Hayes PROCESS Model 61Koşullu aracılık (a: W,Z · b: W · c′: W)

Model 61'de W üç yolun hepsini (X→M, M→Y, X→Y), Z ise yalnız X→M yolunu düzenler. Dolaylı etki W ve Z'ye, doğrudan etki yalnız W'ye koşulludur.

Kesikli kırmızı oklar düzenleyici etkiyi, düz oklar regresyon yollarını gösterir.

Model neyi sınar, ne zaman kullanılır?

Model 61, Model 59'daki tüm yolları W ile düzenlenen yapıya birinci aşamada ikinci bir düzenleyici, Z, ekler. X→M yolu W ve Z ile ayrı ayrı etkileşir (X·W·Z yoktur), M→Y yolu ve X→Y doğrudan yolu yalnız W ile düzenlenir. Model 60'tan farkı doğrudan yolun da W'ye bağlı olmasıdır. Bu yapı, X'in her iki kanaldaki etkisini koşullandıran bir ana bağlam değişkeninin (W) yanında, yalnız aracının oluşumunu etkileyen ikinci bir koşulun (Z) bulunduğu durumlar için uygundur.

Sayfadaki koşullu dolaylı etki (a₁ + a₄W + a₅Z) · (b₁ + b₂W), koşullu doğrudan etki c′₁ + c′₃W biçimindedir. Dolaylı etki W'ye göre ikinci derecedendir; bu nedenle PROCESS bu modelde moderasyonlu aracılık indeksi basmaz. Z ise doğrudan etkiye hiç girmez: Z'nin rolü yalnız mekanizma üzerinden, a₅ katsayısı ile ikinci aşamanın W'ye koşullu eğiminin çarpımı olarak ortaya çıkar. Doğrudan etkinin W'ye göre değişimi ise tek bir katsayıyla, c′₃ ile test edilir.

İstatistiksel gösterim

M = i + a₁X + a₂W + a₃Z + a₄(X·W) + a₅(X·Z)

Y = i + c′₁X + c′₂W + c′₃(X·W) + b₁M + b₂(M·W)

Koşullu dolaylı etki (X → M → Y): (a₁ + a₄W + a₅Z) · (b₁ + b₂W)

Koşullu doğrudan etki: c′₁ + c′₃W

Katsayı adları denklem sırasına göre verilmiştir. PROCESS çıktısındaki adlandırma sırası farklılaşabilse de temsil edilen yol yapısı aynıdır. Dolaylı etkiler bootstrap güven aralıkları üzerinden değerlendirilir.

Yazılım mühendisliği araştırmasından bir örnek

Açık kaynak projelerin depolarından derlenen bir veri setinde, kod inceleme yoğunluğunun (X, değişiklik başına inceleme yorumu) statik analizle ölçülen bakım yapılabilirlik puanını (M) artırarak sürüm sonrasında bildirilen hata yoğunluğunu (Y, bin satır başına) azalttığı düşünülüyor. Çekirdek katkıcıların projedeki ortalama deneyim süresi (W) üç yolda da rol oynuyor. Deneyimli ekiplerde incelemelerin mimari sorunları yakalayıp bakım yapılabilirliği daha çok iyileştirmesi (a), bakım yapılabilirlikteki farkın hata yoğunluğuna daha az yansıması (b) bekleniyor, çünkü deneyim karmaşık kodla başa çıkmayı kolaylaştırır.

Doğrudan yol da deneyime bağlı: deneyimli inceleyiciler, bakım yapılabilirlik puanını değiştirmeyen ama hatalı olan değişiklikleri birleştirme öncesinde doğrudan yakalayabilir. Kod tabanının büyüklüğü (Z, bin satır) ise yalnız birinci aşamada devreye giriyor; büyük kod tabanlarında tek bir incelemenin genel bakım puanına etkisi sınırlı kalıyor. Büyüklüğün, bakım puanı ile hata yoğunluğu arasındaki ilişkiyi veya incelemenin doğrudan etkisini değiştireceğine dair bir gerekçe öne sürülmediği için Z yalnız a yolunda tutuluyor.

SPSS PROCESS komutu

process y=hatayog /x=inceleme /m=bakim /w=deneyim /z=boyut /model=61 /center=1 /moments=1 /boot=5000 /seed=2026 .

Diyagramdaki W, PROCESS 4 komutunda /w=, Z ise /z= ile girilir; Model 61 PROCESS 4'te W'yi a, b ve c′ yollarına, Z'yi yalnız a yoluna yerleştirir. Deneyim yanlışlıkla /z= seçeneğine yazılırsa yalnız a yolunu düzenleyen değişken o olur ve model başka bir hipotezi sınar. center=1, çarpımlara giren X, M, W ve Z'nin hepsini merkezler. moments=1 koşul değerlerini ortalama ve ±1 SS olarak belirler; kod tabanı büyüklüğü gibi çarpık dağılan bir Z'de ortalama −1 SS gözlenen aralığın dışına düşebileceğinden, böyle durumlarda varsayılan yüzdelikler daha güvenli olabilir. Bu karar analizden önce verilmelidir.

Çıktıda nereye bakılır?

M denkleminde X·W ve X·Z katsayıları (sayfada a₄, a₅) ile etkileşim testindeki X*W, X*Z ve BOTH(X) satırları: inceleme yoğunluğunun bakım puanına etkisinin deneyime ve kod tabanı büyüklüğüne göre değişip değişmediği.
Y denkleminde X·W (sayfada c′₃) ve M·W (sayfada b₂) katsayıları. İkisi aynı denklemde birbirine göre düzeltilmiş olarak tahmin edilir; “Product terms key” hangi Int satırının hangisi olduğunu gösterir.
“Conditional direct effects of X on Y”: yalnız W düzeylerinde doğrudan etkiler. Z bu tabloda yer almaz.
“Conditional indirect effects of X on Y”: W ve Z değer kombinasyonlarında koşullu dolaylı etkiler ve bootstrap güven aralıkları. Tablonun altında indeks satırı bulunmaz.

Komşu modellerden farkı

Model 60: İki aşama Model 61'deki gibi kurulur, fakat X→Y yolu sabit tutulur.
Model 59: Z yoktur; W tek başına üç yolu düzenler.
Model 62: Doğrudan yolu W değil, birinci aşamadaki ikinci düzenleyici Z koşullar.
Model 63: Doğrudan yolu W ve Z birlikte koşullar.

Raporlama örneği

Kod inceleme yoğunluğunun bakım yapılabilirlik üzerinden hata yoğunluğuyla ilişkisinde ekip deneyiminin ve kod tabanı büyüklüğünün düzenleyici rolleri PROCESS Model 61 ile 5000 bootstrap örneklemiyle incelenmiştir (n = [ ] proje). İnceleme × deneyim (a₄ = [ ], %95 GA [ , ]) ve inceleme × kod tabanı büyüklüğü (a₅ = [ ], %95 GA [ , ]) etkileşimleri bakım puanını yordamıştır. Hata yoğunluğu denkleminde bakım × deneyim etkileşimi b₂ = [ ], %95 GA [ , ]; inceleme × deneyim etkileşimi c′₃ = [ ], %95 GA [ , ] olarak bulunmuştur. Deneyimi düşük ekiplerde ve büyük kod tabanlarında koşullu dolaylı etki [ ] (%95 BootGA [ , ]); deneyimi yüksek ekiplerde aynı kod tabanı büyüklüğünde [ ] (%95 BootGA [ , ]) olarak hesaplanmıştır. Koşullu doğrudan etki düşük deneyimde [ ] (%95 GA [ , ]), yüksek deneyimde [ ] (%95 GA [ , ]) olarak elde edilmiştir.

Köşeli parantezler kendi çıktınızdaki değerlerle doldurulur.

Sık yapılan hatalar

Hata yoğunluğu gibi sağa çarpık ve sıfırda yığılan bir Y'yi dönüştürmeden OLS ile modellemek. PROCESS sürekli Y için OLS kullanır; dağılım varsayımları ve olası dönüşüm (örneğin logaritma) raporda gerekçelendirilmelidir.
Kod tabanı büyüklüğünün etkisini koşullu doğrudan etki tablosunda aramak. Model 61'de Z doğrudan yola girmez; Z'nin rolü yalnız koşullu dolaylı etkilerde görünür.
Aynı projenin birden çok sürümünü bağımsız gözlem olarak veri setine koymak. Tekrarlı ölçümler bağımsızlık varsayımını bozar; her proje için tek bir gözlem kullanmak ya da bu yapıyı modelleyen bir yönteme geçmek gerekir.
Koşullu dolaylı etkilerin W düzeyleri arasında işaret değiştirmesini tek bir ana etki gibi özetlemek. İkinci dereceden yapıda dolaylı etkinin yönü deneyim aralığının farklı bölgelerinde değişebilir.

Literatürden örnek

Doğrulanmış yayın örneği

Xiang, Y., Yang, C., Jin, Z., & Zhao, W. (2025). Factors influencing the adoption of generative artificial intelligence into classroom teaching by university teachers: An empirical study using SPSS PROCESS macros. PLoS ONE, 20, e0324875.

Çalışmanın bulgusu: 513 üniversite öğretim elemanından oluşan örneklemde, öz yeterlik üretken yapay zekâyı (AIGC) derste benimseme niyetini hem doğrudan (etki = 0.2394, %95 GA [0.1195, 0.359]) hem de sonuç beklentilerini güçlendirerek dolaylı biçimde (dolaylı etki = 0.2841, %95 GA [0.1982, 0.386]) artırmaktadır; her iki güven aralığı da sıfırı içermemektedir. Bu yollar bağlama duyarlıdır: öz yeterlik × öz gelişim (b = 0.069, p < .01), öz yeterlik × dış çevresel faktörler (b = 0.038, p < .01) ve sonuç beklentisi × dış çevresel faktörler (b = 0.026, p < .05) etkileşimlerinin tümü anlamlıdır; öz yeterliğin ve beklentilerin etkisi destekleyici bireysel ve çevresel koşullar altında güçlenmektedir.

Model seçimi ve değişken rolleri: Tam metinde 'SPSS PROCESS macro (Model 61)' ifadesi doğrulandı; Model 4'ten (basit aracılık) Model 61'e (çok düzenleyicili koşullu süreç) kademeli geçiş, model seçim gerekçelendirmesi açısından örnek gösterilebilir.

DOI kaydını aç

Mod İstatistik bu aşamada size katkı sağlar

Literatürdeki örnek çalışma modelin mantığını gösterir; kendi verinizde doğru Hayes modelini seçmek için hipotez, değişken rolleri, örneklem yapısı ve raporlama beklentisi birlikte değerlendirilmelidir.

WhatsApp ile iletişime geç İletişim formuna git

İlişkili modeller

Model 4 - Basit / paralel aracılıkmoderatörsüz temel hali Model 60 - Koşullu aracılık (a: W,Z · b: W)c′ moderasyonsuz eşi

Model 60 Model 62