschke, J. K. (2015). Doing Bayesian Data Analysis: A Tutorial with R, JAGS, and Stan (2nd ed.). Academic Press. ISBN: 978-0124058880
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Moderation Analysis. ScholarGate. https://scholargate.app/tr/statistics/bayesian-moderation-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesien Moderlenmiş Aracılıkİstatistik↔ karşılaştır
- Modere Edilmiş Aracılık Analiziİstatistik↔ karşılaştır