1) Araştırma Sorusu → Sonuç Haritası: Ön Kayıtlı Yol Planı

Neyi ölçüyor, nasıl ölçeceksiniz?

• Birincil/ikincil/keşifsel sonuçlarınızı netleştirin.

• Analiz planınızı kısa bir “ön kayıt” dosyasında yazın: değişken tanımları, modeller, kovaryatlar, etkileşimler, eksik veri stratejisi, çoklu test düzeltmesi.

• Karar eşiği belirleyin (ör. eğitimde +2 puan anlamlı/pratik; sağlıkta noninferiority Δ=−3).

Uygulama notu: Ön kayıt, tez jüri görüşmelerinde “neden bu analizi yaptınız?” sorusunun en ikna edici yanıtıdır.

2) Veri Erişimi ve Yönetimi: Doğru Dosyaya, Doğru Yolla Ulaşmak

• Kaynaklar: Kurumsal arşiv, kamu veri setleri, saha/anket, sensör/günlükler, sosyal medya, idari kayıtlar.

• Erişim protokolü: Etik kurul/IRB, veri paylaşım sözleşmeleri (DPA), gizlilik düzeyi, saklama yeri (şifreli disk/kurumsal bulut).

• Klasör mimarisi: /data_raw, /data_interim, /data_final, /code, /outputs, /logs.

• Manifest dosyası: Hangi veri hangi sürüm, hangi tarihte alındı? Sorgu betikleri ve filtreler metinle kaydedilsin.

Örnek olay: İdari öğrenci verisine erişimde kimlik alanları koarsen (yaş bandı, okul bölgesi); kimlikten arındırılmış bir analiz görünümü yaratın.

3) Veri Temizleme ve Ön İşleme: Sonuçların Sessiz Mimarisi

• Dönüşümler: Adlandırma (snake_case), tip kontrolü (int/double/factor), tarih–saat uyumu (UTC→yerel).

• Eksik veriler: MCAR nadir; çoğu MAR → Çoklu Atama (MI m≥20) veya model tabanlı yöntem (FIML).

• Aykırı/yanlış giriş: Mantık kontrolleri (yaş<5 ve sınıf=12?); görsel inceleme (box/violin).

• Metin verisi: Unicode normalizasyonu, emoji/link/mention stratejisi; dil tespiti.

• Kayıt birleştirme: Anahtar (id, tarih, okul) ile birleştirme; inner/left farkını günlüğe yazın.

Uygulama: Temizleme adımlarını betik haline getirin (SPSS Syntax / R / Python). Tezde, “Bkz. EK–Veri Boru Hattı” diye atıf verin.

4) Ölçüm Kalitesi: Güvenilirlik ve Geçerlik Kapısı

Güvenilirlik (α/ω/ICC/test–tekrar test) ve geçerlik (DFA–CR–AVE–HTMT) analizi yapılmadan sonuçlara geçmek, temeli olmadan bina kurmaktır.

• Tek boyut kontrolü: AFA/DFA (CFI/TLI≥.90, RMSEA≤.08).

• Ordinal ölçekler: Polikorik korelasyon, ordinal α/ω tercih edin.

• Kodlayıcı uyumu: Nitel derecelendirmelerde κ/ICC raporlayın.

Tez şablonu: “Ölçeğin tek boyutlu yapısı DFA ile desteklendi (CFI=.95). Ordinal α=.86; ω_total=.88.”

5) Analiz Çekirdeği: Uygun Modeli Doğru Soruyla Eşleştirmek

• Sürekli sonuç: t-test/ANOVA/ANCOVA; çok değişkenli için lineer model.

• İkili sonuç: Lojistik; dengesiz sınıfta Firth veya Poisson-robust risk oranı.

• Zaman–olay: Kaplan–Meier, Cox (PH varsayımı kontrolü).

• Kümeli veri: Karma (mixed) veya GEE; ICC raporu.

• Kategorik/çok düzey: Ordinal/Miltinomiyal lojistik; paralel eğim testi.

Karar ağacı: “Bağımlı değişkenin türü → tasarım (kümelenme/örnekleme) → eksik veri stratejisi → model.”

6) Varsayım ve Diyagnostik: Sonuçlara Giden Sağlamlık Yolculuğu

• Lineer modeller: Artık–uyum, Q–Q, kaldıraç/Cook’s D.

• Lojistik: Logit’te doğrusallık (splines), çoklu bağlantı (VIF), kalibrasyon, Brier skoru.

• Cox: Orantılı risk varsayımı (Schoenfeld artıkları).

• Ağırlıklı/karma örnekleme: DEFF ve robust SE.

Rapor cümlesi: “AUC=.81, Brier=0.17; 0.2–0.8 aralığında kalibrasyon iyi; karma modelde ICC=.07.”

7) Belirsizlik ve Etki Büyüklüğü: Sadece p-Değeri Değil

• %95 Güven aralıkları (GA) zorunludur; parametre tahminlerini pratik eşiğe bağlayın.

• Mutlak fark (yüzde puan) + göreli ölçüler (OR/RR) birlikte verilsin.

• Marjinal etkiler (AME): Lojistik modelleri politika diline çevirir.

• Etki büyüklüğü: d, g, η², OR, risk farkı, NNT.

Şablon: “aOR=1.31 (%95 GA [1.06, 1.61]); AME=+0.07 pp; eşik +5 pp idi—aşıldı.”

8) Çoklu Karşılaştırmalar: Aileyi Tanımla, Yanlılığı Yönet

• Plan: Birincil–ikincil–keşifsel aile.

• Düzeltme: Holm/Bonferroni; keşifselde FDR (BH).

• Rapor: “FDR q<.05 sonrası iki ikincil gösterge kaldı.”

9) Eksik Veri Stratejisi: MI ve Duyarlılık Analizleri

• MI (m≥20); atama modeli kovaryatça zengin.

• Havuzlama: Rubin kuralları.

• Duyarlılık: Pattern-mixture, en kötü–en iyi senaryolar, atama sayısını artırma.

• Tez dili: “MI sonrası ana etki +0.06→+0.05 pp; niteliksel yorum değişmedi.”

10) Kümeli ve Karma Örnekleme: Sonuçlara Doğru SE ile Ulaşmak

• Complex Samples (SPSS/Stata svy/R survey): Ağırlık (wgt), tabakalaşma (strata), küme (PSU).

• Rapor: “DEFF=1.6; tasarıma duyarlı SE ile aOR=1.22 [1.03, 1.45].”

• Karma modeller: (1|okul) kesmesi; gerekiyorsa eğim. ICC ve rastgele etki varyansı verilsin.

11) Replikasyon ve Tekrarlanabilirlik: Bir Tuşla Aynı Sonuç

• Kod merkezli üretim: SPSS Syntax / R / Python; OMS (SPSS) ile tablolara otomatik çıkış.

• Rapor tekliği: Koddan üretilen tablo/figürler → tezde aynı numara/başlık.

• Sürüm kontrolü: Git; betik–veri sürümleri ve tohum (seed) notu.

• Çalıştırılabilir ek: Quarto/Rmd/Notebook ile “tek komut” üretimi.

12) Görselleştirme: Sonucu Tek Bakışta Anlatmak

• Nokta + %95 GA: Ortalama fark/OR’ları gösterin.

• Forest: Alt gruplar, çoklu kovaryat etkileri.

• Marjinal etki şeritleri: Sürekli kovaryatla etkileşim.

• Kalibrasyon paneli: ROC + kalibrasyon eğrisi yan yana.

• Erişilebilirlik: Renk körlüğü dostu palet, doğrudan etiket, eksen–birim netliği.

13) Sonuçlara Ulaşmada Yazılım İş Akışları: SPSS–R–Python

• SPSS: Syntax + OMS + MI + Complex Samples; EMMEANS ve özel Python eklentileriyle AME.

• R: tidyverse (temizleme), mice (MI), glm/glmmTMB/gee, marginaleffects, survey, survival, ggplot2.

• Python: pandas, statsmodels (GLM/GEE), scikit-learn (ROC/kalibrasyon), matplotlib.

• Köprü: Veri temizliği SPSS’te, modelleme R’de; ya da tersi. CSV/SAV/Parquet ile kayıpsız geçiş.

14) Uygulama A (Eğitim): Tezde “Geçme Olasılığı” Sonucuna Ulaşmak

Soru: Program öğrencilerin dersten geçme olasılığını artırıyor mu?

1. Veri: Öğrenci×sınıf paneli; eksikler MI(m=20).

2. Model: Lojistik; pass ~ treat + pretest + SES + (1|class).

3. Diyagnostik: Splines (pretest), AUC=.78, kalibrasyon iyi; ICC=.07.

4. Sonuç: aOR=1.31 [1.06, 1.61]; AME=+0.07 pp [0.02, 0.11]; düşük SES’te +0.10 pp (etkileşim p=.03).

5. Rapor: Forest + marjinal şerit; “Hedefleme düşük SES’te öncelikli.”

15) Uygulama B (Sağlık): Noninferiority Sonucuna Ulaşmak

Soru: Yeni tedavi standardan kötü değil mi (Δ=−3 puan)?

1. Model: ANCOVA (son-test ~ grup + ön-test), robust SE.

2. Sonuç: Ortalama fark −0.8; %95 GA [−1.7, 0.1]; alt sınır −3’ün üstünde → noninferior.

3. Yan etki: RR=0.96 [0.81,1.14]; mutlak fark −1.2 pp (−3.8, 1.5).

4. Görsel: Eşik çizgili karar grafiği + Kaplan–Meier (varsa).

16) Uygulama C (Sosyal Bilimler): İçerik Analizi Sonucuna Ulaşmak

Soru: Kurumun kriz dönemindeki mesaj tonunda dönüşüm var mı?

1. Veri: 3 hafta penceresi; semantik genişlemeli örnekleme.

2. Kodlama: Nitel kod defteri (ton, tema, hedef); κ=.78.

3. Nicel: Konu modelleme (NMF) + duygu/stance sınıflaması.

4. Sonuç: “Yönlendirici” ton 48. saatte tepe; “düzeltme” teması 36–60 saat yükseliyor; düzeltmeye maruz kalanlarda yanlış bilgi tekrarı −7 pp (FDR sonrası).

5. Görsel: Tema–zaman ısı haritası + ağ haritası.

17) Heterojen Etki ve Adalet: “Kim İçin, Ne Kadar?”

• Etkileşim: grup×müdahale; alt gruplar için forest.

• Adalet metrikleri: Sınıflandırıcı sonuçlarında yanlış pozitif/negatif farkları, yeniden kalibrasyon.

• Rapor: “Düşük temsil grupta kalibrasyon sapması; yeniden kalibrasyonla fark azaldı.”

18) Duyarlılık Analizleri: Sonucu Sars, Kıpırdıyor mu?

• Model varyantları: Link fonksiyonu, robust SE, penalizasyon.

• Örneklem varyantları: Uç değer dışlama, ağırlık alternatifleri.

• Plasebo/DID testleri (zamanlı tasarımda).

• Tez cümlesi: “Duyarlılık analizlerinde ana etki yön/büyüklük olarak korundu.”

19) Sonuçların Tercümesi: Akademik Dil → Politika/Klinik Dili

• Mutlak fark ve karar eşiği üzerinden anlatın.

• NNT/NHB gibi karar ölçüleri; risk tabakalaştırma tabloları.

• Öneri: “Ön-test düşük öğrencilerde uygulamanın marjinal getirisi yüksektir; kaynak tahsisi burada önceliklendirilmeli.”

20) Raporlama Şablonları: Teze Yapıştır–Çalıştır

• Ana Tablo: Tahmin | %95 GA | p | Etki (d/OR/RR/AME) | Not (tasarım, düzeltme, yazılım).

• Diyagnostik Tablosu: Model uyumu, AUC/Brier/kalibrasyon, ICC/DEFF.

• Görsel Set: Ana etki noktası + GA, alt grup forest, kalibrasyon paneli, marjinal etki şeritleri.

• Metin Şablonu:

  “Müdahale birincil sonlanımda 3.2 puan artış sağlamıştır (%95 GA [1.1, 5.3], d=0.28). Lojistik modelde aOR=1.31 [1.06, 1.61], AME=+0.07 [0.02, 0.11]. Karma yapıyı hesaba katan modeller ICC=.07 raporlamıştır. İkincil sonlanımlarda FDR q<.05 sonrası iki gösterge anlamlılığını korumuştur. Duyarlılık analizlerinde ana sonuç değişmemiştir.”

21) Kalite Güvencesi: “Gönder Tuşu” Öncesi Kontrol Listesi

1. Verinin kaynağı, tarihleri, sorgu parametreleri manifestte yazılı mı?

2. Temizleme adımları betik hâlinde ve sürümlendi mi?

3. Ölçüm kalitesi (AFA/DFA, α/ω/ICC) raporlandı mı?

4. Model varsayımları ve diyagnostikler açık mı?

5. Sonuçlar %95 GA + etki büyüklüğü + mutlak fark ile mi verildi?

6. Kompleks tasarım/ICC/DEFF hesaba katıldı mı?

7. MI ve duyarlılık analizleri yapıldı mı?

8. Çoklu test düzeltmesi ve aile tanımı net mi?

9. Görseller erişilebilir ve karar odaklı mı?

10. Kod–veri–çıktı tek komutla yeniden üretilebilir mi?

22) Yaygın Hatalar ve Hızlı Onarım Cümleleri

• Yalnız p-değeri: “Etki x, %95 GA [a, b], d=…/AME=….”

• OR’u risk diye yazmak: “OR=…, temel olasılık %… olduğundan mutlak fark ≈ … pp.”

• Kümeyi yok saymak: “Karma/GEE kullanıldı; ICC=.…, robust SE.”

• Eksik veri stratejisiz: “MI (m≥20), atama kovaryatları, havuzlama yöntemi.”

• Kalibrasyon yok: “ROC yanında kalibrasyon eğrisi ve Brier verildi.”

• Görsellerde belirsizlik yok: “Nokta + %95 GA şeritleri eklendi.”

23) Açık Bilim ve Paylaşım: Sonuçlara Kolektif Güven İnşa Etmek

• Anonim/özet veri paketleri + kod + figür üretim betikleri.

• Lisans ve erişim düzeyi (kısıtlı kamusal/kurum içi).

• Denetlenebilir iz: Log dosyaları, betik çalıştırma süreleri, yazılım sürümleri.

• Ek materyal: “Reprodüksiyon kılavuzu” (nasıl çalıştırılır?).

24) Disiplinlere Göre Nüanslar

• Eğitim: Kümeli tasarım, okul/sınıf rastgele etkileri, AME ile politika dili.

• Sağlık: Noninferiority/eşdeğerlik; NNT; Kaplan–Meier ve HR forest.

• Sosyal Bilimler: GEE, ağırlıklandırma; içerik analiziyle karma hat.

• Mühendislik/Doğa: Ölçüm belirsizliği, log–log ölçekler, cihaz kalibrasyonu.

25) Sonuç: Tezde “Sonuçlara Ulaşmak” = Kanıt Zincirini Tamamlamak

Tezde sonuçlara doğru ulaşmak, baştan sona disiplinli bir kanıt zinciri kurmaktır.

1. Araştırma sorusunu ön kayıtlı bir planla operasyonelleştirin.

2. Veriye etik erişin; temizleme ve birleştirmeyi betik haline getirin.

3. Ölçüm kalitesini (AFA/DFA, α/ω/ICC) kanıtlayın.

4. Tasarıma uygun modeli seçin; varsayım–diyagnostik–kalibrasyon üçlüsünü ihmal etmeyin.

5. %95 güven aralıkları, etki büyüklüğü ve mutlak fark ile sonuçları karar diline çevirin.

6. Kümeli ve karma örneklemde robust SE/DEFF kullanın; eksik veride MI ve duyarlılık yürütün.

7. Görselleri karar verdiren şekilde tasarlayın; kod–veri–çıktıyı tek komutta üretilebilecek biçimde paketleyin.

8. Açık bilim ilkeleriyle denetlenebilir bir iz bırakın.

Bu disiplinli yaklaşım, jüri sorularını önceden yanıtlar; “neden böyle yaptınız?”, “ne kadar eminsiniz?”, “başkası aynı veriden aynı sonucu çıkarır mı?” gibi kritik sorulara güçlü, somut ve tekrarlanabilir kanıtlar sunar. Tezinizin bilimsel güvenilirliği ve uygulama değeri bu zincirin sağlamlığıyla doğru orantılıdır.

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 Veri Analizi Sonuçlarına Ulaşım first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.

Gelişme

1) Proje Omurgası: Syntax + OMS + Versiyonlama

Hedef: Tek komutla analizleri, tabloları ve figürleri yeniden üretmek.

• Dosya düzeni: /data, /syntaxes, /outputs/tables, /outputs/figs, /logs.

• OMS ile yakalama:

OMS /SELECT TABLES
/IF SUBTYPES=[‘Parameter Estimates’,’Descriptives’,’Model Information’]
/DESTINATION FORMAT=XLSX OUTFILE=’outputs/tables/run_main.xlsx’ /TAG=’RUN1′.
* … analizler …
OMSEND TAG=’RUN1′.

• İyi uygulama: SPV yerine ham tabloları (XLSX/SAV/CSV) yakalayıp tez/Word/LaTeX şablonuna bağlayın.

2) Python Essentials ile SPSS’i “Betiklenebilir” Yapmak

Neden? Etki büyüklüğü ölçütleri, özel özetler, FDR hesapları, otomatik tablo/figür adlandırma.

BEGIN PROGRAM Python.
import spss, spssdata, math
# Cohen’s d (bağımsız):
def cohend(m1, s1, n1, m2, s2, n2):
sp=math.sqrt(((n1-1)*s1**2+(n2-1)*s2**2)/(n1+n2-2))
return (m1-m2)/sp
# Örnek: OMS ile hesaplanan grup özetlerinden d’yi yazdır.
END PROGRAM.

Rapor cümlesi şablonu: “Müdahale etkisi d=0.28 (%95 GA için bootstrap kullanıldı).”

3) Büyük Veri ile Verimli Çalışmak: Belirli Alanları Okumak, İndekslemek

• Sütun seçimi ve koşullu okuma ile belleği koruyun.

• Ön hesaplı özetler (AGGREGATE) ile “wide→long” dönüşümlerde hız kazanın.

AGGREGATE
/OUTFILE=’data/weekly_panel.sav’
/BREAK=student week
/mean_score=MEAN(score) /sum_time=SUM(mins).

İpucu: Çok geniş veri setlerinde SPLIT FILE OFF ve SET WORKSPACE ayarlarını bilinçli yönetin.

4) Çoklu Atama (MI): Eksik Veriyle İleri Analiz

Eksik veri mekanizması MAR ise MI ile yanlılığı azaltın.

MULTIPLE IMPUTATION var1 var2 var3 group
/IMPUTATIONS 20
/METHOD=MONOTONE (var1 REG, var2 REG, var3 REG)
/SAVE MODELS=YES IMPUTATIONS=ALL.

Havuzlama: MI sonrası regresyon/lojistik/GLM çıktıları pooled tabloya aktarılır.
Rapor: “MI (m=20) sonrası β=3.1 [1.0, 5.1]; liste bazlı analizle uyumlu.”

5) Karma (Complex) Örnekleme: Ağırlık, Strata, Kümeler

Anket/örneklem tasarımınız karma ise Complex Samples modülünü kullanın.

CSPLAN ANALYSIS
/PLAN FILE=’data/design.csaplan’
/PLANVARS ANALYSISWEIGHT=wgt STRATUM=strata CLUSTER=psu.
CSGLM y BY group WITH x1 x2.

Rapor: “Tasarım etkisi (DEFF)=1.6; robust SE ile aOR=1.22 [1.03, 1.45].”

6) GENLIN ve GLMM: Normalin Ötesinde, Düzeylerin Üzerinde

GENLIN: Binom, Poisson, Gamma vb. dağılımlar; link fonksiyonları.

GENLIN y WITH x1 x2
/MODEL x1 x2 DISTRIBUTION=POISSON LINK=LOG
/CRITERIA METHOD=FISHER(1) COVB=ROBUST.

Karma (GLMM): Rastgele kesme/eğim ile sınıf–okul gibi çok düzeyli yapı.

MIXED y BY group
/FIXED=group x1 x2 | SSTYPE(3)
/RANDOM=INTERCEPT | SUBJECT(class) COVTYPE(VC).

Rapor: “Karma modelde ICC=.08; müdahale β=3.2 [1.1, 5.3].”

7) EMMs (Estimated Marginal Means) ve Marjinal Etkiler

Amaç: Kovaryatlar sabitlenmiş durumda grup karşılaştırmaları.

GLM y BY group WITH pretest
/EMMEANS=TABLES(group) WITH(pretest=MEAN) COMPARE ADJ=HOLM.

Marjinal etki (AME): Lojistikte SPSS doğrudan vermez; SAVE=PRED PROB ile olasılıkları kaydedip Python bloklarıyla AME hesaplayın.
Rapor: “AME=+0.07 yüzde puan (%95 GA [0.02, 0.11]).”

8) Çoklu Karşılaştırmalar ve FDR (Benjamini–Hochberg)

SPSS post-hoc (Bonferroni/Holm/Tukey) sunar; fakat FDR için p’leri OMS ile dışarı alıp Python/Excel’de BH uygulayın.
Dipnot şablonu: “İkincil sonlanımlarda FDR q<.05 düzeltmesi uygulanmıştır.”

9) Bootstrap, Permütasyon ve Sağlamlık

Bootstrap (CI): Özellikle küçük/şüpheli dağılımlarda etkiler için.

BOOTSTRAP /SAMPLING METHOD=SIMPLE /VARIABLES= y x1 x2 /CRITERIA CILEVEL=95 N=5000.
REGRESSION /DEPENDENT y /METHOD=ENTER x1 x2.

Permütasyon: SPSS yerleşik sunmaz; ancak Python ile etiketleri karıştırıp istatistik dağılımını üretebilirsiniz.
Rapor: “Bootstrap %95 GA [1.1, 5.3]; sonuç parametrik GA ile tutarlı.”

10) ROC–Kalibrasyon: Sınıflandırma Modellerinde Güven Ölçüsü

ROC:

LOGISTIC REGRESSION y (1) WITH x1 x2.
SAVE PRED(PROB)=p_hat.
ROC CURVE y BY p_hat /PLOT=CURVE /PRINT=SE COORDINATES.

Kalibrasyon: Olasılık bantlarında gözlenen–beklenen karşılaştırma (Custom Tables + Python).
Rapor: “AUC=.81; düşük olasılık bölgesinde hafif aşırı tahmin.”

11) Kategorik Veri: CMH, Risk Ölçütleri, Etki Sunumu

CROSSTABS /TABLES=group BY outcome BY strata
/STATISTIC=CMH RISK
/CELLS=COUNT ROW COLUMN.

12) Psikometri: Ordinal Korelasyon, ω ve Bifaktör

Ordinal α/ω:

• Polikorik korelasyon matrisi → FACTOR ve/veya AMOS ile yükler → ω.
  Rapor: “Ordinal α=.86; ω_total=.88; bifaktör ω_h=.73.”

13) Jamovi/JASP ile SPSS İş Akışı: Çift Yönlü Uyum

Veriyi SPSS’te temizleyip SAV ile jamovi/JASP’ye aktarın; Bayes/SEM/TOST gibi ek analizleri orada yapın; tabloları tekrar SPSS OMS hattına bağlayın.
Not: Sürüm bilgilerini rapor edin (SSS: “Sürümler arası küçük farklılıklar”).

14) Ağırlıklandırma, Post-Stratifikasyon ve d-efekt

Ağırlık değişkeni ile temsiliyet:

WEIGHT BY wgt.

DEFF raporu: Complex Samples çıktılarından alın; belirsizlik yorumu tasarıma göre yapılsın.

15) Zaman Serisi/Panel Yaklaşımlarına Köprü

SPSS’te temel zaman serisi modülleri vardır; panel için çoğu zaman MIXED/GENLIN ile çözümlenebilir. AR(1) benzeri hata yapıları için karma model yanıtları veya dış araçlarla (R/Stata) entegrasyon önerilir.
Rapor: “Haftalık eğim +0.4 (GA [0.2, 0.6]); müdahale×zaman etkileşimi anlamlı.”

16) OMS ile “Karar Tablosu” Otomasyonu

Tek tabloda tahmin, %95 GA, p, etki büyüklüğü:

• OMS’de Parameter Estimates, Model Fit, EMMEANS tablolarını aynı XLSX’e toplayın.

• Python ile sütunları birleştirip kısaltma–dipnot ekleyin.
  Şablon başlık: “Birincil Sonuçlar: Tahmin, %95 GA, Etki, p (tasarım ve düzeltme notlarıyla).”

17) Grafik Otomasyonu: Tek Tema, Tek Dil

• Chart Builder yerine OMS + Python/R ile figür: tutarlı font, renk, GA şeridi.

• Forest: Alt grup OR/d + %95 GA; FDR sonrası vurgular.

• Akış (CONSORT/PRISMA): Şema SPSS dışı çizilir; ancak sayılar SPSS’ten otomatik çekilir.

18) Deneysel Tasarımlar: ANCOVA, EMMs, Noninferiority

• ANCOVA: Paralel eğim testi (etkileşim); başarısızsa Johnson–Neyman söylemi.

• Noninferiority: Eşik Δ; GA alt sınırı Δ’yı aşarsa “noninferior”.
  Rapor: “Alt sınır −1.7 > −3 → noninferiority sağlandı.”

19) Nedensel Çerçeveye Yaklaşmak: Eşleştirme ve Ağırlıklar

SPSS’te doğrudan eğilim puanı araçları sınırlı; Python/R ile MatchIt/WeightIt çıktısını SPSS’e geri getirin.

• Denge diyagnostiği: Standartlaştırılmış fark tablosu (OMS ile).
  Rapor: “Tüm kovaryatlarda |SMD|<.10; ayarlı OR=1.22 [1.04, 1.43].”

20) Kalite Güvencesi: Otomatik Kontroller ve Log’lar

• Eksik değer politikası: MISSING VALUES deklarasyonu.

• Tip/etiket kontrolü: ANALYZE → DESCRIPTIVES + Python kontrolü.

• Log dosyası: SET PRINTBACK=ON, tarih/sürüm başlıkları; hatalı çalışmaları izleyin.

21) Örnek Olay A (Eğitim): Kümeli RCT + MI + GLMM

• MI (m=20) → MIXED: posttest ~ treat + pretest + (1|class).

• Lojistik (pass) için GENLINMIXED; AUC & kalibrasyon ek analizi.
  Sonuç dili: “β=3.2 [1.1, 5.3]; aOR=1.28 [1.03, 1.59]; AME=+0.07.”

22) Örnek Olay B (Sağlık): Complex Samples + CMH + FDR

• CSPLAN ile ağırlık/psu/strata.

• CMH katmanlı OR; 15 ikincil sonuçta FDR.
  Sonuç dili: “MH-OR=1.31 [1.06, 1.61]; FDR sonrası 4 sonuç kaldı.”

23) Örnek Olay C (Psikometri): Ordinal ω, Bifaktör, Kısa Form

• Polikorik→DFA→ω_total/ω_h; DIF taraması; IRT bilgiye göre madde azaltma.
  Sonuç dili: “ω_total=.88; ω_h=.73; kısa form 8 madde ile α=.80.”

24) Sık Hatalar ve Çözümler

• Yalnız p-değeri raporu → Etki + %95 GA + pratik eşik.

• Kümeyi yok saymak → MIXED/Complex Samples.

• MI’sız eksik veri → MI m≥20.

• FDR’siz çoklu sonuç → BH/ q-değeri.

• Grafikte belirsizlik yok → GA şeritleri.

• OMS’siz kopyala–yapıştır → Otomasyon + tablo şablonu.

25) “Gönder Tuşu Öncesi” Kontrol Listesi

1. Syntax başlıkları ve sürüm kaydı var mı?

2. Eksik değer politikası açık mı?

3. Tasarım (ağırlık/cluster/strata) modele yansıtıldı mı?

4. Etki + %95 GA + çoklu düzeltme raporlandı mı?

5. EMMs/AME ile pratik dil kuruldu mu?

6. ROC + kalibrasyon verildi mi (sınıflandırma ise)?

7. OMS ile tüm tablolar tek kaynakta?

8. Grafikte GA şeridi/forest standardı?

9. Reprodüksiyon için veri–kod–sürüm paketi hazır mı?

Sonuç: SPSS’i Gelişmiş Bir Araştırma Platformuna Dönüştürmek

İleri SPSS teknikleri, menü kolaylığını kaybetmeden programlanabilir, denetlenebilir ve genişletilebilir bir analiz dünyasına açar. Bu yazıda çizdiğimiz omurga; OMS ile otomasyon, Python entegrasyonu ile özel hesaplar, Complex Samples/GLMM ile gerçekçi belirsizlik, MI ile eksik yönetimi, FDR ile çoklu test kontrolü, EMMs/AME ile karar odaklı raporlama ve ROC–kalibrasyon ile güven inşasını bir araya getiriyor. Böyle kurulan bir hat, tez ve makalelerinizde yalnızca “doğru” sonuçlar üretmekle kalmaz; aynı sonuçları, aynı yollarla tekrar üretilebilir kılar. SPSS’i “tıklanan kutu”dan çıkarıp kanıtın izini bırakan bir araştırma platformuna dönüştürmenin zamanı geldi.

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 İleri SPSS Teknikleri first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.

1) Bağımsız Örneklem t-Testi Ne Zaman Kullanılır?

• Amaç: İki bağımsız grubun ortalamalarını karşılaştırmak.

• Veri tipi: Sürekli (yaklaşık aralıklı) ölçekte sonuç değişkeni.

• Tasarım: Farklı bireylerden oluşan iki grup (aynı kişilerin iki zamanı değil; o durumda eşleştirilmiş t-testi gerekir).
  Örnek: “Flipped classroom (n=48) vs. geleneksel ders (n=50) okuduğunu anlama puanı.”

2) Varsayımlar: Parametrik Zeminin Dört Ayağı

1. Bağımsızlık: Gözlemler grup içinde ve gruplar arasında bağımsız. (Tasarım ilkesi; istatistikle test edilmez.)

2. Ölçekte Süreklilik: Ölçüt değişkeninin sürekli/interval olması.

3. Yaklaşık Normal Dağılım: Her grup içinde sonuç değişkeni ~ normal (özellikle küçük n’lerde önemli).

4. Varyans Homojenliği: Grupların varyansları eşit (Levene testi ile kontrol).
   Not: Büyük örneklemlerde (n≥30/grup) t-testi normaliteye dayanıklıdır; ancak Welch varyans homojenliği yoksa daha güvenilirdir.

3) Student mı, Welch mi? Karar Ağacı

• Levene p≥.05 → Varyanslar benzer → Student t-testi.

• Levene p<.05 → Varyanslar eşit değil → Welch t-testi (serbestlik derecesi Satterthwaite ile kesirli).
  İpucu: Modern uygulamalarda varsayıma körü körüne güvenmeyin; Welch çoğu durumda güvenli varsayılan seçenektir.

4) Örneklem Büyüklüğü ve Güç (Power) Planı

Araştırma öncesi a priori güç analizi yapın. Gerekli parametreler: beklenen etki büyüklüğü (d), α (genelde .05), güç (1-β; sıklıkla .80 veya .90).
Kural: Orta büyüklükte etki d≈0.5 için denge çoğu zaman n≈64/grup civarında çıkar (yaklaşık). Daha küçük etkiler için n hızla artar. Planı ön kayıtta belirtin.

5) Veri Temizliği ve Keşif: Yanlış Alarmları Önlemek

• Eksik veriler: Mekanizmasını düşünün (MCAR/MAR/MNAR). Küçük oranda ise listwise; değilse çoklu atama (MI) düşünün.

• Aykırı değerler: Kutu/violin grafikleri, Z-skor>3, robust Mahalanobis; kararlarınızı duyarlılık bölümünde belgeleyin.

• Ölçü birimleri: Tüm gözlemler aynı ölçekte mi? (puan, saniye, TL…).

6) Normalite Kontrolleri: Test + Grafik + Sağduyu

• Shapiro–Wilk veya Anderson–Darling (küçük n’lerde yararlı).

• Q–Q grafiği: Kuyruklar ve çarpıklık.

• Skewness/Kurtosis: |skew|<1 ve |kurtosis|<1.5 çoğu pratikte sorun yaratmaz.
  Uyarı: Büyük n’de en ufak sapma bile testleri “anlamlı” çıkarabilir; grafik ve pratik etkiyi daima birlikte yorumlayın.

7) Varyans Homojenliği: Levene/Brown–Forsythe

• Levene (medyan temelli varyantı tercihen) p≥.05 ise eşitlik varsayımı makul.

• p<.05 ise Welch kullanın ve raporda belirtin.
  İpucu: Varyans oranı (büyük/küçük) <1.5–2 ise Student çoğu kez dayanıklıdır; ancak Welch’e geçmek güvenlidir.

8) Test İstatistiği ve Yorum

Rapor: t, serbestlik derecesi (df), p-değeri, %95 GA ve etki büyüklüğü mutlaka verilsin.

9) Etki Büyüklüğü: Cohen’s d, Hedges’ g ve GA

• Cohen’s d (pooled):

• Hedges’ g: Küçük örneklem yanlılığını düzeltir (g ≈ d×J).

• Yorum ölçeği (kaba): 0.2 küçük, 0.5 orta, 0.8 büyük (bağlama göre değişir).

• GA: Etki büyüklüğüne ait güven aralığı vermek karara güç katar.

10) Çoklu Karşılaştırmalar ve Aile-Wise Hata

Birden fazla t-testi yapıyorsanız tip I hata şişer.

• Bonferroni/Holm (konservatif)

• FDR (Benjamini–Hochberg) (keşifsel analizlerde daha esnek)
  Öneri: Planlı karşılaştırmaları önceden belirleyin; raporda düzeltme yöntemini açık yazın.

11) Welch Neden Sıklıkla Tercih Edilir?

Gerçek veride varyans eşitliği nadir. Welch, homojenlik bozulduğunda tip I hatayı daha iyi kontrol eder ve güç kaybı minimaldir. Bu yüzden yazılım çıktısında hem Student hem Welch’i verip Welch sonuçlarını esas almak iyi pratiktir.

12) Sağlam (Robust) Alternatifler: Mann–Whitney mi Trimmed Mean mi?

• Mann–Whitney U (Wilcoxon rank-sum): Normaliteye duyarsızdır; ancak medyan farkı değil, sıralama temelli olasılık farkını test eder.

• Yüzde kırpılmış (trimmed) ortalamalar ve Yuen testi: Aykırıya dayanıklı parametrik-benzeri seçenek.

• Bootstrap GA: Ortalama farkının dağılımını yeniden örnekleme ile tahmin edin.
  Duyarlılık: t-testi + robust alternatif → sonuç yönü aynı mı?

13) Etkiyi Karar Diline Çevirmek: Yüzde Puan ve Olasılık

Yalnız p değeri değil; “Program C, puanı +5.2 artırdı (95% GA: 1.4–9.0), d=0.48” gibi büyüklük ve belirsizlik dilini kullanın. Klinik veya politika bağlamında eşiğe yakınlık da raporlanmalı (ör. “ortalama fark, başarı eşiğinin +3 pp üzerinde”).

14) Görselleştirme: Raincloud, Kutu ve Gardner–Altman

• Raincloud: Ham noktalar + yoğunluk + kutu → dağılımı dürüst gösterir.

• Gardner–Altman: Grup dağılımları + etki büyüklüğü paneli (ortalama farkı ve GA).

• Hata çubukları: SS yerine GA tercih edin.

15) Etki Büyüklüğü ile Güç Post-Hoc Kontrol (Cohen’s d → 1-β)

Analiz sonrası rapora, elde edilen d’ye göre post-hoc güç eklemektense, GA ve duyarlılık daha anlamlıdır. Yine de okuyucu sık sorar; yazılım ile tahmini güç verilebilir ama yorumda dikkatli olun (post-hoc güç yanlış anlaşılmaya açıktır).

16) Dengesiz Örneklemler (n1 ≠ n2): Ne Değişir?

Dengesiz n ve heterojen varyans birlikteyse Student sapabilir; Welch’e geçin. Etki büyüklüğünde Hedges’ g kullanın. Grafiklerde n değerlerini açıkça gösterin.

17) Aykırı Gözlemler: Çıkarma mı, Winsorize mı, Robust mu?

Karar bağlama bağlıdır: ölçüm hatasıysa düzelt/çıkar; gerçek uçsa robust analiz sunun. Winsorize eşikleri (ör. %5-95) şeffafça yazın ve t-testi/robust sonuçlarını yan yana raporlayın.

18) Örnek Olay A (Eğitim): Flipped vs. Geleneksel

Bağlam: 8. sınıf okuduğunu anlama, Flipped (n=48) vs. Geleneksel (n=50).
Kontroller: Shapiro (ns), Levene p=.28 → Student.
Sonuç: t(96)=2.64, p=.010; d=0.53 (95% GA: 0.12–0.93).
Görsel: Gardner–Altman; fark panelinde GA bandı.
Duyarlılık: 2 aykırı winsorize → t(96)=2.41, p=.018; yön değişmiyor.

19) Örnek Olay B (Sağlık): İki Tedavinin Ağrı Skoru

Bağlam: Tedavi A (n=36), Tedavi B (n=28), 0–100 ağrı skorları.
Kontroller: Levene p=.02 → Welch.
Sonuç: t≈(df=57.3)=-2.11, p=.039; g=-0.45 (95% GA: -0.88, -0.02).
Yorum: B, ağrıyı anlamlı ve orta düzeyde düşürüyor.
Robust ek: Yuen testi de p<.05; tutarlılık sağlandı.

20) Örnek Olay C (İşletme): Kasa Hattı Eğitim Programı

Bağlam: Eğitim verilen mağazalar (n=41) vs. verilmeyen (n=43); ort. işlem süresi (sn).
Kontroller: Normalite görselde zayıf; n büyük → Welch.
Sonuç: t(df≈78.6)=-3.05, p=.003; d=-0.68 (GA: -1.12, -0.24).
Karar dili: Ortalama işlem -5.7 sn kısaldı; yıllık kişi-saat tasarrufu X (kuruma çeviri).

21) Çoklu Test Senaryosu: Üç Alt Ölçek

Aynı örneklemde okuma, yazma, kelime üçlüsü test ediliyor.
Düzeltme: Holm (hiyerarşik) → okuma ve kelime anlamlı, yazma değil.
Rapor: “Üç karşılaştırma için Holm düzeltmesi yapılmıştır.”

22) Eşikli/Klinik Anlam: Sadece “İstatistiksel” Değil

Eğitimde +5 puan fark önemli mi? Sağlıkta MCID (en küçük klinik anlamlı fark) nedir? Etkiyi bu eşiğe göre konumlandırın; “GA’nın alt sınırı bile MCID’yi aşıyor” gibi cümleler karar verici için altın değerindedir.

23) Ağırlıklandırılmış Tasarımlar ve T-Testi

Anketlerde tasarım ağırlıkları varsa “klasik” t-testi yanıltabilir. Yazılımın tasarım-düzeltmeli (survey-weighted) t-test fonksiyonlarını kullanın; aksi halde yanlı SH/p elde edebilirsiniz.

24) Varsayım İhlalinde Dönüşüm: Log/Square-Root

Skorlar sağa çarpıksa log/karekök dönüşümleri normaliteyi iyileştirebilir. Dönüşüm sonrası sonuçları orijinal birime çevirmeyi unutmayın; değilse robust seçeneklere yönelin.

25) Etki Büyüklüğünün GA’sı Nasıl Verilir?

Klasik formüller ya da bootstrap ile. Raporu güçlendirmek için d (95% GA) formatını kullanın. Meta-analiz uyumlu hale gelir ve birikimli kanıta katkınız artar.

26) Açık Bilim ve Tekrarlanabilirlik

• Kod ve paket sürümleri (R/Python/SPSS)

• Seed ve ön kayıt (varsayımlar, eşikler, düzeltmeler)

• Ham veri/anonimleştirilmiş paylaşım veya sentetik örnek

• Şekil ve tablo şablonları (vektör, gömülü font)

27) Rapor Şablonu (Yapıştır-Kullan)

“Grup A (n=48) ve Grup B (n=50) için okuduğunu anlama puanları karşılaştırıldı. Normalite Q–Q grafikleriyle makul bulundu; Levene testi varyans homojenliğini doğruladı (p=.28). Student t-testi sonuçlarına göre Grup A’nın ortalaması Grup B’den anlamlı biçimde yüksektir, t(96)=2.64, p=.010. Ortalama fark +5.2 puan olup Cohen’s d=0.53 (95% GA: 0.12–0.93). Gardner–Altman grafiği, farkın pozitif ve belirsizlik bandının 0’ın üzerinde yoğunlaştığını göstermektedir.”

28) Sık Hatalar ve Kaçınma Yolları

1. Bağımsızlığı ihmal: Sınıf içi kümelenmiş veride (öğrenci-sınıf) t-testi yerine çok düzeyli/karma ANOVA düşünün.

2. Varyans eşitliğine kör güven: Welch’i raporlayın.

3. Sadece p-değeri: d/g ve GA vermek şart.

4. Çoklu test düzeltmesi yok: FDR/Holm uygulayın.

5. Aykırıyı saklamak: Robust alternatifle duyarlılık verin.

6. Grafiklerde SS çubuğu: GA gösterin; ham noktaları da ekleyin.

29) Yazılım İpuçları (Kısa)

• R: t.test(y~grup, var.equal=TRUE/FALSE), effsize::cohen.d, ggplot2, dabestr (Gardner–Altman).

• Python: scipy.stats.ttest_ind(equal_var=True/False), pingouin.ttest, dabest.

• SPSS/JASP/jamovi: Menü üzerinden Welch seçeneği, etki büyüklüğü ve GA kutucukları.

30) Genişletmeler: Eşleştirme ve Kovaryans Kontrolü

Rastgele olmayan karşılaştırmalarda PSM/IPW ile grupları dengeleyip t-testi uygulayın veya ANCOVA ile başlangıç puanını kovaryans olarak modele alın; etki tahmininiz önyargıdan arınır.

Sonuç

Bağımsız örneklem t-testi, akademik araştırmalarda basit ama derin bir araçtır. Gücü, yalnız iki ortalamayı karşılaştırmasında değil; varsayım yönetimi (normalite, varyans homojenliği), doğru test seçimi (Student vs. Welch), etki büyüklüğü ve güven aralığı ile sonucu anlamlılıktan öte bir dile taşımasında yatar. Robust alternatifler (Yuen, bootstrap GA) ve duyarlılık analizleri, bulguların sağlamlığını artırır. Çoklu karşılaştırmalarda düzeltme uygulamak, dengesiz örneklemlerde Welch’i tercih etmek, grafiklerle dağılım ve belirsizliği görünür kılmak iyi bilimsel pratiklerdir.

Karar verici için en ikna edici cümle, çoğu zaman “ne kadar” ve “ne kadar eminiz?” sorularına nettir: “Müdahale, ortalamayı +5.2 puan artırdı; d≈0.5, %95 GA 1.4 ile 9.0 arasında.” Bu dil, bulguyu yalnız istatistiksel doğruluğa değil; kuramsal anlam ve uygulama etkisine de bağlar. Kod, veri ve sürüm bilgisiyle tekrarlanabilir bir rapor sunduğunuzda, t-testi sonuçlarınız yalnız bugünün çalışmasına değil, yarının meta-analizlerine de katkı verir.

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 Uygulamalı Bağımsız Örneklem t-Testi Rehberi first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.