Bir regresyon tablosunda anlamlı p değerleri görmek, modelin doğru kurulduğu anlamına gelmez. Özellikle tez ve makale çalışmalarında yüksek R², beklenmedik katsayı işaretleri veya birbirini tutmayan sonuçlar, modelin veriyle değil kurulumla ilgili bir sorunu olabileceğini gösterir. Hatalı regresyon modeli düzeltme, yalnızca SPSS’te birkaç seçeneği değiştirmek değildir; araştırma sorusu, değişken yapısı, varsayımlar ve yorumun birlikte yeniden değerlendirilmesidir.
Bu süreçte amaç sonuçları istenen yöne çekmek değildir. Amaç, verinin gerçekten desteklediği ilişkiyi doğru modelle görünür kılmak ve araştırmacının yöntemi danışmanı ya da jüri karşısında açıklayabilmesini sağlamaktır. Bazen düzeltme daha güçlü bir model üretir; bazen de başlangıçtaki hipotezin veri tarafından desteklenmediğini açık biçimde ortaya koyar. İkinci sonuç da bilimsel açıdan değerlidir.
Hata, regresyon çıktısında değil model mantığında başlayabilir
Regresyon analizi öncesinde ilk soru şudur: Bağımlı değişkeninizin yapısı seçtiğiniz analizle uyumlu mu? Sürekli bir puan için doğrusal regresyon uygun olabilir. Ancak sonuç değişkeni iki kategoriliyse lojistik regresyon, sıralı kategorilerden oluşuyorsa ordinal lojistik regresyon ya da başka bir uygun model düşünülmelidir. Örneğin “memnun” ve “memnun değil” şeklinde kodlanmış bir sonuç değişkenini doğrusal regresyonla incelemek, katsayı üretiyor olsa bile yöntemsel olarak sorun yaratabilir.
İkinci soru, her değişkenin modeldeki rolüdür. Bir aracı değişkeni doğrudan bağımsız değişken gibi eklemek, kontrol edilmesi gereken bir değişkeni göz ardı etmek veya teorik olarak farklı düzeylerde ele alınması gereken değişkenleri aynı modele rastgele koymak yanıltıcı sonuçlara yol açar. Model kurulumunda istatistiksel anlamlılıktan önce araştırma sorusu, kuramsal çerçeve ve ölçüm düzeyi gelir.
Değişken kodlaması da beklenenden daha sık hata kaynağıdır. Ters maddeler doğru çevrilmemiş olabilir, eksik değerler 0 ya da 99 olarak analizde kalmış olabilir veya kategorik bir değişken için referans grup yanlış seçilmiş olabilir. Bu tür hatalar, özellikle katsayı yönlerini tersine çevirebilir. Bu nedenle düzeltme sürecinin ilk aşaması, ham veri dosyasındaki değişken etiketleri, değer etiketleri, minimum-maksimum değerler ve kayıp veri kodlarını yeniden kontrol etmektir.
Hatalı regresyon modeli düzeltme için önce tanı koyun
Bir modeli değiştirmeden önce sorunun nerede oluştuğunu belirlemek gerekir. Sadece anlamlı çıkmayan değişkenleri modelden çıkarmak, tanı koymak değildir. Bu yaklaşım kısa vadede daha temiz görünen bir tablo üretse de kuramsal olarak gerekli kontrol değişkenlerinin kaybolmasına ve seçilim yanlılığına neden olabilir.
Doğrusallık ve artık grafiklerini inceleyin
Doğrusal regresyonda bağımsız değişken ile sonuç arasındaki ilişkinin yaklaşık doğrusal olması beklenir. Bunun için tahmin edilen değerler ile standardize artıkların saçılım grafiği incelenebilir. Noktalar rastgele bir bulut oluşturmuyorsa, örneğin U biçiminde veya belirgin eğrisel bir desen varsa, doğrusal terim ilişkiyi yeterince temsil etmiyor olabilir.
Bu durumda çözüm her zaman değişkeni modelden çıkarmak değildir. Kuram destekliyorsa karesel terim eklemek, dönüşüm uygulamak veya etkileşim etkisini değerlendirmek düşünülebilir. Ancak bu eklemeler yalnızca grafiği düzeltmek için yapılmamalıdır. Her yeni terimin araştırma sorusunda ve raporda açık bir gerekçesi bulunmalıdır.
Çoklu doğrusal bağlantıyı kontrol edin
Bağımsız değişkenlerin birbirine aşırı benzemesi, katsayıların kararsızlaşmasına neden olur. Korelasyonların yüksek olması ilk uyarıdır; fakat asıl değerlendirme VIF ve tolerans değerleriyle yapılır. Uygulamada VIF değerinin yükselmesi ve toleransın düşmesi, değişkenlerin aynı bilgiyi büyük ölçüde taşıdığına işaret eder.
Çoklu doğrusal bağlantı olduğunda bir değişken tek başına anlamlı görünürken çoklu modelde anlamsızlaşabilir veya katsayı işareti beklenenin tersine dönebilir. Burada hangi değişkenin çıkarılacağı yalnızca p değerine göre belirlenmemelidir. Ölçümlerin kavramsal örtüşmesi, ölçek alt boyutlarının yapısı ve değişkenlerin kuramsal önceliği birlikte ele alınmalıdır. Birbirine çok yakın iki puanı ayrı ayrı modele koymak yerine, geçerli bir bileşik puan kullanmak bazı çalışmalarda daha doğru olabilir.
Aykırı ve etkili gözlemleri birbirinden ayırın
Her aykırı gözlem silinmesi gereken bir hata değildir. Bir katılımcının puanı diğerlerinden farklı olabilir ama bu değer gerçek ve araştırma evreni açısından anlamlı olabilir. Daha kritik olan, bu gözlemin regresyon katsayılarını orantısız biçimde değiştirip değiştirmediğidir.
Standardize artıklar, kaldıraç değerleri ve Cook uzaklığı bu ayrımı yapmaya yardımcı olur. Etkili bir gözlem tespit edildiğinde önce veri giriş hatası, yanlış kodlama veya uygun olmayan dahil edilme ölçütü kontrol edilir. Veri doğruysa, gözlemi otomatik olarak çıkarmak yerine sonuçların bu gözlem varken ve yokken nasıl değiştiği şeffaf biçimde değerlendirilmelidir. Örneklem küçüldükçe tek bir vakanın etkisi artacağından, bu karar daha da dikkatli verilmelidir.
Sabit varyans ve artıkların dağılımını değerlendirin
Hata varyansının tahmin düzeyi boyunca benzer olması, standart doğrusal regresyonda önemlidir. Saçılım grafiğinde huni biçimi görülüyorsa heteroskedastisite söz konusu olabilir. Bu durum katsayıları her zaman doğrudan bozmaz; fakat standart hata, güven aralığı ve anlamlılık testlerini yanıltabilir.
Artıkların normal dağılıma yakınlığı ise özellikle küçük örneklemlerde çıkarımsal testlerin yorumunda önem kazanır. Histogram, P-P grafiği ve uygun normallik incelemeleri birlikte okunmalıdır. Sadece tek bir testin p değerine dayanarak karar vermek doğru değildir; örneklem büyüdükçe küçük sapmalar da istatistiksel olarak anlamlı görünebilir. Gerekirse dönüşüm, dayanıklı standart hata yaklaşımı veya analiz stratejisinin yeniden seçilmesi tartışılabilir. Hangi seçeneğin uygun olduğu veri türüne ve araştırma amacına bağlıdır.
Modeli yeniden kurarken p değerini değil soruyu izleyin
Düzeltme aşamasında en sık yapılan hata, modeli tekrar tekrar çalıştırıp en düşük p değerlerini veren sürümü seçmektir. Bu yaklaşım, tesadüfi bulguların güçlenmiş gibi görünmesine neden olabilir. Bunun yerine, önceden belirlenmiş teorik model korunmalı; yapılan her değişiklik veri sorunu, ölçüm gerekçesi veya araştırma sorusuyla ilişkilendirilmelidir.
Kontrol değişkenleri de bu ilkeye göre seçilmelidir. Yaş, cinsiyet, sınıf düzeyi ya da gelir gibi değişkenler her modele otomatik biçimde eklenmez. Bir değişkenin hem bağımsız değişkenle hem bağımlı değişkenle ilişkili olması ve kuramsal olarak karıştırıcı rol üstlenmesi beklenir. Gereksiz kontrol değişkenleri modelin gücünü düşürebilir, önemli ilişkileri maskeleyebilir ve yorumu zorlaştırabilir.
Etkileşim terimleri ile aracı değişkenler de dikkatli ele alınmalıdır. “X’in Y üzerindeki etkisi Z’ye göre değişiyor mu?” sorusu moderasyon analizini; “X, Y’yi M üzerinden mi etkiliyor?” sorusu aracılık analizini gerektirir. Bu sorular basit çoklu regresyon çıktısına bakarak cevaplanamaz. PROCESS Macro gibi araçlar doğru kurulumda yararlı olabilir, fakat değişken sıralaması, bootstrap güven aralıkları ve dolaylı etkinin yorumu araştırmacı tarafından anlaşılmalıdır.
Sonuçları savunulabilir biçimde raporlayın
Düzeltilmiş modelin kalitesi, yalnızca anlamlı katsayılarla gösterilmez. Örneklem büyüklüğü, kullanılan model, varsayım kontrolleri, yapılan veri düzenlemeleri, katsayılar, güven aralıkları, model uyumu ve etki büyüklükleri açık biçimde raporlanmalıdır. APA biçiminde bir sonuç bölümü, okuyucunun analizin hangi koşullarda yürütüldüğünü takip edebilmesini sağlamalıdır.
Örneğin “model anlamlı bulundu” ifadesi tek başına yetersizdir. Modelin ne kadar varyans açıkladığı, hangi yordayıcıların hangi yönde etkili olduğu ve bu etkinin pratik anlamı belirtilmelidir. Anlamsız bir sonuç da saklanacak bir kusur değildir. Güven aralığı genişse, örneklem sınırlıysa veya etkinin büyüklüğü düşükse bunlar dürüstçe tartışılmalıdır.
Bu noktada uzman gözden geçirmesi özellikle değerlidir. Akademik Analiz yaklaşımında amaç, araştırmacının kendi SPSS, AMOS veya PROCESS çıktısını adım adım denetlemesi; yöntemsel sorunları nedenleriyle görmesi ve raporladığı sonucu bizzat açıklayabilmesidir. Böyle bir inceleme, yalnızca hatayı düzeltmeye değil, aynı hatanın sonraki analizlerde tekrarlanmasını önlemeye de hizmet eder.
Regresyon modeliniz beklenmedik bir sonuç veriyorsa önce çıktıyı “başarısız” olarak etiketlemeyin. Verinin nasıl kodlandığını, modelin sorunuza uygunluğunu ve varsayımların ne söylediğini sırayla inceleyin. İyi bir analiz, en parlak tabloyu değil, arkasındaki kararları açıkça gerekçelendirebildiğiniz tabloyu üretir.