SPSS Test Selector – İstatistiksel Analiz Rehberi

🧭 TEST BUL — Soru cevapla, doğru testi bul

Mantık: önce soru türü (fark / ilişki / model), sonra grup sayısı ve bağımlılık, en sonda parametriklik (normal dağılım + ölçek) kontrol edilir.

1️⃣ Tek Grup (1 örneklem)

🔵 Parametrik: Ortalama hedef değerden farklı mı? → One Sample t 🟠 Non-parametrik: Oran/başarı olasılığı belirli bir değerden farklı mı? → Binomial 🟢 Kategorik: Beklenen dağılıma uyum var mı? → One Sample Chi-Square

2️⃣ İki Grup (karşılaştırma)

🔵 Parametrik: Bağımsız iki grubun ortalamaları farklı mı? → Independent t 🟠 Non-parametrik: Bağımsız iki grubun sıraları/dağılımı farklı mı? → Mann-Whitney U 🟢 Kategorik: İki kategorik değişken bağımsız mı? → Chi-Square

🔁 Not: Aynı kişilerde “ön-test / son-test” varsa: 🔵 Paired t • 🟠 Wilcoxon • 🟢 McNemar

3️⃣ Üç+ Grup (çoklu karşılaştırma)

🔵 Parametrik: 3+ grubun ortalamaları arasında fark var mı? → One-Way ANOVA 🟠 Non-parametrik: 3+ grubun sıraları/dağılımı farklı mı? → Kruskal-Wallis 🟢 Kategorik: Gruplara göre frekanslar farklı mı? → Chi-Square

🔁 Tekrar ölçüm (aynı kişiler 3+ zaman): 🔵 Repeated ANOVA • 🟠 Friedman • 🟢 Cochran Q

🔗 Basit İlişki (2 değişken)

🔵 Sürekli + parametrik: Doğrusal ilişki var mı? → Pearson 🟠 Sıra / non-parametrik: Monoton ilişki var mı? → Spearman 🟢 Kategorik: Gruplara göre frekanslar farklı mı? → Chi-Square

🧩 Modelsel İlişki (Y’yi açıklama / tahmin)

🔵 Y sürekli: Tek X ile yordama → Simple Linear Regression 🔵 Y sürekli: Çoklu yordama → Multiple Linear Regression 🟢 Y ikili (0/1): → Logistic Regression

🧠 Çok Değişkenliler (ileri)

🔵 İki faktör: → 2-Way ANOVA 🔵 Kovaryans kontrolü: → ANCOVA 🔵 Birden çok Y: → MANOVA

Not: Emin değilseniz “Normal dağılım yok / emin değilim” seçeneği daha güvenlidir.

🟦 Tek Örneklem t-Testi

📌 Ne için kullanılır?

Bu test, tek bir örneklemin ortalamasının önceden belirlenmiş bir değerden (μ₀) anlamlı biçimde farklı olup olmadığını sınar. Küçük örneklemlerde normallik varsayımı önemlidir. Örnek: Bir sınıfın ortalama sınav puanının 70’den farklı olup olmadığını test etmek.

🎯 Ne elde ederiz?

Ör: Ortalama μ₀’dan anlamlı biçimde yüksektir.

🖥️ SPSS Menü Adımları

1) Analyze ▸ Compare Means ▸ One-Sample T Test…
2) Test Variable(s): ölçmek istediğiniz sürekli değişkeni sağ tarafa taşıyın.
3) Test Value: hipotez edilen μ₀ değerini girin (ör. 70).
4) Options… ▸ Descriptives ve 95% Confidence Interval işaretli olsun; Continue.
5) Varsayımlar: n küçükse normallik (Analyze ▸ Descriptive ▸ Explore ▸ Plots: Normality) grafikleri ile kontrol edin.
6) OK’ye basın; çıktıdaki One-Sample Test tablosunda t, df, Sig. (2-tailed) ve Mean Difference’i bulun.
7) CI satırından 95% güven aralığını okuyun; aralık μ₀’ı kapsamıyorsa sonuç anlamlıdır.
8) APA raporu: t(df)=..., p=..., M=..., SD=..., 95% CI [..., ...].
9) Normallik sağlanmıyorsa: Nonparametric ▸ Legacy ▸ 1-Sample Wilcoxon (Sign) kullanmayı düşünün.
10) Uç değer varsa: kutu grafiğiyle inceleyin; etki büyüklüğü d≈t/√n olarak raporlayın.

📂 Değişkenler

Sürekli değişken
μ₀

🎓 Hipotezler

H₀: μ = μ₀
H₁: μ ≠ μ₀

⚠️ Varsayımlar

Normallik (n küçükse)
Bağımsızlık

Varsayım sağlanmazsa:
Normallik yoksa: Sign/Wilcoxon

📄 APA Tablo Örneği

Table 1. One-Sample t-Test

Değişken	n	M	SD	μ₀	t	df	p
Başarı	200	75.2	9.8	70	8.38	199	< .001

Not: Not. μ₀=70.

📝 Örnek Senaryolar

📊 Öğrencilerin ortalama sınav puanının hedef değerden farklı olup olmadığının test edilmesi

📊 Veri Özeti:

n	120
M	75.2
SD	9.8
μ₀	70

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Parametrik → Tek Örneklem t-Testi
🔸 Değişken: Sınav_Puanı
🔸 Test değeri (μ₀): 70
📊 Normallik: Shapiro–Wilk veya n>30 ise çarpıklık-basıklık değerleri

📝 Rapor: Sonuç: Öğrencilerin ortalama sınav puanı (M=75.2, SS=9.8) hedef değerden (μ₀=70) anlamlı biçimde yüksektir; t(119)=8.38, p<.001, d=0.86.

💡 ℹ️ Test değeri genellikle bir kriter veya beklenen ortalamadır. Veri sürekli ve yaklaşık normal dağılmış olmalıdır. Etki büyüklüğü için d = (M−μ₀)/SD formülü kullanılır. Örneklem büyükse normallik ihlali daha az sorun oluşturur.

🎯 Öğretmen adaylarının yapay zekâ farkındalık puanlarının hedef ortalamadan farkı

📊 Veri Özeti:

n	85
M	62.4
SD	11.2

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Parametrik → Tek Örneklem t-Testi
🔸 Değişken: YZ_Farkındalık
🔸 Test değeri (μ₀): 60
📊 Normallik: Shapiro–Wilk testi

📝 Rapor: Sonuç: Öğretmen adaylarının yapay zekâ farkındalık ortalaması hedef değerden anlamlı biçimde farklıdır; t(84)=2.12, p=.037, d=0.23.

💡 💡 Ölçekte belirlenmiş kriter puanıyla karşılaştırmak için uygundur. Eğer normallik sağlanmazsa Wilcoxon İşaretli Sıra testi tercih edilmelidir.

🧮 Öğrencilerin ortalama matematik puanının beklenen 50 puandan farkı

📊 Veri Özeti:

n	40
M	47.6
SD	8.4
μ₀	50

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Parametrik → Tek Örneklem t-Testi
🔸 Değişken: Matematik_Puanı
🔸 Test değeri (μ₀): 50
📊 Normallik: Shapiro–Wilk testi veya grafikle kontrol

📝 Rapor: Sonuç: Öğrencilerin ortalama matematik puanı beklenen değerden anlamlı biçimde düşüktür; t(39)=−2.13, p=.040, d=0.34.

💡 💬 Normallik varsayımı sağlanmazsa parametrik olmayan eşleniği Wilcoxon testidir. Etki büyüklüğü orta düzeydedir (d≈0.34).

🟦 Bağımsız Örneklem t-Testi

📌 Ne için kullanılır?

Bu test, iki bağımsız grubun ortalamaları arasında istatistiksel olarak anlamlı fark olup olmadığını değerlendirir (örn. kadın–erkek, deney–kontrol). Varyansların eşitliği ve normallik varsayımı kontrol edilir. Örnek: Erkek ve kadın öğrencilerin matematik puanlarının ortalaması farklı mı?

🎯 Ne elde ederiz?

Ör: Gruplar arasında anlamlı fark.

🖥️ SPSS Menü Adımları

1) Analyze ▸ Compare Means ▸ Independent-Samples T Test…
2) Test Variable(s): Ölçmek istediğiniz sürekli değişkeni (bağımlı) sağa atın.
3) Grouping Variable: Grupları belirten kategorik değişkeni buraya atın.
4) Define Groups… ▸ Grup kodlarını (ör. 1 ve 2) girin ▸ Continue.
5) Options… ▸ Confidence Interval %95 varsayılan olarak kalabilir ▸ Continue.
6) Varsayımlar: Normallik (Analyze ▸ Descriptive ▸ Explore) ve Varyans Homojenliği (çıktıda Levene testi) kontrol edilmeli.
7) OK’ye basın. Levene p>.05 ise üst satırı (Equal variances assumed), p<.05 ise alt satırı (Equal variances not assumed/Welch) okuyun.
8) APA raporu: t(df)=..., p=..., Cohen’s d veya Hedges’ g raporlayın.
9) Normallik sağlanmıyorsa: Nonparametric ▸ Legacy Dialogs ▸ 2 Independent Samples (Mann-Whitney U).
10) Uç değerler varsa ve örneklem küçükse Mann-Whitney U tercih edilebilir.

📂 Değişkenler

DV: sürekli
IV: iki grup

🎓 Hipotezler

H₀: μ₁=μ₂
H₁: μ₁≠μ₂

⚠️ Varsayımlar

Normallik
Varyans homojenliği
Bağımsızlık

Varsayım sağlanmazsa:
Normallik yoksa: Mann–Whitney UVaryans eşit değilse: Welch t

📄 APA Tablo Örneği

Table 3. Independent t

Grup	n	M	SD	t	df	p	d
A	110	77.1	9.6
B	90	73.8	9.7	2.14	198	.033	0.30

Not: Not. Levene’e göre doğru satırı raporlayın.

📝 Örnek Senaryolar

🧪 Yeni öğretim yönteminin öğrencilerin başarı puanlarını artırıp artırmadığının test edilmesi

📊 Veri Özeti:

gruplar	['Deney', 'Kontrol']
n	[30, 30]
M	[78.4, 71.2]
SD	[8.2, 9.0]

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Parametrik → Bağımsız Örneklem t-Testi
🔸 Bağımlı değişken: Başarı_Puanı
🔸 Gruplar: Deney (1) – Kontrol (2)
📊 Normallik: Shapiro–Wilk veya n>30 ise çarpıklık-basıklık değerleri
⚖️ Varyans homojenliği: Levene testi (p>.05 → eşit kabul edilir)

📝 Rapor: Sonuç: Deney (M=78.4, SS=8.2) ve kontrol (M=71.2, SS=9.0) grupları arasında anlamlı fark bulunmuştur; t(58)=2.45, p=.018, d=0.63.

💡 ℹ️ Veri sürekli ve gruplar bağımsız olmalıdır. Varyans eşitliği Levene testiyle kontrol edilir; eşit değilse Welch testi tercih edilir. Normallik varsayımı her iki grup için de sağlanmalıdır.

🧠 Kadın ve erkek öğrencilerin stres puanlarının karşılaştırılması

📊 Veri Özeti:

gruplar	['Kadın', 'Erkek']
n	[52, 48]
M	[28.1, 25.2]
SD	[6.4, 5.8]

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Parametrik → Bağımsız Örneklem t-Testi
🔸 Bağımlı değişken: Stres_Puanı
🔸 Gruplar: Cinsiyet (1=Kadın, 2=Erkek)
📊 Normallik: Shapiro–Wilk
⚖️ Varyans homojenliği: Levene testi

📝 Rapor: Sonuç: Kadınların stres puanı erkeklerden anlamlı biçimde yüksektir; t(98)=2.12, p=.037, d=0.42.

💡 💡 Gruplar bağımsız olmalıdır. Cinsiyet gibi ikili kategorik değişkenlerde uygundur. Varyanslar eşit değilse Welch testi kullanılmalıdır.

💊 Yeni ilacın tedavi ve plasebo grupları üzerindeki etkisinin karşılaştırılması

📊 Veri Özeti:

gruplar	['Tedavi', 'Plasebo']
n	[25, 25]
M	[10.4, 13.1]
SD	[3.2, 3.7]

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Parametrik → Bağımsız Örneklem t-Testi
🔸 Bağımlı değişken: Semptom_Skoru
🔸 Gruplar: Tedavi (1) – Plasebo (2)
📊 Normallik: Shapiro–Wilk testi
⚖️ Varyans homojenliği: Levene testi (p>.05 → eşitlik sağlanmış olur)

📝 Rapor: Sonuç: Tedavi grubunun semptom puanı plasebo grubuna göre anlamlı biçimde daha düşüktür; t(46)=−2.87, p=.006, d=0.81.

💡 💬 Bağımsız iki grup karşılaştırılırken varyans eşitliği ve normallik varsayımları kontrol edilmelidir. Eğer normallik bozulursa Mann–Whitney U testi alternatif olarak kullanılabilir.

🟦 Eşleştirilmiş t-Testi

📌 Ne için kullanılır?

Bu test, aynı bireylerden iki zamanda/koşulda alınan ölçümlerin ortalamalarının farklı olup olmadığını inceler (bağımlı ölçümler). Farkların normalliği varsayımı aranır. Örnek: Eğitim öncesi ve sonrası başarı puanları arasında fark var mı?

🎯 Ne elde ederiz?

Ör: Ön–son farkı anlamlı.

🖥️ SPSS Menü Adımları

1) Analyze ▸ Compare Means ▸ Paired-Samples T Test…
2) Paired Variables: Ön ve Son (aynı kişilere ait) değişken çiftini ekleyin.
3) Options… ▸ Descriptives, 95% CI seçin ▸ Continue.
4) Varsayım: farkların (Son−Ön) normalliğini Explore ▸ Plots: Normality ile kontrol edin.
5) OK ▸ Paired Samples Statistics ve Paired Samples Test tablolarını okuyun.
6) t, df, p ve Mean Difference (±SE) raporlayın; 95% CI fark için verilir.
7) Etki büyüklüğü: dz = t/√n (küçük≈.20, orta≈.50, büyük≈.80).
8) Varsayım ihlali: wilcoxon Signed-Rank (Nonparametric ▸ Related Samples) çalıştırın; Z, p ve r=z/√N verin.
9) Aykırı farklar: fark kutu grafiği ile inceleyin.
10) Yorum: yön (artış/azalış) ve pratik önem vurgulanmalı.

📂 Değişkenler

Ön
Son

🎓 Hipotezler

H₀: μ_ön=μ_son
H₁: μ_ön≠μ_son

⚠️ Varsayımlar

Farkların normalliği
Eşleştirme

Varsayım sağlanmazsa:
Normallik yoksa: Wilcoxon

📄 APA Tablo Örneği

Table 5. Paired t

Koşul	n	M	SD	t	df	p	dz
Ön	200	71.2	10.4
Son	200	76.5	9.8	−5.10	199	< .001	0.36

Not: Not. dz = t/√n.

📝 Örnek Senaryolar

🔁 Ön–Son test başarı puanlarının karşılaştırılması

📊 Veri Özeti:

n	40
M_pre	62.0
M_post	68.7
SD_diff	9.0

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Parametrik → Eşleştirilmiş t-Testi
🔸 Değişkenler: OnTest, SonTest (aynı bireyler)
📊 Varsayım: Farkların normalliği (Q–Q grafiği / Shapiro–Wilk)
🧮 Etki büyüklüğü: dz = t/√n

📝 Rapor: Sonuç: Son test ortalaması ön testten anlamlı biçimde yüksektir; t(39)=4.69, p<.001, dz=0.74.

💡 ℹ️ Eşleştirilmiş tasarımlarda hata varyansı azalır. Fark skorlarının (Son−Ön) yaklaşık normal dağılması beklenir.

🧠 Sınav dönemi öncesi–sonrası stres puanları

📊 Veri Özeti:

n	52
M_pre	24.8
M_post	27.1
SD_diff	6.2

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Parametrik → Eşleştirilmiş t-Testi
🔸 Değişkenler: Stres_Önce, Stres_Sonra (aynı katılımcılar)
📊 Varsayım: Farkların normalliği
🧮 Etki büyüklüğü: dz = t/√n

📝 Rapor: Sonuç: Sınav sonrasındaki stres puanı öncesine göre anlamlı biçimde yüksektir; t(51)=2.87, p=.006, dz=0.40.

💡 💡 Eşleştirme aynı kişilerin iki zamanda ölçülmesidir. Normallik sağlanmazsa Wilcoxon İşaretli Sıra testi kullanılır.

⏱️ Eğitim öncesi–sonrası reaksiyon süresi (ms) karşılaştırması

📊 Veri Özeti:

n	30
M_pre	520
M_post	480
SD_diff	55

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Parametrik → Eşleştirilmiş t-Testi
🔸 Değişkenler: RT_Önce (ms), RT_Sonra (ms)
📊 Varsayım: Fark skorlarının normalliği
🧮 Etki büyüklüğü: dz = t/√n

📝 Rapor: Sonuç: Eğitim sonrası reaksiyon süresi anlamlı biçimde daha kısadır; t(29)=3.72, p=.001, dz=0.68.

💡 💬 Birimler (ms) raporda açık belirtilmelidir. Aykırı değerler (çok uzun/kısa tepkiler) analizi etkileyebilir.

🟦 Tek Yönlü ANOVA

📌 Ne için kullanılır?

Tek yönlü ANOVA, üç veya daha fazla bağımsız grubun ortalamalarını aynı anda karşılaştırır ve en az bir grubun diğerlerinden farklı olup olmadığını test eder. Varyans homojenliği ve normallik varsayımları önemlidir. Örnek: Beş fakültenin ortalama memnuniyet puanları birbirinden farklı mı?

🎯 Ne elde ederiz?

Ör: En az bir grup farklı.

🖥️ SPSS Menü Adımları

1) Analyze ▸ Compare Means ▸ One-Way ANOVA…
2) Dependent List: DV (sürekli), Factor: grup değişkeni (3+ düzey).
3) Options… ▸ Descriptives, Homogeneity of variance test (Levene) ▸ Continue.
4) Post Hoc… ▸ Varyanslar homojen ise Tukey; değilse Games-Howell seçin ▸ Continue.
5) Normallik: her grup için Explore ▸ Plots: Normality ile kontrol edin (örneklem küçükse daha kritik).
6) OK ▸ ANOVA tablosunda F, df_between, df_within, p değerlerini bulun.
7) Levene p<.05 ise Welch ANOVA raporlayın (SPSS: One-Way ANOVA penceresinde ‘Welch’ seçeneği Post Hoc altında değil; sonuçlar ‘Robust Tests of Equality of Means’da).
8) Anlamlı ise Post Hoc tablosunda ikili karşılaştırmaları ve çoklu test düzeltmesini belirtin.
9) Etki büyüklüğü: η² = SS_between/(SS_between+SS_within); ya da SPSS ‘Partial Eta Squared’ (GLM ile).
10) Varsayım ihlali (normallik/aşırı aykırı): Nonparametric ▸ Independent Samples ▸ Kruskal-Wallis ve Dunn-Bonferroni sonrası ikilileri raporlayın.

📂 Değişkenler

DV: sürekli
Faktör: 3+ seviye

🎓 Hipotezler

H₀: tüm μ eşit
H₁: en az biri farklı

⚠️ Varsayımlar

Normallik
Varyans homojenliği
Bağımsızlık

Varsayım sağlanmazsa:
Normallik yoksa: Kruskal–WallisHeterojenlik: Welch ANOVA

📄 APA Tablo Örneği

Table 7. One-Way ANOVA

Kaynak	SS	df	MS	F	p	η²
Gruplar arası	3100.5	4	775.1	4.12	.003	.078
Gruplar içi	36700.2	195	188.2
Toplam	39800.7	199

Not: Not. Welch ihlal durumunda raporlanır.

📝 Örnek Senaryolar

📚 Üç öğretim yönteminin başarı puanlarına etkisi

📊 Veri Özeti:

gruplar	['Yöntem A', 'Yöntem B', 'Yöntem C']
n	[30, 30, 30]
M	[78.2, 72.1, 69.4]
SD	[8.5, 7.9, 9.1]

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Parametrik → Tek Yönlü ANOVA
🔸 Bağımlı değişken: Başarı_Puanı
🔸 Faktör: Yöntem (3 düzey)
📊 Varsayımlar: Her grupta normallik; varyans homojenliği (Levene/Brown–Forsythe)
🧪 Post-hoc: Tukey HSD (eşit varyans) / Games–Howell (eşit değilse)

📝 Rapor: Sonuç: Gruplar arasında anlamlı farklılık vardır; F(2,87)=12.55, p<.001, η²=.22. Tukey: A > B (p=.004), A > C (p<.001), B ≈ C (p=.41).

💡 ℹ️ Eşit olmayan varyanslarda Welch ANOVA raporlayın ve Games–Howell post-hoc kullanın. Etki büyüklüğü için η²=SSb/(SSb+SSw) veya ω² tercih edilebilir.

💊 İlaç dozunun semptom skoruna etkisi

📊 Veri Özeti:

gruplar	['Düşük', 'Orta', 'Yüksek']
n	[22, 24, 21]
M	[12.8, 10.6, 9.2]
SD	[3.1, 2.9, 2.7]

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Parametrik → Tek Yönlü ANOVA
🔸 Bağımlı: Semptom_Skoru
🔸 Faktör: Doz (3 düzey)
📊 Varsayımlar: Normallik (her grup), Levene
🧪 Post-hoc: Tukey HSD / Games–Howell

📝 Rapor: Sonuç: Doz düzeyine göre semptom skorları farklıdır; F(2,64)=6.98, p=.002, η²=.18. Tukey: Yüksek < Orta (p=.031), Yüksek < Düşük (p=.004); Orta ≈ Düşük (p=.27).

💡 💡 Ortalama ne kadar küçükse (bu ölçekte daha iyi), tedavi etkisi o kadar güçlü olabilir. Normallik/aykırı değer kontrolü önemlidir.

🧠 Çalışma stratejisinin motivasyon puanına etkisi

📊 Veri Özeti:

gruplar	['Not Alma', 'Özet Çıkarma', 'Aralıklı Tekrar']
n	[28, 27, 29]
M	[62.3, 64.1, 69.5]
SD	[10.2, 9.6, 8.9]

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Parametrik → Tek Yönlü ANOVA
🔸 Bağımlı: Motivasyon_Puanı
🔸 Faktör: Strateji (3 düzey)
📊 Varsayımlar: Grup bazında normallik; Levene
🧪 Post-hoc: Tukey HSD / Games–Howell

📝 Rapor: Sonuç: Stratejilere göre motivasyon puanları anlamlı biçimde farklıdır; F(2,81)=4.21, p=.018, η²=.09. Tukey: Aralıklı Tekrar > Not Alma (p=.022); Aralıklı Tekrar > Özet Çıkarma (p=.048); Not Alma ≈ Özet Çıkarma (p=.66).

💡 💬 Varsayım ihlallerinde Welch ANOVA ve Games–Howell uygundur. Grafiklerle (kutu grafiği/Q–Q) varsayımları görselleştirin.

🟦 Tekrarlı Ölçümler ANOVA

📌 Ne için kullanılır?

Tekrarlı ölçümler ANOVA, aynı bireylerden üç ya da daha fazla zamanda/koşulda elde edilen puanların ortalamaları arasında fark olup olmadığını değerlendirir. Sphericity (küresellik) varsayımı kritik önemdedir. Örnek: Aynı katılımcıların 1., 2. ve 3. hafta test puanları değişiyor mu?

🎯 Ne elde ederiz?

Ör: Zaman etkisi anlamlı.

🖥️ SPSS Menü Adımları

1) Analyze ▸ General Linear Model ▸ Repeated Measures…
2) Within-Subject Factor Name: ör. Zaman; Number of Levels: ölçüm sayısı ▸ Add ▸ Define.
3) Değişkenleri sırasıyla Within-Subjects Variables kutularına yerleştirin.
4) Options… ▸ Descriptive statistics, Estimates of effect size, Mauchly’s test of sphericity ▸ Continue.
5) Plots… ▸ Profile plots için Yatay eksene ‘Zaman’, Ayrım faktörü varsa ekleyin ▸ Add ▸ Continue.
6) OK ▸ Tests of Within-Subjects Effects tablosunda Sphericity Assumed ve Greenhouse-Geisser/Huynh-Feldt düzeltmelerini görün.
7) Mauchly p<.05 ise GG/HF düzeltmeli F ve p raporlayın.
8) Anlamlı sonuçta pairwise comparisons (Bonferroni) ile hangi zamanların farklı olduğunu belirtin.
9) Etki büyüklüğü: partial η² raporlayın.
10) Varsayım ihlali büyükse: Nonparametric ▸ Related Samples ▸ Friedman + ikili Wilcoxon (Bonferroni).

📂 Değişkenler

t1,t2,t3

🎓 Hipotezler

H₀: tüm μ_t eşit
H₁: en az biri farklı

⚠️ Varsayımlar

Sphericity
Artıkların normalliği

Varsayım sağlanmazsa:
Normallik yoksa: Friedman

📄 APA Tablo Örneği

Table 8. RM-ANOVA

Etkiler	df	F	p	Partial η²
Zaman	2	6.10	.003	.12
Hata	198

Not: Not. GG/HF gerekirse kullanın.

📝 Örnek Senaryolar

🔄 Ön–Ara–Son test başarı puanlarının karşılaştırılması

📊 Veri Özeti:

zaman	['Ön', 'Ara', 'Son']
n	36
M	[62.4, 66.8, 71.3]
SD	[9.2, 9.0, 8.7]

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Parametrik → Tekrarlı Ölçümler ANOVA
🔸 İç denek faktörü: Zaman (3 düzey: Ön, Ara, Son)
📊 Varsayımlar: Sferisite (Mauchly), normallik (her düzeyde)
⚖️ Düzeltmeler: Sferisite bozulursa Greenhouse–Geisser / Huynh–Feldt
🧪 Çifti karşılaştırmalar: Bonferroni ile eşleştirilmiş karşılaştırmalar

📝 Rapor: Sonuç: Zaman etkisi anlamlıdır; F(2,70)=10.92, p<.001, η²ₚ=.24. Bonferroni: Son > Ara (p=.014), Son > Ön (p<.001), Ara ≈ Ön (p=.11).

💡 ℹ️ Sferisite sağlanmazsa rapora GG veya HF düzeltmesi ile düzeltilmiş df ve p değerlerini yaz. Etki büyüklüğü olarak kısmi eta-kare (η²ₚ) kullanılır.

⏱️ Üç oturumda reaksiyon süresi (ms) değişimi

📊 Veri Özeti:

oturum	['Oturum 1', 'Oturum 2', 'Oturum 3']
n	24
M	[515, 497, 482]
SD	[54, 49, 51]

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Parametrik → Tekrarlı Ölçümler ANOVA
🔸 İç denek faktörü: Oturum (3 düzey)
📊 Sferisite: Mauchly testi (bozulursa GG/HF düzelt)
🧪 Çifti karşılaştırmalar: Bonferroni ile 1–2, 1–3, 2–3

📝 Rapor: Sonuç: Oturumlar arasında reaksiyon süresi anlamlı biçimde azalmaktadır; F(2,46)=8.31, p=.001, η²ₚ=.27. Bonferroni: 3 < 1 (p=.003), 3 < 2 (p=.021), 2 ≈ 1 (p=.18).

💡 💡 Reaksiyon süresi verilerinde aykırı uçlar analizi etkileyebilir; gerektiğinde sağlam (robust) istatistikleri de raporla.

🧠 Çalışma belleği eğitimi boyunca performans skoru (haftalık) değişimi

📊 Veri Özeti:

hafta	['1. Hafta', '2. Hafta', '3. Hafta', '4. Hafta']
n	30
M	[41.2, 44.9, 47.3, 50.1]
SD	[7.8, 7.6, 7.3, 7.0]

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Parametrik → Tekrarlı Ölçümler ANOVA
🔸 İç denek faktörü: Hafta (4 düzey)
📊 Sferisite: Mauchly → bozulursa Greenhouse–Geisser düzeltmesi uygula
🧪 Çifti karşılaştırmalar: Bonferroni (sıralı haftalar arası)

📝 Rapor: Sonuç: Hafta etkisi anlamlıdır; F(3,87)=9.45, p<.001, η²ₚ=.25. Artışlar özellikle 1→3 ve 1→4 karşılaştırmalarında belirgindir (p<.01).

💡 💬 Zamanla artan pratik etkisine dikkat et; gerekirse trend analizi (lineer/kuadratik) raporla. Çoklu karşılaştırmalarda Bonferroni düzeltmesi kullanıldı.

🟧 Binom Testi

📌 Ne için kullanılır?

Binom testi, tek bir ikili değişkende gözlenen oranın, hipotez edilen orandan (π₀) farklı olup olmadığını sınar; küçük örneklemlerde idealdir. Örnek: Üründen memnuniyet oranı %50’den farklı mı?

🎯 Ne elde ederiz?

Ör: Oran %50’den farklı.

🖥️ SPSS Menü Adımları

1) Analyze ▸ Nonparametric Tests ▸ Legacy Dialogs ▸ Binomial…
2) Test Variable List: İkili (0–1, evet/hayır vb.) değişkeninizi sağ tarafa aktarın.
3) Define Categories… (gerekirse) ▸ ‘Cut point’ veya belirli kategoriyi 1 olarak tanımlayın; referans kategori 0’dır.
4) Test Proportion: Hipotez edilen oranı π₀ girin (ör. 0.50). Yön: SPSS varsayılanı iki yönlüdür; tek yönlü hipoteziniz varsa rapora ayrıca not düşün.
5) OK ▸ Output’ta ‘Binomial Test’ tablosunda Category, N, Observed Prop., Test Prop., Exact Sig. değerlerini bulun.
6) Örneklem küçükse Exact (Binomial) p raporlanır; büyük n’de Normal approximation görünebilir; ‘Exact’ seçeneği daha uygundur.
7) Güven aralığı gerekiyorsa: Analyze ▸ Descriptive Statistics ▸ Frequencies ▸ Statistics… ▸ Binomial 95% CI (SPSS sürümüne bağlı) veya ayrı prosedür/ek paket kullanın.
8) Etki büyüklüğü: Cohen’s g = |p̂ − π₀| raporlayın (≈.05 küçük, .15 orta, .25 büyük). Yön için p̂ > π₀ mu < π₀ mu belirtin.
9) Varsayım: Gözlemler bağımsızdır; kodlama ve kategori eşlemesi doğru yapılmalıdır (hangi kategori ‘başarı’ olarak sayılıyor?).
10) Yorum: ‘Gözlenen oran p̂=…, π₀=… değerinden anlamlı biçimde farklıdır/ değildir (Exact p=…).’ Gerekirse etki büyüklüğü ve CI ile pratik önemi tartışın.

📂 Değişkenler

İkili sonuç
π₀

🎓 Hipotezler

H₀: p=π₀
H₁: p≠π₀

⚠️ Varsayımlar

Bağımsız gözlemler

Varsayım sağlanmazsa:
Z-oran (büyük n)

📄 APA Tablo Örneği

Table 2. Binomial

Kategori	n	Oran	π₀	p
1	118	.59	.50	.021
0	82	.41	.50

Not: π₀=.50

📝 Örnek Senaryolar

✅ Başarı oranı %60’dan farklı mı? (Sınavı geçenler)

📊 Veri Özeti:

n	100
başarı_sayısı	68
p0	0.6
p̂	0.68
CI95_Wilson	[0.583, 0.763]

🛠️ Analiz Adımları:

🔹 Analiz: Kategorik Testler → Binom (Tek Örneklem Oran)
🔸 Değişken: Geçti (1) / Kaldı (0)
🔸 Hipotez oranı (p₀): 0.60
🔁 Yön: İki yönlü (≠)
📦 Güven aralığı: %95 (Clopper–Pearson/Wilson)

📝 Rapor: Sonuç: 68/100 (p̂=.68) için iki yönlü exact binomial test: p=.125 (anlamlı değil). Etki büyüklüğü (Cohen’s h) ≈ 0.17 (küçük).

💡 ℹ️ Binom testi, 0/1 sonuçların tek örneklem oranını p₀ ile sınar. p̂ için %95 Wilson GA: [0.583, 0.763]. Cohen’s h eşikleri: 0.20 küçük, 0.50 orta, 0.80 büyük.

🧠 Katılımcıların programı tamamlama oranı %50’den farklı mı?

📊 Veri Özeti:

n	120
tamamlayan	42
p0	0.5
p̂	0.35
CI95_Wilson	[0.271, 0.439]

🛠️ Analiz Adımları:

🔹 Analiz: Kategorik Testler → Binom (Tek Örneklem Oran)
🔸 Değişken: Tamamladı (1) / Tamamlamadı (0)
🔸 Hipotez oranı (p₀): 0.50
🔁 Yön: İki yönlü (≠)
📦 Güven aralığı: %95 (Clopper–Pearson/Wilson)

📝 Rapor: Sonuç: 42/120 (p̂=.35) oranı %50’den anlamlı biçimde farklıdır; p=.001. Etki büyüklüğü (Cohen’s h) ≈ 0.30 (küçük–orta).

💡 💡 Örneklem büyük olsa da tek örneklem z-testi yerine exact binomial raporlanabilir. Yönlü hipotez varsa tek yönlü p değeri kullanılır.

🧪 Kullanılabilirlik: Görevi başarı ile tamamlayanların oranı %80 mi?

📊 Veri Özeti:

n	100
başarılı	86
p0	0.8
p̂	0.86
CI95_Wilson	[0.779, 0.915]

🛠️ Analiz Adımları:

🔹 Analiz: Kategorik Testler → Binom (Tek Örneklem Oran)
🔸 Değişken: Başarılı (1) / Başarısız (0)
🔸 Hipotez oranı (p₀): 0.80
🔁 Yön: İki yönlü (≠) — gerekirse tek yönlü (> .80) de değerlendirilebilir
📦 Güven aralığı: %95 (Clopper–Pearson/Wilson)

📝 Rapor: Sonuç: 86/100 (p̂=.86) oranı için iki yönlü exact binomial p=.168 (anlamlı değil). Etki (Cohen’s h) ≈ 0.16 (küçük).

💡 💬 Kullanılabilirlik hedefleri için pratik anlamlılık (örn. ≥%85) ayrıca raporlanır. Güven aralığı p̂’nin belirsizliğini gösterir; karar sadece p değerine bırakılmamalıdır.

🟧 Mann–Whitney U

📌 Ne için kullanılır?

Mann–Whitney U, iki bağımsız grubun dağılımlarını/merkezlerini sıralar üzerinden karşılaştıran nonparametrik bir testtir; normallik gerekmez. Örnek: İki farklı sınıfın sınav sıraları arasında fark var mı?

🎯 Ne elde ederiz?

Ör: Sıra farkı anlamlı.

🖥️ SPSS Menü Adımları

1) Analyze ▸ Nonparametric Tests ▸ Independent Samples
2) Fields: DV (Test Fields) ve Grup (Groups) atayın.
3) Settings: Customize analysis ▸ Mann-Whitney U işaretleyin.
4) Run ▸ Output’ta Test Statistics tablosunda U, z (SPSS sürümüne göre Asymp. Sig.), p bulun.
5) Medyan ve sıra ortalamalarını ‘Ranks’ tablosundan raporlayın.
6) Etki büyüklüğü: r = |z|/√N raporunu ekleyin.
7) Bağımsızlık ve ölçekte en az ordinal varsayımını belirtin.
8) Aykırılar aşırı ise sağlamlık yorumları yapın.
9) Grup ölçümleri çok dengesizse etki büyüklüğü yorumunu dikkatli yapın.
10) Yön belirtin (hangi grup daha yüksek).

📂 Değişkenler

DV: ordinal/sürekli
IV: iki grup

🎓 Hipotezler

H₀: dağılımlar eşit
H₁: farklı

⚠️ Varsayımlar

Bağımsızlık
En az ordinal

Varsayım sağlanmazsa:
Parametrik: t-test

📄 APA Tablo Örneği

Table 4. Mann–Whitney

Grup	n	Median	Sıra Ort.	U	z	p	r
A	110	78.0	112.3
B	90	74.0	96.1	3980.0	−2.16	.031	.15

Not: r=z/√N

📝 Örnek Senaryolar

⚖️ Deney ve kontrol grubunun motivasyon puanlarının karşılaştırılması

📊 Veri Özeti:

n1	30
n2	28
U	298
z	-2.16
r	0.28

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Nonparametrik → Mann–Whitney U
🔸 Bağımlı değişken: Motivasyon_Puanı
🔸 Gruplar: Deney (1) – Kontrol (2)
📊 Varsayım: Sıralar arasında dağılım şekli benzer olmalı (homojenlik)
🧮 Etki büyüklüğü: r = |z| / √N

📝 Rapor: Sonuç: Deney grubunun motivasyon puanı kontrol grubundan anlamlı biçimde yüksektir; U=298, z=−2.16, p=.031, r=.28.

💡 ℹ️ Mann–Whitney U testi, bağımsız iki grubun medyan veya sıra puanları açısından farkını test eder. Parametrik varsayımlar (normallik, varyans eşitliği) sağlanmadığında uygundur.

🧠 Kadın ve erkek öğrencilerin sınav kaygısı düzeylerinin karşılaştırılması

📊 Veri Özeti:

n1	52
n2	48
U	1012
z	-2.45
r	0.25

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Nonparametrik → Mann–Whitney U
🔸 Bağımlı değişken: Kaygı_Puanı
🔸 Gruplar: Cinsiyet (Kadın–Erkek)
📊 Varsayım: Dağılım şekilleri benzer olmalı
🧮 Etki büyüklüğü: r = |z| / √N

📝 Rapor: Sonuç: Kadınların sınav kaygısı erkeklere göre anlamlı biçimde daha yüksektir; U=1012, z=−2.45, p=.014, r=.25.

💡 💡 Veri sıralı veya sürekli olabilir, ancak normal dağılmamalıdır. Etki büyüklüğü r≈.10 küçük, .30 orta, .50 büyük olarak yorumlanır.

💊 Tedavi ve plasebo gruplarının ağrı skoru karşılaştırması

📊 Veri Özeti:

n1	20
n2	20
U	112
z	-2.05
r	0.32

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Nonparametrik → Mann–Whitney U
🔸 Bağımlı değişken: Ağrı_Skoru
🔸 Gruplar: Tedavi (1) – Plasebo (2)
📊 Varsayım: Dağılım şekli gruplar arasında benzer olmalı
🧮 Etki büyüklüğü: r = |z| / √N

📝 Rapor: Sonuç: Tedavi grubunun ağrı skorları plasebo grubuna göre anlamlı biçimde daha düşüktür; U=112, z=−2.05, p=.041, r=.32.

💡 💬 Mann–Whitney testi, medyan karşılaştırması olarak da raporlanabilir. Aykırı değerlerin etkisi düşük olduğundan küçük örneklemlerde tercih edilir.

🟧 Wilcoxon İşaretli Sıra

📌 Ne için kullanılır?

Wilcoxon İşaretli Sıra testi, aynı bireylerden iki ölçümün medyan farkının sıfırdan farklı olup olmadığını sıralar üzerinden test eder; farkların normalliği gerekmez. Örnek: Diyet öncesi ve sonrası kilo ölçümleri farklı mı?

🎯 Ne elde ederiz?

Ör: Sıra farkı anlamlı.

🖥️ SPSS Menü Adımları

1) Analyze ▸ Nonparametric Tests ▸ Related Samples
2) Test Fields: Ön ve Son değişkenlerini seçin.
3) Settings: Wilcoxon Signed-Rank işaretleyin.
4) Run ▸ Test Statistics’te Z ve p değerini bulun.
5) Positive/Negative/Zero counts tablosunu rapora ekleyin.
6) Etki büyüklüğü: r = |z|/√N (küçük≈.10, orta≈.30, büyük≈.50).
7) Eşleştirme/bağımlı gözlem varsayımını vurgulayın.
8) Aykırı farkları kontrol edin (fark kutu grafiği).
9) Yön: artış mı azalış mı? Median fark ile destekleyin.
10) Çoklu karşılaştırma varsa düzeltme (Bonferroni) belirtin.

📂 Değişkenler

Ön
Son

🎓 Hipotezler

H₀: medyan fark=0
H₁: medyan fark≠0

⚠️ Varsayımlar

Eşleştirme
En az ordinal

Varsayım sağlanmazsa:
Parametrik: Paired t

📄 APA Tablo Örneği

Table 6. Wilcoxon

Çift	Pozitif	Negatif	Bağlı	Z	p	r
Ön–Son	135	55	10	−4.85	< .001	.34

Not: r=z/√N

📝 Örnek Senaryolar

🔁 Ön–Son test başarı puanlarının Wilcoxon testiyle karşılaştırılması

📊 Veri Özeti:

n	34
T	78
z	-3.21
r	0.55

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Nonparametrik → Wilcoxon (Eşleştirilmiş)
🔸 Değişkenler: Ön_Test, Son_Test (aynı bireyler)
📊 Varsayım: Fark skorlarının simetrik dağılması
🧮 Etki büyüklüğü: r = |z| / √N

📝 Rapor: Sonuç: Son test puanları ön testten anlamlı biçimde yüksektir; T=78, z=−3.21, p=.001, r=.55.

💡 ℹ️ Farkların yönü önemlidir: pozitif farklar artışı, negatif farklar azalışı gösterir. Etki büyüklüğü büyük düzeydedir (r>.50).

🧠 Stres yönetimi eğitimi öncesi–sonrası kaygı puanları

📊 Veri Özeti:

n	42
T	134
z	-2.85
r	0.44

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Nonparametrik → Wilcoxon (Eşleştirilmiş)
🔸 Değişkenler: Kaygı_Önce, Kaygı_Sonra
📊 Varsayım: Farkların simetrik dağılımı (normallik gerekmez)
🧮 Etki büyüklüğü: r = |z| / √N

📝 Rapor: Sonuç: Eğitim sonrası kaygı puanı anlamlı biçimde düşmüştür; T=134, z=−2.85, p=.004, r=.44.

💡 💡 Wilcoxon, parametrik olmayan eşleştirilmiş t-test karşılığıdır. Orta düzeyde bir etki büyüklüğü gözlenmiştir (r≈.44).

💊 Tedavi öncesi–sonrası ağrı skorlarının karşılaştırılması

📊 Veri Özeti:

n	25
T	62
z	-2.42
r	0.48

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Nonparametrik → Wilcoxon (Eşleştirilmiş)
🔸 Değişkenler: Ağrı_Önce, Ağrı_Sonra
📊 Varsayım: Farkların simetrik dağılımı; normallik gerekmez
🧮 Etki büyüklüğü: r = |z| / √N

📝 Rapor: Sonuç: Tedavi sonrası ağrı skorları anlamlı biçimde azalmıştır; T=62, z=−2.42, p=.016, r=.48.

💡 💬 Küçük örneklemler ve uç değerlerin bulunduğu durumlarda güçlü bir alternatiftir. Sonuçlar medyan farkı üzerinden de raporlanabilir.

🟧 Kruskal–Wallis

📌 Ne için kullanılır?

Kruskal–Wallis, üç veya daha fazla bağımsız grubun dağılımlarını sıralar üzerinden karşılaştıran nonparametrik bir testtir. Örnek: Üç bölümün memnuniyet puanı dağılımları arasında fark var mı?

🎯 Ne elde ederiz?

Ör: Gruplar arası sıra farkı.

🖥️ SPSS Menü Adımları

1) Analyze ▸ Nonparametric Tests ▸ Independent Samples
2) Fields: DV ve Grup’u atayın.
3) Settings: Kruskal-Wallis H işaretleyin; Pairwise comparisons seçeneği (SPSS sürümüne göre) aktifleştirin.
4) Run ▸ Test Statistics tablosunda H, df, p değerlerini okuyun.
5) Ranks tablosundan sıra ortalamalarını raporlayın.
6) Anlamlıysa: Post-hoc (Dunn-Bonferroni) ve hangi gruplar farklı belirtin.
7) Etki büyüklüğü yaklaşık: η²(H) ≈ (H−(k−1))/(N−1).
8) Bağımsızlık ve en az ordinal ölçek koşulunu yazın.
9) Grup dağılımları çok çarpık ise yorumda ihtiyatlı olun.
10) Parametrik alternatif: ANOVA/Welch.

📂 Değişkenler

DV: ordinal/sürekli
Faktör: 3+ seviye

🎓 Hipotezler

H₀: tüm medyanlar eşit
H₁: en az biri farklı

⚠️ Varsayımlar

Bağımsızlık
En az ordinal

Varsayım sağlanmazsa:
Parametrik: ANOVA/Welch

📄 APA Tablo Örneği

Table 9. Kruskal–Wallis

Grup	n	Median	Sıra Ort.
G1	40	79.0	115.2
G2	40	76.0	104.5
G3	40	72.0	88.9
G4	40	74.0	96.7
G5	40	75.0	101.1

Not: Dunn–Bonferroni ile ikili karşılaştırmalar.

📝 Örnek Senaryolar

📚 Üç öğretim yönteminin başarı puanları açısından karşılaştırılması

📊 Veri Özeti:

gruplar	['Yöntem A', 'Yöntem B', 'Yöntem C']
n	[25, 27, 26]
H	12.85
df	2
p	0.002

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Nonparametrik → Kruskal–Wallis H
🔸 Bağımlı değişken: Başarı_Puanı
🔸 Gruplar: Öğretim Yöntemi (A, B, C)
📊 Varsayım: Grupların dağılım şekilleri benzer olmalıdır (homojenlik)
🧮 Etki büyüklüğü: η²(H) ≈ (H−(k−1))/(N−1)

📝 Rapor: Sonuç: Gruplar arasında başarı puanları açısından anlamlı fark vardır; H(2)=12.85, p=.002, η²=.14. Post-hoc (Dunn): A > B (p=.016), A > C (p<.001), B ≈ C (p=.41).

💡 ℹ️ Kruskal–Wallis testi, normallik varsayımı sağlanmadığında ANOVA’nın nonparametrik eşdeğeridir. Anlamlılık bulunduğunda Dunn veya Conover post-hoc testleri kullanılır.

🧠 Üç farklı öğrenme stratejisinin motivasyon puanına etkisi

📊 Veri Özeti:

gruplar	['Tekrar', 'Özet', 'Zihin Haritası']
n	[30, 28, 29]
H	8.91
df	2
p	0.012

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Nonparametrik → Kruskal–Wallis H
🔸 Bağımlı değişken: Motivasyon_Puanı
🔸 Gruplar: Strateji türü (Tekrar–Özet–Zihin Haritası)
📊 Varsayım: Dağılım biçimleri benzer olmalıdır
🧮 Etki büyüklüğü: η²(H)

📝 Rapor: Sonuç: Öğrenme stratejilerine göre motivasyon puanları anlamlı biçimde farklıdır; H(2)=8.91, p=.012, η²=.09. Dunn testi: Zihin Haritası > Tekrar (p=.025); diğer farklar anlamsız.

💡 💡 Kruskal–Wallis, bağımsız gruplar arasında sıra ortalamalarını karşılaştırır. Parametrik varsayımlar sağlanmazsa tercih edilir.

💊 Üç ilaç dozunun semptom skorları üzerindeki etkisi

📊 Veri Özeti:

gruplar	['Düşük', 'Orta', 'Yüksek']
n	[20, 22, 21]
H	9.73
df	2
p	0.008

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Nonparametrik → Kruskal–Wallis H
🔸 Bağımlı değişken: Semptom_Skoru
🔸 Faktör: Doz (3 düzey)
📊 Varsayım: Dağılım şekilleri benzer olmalıdır
🧮 Etki büyüklüğü: η²(H)

📝 Rapor: Sonuç: Doz düzeyine göre semptom skorları anlamlı biçimde farklıdır; H(2)=9.73, p=.008, η²=.13. Dunn post-hoc: Yüksek < Orta (p=.019), Yüksek < Düşük (p=.005).

💡 💬 Kruskal–Wallis, ordinal veya sürekli ama normal dağılmayan verilerde uygundur. Varyans homojenliği gerekmez. Etki büyüklüğü η²(H) ile raporlanır.

🟧 Friedman Testi

📌 Ne için kullanılır?

Friedman testi, aynı bireylerden üç ya da daha fazla koşul/zamanda alınan ikili ya da ordinal ölçülerin sıralarına dayalı olarak fark olup olmadığını inceler. Örnek: Aynı katılımcıların üç farklı uygulamaya ‘beğendi/beğenmedi’ yanıt oranları değişiyor mu?

🎯 Ne elde ederiz?

Ör: Zaman/koşul farkı.

🖥️ SPSS Menü Adımları

1) Analyze ▸ Nonparametric Tests ▸ Related Samples
2) 3+ ikili veya sürekli ölçümü ‘Test Fields’ listesine ekleyin.
3) Settings: Friedman işaretleyin.
4) Run ▸ Chi-Square(χ²), df ve p’yi okuyun.
5) Mean Rank’lere bakın; hangi koşullar yüksek görünüyor belirtin.
6) Anlamlıysa: eşleştirilmiş ikili Wilcoxon + Bonferroni yapın.
7) Etki büyüklüğü: Kendall’s W = χ² / (N*(k−1)).
8) Sıra dönüşümü nedeniyle medyan raporları yardımcı olabilir.
9) Ölçümler bağımlı olmalı (aynı bireyler).
10) Parametrik alternatif: RM-ANOVA (sphericity kontrolleriyle).

📂 Değişkenler

t1,t2,t3

🎓 Hipotezler

H₀: tüm medyanlar eşit
H₁: en az biri farklı

⚠️ Varsayımlar

Eşleştirme
En az ordinal

Varsayım sağlanmazsa:
Parametrik: RM-ANOVA

📄 APA Tablo Örneği

Table 10. Friedman

Koşul	Median	Sıra Ort.	χ²	df	p
Z1	72.0	1.80	14.22	2	.001
Z2	75.0	2.05
Z3	78.0	2.15

Not: Bonferroni düzeltmesi.

📝 Örnek Senaryolar

🔄 Üç farklı zaman noktasında başarı puanlarının karşılaştırılması

📊 Veri Özeti:

zaman	['Ön', 'Ara', 'Son']
n	32
χ²	14.22
df	2
p	0.001

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Nonparametrik → Friedman (Tekrarlı Ölçümler)
🔸 Bağımlı değişken: Başarı_Puanı
🔸 İç denek faktörü: Zaman (3 düzey: Ön, Ara, Son)
📊 Varsayım: Ölçümler sıralı veya sürekli olmalı, dağılım normallik göstermeyebilir
🧮 Etki büyüklüğü: W = χ² / (N × (k − 1))

📝 Rapor: Sonuç: Zaman etkisi anlamlıdır; χ²(2)=14.22, p=.001, W=.22. Post-hoc (Dunn–Bonferroni): Son > Ara (p=.014), Son > Ön (p<.001).

💡 ℹ️ Friedman testi, Tekrarlı Ölçümler ANOVA’nın nonparametrik karşılığıdır. Sferisite varsayımı gerekmez; farkların yönü sıra ortalamalarına göre değerlendirilir.

🧠 Üç oturumda stres puanlarının karşılaştırılması

📊 Veri Özeti:

oturum	['1. Oturum', '2. Oturum', '3. Oturum']
n	28
χ²	10.34
df	2
p	0.006

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Nonparametrik → Friedman (Tekrarlı Ölçümler)
🔸 Bağımlı değişken: Stres_Puanı
🔸 İç denek faktörü: Oturum (3 düzey)
📊 Varsayım: Katılımcıların sıralı veya sürekli ölçümleri karşılaştırılır
🧮 Etki büyüklüğü: W = χ² / (N × (k − 1))

📝 Rapor: Sonuç: Oturumlar arasında stres puanları anlamlı biçimde farklıdır; χ²(2)=10.34, p=.006, W=.18. Post-hoc (Dunn): 3. Oturum < 1. Oturum (p=.009).

💡 💡 Friedman testi, aynı bireylerin farklı koşullardaki sıra ortalamalarını karşılaştırır. Bonferroni düzeltmesiyle yapılan çiftli testler önerilir.

💊 Üç dozun aynı bireylerde ağrı skorlarına etkisi

📊 Veri Özeti:

doz	['Düşük', 'Orta', 'Yüksek']
n	20
χ²	11.56
df	2
p	0.003

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Nonparametrik → Friedman (Tekrarlı Ölçümler)
🔸 Bağımlı değişken: Ağrı_Skoru
🔸 İç denek faktörü: Doz (3 düzey, aynı bireyler)
📊 Varsayım: Ölçümler sıralı/sürekli, normallik aranmaz
🧮 Etki büyüklüğü: W = χ² / (N × (k − 1))

📝 Rapor: Sonuç: Doz etkisi anlamlıdır; χ²(2)=11.56, p=.003, W=.29. Dunn testi: Yüksek < Düşük (p=.004), Yüksek < Orta (p=.018).

💡 💬 Küçük örneklemlerde güçlüdür; Friedman, varyans homojenliği gerektirmez. Etki büyüklüğü W: 0.10 küçük, 0.25 orta, 0.40 büyük kabul edilir.

🟩 Korelasyon — Pearson

📌 Ne için kullanılır?

Bu test, iki sürekli değişken arasındaki doğrusal ilişkinin yönünü ve gücünü ölçer (parametrik). Normallik, doğrusallık ve uç değerlerin olmaması varsayımları önemlidir. Örnek: Ders çalışma süresi ile sınav puanı arasında ilişki var mı?

🎯 Ne elde ederiz?

Ör: Pozitif ve anlamlı ilişki.

🖥️ SPSS Menü Adımları

1) Analyze ▸ Correlate ▸ Bivariate…
2) İki veya daha fazla sürekli değişkeni sağ tarafa taşıyın.
3) Pearson işaretli olsun; Two-tailed seçili kalsın.
4) Options… ▸ Means and standard deviations işaretleyin ▸ Continue.
5) Doğrusallığı kontrol etmek için Graphs ▸ Legacy Dialogs ▸ Scatter/Dot ▸ Simple Scatter seçin.
6) Aykırı değerleri grafikte gözlemleyin; gerekirse veri temizliği yapın.
7) OK ▸ Correlations tablosunda r, Sig. (2-tailed) ve N değerlerini bulun.
8) r² değeriyle açıklanan varyans oranını hesaplayın.
9) p<.05 ise ilişki anlamlıdır; pozitif/negatif yönü belirtin.
10) APA raporu: r(df)=..., p=..., 95% CI [..., ...], r²=...

📂 Değişkenler

X ↔ Y

🎓 Hipotezler

H₀: ρ=0
H₁: ρ≠0

⚠️ Varsayımlar

Normallik
Doğrusallık

Varsayım sağlanmazsa:
Spearman (normallik yoksa)

📄 APA Tablo Örneği

Table 11. Korelasyon

Değişken	1	2	3
1. Başarı	—	.28**	.21*
2. AI bilgi	.28**	—	.34**
3. Memnuniyet	.21*	.34**	—

Not: * p<.05, ** p<.01

📝 Örnek Senaryolar

📈 Matematik başarısı ile motivasyon düzeyi arasındaki ilişki

📊 Veri Özeti:

n	150
r	0.28
p	<.001

🛠️ Analiz Adımları:

🔹 Analiz: İlişki Analizleri → Korelasyon → Pearson
🔸 Değişkenler: Matematik_Puanı, Motivasyon_Puanı
📊 Varsayım: Değişkenler sürekli, yaklaşık normal dağılmış ve doğrusal ilişki göstermelidir.
🧮 Etki büyüklüğü: r² (determinasyon katsayısı)

📝 Rapor: Sonuç: Matematik başarısı ile motivasyon arasında pozitif ve anlamlı bir ilişki vardır; r(148)=.28, p<.001, r²=.078.

💡 ℹ️ Pearson korelasyonu iki sürekli değişken arasındaki doğrusal ilişkiyi ölçer. r≈.10 küçük, .30 orta, .50 büyük etki olarak yorumlanır.

🧠 Yapay zekâ bilgisi ile teknoloji tutumu arasındaki ilişki

📊 Veri Özeti:

n	120
r	0.45
p	<.001

🛠️ Analiz Adımları:

🔹 Analiz: İlişki Analizleri → Korelasyon → Pearson
🔸 Değişkenler: YZ_Bilgi, Teknoloji_Tutumu
📊 Varsayım: Doğrusal ilişki, sürekli ölçüm düzeyi
🧮 Etki büyüklüğü: r² = 0.20 (ortalama açıklanan varyans)

📝 Rapor: Sonuç: Yapay zekâ bilgisi ile teknoloji tutumu arasında orta düzeyde pozitif bir ilişki vardır; r(118)=.45, p<.001, r²=.20.

💡 💡 Pearson korelasyonu doğrusal ilişkiler için uygundur. Eğer ilişki doğrusal değilse Spearman rho kullanılmalıdır.

💬 Akademik öz-yeterlik ile sınav kaygısı arasındaki ilişki

📊 Veri Özeti:

n	90
r	-0.39
p	<.001

🛠️ Analiz Adımları:

🔹 Analiz: İlişki Analizleri → Korelasyon → Pearson
🔸 Değişkenler: ÖzYeterlik_Puanı, Kaygı_Puanı
📊 Varsayım: Sürekli değişkenler, normal dağılım, doğrusal ilişki
🧮 Etki büyüklüğü: r² = 0.15

📝 Rapor: Sonuç: Akademik öz-yeterlik ile sınav kaygısı arasında anlamlı ve negatif yönlü ilişki vardır; r(88)=−.39, p<.001, r²=.15.

💡 💬 Negatif r değeri, biri artarken diğerinin azaldığını gösterir. r² değeri, bir değişkendeki varyansın diğer değişkenle ne kadar açıklandığını gösterir.

🟩 Korelasyon — Spearman

📌 Ne için kullanılır?

Spearman korelasyonu, iki değişken arasındaki monoton (sürekli artan/azalan) ilişkiyi sıralara dayalı ölçer; normallik gerekmez, aykırı değerlere daha dayanıklıdır. Örnek: Sıralı memnuniyet derecesi ile sıra türü hizmet kalitesi puanı arasında ilişki var mı?

🎯 Ne elde ederiz?

Ör: Pozitif ve anlamlı ilişki.

🖥️ SPSS Menü Adımları

1) Analyze ▸ Correlate ▸ Bivariate…
2) Değişkenleri sağa alın; Spearman işaretleyin.
3) Nonlineer/monoton olma ihtimalini gerekçelendirin.
4) OK ▸ ρ ve p değerlerini raporlayın.
5) ρ² ile yorum (yaklaşık) yapın.
6) Outlier etkisi Pearson’a göre daha düşük olsa da kontrol edin.
7) Bağlı sıralar varsa SPSS zaten düzeltir.
8) N’i açıkça belirtin.
9) Monoton ama doğrusal olmayan örnekleri tartışın.
10) Gerekirse ordinal ölçek gerekçesini yazın.

📂 Değişkenler

X ↔ Y

🎓 Hipotezler

H₀: ρ_s=0
H₁: ρ_s≠0

⚠️ Varsayımlar

Monoton ilişki

Varsayım sağlanmazsa:
Parametrik: Pearson

📄 APA Tablo Örneği

Table 11b. Spearman

Değişken	ρ	p
X ↔ Y	.26	< .001

Not: ρ=Spearman rho

📝 Örnek Senaryolar

📊 Matematik başarısı ile problem çözme becerisi arasındaki ilişki

📊 Veri Özeti:

n	100
rho	0.54
p	<.001

🛠️ Analiz Adımları:

🔹 Analiz: İlişki Analizleri → Korelasyon → Spearman (Sıra Korelasyonu)
🔸 Değişkenler: Matematik_Puanı, ProblemCözme_Beceri
📊 Varsayım: Değişkenler sıralı veya sürekli olmalı; doğrusal ilişki şart değildir.
🧮 Etki büyüklüğü: ρ² (yaklaşık açıklanan varyans)

📝 Rapor: Sonuç: Matematik başarısı ile problem çözme becerisi arasında pozitif ve güçlü bir ilişki vardır; ρ(98)=.54, p<.001, ρ²≈.29.

💡 ℹ️ Spearman korelasyonu, sıralı veya doğrusal olmayan ilişkilerde tercih edilir. Aykırı değerlere karşı dayanıklıdır ve sıralar üzerinden hesaplanır.

🧠 Yapay zekâ kaygısı ile dijital okuryazarlık puanı arasındaki ilişki

📊 Veri Özeti:

n	95
rho	-0.41
p	<.001

🛠️ Analiz Adımları:

🔹 Analiz: İlişki Analizleri → Korelasyon → Spearman (Sıra Korelasyonu)
🔸 Değişkenler: YZ_Kaygı, Dijital_Okuryazarlık
📊 Varsayım: Monoton (tek yönlü) ilişki yeterlidir, doğrusal olması gerekmez.
🧮 Etki büyüklüğü: ρ² = .17

📝 Rapor: Sonuç: Yapay zekâ kaygısı ile dijital okuryazarlık arasında anlamlı ve negatif yönlü ilişki vardır; ρ(93)=−.41, p<.001, ρ²=.17.

💡 💡 Negatif ilişki, dijital okuryazarlık arttıkça yapay zekâ kaygısının azaldığını gösterir. Spearman korelasyonu, veriler normal dağılmadığında güvenilir sonuç verir.

💬 Sosyal medya kullanım süresi ile dikkat dağınıklığı arasındaki ilişki

📊 Veri Özeti:

n	110
rho	0.36
p	<.001

🛠️ Analiz Adımları:

🔹 Analiz: İlişki Analizleri → Korelasyon → Spearman (Sıra Korelasyonu)
🔸 Değişkenler: SosyalMedya_Süre, DikkatDağınıklığı
📊 Varsayım: Monoton ilişki yeterlidir (artış–artış veya azalış–azalış).
🧮 Etki büyüklüğü: ρ² = .13

📝 Rapor: Sonuç: Sosyal medya kullanımı ile dikkat dağınıklığı arasında orta düzeyde pozitif bir ilişki vardır; ρ(108)=.36, p<.001, ρ²=.13.

💡 💬 Spearman, sıralı (ordinal) veya sürekli ama normal dağılmayan verilerde uygundur. Etki düzeyi: ρ≈.10 küçük, .30 orta, .50 büyük olarak yorumlanır.

🟩 Tek Örneklem Ki-Kare

📌 Ne için kullanılır?

Tek örneklem ki-kare (uygunluk) testi, tek bir kategorik değişkenin gözlenen dağılımının beklenen (teorik) dağılımla uyumlu olup olmadığını değerlendirir. Örnek: Ürün tercihlerinin %50–%30–%20 dağılımına uyumu var mı?

🎯 Ne elde ederiz?

Ör: Uyum yok (fark var).

🖥️ SPSS Menü Adımları

1) Analyze ▸ Nonparametric Tests ▸ Legacy Dialogs ▸ Chi-Square…
2) Test Variable List: Kategorik değişkeninizi sağ tarafa atın.
3) Expected Values: Varsayılan 'All categories equal' (eşit) kalabilir veya 'Values' diyerek beklenen teorik oranları elle girebilirsiniz.
4) Options… ▸ Descriptives (tanımlayıcılar) veya Quartiles seçebilirsiniz ▸ Continue.
5) OK’ye basın. Çıktıda 'Test Statistics' tablosunda Chi-Square, df ve Asymp. Sig. (p) değerlerini okuyun.
6) Varsayım: Beklenen frekansı 5'ten küçük olan hücre sayısı %20'yi geçmemelidir (çıktının altında uyarı yazar).
7) Observed vs Expected frekans tablosunu inceleyerek farkın hangi kategoriden kaynaklandığını yorumlayın.
8) Etki büyüklüğü: Tek örneklem için Cohen's w hesaplanabilir (SPSS doğrudan vermez).
9) Anlamlı fark varsa: Hangi kategorinin beklenenden yüksek/düşük olduğunu 'Residual' değerlerine bakarak belirtin.
10) APA raporu: χ²(df, N=...) = ..., p = ... şeklinde yazılır.

📂 Değişkenler

Gözlenenler
Beklenen oranlar

🎓 Hipotezler

H₀: uyum vardır
H₁: uyum yoktur

⚠️ Varsayımlar

Beklenen ≥5 hücre oranı

📄 APA Tablo Örneği

Table 17. One-Sample Chi-Square

Kategori	Gözlenen	Beklenen
A	60	50
B	25	30
C	15	20

Not: Beklenen: %50,%30,%20

📝 Örnek Senaryolar

🎲 Zar adil mi? (1–6 yüzlerinin eşit gelme olasılığı)

📊 Veri Özeti:

Gözlenen	[8, 10, 9, 7, 9, 7]
Beklenen	[8.33, 8.33, 8.33, 8.33, 8.33, 8.33]
χ²	1.14
df	5
p	0.95

🛠️ Analiz Adımları:

🔹 Analiz: Frekanslar → Tek Örneklem Ki-Kare
🔸 Değişken: Zar_Sonuçları (1–6)
📊 Hipotez: Her yüzün gelme olasılığı eşittir (1/6)
🧮 Test istatistiği: χ² = Σ((Gözlenen−Beklenen)² / Beklenen)

📝 Rapor: Sonuç: Zarın yüzleri eşit olasılıkla gelmektedir; χ²(5)=1.14, p=.95. Adil zar varsayımı reddedilmemiştir.

💡 ℹ️ Tüm beklenen frekanslar ≥5 olmalıdır; aksi halde Fisher veya Monte Carlo tercih edilir.

🧃 İçecek tercihleri (4 kategori, beklenen oranlar eşit)

📊 Veri Özeti:

Gözlenen	[30, 45, 20, 25]
Beklenen	[30, 30, 30, 30]
χ²	12.5
df	3
p	0.006

🛠️ Analiz Adımları:

🔹 Analiz: Frekanslar → Tek Örneklem Ki-Kare
🔸 Değişken: İçecek_Tercihi (Kola, MeyveSuyu, Su, Kahve)
📊 Hipotez: Her içecek eşit oranda tercih edilir.

📝 Rapor: Sonuç: Tercihler eşit dağılmamıştır; χ²(3)=12.5, p=.006. Katılımcılar en çok meyve suyunu tercih etmiştir.

💡 💡 Beklenen oranlar farklıysa SPSS’te ‘Beklenen değerleri belirt’ seçeneğini kullan.

🧠 Sınavda başarı düzeyleri (Beklenen oran = %25 her kategori)

📊 Veri Özeti:

Gözlenen	[20, 30, 35, 15]
Beklenen	[25, 25, 25, 25]
χ²	8.0
df	3
p	0.046

🛠️ Analiz Adımları:

🔹 Analiz: Frekanslar → Tek Örneklem Ki-Kare
🔸 Değişken: Başarı_Düzeyi (Zayıf, Orta, İyi, Pekiyi)
📊 Hipotez: Düzeylerin dağılımı eşittir.

📝 Rapor: Sonuç: Başarı düzeylerinin dağılımı beklenenden farklıdır; χ²(3)=8.0, p=.046. ‘İyi’ düzeyindeki öğrenciler beklenenden fazladır.

💡 📊 Etki büyüklüğü için Cohen’s w = √(χ²/N); 0.1 küçük, 0.3 orta, 0.5 büyük.

🟩 Ki-Kare — Bağımsızlık

📌 Ne için kullanılır?

Bağımsızlık için ki-kare testi, iki kategorik değişken arasındaki ilişkinin (bağımsızlık/bağımlılık) varlığını sınar. Beklenen frekans koşulu sağlanmalıdır. Örnek: Cinsiyet ile uygulama kullanım sıklığı bağımsız mı?

🎯 Ne elde ederiz?

Ör: Anlamlı ilişki.

🖥️ SPSS Menü Adımları

1) Analyze ▸ Descriptive Statistics ▸ Crosstabs…
2) Satır ve sütun değişkenlerini atayın.
3) Statistics… ▸ Chi-square ve Phi and Cramer’s V işaretleyin ▸ Continue.
4) Cells… ▸ Expected ve Row/Column yuzdeleri opsiyonel ▸ Continue.
5) OK ▸ Chi-Square Tests tablosunda Pearson χ², df, p değerlerini okuyun.
6) Beklenen frekans koşulu: hücrelerin ≥%80’i 5’in üstünde olmalı; ihlal varsa Fisher’s Exact (2×2) veya birleştirme düşünün.
7) Cramér’s V veya Phi (2×2) ile ilişki gücünü raporlayın.
8) Hangi hücreler katkı veriyor? (Standardized residuals ile) belirtin.
9) Yüzde tablosunu (Row/Column %) göstererek yorumu somutlaştırın.
10) Nedensel yorum yapmayın; sadece ilişki/bağımsızlık.

📂 Değişkenler

Satır × Sütun

🎓 Hipotezler

H₀: bağımsız
H₁: bağımsız değil

⚠️ Varsayımlar

Beklenenlerin %80’i ≥5

Varsayım sağlanmazsa:
Fisher’s Exact

📄 APA Tablo Örneği

Table 15. Cinsiyet × Kullanım

	Hiç	Ara sıra	Sık sık	Toplam
Kadın	18	62	30	110
Erkek	22	38	30	90
Toplam	40	100	60	200

Not: Beklenen koşulu sağlanmalı.

📝 Örnek Senaryolar

📊 Cinsiyet × Başarı Düzeyi (3 kategori) ilişkisi

📊 Veri Özeti:

tablo	2×3
N	180
χ²	7.21
df	2
p	0.027
Cramér_V	0.19

🛠️ Analiz Adımları:

🔹 Analiz: Kategorik Testler → Ki-Kare (Bağımsızlık)
🔸 Değişkenler: Cinsiyet (K/E) × Başarı (Düşük/Orta/Yüksek)
📦 Beklenen frekans: Her hücre ≳ 5 (değilse Fisher/Monte Carlo)
🧮 Etki büyüklüğü: Cramér’s V

📝 Rapor: Sonuç: Cinsiyet ile başarı düzeyi bağımsız değildir; χ²(2, N=180)=7.21, p=.027; V=.19 (küçük–orta).

💡 ℹ️ Bağımsızlık testinde hücre beklenen frekanslarına dikkat edin. Post-hoc için artan/kalan katkıları (standardized residuals) inceleyin.

🎓 Öğretim yöntemi × Sınavı geçme durumu

📊 Veri Özeti:

tablo	3×2
N	150
χ²	9.68
df	2
p	0.008
Cramér_V	0.25

🛠️ Analiz Adımları:

🔹 Analiz: Kategorik Testler → Ki-Kare (Bağımsızlık)
🔸 Değişkenler: Yöntem (A/B/C) × Geçti (E/H)
📦 Beklenen frekans: En az %80 hücre ≥5 olmalı
🧮 Etki: Cramér’s V; 0.10 küçük, 0.30 orta, 0.50 büyük (yaklaşık)

📝 Rapor: Sonuç: Öğretim yöntemi ile geçme durumu ilişkili bulunmuştur; χ²(2, N=150)=9.68, p=.008; V=.25.

💡 💡 Anlamlılık sonrasında hangi hücrelerin katkı verdiğini görmek için artık (standardized residuals) ve %GA’ları inceleyin.

💻 Cihaz türü × Görevi tamamlama (Kullanılabilirlik)

📊 Veri Özeti:

tablo	2×2
N	120
χ²	6.12
df	1
p	0.013
Φ (phi)	0.23

🛠️ Analiz Adımları:

🔹 Analiz: Kategorik Testler → Ki-Kare (Bağımsızlık) — 2×2 tablo
🔸 Değişkenler: Cihaz (Mobil/Masaüstü) × Tamamlama (E/H)
📦 Küçük beklenenler: Varsa Fisher exact raporla
🧮 Etki: 2×2 için Phi (φ) veya Cramér’s V (eşit)

📝 Rapor: Sonuç: Cihaz türü ile görevi tamamlama ilişkili; χ²(1, N=120)=6.12, p=.013; φ=.23 (küçük–orta).

💡 💬 2×2 tablolarda Yates düzeltmesi bazı yazılımlarda varsayılan olabilir; küçük örneklemlerde Fisher exact daha uygundur.

🟩 McNemar

📌 Ne için kullanılır?

McNemar testi, aynı bireylerde iki zamanda/koşulda alınan 2×2 ikili yanıtların değişiminin simetrik olup olmadığını ölçer (eşleşmiş tasarım). Örnek: Eğitim sonrası ‘başarılı’ sınıflamasına geçenlerin sayısı, gerileyenlerden fazla mı?

🎯 Ne elde ederiz?

Ör: Ön–son değişim anlamlı.

🖥️ SPSS Menü Adımları

1) Analyze ▸ Nonparametric Tests ▸ Legacy Dialogs ▸ 2 Related Samples…
2) Test Pair(s): Ön ve Son (ikili/0–1) ölçümlerinden bir çift oluşturun ve sağ tarafa aktarın.
3) Test Type: ‘McNemar’ kutusunu işaretleyin. (SPSS, continuity correction’lı χ² ve/veya Exact p verebilir.)
4) Options… (varsa) ▸ Descriptives/Quartiles gerekli değildir; Continue.
5) OK ▸ Çıktıda ‘McNemar Test’ veya ‘Test Statistics’ tablosunu bulun.
6) 2×2 eşleştirilmiş tabloyu kontrol edin: a=ön=1&son=1, b=ön=1&son=0, c=ön=0&son=1, d=ön=0&son=0. Test gücü b ve c (uyuşmayan) hücrelerdedir.
7) Rapor: χ²_McN(1)=..., p=... (eşleştirilmiş, continuity correction varsa belirtin). Küçük örneklerde (b+c<25) Exact p değerini öncelikle raporlayın.
8) Etki büyüklüğü: Eşleştirilmiş olasılık oranı OR_pair = b/c (b ve c >0 ise). OR_pair <1 azalma, >1 artış yönüne işaret eder; güven aralığı gerekiyorsa Exact yöntemleri kullanın.
9) Varsayım/koşullar: Aynı bireylerden gelen iki ikili ölçüm (eşleştirme), b ve c nitel veridir; gözlem bağımsızlık ihlali yoktur.
10) Yorum: ‘Ön→Son değişimi simetrik değildir’ ifadesiyle yönü (b mi > c mi?) ve pratik önemini belirtin; gerekirse oran değişimini (yüzde) tablo/şekille destekleyin.

📂 Değişkenler

b ve c hücreleri

🎓 Hipotezler

H₀: b=c
H₁: b≠c

⚠️ Varsayımlar

Eşleştirilmiş ikili sonuç

📄 APA Tablo Örneği

Table 18. McNemar 2×2

	Son=1	Son=0	Toplam
Ön=1	55	15	70
Ön=0	30	100	130
Toplam	85	115	200

Not: b=15,c=30

📝 Örnek Senaryolar

🔁 Eğitim öncesi ve sonrası doğru cevap oranlarının karşılaştırılması

📊 Veri Özeti:

tablo	2×2
N	60
χ²	7.5
df	1
p	0.006

🛠️ Analiz Adımları:

🔹 Analiz: Kategorik Testler → McNemar (Bağımlı Kategorik)
🔸 Değişkenler: Önce (Doğru/Yanlış), Sonra (Doğru/Yanlış)
📦 Varsayım: 2×2 tablo, bağımlı ölçümler (aynı bireyler)
🧮 Etki: φ veya OR= b/c

📝 Rapor: Sonuç: Eğitim sonrası doğru cevap oranı anlamlı biçimde artmıştır; χ²(1, N=60)=7.50, p=.006.

💡 ℹ️ McNemar testi 2×2 bağımlı kategorik veriler için kullanılır. Küçük örneklemlerde exact (binomial) versiyonu raporlanmalıdır.

🧠 Tedavi öncesi ve sonrası semptom gözlemlerinin karşılaştırılması

📊 Veri Özeti:

tablo	2×2
N	40
χ²	5.18
p	0.023

🛠️ Analiz Adımları:

🔹 Analiz: Kategorik Testler → McNemar
🔸 Değişkenler: Tedavi_Önce, Tedavi_Sonra (Semptom: Var/Yok)
📊 Varsayım: Aynı bireyler üzerinden iki ölçüm
🧮 Etki: Odds Ratio (b/c) ≠ 1 anlamlı fark

📝 Rapor: Sonuç: Tedavi sonrası semptom oranı anlamlı biçimde azalmıştır; χ²(1, N=40)=5.18, p=.023.

💡 💡 McNemar, aynı grubun iki zamandaki durumu arasındaki farkı test eder. b ve c hücrelerindeki fark ne kadar büyükse ilişki o kadar güçlüdür.

🟩 Cochran Q

📌 Ne için kullanılır?

Cochran’s Q testi, aynı bireylerden üç veya daha fazla ikili ölçümde oranların eşit olup olmadığını sınar; anlamlılık durumunda ikili McNemar testleriyle hangi koşulların ayrıştığı incelenir. Örnek: Üç farklı arayüzde ‘beğendim’ oranı aynı mı?

🎯 Ne elde ederiz?

Ör: Koşullar farklı.

🖥️ SPSS Menü Adımları

1) Analyze ▸ Nonparametric Tests ▸ Legacy Dialogs ▸ K Related Samples…
2) Test Variables: Aynı bireylerden elde edilmiş 3+ ikili (0–1) ölçümü sırayla seçip sağ tarafa aktarın.
3) Test Type: ‘Cochran’s Q’ işaretleyin. (Related-Samples diyaloğunda ‘Friedman’ da görünür; Cochran Q sadece 0–1 veriler içindir.)
4) Options… (varsa) ▸ Descriptives gerekli değildir; Continue.
5) OK ▸ Çıktıda ‘Test Statistics’ tablosunda Q, df=k−1 ve p değerlerini okuyun.
6) Varsayım: Eşleştirilmiş gözlemler (aynı bireyler), her ölçüm ikilidir (0–1). Kayıp değerler eşleştirme dengesini bozabilir; Missing veriyi kontrol edin.
7) Anlamlıysa post-hoc: İkili karşılaştırmalar için Related Samples ▸ 2 Related Samples… menüsünde her çift için McNemar testi çalıştırın.
8) Çoklu karşılaştırma düzeltmesi: Bonferroni veya Holm önerilir. Kaç çift test yaptıysanız α’yı bölerek raporlayın (ör. α_adj=0.05/m).
9) Etki büyüklüğü: Cochran’s Q için uyarlama olarak Kendall’s W≈Q/(N·k·(k−1)) kullanılabilir; ayrıca her ikili karşılaştırmada McNemar için OR_pair ve p raporlayın.
10) Yorum: Hangi koşullar arasında fark olduğunu (post-hoc sonuçlarıyla) ve farkların yönünü (oran artış/azalış) belirtin; tablo/şekille destekleyin.

📂 Değişkenler

3+ ikili ölçüm

🎓 Hipotezler

H₀: tüm oranlar eşit
H₁: en az biri farklı

⚠️ Varsayımlar

Eşleştirilmiş ikili

📄 APA Tablo Örneği

Table 19. Cochran’s Q

Koşul	Oran
A	.62
B	.54
C	.71

Not: Anlamlıysa ikili McNemar.

📝 Örnek Senaryolar

🧩 Üç farklı öğretim yönteminin başarısı (başarılı/başarısız)

📊 Veri Özeti:

N	45
Koşul	3
Q	7.9
df	2
p	0.019

🛠️ Analiz Adımları:

🔹 Analiz: Kategorik Testler → Cochran’s Q (Bağımlı 3+ ölçüm)
🔸 Değişkenler: YöntemA, YöntemB, YöntemC (1=Başarılı, 0=Başarısız)
📦 Varsayım: Aynı bireyler üzerinde 3+ ikili ölçüm
🧮 Post-hoc: McNemar çift karşılaştırmaları (Bonferroni düzeltmesiyle)

📝 Rapor: Sonuç: Öğretim yöntemleri arasında başarı oranı açısından anlamlı fark vardır; Q(2, N=45)=7.90, p=.019.

💡 ℹ️ Cochran’s Q, üç veya daha fazla bağımlı ikili ölçümün farkını test eder. Anlamlı sonuçlarda çiftli McNemar testleriyle hangi grupların farklı olduğunu belirle.

💊 İlaç etkisinin 3 zamanda (başarılı/başarısız) karşılaştırılması

📊 Veri Özeti:

N	30
Zaman	3
Q	9.85
df	2
p	0.007

🛠️ Analiz Adımları:

🔹 Analiz: Kategorik Testler → Cochran’s Q
🔸 Değişkenler: Zaman1, Zaman2, Zaman3 (1=Etki Var, 0=Yok)
📊 Varsayım: Bağımlı 3+ ölçüm, aynı bireyler
🧮 Etki: Q istatistiği; post-hoc McNemar önerilir

📝 Rapor: Sonuç: İlaç etkisi zamanla anlamlı biçimde değişmektedir; Q(2, N=30)=9.85, p=.007.

💡 💡 Cochran’s Q, Friedman testinin ikili (0/1) versiyonudur. Her ölçümdeki başarı oranı farklıysa sonuç anlamlı çıkar.

🟩 Lojistik Regresyon (İkili)

📌 Ne için kullanılır?

İkili lojistik regresyon, 0/1 biçimindeki bir sonucu (olay/olmama) bir veya daha çok yordayıcı ile modelleyip olasılıkları ve olasılık oranlarını (OR) tahmin eder. Örnek: Yaş ve eğitim düzeyi, bir sınavı geçme olasılığını artırıyor mu?

🎯 Ne elde ederiz?

Ör: Yordayıcı anlamlı; OR>1.

🖥️ SPSS Menü Adımları

1) Analyze ▸ Regression ▸ Binary Logistic…
2) Dependent: 0/1 kodlu DV; Covariates/Factors: yordayıcılar.
3) Options… ▸ Hosmer-Lemeshow, CI for exp(B) %95 işaretleyin.
4) Method: Enter (veya Stepwise/Forward/Backward gerekçeli seçim).
5) Save… ▸ Predicted probabilities (opsiyonel) ▸ Continue.
6) OK ▸ Omnibus Tests of Model Coefficients ve Model Summary (−2LL, Nagelkerke R²) inceleyin.
7) Variables in the Equation: B, SE, Wald, p, OR=exp(B), 95% CI raporlayın.
8) Doğrusallık (logitte) için Box-Tidwell veya etkileşim terimi kontrolü yapın.
9) Çoklu doğrusallık: VIF (Linear regression ile yaklaşık) kontrol edin.
10) Sınıflandırma performansı: ROC (Analyze ▸ Classify ▸ ROC Curve) ile AUC raporlayın.

📂 Değişkenler

DV: 0/1
IV: sürekli/kategorik

🎓 Hipotezler

H₀: β=0
H₁: β≠0

⚠️ Varsayımlar

Logit’te doğrusallık
Çoklu doğrusallık düşük

Varsayım sağlanmazsa:
Probit, cloglog

📄 APA Tablo Örneği

Table 20. Lojistik

Değişken	B	SE	Wald	p	OR (expB)	95% CI OR
X	0.55	0.18	9.30	.002	1.73	1.22–2.46
Sabit	−2.10	0.60	12.3	< .001	—	—

Not: OR>1 artış etkisi.

📝 Örnek Senaryolar

🎯 Sınavı geçme olasılığı ~ Çalışma süresi + Ön bilgi

📊 Veri Özeti:

N	220
LR_χ²(df)	15.8 (2)
p_model	<.001
Nagelkerke_R²	0.22
OR_ÇalışmaSüresi	1.35
CI95_ÇalışmaSüresi	[1.12, 1.64]
p_ÇalışmaSüresi	0.002
OR_ÖnBilgi	1.8
CI95_ÖnBilgi	[1.30, 2.49]
p_ÖnBilgi	<.001
AUC	0.78

🛠️ Analiz Adımları:

🔹 Analiz: İlişki Analizleri → Regresyon → Lojistik (ikili)
🔸 Bağımlı: Geçti (0/1) • Bağımsızlar: Çalışma_Süresi (saat), Ön_Bilgi (puan)
📊 Varsayım: Sürekli değişkenler için logit doğrusallık (Box–Tidwell), aykırılar
🧮 Kontrol: Çoklu bağlantı (VIF), etki gözlemleri (Cook’s D)
✅ Uygunluk: Hosmer–Lemeshow, ROC/AUC

📝 Rapor: Sonuç: Model anlamlıdır (LR-χ²(2)=15.8, p<.001; Nagelkerke R²=.22). Çalışma süresi geçme olasılığını artırmaktadır (OR=1.35, 95% GA [1.12, 1.64], p=.002); ön bilgi de anlamlı bir yordayıcıdır (OR=1.80, [1.30, 2.49], p<.001). Ayrım gücü AUC=.78 olarak bulunmuştur.

💡 ℹ️ OR>1 olasılığı artırmayı, OR<1 azaltmayı ifade eder. Sürekli değişkenler için logit-doğrusallığı test edin; gerekirse dönüşüm/etkileşim terimleri ekleyin. Sınıf dengesizliğinde kesme noktası ve duyarlılık-özgüllüğü raporlayın.

📉 Müşteri ayrılma olasılığı ~ Oturum sıklığı + NPS

📊 Veri Özeti:

N	500
LR_χ²(df)	28.6 (2)
p_model	<.001
Nagelkerke_R²	0.19
OR_Oturum	0.88
CI95_Oturum	[0.82, 0.95]
p_Oturum	0.001
OR_NPS	0.97
CI95_NPS	[0.96, 0.99]
p_NPS	0.004
AUC	0.75

🛠️ Analiz Adımları:

🔹 Analiz: İlişki Analizleri → Regresyon → Lojistik
🔸 Bağımlı: Ayrıldı (0/1) • Bağımsızlar: Aylık_Oturum, NPS
📊 Varsayım: Logit doğrusal, çoklu bağlantı yok (VIF<5)
🧪 Değerlendirme: ROC/AUC, sınıflandırma matrisi, duyarlılık/özgüllük
⚠️ Not: OR<1 olasılığın azaldığını gösterir

📝 Rapor: Sonuç: Model anlamlıdır (LR-χ²(2)=28.6, p<.001; Nagelkerke R²=.19). Oturum sıklığı ayrılma olasılığını azaltmaktadır (OR=0.88, [0.82, 0.95], p=.001); NPS puanı da koruyucu etkidedir (OR=0.97, [0.96, 0.99], p=.004). AUC=.75 ile makul ayrım gücü sağlanmıştır.

💡 💡 Katsayı yorumu logit ölçeğinden OR’a çevrilir: OR=exp(B). Modelin işletme kararı için hassasiyet-özgüllük dengesi (eşik) önemlidir.

💊 Tedavi başarısı ~ Doz + Yaş

📊 Veri Özeti:

N	180
LR_χ²(df)	12.3 (2)
p_model	0.002
Nagelkerke_R²	0.14
OR_Doz	1.42
CI95_Doz	[1.10, 1.85]
p_Doz	0.007
OR_Yaş	0.98
CI95_Yaş	[0.96, 0.999]
p_Yaş	0.044
AUC	0.71

🛠️ Analiz Adımları:

🔹 Analiz: İlişki Analizleri → Regresyon → Lojistik
🔸 Bağımlı: Başarılı (0/1) • Bağımsızlar: Doz (mg), Yaş
📊 Varsayım: Doz ve yaş için logit-doğrusallığı; aykırı gözlemler
🧮 Kontrol: VIF, etkileşim (Doz×Yaş) gerekirse
✅ Uygunluk: Hosmer–Lemeshow, ROC

📝 Rapor: Sonuç: Model anlamlıdır (LR-χ²(2)=12.3, p=.002; Nagelkerke R²=.14). Doz artışı başarı olasılığını artırmaktadır (OR=1.42, [1.10, 1.85], p=.007). Yaş büyüdükçe başarı olasılığı hafifçe azalmaktadır (OR=0.98, [0.96, 0.999], p=.044). AUC=.71.

💡 💬 OR yorumları, bir birim artışın olasılık üzerindeki çarpan etkisini verir. Sürekli değişkenler için gerektiğinde standardizasyon yaparak OR’ları karşılaştırılabilir hale getirebilirsin.

🟪 İki Yönlü ANOVA

📌 Ne için kullanılır?

İki yönlü ANOVA, iki faktörün (A ve B) ana etkilerini ve etkileşimlerini aynı anda test ederek ortalamalar arasındaki farkları araştırır. Örnek: Cinsiyet (A) ve öğretim yöntemi (B) başarıyı ayrı ayrı ve birlikte etkiliyor mu?

🎯 Ne elde ederiz?

Ör: A, B ve/veya A×B etkisi anlamlı.

🖥️ SPSS Menü Adımları

1) Analyze ▸ GLM ▸ Univariate…
2) Dependent: DV; Fixed Factors: A ve B.
3) Options… ▸ Descriptives, Estimates of effect size, Homogeneity tests ▸ Continue.
4) Plots… ▸ Horizontal axis: A; Separate lines: B (veya tersi) ▸ Add ▸ Continue.
5) Post Hoc… ▸ A ve/veya B için uygun test (Tukey/G-Howell).
6) OK ▸ Tests of Between-Subjects Effects: A, B ve A×B satırlarını inceleyin.
7) Levene p<.05 ise sağlamlık uyarısı yapın; gerekirse Welch alternatifi düşünün.
8) Etki büyüklüğü: partial η² raporlayın.
9) Etkileşim anlamlıysa: simple effects/ basit ana etkiler analizini ekleyin.
10) Grafikte etkileşim desenini yorumlayın.

📂 Değişkenler

DV: sürekli
Faktör A: k≥2
Faktör B: m≥2

🎓 Hipotezler

H₀(A): tüm μ_A eşit
H₀(B): tüm μ_B eşit
H₀(A×B): etkileşim yok

⚠️ Varsayımlar

Normallik
Varyans homojenliği
Bağımsızlık

Varsayım sağlanmazsa:
İhlalde robust testler (Welch)

📄 APA Tablo Örneği

Table 21. Two-Way ANOVA

Kaynak	SS	df	MS	F	p	Partial η²
A	1200.0	1	1200.0	6.10	.014	.058
B	980.5	2	490.3	4.00	.020	.039
A×B	1500.2	2	750.1	5.60	.004	.052
Hata	22000.0	190	115.8

Not: Not. İhlalde uygun düzeltmeler/robust yöntemler.

📝 Örnek Senaryolar

🧩 Yöntem (A/B) × Cinsiyet (K/E) → Başarı puanı

📊 Veri Özeti:

faktörler	['Yöntem (2)', 'Cinsiyet (2)']
n_toplam	120
M(SE)_A_K	79.1 (1.4)
M(SE)_A_E	75.8 (1.5)
M(SE)_B_K	72.4 (1.6)
M(SE)_B_E	71.5 (1.5)

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Parametrik → Two-Way ANOVA
🔸 Bağımlı: Başarı_Puanı
🔸 Faktörler: Yöntem (A/B), Cinsiyet (K/E)
📊 Varsayımlar: Grup içi normallik ve varyans homojenliği (Levene)
🧪 Post-hoc / Basit etkiler: Anlamlı etkileşimde her cinsiyette yöntem karşılaştır

📝 Rapor: Sonuç: Yöntem ana etkisi anlamlıdır; F(1,116)=9.12, p=.003, η²ₚ=.07. Cinsiyet ana etkisi anlamsızdır; F(1,116)=1.42, p=.236. Etkileşim Yöntem×Cinsiyet anlamlıdır; F(1,116)=4.88, p=.029, η²ₚ=.04. Basit etkiler: Kadınlarda A > B (p=.004); Erkeklerde A ≈ B (p=.14).

💡 ℹ️ Anlamlı etkileşim varken ana etkileri tek başına yorumlama; basit etkiler ve etkileşim grafiği raporla. Varyans homojenliği bozuksa sağlam (Welch) seçeneklere bak.

💊 Doz (Düşük/Orta/Yüksek) × Zaman (Ön/Son) → Semptom

📊 Veri Özeti:

faktörler	['Doz (3)', 'Zaman (2)']
n_toplam	90
Ön_M	[13.2, 12.4, 12.1]
Son_M	[11.8, 10.2, 8.9]

🛠️ Analiz Adımları:

🔹 Analiz: Two-Way ANOVA (karışık değil; Zaman burada gruplar arası ise)
🔸 Bağımlı: Semptom_Skoru
🔸 Faktörler: Doz (3), Zaman (2)
📊 Varsayımlar: Normallik, Levene
🧪 Post-hoc: Doz düzeylerinde Tukey; Zaman için ikili karşılaştırma

📝 Rapor: Sonuç: Doz ana etkisi anlamlıdır; F(2,84)=7.01, p=.002, η²ₚ=.14. Zaman ana etkisi anlamlıdır; F(1,84)=18.4, p<.001, η²ₚ=.18. Doz×Zaman etkileşimi de anlamlıdır; F(2,84)=3.92, p=.024, η²ₚ=.09. Post-hoc: Yüksek doz, Son ölçümde Orta ve Düşükten düşüktür (p<.05).

💡 💡 Etkileşim varsa “Zaman içindeki Doz etkisi” ve “Doz düzeyine göre Zaman etkisi” basit etkileri ayrı raporlanır. Dengesiz tasarımlarda Type II/III SS seçimine dikkat.

🧠 Strateji (Not/Özet/Aralıklı) × Sınıf Düzeyi (9/10) → Motivasyon

📊 Veri Özeti:

faktörler	['Strateji (3)', 'Sınıf (2)']
n_toplam	114
Genel_M	[62.3, 64.1, 69.5]

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Parametrik → Two-Way ANOVA
🔸 Bağımlı: Motivasyon_Puanı
🔸 Faktörler: Strateji (3), Sınıf (2)
📊 Varsayımlar: Grup bazında normallik, eşit varyans
🧪 Post-hoc: Tukey / Games–Howell (eşit değilse)

📝 Rapor: Sonuç: Strateji ana etkisi anlamlıdır; F(2,108)=4.32, p=.016, η²ₚ=.07. Sınıf ana etkisi anlamsızdır; F(1,108)=0.81, p=.370. Etkileşim anlamsızdır; F(2,108)=1.12, p=.329. Tukey: Aralıklı > Not Alma (p=.022).

💡 💬 Etkileşim anlamsızsa ana etkileri özetle; anlamlıysa basit etkiler zorunludur. Grafik (hata çubuklarıyla) yorumlamayı güçlendirir.

🟪 ANCOVA

📌 Ne için kullanılır?

ANCOVA, grup ortalamalarını bir veya daha fazla kovaryansın etkisini kontrol ederek karşılaştırır; böylece karıştırıcı değişkenlerin etkisi ayıklanır. Örnek: Başlangıç puanı kontrol edildiğinde yöntemler arasında başarı farkı sürüyor mu?

🎯 Ne elde ederiz?

Ör: Grup etkisi kovaryans kontrolünde de anlamlı.

🖥️ SPSS Menü Adımları

1) Analyze ▸ GLM ▸ Univariate…
2) Dependent: DV; Fixed Factor(s): Grup; Covariate(s): X(ler).
3) Options… ▸ Descriptives, Parameter estimates, Homogeneity of regression slopes kontrolü.
4) Model… ▸ Full factorial (genellikle) ▸ Continue.
5) Plots… ▸ Ayarlanmış ortalama profilleri için opsiyonel ▸ Continue.
6) OK ▸ Tests of Between-Subjects Effects: Grup (ayarlı) etkisini raporlayın.
7) Regresyon eğimlerinin homojenliği sağlanmıyorsa sonuçlar geçersiz olabilir; grup×kovaryans etkileşimini test edin.
8) Partial η² ve ayarlanmış grup ortalamalarını raporlayın.
9) Aykırı/etki noktalarını (Cook’s D) kontrol edin.
10) Kovaryansların ölçüm güvenirliğini ve doğruluğunu tartışın.

📂 Değişkenler

DV: sürekli
Faktör: 2+ grup
Kovaryans(lar): sürekli

🎓 Hipotezler

H₀: ayarlanmış ortalamalar eşit
H₁: en az biri farklı

⚠️ Varsayımlar

Normallik
Varyans homojenliği
Regresyon eğimlerinin homojenliği

Varsayım sağlanmazsa:
İhlalde robust/Johnson–Neyman

📄 APA Tablo Örneği

Table 22. ANCOVA (Adjusted Means)

Kaynak	SS	df	MS	F	p	Partial η²
Grup	1000.0	2	500.0	5.20	.006	.052
Kovaryans X	3200.0	1	3200.0	33.3	< .001	.149
Hata	21000.0	195	107.7

Not: Not. Eğimlerin homojenliği sağlanmalıdır.

📝 Örnek Senaryolar

🎯 Yöntem (A/B) → Başarı (Ön test puanı kovaryans)

📊 Veri Özeti:

gruplar	['A', 'B']
n	[58, 62]
Kovaryans	ÖnTest_Puanı
Adj_Mean_A	76.4
Adj_Mean_B	72.1

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Parametrik → ANCOVA
🔸 Bağımlı: Başarı_SonTest
🔸 Faktör: Yöntem (A/B)
🔸 Kovaryans: ÖnTest_Puanı
📊 Varsayımlar: Eğimlerin homojenliği (Faktör×Kovaryans etkileşimi yok), lineer ilişki, normallik & eşit varyans

📝 Rapor: Sonuç: Kovaryans (Ön test) kontrol edildiğinde yöntem etkisi anlamlıdır; F(1,117)=6.45, p=.012, η²ₚ=.05. Düzeltilmiş ortalamalar: A=76.4, B=72.1.

💡 ℹ️ ANCOVA’da önce eğimlerin homojenliği (Faktör×Kovaryans) test edilir. Anlamlıysa standart ANCOVA geçersiz olabilir; etkileşimli model veya Johnson–Neyman yaklaşımı tercih edilir.

💊 Doz (3) → Semptom (Yaş kovaryans)

📊 Veri Özeti:

gruplar	['Düşük', 'Orta', 'Yüksek']
n	[24, 26, 25]
Kovaryans	Yaş
Adj_Means	[11.9, 10.7, 9.6]

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Parametrik → ANCOVA
🔸 Bağımlı: Semptom_Skoru
🔸 Faktör: Doz (3 düzey)
🔸 Kovaryans: Yaş (sürekli)
📊 Varsayımlar: Lineerlik, normal artıklık, homojen varyans; eğimlerin homojenliği

📝 Rapor: Sonuç: Yaş kontrol edildiğinde Doz etkisi anlamlıdır; F(2,71)=5.62, p=.005, η²ₚ=.14. Düzeltilmiş ortalamalar: Yüksek < Orta < Düşük.

💡 💡 Kovaryans, hata varyansını azaltıp gücü artırır. Post-hoc karşılaştırmaları düzeltilmiş ortalamalar üzerinden raporla (Tukey/GH).

🧠 Strateji (3) → Motivasyon (ÖnMotivasyon kovaryans)

📊 Veri Özeti:

gruplar	['Not Alma', 'Özet', 'Aralıklı Tekrar']
n	[34, 33, 35]
Kovaryans	Ön_Motivasyon
Adj_Means	[63.0, 64.5, 68.8]

🛠️ Analiz Adımları:

🔹 Analiz: Fark Analizleri → Parametrik → ANCOVA
🔸 Bağımlı: Motivasyon_Son
🔸 Faktör: Strateji (3)
🔸 Kovaryans: Ön_Motivasyon
📊 Varsayımlar: Lineer ilişki, artıklarda normallik; eğimlerin homojenliği

📝 Rapor: Sonuç: Ön motivasyon kontrol edildiğinde strateji etkisi anlamlıdır; F(2,98)=4.08, p=.020, η²ₚ=.08. Düzeltilmiş ortalamalar: Aralıklı Tekrar > Not Alma (p=.028).

💡 💬 Kovaryansın ölçüm hatası yüksekse sonuçlar yanlı olabilir. Etkileşim şüphesi varsa Faktör×Kovaryans terimini modele ekleyerek kontrol et.

🟪 MANOVA

📌 Ne için kullanılır?

MANOVA, iki veya daha fazla sürekli bağımlı değişkeni birlikte ele alarak grup/faktör etkisini çok değişkenli düzeyde test eder; kovaryans yapısı dikkate alınır. Örnek: Bölümler arasında hem başarı hem motivasyon puanları birlikte farklılaşıyor mu?

🎯 Ne elde ederiz?

Ör: Faktörün multivaryant etkisi anlamlı.

🖥️ SPSS Menü Adımları

1) Analyze ▸ GLM ▸ Multivariate…
2) Dependent Variables: DV1, DV2, …; Fixed Factors: Grup(lar).
3) Options… ▸ Descriptives, Homogeneity tests; Post hoc için univariate’lerde düzeltme.
4) OK ▸ Multivariate Tests: Pillai’s Trace (robust), Wilks’ Λ, Hotelling’s Trace değerlerine bakın.
5) Box’s M (Equality of covariance matrices) testi ihlalinde Pillai’yi tercih edin.
6) Anlamlıysa her DV için Univariate ANOVA sonuçlarını (ve düzeltmeleri) raporlayın.
7) Çoklu karşılaştırmalarda Bonferroni/Holm belirtin.
8) Etki büyüklüğü: Pillai V ve (yaklaşık) η² yorumu ekleyin.
9) Çok değişkenli normallik ve aykırı çoklular (Mahalanobis) kontrol edin.
10) Varyans-kovaryans matrislerinin eşitliği tartışmasını ekleyin.

📂 Değişkenler

DV: 2+ sürekli
Faktör(ler): 2+ seviye

🎓 Hipotezler

H₀: multivaryant ortalama vektörleri eşit
H₁: en az biri farklı

⚠️ Varsayımlar

Çok değişkenli normallik
Kovaryans eşitliği (Box’s M)

Varsayım sağlanmazsa:
İhlalde Pillai izine öncelik verilebilir

📄 APA Tablo Örneği

Table 23. MANOVA — Multivariate Tests

Etki	İz (Pillai)	F	Hyp df	Error df	p
Grup	0.22	3.10	4	392	.015

Not: Not. Post-hoc: univariate ANOVA’lar + çoklu düzeltme.

📝 Örnek Senaryolar

🧩 Yöntem (A/B/C) → Başarı & Motivasyon (iki bağımlı değişken)

📊 Veri Özeti:

gruplar	['A', 'B', 'C']
n	[30, 30, 30]
Wilks_Λ	0.78
approx_F	3.25
df	4, 174
p	0.013

🛠️ Analiz Adımları:

🔹 Analiz: Çok Değişkenli → MANOVA
🔸 Faktör: Yöntem (3 düzey)
🔸 Bağımlılar: Başarı, Motivasyon
📊 Varsayımlar: Çok değişkenli normallik, kovaryans matrislerinin homojenliği (Box’s M), doğrusal ilişkiler, çoklu bağlantı yok
🧪 Takip: Anlamlıysa tek değişkenli ANOVA’lar + Bonferroni; çoklu karşılaştırmalar

📝 Rapor: Sonuç: Yöntemin çok değişkenli etkisi anlamlıdır; Wilks’ Λ=.78, F(4, 174)=3.25, p=.013. Takip analizlerinde Başarı için F(2,87)=5.10, p=.008, η²ₚ=.11; Motivasyon için F(2,87)=2.31, p=.105 (anlamsız).

💡 ℹ️ Çoklu bağımlı değişkenler arası korelasyon varsa MANOVA gücü artar. Box’s M anlamlıysa sağlam istatistik olarak Pillai’s Trace tercih edilebilir.

💊 Doz (Düşük/Orta/Yüksek) → Semptom & Yaşam Kalitesi

📊 Veri Özeti:

gruplar	['Düşük', 'Orta', 'Yüksek']
n	[22, 24, 21]
Pillai	0.19
approx_F	2.87
df	4, 122
p	0.027

🛠️ Analiz Adımları:

🔹 Analiz: Çok Değişkenli → MANOVA
🔸 Faktör: Doz (3 düzey)
🔸 Bağımlılar: Semptom, Yaşam_Kalitesi
📊 Varsayımlar: Çok değişkenli normallik; Box’s M (eşit kovaryans)
🧪 Takip: Tek değişkenli ANOVA + etki büyüklükleri (η²ₚ)

📝 Rapor: Sonuç: Dozun çok değişkenli etkisi anlamlıdır; Pillai’s Trace=.19, F(4, 122)=2.87, p=.027. Takip analizleri: Semptom F(2,64)=6.12, p=.003, η²ₚ=.16; Yaşam Kalitesi F(2,64)=1.95, p=.151.

💡 💡 Box’s M anlamlı olduğunda Pillai en sağlam seçenektir. Gruplar arasındaki farklar çok değişkenli uzayda birlikte değerlendirilir.

🧠 Strateji (Not/Özet/Aralıklı) → Dikkat & Bellek

📊 Veri Özeti:

gruplar	['Not Alma', 'Özet', 'Aralıklı Tekrar']
n	[28, 27, 29]
Hotelling	— (k>2)
Wilks_Λ	0.82
approx_F	2.56
df	4, 170
p	0.041

🛠️ Analiz Adımları:

🔹 Analiz: Çok Değişkenli → MANOVA
🔸 Faktör: Strateji (3)
🔸 Bağımlılar: Dikkat, Bellek
📊 Varsayımlar: Çok değişkenli normallik; Box’s M; doğrusal ilişkiler
🧪 Takip: Univariate ANOVA + çoklu karşılaştırmalar

📝 Rapor: Sonuç: Stratejinin çok değişkenli etkisi anlamlıdır; Wilks’ Λ=.82, F(4, 170)=2.56, p=.041. Takipte Bellek F(2,81)=4.21, p=.018, η²ₚ=.09; Dikkat F(2,81)=2.07, p=.133.

💡 💬 MANOVA anlamlıysa hangi bağımlı değişken(ler)in fark yarattığını belirtmek için tek değişkenli sonuçları ve uygun post-hoc’ları raporla.

🟪 MANCOVA

📌 Ne için kullanılır?

MANCOVA, çoklu bağımlı değişkenler üzerindeki grup etkisini bir veya daha fazla kovaryansın etkisini kontrol ederek inceler. Örnek: Ön test puanı kontrol edildiğinde gruplar, başarı ve kaygı puanlarında birlikte farklı mı?

🎯 Ne elde ederiz?

Ör: Kovaryans kontrolünde multivaryant fark.

🖥️ SPSS Menü Adımları

1) Analyze ▸ General Linear Model ▸ Multivariate…
2) Dependent Variables: DV1, DV2, vb.; Fixed Factors: grup veya kategori değişkenleri; Covariates: sürekli değişken(ler).
3) Model… ▸ Full factorial (varsayılan) veya özel kombinasyonları belirtin ▸ Continue.
4) Options… ▸ Descriptives, Estimates of effect size, Homogeneity tests işaretleyin ▸ Continue.
5) Plots… ▸ Grup veya kovaryans etkisini gösterecek şekilde yapılandırabilirsiniz ▸ Add ▸ Continue.
6) OK ▸ Multivariate Tests tablosunda Pillai’s Trace, Wilks’ Λ, Hotelling’s Trace değerlerini inceleyin.
7) Box’s M testi (Equality of Covariance Matrices) p<.001 ise Pillai’s Trace tercih edilir.
8) Anlamlı etki varsa Univariate Tests tablolarında her DV’nin ayrı sonuçlarını raporlayın.
9) Ayarlanmış ortalamalar ve Partial η² değerlerini belirtin.
10) Etki büyüklüğü için Pillai’s V → yaklaşık η² dönüşümü ve Cohen sınıflamasıyla yorum yapın.

📂 Değişkenler

DV: 2+ sürekli
Faktör(ler)
Kovaryans(lar)

🎓 Hipotezler

H₀: multivaryant ayarlanmış ortalamalar eşit

⚠️ Varsayımlar

Çok değişkenli normallik
Kovaryans eşitliği

Varsayım sağlanmazsa:
İhlalde Pillai izine bakın

📄 APA Tablo Örneği

Table 24. MANCOVA — Multivariate Tests

Etki	İz (Pillai)	F	Hyp df	Error df	p
Grup	0.18	2.70	4	390	.032
Kovaryans(lar)	0.25	4.10	4	390	< .01

Not: Not. Univariate sonuçlar çoklu düzeltme ile raporlanmalı.

📝 Örnek Senaryolar

🎯 Yöntem (A/B) → Başarı & Motivasyon (Ön test kovaryans)

📊 Veri Özeti:

gruplar	['A', 'B']
n	[58, 62]
Kovaryans	['ÖnTest_Başarı', 'ÖnTest_Motivasyon']
Wilks_Λ	0.85
approx_F	3.11
df	2, 116
p	0.048

🛠️ Analiz Adımları:

🔹 Analiz: Çok Değişkenli → MANCOVA
🔸 Faktör: Yöntem (2)
🔸 Bağımlılar: Başarı, Motivasyon
🔸 Kovaryanslar: ÖnTest_Başarı, ÖnTest_Motivasyon
📊 Varsayımlar: Eğimlerin homojenliği (Faktör×Kovaryans etkileşimsiz), çok değişkenli normallik, Box’s M

📝 Rapor: Sonuç: Kovaryanslar kontrol edildiğinde yöntem etkisi çok değişkenli olarak anlamlıdır; Wilks’ Λ=.85, F(2, 116)=3.11, p=.048. Takip univariate ANCOVA’larda Başarı F(1,117)=5.92, p=.016, η²ₚ=.05; Motivasyon F(1,117)=2.10, p=.150.

💡 ℹ️ Eğimlerin homojenliği ihlal edilirse klasik MANCOVA geçersiz olabilir; etkileşimli model veya Johnson–Neyman yaklaşımı kullanılabilir.

💊 Doz (3) → Semptom & Yaşam Kalitesi (Yaş kovaryans)

📊 Veri Özeti:

gruplar	['Düşük', 'Orta', 'Yüksek']
n	[24, 26, 25]
Kovaryans	['Yaş']
Pillai	0.22
approx_F	2.74
df	4, 142
p	0.031

🛠️ Analiz Adımları:

🔹 Analiz: Çok Değişkenli → MANCOVA
🔸 Faktör: Doz (3)
🔸 Bağımlılar: Semptom, Yaşam_Kalitesi
🔸 Kovaryans: Yaş
📊 Varsayımlar: Kovaryanslarla lineer ilişki, eğimlerin homojenliği, Box’s M

📝 Rapor: Sonuç: Yaş kontrol edildiğinde Dozun çok değişkenli etkisi anlamlıdır; Pillai’s Trace=.22, F(4, 142)=2.74, p=.031. Takip: Semptom ANCOVA F(2,71)=5.18, p=.008, η²ₚ=.13; Yaşam Kalitesi F(2,71)=2.04, p=.138.

💡 💡 Box’s M anlamlıysa Pillai raporlamayı tercih et. Düzeltilmiş ortalamaları (estimated marginal means) tabloyla göster.

🧠 Strateji (3) → Dikkat & Bellek (ÖnDikkat kovaryans)

📊 Veri Özeti:

gruplar	['Not Alma', 'Özet', 'Aralıklı Tekrar']
n	[34, 33, 35]
Kovaryans	['Ön_Dikkat']
Wilks_Λ	0.88
approx_F	2.59
df	4, 190
p	0.039

🛠️ Analiz Adımları:

🔹 Analiz: Çok Değişkenli → MANCOVA
🔸 Faktör: Strateji (3)
🔸 Bağımlılar: Dikkat, Bellek
🔸 Kovaryans: Ön_Dikkat
📊 Varsayımlar: Eğimlerin homojenliği, çok değişkenli normallik, Box’s M

📝 Rapor: Sonuç: Kovaryans kontrol edildiğinde strateji etkisi çok değişkenli olarak anlamlıdır; Wilks’ Λ=.88, F(4, 190)=2.59, p=.039. Univariate ANCOVA: Bellek F(2,98)=4.10, p=.019, η²ₚ=.08; Dikkat F(2,98)=2.02, p=.138.

💡 💬 Kovaryans ile bağımlılar arasındaki lineerlik ve artıklarda normallik kontrol edilmelidir. EMMeans (düzeltilmiş ortalamalar) grafikle birlikte raporlanabilir.

🟪 Çoklu Doğrusal Regresyon

📌 Ne için kullanılır?

Çoklu doğrusal regresyon, bir sürekli sonucu birden çok yordayıcı ile açıklayarak her değişkenin katkısını (β) ve modelin genel uyumunu (R²) ortaya koyar. Örnek: Çalışma süresi, ders tekrar sayısı ve önceki notlar sınav puanını ne kadar açıklar?

🎯 Ne elde ederiz?

Ör: Model anlamlı; R² ve katsayılar önemli.

🖥️ SPSS Menü Adımları

1) Analyze ▸ Regression ▸ Linear…
2) Dependent: DV (sürekli), Independent(s): bir veya daha fazla yordayıcıyı sağa atın.
3) Method: Enter (tüm değişkenler bir anda) veya Stepwise (aşamalı) seçin.
4) Statistics… ▸ Estimates, Model fit, R squared change, Descriptives, Part and partial correlations işaretleyin ▸ Continue.
5) Plots… ▸ ZPRED (tahmin) vs. ZRESID (artık) ▸ Add ▸ Continue (varsayım kontrolleri için).
6) Save… ▸ Predicted values, Residuals (opsiyonel) ▸ Continue.
7) OK ▸ Model Summary (R, R², Adj.R²) ve ANOVA tablolarını inceleyin; p<.05 ise model anlamlıdır.
8) Coefficients tablosunda her değişken için B, SE B, β, t ve p değerlerini raporlayın.
9) Etki büyüklüğü: Cohen’s f² = R² / (1−R²) veya ΔR² kullanın.
10) Varsayım kontrolleri: doğrusallık, çoklu doğrusallık (VIF<10), artıkların normalliği (Histogram ve P-P plot).

📂 Değişkenler

DV: sürekli
IV: ≥1 sürekli/kategorik

🎓 Hipotezler

H₀(β): β=0 (her IV için)
H₁(β): β≠0

⚠️ Varsayımlar

Doğrusallık
Çoklu doğrusallık düşük
Artıkların normalliği ve sabit varyans

Varsayım sağlanmazsa:
Dönüşümler/Ridge/LASSO

📄 APA Tablo Örneği

Table 25. Multiple Regression (Coefficients)

Değişken	B	SE B	β	t	p
Sabit	-2.10	0.90	—	-2.33	.021
X1	0.55	0.18	.26	3.06	.002
X2	0.20	0.07	.19	2.86	.005

Not: Model: R²=.19, F(2,197)=23.1, p<.001

📝 Örnek Senaryolar

📈 Başarı ~ Çalışma Süresi + Ön Bilgi + Motivasyon

📊 Veri Özeti:

N	220
R²	0.42
Adj_R²	0.41
F(df)	3, 216
F	52.6
p_model	<.001

🛠️ Analiz Adımları:

🔹 Analiz: İlişki Analizleri → Regresyon → Çoklu Doğrusal
🔸 Bağımlı: Başarı_Puanı
🔸 Yordayıcılar: Çalışma_Süresi, Ön_Bilgi, Motivasyon
📊 Varsayımlar: Doğrusallık, normallik (artıklar), sabit varyans, çoklu bağlantı yok (VIF<5)
🧪 Tanı: Artık grafikleri, Cook’s D, leverage

📝 Rapor: Sonuç: Model anlamlıdır; F(3,216)=52.6, p<.001, Açıklanan varyans R²=.42. Standartlaştırılmış katsayılar: β_Çalışma=.31 (p<.001), β_ÖnBilgi=.28 (p<.001), β_Motivasyon=.19 (p=.003).

💡 ℹ️ Katsayı yorumu: diğer değişkenler sabitken bir birim artışın etkisi. Çoklu bağlantı şüphesinde VIF ve Tolerans raporlayın.

🧠 Kaygı ~ Uyku Kalitesi + Akademik Öz-Yeterlik

📊 Veri Özeti:

N	180
R²	0.29
Adj_R²	0.28
F(df)	2, 177
F	36.9
p_model	<.001

🛠️ Analiz Adımları:

🔹 Analiz: Regresyon → Çoklu
🔸 Bağımlı: Kaygı_Puanı
🔸 Yordayıcılar: Uyku_Kalitesi, OzYeterlik
📊 Varsayımlar: Artıklarda normallik, sabit varyans
🧮 Rapor: B, SE(B), β, t, p, 95% GA

📝 Rapor: Sonuç: Model anlamlıdır; F(2,177)=36.9, p<.001, R²=.29. Uyku Kalitesi azaldıkça Kaygı artmaktadır (β=−.41, p<.001); Öz-Yeterlik koruyucu etkilidir (β=−.23, p=.002).

💡 💡 Artıklarda U-şekli veya trend varsa dönüşüm/etkileşim terimlerini düşünün.

💻 Kullanıcı Memnuniyeti ~ Tepki Süresi + Hata Sayısı + Görev Başarısı

📊 Veri Özeti:

N	130
R²	0.37
Adj_R²	0.35
F(df)	3, 126
F	24.5
p_model	<.001

🛠️ Analiz Adımları:

🔹 Analiz: Regresyon → Çoklu
🔸 Bağımlı: Memnuniyet
🔸 Yordayıcılar: Tepki_Süresi, Hata_Sayısı, Görev_Başarısı
📊 Varsayımlar: Doğrusallık, bağımsız artıklar (Durbin–Watson)

📝 Rapor: Sonuç: Model anlamlıdır; F(3,126)=24.5, p<.001, R²=.37. Görev başarısı (β=.35, p<.001) ve tepki süresi (β=−.28, p=.001) anlamlı yordayıcılardır; hata sayısının etkisi marjinaldir (β=−.12, p=.080).

💡 💬 Değişkenler farklı ölçeklerdeyse standartlaştırılmış β raporlamak karşılaştırmayı kolaylaştırır.

🟪 Bileşen Analizi (PCA)

📌 Ne için kullanılır?

PCA, çok sayıda değişkendeki ortak varyansı birkaç bileşende toplayarak boyut indirgeme yapar; bileşenler orijinal değişkenlerin doğrusal kombinasyonlarıdır. Örnek: 15 maddeyi 3 ana bileşende özetleyip toplam varyansın önemli kısmını açıklamak.

🎯 Ne elde ederiz?

Ör: 3 bileşen toplam varyansın %62’sini açıklar.

🖥️ SPSS Menü Adımları

1) Analyze ▸ Dimension Reduction ▸ Factor…
2) Variables: çok sayıda sürekli değişkeni sağ tarafa taşıyın.
3) Descriptives… ▸ KMO and Bartlett’s test, Anti-image, Univariate descriptives işaretleyin ▸ Continue.
4) Extraction… ▸ Method: Principal Components; Eigenvalues over 1, Scree plot işaretleyin ▸ Continue.
5) Rotation… ▸ Varimax (orthogonal) veya Oblimin (oblique) seçin ▸ Continue.
6) Options… ▸ Sorted by size ve Suppress small coefficients altında .30 eşiğini belirleyin ▸ Continue.
7) OK ▸ Output’ta KMO (.60↑) ve Bartlett’s Test of Sphericity (p<.05) anlamlı olmalı.
8) Total Variance Explained tablosunda eigenvalue>1 olan bileşen sayısını ve toplam varyansı okuyun.
9) Rotated Component Matrix tablosundaki yükleri inceleyin; yüksek yük (.40+) ve ayrışma kontrolü yapın.
10) APA raporu: ‘3 bileşen toplam varyansın %62’sini açıklamıştır, yükler Tablo X’te sunulmuştur.’

📂 Değişkenler

Sürekli değişkenler (çoklu)

🎓 Hipotezler

KMO uygun, Bartlett anlamlı (korelasyonlar ≠ 0)

⚠️ Varsayımlar

Örneklem yeterliliği (KMO>0.6)
Değişkenler arası ilişki

Varsayım sağlanmazsa:
Faktör analizi (EFA)

📄 APA Tablo Örneği

Table 26. PCA Loadings (Rotated Varimax)

Değişken	PC1	PC2	PC3
V1	.72	.18	.05
V2	.68	.11	.09
V3	.12	.70	.22

Not: Açıklanan toplam varyans: %62.0

📝 Örnek Senaryolar

🧭 Ölçek kısaltma: 12 madde için PCA

📊 Veri Özeti:

N	300
KMO	0.89
Bartlett_χ²(df)	812.4 (66), p<.001
Bileşen_Sayısı	3
Açıklanan_%	62.5

🛠️ Analiz Adımları:

🔹 Analiz: Boyut İndirgeme → PCA
🔸 Döndürme: Varimax (ortogonal)
🔸 Kriter: Özdeğer > 1, scree plot
📦 Yükler: |yük| ≥ .40 eşiği; çapraz yükler kontrol

📝 Rapor: Sonuç: KMO=.89, Bartlett p<.001. Üç bileşen elde edilmiştir ve toplam varyansın %62.5'ini açıklar. Varimax döndürme sonrası en yüksek yükler beklenen madde gruplarında toplanmıştır (yükler .48–.81).

💡 ℹ️ PCA model-tabanlı değildir; amaç veri özetlemektir. Bileşen puanları sonraki analizlerde kullanılabilir.

📚 Akademik tutum ölçeği (10 madde) PCA

📊 Veri Özeti:

N	220
KMO	0.84
Bileşen	2
Açıklanan_%	58.1

🛠️ Analiz Adımları:

🔹 Analiz: PCA
🔸 Döndürme: Oblimin (korelasyon bekleniyorsa eğik)
🔸 Kriter: Scree kırılma noktası, paralel analiz (opsiyonel)

📝 Rapor: Sonuç: İki bileşen çözümü uygundur; %58.1 varyans açıklanmıştır. Bileşenler arası korelasyon r=.32’dir.

💡 💡 Eğik döndürmede bileşenlerin korelasyonunu raporla (Pattern/Structure matrisleri).

🔍 Kullanıcı deneyimi maddeleri için PCA

📊 Veri Özeti:

N	180
KMO	0.8
Bileşen	1
Açıklanan_%	45.7

🛠️ Analiz Adımları:

🔹 Analiz: PCA
🔸 Döndürme: Döndürmesiz (tek faktör)
📦 Rapor: Yük aralıkları (.52–.76), ortak varyanslar (h²)

📝 Rapor: Sonuç: Tek bileşen çözümü makuldür; %45.7 varyans açıklanır. En yüksek yük .76, en düşük .52’dir; h² ortalaması .49.

💡 💬 PCA’da ‘bileşen’ ifadesini kullan; faktör terimi EFA/FA için ayrılır.

🟪 Keşfedici Faktör Analizi (EFA)

📌 Ne için kullanılır?

EFA, gözlenen maddelerin altında yatan gizil faktör yapısını keşfetmek için kullanılır; yükler, hangi maddelerin hangi faktörlere ait olduğunu gösterir. Örnek: Tutum ölçeğindeki maddeler ‘ilgi’, ‘yararlılık’ ve ‘kaygı’ faktörlerine ayrılıyor mu?

🎯 Ne elde ederiz?

Ör: 3 faktörlü yapı iyi uyum verdi.

🖥️ SPSS Menü Adımları

1) Analyze ▸ Dimension Reduction ▸ Factor…
2) Değişkenleri sağ tarafa taşıyın.
3) Extraction… ▸ Method: Principal Axis Factoring (PCA değil); Scree plot ve Eigenvalue>1 işaretleyin ▸ Continue.
4) Rotation… ▸ Direct Oblimin (faktörler arası korelasyon bekleniyorsa) veya Varimax (bağımsız) seçin ▸ Continue.
5) Options… ▸ Sorted by size, Suppress <.30 yükleri gizle ▸ Continue.
6) Descriptives… ▸ KMO, Bartlett, Anti-image, Reproduced correlations işaretleyin ▸ Continue.
7) OK ▸ KMO>.60 ve Bartlett’s p<.05 olmalı; Anti-image diagonalleri >.50 ise uygun.
8) Communalities (Extraction) sütununda düşük (.20 altı) maddeleri çıkarma adayı olarak not edin.
9) Rotated Pattern/Structure Matrix tablosundan yükleri yorumlayın; çapraz yük <.30 olmalı.
10) APA raporu: ‘3 faktörlü yapı elde edilmiştir (KMO=.78, Bartlett χ²(66)=560.3,p<.001), toplam varyans=%58. Faktör yükleri Tablo X’te sunulmuştur.’

📂 Değişkenler

Sürekli maddeler (çoklu)

🎓 Hipotezler

KMO>0.6, Bartlett anlamlı

⚠️ Varsayımlar

Örneklem yeterliliği
Değişkenler arası ilişki

Varsayım sağlanmazsa:
Doğrulayıcı Faktör Analizi (AMOS/SEM)

📄 APA Tablo Örneği

Table 27. EFA Pattern Matrix

Madde	F1	F2	F3
I1	.71	.10	.05
I2	.66	.08	.12
I3	.09	.69	.20

Not: Faktörler arası korelasyonlar oblique rotasyonda raporlanmalı.

📝 Örnek Senaryolar

🧪 12 maddelik ölçek için EFA (PAF + Oblimin)

📊 Veri Özeti:

N	320
KMO	0.91
Bartlett_χ²(df)	1042.3 (66), p<.001
Faktör	3
Açıklanan_%	58.9

🛠️ Analiz Adımları:

🔹 Analiz: Boyut İndirgeme → Keşfedici Faktör Analizi
🔸 Çıkarım: Principal Axis Factoring (PAF)
🔸 Döndürme: Oblimin (eğik) — faktörler arası korelasyon bekleniyor
📦 Kriter: Paralel analiz, scree; yük ≥ .40; çapraz yük kontrolü

📝 Rapor: Sonuç: KMO=.91, Bartlett p<.001. Üç faktör çözümü tercih edilmiştir ve %58.9 varyans açıklar. Oblimin döndürme sonrası yükler .44–.82 aralığındadır; faktör korelasyonları r=.28–.36’dır.

💡 ℹ️ EFA model temellidir; ortak varyanslar (h²) ve benzersiz varyanslar raporlanmalıdır. Maddelerin teoriye uymaması durumunda revizyon önerilir.

📚 Akademik motivasyon ölçeği (15 madde) — EFA

📊 Veri Özeti:

N	280
KMO	0.88
Faktör	2
Açıklanan_%	55.3

🛠️ Analiz Adımları:

🔹 Analiz: EFA (PAF veya ML)
🔸 Döndürme: Varimax (ortogonal) — faktörler bağımsız varsayıldı
📦 Rapor: Madde yükleri, h², faktör adlandırma

📝 Rapor: Sonuç: İki faktörlü yapı uygundur; %55.3 varyans açıklanır. Faktör-1 (İçsel) ve Faktör-2 (Dışsal) olarak adlandırılmıştır.

💡 💡 Faktör isimleri teorik içerik ve yüksek yük alan maddelere göre verilir.

🔍 Kullanılabilirlik ölçeği (8 madde) — EFA

📊 Veri Özeti:

N	200
KMO	0.82
Faktör	1
Açıklanan_%	49.6

🛠️ Analiz Adımları:

🔹 Analiz: EFA (ML)
🔸 Döndürme: Yok (tek faktör)
📦 Rapor: Yükler (.50–.78), h², tek faktör uygunluk

📝 Rapor: Sonuç: Tek faktör modeli kabul edilebilir; %49.6 varyans açıklar. En yüksek yük .78’dir.

💡 💬 Ölçek geliştirmede güvenilirlik (α/ω) ve doğrulayıcı analiz (CFA) ile desteklenmesi önerilir.

🟪 Doğrulayıcı Faktör Analizi (CFA)

📌 Ne için kullanılır?

Kuramsal olarak belirlenmiş gizil faktör yapısının (ölçeğin boyutları) veriye ne kadar uyduğunu test eder.
Örnek: 12 maddelik ölçeğin 3 faktörlü modelinin uyumu.

🎯 Ne elde ederiz?

Ör: Uyum indeksleri kabul edilebilir (CFI/TLI ≥ .90, RMSEA ≤ .08, SRMR ≤ .08).

🖥️ SPSS Menü Adımları

1) AMOS’ta yeni bir model çiz: gizil faktör(ler) ve maddeler (gözlenen) oklarla bağlansın.
2) Her faktörü en az bir madde yükü 1’e sabitleyerek ölçekle.
3) Gerekli kovaryans/bağlantıları teorik modele göre çiz.
4) Analyze ▸ Calculate Estimates ▸ Output’ta uyum indekslerini (χ²/df, CFI, TLI, RMSEA, SRMR) ve faktör yüklerini inceleyin.
5) Düşük yük (<.40) ve yüksek hata kovaryanslarına dikkat edin; gerekçeli modifikasyonlar yapılabilir (MI).
6) APA: CFI, TLI, RMSEA[GA], SRMR; standartlaştırılmış yükler; faktörler arası korelasyonlar.

📂 Değişkenler

Gizil faktörler (latent)
Gözlenen maddeler (indikatorler)

🎓 Hipotezler

H₀: model ile veri arasındaki fark önemsiz (iyi uyum)

⚠️ Varsayımlar

Sürekli/OLS yaklaşımlarında çok değişkenli normallik (yaklaşık)
Yeterli örneklem (madde başına ≥10 önerilir)

Varsayım sağlanmazsa:
WLSMV (Likert 5/7 ve normal dışı için)CFA yerine EFA (keşif aşaması)

📄 APA Tablo Örneği

Table C1. CFA Fit and Loadings

İndeks	Değer
CFI	.94
TLI	.92
RMSEA	.055 (90% CI [.040,.070])
SRMR	.046

Not: Standartlaştırılmış yükler: .52–.81; tümü p<.001.

📝 Örnek Senaryolar

🧩 3 Faktörlü Kaygı Ölçeği Modeli Uyumu

📊 Veri Özeti:

N	350
CFI	0.96
TLI	0.95
RMSEA	0.045
SRMR	0.038
Yükler	.60-.85

🛠️ Analiz Adımları:

🔹 Yazılım: AMOS / Lisrel / R (lavaan)
🔸 Model: 3 Latent (Gizil) Faktör → 12 Madde
📏 Uyum İndeksleri: χ²/df, CFI, TLI, RMSEA

📝 Rapor: Sonuç: 3 faktörlü model verilere mükemmel uyum sağlamıştır; CFI=.96, RMSEA=.045, SRMR=.038. Tüm faktör yükleri anlamlıdır (p<.001) ve .60 üzerindedir.

💡 ℹ️ CFI > .90 ve RMSEA < .08 kabul edilebilir uyum kriterleridir.

⚠️ Tek Faktörlü Model (Uyumsuzluk Örneği)

📊 Veri Özeti:

N	200
CFI	0.75
RMSEA	0.14

🛠️ Analiz Adımları:

🔹 Model: Tüm maddeler tek bir faktöre bağlandı
🔸 Sonuç: İndeksler kötü

📝 Rapor: Sonuç: Tek faktörlü model veriyle uyum sağlamamıştır; CFI=.75, RMSEA=.14. Çok boyutlu yapı test edilmelidir.

💡 💡 Model modifikasyonu veya faktör sayısının artırılması gerekir.

🟪 Yapısal Eşitlik Modellemesi (SEM)

📌 Ne için kullanılır?

Ölçüm (CFA) ve yapısal (nedensel/yordayıcı) kısmı birleştirerek gizil değişkenler arasındaki ilişkileri eşzamanlı test eder.
Örnek: Motivasyon → Başarı; Öz-yeterlik → Motivasyon yol modeli.

🎯 Ne elde ederiz?

Ör: Yol katsayıları anlamlı; model uyumu kabul edilebilir.

🖥️ SPSS Menü Adımları

1) Ölçüm modeli: her gizil faktöre bağlı maddeleri ve hataları tanımla.
2) Yapısal model: gizil değişkenler arasında teorik yönlendirilmiş yolları çiz.
3) Tahmin: ML (varsayımlar sağlanıyorsa) veya robust/WLSMV.
4) Uyum: χ²/df, CFI, TLI, RMSEA, SRMR; R² (endogenous giziller için).
5) Anlamlı yolların β, SE, z/t, p ve GA’larını raporla.
6) Gerekçeli modifikasyonlar (MI) ve alternatif modelleri karşılaştır (ΔCFI, AIC).

📂 Değişkenler

Gizil ve gözlenen değişkenler
Yol katsayıları (β)

🎓 Hipotezler

H₀: tanımlanan yol modeli veriyle uyumludur

⚠️ Varsayımlar

Örneklem yeterliliği
Ölçüm geçerliği/güvenirliği
Yaklaşık çok değişkenli normallik (ML için)

Varsayım sağlanmazsa:
PLS-SEM (keşif/küçük örneklem)

📄 APA Tablo Örneği

Table S2. SEM Fit and Paths

Yol	β	SE	z/t	p
Motivasyon → Başarı	.41	.09	4.56	< .001
Öz-yeterlik → Motivasyon	.53	.08	6.38	< .001

Not: Uyum: CFI=.95, TLI=.93, RMSEA=.050, SRMR=.048.

📝 Örnek Senaryolar

🔗 Teknoloji Kabul Modeli (Yol Analizi)

📊 Veri Özeti:

Model	Kolaylık → Tutum → Niyet
CFI	0.94
RMSEA	0.05
Beta_Yol1	0.45
Beta_Yol2	0.62

🛠️ Analiz Adımları:

🔹 Analiz: Yapısal Model Kurulumu (Path Analysis)
🔸 Hipotez: Algılanan kolaylık tutumu, tutum ise niyeti yordar.

📝 Rapor: Sonuç: Model uyumu iyidir (CFI=.94). Kolaylık tutumu (β=.45, p<.001), tutum ise niyeti (β=.62, p<.001) pozitif yordamaktadır.

💡 ℹ️ Hem ölçüm modeli (CFA) hem yapısal model birlikte test edilmiştir.

⚖️ Aracılık Etkisi: Motivasyonun Rolü

📊 Veri Özeti:

Yol	Eğitim → Motivasyon → Performans
Dolaylı_Etki	0.28
CI_Lower	0.15
CI_Upper	0.42

🛠️ Analiz Adımları:

🔹 Analiz: SEM / Bootstrap Yöntemi
🔸 Test: Dolaylı etkinin (indirect effect) anlamlılığı

📝 Rapor: Sonuç: Motivasyonun tam aracılık etkisi anlamlı bulunmuştur; Dolaylı Etki = .28, %95 GA [.15, .42].

💡 💡 Bootstrap güven aralığı 0'ı içermediği için aracılık etkisi anlamlıdır.

🟪 Güvenirlik — Cronbach’s α

📌 Ne için kullanılır?

Bir ölçeğin/madde setinin iç tutarlılığını değerlendirir. α≈.70–.95 aralığı genelde kabul edilebilir.

🎯 Ne elde ederiz?

Ör: α=.86 (iyi) ve ‘madde silinirse α’ raporu.

🖥️ SPSS Menü Adımları

1) Analyze ▸ Scale ▸ Reliability Analysis…
2) Items: tüm madde puanlarını sağa aktarın; Model: Alpha.
3) Statistics… ▸ Item, Scale if item deleted, Inter-Item correlations, 95% CI for α işaretleyin ▸ Continue.
4) OK ▸ Cronbach’s Alpha, Madde-toplam istatistikleri ve ‘α if item deleted’ tablo(ları)nı yorumlayın.
5) Çok boyutluluk şüphesinde alt ölçeklere ayrı α hesaplayın (EFA/CFA ile destekleyin).

📂 Değişkenler

Çok maddeli sürekli/ordinal ölçek

🎓 Hipotezler

Alpha ne kadar yüksek? (hipotez testi değil; güven aralığı verilebilir)

⚠️ Varsayımlar

Tek boyutluluk varsayımı (yaklaşık)
Sürekli/likert öğeler

Varsayım sağlanmazsa:
McDonald’s ω (tercih edilir), Guttman λ

📄 APA Tablo Örneği

Table R1. Reliability (Cronbach’s α)

Ölçek	α	95% CI
Toplam	.86	.82–.89

Not: Madde-toplam korelasyonları .34–.68 aralığında.

📝 Örnek Senaryolar

✅ Müşteri Memnuniyeti Ölçeği (Yüksek Güvenirlik)

📊 Veri Özeti:

N	150
Madde_Sayisi	10
Alpha	0.89

🛠️ Analiz Adımları:

🔹 Analiz: Scale → Reliability Analysis
🔸 Model: Alpha (Cronbach)
📊 Kriter: > .70 kabul edilebilir, > .90 mükemmel

📝 Rapor: Sonuç: Ölçeğin iç tutarlılığı yüksek düzeydedir; Cronbach’s α = .89.

💡 ℹ️ Ölçek güvenilirdir, analizlerde kullanılabilir.

✂️ Madde Çıkarılması Gereken Durum

📊 Veri Özeti:

Mevcut_Alpha	0.65
Madde3_Silinirse	0.78

🛠️ Analiz Adımları:

🔹 Analiz: Reliability Analysis
🔸 Tablo: Item-Total Statistics (Alpha if item deleted)

📝 Rapor: Sonuç: Mevcut güvenirlik düşüktür (α=.65). 3. madde çıkarıldığında güvenirlik α=.78 değerine yükselmektedir.

💡 💡 3. madde ölçeğin bütünüyle uyumsuz görünmektedir, çıkarılması önerilir.

🟪 Madde Analizi

📌 Ne için kullanılır?

Madde güçlüğü (p) ve ayırt edicilik (rit/rir), ‘madde silinirse α’, madde-hata istatistikleri ile maddelerin kalitesini değerlendirir.

🎯 Ne elde ederiz?

Ör: p≈.30–.80 uygun; düzeltilmiş madde-toplam r ≥ .30 tercih edilir.

🖥️ SPSS Menü Adımları

1) Likert: Reliability Analysis’ta ‘Item’, ‘Scale if item deleted’, ‘Corrected item-total correlation’ kutularını işaretleyin.
2) 0–1 testlerde güçlük p=doğru oranı; ayırt edicilik için üst-alt %27 gruplar farkı (t) veya point-biserial korelasyon kullanın.
3) Düşük ‘rit’ (<.30) ve çok uç p (<.10 veya >.90) maddeleri gözden geçirin.
4) Gerekirse madde revizyonu ve yeniden test önerin; ölçek boyutluluğunu EFA/CFA ile kontrol edin.

📂 Değişkenler

Test/ölçek maddeleri (0–1 veya Likert)

🎓 Hipotezler

İyi madde: orta güçlük + yüksek ayırt edicilik

⚠️ Varsayımlar

Yeterli örneklem
Düzgün kodlama (ters maddeler çevrilmiş olmalı)

Varsayım sağlanmazsa:
IRT (madde tepki kuramı)

📄 APA Tablo Örneği

Table I1. Item Statistics (Excerpt)

Madde	p (güçlük)	rit (düz.)	α-if-deleted
M1	.62	.48	.84
M2	.78	.36	.86
M3	.29	.18	.88

Not: M3 ayırt edicilik düşük; revizyon/çıkarma düşünülebilir.

📝 Örnek Senaryolar

📝 Sınav Sorularının Analizi (Güçlük ve Ayırt Edicilik)

📊 Veri Özeti:

Madde	Soru 5
p (Güçlük)	0.45
r (Ayırt)	0.55

🛠️ Analiz Adımları:

🔹 Analiz: Reliability / Frequencies
🔸 p: Doğru cevaplanma oranı
🔸 r: Madde-Toplam Korelasyonu (Point-Biserial)

📝 Rapor: Sonuç: Soru 5 orta güçlükte (p=.45) ve çok iyi ayırt ediciliğe sahiptir (r=.55). Kaliteli bir maddedir.

💡 ℹ️ Ayırt edicilik (r) .30'un üzerinde olmalıdır.

❌ Sorunlu Madde Tespiti

📊 Veri Özeti:

Madde	Soru 8
p	0.95
r	0.05

🛠️ Analiz Adımları:

🔹 Kontrol: Herkesin doğru yaptığı sorular

📝 Rapor: Sonuç: Soru 8 çok kolaydır (p=.95) ve ayırt ediciliği yoktur (r=.05). Testten çıkarılmalıdır.

💡 💡 Herkesin bildiği soru, bilenle bilmeyeni ayırmaz.

🟪 Basit Doğrusal Regresyon

📌 Ne için kullanılır?

Bir bağımsız değişken (X) ile bir bağımlı değişken (Y) arasındaki doğrusal ilişkiyi ve Y üzerindeki yordama gücünü inceler. Örnek: Çalışma süresi sınav başarısını yorduyor mu?

🎯 Ne elde ederiz?

Ör: Model anlamlı; eğim katsayısı (B₁) ≠ 0; R² ile açıklanan varyans.

🖥️ SPSS Menü Adımları

1) Analyze ▸ Regression ▸ Linear…
2) Dependent: Y (sürekli); Independent(s): X.
3) Statistics… ▸ Estimates, Model fit, Confidence intervals işaretleyin ▸ Continue.
4) Plots… ▸ ZPRED vs ZRESID (homoskedastisite), Normal P–P of Residuals ▸ Continue.
5) OK ▸ Model Summary (R, R²), ANOVA (F, p) ve Coefficients tablosunu raporlayın.
6) APA: B₀, B₁, SE, t(df), p, R², 95% CI.

📂 Değişkenler

DV: sürekli (Y)
IV: sürekli (X)

🎓 Hipotezler

H₀: B₁=0
H₁: B₁≠0

⚠️ Varsayımlar

Doğrusal ilişki
Artıklarda normallik
Sabit varyans (homoskedastisite)
Bağımsız artıklılık

Varsayım sağlanmazsa:
Dönüşüm/robust/quantile regresyon

📄 APA Tablo Örneği

Table S1. Simple Linear Regression

Parametre	B	SE	t	df	p	R²
Sabit	45.20	3.10	14.6	118	< .001
X	2.15	0.41	5.24	118	< .001	.19

Not: Model: F(1,118)=27.5, p<.001; R²=.19.

📝 Örnek Senaryolar

📚 Çalışma süresi ile sınav başarısı arasındaki ilişki

📊 Veri Özeti:

N	120
B0	45.2
B1	2.15
t	5.24
p	<.001
R²	0.19

🛠️ Analiz Adımları:

🔹 Analiz: Regresyon → Doğrusal (Linear)
🔸 Bağımlı: Başarı_Puanı
🔸 Bağımsız: Çalışma_Süresi (saat)
📊 Varsayım: Doğrusal ilişki, artıklarda normallik

📝 Rapor: Sonuç: Çalışma süresi başarıyı anlamlı yordamaktadır; B=2.15, t(118)=5.24, p<.001. Model varyansın %19'unu açıklar (R²=.19).

💡 ℹ️ B katsayısı, çalışma süresindeki 1 saatlik artışın puana etkisini gösterir.

💰 Reklam harcaması satışları artırıyor mu?

📊 Veri Özeti:

N	50
B1	14.5
p	.002
R²	0.28

🛠️ Analiz Adımları:

🔹 Analiz: Regresyon → Doğrusal
🔸 Yordayıcı: Reklam_Bütçesi
🔸 Çıktı: Satış_Adedi

📝 Rapor: Sonuç: Reklam bütçesi satışları pozitif yönde etkiler; B=14.5, p=.002, R²=.28.

💡 💡 Reklam bütçesindeki her 1 birim artış, satışı ortalama 14.5 birim artırmaktadır.

🟥 Survivor Analiz — Kaplan-Meier

📌 Ne için kullanılır?

Kaplan–Meier sağkalım analizi, olayın gerçekleşmesine kadar geçen süreleri (time-to-event) ve sansürlü (henüz olay yaşamamış) gözlemleri birlikte değerlendirir.
Gruplar arasında sağkalım eğrilerini karşılaştırmak için log-rank testi kullanılır.
Örnek: İki tedavinin hastanede kalış süresi / nüks süresi açısından sağkalım olasılıkları farklı mı?

🎯 Ne elde ederiz?

Ör: Grup A’nın belirli bir zamana kadar sağkalım olasılığı Grup B’den anlamlı biçimde yüksektir.
Sağkalım eğrileri (Kaplan–Meier grafiği) ve medyan sağkalım süreleri raporlanır.

🖥️ SPSS Menü Adımları

1) Analyze ▸ Survival ▸ Kaplan-Meier… menüsüne girin.
2) Time kutusuna olay süresini gösteren değişkeni (örn. takip_suresi_ay) atayın.
3) Status kutusuna olay durumunu (0/1) atayın; Define Event… ile ‘Olay’ değeri olarak 1’i seçin.
4) Gruplar karşılaştırılacaksa Factor alanına grup değişkenini (örn. tedavi_türü) ekleyin.
5) Plots… ▸ Survival function işaretli olsun; varsa Cumulative hazard veya Confidence interval seçeneklerini de değerlendirin ▸ Continue.
6) Options… ▸ Means and medians for survival veya Summary statistics seçeneklerini işaretleyin ▸ Continue.
7) OK ▸ Output’ta: Kaplan–Meier tabloları, medyan sağkalım süreleri ve log-rank (Mantel-Cox) testi sonuçlarını (χ², df, p) inceleyin.
8) p<.05 ise ‘Grupların sağkalım eğrileri arasında anlamlı fark vardır’ yorumu yapılır; grafikte hangi grubun daha uzun yaşadığı / olayı daha geç yaşadığı vurgulanır.
9) Sansürlü gözlemlerin grafikte nasıl gösterildiğini (küçük işaretler) kısaca açıklayın.
10) APA raporu: log-rank χ²(df)=..., p=..., medyan süreler ve ilgili güven aralıkları ile birlikte sunulur.

📂 Değişkenler

Zaman: olay süresi (örn. ay, gün)
Durum: 0 = sansürlü (olay yok), 1 = olay gerçekleşti
Grup: Karşılaştırılacak grup değişkeni (opsiyonel)

🎓 Hipotezler

H₀: Grupların sağkalım eğrileri aynıdır (log-rank ile fark yok).
H₁: En az bir grubun sağkalım eğrisi farklıdır.

⚠️ Varsayımlar

Gruplar içinde sansürleme mekanizması ‘rastgele/sistematik olmayan’ olmalıdır.
Gruplar arasında sağkalım eğrilerinin kesişmemesi log-rank yorumunu güçlendirir (ancak katı bir zorunluluk değildir).
Bağımsız gözlemler (her birey bir kez sayılmalı).

Varsayım sağlanmazsa:
Medyan süreler ve yaşam tabloları ile tanımlayıcı sağkalım analizi.Eş-zamanlı kovaryans kontrolü gerekiyorsa: Cox regresyon (Cox proportional hazards).

📄 APA Tablo Örneği

Table S1. Kaplan–Meier Survival and Log-Rank Test

Grup	n	Medyan Süre	95% GA	Olay Sayısı	Log-rank χ²	df	p
Tedavi A	80	24.0 ay	18.2–29.8	35	4.21	1	.040
Tedavi B	75	17.5 ay	13.0–22.0	40

Not: Not. Kaplan–Meier sağkalım eğrileri log-rank testi ile karşılaştırılmıştır.

📝 Örnek Senaryolar

⏱️ Yeni İlaç Tedavisinin İyileşme Süresine Etkisi

📊 Veri Özeti:

Grup	['İlaç', 'Plasebo']
N	60
Log_Rank_p	0.035
Medyan_Sure	14 gün vs 20 gün

🛠️ Analiz Adımları:

🔹 Analiz: Survival → Kaplan-Meier
🔸 Time: İyileşme_Günü
🔸 Status: İyileşti (1)
🔸 Factor: Grup

📝 Rapor: Sonuç: İlaç grubu, plasebo grubuna göre anlamlı derecede daha hızlı iyileşmektedir; Log-Rank χ²=4.45, p=.035. Medyan iyileşme süresi ilaç grubu için 14 gündür.

💡 ℹ️ Eğrilerin birbirinden ayrışması tedavinin etkili olduğunu gösterir.

📉 Müşteri Kaybı (Churn) Analizi

📊 Veri Özeti:

Grup	['Kampanyalı', 'Normal']
Log_Rank_p	0.001

🛠️ Analiz Adımları:

🔹 Analiz: Survival → Kaplan-Meier
🔸 Time: Abonelik_Süresi
🔸 Status: Ayrıldı (1)

📝 Rapor: Sonuç: Kampanyalı müşterilerin aboneliklerini sürdürme olasılığı anlamlı derecede yüksektir (p=.001).

💡 💡 Sağkalım (Survival) burada 'abone kalmaya devam etme' anlamındadır.

🟥 Cox Regresyonu — Orantısal Hazard

📌 Ne için kullanılır?

Cox regresyonu, sağkalım süresi (time-to-event) üzerindeki birden çok yordayıcının etkisini aynı anda modelleyerek hazard oranlarını (HR) tahmin eder.
Sansürlü verileri (olay yaşamamış bireyleri) de modele dahil eder.
Örnek: Yaş, cinsiyet ve tedavi türünün birlikte, ölüm/nüks riskini nasıl etkilediğini incelemek.

🎯 Ne elde ederiz?

Ör: Tedavi A referans iken Tedavi B için hazard oranı HR=1.80 (95% GA [1.20–2.70]), yani olay riskini %80 artırır.
Her yordayıcı için B, SE, Wald, p, HR=exp(B) ve 95% güven aralıkları raporlanır.

🖥️ SPSS Menü Adımları

1) Analyze ▸ Survival ▸ Cox Regression… menüsüne girin.
2) Time alanına olay süresi değişkenini, Status alanına 0/1 kodlu olay değişkenini atayın ve Define Event ile olay değerini (1) belirtin.
3) Covariates kutusuna modele dahil etmek istediğiniz yordayıcıları (yaş, cinsiyet, tedavi türü vb.) ekleyin.
4) Kategorik değişkenler için Categorical… butonuna tıklayıp değişkeni seçin, referans kategoriyi belirleyin ▸ Continue.
5) Method: Enter (tüm değişkenler) veya Forward/Backward gibi adımlı yöntemleri gerekçeli olarak seçebilirsiniz.
6) Options… ▸ CI for Exp(B) %95, Diagnostics, Plots gibi seçenekleri kontrol edin ▸ Continue.
7) OK ▸ Output’ta Model Summary, Omnibus Tests of Model Coefficients ve Variables in the Equation tablolarını inceleyin.
8) Variables in the Equation tablosunda her yordayıcı için B, SE, Wald, p, Exp(B) (HR) ve güven aralıklarını raporlayın.
9) Orantısal hazard varsayımını kontrol etmek için log(-log) survival eğrileri veya time×covariate etkileşimleri incelenebilir.
10) APA raporu: ‘Tedavi türü, diğer değişkenler kontrol edildiğinde olay riskini anlamlı biçimde artırmaktadır, HR=1.80, 95% GA [1.20, 2.70], p=.004’ gibi cümlelerle sunulur.

📂 Değişkenler

Zaman: olay süresi (örn. ay)
Durum: 0 = sansürlü, 1 = olay gerçekleşti
Yordayıcılar: sürekli ve/veya kategorik değişkenler

🎓 Hipotezler

H₀: Her yordayıcı için β = 0 (HR=1).
H₁: En az bir yordayıcı için β ≠ 0 (HR≠1).

⚠️ Varsayımlar

Orantısal hazard varsayımı (zaman boyunca göreli riskin sabit kalması).
Bağımsız gözlemler.
Sürekli yordayıcılar için log-hazard ile yaklaşık doğrusal ilişki.

Varsayım sağlanmazsa:
Orantısal hazard ihlalinde: zaman-bağımlı kovaryanslar, stratified Cox modelleri.Tam parametrik survival modelleri (Weibull, Exponential).

📄 APA Tablo Örneği

Table S2. Cox Proportional Hazards Regression

Değişken	B	SE	Wald	p	HR (Exp(B))	95% CI HR
Tedavi (B vs A)	0.59	0.20	8.70	.003	1.80	1.20–2.70
Yaş	0.03	0.01	6.10	.014	1.03	1.01–1.06
Sabit	−2.20	0.50	19.4	< .001	—	—

Not: Not. HR>1 risk artışını, HR<1 risk azalışını gösterir.

📝 Örnek Senaryolar

🏥 Ölüm Riskini Etkileyen Faktörler

📊 Veri Özeti:

N	100
HR_Yas	1.05
p_Yas	0.02
HR_Sigara	2.5
p_Sigara	0.004

🛠️ Analiz Adımları:

🔹 Analiz: Survival → Cox Regression
🔸 Covariates: Yaş, Sigara_Kullanımı
📊 Hazard Ratio (HR): Risk artış katsayısı

📝 Rapor: Sonuç: Sigara kullanımı ölüm riskini anlamlı düzeyde artırmaktadır; HR=2.50, p=.004 (Risk 2.5 kat artıyor). Yaşın etkisi de anlamlıdır (HR=1.05).

💡 ℹ️ HR > 1 risk artışını, HR < 1 risk azalışını (koruyuculuk) ifade eder.

💼 Çalışanların İstifa Etme Riski

📊 Veri Özeti:

Degisken	Maaş
HR	0.6
p	0.01

🛠️ Analiz Adımları:

🔹 Analiz: Cox Regression
🔸 Olay: İstifa (1)
🔸 Yordayıcı: Maaş

📝 Rapor: Sonuç: Maaş artışı istifa riskini anlamlı ölçüde düşürmektedir; HR=0.60, p=.01. (Maaş arttıkça risk %40 azalmaktadır).

💡 💡 HR değeri 1'den küçük olduğu için negatif ilişki (koruyucu faktör) vardır.