Regresyon analizi, bir ya da daha fazla bağımsız değişkenin bir bağımlı değişkeni ne ölçüde açıkladığını ya da yordadığını inceler. "Motivasyon, akademik başarıyı yorduyor mu?" gibi sorular regresyonla yanıtlanır. Analizi çalıştırmak kolaydır; asıl beceri çıktıyı doğru okumaktır. Bu yazı, regresyon çıktısının temel değerlerini adım adım açıklıyor.
Regresyon ne işe yarar?
Korelasyon iki değişkenin birlikte değişip değişmediğini gösterir; regresyon ise bir adım ileri gider ve yordama yapar: bağımsız değişkendeki bir birim değişimin bağımlı değişkende ne kadar değişime karşılık geldiğini tahmin eder. İlişki ile yordama arasındaki farkı görmek için korelasyon analizi yorumlama yazısına bakabilirsiniz.
Çıktıda bakılacak temel değerler
SPSS regresyon çıktısı üç ana tablo üretir. Sırayla okumak en sağlıklısıdır.
1. Model Özeti: R ve R kare
- R: Model ile gözlenen değerler arasındaki korelasyon.
- R² (R kare): Bağımsız değişken(ler)in, bağımlı değişkendeki değişimin ne kadarını açıkladığını gösterir. Örneğin R² = 0,32 ise "model, bağımlı değişkendeki değişimin %32'sini açıklıyor" demektir.
- Düzeltilmiş R² (Adjusted R²): Çok sayıda değişken olduğunda daha güvenilirdir; değişken sayısına göre R²'yi düzeltir. Çoklu regresyonda bunu raporlamak tercih edilir.
2. ANOVA tablosu: Model anlamlı mı?
Bu tablodaki F değeri ve anlamlılık (Sig.), modelin bir bütün olarak anlamlı olup olmadığını söyler. Sig. < 0,05 ise "model, bağımlı değişkeni açıklamada anlamlıdır" denir. Model bütün olarak anlamlı değilse, katsayıları yorumlamanın anlamı kalmaz.
3. Katsayılar (Coefficients) tablosu
En kritik tablodur.
- B (standartlaştırılmamış katsayı): Bağımsız değişkendeki bir birim artışın, bağımlı değişkende yol açtığı değişim miktarı.
- Beta (β, standartlaştırılmış katsayı): Değişkenler aynı ölçeğe getirilerek karşılaştırılır. Çoklu regresyonda hangi bağımsız değişkenin daha güçlü bir yordayıcı olduğunu Beta gösterir.
- t ve Sig.: Her bağımsız değişkenin ayrı ayrı anlamlı bir yordayıcı olup olmadığı. Sig. < 0,05 olan değişken anlamlı bir yordayıcıdır.
Hangi değer neyi söyler?
| Değer | Bulunduğu tablo | Ne anlatır? |
|---|---|---|
| R² | Model Özeti | Modelin açıkladığı varyans oranı |
| Düzeltilmiş R² | Model Özeti | Değişken sayısına göre düzeltilmiş açıklama gücü |
| F, Sig. | ANOVA | Model bir bütün olarak anlamlı mı? |
| B | Katsayılar | Bir birim değişimin ham etkisi |
| Beta (β) | Katsayılar | Yordayıcıların göreli gücü (karşılaştırılabilir) |
| VIF | Katsayılar | Çoklu bağlantı göstergesi (yüksekse sorun) |
Örnek yorum
Diyelim ki motivasyonun başarıyı yordadığı bir modelde R² = 0,28, model Sig. = 0,000 ve motivasyonun β = 0,53, Sig. = 0,000 çıktı. Yorum şöyle olur: "Model anlamlıdır ve başarıdaki değişimin yaklaşık %28'ini açıklamaktadır; motivasyon, başarının anlamlı ve pozitif bir yordayıcısıdır." Bu değerler yalnızca yorumun nasıl kurulacağını göstermek için verilmiş temsilî örneklerdir; kendi çıktınızda gerçek değerlerinizi kullanın.
Varsayımları unutmayın
Doğrusal regresyon; doğrusallık, hataların normal dağılımı, sabit varyans (homoskedastisite) ve bağımsız değişkenler arası aşırı ilişki olmaması (çoklu bağlantı / multicollinearity) gibi varsayımlar ister. Çoklu bağlantı için VIF değerleri kontrol edilir. Varsayımlar ihlal edildiğinde sonuçlar yanıltıcı olabilir. Normallik kontrolü için normallik testi nasıl yapılır yazısına bakabilirsiniz.
Sık yapılan hatalar
- Yordamayı nedensellik sanmak: Regresyon "yordar", ama tek başına "neden olur" demez. Nedensellik için deneysel tasarım gerekir.
- Sadece R²'ye bakmak: Yüksek R² tek başına iyi model demek değildir; anlamlılık ve varsayımlar da önemlidir.
- Anlamsız modelde katsayı yorumlamak: Önce modelin bütününün anlamlı olduğundan emin olun.
- Çoklu bağlantıyı gözden kaçırmak: Birbiriyle yüksek ilişkili yordayıcılar katsayıları yanıltıcı kılar; VIF kontrol edilmelidir.
Sık sorulan sorular
R² kaç olmalı ki model "iyi" sayılsın?
Evrensel bir eşik yoktur; kabul edilebilir R², alana ve araştırma sorusuna göre değişir. Sosyal bilimlerde insan davranışı çok etkenli olduğu için görece düşük R² değerleri bile anlamlı olabilir. R²'yi tek başına değil, modelin anlamlılığı ve kuramsal beklentiyle birlikte yorumlayın.
B ile Beta (β) arasındaki fark nedir?
B, değişkenin kendi ölçü biriminde ham etkisidir; farklı birimlerdeki değişkenleri kıyaslamaya elverişli değildir. Beta ise standartlaştırılmış katsayıdır; değişkenleri ortak ölçeğe getirdiği için çoklu regresyonda hangi yordayıcının daha güçlü olduğunu Beta ile karşılaştırırsınız.
Model anlamlı ama bazı değişkenler anlamsız çıktı, ne yapmalıyım?
Bu normaldir: ANOVA modelin bütününün anlamlı olduğunu söylerken, Katsayılar tablosu her yordayıcıyı ayrı değerlendirir. Anlamsız (Sig. > 0,05) yordayıcılar modele anlamlı katkı yapmıyordur; kuramsal gerekçeniz yoksa modelden çıkarmayı değerlendirebilirsiniz.
Çoklu bağlantı (multicollinearity) nasıl anlaşılır?
Bağımsız değişkenler birbiriyle aşırı ilişkiliyse çoklu bağlantı vardır. Göstergesi VIF değerleridir; VIF'in yüksek olması katsayıların kararsız ve yanıltıcı olabileceğine işaret eder. Bu durumda ilişkili değişkenlerden birini çıkarmak ya da birleştirmek gerekebilir.
Yorumda tıkandığınızda
Regresyon çıktısı, birden çok tabloyu birlikte okumayı gerektirdiği için kafa karıştırıcı olabilir. Analizinizi kendi verinizle yürütürken çıktıyı doğru okumanız için adım adım destek veriyoruz. SPSS nasıl kullanılır rehberimize göz atabilir, veri setinizi paylaşmak için iletişim sayfasından ulaşabilirsiniz.
Kaynaklar
- DergiPark — Regresyon bulgularının makalelerde nasıl raporlandığını gerçek örneklerle görmek için açık erişim dergi platformu.
- YÖK Ulusal Tez Merkezi — Benzer tezlerde regresyon analizinin nasıl sunulduğunu incelemek için resmî tez arşivi.
Bu içerik Tez Pusulası editör ekibi tarafından gözden geçirilmiştir. Son güncelleme: .
Bu yazıda bir hata mı fark ettiniz? Bize bildirin.
Yorumlar
Bu yazıya henüz yorum yapılmamış.