Boş Zaman Çalışmalarında Bayesçi Doğrusal Regresyon Analizinin Kullanımı

Year 2025, Volume: 36 Issue: 2, 144 - 152, 21.10.2025

Özkan Tütüncü

https://doi.org/10.17123/atad.1805238

Abstract

Nicel boş zaman araştırmalarında klasik frekansçı yaklaşım çok yaygın olarak kullanılmakla birlikte, Bayes teoreminin yeterince yer almadığı görülmektedir. Bu çalışmada boş zaman motivasyonunun (İçsel motivasyon: bilme, başarma, deneyim hazzı; Dışsal motivasyon: içselleştirme, statü, kimlik ve Amotivasyon) spor yaşamı kalitesi üzerindeki etkisi Bayesçi doğrusal regresyon analizi ile incelenmiştir. İçselleştirme, deneyim hazzı, amotivasyon ve statüyü içeren dört boş zaman motivasyonu değişkeninin yer aldığı model, spor yaşamı kalitesini 64,56 kat daha iyi tahminleme olasılığına (BFM) sahiptir. Frekansçı regresyon analizinde tüm boş zaman motivasyonları değişkenleri ile daha fazla R2 elde edilmesine rağmen, bu modelin yukarıdaki dört değişkenli modele göre kabul edilme olasılığı (BF10) sadece 0,0174’tür. Bayesçi doğrusal regresyon analizinin, klasik frekansçı yaklaşıma ek olarak kullanılması, araştırmalardan elde edilecek istatistiksel çıkarımların zenginleştirilmesine yardımcı olabilecektir.

Keywords

Boş zaman çalışmaları , Boş zaman motivasyonu , Spor yaşamı kalitesi , Bayesçi doğrusal regresyon analizi

Using Bayesian Linear Regression Analysis in Leisure Studies

Abstract

It is seen that the classical frequency approach is widely used in quantitative leisure studies. However, Bayes’ theorem is not sufficiently evaluated and used. The effects of leisure motivation (Intrinsic motivation: to know, to accomplish, to experience stimulation; Extrinsic motivation: identified, introjected, external regulation and Amotivation) on quality of sports life within the context of Bayesian linear regression analysis, were examined comparatively in this study. The model with the four leisure motivation variables, which includes introjected, experience stimulation, amotivation and status, has the probability to predict the quality of sports life 64.56 (BFM) times better. Despite the fact that all the variables of leisure motivation in frequentist regression analysis are achieved more R2 value, the observed data are only 0.017 (BF10) times more likely under the model containing all the variables of leisure motivation as a predictor compared to the model that also specifies four variables of leisure motivation. The adoption of the Bayesian linear regression analysis in addition to the classical frequentist approach will help to enhance the statistical inferences from research studies.

Keywords

Leisure studies , Leisure motivation , Quality of sports life , Bayesian linear regression analysis

References

• Brière, N.M., Vallerand, R.J., Blais, M.R. ve Pelletier, L.G. (1995). Développement et Validation d’une Mesure de Motivation Intrinsèque, Extrinsèque et d’Amotivation en Contexte Sportif: L’Échelle de Motivation dans les Sports (EMS), International Journal of Sport Psychology, 26(4): 465-489.
• Barbieri, M. M. ve Berger, J. O. (2004). Optimal Predictive Model Selection, The Annals of Statistics, 32(3): 870–897.
• Faulkenberry, T. J. (2020). How to do Bayesian Linear Regression in JASP – A Case Study on Teaching Statistics, JASP, https://jasp-stats.org/2020/11/26/how-todo-bayesian-linear-regression-in-jasp-a-case-study-onteaching-statistics/, Erişim Tarihi: 06 Ekim 2025.
• Heo, I. ve Van de Schoot, R. (2020). Advanced Bayesian Regression in Jamovi, Rens van de Schoot, https:// www.rensvandeschoot.com/tutorials/advanced-bayesianregression-in-jamovi/, Erişim Tarihi: 06 Ekim 2025.
• Hinne, M., Gronau, Q. F., van den Bergh, D. ve Wagenmakers, E. J. (2020). A Conceptual Introduction to Bayesian Model Averaging, Advances in Methods and Practices in Psychological Science, 3(2), 200-215.
• Hoeting, J. A., Madigan, D., Raftery, A. E. ve Volinsky, C. T. (1999). Bayesian Model Averaging: A Tutorial, 14(4), 382-417.
• JASP Team (2018). JASP Yazılım Programı, https://jasp-stats. org. Erişim Tarihi: 01 Mayıs 2025.
• Lee, S. Y. ve Song, X. Y. (2004). Evaluation of the Bayesian and Maximum Likelihood Approaches in Analyzing Structural Equation Models with Small Sample Sizes, Multivariate Behavioral Research, 39(4): 653–686.
• R Core Team (2021). R: A Language and Environment for Statistical Computing. (Version 4.1) [Bilgisayar Yazılımı]. https://cran.r-project.org, Erişim Tarihi: 01 Mayıs 2025.
• Morey, R. D. ve Rouder, J. N. (2018). BayesFactor: Computation of Bayes Factors for Common Designs. [R package]. https://cran.r-project.org/package=BayesFactor, Erişim Tarihi: 01 Mayıs 2025.
• Pelletier, L. G., Tuson, K. M., Fortier, M. S., Vallerand, R. J., Briére, N. M. ve Blais, M. R. (1995). Toward a New Measure of Intrinsic Motivation, Extrinsic Motivation, and Amotivation in Sports: The Sport Motivation Scale (SMS), Journal of Sport and Exercise Psychology, 17(1): 35-53.
• Rouder, J. N., Speckman, P. L., Sun, D., Morey, R. D. ve Iverson, G. (2009). Bayesian t Tests for Accepting and Rejecting the Null Hypothesis, Psychonomic Bulletin and Review, 16(2): 225-237.
• The Jamovi Project (2022). Jamovi. (Version 2.3) [Bilgisayar Yazılımı]. https://www.jamovi.org. Erişim Tarihi: 01 Mayıs 2025.
• Tütüncü, Ö. (2024). Boş Zaman Çalışmalarında İstatistiksel Geçerlik/Doğrulama Üzerine Farklı Yaklaşımlar: Rasch Analizi, Anatolia: Turizm Araştırmaları Dergisi, 35(2): 236-245.
• Tütüncü, Ö. (2025). Boş Zaman Çalışmalarında Farklı İstatistiksel Yaklaşımlar: BAYES Teoremi, Anatolia: Turizm Araştırmaları Dergisi, 36(1): 127-136.
• van de Schoot, R., Kaplan, D., Denissen, J., Asendorpf, J. B., Neyer, F. J. ve Van Aken, M. A. G. (2014). A gentle introduction to Bayesian analysis: Applications to developmental research, Child Development, 85(3): 842–860.
• van den Bergh, D., Clyde, M. A., Gupta, A. R. K. N., de Jong, T., Gronau, Q. F., Marsman, M., Ly, A. ve Wangenmakers, E.-J. (2020). A tutorial on Bayesian Multimodel Regression with BAS and JASP, Behavior Rsearch Methods, 53(6): 2351-2371.
• Wang D., Zhang W. ve Bakhai A. (2004). Comparison of Bayesian Model Averaging and Stepwise Methods for Model Selection in Logistic Regression, Statistics in Medicine, 23(22): 3451-3467