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.

1) Yorumlamanın Temeli: Araştırma Sorusuna Dönmek

Yorumlamaya başlamadan önce ilk basamak, bulguları orijinal araştırma sorusu ve hipotezleriyle eşleştirmektir. Varsayımlar, analiz seçimi ve modelleme kararları nasıl bir hikâye çerçevesi çizmişti?
Uygulama: Her bulgu için şu üçlü şablonu kullanın: (i) Hangi soruya yanıt veriyor? (ii) Kuramdaki hangi beklenti ile ilişkili? (iii) Bulgunun kapsamı ve sınırı ne?
Örnek Olay: “Öğrenci motivasyonunu artıran bir okul-içi müdahale var mı?” sorusu için bulunan η²=0.07’lik bir etki, orta düzey pratik öneme işaret eder. Yorum, “müdahale işe yaradı” ile bitmemeli; nerede, kimde, hangi koşullarda sorularına da yanıt vermelidir.

2) p-Değerlerini Abartmadan Okumak

p-değeri, verilerin (ya da daha uçlarının) sıfır hipotezi doğru varsayımı altında görülme olasılığıdır; “hipotezin doğru olma olasılığı” değildir.
Uygulama: p<.05 eşiğine takılıp kalmayın. Bulguları etki büyüklüğü ve güvenirlik aralıklarıyla beraber raporlayın.
Derin Analiz: Büyük örneklemlerde küçük etkiler bile anlamlı olabilir; küçük örneklemlerde büyük etkiler istatistiksel anlamlılığa ulaşamayabilir. Bu nedenle p-değeri, tek başına anlamlı değildir.
Mikro Senaryo: n=1500’lük veriyle r=.06 (p<.01) bulundu. İstatistiksel olarak anlamlıdır; ama pratikte etkisi çok zayıf olabilir. Politik öneri üretmek için yeterli mi? Çoğu durumda hayır.

3) Etki Büyüklüğü: Pratik Önemi Ölçmek

Cohen’s d, Hedges’ g, η²/ω², r, OR (odds ratio), RR (relative risk), f² gibi ölçüler “etkinin gücünü” sunar.
Uygulama: Her temel bulgu için en az bir etki büyüklüğü ölçüsü raporlayın; mümkünse alan yazında bilinen referanslarla karşılaştırın.
Örnek Olay: Deney grubunda not ortalaması 72’den 75’e yükseliyor; kontrol 73’ten 73.5’e. Cohen’s d=0.35 orta-küçük arası bir etkiyi gösterir. Yorum: “Eğitsel açıdan anlamlı olabilir; ancak sürdürülebilirlik ve maliyet-etkinlik değerlendirmesi gerekir.”

4) Güven Aralıklarını (GA) Merkeze Almak

%95 GA, parametrenin olası değerleri hakkında belirsizliği ifade eder.
Uygulama: p-değeri yerine/yanında GA sunun: d=0.35, %95 GA [0.12, 0.58]. Bu, etkinin pozitif olduğu yönünde makul bir güven sağlar.
Derin Analiz: Geniş aralıklar → belirsizlik yüksek; dar aralıklar → belirsizlik düşük. GA’nın sınırları kuram ve uygulama kararları için pusuladır.

5) İstatistiksel Anlamlılık vs. Pratik/ Klinik/ Eğitsel Anlam

İstatistiksel sonuçların politika, eğitim veya klinik düzlemde “anlamlı” olup olmadığını belirlemek için etki büyüklüğü, maliyet, uygulanabilirlik, yan etkiler, paydaş kabulü gibi ölçütlere bakılmalıdır.
Uygulama: “Minimum klinik/ eğitimsel anlamlı değişim” eşiğinizi veri toplamadan önce tanımlayın.
Örnek Olay: Okul motivasyon programı devamsızlığı %1.3 azaltıyor (p=.04). İstatistiksel olarak anlamlı, ama yönetimsel olarak bu düşüşün maliyete değip değmeyeceği tartışılmalı.

6) Model Varsayımlarını Tartışmak

Doğrusal regresyon, ANOVA, lojistik regresyon, karma modeller vb. her biri varsayımlar içerir (normallik, bağımsız hata, homojenlik, çoklu doğrusal bağlantı).
Uygulama: Varsayım kontrollerini yorum bölümünde açıkça tartışın. İhlaller, bulgu yorumunu sınırlar.
Örnek Olay: Levene testi ihlali görülen gruplar için Welch ANOVA raporlandıysa, “grup varyansları eşitsiz olduğundan klasik ANOVA yerine Welch tercih edildi; sonuçlar bu bağlamda geçerlidir” cümlesi yoruma şeffaflık katar.

7) Çoklu Karşılaştırma ve Yanlış Keşif Oranı

Çok sayıda hipotez test etmek, yalancı pozitif riskini artırır.
Uygulama: Bonferroni, Holm veya FDR (Benjamini-Hochberg) düzeltmeleri uygulayın; yoruma bu bilgiyi ekleyin.
Mikro Senaryo: 20 alt testten 4’ü p<.05; FDR sonrası yalnızca 2’si anlamlı. Yorum: “İlk bakışta geniş bir etki izlenimi olsa da çoklu test düzeltmesi sonrası etkiler sınırlı kalıyor.”

8) Alt Grup (Subgroup) ve Etkileşim Yorumları

Alt gruplarda anlamlılık, genel ortalama etkiden sapabilir.
Uygulama: Etkileşim terimlerini (grup × cinsiyet, grup × sosyoekonomik durum vb.) raporlayıp yorumda bağlamsallaştırın; gücü yetersiz alt grup analizlerini aşırı yorumlamayın.
Örnek Olay: Program kız öğrencilerde d=0.50, erkeklerde d=0.10. Etkileşim p<.05 ise “etki cinsiyete göre değişiyor” diyebilirsiniz; değilse “farklılık ipucu” olarak yorumlayın, kesin hüküm vermeyin.

9) Duyarlılık (Sensitivity) ve Sağlamlık (Robustness) Analizleri

Model spesifikasyonları değiştiğinde sonuçlar ne kadar stabil?
Uygulama: Aykırı değerleri çıkardığınızda, alternatif ölçümler kullandığınızda, imputation stratejisini değiştirdiğinizde bulgular benzer kalıyorsa “sağlam”dır.
Örnek Olay: Lojistik regresyonda OR=1.42 (%95 GA [1.10, 1.86]) olup, farklı kovaryat setleriyle 1.35–1.48 aralığında kalıyorsa yorumda sağlamlık vurgulanmalıdır.

10) Nedensellik Dilinde İhtiyat: Korelasyon, Neden Değildir

Gözlemsel çalışmalar, aktarılabilir içgörü sunsa da nedensellik iddiası için tasarım ve analiz gerekçesi gerekir (IV, farkların farkı, eğilim puanı eşleştirme, RDD vb.).
Uygulama: Nedensel iddia kuracaksanız varsayımları açık yazın; alternatif açıklamaları ve confounder ihtimalini tartışın.
Mikro Senaryo: “Sosyal medya kullanım süresi ↑ → başarı ↓” ilişkisi var. Ters nedensellik (başarısızlık → sosyal medya kaçışı) ve üçüncü değişken (stres) ihtimalini tartışmadan “neden” demek hatalı olur.

11) Genellenebilirlik: Örneklemden Evrene

Örneklem seçimi (tesadüfi/ kolayda), bağlam (okul türü, şehir), zaman dilimi ve örneklem büyüklüğü, bulguların nereye kadar genellenebileceğini belirler.
Uygulama: “Bu bulgular, X ilindeki devlet liseleri için geçerli; vakıf okullarına ve farklı sosyoekonomik profillere doğrudan genellenemez.” gibi netlik sağlayın.
Örnek Olay: Küçük bir Anadolu ilçesindeki çalışma, metropol lise nüfusuna genellenirken ihtiyat gerektirir.

12) Eksik Veri ve Seçici Raporlama Etkisi

Eksik veri mekanizması (MCAR/MAR/MNAR) yorumu değiştirir.
Uygulama: İmputation yaptığınızda ve yapmadığınızda sonuçları karşılaştırın; raporda eksik veri oranlarını/kalıplarını gösterin.
Derin Analiz: “Seçici raporlama” (yalnızca anlamlı sonuçları yazma) bilimin düşmanıdır. Ön kayıt ve eklerde “negatif bulgular” da sunulmalıdır.

13) Görselleştirme ile Yorumun Güçlendirilmesi

İyi bir grafik, bulguların sezgisel anlaşılmasını sağlar: etki büyüklüklerinin GA’larıyla “forest plot”, dağılımın yoğunluk grafikleri, lojistik model olasılık eğrileri, etkileşim etki diyagramları.
Uygulama: Görsellerde doğru ölçek, etiketsiz eksen bırakmama ve belirsizliği (GA/SE) işaretleme zorunludur.
Örnek Olay: Ortalama fark grafiğinde yalnızca kolonlar değil, hata çubukları (SE/GA) da gösterilerek “güven” duygusu yaratılır.

14) Nitel Bulguların Yorumlanması: Temadan Kurama

Nitel analiz (içerik analizi, tematik analiz, kuram oluşturma) yorumlamada katılımcı sesini öne koyar.
Uygulama: Temaları doğrudan alıntılarla destekleyin; çeşitlilik ve karşıt örnekleri de sunun.
Derin Analiz: Araştırmacı önyargısını (refleksif günlük) ve üçgenlemeyi tartışın.
Örnek Olay: “Uzaktan eğitimde motivasyon düştü” temasının yanında “esneklik arttı” karşıt teması dengeli yorum sağlar.

15) Karma Yöntemlerde (Mixed Methods) Entegrasyon Yorumları

Nicel ve nitel bulgular yakınsak (convergent) ya da tamamlayıcı olabilir.
Uygulama: “Triangulation matrix” ile iki yöntemin bulgularını yan yana verin: nerede örtüşüyor, nerede ayrışıyor? Ayrışma varsa olası açıklamalar?
Örnek Olay: Nicel olarak d=0.20 küçük etki, nitel görüşmelerde “gözle görülür iyileşme” algısıyla çelişebilir. Bu farklılık bağlamsal açıklamalarla yorumlanmalıdır (ölçek duyarlılığı, ölçekte tavan etkisi, uygulama heterojenliği vb.).

16) Politika ve Uygulama İçin Çıkarımlar

Yorumlamanın nihai amacı, bilimsel katkının yanında pratik çıkarımlar üretmektir.
Uygulama: Etki büyüklüklerini maliyet, uygulanabilirlik ve adalet (equity) çerçevesinde değerlendirin.
Örnek Olay: Düşük maliyetli, orta etki büyüklüklü bir okuma programı, kaynak kısıtlı okullarda öncelik sırasına alınabilir.

17) İletişim Dili: Kesinlikten Kaçın, Belirsizliği Sahiplen

“Kanıtlar X’i işaret ediyor”, “Bulgular X’in muhtemel olduğunu gösteriyor” gibi dil, bilimseldir.
Uygulama: GA’lar, duyarlılık analizleri ve sınırlılıklar açıkça yazılmalı.
Örnek Olay: “Program başarıyı artırır” yerine “Program, incelenen bağlamda başarıda küçük-orta artışla ilişkili bulundu; başka bağlamlarda doğrulanmaya muhtaçtır.”

18) Reprodüksiyon ve Şeffaflık: Kod, Veri, Ekler

Yorumun ikna gücü, tekrarlanabilirlikle artar.
Uygulama: Kodları eklerde/repoda paylaşın, veri erişimini etik çerçevede düzenleyin, ön analiz planını ve sapmaları belgeleyin.
Mikro Senaryo: “Plan dışı keşfedici analizler” ayrı etiketlenir; ana sonuçların yorumu ile karıştırılmaz.

19) Hatalı Yorum Kalıpları: “P-Hacking”, “HARKing” ve Başka Tuzaklar

P-Hacking: Çok sayıda analizi deneyip yalnızca anlamlı olanı raporlamak.
HARKing: Bulgulardan sonra hipotez uydurmak.
Uygulama: Ön kayıt, çoklu test düzeltmesi, keşfedici/doğrulayıcı ayrımı.
Örnek Olay: Üç farklı aracı model denenip yalnızca anlamlı çıkan raporlanırsa, yorum hatalı şişer; güven azalır.

20) Etki Mekanizmalarını Tartışmak: Aracılık ve Moderasyon

Yalnız “ne oldu?” değil, “neden oldu?” sorusuna yaklaşmak gerekir.
Uygulama: Aracılık analizlerinde nedensel varsayımları (zamanlama, ölçüm hatası) tartışın; moderasyon varsa politika önerilerini hedeflenmiş gruplar için geliştirin.
Örnek Olay: Motivasyon artışının, “özyeterlik” artışı aracılığıyla başarıya yansıdığı modeli (β_aracı anlamlı) yorumlamak, hedefi özyeterlik güçlendirmeye çevirmek için temel sağlar.

21) Lojistik Regresyon Sonuçlarını Anlaşılır Kılmak

OR (odds ratio) soyut gelebilir.
Uygulama: Olasılık dönüşümleriyle somutlaştırın: “Müdahale grubu, sınıfı geçme olasılığında yaklaşık %12 puanlık artış gösteriyor (GA: %4–%19).”
Örnek Olay: OR=1.42 demek yerine, taban olasılığını verip mutlak risk farkını sunmak yorumu güçlendirir.

22) Zaman Serisi ve Boylamsal Analizlerde Yorum

Eğilimler, mevsimsellik ve müdahale zamanlaması birlikte düşünülmeli.
Uygulama: Otokorelasyon ve durağanlık kontrollerini geçmeyen modellerin sonuçlarını ihtiyatla yorumlayın; gecikmeli etkiler ve yapısal kırılmaları tartışın.
Örnek Olay: Pandemi dönemi bir yapısal kırılma yarattıysa, “pandemi öncesi/sonrası” alt analizleri gereklidir.

23) Güvenilirlik (Reliability) ve Ölçüm Hatasının Yorum Üzerindeki Etkisi

Düşük güvenirlik, etki büyüklüklerini küçültebilir, yanlış negatifleri artırabilir.
Uygulama: α/ω katsayılarını ve ölçüm hatasının yönünü yorumda belirtin; gerekirse ölçüm hatasını hesaba katan modeller kullanın.
Örnek Olay: α=.62 olan bir alt boyutla kurulan ilişki zayıf çıkmışsa, yorum “ölçüm hatası bu ilişkiyi zayıflatmış olabilir” demelidir.

24) N=1 ve Küçük Örneklem Çalışmalarında Yorum Stratejisi

Güç sınırlı; genelleme dar.
Uygulama: Tekil vaka (single-case) desenlerinde görsel analiz ve seviye-eğim dönüşümlerini açıkça sunun; genelleme iddiasını sınırlayın.
Örnek Olay: Bir sınıftaki mikro-deneyin güçlü etkisi, başka sınıflara otomatik genellenmemelidir.

25) Meta-Analiz Bulgularını Tez/Makale Yorumuna Entegre Etmek

Birincil bulguları, literatürdeki meta-analitik etkilerle kıyaslayın.
Uygulama: “Bizim d=0.35; alan meta-analizi medyan d=0.25” → bağlama uygun olası açıklamalar (örneklem farkı, ölçüm farklılıkları, müdahale süresi).
Örnek Olay: Kısa süreli programlarda etkiler daha düşük; sizin programınız uzunsa fark açıklanabilir.

26) Heterojen Etkiler ve Eşitlik (Equity) Perspektifi

Etkiler gruplar arasında farklı olabilir; yorum, adalet boyutunu içermelidir.
Uygulama: SES, cinsiyet, dil, engellilik durumuna göre farklılıkları inceleyin; politika önerilerini bu farkları azaltacak şekilde tasarlayın.
Örnek Olay: Düşük SES grubunda etki daha yüksek bulunuyorsa, kaynak tahsisini bu gruplara önceliklendirmek rasyoneldir.

27) Açık Bilim (Open Science) ve İnandırıcılık

Açık veri, açık kod, ön kayıt ve kayıtlı rapor formatları, yoruma güveni artırır.
Uygulama: Ek materyallerde yeniden üretim talimatları; alternatif model çıktılarını paylaşın.
Mikro Senaryo: “Ekte Model 2’nin robust SE’lerle tahmin sonuçları verilmiştir; ana sonuçlarla tutarlıdır.”

28) Yazımda Raporlama Standartları: CONSORT, PRISMA, STROBE, COREQ

Yorum, raporlama kılavuzlarıyla uyumlu olmalıdır.
Uygulama: Nicel deneyler için CONSORT, gözlemsel çalışmalar için STROBE, sistematik derleme için PRISMA, nitel çalışmalar için COREQ kontrol listeleri.
Örnek Olay: COREQ’e göre araştırmacı-rol ilişkisinin raporlanması, nitel sonuç yorumunun inandırıcılığını artırır.

29) “Negatif” ve “Sıfır” Sonuçları Değerli Kılmak

p≥.05 bulgular da bilgidir.
Uygulama: Güç analizi, GA’lar ve olası nedenler verilerek “etki yokluğu” değil, “kanıt yokluğu” olduğu vurgulanır.
Örnek Olay: Müdahale etkisi tespit edilemedi; ancak GA geniş: [-0.05, 0.40]. Daha büyük örneklemde küçük-orta bir etki yakalanabilir.

30) Sonuçlardan Öneriye: “Yapılabilir, Ölçülebilir, Zamana Bağlı”

Öneriler SMART olmalıdır.
Uygulama: “Bir sonraki dönemde A okullarında 8 haftalık program, 3 öğretmen eğitim modülüyle; başarı ölçümü için standartlaştırılmış test ve öğrenci anketi uygulanacaktır.” gibi somutlaştırın.

Uygulamalı Kapsamlı Örnek 1: Okul Tabanlı Okuma Programı

Bağlam: 6. sınıflarda 10 haftalık okuma desteği.
Bulgular: Deney-kontrol farkı d=0.28 (%95 GA [0.10, 0.46]), p=.003; alt gruplarda düşük SES öğrencilerinde d=0.40, yüksek SES’de d=0.12 (etkileşim p=.04).
Yorum: Etki küçük-orta; düşük SES’te belirgin daha güçlü. Programın maliyeti sınırlıysa, kaynaklar öncelikle dezavantajlı okullara yönlendirilebilir. Sınırlılıklar (tek şehir, kısa takip, öğretmen etkisi) ve sürdürülebilirlik (öğretmen eğitimi, materyal erişimi) tartışılmalı. Duyarlılık analizi (robust SE, aykırı değer çıkarımı) sonuçları koruyor.

Uygulamalı Kapsamlı Örnek 2: Üniversite Öğrencilerinde Zaman Yönetimi ve Not Ortalaması

Bağlam: Kesitsel anket; Zaman Yönetimi Ölçeği (α=.83).
Model: Çoklu doğrusal regresyon; kontrol değişkenleri: çalışma saati, bölüm, sınıf düzeyi.
Bulgular: β=0.23 (p<.001), R²_artışı=0.05; VIF<2; varsayım kontrolleri uygun.
Yorum: Zaman yönetimi ile not ortalaması arasında pozitif ve küçük-orta ilişki. Nedensellik iddiası yapılmamalı; olası ters nedensellik ve üçüncü değişkenler tartışılmalı. Politika önerisi: “Zaman yönetimi atölyeleri + mentorluk”; etkisini test etmek için yarı-deneysel takip çalışması önerilir.

Uygulamalı Kapsamlı Örnek 3: Nitel – Öğretmenlerin Hibrit Eğitim Deneyimi

Veri: 24 öğretmenle yarı yapılandırılmış görüşme.
Temalar: (1) Erişim ve eşitsizlik, (2) Pedagojik esneklik, (3) Değerlendirme zorlukları, (4) Mesleki tükenmişlik.
Yorum: Nicel bulgulardaki “başarıdaki küçük artış” ile nitel “değerlendirme zorluğu” teması birlikte düşünüldüğünde, artışın sınav türü/ölçüm düzeniyle ilişkili olabileceği görülüyor. Politika: değerlendirmede çoklu araçlar, teknoloji desteği ve öğretmen iyi oluş programları.

Sınırlılıklar ve Gelecek Çalışmalar İçin Yol Haritası

• Sınırlılıklar: Örneklem temsil gücü, ölçüm hatası, kısa izlem süreleri, olası karıştırıcılar, ön kayıt dışı keşif analizleri.

• Gelecek Çalışmalar: Daha uzun takip, farklı bağlamlarda tekrar, deneysel tasarıma geçiş, daha duyarlı ölçüm araçları, heterojen etkilere odaklanan alt grup tasarımları, maliyet-etkinlik analizleri.

Sonuç: Yorum, Bilimin Vicdanıdır

Veri analizi sonuçlarını yorumlamak, bilimsel sürecin vicdanı gibidir: yalnızca ne bulduğunuzu değil, nasıl, hangi varsayımlar ve sınırlılıklar altında bulduğunuzu, bu bulguların pratik hayatta ne anlama geldiğini ve hangi belirsizlikleri içerdiğini dürüstçe anlatmayı gerektirir. İyi bir yorum:

1. Kuramsal çerçeveye bağlıdır; varsayımlar ve beklenen ilişkiler ışığında bulguları konumlandırır.

2. Belirsizliği sahiplenir; güven aralıkları, duyarlılık analizleri ve güç tartışmalarıyla okuru bilgilendirir.

3. Pratik öneme odaklanır; etki büyüklüklerini, maliyetleri, uygulanabilirliği ve adalet boyutunu dengeler.

4. Genellenebilirlik sınırlarını çizer; kimler için, hangi bağlamda, hangi ölçekte anlamlı olduğunu belirtir.

5. Şeffaf ve yeniden üretilebilir bir anlatı kurar; kod, veri ve ek materyaller ile iddiaları denetlenebilir kılar.

6. Etik bir tavırla “negatif” bulguları da görünür kılar; seçici raporlamadan kaçınır.

Böyle bir yorumlama yaklaşımı, araştırmacının yalnızca “istatistik bilen” değil, kanıtla düşünen bir bilim insanı olmasını sağlar. Son söz: Sayılar, anlatıya dönüşmediğinde suskundur; ama iyi bir yorum, sayılara bağlam, bağlama da anlam kazandırır. Tezinizde ve makalenizde bu bütüncül yaklaşımı sürdürdüğünüzde, bulgularınız yalnızca yayımlanmakla kalmayacak; eğitimden sağlığa, politikalardan sınıf içi uygulamalara kadar gerçek dünyada yankı bulacaktır.

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 Analizi Sonuçlarının Yorumlanması first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.

1) Araştırma Probleminin ve Amaçların İnşası

Veri analizi öncesinin ilk görevi, problemin açık, ölçülebilir ve sınırları çizilmiş biçimde tanımlanmasıdır. “Türkiye’de ortaöğretim öğrencilerinin STEM tutumlarını etkileyen faktörler nelerdir?” gibi soru, kavramları (STEM tutumu), hedef kitleyi (ortaöğretim öğrencileri) ve ilişkileri (etkileyen faktörler) kodlar.
Uygulama: Araştırma amaçlarını SMART (Specific, Measurable, Achievable, Relevant, Time-bound) ölçütlerine göre yazın.
Örnek Olay: Bir eğitim fakültesi öğrencisi, STEM tutumu ölçeği ile öz-yeterlik ilişkisini incelemeyi planlıyor. Amaçları SMART’a göre revize ettiğinde, bağımlı/bağımsız değişkenleri netleşiyor ve sonraki tüm hazırlık adımları (ölçek seçimi, örneklem, analiz) isabet kazanıyor.

2) Kuramsal Çerçeve ve Değişken Haritası

Kuramsal çerçeve; hipotezlerin, değişkenlerin ve beklenen ilişkilerin mantıksal bir haritasıdır.
Uygulama: Literatür taraması sonrası kavramsal şema çizin (bağımlı değişken → aracı/moderatör → bağımsızlar).
Derin Analiz: Aracı değişken ile moderatör değişkenin karıştırılması, analiz planını bozar. Aracılık (mediation) nedensel zinciri içerirken, moderasyon (moderation) ilişki gücünü/ yönünü bağlama göre değiştiren etkidir. Ön hazırlıkta bu ayrımı netleştirmek, örneklem büyüklüğü hesaplarına kadar her şeyi etkiler.

3) Araştırma Tasarımı: Deskriptif mi, Deneysel mi?

Nicel: Kesitsel, boylamsal, yarı-deneysel, deneysel tasarımlar.
Nitel: Durum çalışması, fenomenoloji, kuram oluşturma, etnografi, eylem araştırması.
Uygulama: Araştırma sorunuz nedensellik talep ediyorsa deneysel veya yarı-deneysel tasarımları; anlam inşasını hedefliyorsa nitel tasarımları seçin.
Örnek Olay: Okul temelli bir müdahalenin etkisini sınayan tez, yarı-deneysel “eşleştirilmiş kontrol grubu” tasarımına yöneldiğinde, veri toplama takvimi, izin süreçleri ve ölçüm sıklığı önceden planlanıp sürprizler minimuma iner.

4) Etik Onay ve Veri Koruma Protokolleri

Etik Kurul: İnsan katılımcı içeren tüm tezlerde zorunludur.
KVK/GDPR Uyumlu Depolama: Kimliği belirleyici bilgileri ayrı ve şifreli saklayın; anonim/pseudonim kimlikler kullanın.
Uygulama: Onam formu şablonları oluşturun; veri paylaşımı, silme hakkı ve saklama süresi açıkça yazılsın.
Örnek Olay: Bir sağlık bilimleri tezi, hassas veriler için şifreli harici disk ve bulut üzerinde iki kademeli güvenlik uygular; denetimde sürecin izlenebilirliği sayesinde analiz aşamasına sorunsuz geçer.

5) Ölçüm Araçlarının Seçimi ve Türkçe Uyarlama

Geçerlik/Güvenirlik: Daha önce doğrulanmış ölçekleri tercih edin; yeni uyarlama gerekiyorsa ileri-geri çeviri, uzman paneli, pilot çalışma yürütün.
Uygulama: Cronbach’s alpha ≥ .70, doğrulayıcı faktör analizi (DFA) ile yapı geçerliği; ölçüt bağıntılı geçerlik testleri.
Örnek Olay: İş doyumu ölçeğini Türkçe uyarlayan bir tez, madde-toplam korelasyonlarını < .30 olan maddeleri revize ederek analiz öncesi ölçüm kalitesini yükseltir.

6) Örneklem Büyüklüğü ve Güç (Power) Analizi

Nicel: A priori power analizi (G*Power vb.) ile minimum örneklem hesaplanır (etki büyüklüğü, alfa, güç).
Nitel: Doygunluk (saturation) esas; amaçlı örnekleme stratejileri (maksimum çeşitlilik, kartopu vb.) belirlenir.
Uygulama: Regresyon için beklenen etki büyüklüğünü literatürden alın; pilot çalışmadan Cohen’s f² tahmini yapın.
Örnek Olay: 8 yordayıcı içeren bir regresyon için f²=0.15, α=0.05, güç=0.80 ile hesaplanan minimum n=109; araştırmacı 15% fazlasını hedefleyerek olası kayıpları telafi eder.

7) Veri Toplama Planı ve Alan Lojistiği

Takvim: İzinler, okul/kurum erişimi, sınav/ tatil dönemleri, saha ziyaret sıklığı.
Uygulama: Veri toplama rehberi yazın: kim, nerede, nasıl, ne kadar sürede?
Örnek Olay: Üç ildeki liselerden veri toplayan bir tez, il/ilçe MEM izinleri, rehber öğretmen koordinasyonu ve sınav haftaları çakışmasını önceden planlayarak kayıp veriyi minimize eder.

8) Pilot Çalışma: Riskleri Analizden Önce Yakalamak

Pilot, ölçeklerin anlaşılırlığını, süreyi ve prosedürlerin işlerliğini test eder.
Uygulama: n=30–50 katılımcı ile pilot; açık uçlu geri bildirim toplayın.
Derin Analiz: Pilot sonrası madde analizi (madde ayırt ediciliği, zorluk), DFA modifikasyon indeksleri, görüşme protokolü revizyonu.
Örnek Olay: Bir çevrim içi anketin ilk sayfasında yüksek terk oranı tespit edilir; araştırmacı soru sıralamasını ve mobil uyumu iyileştirir.

9) Veri Yönetim Planı (DMP) ve Versiyonlama

DMP Bileşenleri: Dosya adlandırma kuralları, meta-veri şeması, yedekleme politikası (3-2-1 kuralı), erişim yetkileri.
Uygulama: “tez2025_anakume_v1.parquet”, “kod_analiz_v2.R” gibi sistematik adlar; değişiklik günlüğü (changelog).
Örnek Olay: Ekipli bir tez projesinde Git tabanlı versiyonlama ve paylaşımlı sürüm notları, veri-kod senkronunu korur.

10) Değişken Sözlüğü (Codebook) ve Kodlama Şeması

Codebook: Değişken adı, açıklama, değer aralığı, eksik değer kodları, ölçüm zamanı.
Uygulama: Kategorik değişkenlerde tutarlı etiketler (“1=Kadın, 2=Erkek, 9=Bilinmiyor”); metinsel nitel veride tema/hızlı kod listesi.
Örnek Olay: Çok merkezli bir araştırmada farklı araştırma asistanlarının aynı kodları kullanması, karşılaştırılabilirliği garanti eder.

11) Veri Kalitesi Güvencesi: Temizlik, Tutarlılık ve Eksik Veri

Temizlik: Aykırı değer taraması (z-skor, kutu grafiği), mantık tutarsızlıkları (yaş=7 iken lisans öğrencisi), format sorunları (tarih/saat).
Eksik Veri: MCAR/MAR/MNAR ayrımı; çoklu atama (multiple imputation), FIML, duyarlılık analizleri.
Uygulama: Önceden yazılmış temizlik betikleri (R/Python) ile tekrarlanabilirlik.
Örnek Olay: %12 eksikliği olan bir gelir değişkeni, MAR varsayımıyla çoklu atama sonrası regresyonda önyargıyı azaltır.

12) Analiz Stratejisi ve Ön Kayıt (Preregistration)

Strateji: Hipotez testleri, varsayım kontrolleri, etki büyüklüğü raporları, çoklu karşılaştırma düzeltmeleri (Bonferroni, FDR).
Ön Kayıt: Analiz planını veri görmeden yazmak p-hacking riskini azaltır.
Uygulama: OSF gibi platformlarda özet plan; tez etik kurula ek.
Örnek Olay: Ön kayıtlı bir tezde, beklenmeyen sonuçlar için “keşfedici analiz” bölümü ayrı raporlanarak şeffaflık korunur.

13) Yazılım Ekosistemi ve Reprodüksiyon: SPSS, R, Jamovi, Python

Seçim Kriterleri: Lisans erişimi, komut dosyası kaydı, paket ekosistemi, grafik gücü.
Uygulama: R Markdown/Quarto ile tekrarlanabilir raporlama; SPSS Syntax arşivi; Jamovi modülleri; Python (pandas, statsmodels).
Örnek Olay: R’da “renv” ile paket sürümlerini kilitleyen tez, yıllar sonra aynı sonuçları yeniden üretir.

14) Ölçekte Psikometrik İncelemeler: AFA ve DFA Öncesi Kontrol

AFA (Açımlayıcı Faktör Analizi): KMO, Bartlett testi, faktör sayısı belirleme (parallel analysis), döndürme yöntemleri.
DFA: Uyum indeksleri (CFI, TLI, RMSEA, SRMR), modifikasyon indekslerinin kuramsal yorumla kullanımı.
Uygulama: Pilot veride AFA ile yapı keşfi, ana çalışmada DFA ile doğrulama.
Örnek Olay: İki faktörlü beklenen yapı, DFA’da zayıf uyum verince maddeler arası hata kovaryansları teorik gerekçe olmadan eklenmez; ölçek kısaltılır.

15) Varsayım Kontrolleri: Normallik, Çoklu Doğrusal Bağlantı, Varyans Homojenliği

Uygulama: Shapiro-Wilk, Q-Q grafikleri; VIF/ tolerans; Levene testi; bağımlı gözlem ihlali için karışık modeller.
Örnek Olay: Çoklu doğrusal regresyonda VIF>10 olan iki değişken birleştirilerek model istikrarlı hale getirilir.

16) Veri Güvenliği, Yedekleme ve İzin Yönetimi

Güvenlik: Şifreleme, rol tabanlı erişim; yedekleme (yerel + bulut); erişim logları.
Uygulama: Kimliği belirleyici veriler ile araştırma verilerini ayrı tutun; kimlik anahtarını ayrı yerde saklayın.
Örnek Olay: Harici diski kaybeden araştırmacı, veriyi AES ile şifrelediği için ihlali raporlar ama veri sızması yaşanmaz.

17) Zaman Yönetimi ve Gantt Şeması

Uygulama: İzinler (2–4 hafta), pilot (3–4 hafta), veri toplama (6–10 hafta), temizlik (2–3 hafta), analiz (4–6 hafta), yazım (6–8 hafta).
Örnek Olay: Gecikmeleri tamponlayan %20 esneklik payı, savunma tarihine yetişmeyi sağlar.

18) Kaynakça ve Referans Yönetimi (Zotero/Mendeley/EndNote)

Uygulama: Tek tip atıf stili (APA/MLA/Chicago) ve şablon; künye alanlarının eksiksizliği; PDF adlandırma standardı.
Örnek Olay: Zotero grupla paylaşılan klasör, kuramsal çerçeve yazımını hızlandırır.

19) Nitel Veri İçin Görüşme/ Odak Grup Protokolleri

Uygulama: Yarı yapılandırılmış soru seti; sonda sorular; kayıt-transkripsiyon izinleri; mahremiyet.
Derin Analiz: Araştırmacı yanlılığına karşı refleksif günlük; üçgenleme (veri/araç/araştırmacı).
Örnek Olay: Eğitim araştırmasında veli-öğretmen-öğrenci üçgenlemesiyle bulguların güvenilirliği artar.

20) Karışıklık (Confounder) ve Kontrol Değişkenleri Planı

Uygulama: Literatüre dayalı potansiyel karıştırıcılar listelenir (sosyoekonomik durum, önceki başarı, cinsiyet vb.), analiz planına dâhil edilir.
Örnek Olay: STEM tutumu analizinde önceki matematik başarısı kontrol edilmezse, etki büyüklükleri şişebilir.

21) Çoklu Karşılaştırmalar ve Yanlış Keşif Oranı

Uygulama: Birden çok hipotez testinde FDR kontrolü; önceliklendirilmiş hipotez listesi.
Örnek Olay: 20 alt hipotezli bir çalışma, Benjamini-Hochberg ile raporlamayı düzeltir.

22) Ön Raporlama Şablonları: Tablo/Şema Tasarımı

Uygulama: Değişken tanımlayıcı tablolar, akış şemaları (katılımcı dahil/ hariç), analiz model diyagramları.
Örnek Olay: CONSORT benzeri akış diyagramı, değerlendirme kurulunda sürecin şeffaflığını artırır.

23) Uygulamalı Örnek: Okul Tabanlı Motivasyon Programı

Senaryo: 9. sınıflarda 8 haftalık motivasyon müdahalesi.
Hazırlık Adımları:

• Amaç: Akademik motivasyon ve devamsızlıkta değişim.

• Tasarım: Eşleştirilmiş kontrol grubu, ön-son test.

• Ölçek: Akademik Motivasyon Ölçeği (Türkçe uyarlama).

• Örneklem: Power analiziyle n=160 (kaybı telafi için 184).

• Etik: Onam formları, KVKK uyumlu depolama.

• Pilot: 30 öğrenci, madde anlaşılırlığı; süre 12 dakikadan 9 dakikaya indirildi.

• Analiz Planı: Tekrar ölçümlü ANOVA; etki büyüklüğü η²; eksik veri için çoklu atama.
  Bu ön hazırlık sayesinde analiz aşamasında sürpriz yaşanmaz.

24) Uygulamalı Örnek: Nitel İçerik Analiziyle Öğretmen Görüşmeleri

Senaryo: Öğretmenlerin uzaktan eğitim deneyimleri.
Hazırlık:

• Yarı yapılandırılmış soru kılavuzu; pilot görüşme ile dil sadeleştirme.

• Amaçlı örnekleme (10 farklı branş).

• Kodlama şeması; iki kodlayıcı ile güvenilirlik (Cohen’s κ).

• NVivo/Atlas.ti proje yapısı; yedekleme.
  Sonuç: Temalar (erişim, pedagojik esneklik, değerlendirme zorlukları) güvenilir şekilde ortaya çıkar.

25) Uygulamalı Örnek: Ölçek Uyarlama – Psikometrik Yol Haritası

Adımlar: İleri-geri çeviri, uzman paneli, bilişsel görüşmeler, pilot AFA, ana çalışmada DFA, güvenirlik (α, ω), yakınsak/ayrışan geçerlik.
Risk Yönetimi: Kültürel uyumsuz ifadelerin erken tespiti, madde sayısının dengelenmesi.

26) Saha Notları ve Refleksif Günlük

Uygulama: Gözlemci etkisini, örneklem önyargılarını ve beklenmedik durumları belgeleyin.
Örnek Olay: Okul yönetimindeki değişim veri toplama takvimini saptırır; refleksif günlükte kayıtlı kararlar, metodoloji bölümünde gerekçeye dönüşür.

27) Önce Güvenlik: Veri Maskeleme ve Anonimleştirme Teknikleri

Uygulama: Doğum tarihi yerine yaş aralığı; coğrafi veride 3-hane kuralı; metinlerde kişi-kurum adlarının takma adlarla değiştirilmesi.
Örnek Olay: Küçük kasabada yapılan çalışma, tanınma riskini azaltmak için meslekleri geniş kategorilerde raporlar.

28) Kalite Güvencesi İçin Kontrol Listeleri (Checklists)

İçerik: Etik, ölçüm, örneklem, veri yönetimi, analiz planı, yazılım, raporlama.
Uygulama: Savunma öncesi “pre-analysis” kontrol listesi ile son doğrulama.

29) Tez Danışmanı ve Ekip İçi İletişim Protokolü

Uygulama: Düzenli haftalık raporlar, kilometre taşları, karar kayıtları.
Örnek Olay: Danışmanla erken mutabakat sağlanan analiz planı, son dakikada yöntem değişikliği riskini ortadan kaldırır.

30) Sık Yapılan Hatalar ve Önleyici Stratejiler

• Varsayım kontrollerini atlamak → Yanlış test seçimi.

• Ölçüm uyarlamasını belgesiz yapmak → Geçerlik sorunu.

• Eksik/veri kaybına hazırlıksız olmak → Güç kaybı.

• Ön kayıt yapmamak → Esneklik-yanlılık karışıklığı.
  Önleme: Bu yazıdaki her adımı kontrol listesiyle eşleyin.

Sonuç: Sağlam Temel, Güçlü Analiz

Tezlerde veri analizi öncesi hazırlık süreci, araştırmanın güvenilirliğini, geçerliğini ve tekrarlanabilirliğini belirleyen omurgadır. Problemin ve amaçların netleştirilmesi, kuramsal çerçevenin berraklaştırılması, uygun tasarım ve ölçüm araçlarının seçimi, etik-hukuki gerekliliklerin yerine getirilmesi, örneklem ve güç analizlerinin yapılması, veri yönetim planının kurgulanması, pilot çalışmalar ve psikometrik kontrollerin gerçekleştirilmesi, eksik/aykırı değer stratejilerinin hazırlanması ve nihayet ön kayıtla şeffaflığın sağlanması; hepsi birlikte “analize hazır, temiz ve anlamlı veri” demektir.
Bu hazırlığın çıktısı yalnızca daha “güzel” tablolar ya da “uyumlu” modeller değildir; aynı zamanda daha doğru bilimsel iddialar, kurumdan kuruma, yıldan yıla yeniden üretilebilen bulgular ve etik açıdan hesap verebilir bir araştırma pratiğidir. Saha koşullarındaki belirsizliklere rağmen, iyi planlanmış bir hazırlık süreci, beklenmedik durumları yönetilebilir hale getirir: veri kaybı azalır, yanlılık kontrol altına alınır, ölçüm hataları düşer, raporlama netleşir.
Son kertede, güçlü analiz “öncesinde” başlar. Tezinizin başarı olasılığını artırmak için bu yazıdaki adımları, kendi bağlamınıza uyarladığınız bir kontrol listesine dönüştürün; danışmanınızla ve çalışma ekibinizle erken mutabakat sağlayın; veri yönetim ve etik belgelerinizi eksiksiz hazırlayın. Böylece analiz aşamasına geldiğinizde, istatistiksel testleri yalnızca çalıştırmakla kalmayacak; neden o testleri, o varsayımlar altında ve o değişkenlerle çalıştırdığınızı, akademik bir tutarlılıkla savunabileceksiniz.

Analytics, veri yönetimi ve raporlama boyutlarına eşgüdümlü yaklaşan bir araştırmacı, yalnızca bir tezi “tamamlamaz”; alana güvenilir bir bilgi katkısı sunar. Bu nedenle, hazırlık sürecini bir zorunluluk değil, bilimin kalite güvencesi olarak görün: Bugün gösterdiğiniz titizlik, yarın savunma jürinizin en kritik sorularına vereceğiniz en güçlü yanıttır.

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 Öncesi Hazırlık Süreci first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.