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 → Sonuç Haritası: Ön Kayıtlı Yol Planı

Neyi ölçüyor, nasıl ölçeceksiniz?

• Birincil/ikincil/keşifsel sonuçlarınızı netleştirin.

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

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

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

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

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

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

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

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

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

3) Veri Temizleme ve Ön İşleme: Sonuçların Sessiz Mimarisi

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

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

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

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

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

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

4) Ölçüm Kalitesi: Güvenilirlik ve Geçerlik Kapısı

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

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

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

• Kodlayıcı uyumu: Nitel derecelendirmelerde κ/ICC raporlayın.

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

5) Analiz Çekirdeği: Uygun Modeli Doğru Soruyla Eşleştirmek

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

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

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

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

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

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

6) Varsayım ve Diyagnostik: Sonuçlara Giden Sağlamlık Yolculuğu

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

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

• Cox: Orantılı risk varsayımı (Schoenfeld artıkları).

• Ağırlıklı/karma örnekleme: DEFF ve robust SE.

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

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

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

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

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

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

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

8) Çoklu Karşılaştırmalar: Aileyi Tanımla, Yanlılığı Yönet

• Plan: Birincil–ikincil–keşifsel aile.

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

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

9) Eksik Veri Stratejisi: MI ve Duyarlılık Analizleri

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

• Havuzlama: Rubin kuralları.

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

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

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

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

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

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

11) Replikasyon ve Tekrarlanabilirlik: Bir Tuşla Aynı Sonuç

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

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

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

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

12) Görselleştirme: Sonucu Tek Bakışta Anlatmak

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

• Forest: Alt gruplar, çoklu kovaryat etkileri.

• Marjinal etki şeritleri: Sürekli kovaryatla etkileşim.

• Kalibrasyon paneli: ROC + kalibrasyon eğrisi yan yana.

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

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

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

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

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

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

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

Soru: Program öğrencilerin dersten geçme olasılığını artırıyor mu?

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

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

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

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

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

15) Uygulama B (Sağlık): Noninferiority Sonucuna Ulaşmak

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

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

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

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

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

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

Soru: Kurumun kriz dönemindeki mesaj tonunda dönüşüm var mı?

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

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

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

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

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

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

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

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

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

18) Duyarlılık Analizleri: Sonucu Sars, Kıpırdıyor mu?

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

• Örneklem varyantları: Uç değer dışlama, ağırlık alternatifleri.

• Plasebo/DID testleri (zamanlı tasarımda).

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

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

• Mutlak fark ve karar eşiği üzerinden anlatın.

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

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

20) Raporlama Şablonları: Teze Yapıştır–Çalıştır

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

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

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

• Metin Şablonu:

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

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

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

2. Temizleme adımları betik hâlinde ve sürümlendi mi?

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

4. Model varsayımları ve diyagnostikler açık mı?

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

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

7. MI ve duyarlılık analizleri yapıldı mı?

8. Çoklu test düzeltmesi ve aile tanımı net mi?

9. Görseller erişilebilir ve karar odaklı mı?

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

22) Yaygın Hatalar ve Hızlı Onarım Cümleleri

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

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

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

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

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

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

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

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

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

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

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

24) Disiplinlere Göre Nüanslar

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

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

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

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

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

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

1. Araştırma sorusunu ön kayıtlı bir planla operasyonelleştirin.

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

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

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

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

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

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

8. Açık bilim ilkeleriyle denetlenebilir bir iz bırakın.

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

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

The post Akademik Tezlerde Veri Analizi Sonuçlarına Ulaşım first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.