1) Araştırma Sorusu ve Nedensel Çerçeve: “Hangi mekanizma, kimin için, ne kadar?”

Deneysel analiz, açık bir nedensel hipotez gerektirir: “Program X, Y çıktısını artırır; mekanizma M aracılığıyla; etki Z bağlamında farklılaşır.” Bu üçlü (etki–mekanizma–heterojenlik) daha tasarım aşamasında yazıya dökülmelidir.
Uygulama:

• Etki: Ortalama fark veya olasılık oranı ile ölçülecek.

• Mekanizma: M (aracılık) için ölçüm planı.

• Heterojenlik: Önceden belirlenmiş alt gruplar (SES, cinsiyet, ön-test düzeyi).
  Örnek olay: Okul tabanlı okuma müdahalesinde “öğretmen geri bildirimi” olası aracıdır; düşük SES’te etki daha güçlü beklenir.

2) Güç (Power) ve Örneklem Planlaması: “Aralığa tasarım”

Güç analizi, yalnız p<.05 için değil, hedeflenen güven aralığı genişliği için yapılmalıdır.

• Sürekli sonuç: İki bağımsız grup için örneklem ≈ n≈2(z1−α/2+z1−β)2σ2/Δ2n \approx 2\left(z_{1-\alpha/2} + z_{1-\beta}\right)^2 \sigma^2 / \Delta^2n≈2(z1−α/2​+z1−β​)2σ2/Δ2.

• Etki büyüklüğü d: $\Delta =d\cdot \sigma$.

• Küme randomizasyonu: Etkin örneklem = nbirey/(1+(m−1)ρ)n_\text{birey} / (1 + (m-1)\rho)nbirey​/(1+(m−1)ρ) (tasarım etkisi, ρ: iç sınıf korelasyonu).
  Uygulama: “%95 GA yarı genişliği ≤ 0.10 puan” hedefiyle örneklem belirlemek, karar vericiye anlamlılık verir.

3) Randomizasyon, Dengeleme ve Rastlantısallık Kontrolü

Basit, bloklu, tabakalı (stratified) ve minimizasyon stratejileri…

• Amaç: Kovaryatlarda denge (balance).

• Analiz öncesi kontrol: Denge tabloları (ortalamalar/ oranlar + standartlaştırılmış farklar).

• Karar: Dengesizlik varsa önceden belirlenmiş kovaryatlarla ANCOVA/karma model.
  Örnek: 6 okulda blok, okul içinde birey randomizasyonu; SES ve cinsiyet tabakaları.

4) Körleme (Blinding) ve Beklenti Etkileri

Katılımcı, uygulayıcı ve değerlendiricinin körlenmesi ölçüm yanlılığını düşürür. Sosyal bilimlerde tam körleme zordur; en azından değerlendirici körlüğü ve protokol-ön-kayıt tercih edilmelidir.
Uygulama: Kodlayıcıların grup bilgisini görmemesi; “kör rubrik” ile puanlama.

5) Müdahale Bağlılığı (Fidelity) ve Manipülasyon Kontrolü

Tedavi “verildi mi” ve “ne kadar verildi”?

• Fidelity göstergeleri: Oturum sayısı, süresi, içerik kontrol listeleri.

• Manipülasyon kontrolü: Algılanan tedavi (placebo/aktif kontrol) farkı ölçülmeli.
  Analiz: Fidelity değişkeni kovaryat olarak değil, uyum tartışmasında (ITT/TOT) kullanılır.

6) Ölçüm, Güvenirlik ve Zamanlama

Ölçüm hatası etkiyi sönümler.

• Güvenirlik: α/ω ≥ .70; puanlayıcılar arası κ/ICC ≥ .70/ .75.

• Zamanlama: Sonuç ölçümü için “matürasyon” süresi gerçekçi olmalı; kısa vadeli etkiler ile kalıcılık ayrıştırılsın.
  Uygulama: Ön-test–son-test–izleme (follow-up) tasarımlarında tekrarlı ölçümler modelleri planlayın.

7) Eksik Veri, Tahliye (Attrition) ve Uyumsuzluk (Noncompliance)

Deneylerde en büyük tehlikelerden biri simetrik olmayan attrition ve tedaviye uyumsuzluktur.

• ITT (Intention-to-Treat): Randomize edildiği gruba göre analiz; temel rapor.

• TOT (Treatment-on-the-Treated) / CACE: Uyum oranlarıyla etki; IV (instrümantal değişken) yaklaşımı (randomizasyon gösterge’si enstrüman).

• Eksik veri: MAR varsayımında Çoklu Atama (MI) veya FIML; MNAR şüphesinde duyarlılık analizi.
  Örnek: Müdahale grubunda %12, kontrolde %6 attrition → farkın etkisi MI + inverse probability weighting ile test edilir.

8) Ana Analiz: Basitten Başlayıp Modeli Genişletmek

8.1) İki bağımsız grup:

• t-testi (eşit/ eşit olmayan varyans).

• Etki büyüklüğü: Cohen’s d (Hedges g küçük örneklemde).

• %95 GA: Tahmin ± t*×SE.

8.2) Ön-test–son-test (kovaryatlı):

• ANCOVA: Son-test ~ grup + ön-test (+ tabakalar). Kovaryat kontrolü güç artırır.

• Varyans homojenliği ve eğim paralelliği varsayımları kontrol edilmeli.

8.3) Tekrarlı ölçümler/kesişen etkiler:

• Karma (mixed) modeller: Rastgele kesişim (birey/küme) ± rastgele eğim; AR(1) bağımlılık.

• Rapor: β, SE/GA, varyans bileşenleri, ICC.

9) Faktöriyel Tasarımlar (2×2, 3×2…): Ana Etki ve Etkileşim

Faktöriyel deneyler sadece ortalamaları değil, koşullu etkileri de öğretir.

• ANOVA/GLM: Ana etkiler + etkileşim.

• Görselleştirme: Koşullu etkiler grafiği; Johnson–Neyman bölgeleri.

• Yorum: “Program etkisi, düşük ön-test düzeyinde güçlü; yüksek düzeyde minimal.”

10) Çok Kollu ve Çok Sonuçlu Çalışmalar: Hata Enflasyonu Yönetimi

Üç+ kol (A, B, C) ve birden çok sonuçta yalancı pozitif riski artar.

• Karşılaştırma planı: Önceliklendirilmiş hipotez listesi.

• Düzeltme: Holm/Bonferroni, Benjamini–Hochberg FDR; kapalı test prosedürleri (gatekeeping) klinik çalışmalarda yaygın.

• Rapor: Düzeltme yöntemi ve etkilerin GA’ları.

11) Küme Randomize Denemeler (cRCT): ICC, Tasarım Etkisi ve Modelleme

Öğrenciler sınıflarda, hastalar kliniklerde kümelenir.

• ICC > 0 ise bağımsızlık yok; tasarım etkisi ile güç düşer.

• Analiz: Karma modeller/GEE; robust (cluster-robust) SE’ler.

• Birincil ölçüt: Birey düzeyi sonuç için marjinal (GEE) ya da koşullu (GLMM) etkiler; raporda açık yazın.

• Diyagram: CONSORT uzantısı cRCT için ayrı başlıklar gerektirir.

12) Stepped-Wedge, Crossover ve Adaptif Tasarımlar

Stepped-wedge: Tüm kümeler sonunda müdahale alır; giriş sırası randomize.

• Analiz: Zaman trendi + küme rastgele etkisi; carryover etkileri test edin.
  Crossover: Aynı birey farklı koşulları sırayla alır; taşma (carryover) ve washout kritik.
  Adaptif: Ara analizlerle örneklem/kol sayısı ayarı; tip–I hata kontrolü için grup sıralı yöntemler (O’Brien–Fleming, Pocock).

13) Eşdeğerlik ve Alt Kalmama (Noninferiority)

Amaç “en az mevcut kadar iyi”yi kanıtlamaktır.

• Eşdeğerlik: GA tamamen [−Δ, +Δ] içinde.

• Noninferiority: Alt sınır > −Δ.

• Rapor: Δ’nın klinik/uygulama gerekçesi; GA’lı grafik (eşik çizgileri).

14) Bayesçi Yaklaşım: Ön Bilgi ve Olasılıksal Yorum

Bayes, araştırmacıya “etkinin şu eşik üstünde olma olasılığı”nı söyleme fırsatı verir.

• Öncel (prior): Zayıf bilgilendirici (weakly informative) önerilir.

• Çıktı: Posterior dağılım, %95 güvenilirlik aralığı (credible interval), $P(\text{etki}>\delta )$.

• Karar: Pratik eşikler üzerinden olasılıksal iletişim (“%78 olasılıkla d≥0.20”).

15) Zaman Serisi ve Deneyler: ITS ve A/B Testleri

ITS: Tek grup, müdahale öncesi–sonrası uzun seri; seviye ve eğim kırılmaları.
A/B testleri: Çevrim içi deneylerde ardışık analiz riski → alpha-harcama/sequential tasarım.
Rapor: Etkileşimli panolarda p-yoğurma (p-hacking) riski; analiz pencereleri ön-kayıtlı olsun.

16) Aracılık (Mediasyon) ve Moderasyon (Etkileşim)

• Aracılık: Bootstrap GA ile dolaylı etki; deneysel manipülasyon → en güçlü kanıt.

• Moderasyon: Koşullu etkiler; Johnson–Neyman bölgeleri.
  Uyarı: İkincil analiz; ön-kayıt yoksa “keşfedici” etiketleyin.

17) Heterojen Etkiler ve Alt Gruplar: Planlı mı, keşfedici mi?

Alt grup analizleri güçsüz ve yanıltıcı olabilir.

• Planlı alt gruplar: Ön-kayıt + yeterli güç.

• Keşfedici: Çoklu karşılaştırma düzeltmesi + grafikle belirsizlik vurgusu (forest).

• Meta-analitik bakış: Birden fazla çalışmada tutarlılık aranmalı.

18) Eksik Veri Stratejileri: MI, FIML, Duyarlılık Analizi

• MI: m=20+, predictive mean matching; pooled GA’lar raporlanır.

• FIML: Yapısal eşitlik modellerinde güçlü.

• MNAR duyarlılık: Pattern-mixture/selection; “en kötü durum” senaryosu.
  Örnek: Başarı sorusunda %10 eksik; MI sonrası d=0.26 (GA [0.11, 0.41]) → liste bazlı çıkarıma göre daha istikrarlı.

19) Etki Büyüklükleri: d, f, OR/RR, NNT ve Pratik Anlam

• Sürekli: Cohen’s d, ANOVA’da f/η²/ω².

• İkili: OR, RR; risk farkı ve NNT (Number Needed to Treat) politika diline yakındır.

• Rapor: Nokta tahmini + %95 GA; görselde eşik çizgileri (ör. klinik anlamlı değişim).

20) Çoklu Karşılaştırma ve Durdurma Kuralları

• FDR/Bonferroni/Holm: Sonuç ailesi temelinde; gatekeeping yöntemi.

• Ara analiz: O’Brien–Fleming (konservatif), Pocock (daha erken durdurma olasılığı).
  Şeffaflık: Ön-kayıtlı plan ve karar kuralları raporda yer almalı.

21) Grafiksel Anlatım: Forest, Belirsizlik Şeritleri ve Karar Tabloları

• Forest plot: Alt gruplar/kümeler arası etki + GA.

• Belirsizlik şeritleri: Regresyon/olasılık eğrileri etrafında.

• Karar tablosu: Ölçüt | Grup ort.±SS | fark (GA) | etki (d/OR/RR) | p | not.
  İlke: GA türü etikette açık olsun (“%95 GA”).

22) Duyarlılık ve Sağlamlık Analizleri: “Sonuç ailesi”

• Aykırı çıkarımı/robust SE/ alternatif model (log/delta-dönüşüm).

• Farklı kovaryat setleri, farklı kümelenme düzeyleri.

• Rapor: Ana etki aralığı değişmiyorsa sonuç sağlam; değişiyorsa koşullu vurgusu.

23) Örnek Olay A: Eğitimde 2×2 Faktöriyel Sınıf Deneyi

Tasarım: (Müdahale: Var/Yok) × (Geri Bildirim Sıklığı: Düşük/Yüksek). n=480 öğrenci, sınıflarda kümeli.
Analiz: Karma model; öğrenci (1|sınıf), ana etkiler + etkileşim.
Bulgular:

• Müdahale ana etkisi β=3.2 (GA [1.1, 5.3]) puan.

• Sıklık ana etkisi β=1.5 (GA [0.3, 2.7]).

• Etkileşim β=−2.1 (GA [−3.9, −0.3]) → yüksek sıklıkta marjinal fayda azalıyor.
  Yorum: “Daha sık” her zaman “daha iyi” değil; doğru doz önemli.

24) Örnek Olay B: Klinik Noninferiority Denemesi

Amaç: Yeni teleterapi, yüz yüze terapiye göre aşağı kalmıyor mu?
Δ: −3 puan (klinik anlamlı düşüş eşiği).
Sonuç: Ortalama fark = −0.8, %95 GA [−1.7, 0.1] → alt sınır −3’ün üstünde: noninferiority sağlandı.
Ek: Yan etki profili; NNT farkı anlamsız → maliyet-etkinlik öne çıkar.

25) Örnek Olay C: Stepped-Wedge cRCT

Bağlam: 12 okul, her ay 2 okul programa giriyor; 6 ay sonunda tümü müdahalede.
Model: Zaman sabit etkileri + okul rastgele etkileri; robust SE.
Bulgular: Seviye etkisi β=2.6 (GA [1.0, 4.2]); eğim etkisi anlamsız.
Yorum: Program etkisi hızlı—zamana yayılan artış yok.

26) Etik, Kayıt ve Açık Bilim

• Etik kurul onayı ve rıza: Özellikle savunmasız gruplarda.

• Ön-kayıt/registry: hipotez, analiz planı, durdurma kuralları.

• Kod ve veri paylaşımı: Anonimleştirme; analiz betikleri (R/ Stata/ SPSS Syntax), paket sürümleri, seed.

• Tekrarlanabilir rapor: Quarto/R Markdown; “fig-XX_effect.pdf” tutarlı adlandırma.

27) Raporlama Standartları: CONSORT + Alan Uzantıları

• Akış diyagramı: Uygun–randomize–müdahale alan–izlenen–analize dahil.

• Tablolar: Denge, birincil/ikincil sonuçlar, yan etkiler.

• Grafikler: Forest; etki–GA; alt grup.

• Dil: p yerine etki + GA vurgusu; “kanıtlar işaret ediyor” söylemi.

28) Sık Yapılan Hatalar ve Önleme

• Yalnız p-değeri raporu: Etki + GA zorunlu.

• Kümelenmeyi yok saymak: SE küçülür → yanlış pozitif.

• Protokol dışı analizi ana sonuç gibi sunmak: Keşfedici etiketleyin.

• Ara analizlerde alfa harcamasını göz ardı etmek: Tip–I hata artar.

• Alt grup enflasyonu: Ön-kayıt + düzeltme + grafikle belirsizlik.

29) Görselleştirme Atölyesi: Karar Verdiren 3 Şekil

1. Ana Etki Nokta+%95 GA: Müdahale farkı; eşik çizgisi (klinik/uygulama).

2. Alt Grup Forest: Düşük/orta/yüksek ön-test, SES; her biri d ve GA.

3. Olasılık Eğrisi + Şerit: Lojistik modelde geçme olasılığı; temel olasılık dipnotu.
   İpucu: “Hata çubukları %95 GA’dır” etiketi; eksen adı birimle net.

30) Sonuç: Deneysel Analizde Dürüst Belirsizlik ve Etkili Anlatı

Deney, bilimsel iknanın sanatıdır—ama sanat, matematiksel dürüstlük ve tasarımsal disiplin ile güçlenir. İyi bir deneysel analiz:

1. Güç ve örneklem planını yalnız p-değeri değil, güven aralığı genişliği üzerinden kurar;

2. Randomizasyon ve dengeyi saydamca gösterir; dengesizlikte önceden belirlenmiş kovaryatlarla ANCOVA/karma model kurar;

3. ITT’yi temel alır, TOT/CACE ve duyarlılık analizleri ile uyumu tartışır;

4. Etki büyüklüğünü (d/OR/RR/NNT) ve %95 GA’yı merkeze koyar;

5. Kümelenmeyi doğru modeller (GEE/GLMM), ICC’yi raporlar;

6. Çoklu sonuç ve ara analizlerde tip–I hatayı planlı yöntemlerle kontrol eder;

7. Alt grup ve heterojen etkiyi ya ön-kayıtla güçlendirir ya “keşfedici” diye etiketler;

8. Aracılık–moderasyon ve mekanizma anlatısını bootstrap GA ve koşullu etkilerle destekler;

9. Görselleştirmede belirsizliği saklamaz; forest ve şeritlerle karar verdirir;

10. Etik–kayıt–açık bilim ilkeleriyle kod ve veriyi mümkün ölçüde paylaşır;

11. CONSORT ve alan uzantılarıyla raporu standartlaştırır.

Son kertede, güçlü deneysel analiz “kazandık mı?” sorusundan daha fazlasını yanıtlar: Ne kadar kazandık? Kimler için? Hangi maliyetle? Ne kadar emin? Yanıtları bu çerçevede verdiğinizde, çalışmanız yalnız yayın almakla kalmaz; pratik dünyada karar olur. Deney, belirsizlikle dürüstçe konuşabildiğimiz ölçüde ikna eder. Bu yüzden şiar şu olsun: Etkiyi göster, belirsizliği saklama, mekanizmayı anlat, tasarımı savun.

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 Deneysel Araştırmalarda Veri Analizi first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.