1) Ön Hazırlık ve İzinler: Neden Bu Ölçek? Hangi Lisansla?

Uyarlama gerekçesi (literatürde boşluk, yerel bağlam farkı, mevcut ölçeğin sorunları) açıkça yazılmalı; orijinal geliştiriciden yazılı izin ve lisans koşulları (akademik kullanım, ticari kullanım, uyarlama hakkı) netleşmelidir.
Uygulama:

• Ölçeğin kuramsal çerçevesini ve raporlanan psikometrik göstergelerini (CFI/TLI, RMSEA, α/ω, örneklem) özetleyin.

• Tezinizin etik kurul onayı alın; veri saklama/gizlilik planını hazırlayın.
  Örnek Metin: “Yazar(lar)dan 12.06.2025 tarihinde uyarlama izni alınmış, ölçek yalnız akademik kullanım için lisanslanmıştır.”

2) Kavramsal Eşdeğerlik: Aynı Ad, Aynı Anlam mı?

Kültürler arası uyarlamada ilk risk, “adı aynı fakat içeriği farklı” kavramlardır.
Adımlar:

• Literatür taramasıyla kavramın yerel bağlamdaki karşılığını ve yakın kavramları haritalayın.

• Hedef popülasyonda 6–10 kişilik bilişsel görüşmeler: “Bu maddeyi nasıl anladınız?”

• Gerekirse alt boyutların tanımlarını yeniden yazın; kavramsal eşleştirme tablosu hazırlayın.
  Çıktı: Uyarlanan her madde için kavramsal gerekçe notu.

3) İleri–Geri Çeviri (Forward–Back Translation) ve Uzman Paneli

Standart yol:

1. İleri çeviri (en az iki bağımsız çevirmen).

2. Uzman paneli (alan uzmanı + dilbilimci + yöntemci) ile uzlaşı sürümü.

3. Geri çeviri (orijinali görmeyen çevirmen).

4. Geliştiriciyle uzlaşı (geri çevirinin orijinale yakınlığına ilişkin geribildirim).
   İlke: Anlam eşdeğerliği > kelime eşdeğerliği. Maddelerde deyimsel/kültürel içerikleri “işlevsel eşdeğer” ifadelerle karşılayın.

4) Bilişsel Görüşmeler ve Ön Test: Anlam Boşluklarını Yakalamak

Teknik: Think-aloud ve probing soruları ile madde anlaşılabilirliğini ve bilişsel süreçleri test edin.
Örnek Probing: “Bu maddede ‘düzenli’ derken ne sıklığı düşündünüz?”, “Bu ifadeyi günlük hayatınızda hangi örnekle ilişkilendiriyorsunuz?”
Karar Kriteri: Yanlış anlaşılan, kültürel olarak uzak ya da belirsiz maddeler revize edilir veya çıkarılır.

5) Örneklem Tasarımı ve Güç: AFA–DFA İçin N Kaç Olmalı?

• AFA: Genel kural m=madde sayısının 5–10 katı; ancak yüklenme gücüne duyarlı plan yapın (yük ≥ .40 hedeflenir).

• DFA/SEM: Model karmaşıklığı, göstergeler ve serbestlik derecesine göre minimum 200 önerilir; power ve GA genişliği hedefinizle uyumlu örneklem planlayın.

• Bölünmüş örneklem: AFA için kalibrasyon, DFA için doğrulama örneklemi ayırın (veya iki dalga veri).

6) Pilot Uygulama: Mekanik Sorunları Erken Yakalamak

Pilot (n≈50–150), dağılım, tavan–taban etkileri, madde–toplam korelasyonları, cevap seçeneklerinin ayırt ediciliği, eksik veri örüntülerini gösterir.
Düzeltmeler: Aşırı çarpık maddeler için ifade yumuşatma, yanıt seçeneklerinin sayısını/çapalarını ayarlama (ör. 7’den 5’e).

7) Madde Analizi: Ayırt Edicilik, Zorluk ve Yanıt Davranışı

• Klasik Test Kuramı (CTT): Madde–toplam r ≥ .30 önerilir; “α if deleted” ile katkısı az maddeleri tartışın.

• Madde Tepki Kuramı (IRT): 2PL/GRM ile ayırt edicilik (a) ve zorluk (b) parametrelerini inceleyin; bilgi fonksiyonlarıyla ölçeğin hangi düzeyde daha hassas ölçtüğünü raporlayın.

• Seçenek İşleyişi: Oran dağılımı, category threshold sıralaması (ordinal veri için).

8) Açımlayıcı Faktör Analizi (AFA): Yapıyı Keşfetmek

• Ön koşullar: KMO≥.70, Bartlett p<.001.

• Çıkarma yöntemi: Principal Axis Factoring (normallik varsayımı esnek).

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

• Faktör sayısı: Paralel analiz + scree plot; tek başına özdeğer>1 kullanmayın.

• Yük eşikleri: ≥.40; çapraz yükler ≤.30.
  Rapor: Tablo—madde yükleri, ortak varyans, çıkarılan/ revize edilen maddeler gerekçeleriyle.

9) Doğrulayıcı Faktör Analizi (DFA): Modelin Sınaması

• Uyum Ölçütleri: CFI/TLI≥.90 (ideal ≥.95), RMSEA≤.08 (ideal ≤.06), SRMR≤.08.

• Modifikasyon İndeksleri: Yalnız kuramsal gerekçe varsa uygulanır.

• Kısa Ölçek Tasarımı: Parçalama (item parceling) yalnız tek boyutlu ve yüksek iç tutarlılıkta; aksi halde yapıyı maskeler.

• Alternatif Modeller: Tek boyut, hiyerarşik, bifaktör—karşılaştırın (ΔCFI≤.01 kuralı).
  Şekil: Yol diyagramı, standartlaştırılmış yükler ve hata terimleri.

10) Güvenirlik: Alfa mı, Omega mı, Hangisi Ne Zaman?

• Cronbach α: Alt sınır; tau-eşitliği varsayımına duyarlı.

• McDonald ω: Önerilir; özellikle faktör yükleri farklıyken daha gerçekçi.

• Bileşik Güvenirlik (CR) ve Ortalama Varyans Çıkarımı (AVE): Yapısal geçerlik bölümünde raporlayın (AVE≥.50 öneri).

• Zamana Göre Tutarlılık: Test–tekrar test (r≥.70 hedef), eğer değişmezlik bekleniyorsa.

11) Geçerlik Kanıtları: Kapsam, Yapı, Ölçüt, Yakınsak–Ayrışan

• Kapsam Geçerliği: Uzman panel skorları (I-CVI, S-CVI) ile madde kapsam yeterliği.

• Yapı Geçerliği: AFA/DFA + ölçüm eşdeğerliği (bkz. Bölüm 12).

• Yakınsak–Ayrışan: AVE≥.50; √AVE komşu faktör korelasyonundan büyük (Fornell–Larcker) ve/veya HTMT<.85.

• Ölçüt Geçerliği: Dış kriterlerle korelasyon/ayrım (known-groups).

12) Ölçüm Eşdeğerliği (Measurement Invariance): Grup/Zaman Karşılaştırmalarının Sigortası

Düzeyler:

1. Yapısal (configural): Aynı faktör yapısı.

2. Metrik: Yükler eşit.

3. Skalar: Kesişimler (intercepts) eşit.

4. Artık (strict): Hata varyansları eşit.
   Karar: ΔCFI≤.01 ve ΔRMSEA≤.015 korunuyorsa bir üst düzeye geçilir. Skalar eşdeğerlik sağlanmadan grup ortalaması karşılaştırmayın.
   Uygulama: Cinsiyet, okul türü, kültürler arası karşılaştırmalar için zorunlu bir aşama.

13) Kısaltma ve Uyarlama Kararları: 24 Maddeden 12’ye…

• Kısa form gerekçesi: Uygulama bağlamı, yük azlığı, psikometrik verim.

• Seçim: En yüksek yük ve ayırt edicilik; içerik kapsamı korunmalı (her alt boyuttan temsil).

• Karşılaştırma: Kısa formun DFA uyumu, ω/CR/AVE değerleri; uzun formla korelasyon.

• Etki: Kısaltma sonrası ölçüm duyarlığı (IRT bilgi eğrisi) raporlanmalı.

14) Normlar, Kesme Noktaları ve Yorumlama Kılavuzu

• Norm Çalışması: Yaş/cinsiyet/bağlam kırılımlarıyla yüzde/stanin/ T-puanları.

• Kesme Noktası: ROC analizi ile duyarlılık–özgüllük dengesi; Youden J veya politika/klinik gerekçeli eşik.

• Yorum: Etki büyüklüğü ve güven aralığı ile birlikte pratik çeviri: “≥24 puan yüksek risk (SN=.78, SP=.72).”

15) Çok Dilli–Çok Kültürlü Uyarlamalar: Çapraz Yürüyen İş Akışı

Aynı anda birden fazla dil uyarlanıyorsa:

• Ortak kavramsal sözlük, merkezi uzman panel, harmonize geri çeviri.

• Çok gruplu DFA ile eşzamanlı eşdeğerlik testi; farklı dillerde sorunlu maddeler için eşdeğer alternatif ifadeler.

16) Veri Kalitesi ve Yanıt Önyargıları: Dürüst Ölçüm İçin Filtreler

• Dikkat kontrol maddeleri, aşırı hızlı tamamlama, düz yanıt kalıpları (straight-lining), sosyal beğenirlik (MCSDS vb.).

• Çözüm: Şeffaf dışlama kriterleri, sosyal beğenirlik için kovaryat kontrolü veya partial correlation yorumları.

• Rapor: Dışlama akış diyagramı ve duyarlılık analizi (dışlamadan önce/sonra sonuç stabil mi?).

17) Ölçek Puanlama: Yön, Standartlaştırma, Kayıp Yönetimi

• Yön: Ters maddeler _r ile yeniden kodlanır; yüksek puan “daha fazla X”ı ifade etmeli.

• Toplama/Ortalama: Boyut düzeğinde hesap; missing için en az %70 doluluk kuralı (veya MI).

• Standartlaştırma: Z / T puanları; farklı ölçeklerin karşılaştırılabilirliği.

• Çok Boyutlu Puan: Ağırlıklı toplam (yüklerle) tartışmalı; gerekçesiz yapılmamalı.

18) AFA–DFA Rapor Şablonları: Tablolar ve Şekiller

Tablo AFA: Madde | Faktör 1 yük | Faktör 2 yük | Ortak Varyans | Not (çıkarım gerekçesi).
Tablo DFA: Yükler (standartlaştırılmış), hata terimleri, korelasyonlar.
Uyum Tablosu: χ²/df, CFI, TLI, RMSEA [GA], SRMR; alternatif modeller.
Şekil: Yol diyagramı; alt yazıda veri kaynağı, örneklem, yazılım/paket sürümü.

19) Yapısal Eşitlik ve İlişkisel Geçerlik: Puanlar Modelin İçinde

Uyarlanan ölçeği bağlamsal bir yapısal model içine yerleştirerek ilişki kalıbını doğrulayın:

• “Motivasyon → Çalışma Saati → Başarı” gibi.

• Aracılık için bootstrap GA; moderasyon için çok gruplu veya etkileşim terimleri.

• Uyarı: Ölçüm modeli sağlam değilse yapısal sonuçlara güvenilmez.

20) Açık Bilim ve Yeniden Üretilebilirlik: Kod, Veri, Sürüm

• Paylaşım: Anonimleştirilmiş veri + kod (R/ Python/ Mplus/AMOS) + codebook + uyarlama notları (çeviri sürümleri, panel tutanakları).

• Sürümleme: OSF/Git; “scale_tr_TR_v1.2.docx” gibi net adlandırma.

• Şeffaflık: Tüm karar anlarını (madde çıkarma, modifikasyon) changelog ile belgeleyin.

21) Etik: Telif, Kültürel Hassasiyet, Katılımcı Onuru

• Telif–Lisans: Orijinal geliştiricinin şartlarına uyun; ticari kısıtlar varsa belirtin.

• Kültürel Hassasiyet: Stereotip üreten veya ayrımcı çağrışımları olan maddeleri dönüştürün ya da kaldırın.

• Katılımcı Onuru: Özellikle hassas temalarda (sağlık, kimlik) mahremiyeti ve minimum yük ilkesini gözetin.

22) Vaka 1—Öğrenci Özyeterlik Ölçeği Uyarlaması (TR)

Süreç: İleri–geri çeviri; uzman paneli; bilişsel görüşmeler (n=12).
Pilot: n=120; KMO=.91, Bartlett p<.001; AFA’da üç faktör (öz-düzenleme, strateji kullanımı, kalıcılık), toplam varyans %58.
DFA (doğrulama, n=420): CFI=.95, TLI=.94, RMSEA=.052; yükler .54–.82.
Güvenirlik: ω=.88 (toplam), alt boyutlar .82–.86.
Eşdeğerlik: Cinsiyette metrik ve skalar sağlandı (ΔCFI=.004); ortalama farkı kızlarda +0.18 SD.
Yorum: Kısa form (12 madde) tasarlandı; bilgi eğrisi orta–yüksek düzeyde en hassas.

23) Vaka 2—Örgütsel Adalet Ölçeği: Çok Gruba Eşdeğerlik

Bağlam: Öğretmenler (devlet/özel okul), farklı bölgeler.
DFA: Dört faktör (dağıtımsal, işlemsel, etkileşimsel, bilgisel).
Eşdeğerlik: Bölge için metrik sağlandı; skalar kısmi (3 madde kesişimleri serbest).
Sonuç: Bölgesel ortalama farkları, kısmi skalar modelle temkinli yorumlandı.

24) Vaka 3—Sağlık Alanında Kısaltma ve Kesme Noktası

Ölçek: Kısa depresyon taraması (9→6 madde).
DFA: CFI=.97, RMSEA=.045; ω=.85.
ROC: Klinik tanı altın standart; AUC=.89; eşik ≥12 (SN=.80, SP=.78).
Politika: Birinci basamak tarama; yüksek puanlarda ikinci değerlendirme protokolü.

25) Sık Yapılan Hatalar ve Kaçınma Yolları

• Yalnız çeviri, psikometrik kanıt yok: AFA/DFA ve geçerlik raporları zorunlu.

• Ölçüm eşdeğerliği atlanıyor: Grup karşılaştırmaları yanıltıcı olur.

• Modifikasyon indeksleriyle model “oynama”: Kuramsal gerekçe olmadan hata kovaryansı verilmez.

• Sadece α raporu: ω/CR/AVE ekleyin; test–tekrar test planlayın.

• Çapraz yükü yüksek maddeyi sırf sevildi diye tutmak: Yapı geçerliğini bozar.

• Dışlama kriterleri belirsiz: Veri kalitesi akış diyagramı ve duyarlılık analizi paylaşın.

26) Tez Yazımında Raporlama Şablonu (APA/STS/COPE Uyumlu)

1. Giriş: Kavramın kuramsal temeli, yerel bağlam, uyarlama gerekçesi.

2. Yöntem: İzinler, çeviri süreci, uzman panel, bilişsel görüşmeler, örneklem, etik onay.

3. Prosedür: Pilot, AFA/DFA örneklemleri ve yazılımlar.

4. Bulgular: AFA (KMO, Bartlett, yükler), DFA (uyum indeksleri), güvenirlik (α, ω, CR, AVE), eşdeğerlik testleri.

5. Ek Analizler: IRT, kısa form, ROC, normlar.

6. Tartışma: Sınırlılıklar (ör. örneklem temsiliyeti), güçlü yanlar, uygulama önerileri.

7. Ekler: Ölçek formu (uyarlanan dil), codebook, izin yazıları, syntax/R kodu.

27) Yazılım ve İş Akışı: R–Mplus–lavaan–JASP–Jamovi–SPSS Amos

• R/lavaan/semTools/psych: AFA–DFA–eşdeğerlik–ω/CR/AVE–HTMT.

• Mplus: Gelişmiş invariance, IRT, bifaktör, bayes.

• JASP/Jamovi: Menü tabanlı, teze uygun tablolar.

• AMOS/SmartPLS: AMOS (CB-SEM), PLS-SEM dikkatli kullanılmalı (keşif/küçük örneklem bağlamında).

• Reprodüksiyon: Quarto/Rmd ile rapor–kod çift yönlü üretim.

28) İleri Konular: DIF, Çok Boyutlu IRT ve Bayesçi Doğrulama

• DIF (Differential Item Functioning): Cinsiyet/bölgeye göre maddelerin haksız avantajı? (Mantel–Haenszel, IRT-LR).

• Çok Boyutlu IRT: Alt boyutlar arası korelasyonu hesaba katan ölçüm; bilgi dağılımını hassaslaştırır.

• Bayesçi DFA/SEM: Zayıf bilgilendirici öncellerle küçük örneklemde kararlı tahminler; credible interval iletişimi.

29) “Araştırma–Uygulama Köprüsü”: Puanların Karara Çevrilmesi

Uyarlanan ölçekler yalnız akademik egzersiz değil; müdahale, danışmanlık ve politika kararlarını etkiler.

• Raporlama dili: “Bu puan aralığı X davranışına işaret eder” gibi bağlamlı ifadeler.

• Hata ve belirsizlik: Puanın GA/T puanı ve ölçüm hatası payı; kırmızı-yeşil etiketi yerine “sarı bölge” mantığı.

• Adalet: Eşdeğerlik ve DIF sonuçlarını paydaşlarla konuşun; gerekirse madde revizyon döngüsünü sürdürün.

30) Sonuç: Dile Getirilen Kavramdan Ölçülebilir Kanıta

Ölçek uyarlama; kavramı yeni bir dile saygıyla, yeni bir bağlama duyarlılıkla ve bilimin gerektirdiği psikometrik titizlikle taşımaktır. Güçlü bir uyarlama çalışması:

1. Kavramsal eşdeğerliği kanıtlar,

2. Çeviri–geri çeviri–bilişsel görüşme üçlüsüyle dilsel berraklık sağlar,

3. AFA/DFA ile yapıyı doğrular; ω/CR/AVE ve ölçüt–yakınsak–ayrışan geçerliği raporlar,

4. Ölçüm eşdeğerliği olmadan grup/zaman karşılaştırmasına girişmez,

5. IRT ve DIF ile madde düzeyi adaleti sınar,

6. Kısa form ve norm/ROC ile uygulamayı kolaylaştırır,

7. Açık bilim ve etik ilkelerle süreci denetlenebilir kılar.
   Tezinizde bu omurgayı kurduğunuzda, ölçeğiniz yalnızca “Türkçe’ye uyarlanmış” olmayacak; bilimsel topluluk tarafından güvenilir bir ölçüm aracı olarak kabul görecektir. Ölçekler, kavramların sahadaki sesi ise, iyi bir uyarlama o sesi doğru frekansta duyurmaktır.

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.

The post Akademik Tezlerde Ölçek Uyarlama ve Analiz Aşamaları first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.

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.

The post Akademide Sosyal Bilimlerde SPSS ile Analiz Örnekleri first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.