İstatistik ve SPSS
Regresyonda çoklu bağlantı var, VIF değerleri yüksek çıktı
Kısa yanıt
En sık neden: Yordayıcı değişkenler birbiriyle çok yüksek düzeyde ilişkilidir (ör. r > ,80). Çözüm için (1) çoklu bağlantı tanılarını iste, (2) değerleri yorumla, (3) toplam puan ile alt boyutları birlikte koyma, (4) değişkenlerden birini çıkar ya da birleştir. Ayrıntılı adımlar aşağıda.
Bu durum size tanıdık mı?
- Collinearity Statistics sütununda VIF değerleri 5 ya da 10’un üzerinde.
- Model bütün olarak anlamlı (R² yüksek) ama tek tek yordayıcıların hiçbiri anlamlı değil.
- Bir değişkenin beta katsayısının işareti, korelasyonla ters yönde çıktı.
- Bir değişkeni modele ekleyince diğerlerinin katsayıları büyük ölçüde değişiyor.
Olası nedenler
- Yordayıcı değişkenler birbiriyle çok yüksek düzeyde ilişkilidir (ör. r > ,80).
- Aynı yapının toplam puanı ile alt boyutları birlikte modele konmuştur.
- Bir değişken diğerlerinin toplamından ya da bileşiminden türetilmiştir.
- Etkileşim terimleri merkezileştirilmeden oluşturulmuştur.
Adım adım çözüm
- 1
Çoklu bağlantı tanılarını iste
SPSS: Analyze > Regression > Linear (Analiz > Regresyon > Doğrusal) → Statistics → Collinearity diagnostics kutusunu işaretle. Coefficients tablosunda Tolerance ve VIF sütunları çıkar. Jamovi: Regression > Linear Regression > Assumption Checks > Collinearity statistics.
- 2
Değerleri yorumla
VIF = 1 / Tolerans. Literatürde sıkça kullanılan ölçütler: VIF > 10 (Tolerans < ,10) ciddi çoklu bağlantı; daha temkinli kaynaklar VIF > 5’i de sorun işareti sayar. Ayrıca yordayıcılar arasındaki korelasyon matrisine bak; ,80–,90 üzerindeki korelasyonlar uyarı işaretidir.
- 3
Toplam puan ile alt boyutları birlikte koyma
En sık hata budur. Toplam puan zaten alt boyutların toplamı olduğu için çoklu bağlantı kaçınılmazdır. Ya toplam puanla ya da alt boyutlarla ayrı modeller kur.
- 4
Değişkenlerden birini çıkar ya da birleştir
Çok yüksek ilişkili iki yordayıcı benzer bilgiyi taşıyorsa kuramsal olarak daha önemli olanı tut. Kuramsal olarak aynı yapıyı ölçüyorlarsa tek bir bileşik puan oluşturmayı değerlendir.
- 5
Etkileşim terimlerini merkezileştir
Etkileşim (X × Z) kullanıyorsan önce X ve Z’yi ortalamadan çıkararak merkezileştir (Transform > Compute Variable: X_c = X − ortalama). Bu, yapısal çoklu bağlantıyı azaltır.
- 6
Diğer regresyon varsayımlarını da kontrol et
Hataların bağımsızlığı (Statistics > Durbin-Watson; yaklaşık 1,5–2,5 arası yaygın kabul görür), hataların normalliği ve varyans eşitliği (Plots: ZRESID’i Y’ye, ZPRED’i X’e koy; histogram ve normal olasılık grafiği iste), uç ve etkili gözlemler (Cook’s distance).
- 7
Kararı raporla
Hangi ölçütle çoklu bağlantıyı incelediğini, değerlerin aralığını ve yaptığın düzenlemeyi yöntem bölümüne yaz.
| Yordayıcı | B | β | t | p | Tolerans | VIF |
|---|---|---|---|---|---|---|
| Sabit | 1,12 | — | 3,41 | ,001 | — | — |
| Öz yeterlik toplam | 0,21 | ,28 | 1,12 | ,264 | ,06 | 16,40 |
| Öz yeterlik – akademik alt boyut | 0,18 | ,22 | 0,97 | ,333 | ,08 | 12,85 |
| Sosyal destek | 0,26 | ,31 | 5,02 | < ,001 | ,79 | 1,27 |
Regresyon varsayımları sağlanmıştır.
Konuyu derinlemesine öğrenin