Akademide Sosyal Bilimlerde SPSS ile Analiz Örnekleri

SPSS, sosyal bilimlerde veri analizi için en yaygın kullanılan yazılımlardan biridir. Arayüzünün görsel olması, menü tabanlı komutlarla hızlı analiz yapmaya elverişli olması ve raporlamaya uygun tablolar üretmesi onu özellikle yüksek lisans ve doktora tezlerinde, makalelerde ve kurumsal araştırma raporlarında vazgeçilmez kılar. Ancak SPSS’in gücünden tam yararlanmak, yalnızca “testi çalıştırmak” değil; araştırma sorusunu doğru biçimlendirmek, uygun istatistiği seçmek, varsayımları kontrol etmek, etki büyüklüklerini ve güven aralıklarını raporlamak, sonuçları açıklayıcı görsellerle birleştirmek ve tüm süreci tekrarlanabilir hale getirmekle mümkündür.
Bu makalede, sosyal bilimler bağlamında SPSS ile uçtan uca bir uygulama rehberi sunuyoruz: veri hazırlama, tanımlayıcı istatistiklerden başlayarak karşılaştırmalı testler (t-testi, ANOVA, MANOVA), parametrik olmayan alternatifler (Mann–Whitney U, Kruskal–Wallis), ilişki ve yordama analizleri (korelasyon, regresyon, lojistik regresyon), güvenirlik ve ölçek geliştirme adımları (Cronbach’s alpha, AFA), çapraz tablolar ve ki-kare, tekrarlı ölçümler, karma (mixed) modeller, aracı/moderatör analizleri (PROCESS eklentisi), eksik veri stratejileri (EM/MI), etki büyüklüğü ve görselleştirme. Her bölümde, SPSS menü yolları, uygulama senaryoları, raporlama şablonları ve “teknik notlar” verilecek; somut vaka örnekleriyle sonuçların nasıl yorumlanacağı ortaya konacaktır.

---

1) Veri Hazırlama ve Kod Defteri (Codebook): SPSS’te Temel Hijyen

Amaç: Analize hazır, tutarlı ve belgelenmiş veri.
Adımlar:

• Değişken Özellikleri: Variable View sekmesinde her değişken için Name, Label, Values (kategorik etiketler), Missing (ör. 9=Kayıp), Measure (Nominal/Ordinal/Scale) alanlarını doldurun.

• Kod Defteri: Her değişkenin açıklaması, ölçek yönü (yüksek=iyi/kötü), değer aralıkları, eksik değer kodları ve ölçüm zamanı için bir “codebook” hazırlayın.

• Tutarlılık Kontrolü: Analyze → Descriptive Statistics → Frequencies ile kategorik değişkenlerde beklenmedik değer var mı bakın; Explore ile sayıltı ipuçlarını toplayın.
  Vaka: Lise öğrencilerinin motivasyon ve öz-yeterlik ölçekleri ile devamsızlık günleri verisi. Etiketler/ölçek yönleri net değilse analiz çıkışını yorumlamak güçleşir; codebook buna çare olur.

---

2) Tanımlayıcı İstatistikler ve Görselleştirme: Fotoğrafı Netleştirmek

Menü: Analyze → Descriptive Statistics → Frequencies/Descriptives/Explore

• Ortalama, Ortanca, Standart Sapma, Çarpıklık-Basıklık: Explore çıktısında normallik ipuçları (Shapiro–Wilk, Q–Q grafikleri) da yer alır.

• Grafikler: Graphs → Chart Builder ile histogram, kutu grafiği (boxplot), violin plot alternatifleri; Legacy Dialogs altından hızlı çubuk/çizgi grafikleri.
  Raporlama İpucu: Tanımlayıcıları tabloya aktarırken n, ort., SS ve %95 güven aralıklarını (Eşitlik: Ort. ± t*(SE)) ekleyin.
  Vaka: Motivasyon ölçeği 1–5 arası; ort.=3.48, SS=0.62. Histogramda hafif sağa çarpıklık; Q–Q grafiği büyük sapma göstermiyor. Varsayım kontrollerinde bu “hafif” sapma parametrik testleri engellemez.

---

3) Bağımsız Örneklem t-Testi: İki Grup Karşılaştırması

Senaryo: Cinsiyete göre akademik motivasyon puanları farklı mı?
Menü: Analyze → Compare Means → Independent-Samples T Test

• Grouping Variable: Gender (1=Kadın, 2=Erkek).

• Test Variable(s): Motivation_Total.

• Levene Testi: Varyans homojenliğini sınar. p<.05 ise eşit olmayan varyanslar için düzeltme satırını kullanın.
  Raporlama: Ortalamalar ± SS, t, df, p, Cohen’s d ve %95 GA.
  Örnek Çıktı Yorum: Kadın (n=210, 3.56±0.58), Erkek (n=198, 3.39±0.65), t(406)=3.10, p=.002, d=0.27, %95 GA [0.10, 0.43]. Etki küçük-orta; pratik önem bağlama göre tartışılmalı.

---

4) Eşleştirilmiş t-Testi: Müdahale Öncesi–Sonrası

Senaryo: 8 haftalık okuma programı ön test–son test başarı puanlarını artırdı mı?
Menü: Analyze → Compare Means → Paired-Samples T Test

• Varsayım: Fark puanının normal dağılıma yakınlığı. Explore ile kontrol edilebilir.
  Raporlama: Ön=71.2±10.3, Son=75.0±9.8; t(159)=5.84, p<.001, Cohen’s dz=0.46, %95 GA [0.28, 0.63].
  Teknik Not: Etki büyüklüğünde eşleştirmeyi yansıtan formül (dz) tercih edilmelidir.

---

5) Tek Yönlü ANOVA ve Post-hoc: Üç+ Grup Karşılaştırması

Senaryo: Okul türüne göre motivasyon farkı (Anadolu, Fen, Meslek).
Menü: Analyze → Compare Means → One-Way ANOVA

• Levene: p<.05 ise Welch ANOVA (SPSS’te Brown–Forsythe) ve Games–Howell post-hoc uygundur.

• Etki Büyüklüğü: η² veya ω² raporlayın.
  Örnek Rapor: F(2, 405)=6.72, p=.001, η²=0.032 (küçük). Post-hoc (Tukey): Fen > Meslek (fark=0.22, p=.004).
  Yorum: Etki küçük; ancak belirli okul türlerinde anlamlı farklar var. Politika: kaynak hedeflemesi.

---

6) Tekrarlı Ölçümler ANOVA: Zaman İçinde Değişim

Senaryo: 3 zaman noktasında (T1, T2, T3) motivasyon.
Menü: Analyze → General Linear Model → Repeated Measures

• Sphericity: Mauchly testi; ihlal varsa Greenhouse–Geisser düzeltmesi.

• Grafik: Ortalama ± %95 GA çizgisiyle eğilim.
  Rapor: Zaman etkisi anlamlı, F(2, 318)=9.40, p<.001, ηp²=0.056; T1<T2≈T3.
  Uygulama: Etkiler pairwise comparisons ile raporlanır; GA’lar tabloya eklenir.

---

7) Parametrik Olmayan Alternatifler: Dağılımı Zorlayan Veriler

• Mann–Whitney U: İki bağımsız grup; Analyze → Nonparametric Tests → Independent Samples.

• Wilcoxon İşaretli Sıra: Eşleştirilmiş iki ölçüm.

• Kruskal–Wallis: Üç+ grup için.
  Rapor: “Median (IQR)” tercih edin; etki büyüklüğü için r veya Cliff’s delta verin.
  Vaka: Çarpık devamsızlık verisi için Kruskal–Wallis H(2)=7.8, p=.020; post-hoc Dunn–Bonferroni.

---

8) Çapraz Tablolar ve Ki-Kare: Kategorik İlişkiler

Senaryo: Program (var/yok) × Sınıfı Geçme (evet/hayır).
Menü: Analyze → Descriptive Statistics → Crosstabs (Statistics: Chi-square, Risk; Cells: Row/Column %).

• Ki-Kare: χ²(1)=6.1, p=.013.

• Etki Büyüklüğü: Cramer’s V=0.12 (küçük).

• Risk Ölçüleri: OR ve RR; raporlarken %95 GA ekleyin.
  Yorum: Program, geçme olasılığında küçük ama anlamlı artışla ilişkili.

---

9) Pearson/Spearman Korelasyonları: İlişkilerin Yönü ve Gücü

Menü: Analyze → Correlate → Bivariate

• Pearson: Sürekli, yaklaşık normal.

• Spearman: Sıralı/çarpık dağılım.
  Rapor: r=0.31, p<.001, %95 GA [0.18, 0.43] (Fisher z).
  Uyarı: Korelasyon ≠ nedensellik; üçüncü değişkenleri tartışın.

---

10) Çoklu Doğrusal Regresyon: Yordama ve Etki Büyüklüğü

Senaryo: Başarı (Y) ~ Çalışma Saati + Öz-Yeterlik + SES + Cinsiyet (dummy).
Menü: Analyze → Regression → Linear

• Varsayımlar: Artıkların normalliği, çoklu doğrusal bağlantı (VIF<10), homojenlik (residual plots).

• Rapor: R²=0.28; β_öz-yeterlik=0.22, p<.001, %95 GA [0.12, 0.32]; VIF<2.
  Etki: Standartlaştırılmış katsayıları β kullanın; pratik dil: “1 SD öz-yeterlik ↑ → başarıda 0.22 SD ↑.”

---

11) Lojistik Regresyon: Olasılıklar Üzerinden Yorum

Senaryo: Sınıfı geçme (0/1) ~ Program (0/1) + Devamsızlık + Öz-Yeterlik.
Menü: Analyze → Regression → Binary Logistic

• Çıktı: β katsayıları logit ölçekte; yorum için Odds Ratio (Exp(B)) kullanın.

• Rapor: Program OR=1.42, %95 GA [1.10, 1.86], p=.008; devamsızlık OR=0.96 (her 1 gün ↑ geçme olasılığı düşer).

• Görsel: Olasılık eğrisi ve %95 GA şeridi (SPSS’te Save → Probabilities ile tahminleri alıp Chart Builder’da çizebilirsiniz).
  Pratik Yorum: “Program, geçme olasılığını yaklaşık 4–19 puan artırıyor (temel olasılığa bağlı).”

---

12) Güvenirlik Analizi (Cronbach’s Alpha) ve Madde İstatistikleri

Menü: Analyze → Scale → Reliability Analysis

• Alpha: ≥.70 genellikle kabul edilebilir; McDonald’s ω SPSS’te yerleşik değil ama literatürde önerilir.

• Madde-Toplam Korelasyonu: <.30 olan maddeler revizyona aday.

• “Alpha if Item Deleted” sütunu ölçeği arındırma kararı için ipucu verir.
  Vaka: 12 maddelik Öz-Yeterlik ölçeği α=.86; iki madde 0.28 korelasyonla zayıf → içerik/psikometrik gerekçeyle gözden geçirilir.

---

13) Açımlayıcı Faktör Analizi (AFA): Yapıyı Keşfetmek

Menü: Analyze → Dimension Reduction → Factor

• KMO ve Bartlett: KMO≥.70, Bartlett p<.001 → faktörlenebilirlik.

• Çıkarma: Principal Axis Factoring önerilir (özellikle normallik sapınca).

• Döndürme: Oblimin/Promax (faktörler arası korelasyon beklenir).

• Faktör Sayısı: Paralel analiz (SPSS’te yerleşik değil; eklenti gerekebilir) ve Scree Plot ile karar.
  Rapor: 3 faktör, toplam varyansın %56’sı; madde yükleri ≥.40; çapraz yükleme yok.
  Not: Doğrulayıcı FA SPSS’te sınırlıdır (AMOS modülüyle yapılır); raporda bunu açıklayın.

---

14) MANOVA: Çoklu Bağımlı Değişkenlerle Grup Karşılaştırması

Senaryo: Okul türüne göre motivasyon ve öz-yeterlik birlikte.
Menü: Analyze → General Linear Model → Multivariate

• Testler: Pillai’s Trace genellikle daha sağlam.

• Rapor: Pillai’s V=0.07, F(4, 808)=3.65, p=.006; univariate sonuçlar: motivasyon anlamlı, öz-yeterlik sınırda.
  Yorum: Çoklu çıktıları tek testle kontrol ettiniz; ardından univariate analizlerle ayrıntı.

---

15) Karma (Mixed) Modeller: Kümelenmiş/Çok Düzeyli Veriler

Senaryo: Öğrenciler sınıflarda kümelenmiş; sınıf etkisi göz ardı edilirse SE’ler küçülür.
Menü: Analyze → Mixed Models → Linear

• Rasgele Etkiler: Sınıf için rastgele kesişim; gerekirse rastgele eğim.

• Rapor: Program etkisi β=3.1 (SE=1.2), p=.011; sınıf varyansı anlamlı.
  Yorum: Çok düzeyli yapı dikkate alındığında sonuç daha gerçekçi; genellenebilirlik artar.

---

16) PROCESS ile Aracılık ve Moderasyon (Eklenti)

Not: SPSS çekirdeğinde doğrudan “mediation/moderation” modülü yoktur; PROCESS (Andrew F. Hayes) yaygın bir eklentidir.

• Model 4: Basit aracılık (X→M→Y).

• Model 1: Basit moderasyon (X×W → Y).

• Çıktı: Bootstrap GA’lı dolaylı etkiler; koşullu etkiler tablosu.
  Rapor: Dolaylı etki=0.11, %95 bootstrap GA [0.04, 0.21]; moderasyon için X×Cinsiyet β=-0.18, p=.032.
  Yorum: Mekanizma tartışması ve hedeflenmiş öneriler için veri sağlar.

---

17) Eksik Veri: EM ve Çoklu Atama (MI)

Menü (MI): Analyze → Multiple Imputation → Impute Missing Data Values

• Strateji: Eksik mekanizmasını (MCAR/MAR/MNAR) tartışın; MI döngüsü (m=20 gibi) ve Analyze → Pool ile birleşik sonuçları raporlayın.

• EM: Analyze → Missing Value Analysis ile tahmin edici istatistikler ve EM tahmini.
  Rapor: MI sonrası β ve GA daha istikrarlı; eksik veri raporunu şeffaf verin.

---

18) Etki Büyüklüğü ve Güven Aralıkları: Testten Mesaja

SPSS çoğu testte p-değeri verir; etki büyüklüğü (d, η², OR) ve %95 GAyı eklemeyi alışkanlık edinin.

• Teknik Not: d için pooled SD; ANOVA’da η²/ω²; lojistikte OR için logit GA.
  Rapor Şablonu: “d=0.28, %95 GA [0.10, 0.45], p=.003.”

---

19) Görselleştirme: Chart Builder ile Etkiyi Görünür Kılmak

• Nokta + GA: Ortalama ve %95 GA çubukları.

• Etkileşim Grafiği: Estimated Marginal Means (EMMeans) ile koşullu etkiler.

• Zaman Serisi: Çizgi + belirsizlik şeridi (EMMeans ile).
  İpucu: SE çubuklarını GA sanılmasını engellemek için etiketi “%95 GA” yapın.

---

20) SPSS Syntax: Tekrarlanabilirlik ve Hız

Her menü işlemi bir syntax komutuna dönüştürülebilir (Paste).

• Avantaj: Süreci dokümante eder, tekrar edilebilir kılar, değişiklikleri kontrol etmeyi kolaylaştırır.

• Örnek:

T-TEST GROUPS=Gender(1 2)
/MISSING=ANALYSIS
/VARIABLES=Motivation_Total
/CRITERIA=CI(.95).

Uygulama: Tez eklerine temel syntax’ı koymak hakem güvenini artırır.

---

21) Raporlama Şablonları: Tablo ve Yazım

• t-test/ANOVA: Grup ort., SS, n; fark; d/η²; %95 GA; p.

• Regresyon: β, SE, %95 GA, p, VIF; R² ve ΔR².

• Lojistik: OR (Exp(B)), %95 GA, p; sınıflandırma oranı; AUC (ROC).

• AFA: KMO, Bartlett, faktör sayısı, ortak varyans, yükler, döndürme.
  Yazım Dili: Kesinlikten kaçının; “kanıtlar işaret ediyor” tarzında belirsizliği sahiplenen cümleler.

---

22) Uygulamalı Vaka 1: Okul Tabanlı Okuma Programı

Veri: 3 okul, n=412; ön/son test başarı, motivasyon, SES.
Analiz: Eşleştirilmiş t-testi (ön–son), ANOVA (okul türü), lojistik (geçme).
Sonuçlar:

• Ön–son fark: t(411)=8.20, p<.001, dz=0.40, %95 GA [0.30, 0.50].

• Okul türü: F(2,409)=4.10, p=.017, η²=0.02; Fen > Meslek.

• Lojistik: Program OR=1.34, %95 GA [1.07, 1.68], p=.009.
  Yorum: Etki küçük-orta; düşük SES’te daha belirgin. Pilot yaygınlaştırma önerilir.

---

23) Uygulamalı Vaka 2: Üniversite Öğrencilerinde Zaman Yönetimi

Veri: Zaman Yönetimi Ölçeği (α=.83), not ortalaması (GPA), çalışma saati, bölüm, sınıf.
Analiz: Çoklu regresyon.
Sonuç: R²=0.21; β_zaman=0.23 (GA [0.13, 0.33], p<.001), β_çalışma=0.15 (p=.006). VIF<2.
Yorum: Pozitif ve küçük-orta ilişkiler; nedensellik iddiasından kaçının; yarı-deneysel takip önerin.

---

24) Uygulamalı Vaka 3: İçerik Analizi ve Ki-Kare

Veri: Sınıf içi gözlem kodları (öğrenci katılım düzeyi: düşük/orta/yüksek) × öğretim yaklaşımı (geleneksel/etkileşimli).
Analiz: Çapraz tablo, ki-kare.
Sonuç: χ²(2)=12.9, p=.002; Cramer’s V=0.18.
Yorum: Etkileşimli yaklaşımda “yüksek katılım” oranı artıyor; etki küçük-orta.

---

25) Uygulamalı Vaka 4: AFA ile Ölçek Tasarımı

Veri: 24 madde, n=520.
Analiz: KMO=.91, Bartlett p<.001; PAF + Oblimin.
Sonuç: 3 faktör (öz düzenleme, hedef yönelimi, bilişsel stratejiler), toplam varyans %58; madde yükleri .45–.80. α_faktörler=.82–.88.
Yorum: Kuramsal olarak anlamlı yapı; DFA için AMOS/Mplus önerin.

---

26) Tekrarlı Ölçümler ve Karma Modeller Arası Seçim

• Tekrarlı ANOVA: Sade tasarımlar, sphericity varsayımıyla.

• Karma Model: Kayıp veri ve düzensiz zaman noktalarıyla daha esnek; rastgele etkilerle kümelenmeyi modelleyin.
  Pratik: SPSS GLM Repeated yerine Mixed çoğu saha verisinde daha gerçekçidir.

---

27) Çoklu Karşılaştırmalar ve Yanlış Keşif Oranı (FDR)

ANOVA sonrası çok sayıda post-hoc, çoklu korelasyon matrisleri veya birden çok regresyon modeli çalıştırıyorsanız:

• Bonferroni/Holm (koruyucu) veya FDR (daha esnek) tercih edin.

• SPSS post-hoc’larında Games–Howell/Tukey seçeneklerini net raporlayın.
  Rapor: “20 karşılaştırmada FDR uygulandı; 7 ‘anlamlı’dan 4’ü korundu.”

---

28) Raporlama ve Görsel Şablonlar

• Karar Tablosu: Ölçüt | Grup (n, Ort±SS) | Fark | %95 GA | Etki | p

• Forest Plot: Alt gruplarda d ve GA’ların tek eksende gösterimi (Chart Builder’da seriler halinde).

• Etkileşim Grafiği: Koşullu etkiler + GA şeritleri.
  İpucu: Grafik başlıklarını cümle formunda yazın: “Program düşük SES’te daha belirgin artış sağladı.”

---

29) Sık Yapılan Hatalar ve Çözümler

• Yalnız p-değeri raporu: Etki büyüklüğü + GA ekleyin.

• Varsayım testi yok: Levene, Mauchly, VIF, artıklarda normallik.

• Kümelenmeyi yok saymak: Mixed model kurun.

• Eksik veri silme alışkanlığı: MI/EM kullanın; mekanizmayı tartışın.

• Grafiklerde belirsizlik yok: %95 GA gösterin ve etiketleyin.

• Kod paylaşımı yok: Syntax’ı ekleyin; sürüm notu tutun.

---

30) Denetlenebilirlik ve Açık Bilim: SPSS’te Şeffaflık

• Syntax + Çıktı (SPV) + Veri Sürümü birlikte arşivlenmeli.

• Ek Materyaller: Tüm kararların (varsayım, post-hoc, MI parametreleri) kısa özeti.

• Etik: Anonimleştirme, KVKK/GDPR uyumu, veri erişim koşulları.

---

Sonuç: SPSS ile İkna Edici, Şeffaf ve Uygulanabilir Analiz

Sosyal bilimlerde SPSS’i yalnızca “menüye tıklayıp sonuç almak” için kullanmak, potansiyelin yarısıdır. Tam kapasite kullanım; soru–yöntem–varsayım–etki büyüklüğü–belirsizlik–görselleştirme–raporlama zincirini kurmayı gerektirir. Bu makaledeki yol haritası, araştırma sorusunun netleştirilmesinden veri hazırlığına, doğru test seçiminden karma modellere, eksik veri yönetiminden PROCESS ile aracı/moderatör analizlerine kadar uzanarak tez, makale ve sunumlarınızda metodolojik omurgayı güçlendirir.
İyi bir SPSS analizi;

1. Varsayımları açıklar ve ihlallere çözüm getirir,

2. Etki büyüklüğü ve güven aralıkları ile karar verdirir,

3. Kümelenme ve tekrar ölçümleri gerçeğe uygun modeller,

4. Eksik veriyi bilgiye dönüştürür (MI/EM),

5. Görselleri belirsizliği saklamadan konuşur,

6. Syntax ile yeniden üretilebilirliği güvenceye alır,

7. Raporlama standartlarına (APA, STROBE, CONSORT, COREQ) uyar.
   Sonuçta ortaya çıkan şey yalnızca “istatistiksel olarak anlamlı” tablolar değil; bağlamı olan, uygulanabilir, etik ve güvenilir bir bilimsel anlatıdır. Sınıf içinde bir müdahalenin etkisinden, üniversite öğrencilerinin başarı dinamiklerine, okul içi içerik analizlerinden ölçek geliştirme projelerine kadar geniş bir yelpazede SPSS, elinizde doğru yöntemle birleştiğinde güçlü bir karar destek aracına dönüşür. Sizin göreviniz, bu aracı sorulara sadık, varsayımlara dikkatli, belirsizliğe dürüst ve raporlamada şeffaf biçimde kullanmaktır.

Akademi Delisi, eğitim ve akademik destek alanında kapsamlı hizmetler sunan öncü bir platformdur. Öğrencilerin akademik başarılarına yön verirken, onları bilgiyle buluşturmayı ve potansiyellerini en üst düzeye çıkarmayı amaç edinmiş bir ekibiz. Sitemiz bünyesinde ödevlerden projelere, tezlerden makalelere kadar geniş bir yelpazede destek sağlıyoruz. Alanında uzman yazarlarımız, öğrencilere özgün içerikler sunarken, aynı zamanda onlara araştırma, analiz ve yazım konularında rehberlik ederek kendilerini geliştirmelerine yardımcı oluyor.
Akademik hayatın zorluklarıyla başa çıkmak artık daha kolay. Akademi Delisi olarak, öğrencilere sadece ödevlerinde değil, aynı zamanda araştırma projelerinde, tez çalışmalarında ve diğer akademik gereksinimlerinde de destek sağlıyoruz. Sunduğumuz kaliteli hizmetler sayesinde öğrenciler zamanlarını daha verimli bir şekilde kullanabilirler. Uzman ekibimiz, her bir öğrencinin ihtiyaçlarına özel çözümler üreterek, onların akademik hedeflerine ulaşmalarına katkı sağlar.
Gelişmiş kaynaklara erişimden akademik yazım kurallarına, araştırma yöntemlerinden kaynakça oluşturmaya kadar her aşamada öğrencilere destek sunan Akademi Delisi, eğitimde yeni bir perspektif sunuyor. Amacımız, öğrencilere sadece geçici çözümler değil, aynı zamanda uzun vadeli öğrenme ve başarıya giden yolda rehberlik etmektir.