1) T-Testinin Ailesi: Üç Tür, Üç Anlatı

Tek örneklem t-testi bir ortalamanın bilinen/sabit bir değerden sapıp sapmadığını sınar (ör. bir ölçek puanı 50’den farklı mı?).
Bağımsız örneklemler t-testi iki bağımsız grubun ortalamalarını karşılaştırır (ör. deney vs kontrol).
Eşleştirilmiş/tekrarlı ölçüm t-testi aynı bireylerin önce/sonra puanlarını veya eşleştirilmiş birimlerin farkını test eder.

Yazım ipucu: Türü başlıkta belirtin: “Eşleştirilmiş t-testi: Program sonrası okuma puanları arttı (d=0.36, %95 GA [0.14, 0.58]).”

2) Varsayımlar: Ne Zaman T, Ne Zaman Alternatif?

• Süreklilik/ölçek: T-testi, aralık oran düzeyinde (yaklaşık) sürekli sonuçlar varsayar.

• Bağımsızlık: Bağımsız t’de gruplar arası bağımsızlık, eşleştirilmişte farkların birey içi bağımlılığı gözetilir.

• Normalite (yaklaşık): Küçük örneklemlerde önemlidir; Merkezi Limit Teoremi büyük örneklemlerde esnetir.

• Varyans homojenliği: Bağımsız t’de kritik; sağlanmazsa Welch t kullanılır.

Uygulama: Normaliteyi artık düzeyinde ve grafikle düşünün (histogram, Q–Q). Tek başına bir Shapiro testi sonucu, özellikle n büyükken, karar için yeterli değildir.

3) Welch Düzeltmesi: Eşit Olmayan Varyanslar İçin Varsayıma Karşı Sigorta

Varyanslar eşit değilse (Levene/Brown–Forsythe anlamlı) Welch t-testi, serbestlik derecesini ayarlayarak tip I hatayı kontrol eder.
Rapor şablonu: “Varyanslar eşit değildir (Levene p=.02); Welch t(153.4)=2.61, p=.010; d=0.34, %95 GA fark [0.6, 3.1].”

4) Eşleştirilmiş T-Testi: Farkların Dünyası

Önce–sonra ya da eşleştirilmiş birimlerde, analiz farklar üzerinden yürür: di=sonrai−o¨nceid_i = \text{sonra}_i – \text{önce}_idi​=sonrai​−o¨ncei​.

• Farkların dağılımı yaklaşık normal ise t-testi uygundur.

• Pratikte etki büyüklüğü d_av veya dz (Cohen) tercih edilebilir.
  Yorum dili: “Puan farkı ort.: +2.4; %95 GA [1.0, 3.8]; dz=0.36.”

5) Etki Büyüklükleri: d ve g Olmadan T Yarım Kalır

Cohen’s d: Farkın standart sapmaya oranı. Küçük–orta–büyük için (yaklaşık) 0.2–0.5–0.8 rehber kabul edilir; alan ve ölçekte bağlama bağlıdır.
Hedges’ g: Küçük örneklemde d’nin önyargı düzeltilmiş sürümü.
Eşleştirilmiş tasarımlarda d hesaplanırken ortak varyans dikkate alınır (farkların SD’si).
Rapor: “d=0.36 (Hedges g=0.35), %95 GA [0.14, 0.58]; pratik eşik d=0.25’in üzerinde.”

6) Güven Aralıkları: p’nin Söylemediğini Söylemek

%95 Güven aralığı (GA), ortalama fark için olası değer aralığını verir.

• GA eşik ile birlikte yorumlanmalı (ör. eğitimde +2 puan).

• Belirsizliği görünür kılar: “Fark 0’a yakın değil” yerine “GA 0’ı dışlıyor/dışlamıyor” deyin.
  Şablon: “Fark=+2.1 puan; %95 GA [0.5, 3.7]; pratik eşik 2 puan → alt sınır eşiği zorluyor.”

7) Pratik/Politika Önemi: Mutlak Fark ve Karar Eşiği

İstatistiksel önem ≠ pratik önem.

• Mutlak fark (puan, mmHg, gün) ve eşik (δ) birlikte verilsin.

• Karar grafikleri: Eşik çizgisi + GA.
  Örnek: “+2.4 puan artış; eşik 2 idi; alt sınır 1.0 → orta düzeyde pratik anlam.”

8) Örneklem Büyüklüğü ve Güç: “Neden Anlamlı Çıkmadı?”

Güç (1−β), gerçekte fark varken t-testinin bunu yakalama olasılığıdır.

• Küçük n → geniş GA, belirsizlik yüksek.

• Pilot çalışmada varyans tahmini alın; güç analizi ile n planlayın.
  Rapor: “Güç=0.78 (α=.05, beklenen d=0.35). Anlamlılık sınırında sonuçlar beklenen büyüklükle uyumlu.”

9) Aykırılar ve Dayanıklılık: Tek Nokta Bütün Cümleyi Bozmasın

• Görsel denetim (box/violin + ham nokta) ile aykırıları inceleyin.

• Robust alternatifler: Yuen (kırpılmış ortalama t), MWU/Wilcoxon, permütasyon t-testi.

• Duyarlılık analizi: Aykırıları winsorize veya trim edip sonuç yön/büyüklüğünü kıyaslayın.
  Yazım: “Yuen testi sonuç yönünü korudu; etki 0.33→0.30.”

10) Normalite Endişesi: Ne Zaman Dönüşüm, Ne Zaman Alternatif?

• Hafif sapmalarda t-testi dayanıklıdır; Welch varyans dengesizliğine de dayanıklı.

• Şiddetli çarpıklık: log/Box–Cox dönüşümü veya MWU/Wilcoxon.

• Geniş örneklem: CLT sayesinde test güvenlidir; raporda dağılım şekline kısa not ekleyin.

11) Çoklu Karşılaştırmalar: t-Şelalesine Düşmeyin

Birden fazla t-testi → yanlış pozitif riski.

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

• Aile tanımı: Birincil–ikincil–keşifsel sonuçları ayırın.
  Rapor: “İkincil ailede FDR q<.05 sonrası yalnız iki fark kalıcıdır.”

12) Tek Yönlü vs Çift Yönlü: Önceden Yazılmadıysa Çift Yönlü

Tek yönlü test, yalnız belirli yöndeki farkı sınar; ön kayıtsız “sonradan” tek yönlüye dönmek önyargıdır.
Şablon: “Analiz planında çift yönlü sınama öngörülmüştür; p-değerleri buna göre raporlanmıştır.”

13) Eşdeğerlik (TOST) ve Noninferiority: “Yok”u Göstermenin Bilimsel Yolu

Anlamlı fark çıkmaması eşdeğerlik kanıtı değildir.

• TOST: Farkın ±Δ içinde olduğunu test eder.

• Noninferiority: Alt sınırın −Δ’nin üstünde kalması.
  Rapor: “Fark −0.8; %95 GA [−1.7, 0.1]; noninferiority sınırı −3 → noninferior.”

14) Bayesçi T-Testi: BF ile Kanıt Oranı

Bayes faktörü (BF), veri altında H1’in H0’a göre ne kadar olası olduğunu oranlar (örn. BF10=6: H1 lehine 6:1).

• Önsel seçim şeffaf olmalı.

• ROPE (pratik önemsizlik bölgesi) ile birlikte raporlayın.
  Yazım: “BF10=5.8; etki büyüklüğünün ROPE ±0.2 SD dışında kalma olasılığı .71.”

15) Anket ve Tasarım Ağırlıkları: Complex Samples’ta T-Testi

Klasik t-testi basit rastgele örneklem varsayar; anket tasarımlarında ağırlık/PSU/strata dikkate alınmalıdır.

• Tasarım etkisi (DEFF) → standart hatalar ve p-değerleri.

• Rapor: “Ağırlıklandırılmış ortalamalar ve tasarıma duyarlı t testi: fark=+2.3 [0.8, 3.9], p=.004; DEFF=1.5.”

16) Kümeli Tasarımlar: Sınıf/Okul Etkisi Varken Bireyleri Bağımsız Saymayın

Deneysel eğitim çalışmalarında sınıflar/okullar rasgeleleştirilmiş olabilir. Bireyleri bağımsız almak tip I hatayı şişirir.

• Çözüm: Birim=küme ortalamalarıyla t-testi veya karma model.

• Rapor: “Kümeler arası varyans (ICC=.07) dikkate alındı; küme ortalamalarıyla Welch t uygulandı.”

17) Kayıp Veri: Listwise Silme mi, MI mı?

Eksikler rastgele değilse (MAR), listwise silme yanlılık üretir.

• Çoklu Atama (MI) sonrası fark ve GA’lar havuzlanır.
  Şablon: “MI (m=20) sonrası fark +2.3→+2.1; sonuç yönü korunmuştur.”

18) Görselleştirme: Sütunları Bırakın, Nokta + GA’ya Geçin

T-testi sonuçlarını nokta + %95 GA ile gösterin; dağılımı violin/kutu + ham nokta ile ekleyin.

• Forest: Çoklu grup karşılaştırmalarında iyi bir özet.

• Eşik çizgisi: Pratik sınır (δ) görünür olsun.

19) Raporlama Şablonları: Metin–Tablo–Şekil Üçlüsü

Metin (örnek):
“Deney grubunun okuma puanı kontrol grubundan 2.4 puan yüksektir (Welch t(153.4)=2.61, p=.010). %95 GA [0.6, 3.1], Hedges g=0.35. Varyanslar eşit değildir (Levene p=.02). Etki, eğitimde anlamlı kabul edilen +2 puan eşiğini aşmaktadır.”

Tablo (özet sütunları): Ortalama | SD | n | Fark | %95 GA | t(df) | p | d/g | Not (Welch/Levene, tasarım, MI).
Şekil: Nokta+GA (fark), violin/kutu+ham nokta, eşik çizgisi.

20) Disipline Göre Nüanslar

• Eğitim: Kümeli tasarım, ICC ve hedef pp (yüzde puan) eşiği; n çoğu zaman sınıf sayısıyla sınırlı.

• Sağlık: Klinik eşikler, noninferiority/eşdeğerlik; mmHg, HbA1c gibi birimli farklar.

• Sosyal bilimler: Anket ağırlıkları, Complex Samples t-testi; çoklu karşılaştırma ve FDR.

• Mühendislik/doğa: Ölçüm belirsizliği, tekrarlı deney; robust ve permütasyon testleri.

21) Yaygın Hatalar ve Hızlı Onarım Cümleleri

• Hata: Yalnız p-değeri raporlamak.
  Onarım: “Fark x, %95 GA [a, b], d/g=….”

• Hata: Varyans homojenliğini ihmal etmek.
  Onarım: “Levene raporu + Welch t sonuçları eklendi.”

• Hata: Çoklu karşılaştırmayı kontrol etmemek.
  Onarım: “İkincil ailede FDR q<.05 uygulandı.”

• Hata: Kümeli/anket tasarımını yok saymak.
  Onarım: “Tasarım etkisi (DEFF) ile düzeltildi; tasarıma duyarlı t.”

• Hata: Normaliteye aşırı duyarlılık.
  Onarım: “Robust/permütasyon analizleriyle doğrulandı (sonuç yönü sabit).”

• Hata: Eşdeğerliği “anlamlı değil” diye ilan etmek.
  Onarım: “TOST/noninferiority testiyle eşdeğerlik sınandı.”

22) Uygulamalı Örnek A—Eğitim: Program Etkisi

Bağlam: 10 okul, 40 sınıf; deney vs kontrol.
Analiz: Sınıf ortalamalarıyla Welch t (kümeler arası farklı n), ek olarak karma model.
Bulgular: Fark +2.4 puan, %95 GA [0.6, 3.1]; g=0.35; Levene p=.02; ICC=.07.
Yorum: Pratik eşik +2 puan aşıldı; düşük SES sınıflarında fark daha yüksek (keşifsel).

23) Uygulamalı Örnek B—Sağlık: Noninferiority

Bağlam: Yeni prosedürün ağrı skoruna etkisi (0–10).
Analiz: Eşleştirilmiş t (önce/sonra); noninferiority Δ=−1.
Bulgular: Fark +0.2; %95 GA [−0.3, 0.7]; alt sınır −1’in üstünde → noninferior.
Yorum: Klinik pratikte kabul eşiğini karşılıyor; kaynak verimliliği yüksekse önerilebilir.

24) Uygulamalı Örnek C—Sosyal Bilimler: Politika Duyurusu Öncesi/Sonrası

Bağlam: Politika duyurusu öncesi/sonrası güven endeksi (aynı bireyler).
Analiz: Eşleştirilmiş t; duyarlılık için Wilcoxon ve permütasyon.
Bulgular: Fark +0.18 (0–1 ölçek), %95 GA [0.06, 0.30], p=.003; Wilcoxon uyumlu.
Yorum: Küçük-orta etki (dz≈0.28), kısa vadede pozitif kayma.

25) Karar Tablosu—Yazıya Yapıştır & Kullan

26) “Gönder Tuşu” Öncesi Kontrol Listesi

1. Test türü uygun mu (bağımsız/paired/tek örneklem)?

2. Varyans homojenliği sınandı mı; Welch raporlandı mı?

3. Normaliteye ilişkin görsel/analitik kanıt sunuldu mu?

4. Etki büyüklüğü (d/g) ve %95 GA verildi mi?

5. Pratik eşik (δ) ile yorumlandı mı?

6. Çoklu karşılaştırmalar için aile ve düzeltme yazıldı mı?

7. Kümeli/anket tasarımı veya ağırlıklar dikkate alındı mı (DEFF/PSU/strata)?

8. Eksik veri stratejisi (MI) ve duyarlılık analizleri (robust/permütasyon) raporlandı mı?

9. Şekiller erişilebilir mi (nokta+GA, violin/kutu+ham nokta)?

10. Ön kayıt/analiz planına uygunluk belirtildi mi?

27) Sonuç: T-Testini Bir Cümle Değil, Bir Kanıt Mimarisine Dönüştürmek

T-testi, doğru kullanıldığında hızlı, sezgisel ve güçlü bir karşılaştırma aracıdır; yanlış raporlandığında ise “anlamlı/anlamsız” ikiliğine sıkışıp bilginin özünü gölgeler. İyi bir akademik anlatı:

1. Doğru testi seçer (Student/Welch/paired) ve varsayımları şeffafça sunar,

2. Farkın büyüklüğünü (d/g) ve belirsizliğini (%95 GA) rapor eder,

3. Pratik eşikleri (δ) görünür kılar; yalnız p-değerine yaslanmaz,

4. Varyans eşitsizliği ve normalite sapması gibi durumlarda Welch, robust ve permütasyon alternatifleriyle dayanıklılık gösterir,

5. Çoklu karşılaştırmaları aile ve FDR/Holm ile yönetir,

6. Kümeli/anket tasarımlarında DEFF/PSU/strata ile doğru SE hesaplar,

7. Eşdeğerlik ve noninferiority gibi modern karar çerçeveleriyle “fark yok” iddiasını bilimsel yoldan sınar,

8. Bayesçi bakışla kanıt oranını (BF) ölçülü biçimde iletişim diline taşır,

9. Görselleştirmeyi belirsizlik odaklı kurar (nokta + GA, violin/kutu + ham nokta),

10. Ön kayıt ve güç analizi ile sonucu bağlama yerleştirir.

Kısacası, t-testi yalnızca “fark var mı?” sorusunu değil, “fark ne kadar, ne kadar eminiz ve bu ne anlama geliyor?” sorularını da yanıtlamalıdır. Bu üçlü yanıt, bulguların hem bilimsel doğruluğunu hem de uygulama değerini birlikte yükseltir.

Akademi Delisi, eğitim ve akademik destek alanında kapsamlı hizmetler sunan öncü bir platformdur. Öğrencilerin akademik başarılarına yön verirken, onları bilgiyle buluşturmayı ve potansiyellerini en üst düzeye çıkarmayı amaç edinmiş bir ekibiz. Sitemiz bünyesinde ödevlerden projelere, tezlerden makalelere kadar geniş bir yelpazede destek sağlıyoruz. Alanında uzman yazarlarımız, öğrencilere özgün içerikler sunarken, aynı zamanda onlara araştırma, analiz ve yazım konularında rehberlik ederek kendilerini geliştirmelerine yardımcı oluyor.
Akademik hayatın zorluklarıyla başa çıkmak artık daha kolay. Akademi Delisi olarak, öğrencilere sadece ödevlerinde değil, aynı zamanda araştırma projelerinde, tez çalışmalarında ve diğer akademik gereksinimlerinde de destek sağlıyoruz. Sunduğumuz kaliteli hizmetler sayesinde öğrenciler zamanlarını daha verimli bir şekilde kullanabilirler. Uzman ekibimiz, her bir öğrencinin ihtiyaçlarına özel çözümler üreterek, onların akademik hedeflerine ulaşmalarına katkı sağlar.
Gelişmiş kaynaklara erişimden akademik yazım kurallarına, araştırma yöntemlerinden kaynakça oluşturmaya kadar her aşamada öğrencilere destek sunan Akademi Delisi, eğitimde yeni bir perspektif sunuyor. Amacımız, öğrencilere sadece geçici çözümler değil, aynı zamanda uzun vadeli öğrenme ve başarıya giden yolda rehberlik etmektir.

The post Akademik Yazımda T-Testi Sonuçlarının Yorumlanması first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.

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) Parametrik olmayan test ne zaman seçilir?

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

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

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

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

2) Temel varsayımlar: Bağımsızlık, ölçek ve dağılım şekli

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

• Sıralanabilir ölçüm: En az ordinal ölçek.

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

3) Mann–Whitney U testinin sezgisi

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

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

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

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

• Sıralar toplamlarına dayalı H istatistiği kullanılır.

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

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

5) Bağlı sıralar (ties) ve düzeltme

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

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

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

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

• Mann–Whitney:

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

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

• Kruskal–Wallis:

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

7) Exact vs. yaklaşık p-değeri

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

• Büyük örneklem → normal yaklaşım yeterli.

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

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

Kruskal–Wallis anlamlı ise:

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

• Conover — sıra farklarına dayalı güçlü alternatif.

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

9) Medyan farkı mı, dağılım farkı mı?

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

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

10) Güç (power) ve örneklem büyüklüğü

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

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

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

11) Kayıp veri, dengesiz grup ve ağırlıklar

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

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

12) Uç değer, çarpıklık ve veri hazırlama

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

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

13) Eşleştirilmiş/tekrarlı ölçümler: Doğru kardeş testler

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

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

14) Görselleştirme: Sonuçları sezgisel kılın

• Raincloud/violin + medyan/çeyrekler;

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

• Letter-value plot (kuyrukları görünür kılar);

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

15) Raporlama dili (APA/JARS uyumlu)

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

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

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

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

16) R/Python/SPSS kısa sözdizimi ipuçları

R (rstatix / FSA / dunn.test):

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

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

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

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

• Test: Mann–Whitney U (exact).

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

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

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

• Test: Kruskal–Wallis H.

• Sonuç: “H(2)=9.84, p=.007, ε²=.12.”

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

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

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

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

• Test: Kruskal–Wallis (ties correction).

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

• Not: Küçük hücrelerde kategori birleştirme ve etik dipnot.

20) Duyarlılık ve sağlamlık kontrolleri

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

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

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

21) Sık hatalar ve çözümleri

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

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

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

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

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

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

22) Etik ve gizlilik: Küçük hücre, kategori birleştirme

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

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

23) “Yapıştır–kullan” rapor cümleleri

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

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

Sonuç

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

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

Akademi Delisi, eğitim ve akademik destek alanında kapsamlı hizmetler sunan öncü bir platformdur. Öğrencilerin akademik başarılarına yön verirken, onları bilgiyle buluşturmayı ve potansiyellerini en üst düzeye çıkarmayı amaç edinmiş bir ekibiz. Sitemiz bünyesinde ödevlerden projelere, tezlerden makalelere kadar geniş bir yelpazede destek sağlıyoruz. Alanında uzman yazarlarımız, öğrencilere özgün içerikler sunarken, aynı zamanda onlara araştırma, analiz ve yazım konularında rehberlik ederek kendilerini geliştirmelerine yardımcı oluyor.
Akademik hayatın zorluklarıyla başa çıkmak artık daha kolay. Akademi Delisi olarak, öğrencilere sadece ödevlerinde değil, aynı zamanda araştırma projelerinde, tez çalışmalarında ve diğer akademik gereksinimlerinde de destek sağlıyoruz. Sunduğumuz kaliteli hizmetler sayesinde öğrenciler zamanlarını daha verimli bir şekilde kullanabilirler. Uzman ekibimiz, her bir öğrencinin ihtiyaçlarına özel çözümler üreterek, onların akademik hedeflerine ulaşmalarına katkı sağlar.
Gelişmiş kaynaklara erişimden akademik yazım kurallarına, araştırma yöntemlerinden kaynakça oluşturmaya kadar her aşamada öğrencilere destek sunan Akademi Delisi, eğitimde yeni bir perspektif sunuyor. Amacımız, öğrencilere sadece geçici çözümler değil, aynı zamanda uzun vadeli öğrenme ve başarıya giden yolda rehberlik etmektir.

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

1) 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.

1) Araştırma Sorusunu Operasyonelleştirmek: Testin Temeli

Güçlü bir hipotez testinin başlangıcı, operasyonelleştirilmiş araştırma sorusudur. “Yeni kelime öğretim tekniği, 8. sınıf öğrencilerinin okuduğunu anlama puanlarını artırır mı?” ifadesi; değişkeni (okuduğunu anlama puanı), karşılaştırmayı (yeni teknik vs. standart yöntem), popülasyonu (8. sınıf), beklenen yönü (artış) ve sonuç değişkenin ölçüm biçimini (test puanı) netleştirir. Bu netlik, H0/H1 kurulumunu, test türünün (bağımsız t, Mann–Whitney U, ANOVA vb.) seçimini ve örneklem planlamasını kolaylaştırır.

Uygulamalı örnek:
Eğitim danışmanlık projesinde, program öncesi ve sonrası aynı öğrencilere uygulanan hız testi vardır. Soru: “Ortalama çözüm süresi azaldı mı?” Tasarım eşleştirilmiş ölçüm olduğundan bağımlı örneklem t-testi (varsayımlar bozulursa Wilcoxon) önerilir.

2) H0/H1 Kurulumu: Yönlü ve Yönsüz Hipotezler

Sıfır hipotezi (H0) çoğunlukla “fark yoktur” veya “etki yoktur” iddiasıdır. Alternatif hipotez (H1) fark/etki olduğunu öne sürer. Yönsüz (çift kuyruklu) hipotezler, farklılığın yönünü önceden dayatmaz; yönlü (tek kuyruklu) hipotezler ise beklentiyi (artış/azalış) açıklar. Yönlü hipotez, teorik/ön kanıt güçlü değilse risklidir; çünkü beklenen yönün tersindeki farkları “yakalama” şansı düşer. Akademik standartlar çoğunlukla çift kuyruklu yaklaşımı tercih eder.

Raporlama kalıbı:
“H0: μYeni = μStandart; H1: μYeni ≠ μStandart.”

3) Ölçüm Düzeyleri ve Test Seçimi

Değişkenlerin nominal, ordinal, aralık, oran ölçüm düzeyleri; parametrik/parametrik olmayan test ayrımını belirler.

• Sürekli, yaklaşık normal → t-testleri, ANOVA.

• Sıralı veya normal değil → Mann–Whitney U, Kruskal–Wallis, Wilcoxon.

• Kategorik → Ki-kare bağımsızlık/uygunluk, Fisher kesin testi.

• İkili sonuç (başarılı/başarısız) → Oran karşılaştırmaları, lojistik çerçevede katsayı testleri.

Pratik tablo (özet):

• İki bağımsız grup ortalaması: Bağımsız t / Mann–Whitney U

• Eşleştirilmiş iki ölçüm: Bağımlı t / Wilcoxon işaretli sıralar

• 3+ grup: ANOVA / Kruskal–Wallis

• Kategorik ilişki: Ki-kare / Fisher

4) Örneklem Büyüklüğü ve Güç (Power) Planlaması

Hipotez testinin Tip II hata (β) olasılığını kontrol etmek için, beklenen etki büyüklüğü (örn. Cohen’s d), anlamlılık düzeyi (α) ve hedef güç (1−β) kullanılarak a priori güç analizi yapılmalıdır. Bu planlama, gereğinden küçük örneklemle “gerçekte var olan” etkileri kaçırmayı veya gereğinden büyük örneklemle “pratik önemi zayıf” etkileri abartmayı önler.

Örnek:
d≈0.5 (orta etki) beklenen iki grup tasarımında, α=0.05 ve güç=0.80 hedefi için her grupta ~33–35 katılımcı genellikle yeterlidir (yaklaşık).

5) Varsayım Denetimleri: Normallik, Varyans Homojenliği, Bağımsızlık

Parametrik testler çoğunlukla normallik (Shapiro–Wilk, Q–Q grafikleri), varyans homojenliği (Levene), bağımsızlık (tasarıma bağlı) varsayımlarına dayanır. Bu koşullardan sapma olduğunda; dönüşümler (log, karekök), robust standart hatalar, Welch ANOVA ya da parametrik olmayan alternatifler devreye alınır.

İpucu:
Formel testlere “kör” bağlanmayın; grafiksel diyagnostik ve alan bilgisini birlikte değerlendirin.

6) p-Değeri Doğru Nasıl Yorumlanır?

p-değeri, “H0 doğruysa gözlenen (veya daha uç) bir sonucun elde edilme olasılığıdır.” p<0.05 yaygın bir eştir; ancak pratik/klinik önem garantilemez. Büyük örneklemlerde küçük fakat anlamsız etkiler “anlamlı” görünebilir; küçük örneklemlerde büyük etkiler “anlamsız” kalabilir. Bu nedenle p, etki büyüklüğü ve güven aralığı ile birlikte raporlanmalıdır.

Yanlış yorum uyarısı:
“p=0.04, H0 kesinlikle yanlıştır” denemez; p, kanıtın derecesini ifade eder; ihtimal değil, koşullu olasılık ölçer.

7) Etki Büyüklüğü ve Güven Aralıkları: Kararın Omurgası

Cohen’s d, Hedges’ g, r, η²/ω², OR (odds ratio) gibi ölçüler, etkinin büyüklüğünü ve pratik önemini niceler. 95% güven aralığı ise kestirimin belirsizliğini ifade eder. Raporlamada p ile birlikte etki ve GA verilmesi, bulgunun bilimsel değerini ciddi ölçüde artırır.

Örnek rapor:
“t(78)=2.13, p=0.036, d=0.47 (orta); 95% GA fark=[0.30, 10.2].”

8) Tip I/Tip II Hatalar ve Denge

• Tip I hata (α): H0 doğruyken reddetmek (yalancı pozitif).

• Tip II hata (β): H0 yanlışken reddedememek (yalancı negatif).
  Araştırmanın hedeflerine göre α/β dengesi kurulur. Klinik güvenlik çalışmalarında Tip I riski düşük tutulurken, keşifsel çalışmalarda daha esnek eşikler görülebilir; ancak önceden tanımlamak şarttır.

9) Tek Örneklem, İki Örneklem ve Eşleştirilmiş Tasarımlar

Tek örneklem: Bir grubun ortalamasını bilinen/standart bir değere karşı sınar (tek örneklem t).
İki örneklem: Bağımsız iki grubun ortalamalarını karşılaştırır (bağımsız t).
Eşleştirilmiş: Aynı bireylerde öncesi–sonrası farkları veya eşleştirilmiş örnekleri test eder (bağımlı t).

Senaryo:
Yeni müfredat öncesi ve sonrası aynı öğrencilerin “okuma hızı” ölçüldüyse, bağımlı t ya da Wilcoxon tercih edilir.

10) 3+ Grup Karşılaştırmaları: ANOVA Ailesi ve Post-hoc Testler

Üç veya daha fazla grubun ortalama karşılaştırması için ANOVA kullanılır. Varsayımlar bozulduğunda Welch ANOVA, nonparametrikte Kruskal–Wallis öne çıkar. Anlamlı sonuç sonrası post-hoc testlerle (Tukey HSD, Games–Howell, Dunn vb.) hangi çiftler arasında fark olduğunu belirlemek gerekir. Etki büyüklüğü (η²/ω²) mutlaka raporlanmalıdır.

11) Kategorik Veriler: Ki-kare ve Fisher

Kategorik verilerde ki-kare bağımsızlık testi iki nominal/ordinal değişkenin ilişkisini sınar. Beklenen frekanslar düşükse Fisher kesin testi daha uygundur. Etki büyüklüğü olarak Cramer’s V raporlanabilir.

Örnek:
Cinsiyet × strateji tercihi ilişkisinde χ²(2)=6.11, p=0.047, V=0.22 (küçük-orta).

12) Varsayımlar Bozulduğunda: Parametrik Olmayan Alternatifler

Mann–Whitney U, Wilcoxon, Kruskal–Wallis, Friedman gibi testler; normal olmayan dağılımlar, aykırı değer hassasiyetleri ve küçük örneklemler için güvenli seçeneklerdir. Bununla birlikte güç (power) açısından parametrik muadillerine göre dezavantajları olabilir; karar bağlama göre verilmelidir.

13) Çoklu Karşılaştırmalar ve Hata Düzeltmeleri

Birden fazla hipotez test edildiğinde Tip I hata birikir. Bonferroni, Holm, Benjamini–Hochberg (FDR) gibi yöntemlerle düzeltme uygulanır. Keşifsel çalışmalarda FDR daha esnek olabilir; doğrulayıcı analizlerde daha katı düzeltmeler gerekir.

Uygulama:
5 alt ölçek ve 3 grup → toplam çok sayıda test. Düzeltmesiz p<0.05 bulguları yanıltıcı olabilir; FDR ile yeniden değerlendirin.

14) Eşdeğerlik (TOST) ve Üstünlük/Alt-Kalırlık Testleri

Klasik hipotez testleri “fark var mı?”yı sınar; eşdeğerlik testleri (TOST) ise iki durumun klinik/pratik olarak eşdeğer olup olmadığını değerlendirir. Klinik ve eğitimde; “yeni, daha ucuz müdahale etkinlikte eskisine eşdeğer mi?” sorusu kritik olabilir. Ayrıca üstünlük ve alt-kalır olmama (non-inferiority) çerçeveleri politika kararlarında giderek daha fazla kullanılır.

15) Lojistik Çerçevede Hipotez Testi: Oranlar ve Olasılıklar

İkili sonuç değişkenlerinde (geçti/kaldı) lojistik regresyon katsayısı testleri ve olasılık oranı (OR) yorumları öne çıkar. Grup oranlarını karşılaştırmak için z-testi veya iki oran farkı testi kullanılabilir. Güven aralıkları ve etki büyüklüğü (OR, risk farkı, risk oranı) birlikte verilmelidir.

Örnek rapor:
“Müdahale OR=1.8 (95% GA: 1.3–2.6), p=0.001; AUC=0.74.”

16) Zaman Boyutu ve Tekrarlı Ölçümler: Bağımsızlık İhlali

Aynı bireylerden birden çok ölçüm alındığında, ölçümler bağımsız değildir. Tekrarlı ölçümler ANOVA veya karma etkili modeller (LMM) kullanılır. Hipotez testleri bu çerçevede zaman etkisi, grup etkisi ve etkileşimler için yürütülür. Standart hatalar “iç-içe yapı” (öğrenci/sınıf/okul) dikkate alınmadan hesaplanırsa hatalı sonuçlar çıkabilir.

17) Eksik Veri, Aykırı Değer ve Duyarlılık Analizleri

Eksik veriyi rastgele (MCAR) varsaymak risklidir. MAR/MNAR senaryolarında çoklu atama ile hipotez testlerinin kararlılığı artar. Aykırı değerlerin testi nasıl etkilediği duyarlılık analizi ile gösterilmelidir (çıkarınca sonuç değişiyor mu?). Robust yöntemler ve dönüşümler değerlendirilebilir.

18) Ön Kayıt (Preregistration), Analitik Plan ve Şeffaflık

Hipotezler, birincil/ikincil sonuç değişkenleri, test türleri, düzeltme stratejileri çalışma öncesi kayıt altına alınırsa p-hacking ve raporlama yanlılığı azalır. Veri/kod paylaşımı (mümkünse) ve net raporlama, bulgunun tekrarlanabilirliğini yükseltir.

19) Raporlama Standartları: Yöntem–Bulgular–Tartışma

• Yöntem: Tasarım, örneklem, ölçümler, varsayım testleri, seçilen istatistikler, düzeltmeler.

• Bulgular: Test istatistiği, sd, p, etki büyüklüğü, güven aralığı, görseller.

• Tartışma: Kuramsal/pratik yorum, sınırlılıklar, gelecekteki araştırma.
  Alan kılavuzları (APA vb.) ve dergi yönergeleri takip edilmelidir.

Kalıp cümle:
“Varyans homojenliği sağlanmadığından Welch ANOVA kullanıldı; genel etki anlamlıydı, F(2, 45.8)=5.12, p=0.010, ω²=0.12. Games–Howell ikililerinde A–C farkı anlamlı (p=0.008).”

20) Görselleştirme: Belirsizliği Görünür Kılmak

Kutu grafikleri, yağmur (raincloud), ortalama±GA noktaları, orman (forest) grafikleri ve marjinal etki çizimleri; p-değerini bağlamlandırır. Etki büyüklüklerinin GA ile birlikte sunulduğu figürler, karar vericilere sezgisel destek sağlar.

21) Alan-Özel Eşikler ve Pratik Önem

Eğitim, tıp, ekonomi gibi alanlarda “anlamlı” etkinin pratik eşiği farklıdır. Örneğin eğitimde +3–5 puanlık artış, ulusal sınav bağlamında politika değişimini tetikleyebilir; klinikte yan etki–yarar dengesi belirleyicidir. Hipotez testi çıktıları daima alanın bağlamsal eşiği ile yorumlanmalıdır.

22) Uygulamalı Senaryo 1: Eğitimde Yazma Atölyeleri Karşılaştırması

Tasarım: 3 atölye (hikâye, deneme, betimleme), 8. sınıf öğrencileri.
Analiz: Varsayımlar incelendi; Levene marjinal → Welch ANOVA.
Sonuç: F(2, 90)=4.21, p=0.018, η²=0.085. Post-hoc Games–Howell: hikâye–betimleme anlamlı.
Yorum: Betimleme atölyesi güçlendirilmeli; etki orta düzeyde ve pratik olarak anlamlı.

23) Uygulamalı Senaryo 2: Klinik Bilgilendirme Müdahalesi

Tasarım: Müdahale (0/1); çıktı başvuru (1/0).
Analiz: İki oran farkı + lojistik katsayı testleri.
Sonuç: OR=1.9 (95% GA: 1.3–2.7), p=0.001; AUC=0.75.
Yorum: Müdahale geçerlidir; maliyet–etki analizi ile ölçeklenebilirlik değerlendirilmeli.

24) Uygulamalı Senaryo 3: İşletmede Satış Kampanyası

Tasarım: 4 kampanya varyantı; haftalık satış adedi (sayım).
Analiz: Aşırı saçılım → Negatif Binom; katsayı testleri.
Sonuç: Varyant C referansa göre %22 artış (p=0.015).
Yorum: Varyant C yaygınlaştırılmalı; mevsimsellik ve stok etkileri izleyen çalışmada kontrol edilmeli.

25) “Anlamsız” Sonuçlar Ne İşe Yarar? Sınırlar ve Replikasyon

p>0.05 “etki yok” demek değildir; örneklem yetersiz, varyans yüksek veya etki küçük olabilir. “Anlamsız” bulgular teoriyi rafine eder, replikasyon ihtiyacını gösterir ve dosya çekmecesi yanlılığını azaltır. Güç analizi, GA ve duyarlılık raporları, “neden anlamsız?” sorusuna açıklık getirir.

26) Karar Ağacı: Hangi Test? (Özet Akış)

1. Soru: fark mı, ilişki mi?

2. Ölçüm: sürekli/kategorik/sıralı?

3. Tasarım: bağımsız/bağımlı/tekrarlı?

4. Varsayımlar: normallik, homojenlik?

5. Seçim: t/ANOVA/ki-kare/Mann–Whitney/Kruskal–Wallis/Wilcoxon/Friedman…

6. Düzeltme: çoklu test?

7. Rapor: p + etki + GA + görsel.

8. Duyarlılık ve sağlamlık: eksik/aykırı/robust?

9. Yorum: pratik önem ve alan eşiği.

27) Uçtan Uca Örnek Protokol: Akademi Projesinde Hipotez Testi

• Ön kayıt: Birincil/ikincil hipotezler, α, güç, testler, düzeltmeler.

• Veri sözlüğü: Değişken tanımları, ölçekler, kodlar, eksik değer stratejisi.

• Toplama: Körleme/rasgeleleştirme (mümkünse).

• Temizlik: Eksik–aykırı analiz, çoklu atama (gerekiyorsa).

• Varsayım: Normallik, homojenlik; gerekirse robust/parametrik olmayan.

• Analiz: Birincil testler + post-hoc + etki büyüklüğü + GA.

• Duyarlılık: Alternatif belirtimler; alt grup; robust SH.

• Rapor: Yöntem–Bulgular–Tartışma; görseller; sınırlılıklar; kod/veri erişimi.

Sonuç

Hipotez testi, akademi projelerinde istatistiksel kanıt üretiminin merkezi ama tek başına yeterli olmayan bir bileşenidir. Onu güçlü kılan, tasarımdan başlayan sistematik süreçtir: araştırma sorusunun açıkça tanımlanması, H0/H1 çerçevesinin sağlam kurulması, güç analiziyle örneklem planlaması, varsayım denetimleri, bağlama uygun test seçimi, çoklu karşılaştırma düzeltmeleri, etki büyüklüğü ve güven aralığı raporlaması… Bu adımlar, p-değerinin ötesine geçerek bulguların pratik/klinik önemini görünür kılar.

Ayrıca hipotez testi sonuçları; duyarlılık ve sağlamlık analizleriyle desteklenmeli, eksik ve aykırı veri stratejileri şeffafça anlatılmalı, gerektiğinde parametrik olmayan veya robust yöntemlere başvurulmalıdır. Ön kayıt, açık veri/kod ve replikasyon kültürü, yanlış-pozitif risklerini ve yayın yanlılığını azaltır; bilginin kümülatif doğasını güçlendirir.

Son tahlilde iyi bir hipotez testi uygulaması, yalnızca “anlamlı mı?” sorusunu değil; “hangi koşullarda, ne kadar, hangi belirsizlikle ve uygulamada ne anlama geliyor?” sorularını yanıtlar. Böylece eğitimde müdahale tasarımı, sağlıkta tedavi kıyaslaması, işletmede kampanya seçimi, sosyal politikalarda program değerlendirmesi gibi alanlarda daha iyi kararlar vermeyi mümkün kılar. Bu bütüncül yaklaşımı benimsediğinizde, hipotez testi projenizin yalnızca yöntembilimsel bir zorunluluk değil, stratejik bir karar aracı haline gelir.

Akademi Delisi, eğitim ve akademik destek alanında kapsamlı hizmetler sunan öncü bir platformdur. Öğrencilerin akademik başarılarına yön verirken, onları bilgiyle buluşturmayı ve potansiyellerini en üst düzeye çıkarmayı amaç edinmiş bir ekibiz. Sitemiz bünyesinde ödevlerden projelere, tezlerden makalelere kadar geniş bir yelpazede destek sağlıyoruz. Alanında uzman yazarlarımız, öğrencilere özgün içerikler sunarken, aynı zamanda onlara araştırma, analiz ve yazım konularında rehberlik ederek kendilerini geliştirmelerine yardımcı oluyor.
Akademik hayatın zorluklarıyla başa çıkmak artık daha kolay. Akademi Delisi olarak, öğrencilere sadece ödevlerinde değil, aynı zamanda araştırma projelerinde, tez çalışmalarında ve diğer akademik gereksinimlerinde de destek sağlıyoruz. Sunduğumuz kaliteli hizmetler sayesinde öğrenciler zamanlarını daha verimli bir şekilde kullanabilirler. Uzman ekibimiz, her bir öğrencinin ihtiyaçlarına özel çözümler üreterek, onların akademik hedeflerine ulaşmalarına katkı sağlar.
Gelişmiş kaynaklara erişimden akademik yazım kurallarına, araştırma yöntemlerinden kaynakça oluşturmaya kadar her aşamada öğrencilere destek sunan Akademi Delisi, eğitimde yeni bir perspektif sunuyor. Amacımız, öğrencilere sadece geçici çözümler değil, aynı zamanda uzun vadeli öğrenme ve başarıya giden yolda rehberlik etmektir.

The post Akademi Projelerinde Hipotez Testi Kullanımı first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.

Bu makalede, anlamlılık testlerinin adım adım nasıl uygulanacağını; sosyal bilimlerden sağlığa, mühendislikten eğitime uzanan geniş bir yelpazede uygulamalı örneklerle ele alacağız. Anlatım boyunca araştırma tasarımına uygun test seçimi, sayısal çıktıları yorumlama stratejileri, örnek olaylar ve raporlama kalıpları üzerinde durulacak. Ayrıca yalnızca “anlamlı” mı “anlamsız” mı ikilemine sıkışmadan, klinik/pratik önem (etki büyüklükleri), güven aralıkları ve çoğullama (replication) kavramlarıyla kararların nasıl dengeleneceğini göstereceğiz.

1) Araştırma sorusunu doğru formüle etmek

Anlamlılık testinin isabeti, iyi tanımlanmış bir araştırma sorusu ile başlar. “A müdahalesi B’ye kıyasla 8. sınıf öğrencilerinin okuduğunu anlama puanlarını artırır mı?” gibi operasyonelleştirilmiş bir soru, ölçülecek değişkeni (okuduğunu anlama puanı), karşılaştırmayı (A vs. B) ve hedef grubu (8. sınıf) netleştirir. Soruyu bu düzlemde netleştirmek, hipotezlerin kurulmasına ve uygun testin seçimine doğrudan yön verir.

Uygulamalı mini-örnek:
Bir eğitim danışmanlığı projesinde, tekniğe (ör. Pomodoro) dayalı etüt programının Türkçe paragraf çözme süresini kısaltıp kısaltmadığı araştırılıyor. “Program öncesi—sonrası ortalama süre farkı anlamlı mı?” sorusu, bağımlı örneklem t-testi veya varsayımlar bozuluyorsa Wilcoxon işaretli sıralar testi çağrışımı yapar.

2) H0 ve H1 hipotezlerinin tanımlanması

Sıfır hipotezi (H0), tipik olarak “etki yoktur/fark yoktur” ifadesidir; alternatif hipotez (H1) ise etkinin varlığını iddia eder. Hipotezlerin yönlü (tek kuyruklu) ya da yönsüz (çift kuyruklu) olması, seçilecek testin ve kritik bölgelerin belirlenmesinde önemlidir.

Örnek olay:
Okulda yeni sözcük öğretim tekniğinin kelime hazinesini artırdığını iddia eden bir çalışma yönlü (arttırır) bir hipotez kurabilir. Ancak çoğu akademik bağlamda, yönsüz hipotez daha temkinli kabul edilir ve daha yaygındır.

3) Değişkenlerin ölçüm düzeylerini ayırt etmek

Nominal, ordinal, aralık ve oran ölçekleri; parametrik ve parametrik olmayan test ayrımını doğrudan etkiler. Sayılan kategori (örn. cinsiyet) için ki-kare temelli analizler, sıralı veriler için medyan odaklı testler (Mann–Whitney U, Kruskal–Wallis) uygun olabilir. Sürekli ve yaklaşık normal dağılan veriler için t-testleri, ANOVA ve regresyon gibi parametrik araçlar tercih edilir.

Uygulama ipucu:
Önce veri sözlüğünüzü hazırlayın. Her değişkenin türünü, kodlanma biçimini (örn. 0/1), olası aralıklarını ve eksik değer kodlarını net yazın. Test seçimi bu tablo üzerine kurulmalıdır.

4) Örneklem büyüklüğü ve güç (power) planlaması

Araştırma başlamadan güç analizi yaparak (örn. beklenen etki büyüklüğü d, α=0.05, güç=0.80) gereken örneklem büyüklüğünü öngörmek, hem etik hem de metodolojik açıdan kritiktir. Az örneklem Tip II hata riskini, aşırı örneklem ise kaynak israfını ve “küçük etkilerin abartılı p-değerleriyle” yanlış yorumlanmasını artırır.

Uygulamalı örnek:
Okuma hızı üzerinde d≈0.5 (orta etki) beklentiniz varsa, bağımsız iki grup için yaklaşık 64-70 katılımcı (her grupta ~32-35) önerilebilir (yaklaşık hesap). Çalışma öncesi bu planlama, yorumlarınızın güvenilirliğini yükseltir.

5) Varsayımları (önkoşulları) sınamak

Parametrik testler çoğu zaman normallik, varyans homojenliği, bağımsızlık gibi varsayımlar ister. Shapiro–Wilk veya Kolmogorov–Smirnov testleri ile normallik; Levene testi ile homojenlik denetlenebilir. Varsayımlar sağlanmıyorsa, dönüşümler (log, karekök), robust yöntemler veya parametrik olmayan testler kullanılabilir.

Pratik öneri:
Sadece testlere bakmayın; q–q grafikleri ve kutu grafikleriyle görsel kontrol yapın. Büyük örneklemlerde en küçük sapmalar bile “anlamlı” görünebilir; bağlamı ve etki büyüklüğünü unutmayın.

6) Parametrik mi parametrik olmayan mı?

• Parametrik: t-testleri, ANOVA, Pearson korelasyon, lineer regresyon.

• Parametrik olmayan: Mann–Whitney U, Wilcoxon, Kruskal–Wallis, Spearman rho, Kendall tau, Ki-kare.

Verinin doğasına göre seçim yapın; parametrik varsayımlar bozulduğunda parametrik olmayan testler daha güvenli sonuçlar verir, ancak bazen güç açısından dezavantajlı olabilir.

7) p-değeri: Ne söyler, ne söylemez?

p-değeri, “H0 doğruysa gözlenen veya daha uç bir sonucun olasılığı”dır. p<0.05 genelde istatistiksel anlamlı kabul edilir; fakat bu, pratik/klinik önem anlamına gelmez. Çok büyük örneklemlerde küçük, anlamsız etkiler bile p<0.05 üretebilir; küçük örneklemlerde ise büyük etkiler p>0.05 çıkabilir.

Uygulamalı yorum kalıbı:
“Grup A (Ort=72.4, SS=10.3) ve Grup B (Ort=67.1, SS=9.8) arasındaki fark istatistiksel olarak anlamlıdır, t(78)=2.13, p=0.036, Cohen’s d=0.47 (orta etki), 95% GA=[0.30, 10.2]. Bu fark eğitimde anlamlı öğrenme kazanımı olarak yorumlanabilir.”

8) Güven aralıkları (GA) ve yanlış-pozitif riskin bağlamsallaştırılması

95% GA, popülasyon parametresi için makul değer aralığını sunar. GA’nın dar olması, kestirimin isabetliliğini; geniş olması örneklemin belirsizliğini yansıtır. GA’lar p-değerini tamamlar ve tek başına p’ye göre daha yorumlayıcı değerler sunar.

9) Etki büyüklüğü: Sadece “anlamlı” demek yetmez

Cohen’s d, Hedges’ g, r, η²/partial η², OR (odds ratio) gibi etki büyüklükleri, bulgunun pratik önemini niceler. Raporlamada zorunludur (özellikle APA, CONSORT gibi standartlarda). Aynı alanın literatürüne göre “küçük–orta–büyük” eşiklerini bağlamsal düşünün.

Örnek olay (eğitim):
Okuma stratejisi eğitimi sonrası okuduğunu anlama puanında d=0.65 orta-büyük arası etki buldunuz. p=0.04 tek başına bir şey söylemez; d ve GA ile birlikte bulgu karar vericiler için daha değerli olur.

10) Çoklu karşılaştırmalar ve hata düzeltmeleri

Birden fazla hipotez test edildiğinde Tip I hata birikir. Bonferroni, Holm, Benjamini–Hochberg (FDR) gibi düzeltmeler, yanlış-pozitif riskini kontrol eder. Özellikle çoklu ölçümler veya çok boyutlu ölçeklerin alt boyut analizlerinde düzeltme uygulamak iyi bir pratiktir.

Uygulama ipucu:
Keşifsel analizde FDR (örn. BH) daha esnek olabilir; doğrulayıcı (confirmatory) analizde daha katı kontrol (örn. Holm–Bonferroni) tercih edilebilir.

11) Tek değişkenli temel testler: t-testleri

• Bağımsız örneklem t-testi: İki bağımsız grup ortalaması.

• Bağımlı örneklem t-testi: Aynı bireylerin öncesi–sonrası ölçümleri.

• Tek örneklem t-testi: Bir grubun ortalamasını bilinen bir değere karşı sınama.

Uygulamalı örnek (bağımlı t):
Öğrencilerin paragraf çözme süreleri program öncesi 6.8 dk, sonrası 5.9 dk. Fark ort.=0.9 dk, t(39)=2.85, p=0.007, dz=0.45. Sonuç, zaman yönetimi stratejisinin orta düzey iyileştirme sağladığını gösterir.

12) Varyans analizi (ANOVA) ve sonrasındaki çoklu karşılaştırmalar

Üç veya daha fazla grup ortalamasını karşılaştırmak için ANOVA kullanılır. Tek yönlü ANOVA, bir faktör düzeylerine göre ortalama farkını; iki yönlü ANOVA, iki faktörün ana etkileri ve etkileşimini sınar. Varsayımlar bozulursa Welch ANOVA veya Kruskal–Wallis tercih edilebilir. Anlamlı sonuçta, Tukey HSD, Games–Howell gibi post-hoc testlerle hangi çiftlerin farklılaştığı belirlenir.

Örnek olay:
Üç farklı okuma stratejisi (A/B/C) karşılaştırması: F(2, 90)=4.21, p=0.018, η²=0.085. Post-hoc Tukey: A–C farkı anlamlı (p=0.012), B–C ve A–B değil. Eğitim tasarımında strateji C’yi güçlendirmek önerilebilir.

13) Kategorik veriler: Ki-kare testleri

Ki-kare bağımsızlık testi, iki kategorik değişkenin ilişkili olup olmadığını sınar. Uygunluk (goodness-of-fit) testi, gözlenen dağılımın beklenen dağılımla uyumunu denetler. Beklenen hücre frekansları düşükse Fisher’in kesin testi düşünülebilir.

Uygulama:
Cinsiyete göre strateji tercihi farklı mı? χ²(2)=6.11, p=0.047 → marjinal anlamlı; etki büyüklüğü için Cramer’s V raporlanmalı (örn. V=0.22, küçük-orta).

14) Korelasyon ve ilişki gücü

Pearson r sürekli ve normal dağılmış değişkenler için; Spearman rho sıralı veya normal olmayan veriler için uygundur. Korelasyon neden-sonuç göstermez; üçüncü değişkenler ilişkiyi çarpıtabilir.

Uygulama:
Günlük çalışma süresi ile okuduğunu anlama puanı arasında r=0.31, p=0.002 → zayıf-orta pozitif ilişki. Öğrencilere “kaliteli süre” vurgulanmalı; yalnızca miktar değil odaklanma önemli.

15) Regresyon bağlamında anlamlılık: Katsayı testleri

Basit doğrusal regresyonda eğim katsayısının (β1) anlamlılığı, hedef değişken üzerindeki doğrusal ilişkinin varlığını test eder. Çoklu regresyonda birden fazla yordayıcı (x1, x2, …) aynı anda değerlendirilir; kısmi etkiler, VIF ile çoklu doğrusal bağlantı, artık analizi ile varsayımlar kontrol edilir.

Örnek olay:
Okuduğunu anlama (Y) ~ çalışma süresi (X1) + kelime bilgisi (X2). X2’nin β katsayısı anlamlı (p<0.001), X1 marjinal (p=0.06). Model R²=0.36. Eğitim programında kelime dağarcığı bileşeni güçlendirilmeli.

16) Tekrarlı ölçümler ve karma modeller

Öğrenciler dönem boyunca birden fazla kez ölçülüyorsa, ölçümler bağımsız değildir. Tekrarlı ölçümler ANOVA veya karma etkili modeller (LMM), birey içi korelasyonu hesaba katar. Karma modeller esnektir: farklı zaman aralıklı ölçümler, eksik veri ve rasgele etkiler (sınıf/öğretmen) eklenebilir.

Uygulama:
Okuma hızı haftalık 6 ölçümle izlendi. Zaman ana etkisi p<0.001; sınıflar arası rasgele kesişim anlamlı. Sonuç: gelişim var; fakat sınıf düzeyi etmenleri farklılık yaratıyor.

17) Parametrik olmayan alternatifler

Normallik/aykırı değer sorunları sürüyorsa:

• Mann–Whitney U (iki bağımsız grup), Wilcoxon (bağımlı),

• Kruskal–Wallis (3+ grup),

• Spearman/Kendall (bağlantı),

• Friedman (tekrarlı ölçümler) kullanılır.
  Etki büyüklüğü için r, Cliff’s delta vb. metrikler raporlanabilir.

18) Çoklu test yapılarında hiyerarşik strateji

Önce önkayıtlı (preregistered) birincil hipotezler test edilir; ikincil ve keşifsel analizler ayrı etiketlenir. Böylece p-hacking riskleri azaltılır. Hiyerarşik plan, araştırmanın doğrulayıcı niteliğini güçlendirir.

19) Eksik veri, aykırı değer ve duyarlılık analizleri

Eksik veri için MCAR/MAR/MNAR ayrımı önemlidir; olabilirse çoklu atama (multiple imputation) tercih edilir. Aykırı değerlerde robust yöntemler, dönüşümler veya duyarlılık analizi (outlier’ı çıkarınca sonuç değişiyor mu?) raporlanmalıdır.

Uygulama:
Ölçümlerin %6’sı eksik; çoklu atama sonrası sonuçlar kararlı kalıyor. Aykırı iki gözlem çıkarılınca d=0.65→0.61; bulgu duyarlı değil, güven yüksek.

20) Ön kayıt, şeffaflık ve tekrar edilebilirlik

Analiz planını önceden kayda geçirmek (OSF vb.), veri ve kodu mümkün olduğunda paylaşmak, raporda testlerin neden ve nasıl seçildiğini açıklamak, akademik güvenilirliği artırır. Anlamlılık testleri, çoğullama çalışmalarıyla desteklendiğinde gerçek etki hakkında daha sağlam kanıt sunar.

21) Raporlama standartları ve yazım kalıpları

• Yöntem: Tasarım, örneklem, ölçme araçları, önkoşul testleri, seçilen test(ler), düzeltmeler.

• Bulgular: Test istatistiği, sd, p, etki büyüklüğü, GA, görseller.

• Tartışma: Sınırlar, sonuçların pratik/kuramsal değeri, gelecek araştırmalar.

• Şeffaflık: Analiz kararlarının gerekçeleri, veri-kod erişimi (mümkünse).

Örnek rapor cümlesi:
“Varyans homojenliği sağlanmadığından Welch ANOVA kullanıldı. Grup etkisi anlamlıydı, F(2, 45.8)=5.12, p=0.010, ω²=0.12. Games–Howell ikililerinde A–C farkı anlamlı (p=0.008).”

22) Görselleştirme ile karar desteği

Kutu grafikleri, yağmur (raincloud) grafikleri, GA’lı ortalama noktaları, orman (forest) grafikleri ve etki büyüklüğü diyagramları; salt p-değerinin ötesinde dağılım ve belirsizlik bilgisi sağlar. Grafikler ölçekler, eksenler, notasyon açısından açık ve tekrarlanabilir olmalıdır.

23) Alan-özel eşikler ve çok yönlü yorum

Tıp, psikoloji, eğitim, ekonomi gibi alanlarda etki büyüklüğü eşikleri ve önem eşiği (MCID, MDE) farklılaşabilir. Kararı sadece p<0.05 üzerinden değil, politika/uygulama bağlamı, maliyet–fayda ve etik boyutlarla bütüncül verin.

24) Yayın yanlılığı ve dosya çekmecesi problemi

Sadece “anlamlı” sonuçların yayımlanması literatürü önyargılı kılar. Kayıtlı raporlar, açık veri ve replikasyon kültürü, anlamlılık testlerinin bilgi üretme kalitesini artırır. “Anlamsız” sonuçlar da teoriyi düzeltir.

25) Eğitim ve danışmanlık projelerinde uygulamalı iş akışı

1. Soruyu netleştir (hedef, karşılaştırma).

2. Ölçümleri tanımla ve ölçüm düzeylerini belirle.

3. Güç analizini yap, örneklem planla.

4. Veri toplama ve temizlik (eksik/aykırı).

5. Varsayımları test et, gerekirse robust/parametrik olmayan yollara dön.

6. Uygun testi çalıştır, düzeltmeleri uygula.

7. Etki büyüklüğü, GA ve görselleştirme ile raporla.

8. Duyarlılık ve sağlamlık kontrolleri yap.

9. Pratik öneri ve sınırlar ile sonuçlandır.

Uygulama senaryosu (kısa):
Bir okulda üç farklı yazma atölyesinin (hikâye, deneme, betimleme) yazılı anlatım puanlarına etkisi değerlendirilir. Veri temizliği ve Levene kontrolünden sonra Welch ANOVA seçilir; post-hoc Games–Howell ile hikâye–betimleme farkı anlamlı bulunur. Etki büyüklüğü ω²=0.10 ve GA raporlanır; program tasarımında betimleme atölyesi güçlendirilir.

Sonuç

Anlamlılık testleri, bilimsel kanıt üretiminde güçlü ama tek başına yeterli olmayan bir araçtır. Doğru uygulama; iyi formüle edilmiş araştırma sorusu, uygun hipotez yapısı, ölçüm düzeyiyle uyumlu test seçimi, varsayımların titiz denetimi, güç analizi ve örneklem planlaması ile başlar. Elde edilen p-değeri yanıltıcı kesinlik sağlamaz; etki büyüklüğü ve güven aralığı ile birlikte, bağlamsal ve pratik önem ölçütleriyle yorumlanmalıdır. Çoklu karşılaştırmalarda hata denetimi, eksik/aykırı veri yönetimi, robust ya da parametrik olmayan alternatiflerin zamanı geldiğinde devreye alınması, sonuçların güvenilirliğini artırır.

Raporlama aşamasında şeffaflık (önkayıt, veri-kod paylaşımı, karar gerekçeleri), görselleştirme ile belirsizliği görünür kılma ve alan-özel eşiklerle pratik değeri tartma, bir bulgunun “istatistiksel” olmaktan “bilimsel ve uygulamalı” olmaya terfi etmesini sağlar. Eğitimden sağlığa, sosyal bilimlerden mühendisliğe kadar farklı bağlamlarda, anlamlılık testlerini çoğullama kültürü ve etik ilkelerle birleştirmek, sonuçların genellenebilirliğini ve karar desteği değerini yükseltir.

Son kertede, iyi bir araştırmacı için anlamlılık testleri, kararın sadece bir boyutudur. Güçlü tasarım, zengin veri, uygun model, etki ve belirsizlik raporu, sağlamlık denetimleri ve paydaş odaklı yorum bir araya geldiğinde, araştırma bulguları hem literatüre hem de sahaya kullanışlı bir katkı sunar. Bu yazıda sunduğumuz iş akışları ve örnek kalıplar, kendi çalışmanızda p-değerinin ötesine geçmenize, istatistiksel bulguları etki ve güven ekseninde zenginleştirmenize yardımcı olacaktır.

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 Araştırmalarında Anlamlılık Testleri Nasıl Uygulanır? first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.

Bu test, iki bağımsız grup arasındaki ortalama değerlerin birbirinden anlamlı bir şekilde farklı olup olmadığını incelemek için kullanılır. Örneğin, kadın ve erkek öğrencilerin sınav başarı puanlarının farklılık gösterip göstermediğini; ilaç tedavisi uygulanan ve uygulanmayan grupların sağlık sonuçlarında fark olup olmadığını; iki farklı öğretim yönteminin öğrenci başarısı üzerindeki etkilerini test etmek için bağımsız örneklem t-testi uygulanır.

Bu yazıda, bağımsız örneklem t-testinin mantığı, varsayımları, hesaplama yöntemleri, akademik kullanım örnekleri, SPSS ve R gibi yazılımlarda uygulanması, sonuçların yorumlanması ve raporlama süreçleri detaylı olarak ele alınacaktır.

1. Bağımsız Örneklem t-Testinin Tanımı

Bağımsız örneklem t-testi, iki farklı grubun ortalamaları arasında istatistiksel olarak anlamlı bir fark olup olmadığını test eden parametrik bir yöntemdir. Burada gruplar birbirinden bağımsızdır; yani aynı bireyler iki kez ölçülmez, farklı gruplar karşılaştırılır.

2. Kullanım Alanları

• Eğitim araştırmalarında cinsiyet, okul türü veya öğretim yöntemleri arasındaki başarı farklarını incelemek.

• Sağlık bilimlerinde tedavi grubu ve kontrol grubu karşılaştırmaları yapmak.

• Sosyal bilimlerde farklı yaş gruplarının tutumlarını analiz etmek.

• İşletme araştırmalarında müşteri memnuniyet düzeylerini gruplar arasında kıyaslamak.

3. Hipotez Kurulumu

Bağımsız örneklem t-testinde iki temel hipotez vardır:

• Null Hipotez (H0): Grupların ortalamaları arasında anlamlı bir fark yoktur.

• Alternatif Hipotez (H1): Grupların ortalamaları arasında anlamlı bir fark vardır.

4. Varsayımlar

Testin doğru çalışabilmesi için şu varsayımlar sağlanmalıdır:

1. Normallik Varsayımı: Her iki grubun dağılımı normal olmalıdır. (Shapiro-Wilk testi ile kontrol edilir.)

2. Varyans Homojenliği Varsayımı: Grupların varyansları birbirine eşit olmalıdır. (Levene’s Test ile kontrol edilir.)

3. Bağımsızlık: Gruplar birbirinden bağımsızdır.

5. Formül ve Hesaplama

Test istatistiği şu formülle hesaplanır:

t=X1ˉ−X2ˉs12n1+s22n2t = \frac{\bar{X_1} – \bar{X_2}}{\sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}}}t=n1​s12​​+n2​s22

Burada:

• X1ˉ,X2ˉ\bar{X_1}, \bar{X_2}X1​ˉ​,X2​ˉ​: Grup ortalamaları

• s12,s22s_1^2, s_2^2s12​,s22​: Grup varyansları

• n1,n2n_1, n_2n1​,n2​: Grup büyüklükleri

6. SPSS’te Uygulama

• Analyze > Compare Means > Independent-Samples T Test menüsü seçilir.

• Grup değişkeni (ör. cinsiyet) ve test değişkeni (ör. sınav puanı) seçilir.

• Levene’s Test ve t değerleri raporlanır.

7. R’de Uygulama

R programında bağımsız örneklem t-testi şu şekilde yapılır:

​​

• 0.2 = küçük etki

• 0.5 = orta etki

• 0.8 = büyük etki

12. Yaygın Hatalar

• Normallik varsayımı sağlanmadan testin uygulanması.

• Varyans homojenliği dikkate alınmadan sonuçların yorumlanması.

• Etki büyüklüğünün rapor edilmemesi.

13. Alternatif Testler

Varsayımlar sağlanmadığında parametrik olmayan testler kullanılabilir:

• Mann-Whitney U Testi: Bağımsız örneklem t-testine alternatif.

14. Akademik Raporlama Biçimi

APA formatına göre raporlama şu şekilde yapılmalıdır:
“Kadın (M = 75.3, SD = 8.2) ve erkek (M = 70.1, SD = 9.5) öğrenciler arasında anlamlı fark bulunmuştur, t(98) = 2.45, p = .016, d = 0.45.”

15. Gelecekte Bağımsız Örneklem t-Testinin Kullanımı

Büyük veri ve makine öğrenmesi çağında t-testi, hala akademik araştırmalarda küçük ve orta ölçekli veri setlerinde geçerliliğini koruyacaktır. Ayrıca eğitimde, sağlık araştırmalarında ve psikolojide deneysel çalışmalar için temel bir yöntem olmaya devam edecektir.

Sonuç

Bağımsız örneklem t-testi, akademik araştırmalarda iki grup arasındaki farkların istatistiksel olarak değerlendirilmesinde en çok kullanılan yöntemlerden biridir. Bu testin doğru uygulanabilmesi için normallik, varyans homojenliği ve bağımsızlık varsayımlarına dikkat edilmesi gerekir. Ayrıca yalnızca p değerine değil, etki büyüklüğüne de odaklanmak, sonuçların daha güçlü ve anlamlı yorumlanmasını sağlar. Eğitimden sağlığa, sosyal bilimlerden psikolojiye kadar farklı disiplinlerde bağımsız örneklem t-testi, araştırmacıların hipotezlerini test etmelerinde kritik bir araç olmaya devam etmektedir.

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.

Çok değişkenli analiz, birden fazla bağımlı ve bağımsız değişkenin aynı anda ele alındığı, verilerin bütünsel yapısını ortaya çıkaran istatistiksel yöntemler bütünüdür. Bu yöntemler, akademik tezlerde hem hipotez testlerinde hem de model geliştirme süreçlerinde yaygın olarak tercih edilir.

Bu yazıda, akademi tezlerinde kullanılan çok değişkenli analiz yöntemleri, uygulanma alanları, avantajları, yazılım destekleri ve örnek araştırmalar ayrıntılı olarak ele alınacaktır.

1. Çok Değişkenli Analiz Nedir?

Çok değişkenli analiz, birden fazla değişkenin aynı anda incelendiği istatistiksel yöntemlerdir. Amaç, değişkenler arasındaki ilişkileri daha gerçekçi bir şekilde anlamak ve karmaşık olguları modellemektir.

2. Akademik Tezlerde Neden Çok Değişkenli Analiz Kullanılır?

• Tek değişkenli analizler, araştırma sorularını tam olarak karşılamaz.

• Karmaşık sosyal ve psikolojik süreçler çok boyutludur.

• Model geliştirme ve hipotez testlerinde daha güçlü kanıt sağlar.

• Bulguların genellenebilirliğini artırır.

3. Çoklu Regresyon Analizi

En yaygın kullanılan çok değişkenli analizlerden biridir.

• Amaç: Bir bağımlı değişkenin, birden fazla bağımsız değişken tarafından ne kadar açıklandığını belirlemek.

• Örnek: Öğrencilerin başarı puanları (bağımlı değişken) ders çalışma süresi, motivasyon ve aile desteği (bağımsız değişkenler) ile modellenebilir.

4. Lojistik Regresyon

Bağımlı değişkenin kategorik (evet/hayır, başarılı/başarısız) olduğu durumlarda kullanılır.

• Örnek: Üniversite öğrencilerinin mezun olup olmamasını, aile geliri, ders çalışma süresi ve ders devamsızlığı gibi faktörlerle açıklamak.

5. Faktör Analizi

Çok sayıda değişkenin altında yatan yapıları keşfetmek için kullanılır.

• Amaç: Ölçek geliştirme, geçerlilik testleri.

• Örnek: Öğrenci memnuniyet anketindeki 30 soruyu, “öğretim kalitesi”, “sosyal ortam” ve “fiziksel imkânlar” faktörlerine indirgemek.

6. Kümeleme Analizi (Cluster Analysis)

Benzer özelliklere sahip bireyleri ya da nesneleri gruplamak için kullanılır.

• Örnek: Üniversite öğrencilerini çalışma alışkanlıklarına göre farklı kümelere ayırmak.

7. MANOVA (Çok Değişkenli Varyans Analizi)

Birden fazla bağımlı değişken üzerinde, bağımsız değişkenlerin etkisini test eder.

• Örnek: Farklı öğretim yöntemlerinin hem başarı hem de motivasyon üzerindeki etkisini aynı anda incelemek.

8. Diskriminant Analizi

Gruplar arasındaki farklılıkları belirleyen değişkenleri ortaya çıkarır.

• Örnek: Başarılı ve başarısız öğrencileri ayırt eden en güçlü faktörleri bulmak.

9. Yapısal Eşitlik Modellemesi (SEM)

Karmaşık ilişkilerin aynı anda test edilmesine imkân tanır.

• Örnek: Öğretmen desteği → öğrenci motivasyonu → akademik başarı ilişkisini modellemek.

10. Zaman Serisi Analizi

Zaman boyutlu verilerin incelenmesinde kullanılır.

• Örnek: Öğrencilerin yıl boyunca ders başarısındaki değişimlerin trend analizleri.

11. Boylamsal Analiz

Aynı bireylerin farklı zamanlardaki ölçümlerini karşılaştırır.

• Örnek: Mezuniyet öncesi ve sonrası öğrencilerin iş bulma süresi ve motivasyon düzeyleri.

12. Çok Boyutlu Ölçekleme (MDS)

Değişkenler arası benzerlik ve farklılıkları görselleştirmeye yarar.

• Örnek: Öğrencilerin ders seçimi tercihlerinin haritalandırılması.

13. Veri Görselleştirme ile Çok Değişkenli Analiz

Çok değişkenli veriler scatter plot matrisleri, 3D grafikler ve ısı haritaları ile görselleştirilerek daha anlaşılır hale getirilebilir.

14. Yazılım Kullanımı

• SPSS: Regresyon, MANOVA, faktör analizi gibi yöntemler için yaygın kullanılır.

• AMOS: Yapısal eşitlik modellemesi için tercih edilir.

• R: Çok değişkenli analiz için en güçlü açık kaynak araçlardan biridir.

• Python: scikit-learn, statsmodels kütüphaneleri ile çok değişkenli analiz yapılabilir.

15. Yaygın Hatalar

• Varsayımları kontrol etmeden analiz yapmak.

• Küçük örneklemlerle çok değişkenli analizlere girişmek.

• Sonuçları yalnızca istatistiksel anlamlılıkla yorumlamak, etki büyüklüğünü göz ardı etmek.

16. Alanlara Göre Kullanım

• Eğitim: Öğrenci başarısını etkileyen çoklu faktörlerin incelenmesi.

• Psikoloji: Davranışsal verilerin boyut indirgeme yöntemleriyle analizi.

• Tıp: Tedavi yöntemlerinin aynı anda birden fazla sağlık göstergesi üzerindeki etkisi.

• Ekonomi: Gelir, tüketim ve yatırım ilişkilerinin incelenmesi.

Sonuç

Akademi tezlerinde kullanılan çok değişkenli analiz yöntemleri, araştırmacılara daha kapsamlı ve güçlü bir bakış açısı kazandırır. Regresyondan MANOVA’ya, faktör analizinden yapısal eşitlik modellemesine kadar pek çok teknik, karmaşık olguların anlaşılmasına katkı sağlar. Ancak bu yöntemlerin doğru kullanılabilmesi için varsayımların dikkatle test edilmesi, örneklem büyüklüğünün yeterli olması ve sonuçların yalnızca istatistiksel değil pratik anlamlılık açısından da değerlendirilmesi gerekir. Gelecekte büyük veri setleri ve yapay zekâ tabanlı analiz teknikleri, çok değişkenli analizlerin akademik tezlerde daha etkin bir şekilde kullanılmasına olanak tanıyacaktır.

Akademi Delisi, eğitim ve akademik destek alanında kapsamlı hizmetler sunan öncü bir platformdur. Öğrencilerin akademik başarılarına yön verirken, onları bilgiyle buluşturmayı ve potansiyellerini en üst düzeye çıkarmayı amaç edinmiş bir ekibiz. Sitemiz bünyesinde ödevlerden projelere, tezlerden makalelere kadar geniş bir yelpazede destek sağlıyoruz. Alanında uzman yazarlarımız, öğrencilere özgün içerikler sunarken, aynı zamanda onlara araştırma, analiz ve yazım konularında rehberlik ederek kendilerini geliştirmelerine yardımcı oluyor.

Akademik hayatın zorluklarıyla başa çıkmak artık daha kolay. Akademi Delisi olarak, öğrencilere sadece ödevlerinde değil, aynı zamanda araştırma projelerinde, tez çalışmalarında ve diğer akademik gereksinimlerinde de destek sağlıyoruz. Sunduğumuz kaliteli hizmetler sayesinde öğrenciler zamanlarını daha verimli bir şekilde kullanabilirler. Uzman ekibimiz, her bir öğrencinin ihtiyaçlarına özel çözümler üreterek, onların akademik hedeflerine ulaşmalarına katkı sağlar.

Gelişmiş kaynaklara erişimden akademik yazım kurallarına, araştırma yöntemlerinden kaynakça oluşturmaya kadar her aşamada öğrencilere destek sunan Akademi Delisi, eğitimde yeni bir perspektif sunuyor. Amacımız, öğrencilere sadece geçici çözümler değil, aynı zamanda uzun vadeli öğrenme ve başarıya giden yolda rehberlik etmektir.

The post Akademi Tezlerinde Kullanılan Çok Değişkenli Analizler first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.