1) Kuramsal Çerçeve: “Neyi, Neden, Hangi Boyutlarda Ölçüyoruz?”

AFA/DFA sürecinin ilk sayfası kuramsal sahnedir. “Akademik motivasyon” örneğinde öz-düzenleme, strateji kullanımı ve kalıcılık gibi alt boyutlar kuramsal olarak gerekçelendirilir.
Uygulama: Her alt boyut için kısa tanım + beklenen madde örnekleri + olası birlikte değişim gerekçesi.
Örnek Olay: Uzaktan eğitim doyumunda “teknik erişim” ile “etkileşim” faktörleri beklenir; üçüncü bir “öğretmen geri bildirimi” faktörü kuramdan destek alıyorsa AFA’da görünmesi şaşırtıcı değildir.

2) Veri Hazırlığı ve Varsayımlar: Önce Hijyen

AFA/DFA başlamadan önce madde dağılımlarını, aykırı değerleri ve kodlama yönlerini kontrol edin.

• Ölçek yönü: Ters maddeler _r ile yeniden kodlanmalı.

• Eksik veri: MAR varsayımında Çoklu Atama (MI) veya FIML; MCAR testleri yardımcı, MNAR şüphesinde duyarlılık analizleri şart.

• Çok değişkenli düzgünlük: DFA’da özellikle önemli; Mardia katsayısı ve sağlam (robust) kestirimler (MLR, WLSMV) seçenekleri.
  Örnek Olay: Aşırı çarpık üç maddeyi likert çapalarını netleştirip yeniden toplayınca faktör yapısı belirginleşti.

3) Örneklem ve Güç: Yükleri Güvenle Yakalamak

Klişe “madde başına 5–10 kişi” kuralı tek başına yeterli değildir.

• AFA gücü: Yük büyüklüğü (≥.40 hedef), faktör sayısı ve komunallikler ile artar; paralel analiz gücün planlanmasında yol gösterir.

• DFA gücü: Uyum indekslerindeki sapmaya duyarlıdır; model karmaşıklığı ve örneklem boyutu birlikte düşünülmelidir (≥200 öneri; karmaşık, çok faktörlü modellerde daha fazla).
  İpucu: AFA ve DFA’yı farklı örneklemlerle yapmak (ya da örneklemi ikiye bölmek) doğrulama güvenini yükseltir.

4) AFA’da Çıkarma Yöntemleri: Temel Eksen mi, Maksimum Olabilirlik mi?

• Principal Axis Factoring (PAF): Düzgünlük varsayımına daha az duyarlı; sosyal bilimlerde sık.

• Maximum Likelihood (ML): İstatistiksel çıkarım (χ², GA) sağlar; normallik daha kritik.
  Karar: Veri normallikten sapmışsa PAF, uygunluk testleri ve karşılaştırmalar gerekliyse ML; karma durumlarda ikisini de deneyip duyarlılık analizi raporlanmalı.

5) AFA’da Faktör Sayısı: Özdeğer>1 Kuralına Takılmayın

İyi uygulamada paralel analiz ve eğim grafiği (scree plot) birlikte kullanılır; MAP (Minimum Average Partial) testi yararlıdır.
Örnek Olay: Özdeğer>1 dört faktör önerse de paralel analiz üç faktör gösterdi; dört faktör modeli çapraz yükleri artırdı ve yorum gücünü düşürdü. Üç faktör çözümünde maddeler anlamlı kümelendi.

6) AFA’da Döndürme: Varimax Her Derde Deva Değil

• Ortogonal (Varimax): Faktörler arası korelasyonun sıfıra yakın olduğu varsayılır; gerçek hayatta ender.

• Oblik (Oblimin/Promax): Faktörler arası ilişkiye izin verir; yorum gücü daha yüksektir.
  İlke: Sosyal ölçümlerde boyutlar çoğu zaman ilişkilidir; oblik döndürme varsayımları gerçekçidir.

7) AFA Raporu: Yükler, Komunallikler, Çapraz Yükler

AFA tablosunda her madde için ana yüke ek olarak komunallik (h²) ve çapraz yük alanı gösterilmelidir.

• Eşikler: Ana yük ≥.40; çapraz yük ≤.30; h²≥.30 arzulanır.

• Örnek Rapor: “Madde M7, F2’de .62 yüklenmiş, F1’de .28; h²=.46; kavramsal örtüşme nedeniyle revize edilmiştir.”
  Dipnot: Döndürme türü, çıkarma yöntemi, faktörlere verilen adların gerekçesi.

8) DFA’ya Geçiş: Keşfi Teste Bağlamak

AFA’dan elde edilen yapı (ör. 3 faktör, belirli madde kümeleri) DFA’da model olarak test edilir.

• Göstergeler: Her madde yalnız bir faktöre yüklenir (çapraz yükler 0’a sabit).

• Hata kovaryansları: Kuramsal gerekçe olmadan eklenmez; modifikasyon indeksleri cazip ama tehlikelidir.
  Örnek Olay: AFA’da birlikte görünen iki madde çok benzer içerikliyse DFA’da hata kovaryansı verilebilir; gerekçeyi metinde yazın.

9) DFA Uyum İndeksleri: Neyi, Neden, Ne Kadar?

• İyi Uyum Aralıkları (yaygın öneriler): CFI/TLI ≥ .90 (ideal ≥ .95), RMSEA ≤ .08 (ideal ≤ .06), SRMR ≤ .08.

• χ² İstatistiği: Örneklem büyüdükçe duyarlıdır; tek başına karar ölçütü değildir.

• Raporlama: Uyum endeksleri birlikte sunulmalı; “CFI=.95, TLI=.94, RMSEA=.052 [GA .045–.059], SRMR=.043”.

10) DFA’da Parametre Tahmini: ML, MLR, WLSMV

• ML: Sürekli ve normal varsayımına yakın veride.

• MLR (Robust ML): Normallik ihlallerine dayanıklı.

• WLSMV: Sıralı (Likert) maddelerde sıklıkla daha uygundur; polikhorik korelasyonları kullanır.
  İpucu: Likert veride WLSMV ile ML/MLR sonuçlarını duyarlılık olarak karşılaştırın; farklar büyükse seçiminizi gerekçelendirin.

11) Alternatif Modeller: Tek Boyut, Hiyerarşik ve Bifaktör

• Tek Boyut: Tüm maddeler tek faktöre yüklenir—genellikle uyum zayıflar.

• Hiyerarşik (Yüksek Düzen): Alt faktörler ortak bir üst faktöre bağlanır.

• Bifaktör: Her madde hem genel faktöre hem de özel alt faktöre yüklenir; ω_h (omega hierarchical) yorumuna olanak tanır.
  Rapor: Modeller arası karşılaştırmalı uyum (ΔCFI, ΔRMSEA) ve kuramsal gerekçeler beraber verilmelidir.

12) Güvenirlik ve Yakınsak–Ayrışan Geçerlik: Alfa’nın Ötesinde

• McDonald ω (toplam ve hiyerarşik), CR (bileşik güvenirlik) ve AVE (ortalama varyans çıkarımı) raporlanmalı.

• Yakınsak: AVE≥.50 ve faktör yüklerinin yüksekliği.

• Ayrışan: Fornell–Larcker (√AVE > faktörler arası korelasyon) veya HTMT < .85/.90 kanıtları.
  Örnek: “Motivasyon–strateji korelasyonu .62; √AVE_mot=.73 > .62 → ayrışan geçerlik yeterli.”

13) Ölçüm Eşdeğerliği (Invariance): Karşılaştırmanın Sigortası

Gruplar (cinsiyet, okul türü, kültür) arasında puan karşılaştırmadan önce eşdeğerlik sınanır.

1. Configural: Yapı aynı mı?

2. Metrik: Yükler eşit mi?

3. Skalar: Kesişimler eşit mi? (Ortalama kıyasına izin verir.)

4. Artık: Hata varyansları eşit mi?
   Karar: ΔCFI ≤ .01 ve ΔRMSEA ≤ .015 korunduğunda bir üst düzeye geçilir. Kısmi skalar durumda serbest bırakılan maddeleri metne yazın.

14) Ölçek Kısaltma: 24 Maddeden 12 Maddeye Etik Yol

Kısaltma, uygulama verimliliği sağlar ancak kapsam ve geçerliği zedelememeli.

• Seçim Kriterleri: Yük (≥.60 tercihen), madde–toplam r, IRT ayırt edicilik (a), içerik temsili.

• DFA Testi: Kısa form için ayrı DFA; ω/CR/AVE raporu; uzun formla korelasyon.

• Bilgi Fonksiyonu: Hangi yetenek/özellik düzeyinde en duyarlı?
  Örnek Olay: 3 alt boyutlu ölçekten her boyuta 4 madde seçilerek 12 maddelik form; DFA CFI=.96, ω=.86–.89.

15) AFA–DFA–SEM Entegrasyonu: Ölçüm ile Yapısal Modeli Birleştirmek

Faktör puanları hesaplayıp regresyon yapmak yerine, ölçüm hatasını açıkta bırakan SEM içinde yapısal ilişkileri test etmek daha doğru.
Uygulama: “Özyeterlik → Çalışma Saati → Başarı” yapısal yolları, doğrulanmış ölçüm modeli üstünde test edilir; aracılık etkisi bootstrap GA ile verilir.

16) Sık Yapılan Hatalar ve Kaçınma Stratejileri

• Özdeğer>1’e kör bağlılık → Paralel analiz kullanın.

• Varimax bağımlılığı → Faktörler ilişkiliyse Oblimin/Promax.

• Modifikasyon indeksleriyle “model makyajı” → Kuramsız eklemeler raporu zayıflatır.

• Sadece α raporlamak → ω/CR/AVE/HTMT ekleyin.

• Likert’te ML ısrarı → WLSMV/robust seçenekleri düşünün.

• Eşdeğerlik atlanıyor → Grup/zaman karşılaştırmaları riskli.

• Kısa formda içerik kaybı → Boyut başına temsil şart.

17) Uygulamalı Örnek A: Üniversite Öğrencilerinde Akademik Motivasyon

AFA (n=420): PAF + Oblimin; paralel analiz 3 faktör. Yükler .44–.82; çapraz yük <.28.
DFA (n=480): WLSMV; CFI=.95, TLI=.94, RMSEA=.053 [GA .046–.060], SRMR=.045.
Güvenirlik: ω_top=.88; alt boyut ω=.82–.86; AVE=.50–.57; CR=.83–.88.
Eşdeğerlik (cinsiyet): Metrik + skalar sağlandı (ΔCFI=.006).
Yorum: Kızlarda ortalama +0.21 SD; pratik anlam: danışmanlık müdahaleleri kız–erkek farkını azaltmaya değil, düşük puanlı alt gruplara odaklanmalı.

18) Uygulamalı Örnek B: Öğretmen Geri Bildirim Ölçeği—Bifaktör

Kuram: Genel “nitelikli geri bildirim” ve üç özel boyut (bilişsel, duyuşsal, davranışsal).
DFA: Bifaktör model CFI=.96 (tek ve hiyerarşik modellere üstün); ω_h=.71 → genel faktör güçlü.
Sonuç: Toplam puan yorumlanabilir, alt boyut puanları bağlama duyarlı kullanılmalı.

19) Uygulamalı Örnek C: Çok Dilli Uyarlama ve Eşdeğerlik

Bağlam: Türkçe–İngilizce–Arapça versiyonlar.
Adımlar: Ortak kavramsal sözlük, ileri–geri çeviri, bilişsel görüşmeler.
DFA (çok grup): Configural ve metrik tüm dillerde; skalar kısmi (3 madde kesişimleri serbest).
Not: Ortalama karşılaştırmaları kısmi skalar modelle yapılmalı; raporda serbest bırakılan maddeler listelenmeli.

20) İleri Konular: IRT, DIF ve Bayesçi DFA

• IRT (GRM/2PL): Madde ayırt edicilik (a) ve zorluk (b) parametreleri; DFA ile uyumlu kısa form seçimi.

• DIF: Cinsiyet/bölge lehine madde avantajı var mı? (Mantel–Haenszel, IRT-LR).

• Bayesçi DFA/SEM: Küçük örneklem ve karmaşık modellerde zayıf bilgilendirici öncellerle kararlı tahmin; credible interval ile “olasılıksal” anlatı.

21) Raporlama Şablonu: Tez/Makale İçin Bölüm Adımları

1. Ölçümün Kuramsal Temeli (alt boyut gerekçeleri).

2. Yöntem–Veri (örneklem, etik, eksik veri, yazılım).

3. AFA (çıkarma, döndürme, faktör sayısı kararı, yük tabloları, çıkarılan maddeler ve gerekçeler).

4. DFA (kestirim, uyum indeksleri, alternatif model karşılaştırmaları).

5. Güvenirlik ve Geçerlik (ω, CR, AVE, HTMT/Fornell–Larcker).

6. Eşdeğerlik (configural–metrik–skalar; kısmi ise detaylar).

7. Kısaltma/IRT (varsa).

8. Tartışma (sınırlılıklar: örneklem temsiliyeti, yöntem; güçlü yanlar; uygulama).

9. Açık Bilim (kod–veri–ek materyal).

22) Görselleştirme: Yapıyı Gözle Konuşturmak

• Yük Isı Haritası: Maddelerin faktörlere yükleri; çapraz yükler görselde “soluk”.

• Yol Diyagramı: DFA’da standartlaştırılmış yükler ve hata terimleri.

• Model Karşılaştırma Paneli: Tek, hiyerarşik ve bifaktör CFI/RMSEA barları.

• Eşdeğerlik Grafiği: ΔCFI/ΔRMSEA adım adım; hangi düzeyde durulduğunu gösterir.

23) Etik ve Şeffaflık: “Modeli Güzelleştirmek” Yerine “Modeli Açıklamak”

• Modifikasyon indeksleri yalnız kuramsal ve ölçüm bağlamında kullanılmalı; her ekleme ek materyalde belgelenmeli.

• Dışlama ve veri temizliği akış diyagramı şart.

• Sürümleme: Ölçek formunun ve kodun sürümleri (OSF/Git) belirtilmeli; replikasyon için tohum (seed) paylaşılmalı.

24) “Sonuçların Çevirisi”: Puanları Karara Dönüştürmek

AFA/DFA yalnız metodolojik başarı değildir; uygulama bağlamına tercüme edilmelidir.

• Danışmanlık/Uygulama: Hangi alt boyut zayıf? Müdahale oraya yoğunlaşır.

• Politika: Kısa formun tarama için uygunluğu; yanlış pozitif/negatif maliyetleri.

• Adalet: Eşdeğerlik/DIF sonuçlarına göre raporlama dili; gruplar arası farkları temkinli yorum.

25) Duyarlılık ve Sağlamlık Analizleri: İnandırıcılığın Sigortası

• Kestirim seçenekleri: ML vs MLR vs WLSMV.

• Madde çıkarımı: Sorunlu maddeler çıkarıldığında uyum/ω/AVE nasıl değişiyor?

• Çoklu örneklem: AFA/DFA farklı bölünmelerde tekrarlanıyor mu?
  Rapor: “Ana sonuçlar alternatif kestirimlerde korunuyor; kısa form ve uzun form arasında yüksek korelasyon var (r=.93).”

Sonuç: Keşiften Doğrulamaya—Ölçümün Dürüst Hikâyesi

AFA ve DFA, akademik yazımda ölçüm hikâyesinin iki perdesidir. İlk perde (AFA), verinin sesini dinler; ikinci perde (DFA), kuramın iddiasını sınar. Güçlü bir rapor, bu iki perdeyi etik, şeffaf ve tekrarlanabilir bir dramaturji ile birleştirir:

1. Ölçmek istediği yapının kuramsal haritasını çizer;

2. Veriyi temiz ve varsayımları denetlenmiş biçimde sahneye çıkarır;

3. Faktör sayısını paralel analiz ve scree ile savunur;

4. Döndürme ve çıkarma kararlarını gerekçeler;

5. DFA’da robust kestirim, çoklu uyum indeksi ve alternatif model karşılaştırmalarını verir;

6. ω/CR/AVE/HTMT gibi modern göstergelerle geçerlik–güvenirliği derinleştirir;

7. Ölçüm eşdeğerliği olmadan grup karşılaştırmasına gitmez;

8. Kısaltma yaparsa içerik kapsamını korur ve bağımsız doğrular;

9. Sonuçları uygulamaya tercüme eder; etkiyi belirsizliği saklamadan anlatır;

10. Kod–veri–ek materyali paylaşarak bilginin yeniden üretilebilirliğini güvenceye alır.

Ölçüm, bilimin vicdanıdır: ne kadar iyi ölçersek o kadar adil, o kadar etkili kararlar alırız. AFA ve DFA; yalnız rakamlar ve indeksler değil, kanıtın dili ve iknanın mantığıdır. Bu dili kuramsal netlikle, analitik titizlikle ve etik bir anlatıyla konuştuğunuzda, çalışmanız yalnız yayın olmakla kalmaz; alanda referans olur.

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 Yazımda Açımlayıcı ve Doğrulayıcı Faktör Analizi first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.

1) Raporlamanın Omurgası: Araştırma Sorusu ve Hipotez Eşleşmesi

İyi bir rapor “ne yaptık”tan önce “neden yaptık” sorusuna tutarlı bir yanıt verir. Araştırma sorusu ve hipotezler, veri analizi bölümünün başında açıkça madde madde verilmelidir.
Uygulama:

• RS1: “X müdahalesi öğrenci başarısını artırır mı?”

• H1: “Müdahale grubu ile kontrol grubu arasında not ortalaması farkı > 0’dır.”

• H2: “Etkide cinsiyete göre moderasyon vardır.”
  Örnek Olay: Bir eğitim fakültesi tezi, hipotezleri bu şekilde somutlaştırdığında, okuyucu ilerleyen ANOVA, regresyon ve etkileşim analizlerini neden- sonuç çerçevesinde izleyebilir.

2) Veri Kaynağı ve Ölçümün Tam Saydamlığı

Veri kümesinin kaynağı, erişim koşulları, örneklemin seçiliş biçimi (tesadüfi, tabakalı, amaçlı), ölçüm araçlarının geçerlik/güvenirlik kanıtları ve veri toplama tarihleri raporlama kalitesini belirler.
Uygulama:

• Veri Kaynağı: “İstanbul’daki üç devlet lisesi, Mart–Mayıs 2025.”

• Ölçek: “Akademik Motivasyon Ölçeği, Türkçe uyarlama; α=.86, DFA: CFI=.94, RMSEA=.05.”
  Örnek Olay: Sağlık bilimlerinde, ölçüm cihazının kalibrasyon tutanaklarına atıf, bulgulara güveni artırır.

3) Ön Temizlik ve Dışlama Kriterlerinin Yazımı

Analiz öncesi veri temizliği ve dışlama kararları en sık “gölge alan”da kalır. Oysa raporlamada akış şeması (katılımcı dahil/ hariç) ve dışlama kriterleri ayrıntılı verilmelidir.
Uygulama:

• Ön Koşullar: “Yanıt süresi < 2 dk olan anketler dışlandı (n=12).”

• Aykırı Değer: “Z> |3.29| olan üç gözlem, duyarlılık analizinde çıkarıldı.”
  Örnek Olay: Bir psikoloji tezinde, veri temizlik skriptinin ek materyal olarak paylaşılması, yeniden üretilebilirlik sağlar.

4) Eksik Veri Stratejisinin Şeffaf Raporlanması

Eksik veri mekanizması (MCAR/MAR/MNAR), seçilen yöntemi belirler. Çoklu atama (MI) veya FIML gibi yöntemlerin ayrıntıları net yazılmalıdır.
Uygulama:

• “Gelir değişkeninde %11 eksik; Little’s MCAR testi anlamlı (p<.05) → MI (m=20, predictive mean matching).”

• “Atama sonrası birlikte tahmin edilen ortalama farkı: 3.2 (GA [1.4, 5.1]).”
  Örnek Olay: Eğitim araştırmasında yoklaması eksik öğrenciler için MI uygulaması, etki büyüklüğünün kalibrasyonunu iyileştirir.

5) Varsayım Kontrolleri ve Alternatif Yollar

Normallik, varyans homojenliği, bağımsızlık, çoklu doğrusal bağlantı gibi varsayımlar ve hangi testlerin neden seçildiği raporda net olmalıdır.
Uygulama:

• “Levene testi p<.05 → Welch ANOVA tercih edildi.”

• “VIF<5; otokorelasyon yok (Durbin–Watson=2.02).”
  Örnek Olay: Ciddi sapma varsa parametrik olmayan yöntemlerin (Mann–Whitney U, Kruskal–Wallis) veya sağlam (robust) yaklaşımların gerekçeli kullanımı güven verir.

6) Etki Büyüklüğü ve Güven Aralıklarının Standartlaştırılmış Sunumu

Sadece p-değeri yazmak yerine etki büyüklüğü (d, r, OR, η², f²) ve %95 GA sistematik biçimde raporlanmalıdır.
Uygulama Şablonu:

• “d=0.34, %95 GA [0.12, 0.56], p=.004.”

• “OR=1.47, %95 GA [1.10, 1.98], p=.01.”
  Örnek Olay: Politika önerisi gerektiren bir eğitim çalışmasında küçük ama güvenilir bir etki, geniş ölçekli uygulamayı değil, pilot yayılımı önerir.

7) Çoklu Karşılaştırma Düzeltmeleri

Çok sayıda hipotez, yalancı pozitif riski doğurur. Bonferroni, Holm veya FDR (Benjamini–Hochberg) düzeltmeleri uygulanmalı ve rapor metninde belirtilmelidir.
Uygulama:

• “20 test için FDR uygulandı; başlangıçta anlamlı görünen 4 sonuçtan 2’si düzeltme sonrası anlamlı kaldı.”
  Örnek Olay: Nöropsikolojik ölçümlerde çok sayıda alt ölçek test edilir; düzeltme yapılmadığında bulgular şişer.

8) Model Spesifikasyonu, Seçimi ve Sağlamlık Kontrolleri

Model seçimi (AIC/BIC), alternatif spesifikasyonlar, aykırı gözlemlerle/olmadan sonuç karşılaştırmaları raporda yer almalıdır.
Uygulama:

• “AIC (Model A)=1080 < AIC (Model B)=1102 → Model A seçildi.”

• “Robust SE’lerle sonuç değişmedi.”
  Örnek Olay: Lojistik regresyonda farklı kovaryat setleriyle OR’ın 1.35–1.50 arasında stabil kalması, yorumu güçlendirir.

9) Görselleştirme İlkeleri: Belirsizlik Çizmeden Grafik Olmaz

Grafikler yalın ama bilgi yüklü olmalı; belirsizlik hata çubukları veya şerit ile gösterilmeli; eksenler ve birimler net yazılmalıdır.
Uygulama:

• Çubuk yerine nokta+GA tercih edin (overplotting’i azaltır).

• Etkileşimi çizimde koşullu etkiler ile gösterin (±1 SD).
  Örnek Olay: Okuma programı etkisi için orman grafiği (forest plot) ile alt gruplar arası etkiler tek bakışta görülebilir.

10) Tablo Tasarımı: “Bir Bakışta” Anlaşılır Yapılar

Tablolarda metrikler tutarlı sırada ve tekimler bir arada verilmelidir.
Uygulama Şablonu (Regresyon):

• Değişken | β | SE | %95 GA Alt–Üst | p | VIF
  Örnek Olay: ANOVA raporu için grup ortalamaları, SD, n ve post-hoc sonuçları tek tabloda; dipnotlarda düzeltme yöntemi (Tukey, Games–Howell) belirtilir.

11) Standartlara Uyum: APA, CONSORT, STROBE, PRISMA, COREQ

Disipline göre raporlama kılavuzları kullanılmalıdır.
Uygulama:

• Gözlemsel çalışmalar: STROBE kontrol listesi.

• Deneysel cRCT: CONSORT akış diyagramı.

• Sistematik derleme: PRISMA.

• Nitel çalışmalar: COREQ.
  Örnek Olay: Bir sistematik derlemede PRISMA akışının şekil olarak verilmesi, inceleme kapsamının denetlenebilirliğini sağlar.

12) Nitel Analiz Raporlaması: Temadan Alıntıya Köprü

Tematik/ içerik analizinde tema isimleri, tanımları, örnek alıntılar ve karşıt örnekler dengeli sunulmalıdır.
Uygulama:

• Tema: “Öğretmen esnekliği.”

• Tanım: “Ders tasarımını öğrenci bağlamına göre uyarlama.”

• Örnek Alıntı: “Ders planını haftalık revize etmek zorunda kaldım…”

• Kodlayıcılar arası uyum: κ=0.76 (%95 GA [0.68, 0.84]).
  Örnek Olay: Yalnız olumlu alıntılar değil, çatışan görüşler de verildiğinde inandırıcılık artar.

13) Karma Yöntem Entegrasyonu: Triangulation Matrisi

Nicel ve nitel bulguların yakınsak mı, tamamlayıcı mı yoksa ayrışık mı olduğu açıkça belirtilmelidir.
Uygulama:

• Triangulation tablosu: Nicel etki d=0.28 (GA [0.10,0.45]); nitel tema “algılanan ilerleme: orta düzey.”
  Örnek Olay: Ayrışma durumunda olası nedenler (ölçek duyarlılığı, ölçüm zamanı, bağlamsal farklılık) tartışılır.

14) Örneklem ve Genellenebilirlik Sınırlarının Netliği

Örneklem yapısı (SES, cinsiyet, bölge, kurum türü) ve genellenebilirlik sınırları net yazılmalıdır.
Uygulama:

• “Bulgular, X ilindeki devlet liseleri için geçerlidir; özel okullara genellenmesi dikkat gerektirir.”
  Örnek Olay: Küçük, homojen örneklemler bulguların “kanıt gücü”nü sınırlayabilir; raporda dürüstçe yazılmalıdır.

15) Kod ve Veri Paylaşımı: Yeniden Üretilebilirliğin Zemini

Açık bilim ilkeleri gereği kodlar (R, Python, SPSS Syntax) ve mümkünse anonimleştirilmiş veri paylaşılmalıdır.
Uygulama:

• Ek materyallerde: “analiz.Rmd, paket sürümleri, seed=1234.”

• Veri erişimi: etik sınırlamalar varsa koşullu erişim.
  Örnek Olay: Bir mühendislik tezinde Quarto raporunun PDF/HTML çıktısı ve kaynak kodu birlikte sunulur.

16) Bulguların Dilsel Çerçevesi: İhtiyatlı ve Doğru İfadeler

Raporlama dili kesin hükümden kaçınmalı, belirsizliği taşımalıdır.
Uygulama:

• “Kanıtlar X’in muhtemel olduğunu işaret ediyor.”

• “Bu etki, incelenen bağlamla sınırlıdır.”
  Örnek Olay: Sınırda p-değerlerinde (p≈.05) aşırı iddiadan kaçınmak, etik raporlamanın parçasıdır.

17) “Negatif” Sonuçların Değeri ve Yayın Önyargısı

p≥.05 bulgular da kıymetlidir. Raporlamada güç (power), GA genişlikleri ve olası ölçüm hatası tartışılmalıdır.
Uygulama:

• “Etki tahmini küçük ve belirsizliği yüksek; daha büyük örneklem önerilir.”
  Örnek Olay: Sistematik derlemelerde publication bias (funnel plot, Egger testi) raporun ayrılmaz parçasıdır.

18) Duyarlılık ve Sağlamlık Analizlerinin Sunumu

Aykırı değer çıkarımı, farklı imputation stratejileri, alternatif model spesifikasyonları gibi duyarlılık panosu rapora eklenmelidir.
Uygulama:

• “Aykırı gözlemler çıkarıldığında d=0.31→0.29; sonuç değişmedi.”
  Örnek Olay: Zaman serilerinde farklı pencereler ve kırılma noktalarıyla aynı eğilimin görülmesi güveni artırır.

19) Raporlama Düzeninde Hiyerarşi: Ana Metin, Ekler, Ham Çıktılar

Ana metin, karar verici bilgiyi özet ve düzenli biçimde sunar; ayrıntılar ekte konumlanır.
Uygulama:

• Ana Metin: temel tablolar ve grafikler, ana hipotez sonuçları.

• Ekler: alternatif modeller, tam çıktı tabloları, kod.
  Örnek Olay: Dergilerde kelime sınırına takılmadan şeffaflık korunur.

20) Grafik ve Tablo Etiketi: Kendi Kendini Anlatan Öğeler

Her şekil ve tablo, metne bakmadan ne anlattığını okuyucuya söyleyebilmelidir.
Uygulama:

• Başlıkta ana mesaj: “Müdahalenin not ortalamasına etkisi (d=0.28, %95 GA [0.10,0.45])”.

• Dipnot: “Hata çubukları %95 GA’dır; Welch post-hoc kullanılmıştır.”
  Örnek Olay: İyi bir başlık ve dipnot, hakem geri bildirimlerini azaltır.

21) Zaman Yönetimi ve Raporlama Takvimi: Gantt ile Plan

Raporlama da bir projedir.
Uygulama:

• Tablolar (hafta 1–2), grafiker gözden geçirme (hafta 3), metin bütünleştirme (hafta 4), iç hakemlik (hafta 5), son okuma (hafta 6).
  Örnek Olay: Son an telaşında yapılan biçimsel hatalar (tablo numaraları, çapraz atıflar) bu planla minimize edilir.

22) Disipline Özgü İncelikler: Klinik, Eğitim, Ekonomi, Mühendislik

• Klinik: Etkiyle birlikte yan etki profilleri, risk farkı, Number Needed to Treat (NNT).

• Eğitim: Etkinin maliyet-etkinlik boyutu, sürdürülebilirlik.

• Ekonomi: Duyarlılık senaryoları, fiyat ve talep elastikiyetleri.

• Mühendislik: Deney tekrarı, cihaz toleransları, çevresel koşullar.
  Uygulama: Alanın kriterleri metinde görünür olmalı.

23) Raporlama İçin Şablon: “Bir-Tabloda-Özet”

Örnek Şablon – Ana Sonuç Tablosu

• Ölçüt | Grup (n, Ortalama±SS) | Fark (GA) | Etki (d/OR) | p | Not
  Bu şablon, hakem ve okuyucu için “karar verdiren tablo” görevi görür.

24) Etkileşim ve Alt Grup Etkilerinin Anlatımı

Etkileşimler (grup×cinsiyet, müdahale×SES) grafikle koşullu etkiler üzerinden raporlanmalı; güç sınırlılığı vurgulanmalıdır.
Uygulama:

• “Kızlarda d=0.45, erkeklerde d=0.12; etkileşim p=.03.”
  Örnek Olay: Aşırı yorumdan kaçınmak için “hedeflenmiş politika” önerileri ihtiyatla yazılır.

25) Raporlamada Dil ve Üslup: Bilimsel, Tutarlı, Erişilebilir

Cümle yapıları uzun ama açık; teknik terimler ilk geçtiğinde tanımlı; aşırı iddia barındırmayan bir üslup.
Uygulama:

• İlk kullanımda kısaltma: “Yanlış Keşif Oranı (FDR)”.

• Terim sözlüğü ek materyallerde verilebilir.

26) Meta-Analiz ve Sistematik Derlemelerde Raporlama

PRISMA akışı, dahil edilen çalışmaların özellik tablosu, önyargı riski değerlendirmeleri ve orman grafikleri temel unsurlardır.
Uygulama:

• “Rastgele etkiler modeli; I²=38%.”

• “Yayın önyargısı: asimetrik huni grafiği; Egger p=.07 (sınırda).”

27) Açıklanabilirlik ve Mekanizma: Aracılık/Moderasyonın Yazımı

Aracılık analizinde dolaylı etkilerin bootstrap GA ile sunulması; moderasyonda Johnson–Neyman bölgeleri gibi ayrıntılar yöntemi anlaşılır kılar.
Uygulama:

• “Dolaylı etki=0.12 (%95 GA [0.04,0.21]); moderasyon için anlamlı bölge X>12.5.”

28) Eşikçi Kararlar: Eşdeğerlik ve Aşağı Kalmama

Eşdeğerlik ve noninferiority çalışmalarında GA’ların eşiklere referansla yorumlanması şarttır.
Uygulama:

• “GA tamamen ±Δ içinde → eşdeğerlik.”

• “Alt sınır -Δ üzerinde → aşağı kalmama.”

29) Denetlenebilirlik: İç Denetim ve Ön Yayın (Preprint)

İç denetim (internal peer review) ve ön yayın, hataları erken yakalar; şeffaflık sağlar.
Uygulama:

• Ön yayın platformu, kod ve ek materyallerle birlikte paylaşım.

30) Yaygın Hatalar ve Önleyici Kontrol Listesi

• Yalnız p-değeri raporu → Etki & GA ekleyin.

• Varsayım testi yok → Gerekçe ve alternatif raporlayın.

• Eksik veri saklandı → Oran/ mekanizma/ yöntem açık yazın.

• Çoklu test düzeltmesi yok → FDR/Bonferroni belirtin.

• Grafiklerde belirsizlik yok → GA/SE çubukları ekleyin.

• Aşırı iddia → Genellenebilirlik ve sınırlılık yazın.

• Kod paylaşımı yok → Ek materyaller sağlayın.

31) Uygulamalı Kapsamlı Örnek: Okul Tabanlı Okuma Müdahalesi Raporu

Bağlam: 6. sınıflarda 10 haftalık program; 3 okul, n=412.
Temizlik: 17 anket düşük süre nedeniyle dışlandı; 3 aykırı gözlem duyarlılıkta çıkarıldı.
Eksik Veri: Başarı ölçütünde %9 eksik; MI (m=20).
Varsayımlar: Levene ihlali → Welch ANOVA; VIF<3.
Ana Sonuç: Ortalama fark=3.1 puan; d=0.28, %95 GA [0.10, 0.45], p=.003.
Alt Grup: Düşük SES’te d=0.40 (GA [0.15,0.64]); etkileşim p=.04 (FDR sonrası p=.048).
Robustluk: Aykırı çıkarıldığında d=0.27; alternatif kovaryat setinde OR 1.31–1.38.
Görseller: Nokta+GA grafikleri; etkileşim çizimi (±1 SD).
Genellenebilirlik: Üç devlet okulu; özel okullara doğrudan genelleme ihtiyatlı.
Politika: Maliyet düşükse önce düşük SES okullarda pilot yaygınlaştırma + izleme önerilir.
Açık Bilim: Kod ve ek tablolar paylaşıldı; seed=1234; paket listesi ekte.

Sonuç: Şeffaf, Tekrarlanabilir ve İkna Edici Raporlamanın İnşası

Veri analizi raporlaması, bilimsel kalitenin görünür yüzüdür. Güçlü bir rapor;

1. Araştırma sorusu–hipotez–analiz üçlüsünü mantıksal bir zincire dizer,

2. Ölçüm ve veri temizliği kararlarını izlenebilir kılar,

3. Varsayımları, etki büyüklüklerini ve güven aralıklarını merkezde tutar,

4. Çoklu test ve model belirsizliğini duyarlılık analizleriyle yönetir,

5. Grafik ve tablolarla belirsizliği saklamadan iletişim kurar,

6. Disiplin standartlarına (APA, STROBE, CONSORT, PRISMA, COREQ) uyar,

7. Kod ve veriyi (etik çerçevede) paylaşarak yeniden üretilebilirliği güvenceye alır.

Bu yaklaşım yalnızca “yayımlanabilirlik” şansını artırmaz; bulguların uygulanabilirliğini ve güvenilirliğini de pekiştirir. İyi raporlanan bir analiz, tartışmayı zenginleştirir; politika tasarımına, sınıf içi uygulamalara ya da klinik protokollere net ve sorumlu katkı sağlar. Son kertede, veriyi anlatıya dönüştürmek, bilimin kamuyla yaptığı toplumsal sözleşmenin bir parçasıdır: Şeffaflık, denetlenebilirlik ve ikna edici dürüstlük. Bu üç ilkeyi raporlamanızın merkezine koyduğunuzda, araştırmanız yalnız sonuçlarıyla değil, yöntemi ve sunumu ile de referans bir çalışma haline gelecektir.

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 Veri Analizinde Raporlama Teknikleri first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.

1) Parametrik olmayan test ne zaman seçilir?

• Ölçüm düzeyi: Ordinal veriler (Likert), sıra tabanlı skorlar.

• Dağılım: Belirgin çarpıklık, ağır kuyruklar, uç değerlerin etkili olduğu durumlar.

• Örneklem büyüklüğü: Küçük/orta n; normallik testlerinin gücü yetersiz olabilir.

• Robustluk: T-değeri yerine sıra temelli karşılaştırma etkiye odaklanır; ortalama farkından çok “daha büyük olma olasılığı” (stochastik üstünlük) test edilir.
  Karar ipucu: Eğer “merkezin türü” olarak medyan size daha anlamlı geliyorsa, Mann–Whitney/Kruskal–Wallis çoğu senaryoda doğru tercihtir.

2) Temel varsayımlar: Bağımsızlık, ölçek ve dağılım şekli

• Bağımsızlık: Gruplar birbirinden bağımsız olmalı (eşleştirilmiş tasarımlar için Wilcoxon işaretli sıra / Friedman).

• Sıralanabilir ölçüm: En az ordinal ölçek.

• Dağılım şekli: Sık unutulan nokta: Mann–Whitney/Kruskal–Wallis, grupların şekli benzer olduğunda konum farkına duyarlıdır; şekiller ciddi farklıysa test, “dağılım farklılığı”nı yakalayabilir ama “medyan farkı” yorumu risklidir.
  Not: Eşit dağılım şekli varsayımı şüpheliyse sonuçları grafik (raincloud/violin) ve duyarlılık ile destekleyin.

3) Mann–Whitney U testinin sezgisi

• Tüm gözlemleri birlikte sıralayın; bir grubun sıralar toplamı diğerinden anlamlı daha yüksek mi?

• U istatistiği, iki grubun sıralarının birbirine karışma derecesini ölçer.

• Büyük örneklemde U, yaklaşık normal dağılır; küçük örneklemde exact p-değeri tercih edilir.
  Yorum dili: “Grup A’nın skorlarının, Grup B’nin skorlarından daha yüksek olma olasılığı %… düzeyinde artmıştır” (Cliff’s δ ile birlikte).

4) Kruskal–Wallis H: Üç ve daha fazla grubun karşılaştırması

• Sıralar toplamlarına dayalı H istatistiği kullanılır.

• Anlamlılık çıktığında hangi gruplar farklı? sorusu için post hoc çoklu karşılaştırma gerekir (Dunn, Conover, DSCF).

• Parametrik ANOVA’nın sıra temelli analogudur; ama etki büyüklüğü ve post hoc aklı başında yönetilmelidir.

5) Bağlı sıralar (ties) ve düzeltme

Gerçek veride eşit değerler yaygındır (Likert). Bağlar, sıra dağılımını etkiler.

• Hem Mann–Whitney hem Kruskal–Wallis için ties correction uygulanmalı (çoğu yazılım otomatik yapar).

• Rapor cümlesi: “Bağlı sıralar için standart düzeltme uygulanmıştır.”

6) Etki büyüklüğü: r, Cliff’s δ, ε²(H)

• Mann–Whitney:

  • r (Z/√N) — yorum eşiği: ~0.1 küçük, ~0.3 orta, ~0.5 büyük (alan/dergiye göre değişebilir).

  • Cliff’s δ (stochastik üstünlük): −1 ile +1; 0=eşit olasılık.

• Kruskal–Wallis:

  • ε² (epsilon squared) veya η²(H) (H’nin serbestlik derecesine bölünmüş varyantları).
    Not: p-değerine mutlaka etki büyüklüğü ve güven aralığı (GA) eşlik etsin.

7) Exact vs. yaklaşık p-değeri

• Küçük örneklem (n₁×n₂ küçük) → exact p-değeri;

• Büyük örneklem → normal yaklaşım yeterli.

• Bağ sayısı yüksekse exact prosedürler daha doğru olabilir (hesaplama maliyeti artar).
  Rapor: “p-değeri exact yöntemle hesaplanmıştır (bağlar için düzeltmeli).”

8) Post hoc karşılaştırmalar: Dunn, Conover, Dwass–Steel–Critchlow–Fligner

Kruskal–Wallis anlamlı ise:

• Dunn (Bonferroni/Holm/Sidak düzeltmeli) — yaygın ve anlaşılır.

• Conover — sıra farklarına dayalı güçlü alternatif.

• DSCF — özellikle grup sayısı yüksek olduğunda iyi performans.
  Kural: Aile-yanlış-pozitif oranını kontrol edin (Holm/FDR). Post hoc sonuçları GA ile raporlayın.

9) Medyan farkı mı, dağılım farkı mı?

• Mann–Whitney, medyan farkından çok stochastik üstünlük sınar.

• Eğer amaç medyan ise, ek olarak Hodges–Lehmann kestirimini ve GA’sını raporlayın.
  Şablon: “HL medyan farkı = 4 puan (95% GA: 1, 7).”

10) Güç (power) ve örneklem büyüklüğü

• Sıra temelli testlerin gücü, dağılımın şekline bağlıdır; simülasyon iyi bir yaklaşımdır.

• Etki ölçütü olarak Cliff’s δ (Mann–Whitney) ve ε² (Kruskal–Wallis) üzerinden senaryo üretin.

• Küçük etki için gruplar dengeli olmalı; dengesizlik güç kaybettirir.

11) Kayıp veri, dengesiz grup ve ağırlıklar

• Kayıp gözlemler silinirse, gruplar asimetrik kalabilir; raporda belirtin.

• Ağırlıklandırma gerektiren karmaşık örneklemlerde bu testlerin standart hallerini kör uygulamayın; tasarım-uyumlu alternatifleri düşünün veya robust duyarlılık raporlayın.

12) Uç değer, çarpıklık ve veri hazırlama

• Outlier’lar bu testleri daha az etkiler (sıra temelli), ancak grup yapısı aşırı bozuluyorsa raporlayın.

• Likert verilerde kategori birleştirme kararlarını gerekçelendirin (küçük hücre riskine dikkat).

13) Eşleştirilmiş/tekrarlı ölçümler: Doğru kardeş testler

• İki bağımlı (eşleştirilmiş) ölçüm için Wilcoxon işaretli sıra;

• Üç+ tekrarlı ölçüm için Friedman.
  Karıştırmayın: Mann–Whitney/Kruskal–Wallis bağımsız gruplar içindir.

14) Görselleştirme: Sonuçları sezgisel kılın

• Raincloud/violin + medyan/çeyrekler;

• Gardner–Altman (iki grup için farkın GA’sı);

• Letter-value plot (kuyrukları görünür kılar);

• Post hoc sonuçlarını forest grafiğiyle özetleyin (etki büyüklüğü + GA).

15) Raporlama dili (APA/JARS uyumlu)

• Test adı, istatistik, sd, p, etki büyüklüğü ve GA birlikte:

  • Mann–Whitney: “U=…, Z=…, p=…, r=…, Cliff’s δ=… (95% GA […, …])”.

  • Kruskal–Wallis: “H( k−1 )=…, p=…, ε²=…; Dunn–Holm post hoc: A–B Δrank=…, p_adj=…”.

• Varsayım notu: “Dağılım şekilleri benzer varsayımı görsellerle desteklendi.”

16) R/Python/SPSS kısa sözdizimi ipuçları

R (rstatix / FSA / dunn.test):

wilcox_test(y ~ grup, exact = TRUE) %>% add_significance()
effsize_wilcox(y ~ grup, ci = TRUE, ci.type = “perc”) # r ve/veya Cliff’s δ

kruskal_test(y ~ grup)
dunnTest(y ~ grup, method=”holm”) # Dunn post hoc (Holm düzeltme)

17) Uygulama Örneği A (Eğitim): İki öğretim yöntemi

• Senaryo: Notlar çarpık; n₁=52, n₂=49.

• Test: Mann–Whitney U (exact).

• Sonuç dili: “Yöntem A’nın puanları, Yöntem B’den anlamlı olarak yüksektir (U=899, p=.012, r=.29; Cliff’s δ=.23, 95% GA [.05, .39]). HL medyan farkı=4 puan.”

18) Uygulama Örneği B (Sağlık): Üç klinik protokol

• Senaryo: Ağrı skoru (0–10), üç protokol (n: 38/41/35), dağılım sağa çarpık.

• Test: Kruskal–Wallis H.

• Sonuç: “H(2)=9.84, p=.007, ε²=.12.”

• Post hoc (Dunn–Holm): P1–P3 p_adj=.004, P1–P2 p_adj=.11, P2–P3 p_adj=.09.

• Yorum: “Fark özellikle P1–P3 arasında; medyan fark ≈2 puan.”

19) Uygulama Örneği C (Sosyal Politika): Gelir dilimlerine göre program memnuniyeti

• Senaryo: Likert 1–5; dört gelir grubu; bağlar yüksek.

• Test: Kruskal–Wallis (ties correction).

• Post hoc: DSCF ile çoklu kıyas; FDR raporu.

• Not: Küçük hücrelerde kategori birleştirme ve etik dipnot.

20) Duyarlılık ve sağlamlık kontrolleri

• Şekil eşitliği varsayımına duyarlılık: Grupları winsorize etmeden ve ederek tekrarla.

• Exact vs normal: İki yöntem p ve etki büyüklüğü tutarlılığı.

• Çoklu test: Holm ve FDR arasında sonuçların yönü değişiyor mu?

21) Sık hatalar ve çözümleri

1. Eşleştirilmiş veride Mann–Whitney → Doğrusu Wilcoxon işaretli sıra.

2. Kruskal–Wallis sonrası post hoc yok → Dunn/Conover/DSCF ile tamamlayın.

3. Sadece p-değeri → Etki büyüklüğü + GA raporlayın.

4. Medyan farkı diye sunma → HL medyan farkını ayrı hesapla veya stochastik üstünlüğü açıkla.

5. Bağ düzeltmesini atlamak → Varsayılanı kontrol et, raporla.

6. Şekil farkını görmezden gelmek → Ya görsel ekle ya da “şekil farkı olasılığı” uyarısı yap.

22) Etik ve gizlilik: Küçük hücre, kategori birleştirme

• Düşük n’li alt gruplar kimliklenebilirlik riski taşır; raporda birleştirme/bastırma kurallarını açıkla.

• Likert’te 1–2 ve 4–5 birleştirmeleri şeffaf gerekçe ile yapılmalı.

23) “Yapıştır–kullan” rapor cümleleri

Mann–Whitney (iki kuyruk):
“Yöntem A (n=52) ile Yöntem B (n=49) skorları Mann–Whitney U testiyle karşılaştırıldı; A lehine anlamlı bir fark elde edildi, U=899, Z=−2.50, p=.012. Etki büyüklüğü r=.29 (orta), Cliff’s δ=.23 (95% GA [.05, .39]). Hodges–Lehmann medyan farkı 4 puan (95% GA [1, 7]). Bağlı sıralar için standart düzeltme uygulanmıştır.”

Kruskal–Wallis + Dunn–Holm:
“Üç protokol arasında Kruskal–Wallis testi fark gösterdi, H(2)=9.84, p=.007, ε²=.12. Dunn–Holm post hoc karşılaştırmalarında P1–P3 çifti anlamlı kaldı (p_adj=.004), P1–P2 ve P2–P3 anlamlı değildi (p_adj>.05). Box–violin grafikleri dağılım şekillerinin benzer olduğunu göstermektedir.”

Sonuç

Parametrik olmayan sıra testleri—Mann–Whitney U ve Kruskal–Wallis H—akademik araştırmalarda esnek, robust ve yorumlanabilir karşılaştırmalar yapmanın temel taşlarıdır. Başarı, bu testleri “p-değeri üreten kara kutular” olarak görmekten değil; varsayım alanını (bağımsızlık, sıralanabilir ölçüm, benzer şekil), etki büyüklüğü mantığını (r, Cliff’s δ, ε²), post hoc stratejisini (Dunn/Conover/DSCF + Holm/FDR) ve grafiklerle kanıt zincirini aynı çatı altında kurgulamaktan geçer.

İyi bir rapor; (i) exact/normal tercihini açıklar, (ii) bağ düzeltmesini belirtir, (iii) p-değerini GA ve etki büyüklüğüyle birlikte verir, (iv) Kruskal–Wallis sonrası hangi grupların farklı olduğunu şeffafça gösterir, (v) gerekirse Hodges–Lehmann medyan farkını sunar, (vi) etik–gizlilik gerekçelerini (küçük hücre, kategori birleştirme) unutmadan bulguyu karar diline çevirir. Böylece sıra testleri, yalnız “parametrik testlerin yedeği” olmaktan çıkar; güvenilir, anlaşılır ve çoğaltılabilir sonuçların üretildiği ana yol haline gelir.

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 Kruskal–Wallis ve Mann–Whitney Testleri first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.

1) Frekans Dağılımı Nedir? Neden İlk Adım Olmalı?

Frekans dağılımı, bir değişkenin değer–sıklık eşleşmesini verir. Kategorik değişkende n ve %, sayısalda ise sınıflandırılmış (binned) frekanslar ve kümülatif yüzdeler sunulur. Tez akışında frekanslar:

1. Veri kalitesini teşhis eder (uygunsuz kategori, outlier adacıkları),

2. Analiz seçimini yönlendirir (ör. seyrek kategori → birleştirme veya düzenlileştirme),

3. Örneklemi görünür kılar (temsil ve dengesizlik).

2) Değişken Türüne Göre Frekans Tasarımı

• Nominal (örn. cinsiyet, okul türü): n, %, geçerli % (valid percent), kayıp % ayrı sütunlar.

• Ordinal (örn. memnuniyet düzeyi): Doğal sıralama korunarak n–% ve kümülatif %.

• Sürekli: Uygun sınıf genişliği ile gruplama; Sturges/Scott/Freedman–Diaconis kuralları rehberdir.

• İkili: Dengesiz kategorilerde olay oranı vurgusu ve sonraki modellemede kalibrasyon uyarısı.

3) “Geçerli %” ve “Toplam %”: Kayıp Veriyi Doğru Sunmak

• Toplam %: Kayıp dahil paylaştırma.

• Geçerli %: Kayıp dışlanmış paylaştırma.
  Tezlerde hem n hem geçerli % birlikte sunulmalıdır; aksi halde kayıp verinin ölçeği gizlenir.
  Dipnot şablonu: “Geçerli yüzdeler, eksik gözlemler dışlanarak hesaplanmıştır; kayıp oranı Tablo D1’de raporlanmıştır.”

4) Sınıf Aralığı Seçimi (Sürekli Değişkenlerde)

• Amaç: Dağılımın şekli bozulmadan görünür kılınmalı.

• Kural: Çok az sınıf → aşırı düzleştirme, çok fazla sınıf → gürültü.

• Kılavuz:

  • Sturges: k=⌈log⁡2n+1⌉k = \lceil \log_2 n + 1 \rceilk=⌈log2​n+1⌉

  • Freedman–Diaconis: h=2⋅IQR⋅n−1/3h = 2 \cdot IQR \cdot n^{-1/3}h=2⋅IQR⋅n−1/3
    Rapor cümlesi: “Sınıf genişliği Freedman–Diaconis kuralına göre belirlenmiştir.”

5) Çapraz Tablolar: Kesişimlerde Anlam Aramak

Crosstab’lar, iki kategorik değişkenin ortak dağılımını verir. Sunumda üç oran türü akılda tutulmalı:

• Satır yüzdesi (X’e koşullu Y),

• Sütun yüzdesi (Y’ye koşullu X),

• Toplam yüzdesi.
  İpucu: Araştırma sorusuna uygun koşullandırmayı seçin (ör. “programa katılıma göre başarı yüzdesi” → satır %).

6) Küçük Hücre Problemi (n<5): Etik ve İstatistik

• Etik: Kimliklenebilirlik riski, özellikle alt gruplarda.

• İstatistik: Güvenilir oran hesapları zayıflar; benzeşik sınıflarla birleştirme veya baskılama uygulayın.
  Dipnot şablonu: “n<5 olan hücreler etik gerekçelerle birleştirilmiş/bastırılmıştır.”

7) Dengesiz Sınıflar ve Sonraki Analizler

Dengesiz (örn. %90–10) sınıflar lojistik modellerde kalibrasyon ve ayrım ölçütlerini etkiler.
Rapor köprüsü: “Frekans dağılımları, olumlu sınıfın %11 oranında olduğunu gösterdi; bu nedenle sonuç bölümünde PR-AUC ve kalibrasyon eğrisi raporlanmıştır.”

8) Likert Ölçeklerinde Frekans Matrisi

Likert maddeleri için madde × kategori matrisi verin; birleştirilmiş kategoriler (örn. 1–2, 4–5) raporda gerekçeli olmalı.
İpucu: Ters maddeler için frekanslar ayrıca gösterilsin; kodlama hataları böyle yakalanır.

9) Madde Seviyesinde Kalite Kontrol: Tavan–Taban Etkileri

• Tavan (ceiling): Yüksek kategorilerde yığılma → ayırt edicilik azalır.

• Taban (floor): Düşük kategorilerde yığılma.
  Rapor: “Madde 7’de ‘Kesinlikle Katılıyorum’ %68; tavan etkisi olasıdır. Ölçeğin kısa form önerilerinde madde 7 yeniden yazılmalıdır.”

10) Çoklu Yanıt Soruları (Multiple Response)

Aynı katılımcı birden çok seçeneği işaretleyebilir.
Sunum: Her seçenek için n (case) ve % (case) ile birlikte % (response) (toplam işaret sayısına göre) raporlanır.
Dipnot: “Bir katılımcı birden çok seçeneği işaretleyebildiğinden yüzdeler 100’ü aşabilir.”

11) Ağırlıklandırılmış Frekanslar (Survey Weights)

Olasılıklı örneklemlerde ağırlık kullanılmalıdır. Ağırlık uygulanmış frekanslar tasarım etkisi ve standart hata hesaplarına bağlanır.
Tez dili: “Frekans ve yüzdeler örneklem ağırlıklarıyla düzeltilmiştir; Complex Samples modülü kullanılmıştır.”

12) Zaman Serisi İçin Frekans: Periyot İçinde Olay Sayıları

Aylık/haftalık olay sayıları, mevsimsellik ve arızi şoklar için küçük çokluk grafikleriyle verilmeli; aynı tabloda kümülatif frekans ve hareketli ortalama eklenebilir.

13) Nitel Verinin Nicelleştirilmesi: Kod Frekansları

Kodlanan temalar için frekans ve belge kapsamı (coverage) birlikte verilmelidir.
Uyarı: “Frekans yüksekliği = önem” değildir; bağlam ve negatif örnekler raporlanmalıdır.

14) Görselleştirme: Mozaik, Yığılmış Oran, Lollipop

• Mozaik: Çapraz tablolarda alanı oranla kodlar, bağımlılığı sezdirir.

• Yığılmış oran barı: Kategorilerin bileşimini tek satırda; sıfırdan hizalanmış olmalı.

• Lollipop: Kategorik sıralı değerlerde okunaklı alternatif.

15) Frekans Tablolarında Biçim ve Tipografi

• Sütunlar: Kategori, n, %, Geçerli %, Kümülatif % (gerekirse).

• Toplam satırı zorunlu.

• Dipnotlar: Kayıp veri, birleştirme kuralları, ağırlık, sınıf genişliği.

16) Hipotez Testlerine Köprü: Beklenen Frekanslar

Ki-kare testinde her hücrede beklenen frekans ≥5 kuralı; sağlanmıyorsa Fisher veya hücre birleştirme.
Rapor: “Beklenen frekans koşulu 3 hücrede sağlanmadığı için Fisher’in kesin testi uygulanmıştır.”

17) Çoklu Karşılaştırma ve Yanlış-Alarm Riski

Aynı tabloda pek çok hücrenin test edilmesi aile hatası riskini artırır.
İlke: Frekanslar betimsel; testler önceden tanımlı hipotezler için.
Düzeltme: Holm/FDR, ama tez yazımında hipotez önceliği net olmalı.

18) Frekansların Karar Diline Çevrilmesi

Salt “%36” demek yetmez; n bağlamı ve uygulama cümlesi ekleyin:
“Öğrencilerin %36’sı (n=124), haftada 10 saatten az çalıştığını bildirmiştir; bu grup, erken uyarı programlarının birincil hedefiydi.”

19) Senaryolar

A) Eğitim (Lisans Dersi Başarı Durumu)

• Değişken: “Dersi Geçti (E/H)”.

• Dağılım: E %62 (n=248), H %38 (n=152).

• Yorum: Dengesizlik orta seviyede; sonraki lojistik modelde marjinal etkiler ve kalibrasyon raporlanacaktır.

B) Sağlık (Semptom Şiddeti—Ordinal)

• Kategoriler: Hafif %28, Orta %51, Şiddetli %21.

• Uyarı: Şiddetli’de n=33; alt grup analizlerinde küçük hücre birleştirmesi gerekebilir.

C) Sosyal Politika (Program Katılımı—Çoklu Yanıt)

• Seçenekler: İş Kulübü %41 (case), Mentorluk %29 (case), Atölye %46 (case); Response % toplamı >100.

• Not: Kümelenmiş katılım desenleri için eş-oluşum analizi eklenmiştir.

20) “Yapıştır–Kullan” Tablo ve Paragraf Şablonları

Tablo başlığı:
“Tablo 2. Program Katılım Durumunun Frekans Dağılımı (Geçerli ve Toplam Yüzdeler)”

Dipnot:
“Geçerli yüzdeler eksik veriler çıkarılarak hesaplanmıştır (kayıp n=12, %3.1). n<5 hücre bulunmadığından birleştirme yapılmamıştır.”

Paragraf (betimsel):
“Katılımcıların %57.4’ü (n=229) programa en az bir kez katılmış, %42.6’sı (n=170) hiç katılmamıştır. Geçerli yüzdelere göre katılım oranı %58.2’dir. Cinsiyete göre satır yüzdeleri, kadınlarda katılımın daha yüksek olduğunu göstermektedir (Kadın: %63.1; Erkek: %52.4). Beklenen frekans koşulu sağlandığından ki-kare testi uygulanmış, farklılık istatistiksel olarak anlamlı bulunmuştur (χ²(1)=5.84, p=.016).”

21) Veri Kalitesi İçin Frekans Tabanlı Kontroller

• Uç kategoriler: Beklenmeyen değer adacıkları (örn. “999=bilinmiyor”).

• Tutarsız kombinasyonlar: Çapraz tabloda imkânsız eşleşmeler (örn. “çalışmıyor” & “haftalık mesai>0”).

• Yanıt örüntüleri: Aynı katılımcıda tüm “5”ler → dikkatsiz yanıt şüphesi.

22) Frekans + Grafik: İkili Sunum

Her ana değişken için frekans tablosu + uygun grafik (yığılmış oran barı / lollipop / histogram–densite).
Alt yazı şablonu: “Bantlar 95% GA değildir; bu figür salt betimsel oranları göstermektedir.”

23) Raporlama Standartları ve Biçem

• APA/JARS: Tablo numarası, açıklayıcı başlık, dipnot hiyerarşisi.

• STROBE/CONSORT: Akış diyagramlarıyla birlikte frekanslar; “dahil edilme–çıkarılma” nedenlerinin n–%’leri.

• SRQR/COREQ (nitel): Kodlu temaların n–% raporlamasında bağlam vurgusu.

Sonuç

Frekans dağılımları, tezinizin betimsel omurgasıdır. İyi tasarlanmış frekans tabloları; veri kalitesini görünür kılar, ölçme araçlarındaki tavan–taban sorunlarını işaret eder, örneklem dengesizliklerini ve küçük hücre riskini ortaya koyar, hipotez testlerine usulüne uygun bir köprü kurar ve karar verici için anında anlaşılır bir dil sunar. Sürekli değişkenlerde sınıf kuralı ve kümülatif yüzdeler, kategorik değişkenlerde geçerli % ve çapraz tablolarda koşullu yüzdeler, çoklu yanıtlarda case vs response ayrımı, olasılıklı örneklemlerde ağırlıklandırma; tümü frekans sunumunu güvenilir ve işlevsel kılan yapı taşlarıdır.

Unutmayın: frekans tablosu sadece bir liste değildir; veri kalitesi raporunun ilk sayfasıdır. Bu ilk sayfayı iyi yazan araştırmacı, sonraki sayfalarda (modelleme, duyarlılık, politika dili) ikna gücü yüksek, şeffaf ve tekrarlanabilir bir tez mimarisi kurar. Frekanslar, veriyi hikâyeye, hikâyeyi kanıta, kanıtı karara dönüştüren ilk adımınız olsun.

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 Akademi Tezlerinde Frekans Dağılımlarının Kullanımı first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.