P. 1
SPSS15 (2011)_1s

SPSS15 (2011)_1s

|Views: 2,828|Likes:
Yayınlayan: Ali Duyan
yuksel hocanin notlari ALI DUYAN
yuksel hocanin notlari ALI DUYAN

More info:

Categories:Topics, Art & Design
Published by: Ali Duyan on Mar 23, 2011
Telif Hakkı:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

12/20/2012

pdf

text

original

Yrd.Doç.Dr.

Yüksel TERZĐ 1
SPSS 15.0
Statistical Packages for the Social Sciences
YRD.DOÇ.DR.YÜKSEL TERZİ
ONDOKUZ MAYIS ÜNİVERSİTESİ
FEN-ED.FAK.
İSTATİSTİK BÖLÜMÜ
yukselt@omu.edu.tr
Yrd.Doç.Dr.Yüksel TERZĐ 2
DATA VIEW (VER DATA VIEW (VERİ İ SAYFASI) SAYFASI)
SPSS DOSYALARININ UZANTILARI
SPSS DOSYALARININ UZANTILARI
SAV : SAV : Data Edit Data Editö örde olu rde oluş şturulan verilerin uzant turulan verilerin uzantı ıs sı ı, ,
SPO : SPO : Sonu Sonuç ç- -Output Output dosyalar dosyaları ın nı ın uzant n uzantı ıs sı ı, ,
SPS : SPS : Syntax Syntax Edit Editö örde olu rde oluş şturulan dosyan turulan dosyanı ın uzant n uzantı ıs sı ı, ,
SBS : SBS : Script Script Edit Editö örde olu rde oluş şturulan dosyan turulan dosyanı ın uzant n uzantı ıs sı ı, ,
SGT : SGT : Grafik dosyalar Grafik dosyaları ın nı ın uzant n uzantı ıs sı ı, ,
Yrd.Doç.Dr.Yüksel TERZĐ 3
Variable name : Değişkenin adı
Type : Tipi
Numeric : Sayısal Comma : virgül Dot : Nokta
Scientific notation : özel sembol Data : Tarih
Dollar : Diyez,dolar
Custom currency : özel tanımlanmış veri girişi String : Dizi
Width : genişlik Decimal places : ondalık basamak
Labels : Tanımlama, sınıflandırma
Values : Tanımlanacak değişken
Value : Değeri
Value label : Değerin alacağı isim
Missing values : Eksik verilerin hangi kodla gösterileceğini belirler.
Columns : Sütun genişiliği
Align : Hizalama left : Sol Center : Orta Right : Sağ
Measure : Ölçek
Scale :Cetvel Ordinal : Sıra Nominal : Nitel
VARIABLE VIEW (DE VARIABLE VIEW (DEĞİŞ ĞİŞKEN SAYFASI) KEN SAYFASI)
Yrd.Doç.Dr.Yüksel TERZĐ 4
N Nü ümeric meric: : Rakamlarla ifade edilen de Rakamlarla ifade edilen değ ği iş şkenlerin tan kenlerin tanı ım mı ı yap yapı ıl lı ır. r.
Comma Comma (virg (virgü ül): l): B Bü üy yü ük verilerin tam k k verilerin tam kı ısm smı ın nı ı virg virgü ül ile l ile üç üçer er
basamak, ondal basamak, ondalı ıkl klı ı k kı ısm smı ın nı ı ise nokta ile ay ise nokta ile ayı ır rı ır. (567,346.05) r. (567,346.05)
Dot Dot (nokta) : (nokta) : B Bü üy yü ük verilerin tam k k verilerin tam kı ısm smı ın nı ı nokta ile nokta ile üç üçer basamak, er basamak,
ondal ondalı ıkl klı ı k kı ısm smı ın nı ı ise virg ise virgü ül ile ay l ile ayı ır rı ır. (567.346,05) r. (567.346,05)
Scientific Scientific Notation Notation : : Say Sayı ısal verileri sal verileri ü üssel olarak ifade eder. ssel olarak ifade eder.
(1000000=1E+6) (1000000=1E+6)
String String : : Alfasay Alfasayı ısal sal verilerin tan verilerin tanı ımlad mladığı ığı se seç çenek. enek.
Yrd.Doç.Dr.Yüksel TERZĐ 5
Syntax Syntax ve ve Scrip Scrip
Edit Editö örleri rleri
i iş şlemlere ili lemlere iliş şkin kin
kod kod
Sistemlerinin Sistemlerinin
olu oluş şturuldu turulduğ ğu u
ve kullan ve kullanı ıc cı ın nı ın n
olu oluş şturaca turacağı ğı
komut komut
kodlar kodları ın nı ın yer n yer
ald aldığı ığı
b bö öl lü ümlerdir. mlerdir.
Yrd.Doç.Dr.Yüksel TERZĐ 6
Di Diğ ğer veri taban er veri tabanı ı programlar programları ındaki veri ndaki veri
dosyalar dosyaları ın nı ı a aç çar. ar.
Farkl Farklı ı uzant uzantı ılara sahip dosyalardaki lara sahip dosyalardaki
verileri verileri SPSS SPSS’ ’e e aktar aktarı ır ( r (xls xls, , dat dat, , txt txt gibi). gibi).
Bilgisayardaki bir dosya hakk Bilgisayardaki bir dosya hakkı ında bilgi verir. nda bilgi verir.
Veri dosyas Veri dosyası ın nı ın ge n geç çici bir kopyas ici bir kopyası ın nı ı verir. verir.
Son kullan Son kullanı ılan sav uzant lan sav uzantı ıl lı ı dosyalar dosyaları ı belirtir. belirtir.
Sav uzant Sav uzantı ıl lı ı olmayan dosyalar olmayan dosyaları ı g gö österir. sterir.
Ü Üzerinde zerinde ç çal alışı ışılan dosya hakk lan dosya hakkı ında bilgi verir. nda bilgi verir.
Kullan Kullanı ıc cı ı ad adı ı ve ve ş şifre girilerek, Network ifre girilerek, Network
ü üzerindeki dosyalarda i zerindeki dosyalarda iş şlem yap lem yapı ıl lı ır. r.
Veriler Veriler dBase dBase, , excel excel, , access access ortam ortamı ına na
aktar aktarı ıl lı ır. r.
Yrd.Doç.Dr.Yüksel TERZĐ 7
Excel’den SPSS’e Veri Aktarma
Excel de Excel de ö örnek veri_notlar isminde belgeler rnek veri_notlar isminde belgeler
i iç çinde yer alan bir dosyaya veriler girilir. Daha inde yer alan bir dosyaya veriler girilir. Daha
sonra bu dosya kapat sonra bu dosya kapatı ıl lı ır. r.
Yrd.Doç.Dr.Yüksel TERZĐ 8
File> File>Open Open>Data >Data
Dosya t Dosya tü ür rü ünde Excel (*. nde Excel (*.xls xls) )
uzant uzantı ıs sı ı se seç çilir. ilir.
Yrd.Doç.Dr.Yüksel TERZĐ 9
Yrd.Doç.Dr.Yüksel TERZĐ 10
Son yap Son yapı ılan de lan değ ği iş şiklikleri geri al iklikleri geri alı ır. Analiz r. Analiz
ile ilgili i ile ilgili iş şlemleri geri almaz. lemleri geri almaz.
Geri al Geri alı ınan i nan iş şlemleri bir lemleri bir ö önceki konuma nceki konuma
getirir. getirir.
Variable Variable View View sayfas sayfası ında kopyalanan bir de nda kopyalanan bir değ ği iş şkeni keni
farkl farklı ı bir isimle ba bir isimle baş şka bir yere yap ka bir yere yapış ışt tı ır rı ır. r.
Se Seç çilen s ilen sü ütunun sa tunun sağı ğına yeni bir de na yeni bir değ ği iş şken ekler ken ekler
Se Seç çilen sat ilen satı ır rı ın n ü üst stü üne yeni bir sat ne yeni bir satı ır ekler r ekler
SPSS ayarlar SPSS ayarları ın nı ın yap n yapı ıld ldığı ığı yer. yer.
Yrd.Doç.Dr.Yüksel TERZĐ 11
GENERAL
GENERAL
Variable list : Değişkenlerin listelenmesi
Display labels : etiketle göster Display names : değişkenin adını göster
Alphabetical: Alfebetik sıraya göre değişkenleri versin File : Dosyadaki sıraya göre değişkenleri versin.
Append : Komutları peş peşe ekle Owerwrite : Đkinci işlemi
birincinin üstüne ekle
Recently used file list : Gelen dosya isimlerinin sayısını gösterir.
Open syntax window at start-up : syntax penceresini başlangıçta aç.
Measurement system : Ölçü sistemi (grafik gibi).
Point : nokta Inches : inç Centimeters : cm.
Output notfication : Sonuçların gösterilmesi
Raise viewer window : Gösterici penceresinde göster Scroll to new output : özel ses koyar.
Yrd.Doç.Dr.Yüksel TERZĐ 12
VIEWER
VIEWER
Log : sonuçları nasıl göstersin.
Shown : göster , Hidden : gizli
Display command in the log : Hangi komutların kullanıldığı sonuçlarda gösterir.
Text output page size : Çıktılar için kağıt genişliğini belirler.
Length : Uzunluk , Width : genişlik
Infinite : sürekli kağıt takılı olup, çıktıda kullanılır.
Monospaced fonts : Tüm harfler ve karakterler aynı standartta yazılır.
Yrd.Doç.Dr.Yüksel TERZĐ 13
PIVOT TABLE
PIVOT TABLE
Yrd.Doç.Dr.Yüksel TERZĐ 14
CURRENCY
CURRENCY
Veri tipinde özel karakterlerin nereye yazılacağını belirler ($, TL gibi).
Prefix : Önce , Suffix : Sonra
Decimal separator : Veri aktarımı yaparken ondalık kısım için virgül ise comma, nokta ise period
kullanılır.
Yrd.Doç.Dr.Yüksel TERZĐ 15
DATA
DATA
Calculate values before used : hesaplamanın kullanılacağı zamanı göster
(zaman serilerinde kullanılır) .
Set century range for 2-digit years : Zaman ayarları yapılır.
Display format for new numeric variables : Đlk dosya açıldığında sütun ve
ondalık genişliği ayarı yapılır.
Yrd.Doç.Dr.Yüksel TERZĐ 16
Status Bar :SPSS penceresinde menülerin yer almasını
sağlayan/kaldıran bir seçenektir.
Toolbars :Araçların SPSS penceresinde yer alıp almamasını sağlar.
Font :Yazım şekli ve büyüklüğünü düzenler.
Grid Lines :Veri dosyasındaki çizgileri kaldırır.
Value Labels:Çıktı ekranında ve grafiklerde değerlerin isimlerinin yer
alıp almamasını belirler.
Yrd.Doç.Dr.Yüksel TERZĐ 17
Define Dates: Zaman serisi verilerini içeren dosyalara zaman
değişkeni tanımlar.
Insert Variable :Yeni bir değişken ekler.
Insert case :Yeni bir satır ilave eder.
Go to case :Đstenilen veriye gider.
Short cases :Verileri sıralar
Descending : Büyükten küçüğe
Ascending : Küçükten büyüğe
Transpose :Verilerin transpozunu alır. Yani sütun verileri
satır, satır verileri sütun yapar.
Merge Files :Đki ayrı dosyada benzer değişkenli birimleri
alt alta birleştirir yada farklı değ. leri birleştirir.
Add cases :Farklı dosyalardaki verileri alt alta birleştirir.
Değişken isimleri aynı olmalı.
Add variables : Farklı dosyalardaki değişkenleri birbiri
ile birleştirir.
Yrd.Doç.Dr.Yüksel TERZĐ 18
Yrd.Doç.Dr.Yüksel TERZĐ 19
Yrd.Doç.Dr.Yüksel TERZĐ 20
Yrd.Doç.Dr.Yüksel TERZĐ 21
Yrd.Doç.Dr.Yüksel TERZĐ 22
Yrd.Doç.Dr.Yüksel TERZĐ 23
Yrd.Doç.Dr.Yüksel TERZĐ 24
Yrd.Doç.Dr.Yüksel TERZĐ 25
Yrd.Doç.Dr.Yüksel TERZĐ 26
Yrd.Doç.Dr.Yüksel TERZĐ 27
Yrd.Doç.Dr.Yüksel TERZĐ 28
Agreegate : Bir grubu özet olarak birleştirilmiş veri halinde toplar.
Break variables : Gurup yapılacak değişkenler girilir.
Aggregate variables:Yukarıdaki gruplarda üzerinde işlem yapılacak değişkenler.
Function : Grupların hesaplanacağı fonksiyonlar:
Mean of value : Aritmetik ortalama, First value : ilk değer
Number of cases : olay sayısı Sum os values :Değerler toplamı
Percentage above :Belli değerden büyük değerler yüzdesi.
Percentage below : Belli değerden küçük değerler yüzdesi.
Percentage inside : Đki değer arasındaki değerler yüzdesi.
Percentage outside : Đki değer dışındaki değerler yüzdesi.
Fraction above : Bir değerden büyük değerlerin o grup içindeki yüzdesi
Fraction below : Bir değerden küçük değerlerin o grup içindeki yüzdesi
Fraction inside : Đki değer içindeki değerlerin o grup içindeki yüzdesi
Fraction outside : Đki değer dışındaki değerlerin o grup içindeki yüzdesi
Belli değerler value kutusuna, beli iki değer de Low ve High kutularına yazılır.
Creata new data file:Yapılan hesaplamaların yeni bir dosyaya kayıt edilmesi. File ile kayıt yapılır.
Replace data working data file : Yapılan düzenlemeleri mevcut dosyaya kayıt eder.
Save number of cases in break group as variable: Gruplar içindeki olay sayısının bir değişken gibi kaydı
Ortogonal Design : Bağımsız deneme düzeni türetmeyi(generate) ve bu düzeni görüntüler.
Yrd.Doç.Dr.Yüksel TERZĐ 29
Split file:(Veri dosyası ayırma )
Veri dosyasını istenilen değişkenin
alt seviyelerine göre parçalar.
Böylece veri dosyası, değişken kaç
farklı değer alıyorsa o sayıda alt
dosyalara ayrılır.
Analysis all cases : Gruplamanın
olmadığı durum
Yrd.Doç.Dr.Yüksel TERZĐ 30
Select cases :Veri süzme veya seçme-
Farklı değerler alan değişkenlerin istenilen değerlerinin analize katılmasını sağlar.
If condition is satisfied : Değişkenlerle ilgili hesap ve fonksiyon işlemleri yapar.
Random sample of cases : Bazı örnekler üzerinde işlem yapar.
Yrd.Doç.Dr.Yüksel TERZĐ 31
Yrd.Doç.Dr.Yüksel TERZĐ 32
Do not Do not weight weight cases cases : : A Ağı ğırl rlı ıkl klı ı durum yok durum yok
Weight Weight cases cases by by – – Frequency Frequency Variable Variable: :
Bir s Bir sü ütunda yer alan de tunda yer alan değ ğerlerin di erlerin diğ ğer bir de er bir değ ği iş şken i ken iç çin a in ağı ğırl rlı ık k
olarak olarak tan tanı ımlanmas mlanması ın nı ı sa sağ ğlar. lar.
Yrd.Doç.Dr.Yüksel TERZĐ 33
Compute :Mevcut değişkenlerle matematiksel
işlem yaparak, yeni değ. elde edilir.
Target variable : Yapılan işlem sonunda bulunacak
yeni değişkenin adı.
Random number seed : Rasgele üretilecek olan sayıların
ilk değerini belirler.
Count :Bir değişkendeki aynı değere sahip
birimleri belirler.
Categorize variables : Verilere sıra numarası verilir.
Rank cases :Değişkenleri sıralama değerine
dönüştürür ve yeni değişken olarak atar.
Değişik sırala türleri vardır.(Blom, Tukey, Rankit gibi)
Autumatic Recode : Değişkenin değerlerini büyüklük
sırasına göre dizerek yeni değişken 1 den başlayarak kod
numarası verir.
Create Time Series : Bir veriyi alarak zaman serisi
değişkeni türetir.
Difference : Farklı Seasonal : Mevsimlik
Smooth : Düzgün
Replace Missing Values : Seride yer alan eksik gözlem
yerine bir değer atar. Bu değer ya serinin ortalaması
yada zaman serisi fonksiyonlarından birisidir.
Yrd.Doç.Dr.Yüksel TERZĐ 34
Verileri de Verileri değ ği iş ştirme veya yeniden kodlama tirme veya yeniden kodlama- -Recode Recode komutu: komutu:
Veri sayfas Veri sayfası ında bir de nda bir değ ği iş şkene ait verileri matematiksel i kene ait verileri matematiksel iş şlem yapmadan lem yapmadan
iste isteğ ğe g e gö öre de re değ ği iş ştirmek veya yeni kodlarla ifade etmede kullan tirmek veya yeni kodlarla ifade etmede kullanı ıl lı ır. r.
Genelde s Genelde sü ürekli olan bir veri gruplanarak kategorik hale getirilir. rekli olan bir veri gruplanarak kategorik hale getirilir.
Yukar Yukarı ıdaki tabloda s daki tabloda sü ürekli de rekli değ ği iş şken olan masraf ken olan masraf numeric numeric variable variable
k kı ısm smı ına girilir ve na girilir ve output output variable variable k kı ısm smı ına da yeni olu na da yeni oluş şturulacak turulacak
de değ ği iş şkenin ad kenin adı ı girilir ve girilir ve change change yap yapı ıl lı ır. Daha sonra r. Daha sonra Old Old and and New New Values Values
k kı ısm smı ından kodlamalar tan ndan kodlamalar tanı ımlan mlanı ır. r.
Yrd.Doç.Dr.Yüksel TERZĐ 35
Masraf de Masraf değ ği iş şkeni <200 keni <200 Ytl Ytl i iç çin 1, 201 in 1, 201- -300 300 Ytl Ytl aras arası ı 2, >301 aras 2, >301 arası ıda 3 da 3
olsun. olsun. Lowest Lowest through through k kı ısm smı ına (< 200) 200 yaz na (< 200) 200 yazı ıl lı ır, sonra r, sonra Value Value 1 verilir 1 verilir
ve ve Add Add yap yapı ıl lı ır. 201 r. 201 through through 300 yaz 300 yazı ıl lı ır, r, Value Value 2 girilir ve 2 girilir ve Add Add yap yapı ıl lı ır. r.
Through Through highest highest k kı ısm smı ına 301 girilir, na 301 girilir, Value Value 3 ve 3 ve Add Add yap yapı ıl lı ırsa veri rsa veri
gruplanm gruplanmış ış hale gelir. hale gelir.
Yrd.Doç.Dr.Yüksel TERZĐ 36
Automatic
Automatic
Recode
Recode
String String olarak girilen nitel de olarak girilen nitel değ ği iş şkenleri, kenleri, Automatic Automatic recode recode komutu ile komutu ile
kodlayarak, kodlayarak, Numeric Numeric de değ ği iş şkene kene ç çevrilir. evrilir.
Yrd.Doç.Dr.Yüksel TERZĐ 37
New name k New name kı ısm smı ına na string string de değ ği iş şkenlerin yani ismi yaz kenlerin yani ismi yazı ıl lı ır ve r ve Add Add New New
Name butonuna bas Name butonuna bası ıl lı ır. r.
Lowest Lowest value value i iş şaretlenirse aretlenirse string string de değ ği iş şkenin ald kenin aldığı ığı de değ ğerlere ba erlere baş ştan sona tan sona
do doğ ğru kod numaras ru kod numarası ı verilir (B=1, E=2 olur). verilir (B=1, E=2 olur). Highest Highest value value se seç çilirse sondan ilirse sondan
a aş şa do a doğ ğru kod numaras ru kod numarası ı verilir (E=1, B=2). verilir (E=1, B=2).
Yrd.Doç.Dr.Yüksel TERZĐ 38
Yrd.Doç.Dr.Yüksel TERZĐ 39
Reports :
OLAP Cubes : Seçilen değişkenlerin istatistiksel işlemlerini yapar.
Case summaries :Verilerin frekans ve çapraz tablolarının oluşturulması,
belirtici istatistiklerin hesaplanması, grafik çizimi ve raporlanmasını sağlar.
Report Summaries in Row : Sıralara ilişkin özet istatistikler hesaplar.
Report Summaries in Column : Değişkenlerle ilgili özet istatistikler hesaplar.

Descriptive Statistics :
Frequencies :Verilerin frekans tablosunu, belirtici istatistikleri, dağılım
ölçülerini hesaplar ve grafiklerini çizer.
Descriptives :Verilerin belirtici istatistiklerini ve asimetrik dağılım ölçüleri
olan çarpıklık (kurtosis), basıklık (skewnes) ölçülerini hesaplar.
Explore :Tüm birimlerin yada her bir gruptaki birimlerin belirtici
istatistiklerini hesaplar ve yayılım grafiklerini çizer. Bir değişkenin diğer
değişkene göre istatistiklerini bulur.
Crosstabs :Đki yada daha fazla değişkenin ikili çapraz tablolarını düzenler.
Hazırlanan tablolara testler yapılır ve özet istatistikler bulunur. Sayısal
değişkenler kodlama ile az sayıdaki gruba bölünerek çapraz tablolar
düzenlenir.

Yrd.Doç.Dr.Yüksel TERZĐ 40
Compare Means :
Gruplara göre verilerin belirtici istatistiklerini hesaplayan,
bağımlı ve bağımsız örneklerde iki yada daha fazla ortalama
arasındaki farkları test eden yöntemleri içerir.
Means :Değişkenlerin tek başına ya da diğer bağımsız
değişkenlere göre alt grupların istatistiklerini hesaplar.
One Sample T test :Tek örnek T testi yapar.
Independent Samples T Test:Bağımsız iki örneklem T testi yapar.
Paired Samples T Test :Bağımlı iki örneklem T Testi yapar.
One Way ANOVA :Bağımsız k-örneklem ortalamalarının
önemliliğini test etmek için tek yönlü varyans analizi uygular.

General Lineer Model :
Genelleştirilmiş lineer modellerle ilgili işlemleri yapar.
Univariate :Tek değişkenli
Multivariate :Çok değişkenli
Repeated Measures :Tekrarlı ölçümlü denemelerde kullanılır.
Yrd.Doç.Dr.Yüksel TERZĐ 41
Correlate :
Đki yada daha fazla değişkenin arasındaki ikili (Bivariate) ilişkinin;
yönünü, büyüklüğünü ve önemliliğini belirler. Ayrıca kısmi (partial)
korelasyon analizi de yapılır. En az bir değişkene göre birimlerin birbiriyle
olan benzerlik uzaklıkları (similarity) yada farklılıklarını gösteren
uzaklıklar (dissimilarity) hesaplanır. Çeşitli uzaklık ve benzeerlik ölçülerine
(öklid, karesel öklid, minkowski) göre birimlerin yada değişkenlerin
benzerlik/farklılık matrisleri bulunur.

Regression :
Linear:Verilere basit doğrusal ve çoklu doğrusal regresyon analizi uygular.
Curve Estimation:Verilere uygun eğri uydurulması için model denenmesi
sağlar. Model seçimi için çoklu regresyon katsayısından yararlanılır.
Logistic : Đkili (Binary) ve çoklu (Multinominal) lojistik regresyon
analizi yapılmasını sağlar.
Probit :Probit regresyon analizi
Nonlineer : Doğrusal olmayan regresyon analizi uygulaması yapar.
Loglinear :
Kategorik verilere genel ve aşamalı loglinear ve lojit loglinear
analiz uygular.
Yrd.Doç.Dr.Yüksel TERZĐ 42
Classify :Verilere kümeleme analizi (cluster analysis) ve ayırma analizi
(discriminant analysis) uygular.
K-Means Cluster : Kümelenecek birim yada değişkenlerin kaç kümeye
ayrılacağı belirlenerek guruplamalar yapılır.
Hierarchical Cluster : Değişkenlere aşamalı kümeleme analizi uygular.
Discriminant : Grupları önceden belirli birimleri rasyonel biçimde
birbirinden ayırmaya yarayan fonksiyonlar türetmeyi ve verilerin sınıflandırır.
Data Reduction:
Veilere faktör analizi ve uyum (Correspendance) analizi uygular.
Scale :
Đsimsel fakat kodlanmış sıralı yada aralıklı ölçekle elde edilmiş verilere
güvenilirlik ve çok boyutlu ölçekleme analizi uygular.
Nonparametrics Tests :
Tek örneklem, bağımlı/bağımsız iki ve k örneklem verilerine parametrik
olmayan test yöntemlerinin uygulanmasının sağlar.
Times Series :
Zaman serisi analizi ile ilgili üssel düzeltme, otokorelasyonlu regresyon,
ARIMA, mevsimsel çözümleme, spectral analiz gibi yöntemleri yapar.
Survival :
Sağkalım verilerin yaşam tablosu, Kaplan-Meier ve Cox regresyon analizi
modelleri ile analiz işlemlerini yapar.
Multiple Response :
Çoklu cevap yada çoklu ikili setlerin belirlenmesi ve analizi işlemlerini yapar.
Yrd.Doç.Dr.Yüksel TERZĐ 43
GRAPHS (GRAFĐKLER) :

Interactive :Çizilen grafiklerin çeşitli özelliklerine göre oluşturur.
Bar:Verilerin basit çubuk, kümelenmiş çubuk ve yığılımlı çubuk grafiğini çizer.
3-Bar : Üç boyutlu bar grafiği
Line :Verilerin basit ve çoklu çizgi grafiğini çizer.
Area :Verilerin basit ve yığılımlı alan grafiğini çizer.
Pie :Basit daire veya birleşik çubuk grafiğini çizer.
High Low:Verilerin ikili yada üçlü değerlerden yararlanarak yüksek ve düşük
değerleri içeren grafiklerini çizer.
Boxplot :Verilerin ortanca değerini, dörtte birlikler arası genişlik ve aşırı değer
içeren birimleri gösteren kutu grafiklerini çizer.
Error Bar:Ortalama ve güven aralığını gösteren kutu grafiği çizer.
Scatter :Verilere uyan basit ve üst üste gelen ilişki grafikleri, matrix grafiği yada
üç boyutlu dağılım grafiklerini çizer.
Histogram:Bir değişkenin dağılım hakkında bilgi veren histogram grafiklerini çizer.
P – P :Bir değişkenin yığılımlı ortalamalarını Normal dağılımın yığılımlı
ortalamalarına karşı gösteren grafiklerini çizer.
Q – Q :Bir değişkenin dağılımının dörtte birliklerini Normal dağılımın dörtte
birliklerine karşı gösteren grafiklerini çizer.
Yrd.Doç.Dr.Yüksel TERZĐ 44
UTILITIES :
SPSS ile çalışırken yararlanılan
kolaylıkları sunan seçenekleri içerir.
Variables :Değişkenlerle ilgili
bilgi verir. Değişkenin tipi, özelliği,
ölçü birimi gibi.
File Info:Üzerinde çalışılan
değişkenlerin özellikleri konusunda
toplu bilgi verir.
Run Script : Matrix dille yazılmış bir
macronun çalıştırılmasını sağlayan
bir seçenektir.
Yrd.Doç.Dr.Yüksel TERZĐ 45
HELP :
SPSS ile çalışırken SPSS komutları hakkında ayrıntılı yardım
almayı sağlayan bir seçenektir.
Topics:SPSS konuları hakkında yardım seçenekleri görüntülemeyi
sağlar.
Tutorial :SPSS ile çalışmaya yeni başlayanlara bilgi veren bir
seçenektir.
SPSS Home Page : Đnternete bağlı bir bilgisayar ile SPSS INC
tarafından oluşturulan WEB sayfasına ulaşarak bilgilenmeyi
sağlayan bir seçenektir.
Command Syntax Reference : SPSS’de menüler aracılığı ile yapılan
işlemlerin SPSS komutları cinsinden yazılımlarını irdelemek amacıyla
bilgi alınan bir seçenektir.
Yrd.Doç.Dr.Yüksel TERZĐ 46
1. İSTATİSTİĞE GİRİŞ
Karşımıza çıkan bir istatistik sonucun sorgulanması:
Önce bilinçli sapma olup olmadığına bakılır. İşe
yarayan veriler seçilmiş, işe yaramayan veriler örtbas
edilmiş olabilir.
Uygun olmayan ölçü kullanılmış olabilir. Medyan
yerine aritmetik ortalama gibi.
Örneklem güvenilir bir sonuç verecek kadar büyük
mü? Korelasyon bir anlam verecek kadar büyük mü?
Güvenilirlik ölçüsü (olası hata, standart hata)
verilmeden önünüze konan bir korelasyon ciddiye
alınmaz.
Yrd.Doç.Dr.Yüksel TERZĐ 47
Bazen oranlar verilir, ancak sayılar ortada görünmez. Bu
yanıltıcı olabilir. Mesela sınıftaki %33 (1/3) bankacılar ile
evlenmiştir. Ancak burada kızların sayısı belirtilmemiştir.
Bu sınıfta 3 kız vardır ve biri bankacı ile evlenmiştir.
Bazen olgulardaki değişikliğe neden olan faktör görünmez.
Mesela Ekim ayı perakende satışları geçen yılın Ekim ayına
göre artış göstermiştir. Ancak burada özel olan durum, bu
seneki ekim ayının ramazan ayına denk gelmesidir. Bu
ayrıntı açıklamada yer almamıştır.
İstatistiği değerlendirirken elde edilmiş sayılardan sonuca
giderken bir saptırma yapılıp yapılmadığına bakılır. Mesela
Çin’de bir bölgenin nüfusu 28 milyon bulunmuştur. Aynı
bölgenin 5 yıl sonraki nüfus sayımı ise 105 milyon çıkmıştır.
Ancak burada hangi sayımın yapıldığı belirtilmemiştir.
Birinci sayım vergi ve askerlik için, ikinci sayım ise gıda
yardımı üzerine yapılmıştır.
Yrd.Doç.Dr.Yüksel TERZĐ 48
ĐSTATĐSTĐKTE YAPILAN HATALAR
Sürekli verilerin kategorik verilere dönüştürülerek analiz edilmesi
Eşli gözlemlerin ortalamalarının eşler arası farklılığın belirtilmeden
verilmesi
Tanımlayıcı istatistiklerin yanlış kullanılması (örn: ortalamanın
kullanılmaması gereken yerde ortalamanın kullanılması vb)
Metin içindeki, tablodaki ve grafiklerdeki verilen istatistiklerin
uyumlu olmaması
Değişim ölçüsü olarak ortamla yanında SEM (ortalamanın standart
hatası)in kullanılması (Bu ölçüt daha küçük olduğu için örneklemin
daha hassas olduğunu işaret için kullanılmaktadır. Ortalamanın
değişimi ile ilgili bir istatistik verilmek istenirse %95 lik güven sınırını
vermek daha uygundur)
Test İstatistikler verilmeden, sadece p değerinin verilmesi
İstatistik testler için gerekli olan varsayımlar karşılanmadan bu
testlerin analiz için kullanılması
İlişkinin doğrusal olup olmadığı kontrol edilmeden doğrusal
regresyon analizinin kullanılması
Tüm deneklerin veya verinin analizde kullanılmaması, aşırı
değerlerin beklenen sonucu desteklemesi durumunda analizde
bırakılması, aksi halde atılması
Yrd.Doç.Dr.Yüksel TERZĐ 49
ĐSTATĐSTĐKTE YAPILAN HATALAR
• • Çoklu karşılaştırma testlerinde düzeltme gereksiniminin kontrol
edilmemesi veya ne şekilde bir düzeltme yapıldığının
açıklanmaması
• • Ş Şekil ve tablolar ekil ve tabloları ın okuyucuya yard n okuyucuya yardı ımc mcı ı olmas olması ın nı ı sa sağ ğlamak yerine lamak yerine
sadece verileri depolamak ama sadece verileri depolamak amaç çl lı ı kullan kullanı ılmas lması ı
• • Grafik ve Grafik ve ç çartlar artları ın n verdi verdiğ ği g i gö örsel mesajlar rsel mesajları ın verinin sa n verinin sağ ğlad ladığı ığı
mesajlarla uyumsuz g mesajlarla uyumsuz gö ör rü ünmesi nmesi
• • Tan Tanı ı testleri rapor edilirken testleri rapor edilirken “ “normal normal” ” ve ve “ “anormal anormal” ” kelimelerinin kelimelerinin
kullan kullanı ılmas lması ı ( (çü çünk nkü ü normalin tan normalin tanı ım mı ı farkl farklı ı yerlerde farkl yerlerde farklı ı
anlamlarda kullan anlamlarda kullanı ılabilmektedir) labilmektedir)
• • Tan Tanı ı testlerinin sonu testlerinin sonuç çlar ları ı ( Duyarl ( Duyarlı ıl lı ık ve k ve ö özg zgü üll llü ük vb) verilirken k vb) verilirken
hesaplamada kullan hesaplamada kullanı ılan testlerin lan testlerin ö özellikleri a zellikleri aç çı ıklanmamas klanmaması ı
• • Sonu Sonuç çlar ları ın yorumlanmas n yorumlanması ı ve rapor edilmesi esnas ve rapor edilmesi esnası ında nda
g gö özlemlerin birimlerinin kar zlemlerin birimlerinin karış ışt tı ır rı ılmas lması ı veya g veya gö öz ard z ardı ı edilmesi edilmesi
• • Test sonucunda bulunan istatistiki olarak Test sonucunda bulunan istatistiki olarak ö önemsiz nemsiz
kar karşı şıla laş şt tı ırmalar rmaları ın hi n hiç çbir anlam bir anlamı ı olmad olmadığı ığı d dü üş şü üncesi ile ncesi ile
verilmemesi verilmemesi
Yrd.Doç.Dr.Yüksel TERZĐ 50
İstatistik üç farklı anlamda kullanılır.
Yığın olayları incelemek, olaylarla ilgili toplanan verileri analiz
etmek, olayların sebep ve sonuçlarını açıklamak, aralarındaki
ilişkileri ortaya koymak için kendine özgü yöntemleri olan bir
bilim dalıdır.
Olayların nicel ve nitel yönlerinin tablolar, grafikler veya
sayısal değerler şeklindeki özet ifadelerdir. Ölüm istatistikleri,
doğum istatistikleri, göç istatistikleri, kaza istatistikleri gibi özet
bilgiler istatistikler olarak adlandırılır.
Örneği oluşturan birimlerden hesaplanmış, ana kütleyi
tanımlayan değerlere karşılık gelen değerlerdir. Örnek
ortalaması, örnek varyansı gibi.
İstatistik, geçmişi ve şimdiki durumu çeşitli sayısal
tekniklerle analiz ederek gelecek hakkında karar vermeyi
sağlayan bir bilim dalıdır.
Yrd.Doç.Dr.Yüksel TERZĐ 51
BAZI ÖNEMLĐ TERĐMLER
Anakütle (Populasyon=Evren=Toplum) :
Üzerinde inceleme veya araştırma yapılacak
olayın gözlenebileceği tüm birimlerin yer aldığı
topluluktur. Bir fabrikanın ürettiği aynı türden
ilaçlar anakütleyi oluşturur.
Örnek(sample=örneklem): Anakütleyi temsil
edebilecek özelliklere sahip daha az sayıda
birimden oluşan topluluktur. Fabrikada üretilen
ilaçlardan rasgele alınan 20 kutu ilaç örnektir.
Yrd.Doç.Dr.Yüksel TERZĐ 52
Birim(olgu=case=denek): Üzerinde gözlem ve ölçüm yapılan ve
anakütleyi oluşturan en küçük öğe. Birimler canlı yada cansız
varlıklar olabileceği gibi, kurum, kuruluş da olabilir. Her ilaç(veya
her kutu) bir birimi oluşturabilir.
Birimlerin mutlaka sayılabilir veya ölçülebilir özelliklere
sahip olması gerekir. Bu yüzden zevk, koku, rüya gibi ifadeler
birime örnek kabul edilemez.
İstatistikte birimin homojen(eşitlik) olması şartı da aranır.
Aynı tanıma uygun birimlere homojen denir. Birimler belli bir
tanıma uyduklarında “biçimsel homojenlik” olur. Örneğin
Üniversite öğrencileri arasında biçimsel homojenlik vardır. Eğer
öğrenciler arasında boy, yaş gibi eşitlik varsa (ki bu zordur)
“maddi homojenlik” olduğu söylenebilir. İstatistiğin ilgi duyduğu
biçimsel homojenliktir. Maddi homojenliğe zor ender rastlanılır.
Biçimsel homojenliği gerçekleştirebilmek için birimin açık ve
kesin bir tanımı muhakkak verilmelidir. Böyle bir tanımın
verilmemesi durumunda gözlemcilerin topladıkları veriler bir
araya getirildiğinde elde edilen sonuç bir anlam taşımaz. Çünkü
kütle homojen olmayan birimlerden oluşmuş olur. Örneğin genel
nüfus sayımında kimler hakkında bilgi toplayacağız? Sayımın
yapıldığı ülkenin vatandaşlarını mı, yoksa hem bunları hem de
sayım anında ülke sınırları içinde yaşayan veya bulunan
yabancıları mı dikkate alacağız? Bu gibi durumlarda tanımın çok
açık yapılması gerekmektedir.
Yrd.Doç.Dr.Yüksel TERZĐ 53
µ
σ
2
Anakütle
Örnek Örnekleme
N
n
Parametre
İstatistik
S
2
X
Parametre: Anakütleyi tanımlamada kullanılabilen tipik
değerlerdir. Anakütle ortalaması, anakütle varyansı gibi
değerlerdir.
İstatistik: Örneği oluşturan birimlerden hesaplanmış,
anakütleyi tanımlayan değerlere karşılık gelen değerlerdir.
Örnek ortalaması, örnek varyansı gibi.
Yrd.Doç.Dr.Yüksel TERZĐ 54
ÖRNEKLEME NĐÇĐN GEREKLĐDĐR ?
1. Popülasyonun hepsini incelemek çok masraflı
olabilir. Popülasyondan alınacak küçük örnekler
yardımı ile gerçeğe yakın bilgiler elde edilebilir.
2. Popülasyonla yapılacak bir çalışma çok uzun
zamana ihtiyaç gösterebilir. Halbuki örnekle
çalışılırsa kısa zamanda gerçeğe yakın bilgiler kısa
zamanda elde edilebilir.
3. Bir çok durumda gözlemlerin elde edilmesi
deneklerin yok edilmesini gerektirebilir. Örneğin bir
ilaç üzerinde deneme yapılıyorsa fabrikanın ürettiği
tüm ilaçları denemeye almak ve yok etmek mümkün
değildir.
4. Küçük sayıda örneklerle çalışılırken daha hassas
çalışma yapmak ve daha dikkatli ölçüm almak, daha
hassas alet ve yöntemler kullanmak mümkündür.
Yapılan işin denetlenmesi de daha kolay olur.
Yrd.Doç.Dr.Yüksel TERZĐ 55
Ö Örneklem b rneklem bü üy yü ükl klü üğ ğü ün nü ün hesaplanmas n hesaplanması ına ili na iliş şkin form kin formü üller ller
Nitel
(oran)
Nicel
(Ortalama)
N>10.000 N<10.000
Değişken
Türü
2 2 2
2 2
) )( 1 (
α
α
σ
σ
Z SH N
Z N
n
+ −
=
2
2 2
) (SH
Z N
n
α
σ
=
2 2
2
) )( 1 (
α
α
PQZ SH N
NPQZ
n
+ −
=
2 2
2
) (
α
α
PQZ SH
PQZ
n
+
=
P: evrende bir olay P: evrende bir olayı ın g n gö özlenme oran zlenme oranı ı
Q=1 Q=1- -P P
Yrd.Doç.Dr.Yüksel TERZĐ 56
Evren b Evren bü üy yü ükl klü üklerine kar klerine karşı şıl lı ık k ö örneklem b rneklem bü üy yü ükl klü üğ ğü ü
100.000-384
8000-367 2600-335 1400-302 750-254 420-201 270-159 180-123 95-76 50-44
75000-382 7000-364 2400-331 1300-297 700-248 400-196 260-155 170-118 90-73 45-40
50000-381 6000-361 2200-327 1200-291 650-242 380-191 250-152 160-113 85-70 40-36
40000-380 5000-357 2000-322 1100-285 600-234 360-186 240-148 150-108 80-66 35-32
30000-379 4500-354 1900-320 1000-278 550-226 340-181 230-144 140-103 75-63 30-28
20000-377 4000-351 1800-317 950-274 500-217 320-175 220-140 130-97 70-59 25-24
15000-375 3500-346 1700-313 900-269 480-241 300-169 210-136 120-92 65-56 20-19
10000-370 3000-341 1600-310 850-265 460-210 290-165 200-132 110-86 60-52 15-14
9000-368 2800-338 1500-306 800-260 440-205 280-162 190-127 100-80 55-48 10-10
N – n N – n N – n N – n N – n N – n N – n N – n N – n N – n
Yrd.Doç.Dr.Yüksel TERZĐ 57
ÖLÇME DÜZEYLERİ
1. Adlandırma
2. Sıralama
3. Aralık
4. Oran
1. Adlandırma Ölçeğinde sayılar sadece bir isim gibidir,
büyüklük, küçüklük söz konusu değildir. Bir koşu
pistinde 6 numaralı koşucu ile 10 numaralı
koşucunun iyilik yönünden farklı olmadığı gibidir.
Örneğin, psikiyatride hastalar şizofrenik, paranoid,
manyak depresif, psikonörotik gibi isimlendirilir. Bu
isimler hastalığın tipine ait sembollerdir. Bu
isimlendirme A,B,C,D, veya 1,2,3,4,5 diye de
yapılabilirdi. Bu tip verilerde özellikle parametrik
olmayan istatistikler kullanılır.
Yrd.Doç.Dr.Yüksel TERZĐ 58
2. Sıralama ölçeği: Bu ölçekte bir büyüklük veya
önemlilik söz konusudur. Kişilerin eğitim
durumunu gösterirken, Eğitimsiz=1, İlkokul=2,
Ortaokul=3, Lise=4, Üniversite=5, Yüksek
lisans=6 kodları verildiğinde sayı büyüdükçe
eğitim düzeyinin arttığı anlaşılır. Ancak 1 ile 2
arasındaki mesafe ile 5 ile 6 arsındaki mesafe
aynı değildir. Yani sıralama ölçeğinde kod olarak
kullanılan sayılar arasındaki mesafe önemli
değildir. Sıralamada en iyiye büyük sayı
verilebileceği gibi küçük sayıda verilebilir, bu
kullanılacak analiz yöntemini değiştirmez. Bu
ölçekle elde edilmiş verilerde ortalama yerine
medyan kullanılır, daha çok parametrik olmayan
testler kullanılır.
Yrd.Doç.Dr.Yüksel TERZĐ 59
3. Aralık Ölçeği: Bu ölçekte kod sayıları arasındaki
mesafenin önemi vardır. Ölçü biriminin ve sıfır
noktasının seçimi arzuya bağlıdır. Sayılar arası
mesafelerin anlamı önemlidir. Bu tip sayılar
toplanarak ortalama alınabilir.
Bu ölçekte sıfır değeri hiçlik belirtmez.
Örneğin bir ersin sınavından sıfır puan alan
öğrencilerin ders konuları ile ilgili hiçbir şey
bilmediği düşünülemez. Sıcaklık, zeka, yetenek,
performans puanı gibi nicel değişkenlere ait
ölçümler aralık ölçeğindedir.
Yrd.Doç.Dr.Yüksel TERZĐ 60
4. Oran Ölçeği: Bu ölçekte her zaman bir
mutlak sıfır noktası vardır. Ağırlık oran
ölçeğinde bir değişkendir, çünkü sıfır
ağırlığında olabilir. Sayılarak elde edilen
değişkenlerin çoğu oran ölçeğindedir,
örneğin; geçen 6 aydaki hasta sayısı nedir
dendiğinde, bu sıfır olabilir. 1. Altı aydaki
hasta 2. Altı aydaki hastanın iki katıdır
dendiğinde bunu bir anlamı vardır.
Yrd.Doç.Dr.Yüksel TERZĐ 61
Ölçeklerin Güç Hiyerarşisi
Sonuçlar sadece isim
(en zayıf ölçek)
Adlandırma
Sonuçlar sıralanabilir Sıralama
Değerler arası mesafe önemli Aralık
Mutlak sıfır noktası var
(en güçlü ölçek)
Oran
Yrd.Doç.Dr.Yüksel TERZĐ 62
Yrd.Doç.Dr.Yüksel TERZĐ 63
İSTATİSTİĞİN GÖREVİ
İstatistikte genellikle şu sıraya uyulur:
1. Verilerin toplanması
2. Toplanan verilerin işlenip düzenlenmesi
3. Düzenlenmiş verilerin tablolar ve/veya
grafikler şeklinde gösterilmesi
4. İstatistiksel analiz, tahmin
5. Karar vermek
Yrd.Doç.Dr.Yüksel TERZĐ 64
UYGUN ĐSTATĐSTĐK TEKNĐĞĐN BELĐRLENMESĐ
Araştırmanın Amacı : Uygulanacak test araştırmanın amacına uymalıdır.
Örneklem Yöntemi : Örneklemin yansız olarak seçilmesi gerekir.
Değişkenlerin Türü : Değişkenlerin hangisinin bağımlı-bağımsız ve
hangisinin nitel-nicel olduğu belirlenmelidir.
Bağımlı Değişkenlerin Ölçüm Düzeyi : Sınıflama-sıralama-aralık-oran
Karşılaştırmanın bağımsız gruplar arasında mı yoksa ilişkili ölçümler
arasında mı olduğu belirtilmelidir.
Parametrik Test Koşulları:
Veriler nicel olmalı
Veriler Normal Dağılıma sahip olmalı
Varyanslar homojen olmalı yani dağılımların yaygınlıkları benzer
olmalı
Örneklemi oluşturan birimler popülasyondan (evrenden) yansız
olarak seçilmeli
Örneklemi oluşturan birimler birbirinden bağımsız olmalı (bir
birimin seçimi diğer birimin seçimini etkilememeli)
Örneklem büyüklüğü 10’dan az olmamalıdır.
Yrd.Doç.Dr.Yüksel TERZĐ 65
Friedman Testi Tekrarlı ölçümler
için ANOVA
İlişkili III veya daha
fazla grup
Kruskal-Wallis H
Testi
Varyans Analizi Bağımsız III veya
daha fazla grup
Wilcoxon
Eşleştirilmiş Testi
İlişkili Ölçümler
için T Testi
İlişkili-Bağımlı
II.Grup
Mann-Whitney
U Testi
Bağımsız örnekler
için T testi
Bağımsız II Grup
İşaret Testi Tek grup için
Z ve T testi
I.Grup-örneklem
Parametrik
Olmayan Testler
Parametrik Testler Karşılaştırma
Yrd.Doç.Dr.Yüksel TERZĐ 66
Adlandırma Ölçeğinde ölçülen verilerin
Farklılığının Testi
Z yaklaşımı
ile test
n.p >=5
n.q>=5
Binom testi
n.p<5
n.q<5
1 Grup Var
Mc Nemar
Testi
Gruplar
Bağımsız
Değil
Fisher
Exact testi
Beklenen
Değer
Küçük
Khi Kare testi
veya
Z yaklaşımı
Beklenen
Değer
Büyük
Gruplar
Bağımsız
2 Grup Var
Khi Kare Analizi
için Sınıf
Birleştir
Beklenen
Değer
Küçük
Khi Kare
Analizi
Beklenen
Değer
Büyük
Gruplar
Bağımsız
Cochran-Q
testi
Gruplar
Bağımlı
3 veya Daha
Fazla Grup Var
Grup Sayısı
Yrd.Doç.Dr.Yüksel TERZĐ 67
1 veya 2 Grup Olduğunda Sıralama ve Aralık Ölçeğindeki
Verilerin Farklılığının Testi
t Testi
Uygula
n>=30
t Testi
Uygula
Dağılış
Normal
Dönüşüm yap
ve t Testi
uygula
İşaret Testi
uygula
Dağılış
Normal
Değil
n<30
1 Grup Var
t Testi
uygula
n>=30
t Testi
Uygula
Varyanslar
Eşit
t testi
uygula
n ler Eşit
serbestlik
derecesi
düzeltilmiş
t testi uygula
n ler
eşit değil
Varyanslar
Eşit
Değil
Dağılış
Normal
Wilcoxon
Rank sum
testi
Dönüşüm ve
t testi
Dağılış
Normal Değil
n<30
Gruplar
Bağımsız
t-Eşli
karşılaştırma
n>=30
t-Eşli
Karşılaştırma
Dağılış
Normal
Dönüşüm ve
t testi
Wilcoxon
signed rank
testi
Dağılış
Normal
Değil
n<30
Gruplar
Bağımlı
2 Grup Var
Grup Sayısı
Yrd.Doç.Dr.Yüksel TERZĐ 68
Sıralama ve Aralık Ölçeğinde 3 veya Daha Fazla
Grup Olduğunda Farklılığın Testi
k-Faktör için
Kruskal-Wallis
Testi
Dağılış
Normal
Değil
2 Yönlü veya
Diğer Varyans
Analizleri
2 veya Daha
Fazla faktör var
Tek Yönlü
Varyans
Analizi
1 Faktör
Var
Dağılış
Normal
Gruplar
Bağımsız
Tekrarlanan
Ölçümlü
Varyans
Analizi
Dağılış
Normal
Friedman
Testi
Dağılış
Normal
Değil
Gruplar
Bağımlı
3 veya Daha
Fazla Grup
Var
Yrd.Doç.Dr.Yüksel TERZĐ 69
1 Bağımlı 1 Bağımsız Değişken Durumunda
İlişki Bulunması
Göreli(Relative)
Risk Analizi
Sınıflayıcı
Ölçekte
Spearman
Sıra Korelasyon
Katsayısı
Sıralayıcı
Ölçekte
Regresyon
Analizi
Bir Değişken
Diğerinden
Tahmin
Edilecek
Pearson
Korelasyon
Katsayısı
Bir Değişken
Diğerinden Tahmin
Edilmeyecek
Aralık
Ölçeğinde
Heriki Değişkenin
Ölçeği
Yrd.Doç.Dr.Yüksel TERZĐ 70
Bağımsız Değişken Sayısı 2 Veya Daha Fazla Olması Durumu
Kaplan-Meier veya
Actuarial
Analiz
Sansürlenmiş
(censored)
Gözlem Var
Log-Linear
Analiz
Etki Karışımlı
(Confounding)
Değişken Yok
Mantel-Haensel
Analizi
Etki Karışımlı
(Confounding)
Değişken Var
Sansürlenmiş
Gözlem Yok
Bağımlı
Değişken
Sınıfsal
Ölçekli
Cox-Proportinal
Hazard Modeli
Sansürlenmiş
Gözlem Var
Varyans Analizi
Sansürlenmiş
Gözlem Yok
Bağımlı Değişken
Aralık
Ölçekli
Sınıfsal
Ölçekli
Lojistik
Regresyon
Bağımsız
Değişken Şık
Sayısı 2
(Binary)
Diskriminant
Analizi
Bağımsız
Değişken Şık
Sayısı 3
veya Daha fazla
Bağımlı Değişken
Sınıfsal
Ölçekli
Cox- Proportional
Hazard
Modeli
Sansürlenmiş
Gözlem
Var
Kovaryans
Analizi
Confounding
Değişken
Var
Çoklu
Regresyon
Analizi
Confounding
Değişken
Yok
Sansürlenmiş
Gözlem
Yok
Bağımlı Değişken
Aralık
Ölçekli
Sıralayıcı
veya Aralık Ölçekli
Bağımsız Değişkenlerin
Ölçeği
Yrd.Doç.Dr.Yüksel TERZĐ 71
GRAFİKLER
Grafikler gözlem sonuçlarının anlaşılması
kolaylaştırır. Çünkü ilk bakışta görsel kolaylık
sağlarlar. Ancak grafikler rakamlar derecesinde
önemli değildir. Çünkü grafiksiz istatistik olabilir ancak
rakamsız grafik asla olamaz. Ayrıca grafikler büyük
farkları ve değişimleri gösterebilir. Ancak küçük farklar
ve değişimleri gösteremez. Çeşitli grafik türleri vardır.
Bar (Çubuk) Grafiği: Nominal ve ordinal verilerin
grafiklerinin yapılması için uygundur. Bu grafik yatay
eksende kategori etiketleri belirtilirken, her kategori ile
frekans veya yüzdeyi temsil eden dikey çubuklar
çiziminde oluşur.
Yrd.Doç.Dr.Yüksel TERZĐ 72
Yrd.Doç.Dr.Yüksel TERZĐ 73
Yrd.Doç.Dr.Yüksel TERZĐ 74
Yrd.Doç.Dr.Yüksel TERZĐ 75
Yrd.Doç.Dr.Yüksel TERZĐ 76
Scatter Scatter/ /Dot Dot Grafi Grafiğ ği i
Yrd.Doç.Dr.Yüksel TERZĐ 77
Yrd.Doç.Dr.Yüksel TERZĐ 78
Pie Pie (pasta) Grafikleri (pasta) Grafikleri
Yrd.Doç.Dr.Yüksel TERZĐ 79
Yrd.Doç.Dr.Yüksel TERZĐ 80
Histogram Histogram Grafikleri Grafikleri
Yrd.Doç.Dr.Yüksel TERZĐ 81
Yrd.Doç.Dr.Yüksel TERZĐ 82
Boxplot Boxplot (Kutu) Grafikleri (Kutu) Grafikleri
Yrd.Doç.Dr.Yüksel TERZĐ 83
Yrd.Doç.Dr.Yüksel TERZĐ 84
398 N =
Gelir
50
40
30
20
10
0
330
KUTU GRAFİĞİ (BOX PLOT)
Uç nokta
Uç nokta olmayan
en büyük değer
75. yüzdelik(3. çeyrek)
50. yüzdelik(medyan)
25. yüzdelik(1. çeyrek)
Uç nokta olmayan
en küçük değer
Yüzdeliklere dayanan ve tanımlayıcı istatistikleri kullanan bir grafik türüdür.
Yrd.Doç.Dr.Yüksel TERZĐ 85
STEM&LEAF GRAFĐĞĐ (DAL VE YAPRAK GRAFĐĞĐ)
YAS Stem YAS Stem YAS Stem YAS Stem- -- -and and and and- -- -Leaf Plot Leaf Plot Leaf Plot Leaf Plot

Frequency Stem & Leaf Frequency Stem & Leaf Frequency Stem & Leaf Frequency Stem & Leaf

1,00 2 . 9 1,00 2 . 9 1,00 2 . 9 1,00 2 . 9
4,00 3 . 0234 4,00 3 . 0234 4,00 3 . 0234 4,00 3 . 0234
5,00 3 . 56789 5,00 3 . 56789 5,00 3 . 56789 5,00 3 . 56789
5,00 4 . 01234 5,00 4 . 01234 5,00 4 . 01234 5,00 4 . 01234
5,00 4 . 56789 5,00 4 . 56789 5,00 4 . 56789 5,00 4 . 56789
5,00 5 . 01234 5,00 5 . 01234 5,00 5 . 01234 5,00 5 . 01234
4,00 5 . 6789 4,00 5 . 6789 4,00 5 . 6789 4,00 5 . 6789
4,00 6 . 0123 4,00 6 . 0123 4,00 6 . 0123 4,00 6 . 0123
2,00 6 . 69 2,00 6 . 69 2,00 6 . 69 2,00 6 . 69
3,00 7 . 013 3,00 7 . 013 3,00 7 . 013 3,00 7 . 013
3,00 7 . 578 3,00 7 . 578 3,00 7 . 578 3,00 7 . 578
Stem width: 10,00 Stem width: 10,00 Stem width: 10,00 Stem width: 10,00
Each leaf: 1 case(s) Each leaf: 1 case(s) Each leaf: 1 case(s) Each leaf: 1 case(s)
Analyze>Descriptive statistics>Explore yolu ile Plots tuşu seçilerek Stem-and leaf
işaretlenir.
Burada stem (dal) ve leaf (yaprak) anlamındadır.
Yukarıdaki tabloda örneğin “4,00 3.0234” satırı 30 ile 34 değerleri arasında
4 değer olduğunu gösterir. Tablo altındaki Stem width : dal genişliğini,
Each leaf : her yapraktaki deneklerin tek tek gösterildiğini ifade eder.
Yrd.Doç.Dr.Yüksel TERZĐ 86
2. MERKEZĐ EĞĐLĐM ÖLÇÜLERĐ (ORTALAMALAR)
(Measures of Central Tendency)
“Başı fırında ayakları buzdolabında olan bir adam ortalama olarak
rahattır” Malcolm E.Lines
Bir mahalledeki ortalama gelir düzeyi bir araştırmaya göre yılda
15000€, diğerine göre ise 5000€ çıkmıştır. Đki sonuçta aynı kişi ve yerden
bulunmuştur. Burada ki hile “ortalama” kelimesidir. Çünkü hangi ortalama
olduğu belirtilmemiştir. Eğer büyük bir sayıya ulaşmak istiyorsanız aritmetik
ortala, küçük bir sayıya ulaşmak için en çok tekrarlanan değer olan mod
kullanılabilir.
Sayı yığınlarının kolayca anlaşılması için sayı yığınlarının en fazla
yığıldığı bölgeyi tarif eden tipik değerlerin verilmesi gerekir. Bu değerler
dağılışın merkezini gösterdikleri için merkezi eğilim ölçüleri olarak da
bilinir. Đstatistikte bir seriyi temsil etmeye yarayan tek bir rakama ortalama
denir.
Ortalamalar serinin bütün terimlerinin hesaba katıldığı ortalamalar
(duyarlı ortalamalar) ve serinin bütün terimlerinin hesaba katılmadığı
ortalamalar (duyarlı olmayan ortalamalar) diye ikiye ayrılır.
Yrd.Doç.Dr.Yüksel TERZĐ 87
2.1. Duyarlı Ortalamalar

Tablo 2.1. Duyarlı ortalamalara ilişkin genel formüller aşağıdaki
gibidir:

Basit Serilerde
r
r
i
r
N
X
O

=
Sınıflanmış Serilerde
r
i
r
i i
r
f
X f
O


=




Duyarlı Ortalamalar
Gruplanmış Serilerde
r
i
r
i i
r
f
m f
O


=

Burada r’ye -∞ ile +∞ arasında değerler verilerek sonsuz ortalama
bulunabilir. r=-∞ olması durumunda ortalamanın X
min
olmasına, r=+∞
olması durumunda ise X
max
olacağı ispatlanabilir. Yani r arttıkça ortalama
büyümekte, r azaldıkça ise küçülmektedir.

Yrd.Doç.Dr.Yüksel TERZĐ 88
2.1.1. Aritmetik Ortalama
Aritmetik ortalama deneklerin aldıkları değerlerin toplanıp
denek sayısına bölünmesiyle elde edilen değerdir. Tablo 2.1.’de r=1
alındığında aritmetik ortalama formülleri elde edilir.
Basit
Serilerde
N
X
X
i

=
Sınıflanmış
Serilerde


=
i
i
i
f
X f
X


Aritmetik
Ortalama
Gruplanmış
Serilerde


=
i
i
i
f
m f
X

Yrd.Doç.Dr.Yüksel TERZĐ 89
2.1.2. Geometrik Ortalama

X
i
: {X
1
,X
2
,…, X
n
} pozitif sayılar kümesinin geometrik ortalaması,
sayıların çarpımlarının N nci dereceden köküdür.


Tablo 2.1.’de r=0 yada r→0 için limit alınarak geometrik ortalama
formülleri bulunabilir.
Basit Serilerde
N
X
GO
i

=
log
log
Sınıflanmış Serilerde


=
i
i
i
f
X f
GO
log
log




Geometrik
Ortalama
Gruplanmış Serilerde


=
i
i
i
f
m f
GO
log
log

Geometrik ortalama, terimlerinin logaritmalarının aritmetik
ortalamasının antilogaritmasına eşittir.
N
n
X X X .... GO Ortalama Geometrik
2 1
= =
Yrd.Doç.Dr.Yüksel TERZĐ 90
Geometrik Ortalamanın Özellikleri
I. Geometrik ortalama özellikle aynı oranda artma yada azalma
eğilimi gösteren olaylara ilişkin serilere uygulanır. Örneğin
nüfus çoğalması, bakteri üremesi gibi geometrik dizilerde birim
zamandaki artışı bulmak için GO kullanılır.
II. Simetrik olmayan ancak logaritmaları alındığında simetrik hale
dönüşen serilere geometrik uygulama uygulanabilir.
III. Serideki terimler arasında bazı değerler sıfır veya negatifse GO
hesaplanamaz.
IV. Geometrik uygulama aşırı uç değerlerden aritmetik ortalamaya
göre daha az etkilenir.
V. GO ≤ AO ilişkisi vardır. Bütün X
i
ler eşitse GO=AO olur.
VI. Seri terimlerinin k. kuvvetlerinin geometrik ortalaması,
geometrik ortalamanın k. kuvvetine eşittir.

[ ] [ ] [ ]
k
k
N
N
N
k
N
N
k
N
k k
GO X X X X X X X X X = = =
/ 1
2 1
/ 1
2 1
/ 1
2 1
) ( ) ( ) ( ) ( ) ( K K K


Yrd.Doç.Dr.Yüksel TERZĐ 91
2.1.3. Harmonik Ortalama

X
i
:{ X
1
,X
2
,…, X
n
} değerlerinin harmonik ortalaması:



Harmonik ortalama terimlerin terslerinin aritmetik ortalamasının
tersidir. Tablo 2.1.’de r=-1 alınırsa harmonik ortalama formülleri elde
edilir.
Basit Serilerde

=
i
X
N
HO
1

Sınıflanmış
Serilerde


=
i
i
i
X
f
f
HO



Harmonik
Ortalama
Gruplanmış
Serilerde


=
i
i
i
m
f
f
HO


=
=
N
i
i
X
1
1
N
1
1
Ortalama Harmonik
Yrd.Doç.Dr.Yüksel TERZĐ 92
Harmonik Ortalamanın Özellikleri
I. Serideki terimlerden biri sıfır ise harmonik ortalama sıfır çıkar.

II. Seri terimleri farklı işaretli olursa harmonik ortalamanın sonucu
anlam taşımaz.
Mesela verilerimiz -4, -2, 1,2,5 olsun. Buna göre HO=5.05 çıkar.
Bu sonuç, bir ortalama maksimum değerden daha büyük bir
değere sahip olamayacağı için, ortalama olarak kabul edilmez.
05 . 5
5
1
2
1
1
1
2
1
4
1
5
=
+ + +

+

= HO

III. HO ≤ GO ≤ AO ilişkisi vardır.

IV. HO sınırlı hallerde kullanılır. Tersine çevrildiğinde taşıyacağı
anlama önem verilen oran türündeki niceliklerin ortalamasını
bulmak için kullanılır. Bu niceliklere örnek olarak
fiyat=para/mal, prodüktivite=iş/emek, verim=ürün/ekim alanı,
hız=uzaklık/zaman verilebilir.
Yrd.Doç.Dr.Yüksel TERZĐ 93
2.1.4. Kareli Ortalama


Kareli ortalama fiziksel uygulamalarda çok sık kullanılır. Tablo
2.1.’de r=2 alınırsa terimlerin karelerinin aritmetik ortalamasının
kareköküne eşit olan kareli ortalama formülleri bulunur.

Basit Serilerde
N
X
KO
i ∑
=
2

Sınıflanmış
Serilerde


=
i
i i
f
X f
KO
2





Kareli Ortalama
Gruplanmış
Serilerde


=
i
i i
f
m f
KO
2


Yrd.Doç.Dr.Yüksel TERZĐ 94
Kareli Ortalamanın Özellikleri

1. Kareli ortalama negatif işaretleri de dikkate
alabileceğinden HO ve GO’ya göre daha üstündür.

2. KO bazı istatistiksel işlemlerin kolaylıkla uygulanmasını
mümkün kılar. Örneğin bir değişkenlik ölçüsü olan
standart sapmanın hesabında kareli ortalamadan
yararlanılır.


3. HO ≤ GO ≤ AO ≤ KO ilişkisi vardır.
Yrd.Doç.Dr.Yüksel TERZĐ 95
2.2. Duyarlı Olmayan Ortalamalar
Duyarlı ortalamalarda bütün terimler veya sınıflar dikkate alınır.
Hesaplamalarda bazen serinin bütün terimleri veya sınıfları dikkate
alınmayabilir. Bu durumda duyarlı olmayan ortalamalar ortaya çıkar.

2.2.1. Ortanca (Medyan)
Sayılar kümesini iki eşit yarıya bölen değer ortanca değerdir
[(N+1)/2]. Gözlem değerleri büyüklük sırasına dizildiğinde tam ortada
kalan değer yada iki orta değerin aritmetik ortalamasıdır.

Örnek 2.22. X
i
: { 3,1,13,27,6,8,6 } gözlem değerlerinin ortancası
nedir?
Sayılar büyüklük sırasına dizilirse, { 1, 3, 6, 6, 8, 13, 27 } olur.
Ortada kalan sayı 6 olduğundan
Ortanca=6 olur.
Yrd.Doç.Dr.Yüksel TERZĐ 96
Medyanın Özellikleri
I. Basit bir sıralama ile bulunması mümkün olduğundan, medyan bir
çok durumda pratiktir. Örneğin bir grup öğrencinin boy
uzunluğunu teker teker ölçmeye gerek yoktur. Öğrenciler küçükten
büyüğe doğru sıralanıp ortadaki öğrenci (ler) ölçülerek ortanca boy
uzunluğu bulunabilir.
II. Seride açık (alt sınırı veya üst sınırı belli olmayan) sınıfların varlığı
halinde medyan hesabı önem kazanır.Medyan sınıfı serinin ilk sınıfı
olduğunda, sınıfın alt sınırı tahminsel olarak ele alınır.
III. Diğer ortalamaların aksine, gruplanmış serinin medyan hesabında
sınıf genişliklerinin tamamının eşit olması gerekmez.
IV. Medyan serideki anormal terimlerden etkilenmez.
Ortanca Kullanmanın sakıncaları nedir?
I. Ortancanın standart hatası aritmetik ortalamadan daha büyüktür.
II. Ortanca üzerinde cebirsel işlemler yapılamaz.
III. Farklı alt grupların ortancaları biliniyorsa bu gruplar
birleştiğinde ortanca nedir sorusu hesaplama ile bulunamaz.

Yrd.Doç.Dr.Yüksel TERZĐ 97
2.2.2. Kartiller

Küçükten büyüğe doğru sıralanmış bir seriyi 4, 10, 100 eşit
kısma bölen terimler vardır. Genel olarak kantil adı verilen bu
değerlerden dörde bölenler kartil (çeyreklikler), ona bölenler desil
(ondabirlikler) ve yüze bölenler santil (yüzdebirlikler) olarak
adlandırılır. Kartillerin sayısı 3, desillerin 9 ve santillerin sayısı 99
dur. Medyan 2. kartile, 5. desile ve 50. santile eşittir.
Kümeyi dört eşit parçaya bölen değerleri Q
1
, Q
2
, Q
3
ile
gösterelim. Bunlar birinci, ikinci ve üçüncü yüzdelik olarak
adlandırılır. Burada Q
2
medyandır.
Basit seride 1. kartil yani 1. yüzdelik (N+1)/4’üncü terimdir. 3.
kartil ise 3(N+1)/4’üncü terimdir.
Yrd.Doç.Dr.Yüksel TERZĐ 98
2.2.3. Tepe Değer(Mod)

Bir sayı kümesi içinde en fazla tekrarlanan değer varsa
o seriye tek modlu seri denir. Eğer bir seride birden fazla
aynı sayıda tekrarlanan değer varsa, bu tür serilere çok
modlu seri denir.

Yrd.Doç.Dr.Yüksel TERZĐ 99
Modun Özellikleri
I. Ortalamalar arasında mod en temsili olanıdır. Çünkü kütledeki
birimleri önemli bir kısmına uyar.
II. Sınıflanmış serilerde modun tamsayı olması gerçeğin daha iyi
yansıtılmasını sağlar. Örneğin bir bölgedeki ailelerin ortalama
çocuk sayıları hesaplandığında kesirli bir rakam elde
edilebilir. Oysa ortalama olarak mod alınırsa bu değer tam
sayı çıkacaktır.
III. Mod anormal terimlerin etkisi altında kalmaz. Örneğin çok
zengin bir kişinin köye taşındığını varsayalım. Bu kişinin gelir
düzeyi tek ve serinin sonunda olacağından modu etkilemez.
IV. Mod uygulamada farkına varılmadan en çok başvurulan
ortalamalardan biridir. Örneğin kundura ve hazır giyim eşyası
üretiminde en çok satılan numaralar ve bedenler dikkate alınır.
Buda mod demektir.
V. Adlandırma (nominal) ölçekli değişkenlerde mod kullanımı
uygundur.
Yrd.Doç.Dr.Yüksel TERZĐ 100
Modun Sakıncaları

Modun güvenirliliği azdır. Yani örnekten elde edilen
mod popülasyon modundan çok farklı olabilir.

Ortancada olduğu gibi mod üzerinde de cebirsel işlemler
yapılamaz.


Bazen verilerin ortalaması, ortancası olduğu halde modu
olmayabilir. Bütün değerler farklı ise mod yoktur.
Yrd.Doç.Dr.Yüksel TERZĐ 101
ORTALAMA TĐPĐNĐN SEÇĐMĐ
Ortalama kıyaslama amacıyla hesaplandığında Aritmetik Ortalama tercih
edilir. Çünkü Aritmetik Ortalama bütün terimler yada sınıflar üzerinden
hesaplanan en duyarlı ortalamadır.
Araştırmanın amacı seriyi kıyaslamayıp, seriyi temsil etmek ise yerine göre
Mod yada Medyan tercih edilir.
Terimlerin kendileri yerine oranları bizi ilgilendiriyorsa Geometrik Ortalama
tercih edilir.
Terimlerin tersleri ile ilgileniliyorsa Harmonik ortalama kullanılır.
Sıfır veya negatif işaretli değerlere sahip serilerde Harmonik ve Geometrik
Ortalama hesaplanamaz.
Sınıf genişlikleri eşit olamayan gruplanmış serilerde Medyanın hesaplanması
uygundur.
Seri terimleri arasında önem farkı bulunduğunda Tartılı Ortalama uygulanır.
Ortalama, ortanca ve mod arasında aşağıdaki genel ilişki vardır.
Ortalama – Mod= 3* ( Ortalama – Ortanca)
Sıralamalı ölçümlü özelliklerde veya bütün değerlerin elde edilmesinin uzun
zaman aldığı bazı durumlarda Medyanın kullanılması uygundur. Örneğin
öğrenme davranışının incelendiği bir araştırmada bazı bireyler çok geç
öğrenebilir, ortalama için bunu beklemek gerekir, Medyan için bunu
beklemeye gerek kalmaz.
Yrd.Doç.Dr.Yüksel TERZĐ 102
3. DEĞĐŞĐM ÖLÇÜLERĐ
(Measures of Variation)

Bir anakütleyi (popülasyonu) tanıtmak için, başka ana
kütlelerle karşılaştırabilmek için merkezi ölçüleri yanında
dağılışın genişliğini, değişkenliğin büyüklüğünü gösteren bir
başka tipik değerin verilmesi gerekmektedir. Bu tipik değer
değişim ölçüsüdür.

Ortalamaları eşit olan seriler, değişkenlikleri veya
bölüne şekilleri farklı olduğunda birbirine benzemez. Bu
nedenle serileri tam olarak tanımlayabilmek için
ortalamayı, değişimlerini ve bölünme şekillerini incelemek
gerekir.
Yrd.Doç.Dr.Yüksel TERZĐ 103
Örnek.
X
i
: { 49,49,49,50,51,52 } ; X =AO(X)= 50
Y
i
: { 35,41,50,55,58,61 } ; Y =AO(Y)= 50
Z
i
: { 15,21,33,49,90,92 } ; Z =AO(Z)= 50

Bu üç değişkenin ortalaması aynı olduğu halde X, Y ve
Z değişkenlerinin aldığı değerlerin en küçük ve en büyük
değerlerine bakıldığında birbirlerinden çok farklıdır. X
değerleri 50’nin etrafında çok yakın kümelendiği halde Z
değerleri 50 den çok uzakta yer almakta, yani daha büyük
değişim göstermektedir.
Bir popülasyonun bireylerinin değerleri arasındaki bu
değişimin bir ölçü ile ifade edilmesi gerekir. Bu ölçülere
yayılım veya değişim ölçüleri denir.
Yrd.Doç.Dr.Yüksel TERZĐ 104
3.1. Değişim Genişliği (Range)

En basit değişim ölçüsü Değişim Genişliğidir.

Değişim Genişliği = (En Büyük Gözlem – En Küçük Gözlem)

DG(X)= 52-49= 3
DG(Y)= 61-35= 26
DG(Z)= 92-15= 77

olur. Bu dağılışların grafiklerine bakıldığında aşağıdaki
şekilde bir görünüş söz konusudur.
Yrd.Doç.Dr.Yüksel TERZĐ 105
Z
X Y
Yrd.Doç.Dr.Yüksel TERZĐ 106
3.2.Standart Sapma
Kareli ortalama sapma adı verilen bu ölçü, terimlerin aritmetik
ortalamadan cebirsel sapmalarının kareli ortalamasıdır. Standart
sapma gözlemlerin ortalamadan ne kadar uzaklaştığını gösterir. Yani
gözlemler arasında ne kadar yaygınlık olduğunu ifade eder.
Standart sapma varyansın kare köküdür. Varyans birimsiz ifade
edildiği halde standart sapma ölçülen özelliğin birimi ile ifade edilir. Yani
milimetre yerine milimetre kare gibi veri biriminin karesinin
kullanılması uygun olmadığından, standart sapma kullanılır.
Ortalama etrafındaki saçılma fazla ise varyans büyük olacak,
dolayısıyla standart sapma da büyük çıkacaktır. Veri seti içinde aşırı
değer fazla ise bunların varyansı etkilemesi olağan karşılanabilir, ancak
birkaç aşırı değerin varyansı büyütmesi olağan karşılanmaz.
Dağılımdaki maksimum ve minimum değerler arasındaki farkı
dörde bölmek suretiyle, standart sapma kabaca tahmin edilebilir.
Moses’e göre standart sapma değeri, örnekteki gözlem değerleri
arasındaki varyasyonun derecesini tanımlayan bir istatistiktir.
Değişkenin dağılışı normal dağılış gösteriyorsa, standart sapma verilerin
ortalama etrafındaki dağılışını iyi bir şekilde açıklar.
Yrd.Doç.Dr.Yüksel TERZĐ 107
Bazen örnek verisine ilişkin standart sapma
hesaplanırken paydada N yerine N-1 alınır. Çünkü elde
edilen değer örneğin alındığı yığının standart sapmasını
daha iyi verir. N’in büyük değerleri için (N>30) iki tanım
arasında bir fark yoktur.
Gözlem değerlerinin tamamı birbirine eşit
olamayacağından standart sapmanın değerleri pozitiftir.
Yrd.Doç.Dr.Yüksel TERZĐ 108
Basit Serilerde
N
X X
s
i


=
2
) (

Sınıflanmış Serilerde



=
i
i
i
f
X X f
s
2
) (




Standart Sapma
Gruplanmış Serilerde



=
i
i
i
f
X m f
s
2
) (



Kitle :
Örnek:
Standart Sapma Varyans



=
=
n
i
i
n
x x
s
1
2
2
1
) (



=
=
n
i
i
n
x x
s
1
2
1
) (
Yrd.Doç.Dr.Yüksel TERZĐ 109
Standart ayrılış ölçüsü ve standart hata Normal dağılış gösteren
özellikler için oldukça kullanışlıdır. Normal dağılışta bireylerin
%68.27 si ortalamanın bir standart sapma solunda ve bir standart
sapma sağındaki noktalar arasında bulunur. Bireylerin %95.45 i
ortalamanın iki standart sapma sağında ve solunda bulunur.
Yrd.Doç.Dr.Yüksel TERZĐ 110
VARYANS (Variance)
Dağılış ölçüsü olarak kullanılan en uygun ölçü standart ayrılış
ölçüsüdür. Standart ayrılış ölçüsü varyansın kareköküdür. Varyans
gözlemlerin ortalamadan olan sapmalarının kareleri toplamının
anakütle için N’e, örneklem için ise serbestlik derecesi n-1’e
bölünmesidir.
X
i
: { X
1
,X
2
,…, X
n
} değerler kümesinin varyansı:

=


= =
N
i
i
X X
N
s Varyans
1
2 2
) (
) 1 (
1
¦
)
¦
`
¹
¦
¹
¦
´
¦


=


=
N
i
i
i
N
X
X
N
1
2
2
) (
) 1 (
1


Örnek 3.8. X
i
:{49,49,49,50,51,52} değişkeninin varyansı nedir?
X = 300/6=50

s
2
=[(49-50)2+(49-50)2+…+(52-50)2]/(6-1)=(1+1+1+0+1+4)/5= 8/5=1.6
veya

s
2
=[(492+492+492+502+512+522)-3002/6]/5=(1500815000)/5=8/5=1.6
Yrd.Doç.Dr.Yüksel TERZĐ 111
Serbestlik Derecesi
Serbestlik Derecesi
(
(
Degrees
Degrees
of
of
Freedom
Freedom
)
)
Serbestlik derecesi g Serbestlik derecesi gö özlemlere konulan k zlemlere konulan kı ıs sı ıtlamalara tlamalara
ba bağ ğl lı ıd dı ır. Verilere getirilen baz r. Verilere getirilen bazı ı k kı ıs sı ıtlamalardan sonra, de tlamalardan sonra, değ ği iş şmekte mekte
serbest olan de serbest olan değ ğerlerin say erlerin sayı ıs sı ıd dı ır. r. Ö Örne rneğ ğin bir grup verinin in bir grup verinin
ortalamaya g ortalamaya gö öre olan sapmalar re olan sapmaları ın nı ın toplam n toplamı ı s sı ıf fı ırd rdı ır. r.
Bu sapmalar Bu sapmaları ın sadece N n sadece N- -1 1’ ’i serbest i serbestç çe se e seç çilebilir. Toplam ilebilir. Toplam
sapmalar sapmaları ın s n sı ıf fı ıra e ra eş şit olmas it olması ı ko koş şulu, ulu, N N’ ’nci nci sapman sapmanı ın de n değ ğerini erini
s sı ın nı ırland rlandı ır rı ır. r.
Serbestlik derecesi Serbestlik derecesi ö örnekle ilgili bir istatisti rnekle ilgili bir istatistiğ ğin in
hesaplanmas hesaplanması ında veya bir parametrenin tahmin edilmesinde, nda veya bir parametrenin tahmin edilmesinde,
ba bağı ğıms msı ız birimlere ait say z birimlere ait sayı ın nı ın bilgisinin ifade eden bir terimdir. n bilgisinin ifade eden bir terimdir.
Genelde bu terim modeldeki parametre say Genelde bu terim modeldeki parametre sayı ıs sı ına kar na karşı şıl lı ık k
gelmektedir. gelmektedir.
0 ) ( =

− x x
Yrd.Doç.Dr.Yüksel TERZĐ 112
3.3. Standart Hata (Standard Error of Estimate)
Standart hata bir istatistiğin örnekleme dağılımının
standart sapmasıdır. Seçilecek örneklerde ortalamalar
arasındaki yaygınlığı gösterir. Standart hata örnek
büyüklüğünün fonksiyonudur. Böylece n attıkça hata
küçülür.
Standart hata ortalamalarla ilgilidir, deneklerle ilgili
değildir. Standart hata ortalamanın ne kadar değiştiğini
gösterir.
N
s
N
Varyans
s H S
X
= = = . .

Örnek 2.42’de verilen değerlerden hareketle standart
hata aşağıdaki gibi bulunur.

52 . 0
6
6 . 1
. . = = =
N
Varyans
H S
Yrd.Doç.Dr.Yüksel TERZĐ 113
Bir serinin ortalaması verilirken standart
hatası ile birlikte verilir. Popülasyondaki
değişimi göstermek için standart hata kullanılır.
Veri setindeki değişim araştırılıyorsa standart
sapma tercih edilir.
Aritmetik Ortalama ± ±± ± Standart Hata


X
S X m


Böylece ortalamaya ait değişkenlik yanında
ifade edilmiş olur.
Yrd.Doç.Dr.Yüksel TERZĐ 114
3.4.Değişim (varyasyon) Katsayısı
(Coefficient of Variation)

Bir serinin standart sapmasının aritmetik ortalamasına
bölünüp 100 ile çarpılması sonucu elde edilen değere değişim
katsayısı adı verilir. Değişim katsayısının ölçü birimi yoktur.
D.K= Standart Sapma*100/ Ortalama
100 * . .
X
K D
σ
=

Değişim katsayısı farklı serilerin değişkenliklerini
kıyaslamada iyi bir ölçü olabilir.
Değişim katsayısı küçük olan serilerin diğerlerine göre aha
az değişken olduğu söylenir. Bunun anlamı ise seri terimlerinin
aritmetik ortalama etrafında daha homojen olarak dağıldığıdır.
Yrd.Doç.Dr.Yüksel TERZĐ 115
3.5.ÇARPIKLIK (Skewness)

Çarpıklık bir dağılımın simetrik olmayış veya
simetriklikten ayrılma derecesidir.


Simetrik yada çan şeklinde eğri
Yrd.Doç.Dr.Yüksel TERZĐ 116
Simetrik yada çan şeklindeki frekans eğrileri, merkezdeki
maksimumdan eşit uzaklıkta yer alan gözlemlerin aynı
frekansa sahip olduğunu gösterir. Yani frekansların serinin
maksimum noktası etrafında simetrik olarak dağılması seriye
simetrik seri adını kazandırır. Normal eğri buna örnektir.
Normal eğride serinin tam ortasında maksimuma ulaşan
frekanslar, sonra hızla düşmeye başlar.

Simetrik seri sivri, basık ve normal seri gibi olabilir.
Normal eğrinin özelliği grafikte maksimum noktanın belirli bir
yüksekliğe sahip olmasıdır. Bu yüksekliğin normalin üstüne
çıkması durumunda sivri seri, normalin altına düşmesi
durumunda ise basık seriden söz edilir.

Simetrik seri belli bir yüksekliğe sahip olmadığında
normal olmaktan çıkar. Ayrıca simetrik seri sağa veya sola
doğru eğilim gösterdiğinde de simetriklik özelliğini kaybeder.
Frekanslar serinin tam ortasında değil de, ortadan önceki bir
noktada yığıldığında “sağa çarpık seri”, ortadan sonraki bir
noktada yığıldığında ise “sola çarpık seri” den söz edilir.
Yrd.Doç.Dr.Yüksel TERZĐ 117









Pozitif (sağa) çarpık eğri










Negatif (sola) çarpık eğri
Yrd.Doç.Dr.Yüksel TERZĐ 118
Çarpıklık=
3
3
3
2
3
3
σ
µ
µ
µ
α = =

Seri simetrik ise
3
α =0 dır. Ancak
3
α =0 ise serinin mutlaka
simetrik olması gerekmez.
3
α >0 ise seri sağa (pozitif) çarpık,
3
α <0 ise
sola (negatif) çarpıktır. 5 . 0
3
> α ise genelde çarpıklık kuvvetli kabul
edilir.

Yrd.Doç.Dr.Yüksel TERZĐ 119
3.6. BASIKLIK (Kurtosis)

Basıklık bir dağılımın sivrilik derecesidir ve çoğunlukla
normal dağılıma göre ele alınır. Normal seri simetrik serinin
özel bir şeklidir. Bir serinin normal olabilmesi için hem
simetrik olması (
3
α =0) hem de normal bir yüksekliğe sahip
olması gerekir.

4
α simgesiyle gösterilen ve momentlere dayanan basıklık
ölçüsü aşağıdaki gibi bulunur:
Basıklık=
4
4
2
2
4
4
σ
µ
µ
µ
α = =

Normal bir seride
4
α =3, sivri bir seride
4
α >3 ve basık bir
seride
4
α <3’tür.
4
α formülünde kesrin pay ve paydası pozitif
olduğundan basıklık ölçüsü pozitif değere sahiptir.
Yrd.Doç.Dr.Yüksel TERZĐ 120

Not: Bir serinin normal seri olup olmadığını
çarpıklık ve basıklık katsayılarına bakarak
anlayabiliriz.
Normal seride Çarpıklık( 3
α
)=0 ve
Basıklık(
4
α
)=3’tür. Buna normallik testi
denir.
Yrd.Doç.Dr.Yüksel TERZĐ 121
Frekans, Ortalamalar, Standart Sapma ve Varyans Frekans, Ortalamalar, Standart Sapma ve Varyansı ın Bulunu n Bulunuş şu u
Yrd.Doç.Dr.Yüksel TERZĐ 122
Quartiles: Kartiller
Mean:Aritmetik ortalama
Median:Medyan
Mode:Mod
Sum:Toplam
Skewness:Çarpıklık
Kurtosis:Basıklık
Std.deviation:Standart
sapma
Variance:Varyans
Range:Değişim aralığı(max-
min)
S.E.mean (Standard error
mean): ortalamanın standart
hatası
Yrd.Doç.Dr.Yüksel TERZĐ 123
Statistics
notlar
10
0
55,00
4,534
52,50
50
14,337
205,556
,318
,687
,587
1,334
50
30
80
550
48,75
52,50
63,75
Valid
Missing
N
Mean
Std. Error of Mean
Median
Mode
Std. Deviation
Variance
Skewness
Std. Error of Skewness
Kurtosis
Std. Error of Kurtosis
Range
Minimum
Maximum
Sum
25
50
75
Percentiles
Yrd.Doç.Dr.Yüksel TERZĐ 124
ANAL
ANAL
İ
İ
Z
Z
Ö
Ö
NCES
NCES
İ
İ
VER
VER
İ
İ
TARAMA
TARAMA
1.
1.
Verilerin do
Verilerin do
ğ
ğ
rulu
rulu
ğ
ğ
u (
u (
accuracy
accuracy
)
)
2.
2.
Kay
Kay
ı
ı
p de
p de
ğ
ğ
erler
erler
3.
3.
U
U
ç
ç
de
de
ğ
ğ
erler
erler
4.
4.
Normallik
Normallik
vasay
vasay
ı
ı
m
m
ı
ı
5.
5.
Do
Do
ğ
ğ
rusall
rusall
ı
ı
k
k
6.
6.
E
E
ş
ş
varyansl
varyansl
ı
ı
l
l
ı
ı
k
k
(Homojenlik)
(Homojenlik)
Yrd.Doç.Dr.Yüksel TERZĐ 125
ANAL
ANAL
İ
İ
Z
Z
Ö
Ö
NCES
NCES
İ
İ
VER
VER
İ
İ
TARAMA
TARAMA
1.
1.
Verilerin do
Verilerin do
ğ
ğ
rulu
rulu
ğ
ğ
u
u
(
(
accuracy
accuracy
) incelenmesi
) incelenmesi
gerekir. Analiz sonu
gerekir. Analiz sonu
ç
ç
lar
lar
ı
ı
n
n
ı
ı
n kalitesi, veri kalitesine
n kalitesi, veri kalitesine
ba
ba
ğ
ğ
l
l
ı
ı
d
d
ı
ı
r. Hatal
r. Hatal
ı
ı
(uygun olmayan) verilerle yap
(uygun olmayan) verilerle yap
ı
ı
lan
lan
analizlerden elde edilecek sonu
analizlerden elde edilecek sonu
ç
ç
lar ve bu
lar ve bu
sonu
sonu
ç
ç
lara dayal
lara dayal
ı
ı
olu
olu
ş
ş
turulan yorumlar ge
turulan yorumlar ge
ç
ç
erli
erli
olmayacakt
olmayacakt
ı
ı
r.
r.
Nicel veriler i
Nicel veriler i
ç
ç
in frekanslara bak
in frekanslara bak
ı
ı
larak alt ve
larak alt ve
ü
ü
st de
st de
ğ
ğ
erler belirlenebilir. Ortalama ve s.sapma
erler belirlenebilir. Ortalama ve s.sapma
de
de
ğ
ğ
erlerine bak
erlerine bak
ı
ı
l
l
ı
ı
r.
r.
Nitel veriler de ise kodlamalara dikkat edilir,
Nitel veriler de ise kodlamalara dikkat edilir,
yanl
yanl
ış
ış
kodlama yap
kodlama yap
ı
ı
l
l
ı
ı
p yap
p yap
ı
ı
lmad
lmad
ığı
ığı
tespit edilir.
tespit edilir.
Yrd.Doç.Dr.Yüksel TERZĐ 126
2. 2. Kay Kayı ıp (eksik) p (eksik) verilerin de verilerin değ ğerlendirilmesi gerekir. Kay erlendirilmesi gerekir. Kayı ıp veri p veri ö öl lç çme me
arac aracı ın nı ın ba n baş şar arı ıs sı ızl zlığı ığından, deneklerin t ndan, deneklerin tü üm sorulara cevap m sorulara cevap
vermemesinden ya da veri giri vermemesinden ya da veri giriş şi s i sı ıras rası ında yap nda yapı ılan hatalardan lan hatalardan
kaynaklanabilir. kaynaklanabilir.
E Eğ ğer kay er kayı ıp veri az ise o silme yap p veri az ise o silme yapı ılabilir. Ancak kay labilir. Ancak kayı ıp veri p veri ç çok ok
ise o deneklerin veya de ise o deneklerin veya değ ği iş şkenin silinmesi ciddi veri kayb kenin silinmesi ciddi veri kaybı ına sebep na sebep
olabilir. olabilir. Ö Örneklem b rneklem bü üy yü ükl klü üğ ğü ü d dü üş şer ve e er ve eğ ğer ara er araş şt tı ırma i rma iç çin gruplar aras in gruplar arası ı
kar karşı şıla laş şt tı ırmalar isteniyorsa, baz rmalar isteniyorsa, bazı ı gruplar analiz i gruplar analiz iç çin uygun olmayan in uygun olmayan
ö örneklem b rneklem bü üy yü ükl klü üğ ğü üne inerek kar ne inerek karşı şıla laş şt tı ırmalar rmaları ı tehlikeye sokabilir. tehlikeye sokabilir.
Kay Kayı ıp veriler i p veriler iç çin kestirim yap in kestirim yapı ılabilir. Ancak kestirim ya da labilir. Ancak kestirim ya da
yakla yaklaşı şık de k değ ğer atama i er atama iş şlemi sadece nicel de lemi sadece nicel değ ği iş şkenler i kenler iç çin in
yap yapı ılabilmektedir. labilmektedir.
Kay Kayı ıp de p değ ğer kestirimi i er kestirimi iç çin in bir yakla bir yaklaşı şım eldeki verilerden ortalama m eldeki verilerden ortalama
bulup, kay bulup, kayı ıp de p değ ğerlere bu de erlere bu değ ğeri atamakt eri atamaktı ır. Bu durumda genel ortalama r. Bu durumda genel ortalama
de değ ği iş şmezken, mezken, varyans varyans bir miktar d bir miktar dü üş şecektir. ecektir.
Kay Kayı ıp veri kestirimi i p veri kestirimi iç çin in di diğ ğer bir yakla er bir yaklaşı şım regresyon m regresyon
yakla yaklaşı şım mı ıd dı ır. Kay r. Kayı ıp de p değ ğerler i erler iç çeren de eren değ ği iş şken ba ken bağı ğıml mlı ı de değ ği iş şken al ken alı ın nı ır. r.
Ortalama y Ortalama yö önteme g nteme gö öre g re gö öre daha objektif bir kestirim yap re daha objektif bir kestirim yapı ıl lı ır. r.
Ara Araş şt tı ırmac rmacı ı hem kay hem kayı ıp g p gö özlemli durum i zlemli durum iç çin hem de kestirim in hem de kestirim
yap yapı ıld ldı ıktan sonraki durum i ktan sonraki durum iç çin analizleri yapmal in analizleri yapmalı ı ve sonu ve sonuç çlar ları ı
kar karşı şıla laş şt tı ırmal rmalı ıd dı ır (Mertler ve r (Mertler ve Vannatta Vannatta, 2005). , 2005).
Yrd.Doç.Dr.Yüksel TERZĐ 127
SPSS de kayıp verileri tahmin etmek için 5 yöntem vardır (Çokluk ve ark,
2010):
1. Seriler Ortalaması (Series Mean):
Tüm verilerin belirli bir değişkene göre aritmetik ortalamasıdır.
2. Yakın Noktaların Ortalaması (Mean of Nearby Points):
Eksik gözlemin yakınındaki verilerin ortalamasıdır. Çevreleyen değerlerin
sayısı, yakın noktaların uzaklığı ( span of nearby points) seçeneği
Kullanılarak belirlenir. Eğer 2 alınırsa eksik verinin öncesi ve sonrası
alınarak ortalama bulunur.
3. Yakın Noktaların Medyanı (Median of Nearby Points):
Eksik verinin yakınındaki verilerin medyanıdır (ortancasıdır). Çevreleyen
değerlerin sayı araştırmacı tarafından belirlenir.
4. Doğrusal Değer Kestirimi (Linear Interpolation):
Bu değer, eksik veriden önceki son tam gözlem değeri ve eksik veriden
sonraki ilk tam gözlem değerinin eksik verilerin yerine atanmasıdır. Eğer
serideki ilk gözlem ve son gözlem eksik ise, kayıp değerin yerine
herhangi bir değer atanmaz.
5. Noktanın Doğrusal Eğimi (Linear Trend of Point):
Verilerin eğilimi (trend) ile uyumlu olarak belirlenir. Örneğin değerler ilk
veriden son veriye doğru yükselme eğiliminde olabilir.
Yrd.Doç.Dr.Yüksel TERZĐ 128
Yrd.Doç.Dr.Yüksel TERZĐ 129
Yrd.Doç.Dr.Yüksel TERZĐ 130
3. 3. U Uç ç de değ ğerlerin erlerin etkilerinin de etkilerinin değ ğerlendirilmesi gerekir. Al erlendirilmesi gerekir. Alışı ışılageldik lageldik
de değ ğerlerin d erlerin dışı ışındaki de ndaki değ ğerlere ya da a erlere ya da aşı şır rı ı de değ ğerlere sahip olan denekler erlere sahip olan denekler
u uç ç de değ ğerler olarak adland erler olarak adlandı ır rı ıl lı ır. U r. Uç ç de değ ğerlerin erlerin üç üç temel nedeni vard temel nedeni vardı ır: r:
i) Ara i) Araş şt tı ırmac rmacı ılarca veri giri larca veri giriş şinde yap inde yapı ılan hatalar lan hatalar
ii ii) Dene ) Deneğ ğin in ö örneklemin al rneklemin alı ınd ndığı ığı evrenin bir evrenin bir ü üyesi olmamas yesi olmaması ı
iii iii) Dene ) Deneğ ğin in ö örneklemin geri kalan k rneklemin geri kalan kı ısm smı ından farkl ndan farklı ı olmas olması ı
U Uç ç de değ ğerler istatistik testlerin sonu erler istatistik testlerin sonuç çlar ları ın nı ı bozabilir. Pek bozabilir. Pek ç çok ok
istatistiksel i istatistiksel iş şlem ortalamadan olan sapmalar lem ortalamadan olan sapmaları ın karesine dayan n karesine dayanı ır. E r. Eğ ğer er
bir g bir gö özlem ortalamadan zlem ortalamadan ç çok uzakta ise sapma de ok uzakta ise sapma değ ğeri b eri bü üy yü üyecektir. Tek yecektir. Tek
bir u bir uç ç de değ ğer bir istatistik test sonucunu etkileyebilir. er bir istatistik test sonucunu etkileyebilir.
tek de tek değ ği iş şkenli veri setlerinde u kenli veri setlerinde uç ç de değ ğerleri belirlemek i erleri belirlemek iç çin frekans in frekans
da dağı ğıl lı ım mı ına veya na veya histogramlar histogramları ına na bak bakı ılarak g larak gö ör rü ülebilir. lebilir.
Ö Örnek : rnek : 10 dene 10 deneğ ği bir kayg i bir kaygı ı ö öl lç çe eğ ğinden elde ettikleri puanlar a inden elde ettikleri puanlar aş şa ağı ğıdaki daki
gibidir. gibidir.
Denek:1 Denek:1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 10 9 10
Puan:55 Puan:55 48 48 95 95 48 48 51 51 55 55 45 45 53 53 55 55 45 45
3 3 nolu nolu denek di denek diğ ğerlerinden olduk erlerinden oldukç ça farkl a farklı ı bir puan sahip oldu bir puan sahip olduğ ğundan u undan uç ç
de değ ğerdir. erdir.
Yrd.Doç.Dr.Yüksel TERZĐ 131
U Uç ç de değ ğer er
Yrd.Doç.Dr.Yüksel TERZĐ 132
Tek de Tek değ ği iş şkenli u kenli uç ç de değ ğerler da erler dağı ğıl lı ımdaki puanlar mdaki puanları ın standart n standart
puanlara d puanlara dö ön nü üş şt tü ür rü ülmesiyle de belirlenebilir. Bunun i lmesiyle de belirlenebilir. Bunun iç çin ham puanlar in ham puanlar
standart Z puanlar standart Z puanları ına d na dö ön nü üş şt tü ür rü ül lü ür. Bu durumda verilerin %99 r. Bu durumda verilerin %99’ ’u u
ortalamadan ortalamadan ± ±3 s.sapma uzakl 3 s.sapma uzaklı ıkta olacakt kta olacaktı ır. B r. Bö öylece +3 den b ylece +3 den bü üy yü ük ya da k ya da
- -3 3’ ’den k den küçü üçük Z de k Z değ ğerine sahip olan g erine sahip olan gö özlemler u zlemler uç ç de değ ğer olarak er olarak
d dü üş şü ün nü ül lü ür. K r. Küçü üçük k ö örneklemlerde (n<10) bu kural rneklemlerde (n<10) bu kural ± ±2,5 s.sapma olarak 2,5 s.sapma olarak
kabul edilir. kabul edilir.
U Uç ç de değ ğer er
Yrd.Doç.Dr.Yüksel TERZĐ 133
Medyan Medyan
U Uç ç de değ ğer er
Tek de Tek değ ği iş şkenli kenli u uç ç de değ ğerler kutu grafi erler kutu grafiğ ği ( i (Box Box Plots Plots) ) ilede ilede bulunabilir. bulunabilir.
Kutu grafi Kutu grafiğ ğinde kutu i inde kutu iç çinde yer almayan denek u inde yer almayan denek uç ç de değ ğer olarak er olarak
belirtilir. belirtilir.
Yrd.Doç.Dr.Yüksel TERZĐ 134
Uç değere sebep olan yanlış tespit edilemezse, uç
değerlerin yer durumdaki analiz ile uç değerlerin çıkarıldığı
durumdaki analizler yapılır ve sonuçlar karşılaştırılır (Mertler ve
Vannatta, 2005).
Çok değişkenli analizlerde uç değerler Mahalanobis
uzaklığı kullanılarak belirlenir.
Yrd.Doç.Dr.Yüksel TERZĐ 135
Yrd.Doç.Dr.Yüksel TERZĐ 136
Yrd.Doç.Dr.Yüksel TERZĐ 137
Yrd.Doç.Dr.Yüksel TERZĐ 138
Extreme Values
10 7,98991
13 5,55067
2 5,27463
7 3,31692
8 3,27989
9 ,59264
3 ,75239
15 ,82909
5 ,87433
1 ,94168
1
2
3
4
5
1
2
3
4
5
Highest
Lowest
Mahalanobis Distance
Case Number Value
Yrd.Doç.Dr.Yüksel TERZĐ 139
10. G 10. Gö özlem u zlem uç ç de değ ğer er
Yrd.Doç.Dr.Yüksel TERZĐ 140
4.
4.
Normallik varsay
Normallik varsay
ı
ı
m
m
ı
ı
:
:
İstatistikte uygulanan birçok analiz ve tahmin
yöntemleri X değişkeninin Normal dağılış
göstermesi halinde geçerlidir. Bu nedenle
dağılışın Normal olamadığı hallerde yapılan
analiz geçerliliğini kaybeder. Dolayısıyla bu
dağılış istatistikte önemli bir yere sahiptir.
Eldeki değişken sürekli ve tek modlu ise
Normal dağılış göstermese de bazı dönüşümlerle
dağılışı Normal dağılışa yaklaştırmak mümkün
olabilir. Bunun için √ √√ √X, log(X), 1/X gibi
dönüşümler kullanılabilir.
1809 tarihinde Alman matematikçi Gauss
tarafından bulunmuştur.
Yrd.Doç.Dr.Yüksel TERZĐ 141
Simetrikliğin Bozulması
Normal dağılım simetrik bir dağılımdır. Bu
simetriklik sağa veya sola çarpık olacak
şekilde bozulabilir. Sağda uzun kuyruk varsa
pozitif çarpık, solda uzun kuyruk varsa
negatif çarpık olur.
Yrd.Doç.Dr.Yüksel TERZĐ 142
Variyansı Farklı
Normal Dağılışlar
Ortalaması Farklı
Normal Dağılışlar
Yrd.Doç.Dr.Yüksel TERZĐ 143
Normal dağılış eğrisi simetrik bir eğridir.
X ~N(µ, σ
2
) ise Olasılık Fonksiyonu
+∞ < < ∞ − =
|
|
¹
|

\
|


i
X
X e
i
,
2
1
f(X)
2
2
1
σ
µ
π σ
Bu fonksiyonda e=2,71828…, π ππ π=3,14159…. olmaktadır.
Yrd.Doç.Dr.Yüksel TERZĐ 144
NORMALLĐK TESTĐ
Verilere parametrik testlerin uygulanabilmesi için
verilerin dağılımının normal olması gerekmektedir.
Tek değişkenli normallik, örneklemde bir
değişkene ilişkin gözlemlerin normal dağılım
gösterdiği anlamına gelir.
Normallik varsayımı için önce veriler SPSS paket
programına girilir ve aşağıdaki işlemler yapılır.

Analyze>Descriptive Statistics>Explore>plots>normality
plots with tests – histogram

Eğer Sig=P>0.05 ise veriler normal dağılıma sahiptir
denilir.
Yrd.Doç.Dr.Yüksel TERZĐ 145
Yrd.Doç.Dr.Yüksel TERZĐ 146
Tests of Normality
,126 10 ,200* ,980 10 ,964
notlar
Statistic df Sig. Statistic df Sig.
Kolmogorov-Smirnov
a
Shapiro-Wilk
This is a lower bound of the true significance.
*.
Lilliefors Significance Correction
a.
H H
0 0
: Veriler normal da : Veriler normal dağı ğıl lı ıma e ma eş şittir (Mertler ve ittir (Mertler ve Vannatta Vannatta, 2005). , 2005).
P=0,964>0,05 olup H0 hipotezi kabul edilir. Yani veriler normal P=0,964>0,05 olup H0 hipotezi kabul edilir. Yani veriler normal da dağı ğıl lış ış
g gö österir. sterir.
Yrd.Doç.Dr.Yüksel TERZĐ 147
Kolomogorov-Smirnov testi: Veriler kategorize edilir ve her bir
gözlemin olasılıklarını bulur. Veriler kategorize edildiğinden, bu testin
gücü düşük olur. Ayrıca gözlem sayısı az olduğunda bu test zayıftır.

Shapiro-Wilk testi : Momentlerden hareketle hesaplanan bir testtir
ve Kolmogorov-Smirnov testinden daha güçlüdür.
YAS
44,0
42,0
40,0
38,0
36,0
34,0
32,0
30,0
Histogram
F
r
e
q
u
e
n
c
y
2,5
2,0
1,5
1,0
,5
0,0
Std. Dev = 4,41
Mean = 36,4
N = 14,00
Yrd.Doç.Dr.Yüksel TERZĐ 148
Q-Q grafiklerinde gözlemler büyüklüklerine göre artan sırada sıralanır ve
beklenen normal dağılım değerlerine karşılık gelecek şekilde grafik çizilir.
Grafik köşegenler odağında bir doğru çizgisi etrafında toplanıyorsa
normal dağılış varsayımı sağlanıyor demektir.
Yrd.Doç.Dr.Yüksel TERZĐ 149
Box Plot grafiklerinde Q
2
kutunun ortasında ise normallik varsayımı
sağlanıyor demektir.
Q
3
Q
2
Q
1
1,5(Q
3
-Q
1
)
Yrd.Doç.Dr.Yüksel TERZĐ 150
Yrd.Doç.Dr.Yüksel TERZĐ 151
Normallik varsayımı çarpıklık ve basıklık katsayılarına
bakılarak ta incelenebilir. Standart normal dağılımda
çarpıklık ve basıklık katsayıları sıfırdır. Bu değerlerin ±1
arasında kalması dağılımın normalden aşırı sapma
göstermediğini gösterir.
Descriptive Statistics
10 ,089 ,687 -,520 1,334
10
notlar
Valid N (listwise)
Statistic Statistic Std. Error Statistic Std. Error
N Skewness Kurtosis
Skewness Skewness : : Ç Çarp arpı ıkl klı ık k Kurtosis Kurtosis: Bas : Bası ıkl klı ık k
Yrd.Doç.Dr.Yüksel TERZĐ 152
Ç Çok de ok değ ği iş şkenli ( kenli (Multivariate Multivariate) normallik ) normallik, , ö örneklemde rneklemde
yer alan g yer alan gö özlemlerin t zlemlerin tü üm kombinasyonlar m kombinasyonları ı a aç çı ıs sı ından normal ndan normal
da dağı ğıl lı ım g m gö östermesi gerekmektedir. Bunun i stermesi gerekmektedir. Bunun iç çin a in aş şa ağı ğıdaki daki
ş şartlar artları ın sa n sağ ğlanmas lanması ı gerekir (Mertler ve gerekir (Mertler ve Vannatta Vannatta, 2005) , 2005) : :
i) i) Her bir de Her bir değ ği iş şken tek ba ken tek başı şına normal da na normal dağı ğıl lı ıma sahip ma sahip
olmal olmalı ıd dı ır. r.
ii ii) ) De Değ ği iş şkenlerin do kenlerin doğ ğrusal kombinasyonlar rusal kombinasyonları ı normal normal
da dağı ğılmal lmalı ıd dı ır. r.
iii iii) ) De Değ ği iş şken setlerinin t ken setlerinin tü üm alt setleri (her t m alt setleri (her tü ürl rlü ü ikili ikili
kombinasyon) kombinasyon) ç çok de ok değ ği iş şkenli normalli kenli normalliğ ğe sahip olmal e sahip olmalı ıd dı ır (iki r (iki
de değ ği iş şkenli normallik kenli normallik- -bivariate bivariate normality normality). ).
iki de iki değ ği iş şkenli normallik i kenli normallik iç çin, her bir de in, her bir değ ği iş şken ken ç çiftinin iftinin
sa saç çı ılma diyagramlar lma diyagramları ın nı ın elips n elips ş şeklinde olmas eklinde olması ı gerekir. gerekir.
Yrd.Doç.Dr.Yüksel TERZĐ 153
Yrd.Doç.Dr.Yüksel TERZĐ 154
Yrd.Doç.Dr.Yüksel TERZĐ 155
İ İkili grafiklerde e kili grafiklerde eğ ğer grafikler er grafikler
elips elips ş şeklinde ise iki de eklinde ise iki değ ği iş şkenli kenli
normallik varsay normallik varsayı ım sa m sağ ğlan lanı ıyor yor
demektir. demektir.
Yrd.Doç.Dr.Yüksel TERZĐ 156
NORMALL NORMALLİ İK VARSAYIMI SA K VARSAYIMI SAĞ ĞLANMADI LANMADIĞ ĞINDA VER INDA VERİ İ D DÖ ÖN NÜ ÜŞ ŞT TÜ ÜRME RME
(TRANSFORMASYON) (TRANSFORMASYON)
E Eğ ğer veriler normal da er veriler normal dağı ğıl lı ım g m gö östermiyorsa verilere d stermiyorsa verilere dö ön nü üş şü üm m
uygulanarak veriler normal da uygulanarak veriler normal dağı ğıl lı ıma yakla ma yaklaş şt tı ır rı ıl lı ır. Veri d r. Veri dö ön nü üş şt tü ürme i rme iş şlemi lemi
verileri farkl verileri farklı ı birimlerle yeniden ifade etmektir(Mertler ve birimlerle yeniden ifade etmektir(Mertler ve Vannatta Vannatta, 2005). , 2005).
Yayg Yaygı ın Olarak Kullan n Olarak Kullanı ılan Veri D lan Veri Dö ön nü üş şt tü ürme rme İş İşlemleri lemleri
1/(b-X)
b
Yansıtma & Ters
çevirme
Aşırı negatif çarpık
LG10(b-X)
b
Yansıtma &
Logaritma
Yüksek düzeyde negatif çarpık
SQRT(b-X)
b
Yansıtma & karekök Orta düzeyde negatif çarpık
1/X Ters (Inverse) Aşırı pozitif çarpık
LG10(X)
Lg10(X+a)
a
Logaritma
Logaritma
Yüksek düzeyde pozitif çarpık
Değer<0
SQRT(X) Karekök Orta düzeyde pozitif çarpık
SPSS Compute
Komutu
Dönüştürme Türü Dağılım Şekli
Yrd.Doç.Dr.Yüksel TERZĐ 157
D DÖ ÖN NÜ ÜŞ ŞT TÜ ÜRMEN RMENİ İN YAPILMAMASININ TAVS N YAPILMAMASININ TAVSİ İYE ED YE EDİ İLD LDİĞİ İĞİ DURUMLAR DURUMLAR
E Eğ ğer normallikten ve do er normallikten ve doğ ğrusall rusallı ıktan ktan ç çok sapma yoksa, ok sapma yoksa,
Veriler kg, mm veya IQ gibi anlaml Veriler kg, mm veya IQ gibi anlamlı ı bir bir ö öl lçü çüm biriminin oldu m biriminin olduğ ğu u
durumlarda, durumlarda,
Ö Örneklem 30 rneklem 30’ ’dan b dan bü üy yü ük oldu k olduğ ğunda, unda,
Da Dağı ğıl lı ım ve m ve ö örneklem b rneklem bü üy yü ükl klü ükleri benzer olan kleri benzer olan ö örneklemler mevcut rneklemler mevcut
ise d ise dö ön nü üş şü üm yap m yapı ılmaz. lmaz.
D DÖ ÖN NÜ ÜŞ ŞT TÜ ÜRMEN RMENİ İN YAPILMASININ TAVS N YAPILMASININ TAVSİ İYE ED YE EDİ İLD LDİĞİ İĞİ DURUMLAR DURUMLAR
Veriler Veriler ç çok ok ç çarp arpı ık ise, k ise,
Ö Öl lçü çüm birimi yayg m birimi yaygı ın olarak bilinmiyorsa, n olarak bilinmiyorsa,
Ö Örneklem 30 rneklem 30’ ’dan k dan küçü üçük ise, k ise,
Normallik ve do Normallik ve doğ ğrusall rusallı ık varsay k varsayı ım mı ı ihlal edildi ihlal edildiğ ğinde, inde,
Gruplar aras Gruplar arası ında nda ö örneklem b rneklem bü üy yü ükl klü üğ ğü ü ve da ve dağı ğıl lı ımlar mları ı bak bakı ım mı ından ndan
b bü üy yü ük farkl k farklı ıl lı ık var ise k var ise
d dö ön nü üş şü üm yap m yapı ılmal lmalı ıd dı ır. r.
Yrd.Doç.Dr.Yüksel TERZĐ 158
5. Doğrusallık
Doğrusallık, iki değişken arasında bir doğru ile
özetlenebilen bir ilişki olduğu anlamına gelir. Doğrusallık
çok değişkenli analizler açısından önemlidir.
Doğrusallık varsayımı Regresyon analizi yöntemi ile
incelenebilir. Regresyon analizindeki artık grafiği
(residuals plot) doğrusal olmayan ilişkileri de gözlemeye
yarar. Artıklar çok değişkenli analizlerce açıklanamayan
puan oranlarıdır. Artıklar bir değişkene ilişkin elde edilen
değerler ile tahmin değerleri arasındaki farktır. Standardize
edilmiş artık grafikleri çizilir. Grafikte artıklar bazı tahmin
değerleri için çizginin altında bazıları için de çizginin
üstünde yer alıyorsa, doğrusallık varsayımı sağlanmıyor
demektir (Tabachnick ve Fidell, 1996). Eğer noktalar sıfır
çizgisi etrafında kümeleniyorsa, doğrusallık varsayımı
sağlanır.
Yrd.Doç.Dr.Yüksel TERZĐ 159
Yrd.Doç.Dr.Yüksel TERZĐ 160
Do Doğ ğrusall rusallı ık varsay k varsayı ım mı ı sa sağ ğlanmaz. lanmaz. Çü Çünk nkü ü noktalar s noktalar sı ıf fı ır ekseni etraf r ekseni etrafı ında nda
k kü ümelenmemi melenmemiş ş. .
Yrd.Doç.Dr.Yüksel TERZĐ 161
6. Eşvaryanslılık (Homojenlik)
Eşvaryanslılık (homojenlik) bir sürekli değişkendeki
puanlarda gözlenen değişimin, diğer değişkene ilişkin
puanlarda da benzer şekilde gözlenmesidir.
Tek değişkenli durumlarda homojenlik testi Levene
testi ile test edilir. Bu istatistik örneklemin aynı varyansa
sahip bir evrenden geldiğini ifade eder.
H
0
: Varyanslar eşittir (homojendir)
Levene testi sonucunda p>0,05 ise homojenlik
varsayımı sağlanmış olur.
Yrd.Doç.Dr.Yüksel TERZĐ 162
P=0,7>0,05 olup P=0,7>0,05 olup varyanslar varyanslar homojendir. homojendir.
Yrd.Doç.Dr.Yüksel TERZĐ 163
Bağımsız değişkenin bazı düzeylerinde diğerinden
yüksek ölçe hatası olması eşvaryanslılığı (homojenlik)
bozabilir.
Çok değişkenli istatistiklerde homojenlik varsayımı
Varyans-kovaryans matrislerinin eşitliği için Box M testi ile
incelenir.
Box M Test:
H
0
: Varyans-kovaryans matrisleri eşittir.
Eğer test sonucunda p>0,05 ise H
0
hipotezi kabul edilir.
Çok değişkenli istatistiklerde önce normallik
varsayımına bakılır. Daha sonra tek değişkenli analizler için
homojenlik varsayımına, daha sonrada çok değişkenli
analizler için eşvaryanslılık varsayımına bakılır (Tabachnick ve
Fidell, 1996).
Yrd.Doç.Dr.Yüksel TERZĐ 164
M-ESTIMATORS (M TAHMĐNCĐLER)
Düzeltilmiş aritmetik ortalamada alt ve üst uç değerlerin bir kısmı
değerlendirme dışı tutulur. Bu sakıncayı ortadan kaldırmak ve uç
değerlerin etkisini azaltmak için, uç değerlere daha az ağırlık verilerek
yapılan hesaplamalara M-tahminciler denir. SPSS’de kullanılan M-
tahminciler Huber, Hampel, Tukey ve Andrew’dir. Bu tahminciler
aritmetik ortalama ve ortancaya alternatiftirler. Bunlardan Huber M-
tehmincisi dağılım normale yakın olduğunda tercih edilir. Ancak uç
noktaların olduğu durumlarda tercih edilmez.
Analyze>Descriptive statistics>Explore>statistics kutusundan M-
estimators işaretlenerek elde edilir.

M-Estimators M-Estimators M-Estimators M-Estimators
50,3593 50,5376 50,7320 50,5429
YAS
Huber's
M-Estimator
a
Tukey's
Biweight
b
Hampel's
M-Estimator
c
Andrews'
Wave
d
The weighting constant is 1,339.
a.
The weighting constant is 4,685.
b.
The weighting constants are 1,700, 3,400, and
8,500
c.
The weighting constant is 1,340*pi.
d.

Yrd.Doç.Dr.Yüksel TERZĐ 165
Hipotez Testi
Đstatistiksel hipotezler anakütle parametrelerine ilişkin
olarak ileri sürülen ve geçerliliği olasılık kanunlarına göre
araştırılabilen özel önermelerdir. Đstatistiksel hipotezlerin diğer
hipotezlerden farkı, hipotezin bir frekans bölünmesiyle ilgili
olmasıdır. Örneğin “belirli bir markayı taşıyan akülerin
ortalama ömrünün 2.5 saat olduğu”nu ileri sürdüğümüzde bir
hipotez önermiş oluruz. Bunun anlamı normal olan bir
dağılımın aritmetik ortalaması 2.5 saate eşittir.
Bir hipotez ya doğru ya da yanlıştır. Bunu araştırmak için
anakütleden rasgele seçilmiş belli bir örneklemdeki birimler
incelenir ve bu örneklemden hareketle hipotezin geçerli olup
olmadığı hakkında bir karara varılır. Örneklem
istatistiklerinden yararlanarak bir hipotezin geçerli olup
olmadığını ortaya koyma işlemine istatistiksel hipotez testi veya
hipotez testi denir.
Yrd.Doç.Dr.Yüksel TERZĐ 166
Sıfır Hipotezi ve Karşıt Hipotez
Hipotez testinde bir hipotezle onun karşıtı diğer bir
hipotezden hangisinin örneklemden elde edilen sonuç ile
daha iyi daha iyi bağdaştığı araştırılmaktadır.
Karşılaştırılan iki hipotezden birine sıfır hipotezi
(istatistiksel hipotez), diğerine ise karşıt hipotez (araştırma
hipotezi) adı verilir.
Hipotezler daima örneklem alınmadan oluşturulması
gerekir. Sıfır hipotezi H
0
ile, karşıt hipotez ise H
1
ile
gösterilir.

H
0
: Örneklemden elde edilen değer ile anakütlenin bilinen
değeri arasında bir fark yoktur.
H
1
: Örneklemden elde edilen değer ile anakütlenin bilinen
değeri arasında bir önemli (anlamlı) bir fark vardır.
Yrd.Doç.Dr.Yüksel TERZĐ 167
Genellikle araştırmacılar sıfır hipotezinin reddedilmesini
ve karşıt hipotezin kabul edilmesini isterler. Eskiden beri
geçerli sayılmış önerme sıfır hipotezi, yeni görüş ise karşıt
hipotezi olur.







Bu ifadeler araştırırcının konu ile ilgili ön yargısına
bağlı olarak değişir. Eğer araştırıcı 1. Uygulamanın 2.
Uygulamadan iyi olacağına dair ön yargısı varsa H
1
: µ µµ µ
1
> µ µµ µ
2
şeklinde kurulur. Hiçbir ön yargısı yoksa, H
1
: µ µµ µ
1
≠ ≠≠ ≠ µ µµ µ
2
şeklinde kurulur.
Yrd.Doç.Dr.Yüksel TERZĐ 168
H
1
Hipotezinin Tek Yönlü Red Bölgesi
( µ µµ µ
1
< µ µµ µ
2
)
H
1
Hipotezinin Tek Yönlü Red Bölgesi
( µ µµ µ
1
> µ µµ µ
2
)
H
1
Hipotezinin Çift Yönlü Red Bölgesi
(µ µµ µ
1
≠ µ µµ µ
2
)
Yrd.Doç.Dr.Yüksel TERZĐ 169
Birinci ve Đkinci Tip Hatalar
Bir hipotez testi sonucunda örneklem
istatistiklerine göre şu dört durumdan birisi
gerçekleşmiş olur.

I. H
0
gerçekte doğrudur ve reddedilmemiştir
(kabul edilmiştir).
II. H
0
gerçekte doğrudur, fakat reddedilmiştir
(kabul edilmemiştir).
III. H
0
gerçekte yanlıştır, fakat reddedilmemiştir
(kabul edilmiştir).
IV. H
0
gerçekte yanlıştır ve reddedilmiştir (kabul
edilmemiştir).
Yrd.Doç.Dr.Yüksel TERZĐ 170
Gerçek Durum
Ho
Doğru
Ho
Yanlış
Ho
Red
I. Tip Hata
P(I. Tip Hata)= α αα α
Doğru Karar=1-β ββ β
Test


Sonucu
Ho
Kabul
Doğru Karar=1-α αα α
II. Tip Hata
P(II. Tip Hata)= β ββ β

α αα α : Gerçekte doğru olan sıfır hipotezinin reddedilmesi olasılığını
(anlamlılık düzeyini),
1-α αα α : Gerçekte doğru olan sıfır hipotezinin reddedilmeme (kabul
edilmesi) olasılığını yani testin güvenilirlik düzeyini,
β : Gerçekte yanlış olan sıfır hipotezinin reddedilmeme (kabul
edilmesi) olasılığını,
1-β : Gerçekte yanlış olan sıfır hipotezinin reddedilmesi olasılığını
yani testin gücünü gösterir.
Yrd.Doç.Dr.Yüksel TERZĐ 171
Ho gerçekten doğru ise araştırıcı bu doğru iddiayı
testin sonucundaki hesapladığı değere göre red
ederse, hata yapmış olacaktır, istatistikte buna “I.
Tip Hata” denir. Bu hatanın yapılması olasılığı da
(α αα α) ile gösterilir. Bu olasılık “testin önem düzeyi”
veya “anlamlılık düzeyi” olarak da adlandırılır. Yani
α αα α=0.05 önem düzeyinde test yapıldı dendiğinde,
bunun anlamı; araştırıcı doğru bir Ho hipotezini red
etmek için 0.05 lik bir hata yapma riskini
kabulleniyor demektir. Bu genelde hipotez
kurulurken peşinen kabul edilen risktir.
Araştırıcı istatistik testi yapabilmesi için belirli
bir düzeyde hata yapma riskini de üzerine alması
gerekir, aksi halde test yapamaz.
Yrd.Doç.Dr.Yüksel TERZĐ 172
Araştırıcı istatistik test yaparken bir başka şekilde
de hata yapabilir. Bu da, Ho ile ileri sürülen iddia
gerçekten doğru değilse ve araştırıcı test
istatistiğinde elde ettiği değere bakarak bu yanlış
iddiayı kabul ederse yine hata yapmış olacaktır. Bu
tip hata ya da istatistik de “II. Tip Hata” denir. II
Tip Hata yapma olasılığı β ββ β ile gösterilir.
Hipotez testinde amaç sıfır hipotezini ret veya
kabul etmek olduğundan, I. Ve II. Tip hataları aynı
anda işlemek mümkün değildir. Đstatistik testler
yapılırken bu hata olasılıkları mutlaka vardır ve her
ikisini aynı anda küçültmek mümkün değildir. α αα α
küçülürken β ββ β büyür, β ββ β küçülürken α αα α büyür.
Yrd.Doç.Dr.Yüksel TERZĐ 173
Tek Anakütlenin Parametreleriyle Đlgili Hipotez Testleri
Bu tür hipotezlerin testinin amacı, karşıt hipotezde
ileri sürülen iddianın kabul edilip edilmeyeceğinin
ortaya çıkartılmasıdır. Ancak karşıt hipotezi direk test
etmek mümkün olmadığından, sıfır hipotezi test edilir ve
elde edilen sonuç karşıt hipotez için genellenir.
Tek anakütlenin parametreleriyle ilgili hipotez
testlerin varsayımları şunlardır:

i. Örneklemin alındığı anakütle normal dağılıma
sahiptir.
ii. Örneklemdeki birimler eşit olasılıkla ve iadeli
olarak seçilmiş veya anakütle sonsuz büyüklüktedir.
Yrd.Doç.Dr.Yüksel TERZĐ 174
Anakütle Ortalamasına Đlişkin Testler
Bu testlerde ileri sürülebilecek karşıt hipotezlere şu şekilde
örnek verebiliriz.
Bir firmanın tereyağı paketlerinin ağırlığının 250 gr
olması gerektiği halde, firma buna uymamaktadır.
Günlük ortalama üretimi 1000 kg olan bir ilaç
fabrikasında uygulanan yeni teknik üretimi artırmıştır.
Turistik amaçla yurtdışına giden vatandaşlarımızın
ortama konaklama süresi 20 günden azdır.

Bu örneklere göre sıfır ve karşıt hipotezlerimiz sırasıyla
aşağıdaki gibi olacaktır.

H
0
: µ µµ µ=µ µµ µ
0
=250 gr H
0
: µ µµ µ=µ µµ µ
0
=1000 kg H
0
:µ µµ µ=µ µµ µ
0
=20 gün
H
1
: µ µµ µ≠µ µµ µ
0
=250 gr H
1
: µ µµ µ>µ µµ µ
0
=1000 kg H
1
:µ µµ µ<µ µµ µ
0
=20 gün
Yrd.Doç.Dr.Yüksel TERZĐ 175
Anakütle (Popülâsyon) Varyansı (σ σσ σ
2
) Biliniyor:
Anakütle normal dağılışlı ve anakütle varyansı biliniyorsa
ve n≥ ≥≥ ≥30 ise, sıfır hipotezinin karşıt hipoteze karşı testi için Z
test istatistiği kullanılır.


n
X
Z
/ σ
µ −
=


Bulunan Z test istatistiği α αα α anlamlılık seviyesine göre Z
tablo değerleri ile karşılaştırılır. Karşıt hipotezin tek (α αα α) veya
çift (α αα α/2) taraflı olmasına göre karar verilir.

Tek taraflı : Z<-Z
α αα α
Z>Z
α αα α

Çift taraflı : Z<-Z
α αα α/2
Z>Z
α αα α/2


Đse H
0
(sıfır) hipotezi reddedilir.
Yrd.Doç.Dr.Yüksel TERZĐ 176
P değeri : Đstatistik paket programlarında genellikle p
olasılığı kullanılır. Bu olasılık H
0
doğru olduğunda, test
istatistiğinin hesaplanan değerine eşit yada daha uç
değerler alması olasılığıdır. Hesaplanan p değeri yanılma
olasılığından (α αα α) küçük ise H
0
reddedilir.

p≤ α αα α ise H
0
hipotezi reddedilir,
p> α αα α ise H
0
hipotezi kabul edilir.

p olasılığı Z test istatistiği için aşağıdaki biçimde
hesaplanır. Ancak paket programlar bu olasılığı
vermektedir.

( ) [ ]
¦
¹
¦
´
¦
< Φ
> Φ −
≠ Φ −
=
0 1
0 1
0 1
: ; ) (
: ; ) ( 1
: ; 1 1
µ µ
µ µ
µ µ
H Z
H Z
H Z
p

Yrd.Doç.Dr.Yüksel TERZĐ 177
Örnek: Bir firmanın tereyağı paketlerinin ağırlığının ortalama
250 gr olması gerektiği halde, firmanın buna uymadığı iddia
edilmektedir. Paketleme sırasında rasgele seçilen 100 paketin
ortalama ağırlığı 245.5 gr olduğu tespit ediliyor. Anakütlenin
standart sapması 15 gr olduğu biliniyor. %5 anlamlılık
düzeyinde iddianın doğru olup olmadığını araştırınız?
Çözüm :
H
0
: µ µµ µ=µ µµ µ
0
=250 gr Anlamlılık düzeyi=α αα α=0.05
H
1
: µ µµ µ≠µ µµ µ
0
=250 gr Z
α αα α/2
=1.96

3
100 / 15
250 5 . 245
/
− =

=

=
n
X
Z
σ
µ
Z<-Z
α αα α/2
⇒ ⇒⇒ ⇒-3<-1.96
H
0
reddedilir.
Firmanın tereyağı paketlerinin ağırlığı ortalama 250 gr olması
gerektiği halde, firma buna uymamaktadır.
Yrd.Doç.Dr.Yüksel TERZĐ 178
Anakütle (Popülâsyon) Varyansı (σ σσ σ
2
) Bilinmiyor:
Anakütle standart sapması bilinmiyorsa, örneklem
standart sapması kullanılır. n>30 durumunda dağılım
normale uyduğundan test istatistiği olarak yine Z testi
kullanılır.

n s
X
Z
/
µ −
=

Ancak n≤30 olduğunda ve anakütle varyansı bilinmediğinde t
dağılımı kullanılır.

n s
X
t
/
µ −
=

t istatistiği (n-1) serbestlik dereceli t dağılımına sahiptir. t
dağılımı simetrik bir dağılımdır. Bu dağılımın şekli serbestlik
derecesine bağlıdır. n>30 olduğunda dağılım normale yaklaşır.
Yrd.Doç.Dr.Yüksel TERZĐ 179
Serbestlik derecesi (degrees of freedom) :
Örnekle ilgili bir istatistiğin
hesaplanmasında veya bir parametrenin
tahmin edilmesinde, bağımsız birimlere ait
sayının bilgisini ifade eden bir terimdir.
Serbestlik derecesi modeldeki parametre
sayısına karşılık gelmektedir. Ayrıca
serbestlik derecesi verilere getirilen bazı
kısıtlamalardan sonra, değişmekte serbest
olan değerlerin sayısıdır.
Yrd.Doç.Dr.Yüksel TERZĐ 180
Tek Tek ö örnek T Testi rnek T Testi
Ö Öğ ğrencilerin ayl rencilerin aylı ık masraflar k masrafları ın nı ın ortalama n ortalama
300 TL oldu 300 TL olduğ ğu iddia ediliyor. Bu iddian u iddia ediliyor. Bu iddianı ın n
do doğ ğrulu ruluğ ğunu %5 anlaml unu %5 anlamlı ıl lı ık seviyesinde k seviyesinde
test ediniz? test ediniz?
Yrd.Doç.Dr.Yüksel TERZĐ 181
One-Sample Statistics
10 284,50 60,985 19,285
notlar
N Mean Std. Deviation
Std. Error
Mean
One-Sample Test
-,804 9 ,442 -15,500 -59,13 28,13
notlar
t df Sig. (2-tailed)
Mean
Difference Lower Upper
95% Confidence
Interval of the
Difference
Test Value = 300
H
0
: µ=300
p=0,442>0,05 olup H0 hipotezi kabul edilir.
Tests of Normality
,129 10 ,200* ,973 10 ,913 notlar
Statistic df Sig. Statistic df Sig.
Kolmogorov-Smirnov
a
Shapiro-Wilk
This is a lower bound of the true significance.
*.
Lilliefors Significance Correction
a.
P=0,913>0,05
veriler normal
dağılışlıdır.
Yrd.Doç.Dr.Yüksel TERZĐ 182
• Tek grup test istatistiğinde eğer veriler normal dağılış
göstermiyorsa Non-parametric test kullanılır.
Yrd.Doç.Dr.Yüksel TERZĐ 183
Descriptive Statistics
10 284,50 60,985 200 400
notlar
N Mean Std. Deviation Minimum Maximum
Runs Test
300,00
10
2
-2,318
,020
Test Value
a
Total Cases
Number of Runs
Z
Asymp. Sig. (2-tailed)
notlar
User-specified.
a.
p=0,02<0,05 olup H
0
hipotezi kabul edilemez.
Yrd.Doç.Dr.Yüksel TERZĐ 184
Đki Anakütlenin Parametreleriyle Đlgili Hipotez Testleri
Bu testlerin amacı karşıt hipotezde ileri sürülen
iddianın kabul edilip edilmeyeceğinin ortaya
çıkartılmasıdır. Ancak karşıt hipotezi test etmek mümkün
olmadığından, önce sıfır hipotezi test edilir ve bu sonuç
karşıt hipotez için genellenir.
Đki anakütlenin parametreleriyle ilgili hipotez testinin
varsayımları:
Örneklemlerin alındığı anakütle normal dağılışlıdır.
Örneklemlerdeki birimler iadeli olarak ve eşit
olasılıkla seçilmiş veya anakütleler sonsuz büyüktür.
Đki anakütledeki örneklem seçimi birbirinden
bağımsızdır.
Yrd.Doç.Dr.Yüksel TERZĐ 185
Đki Anakütle Ortalaması Arasındaki Farka Đlişkin Hipotez Testi
Đki ortalama arasındaki farkın testi yapılırken, kullanılacak
test istatistikleri anakütle varyansının bilinmesi ve örnek
büyüklüğü dikkate alınarak aşağıdaki şekilde bir sınıflama
yapılabilir. Gözlemler Normal dağılış gösteriyorsa ve
1) Popülasyon (anakütle) varyansları (
2
2
2
1
σ σ , ) biliniyor veya
popülasyon varyansları bilinmiyor ancak örnekler büyükse (n ≥ ≥≥ ≥ 30)
2) Popülâsyon varyansları bilinmiyor fakat eşit kabul
edilebiliyorsa (
2
2
2
1
σ = σ ),
3) Popülâsyon varyansları bilinmiyor fakat eşit kabul
edilemiyorsa (
2
2
2
1
σ ≠ σ ),
4) Gruplar bağımlı ise yani eşli gözlemler varsa,

farklı her durum için uygun test istatistikleri kullanılarak ilgili
testler yapılabilir.
Yrd.Doç.Dr.Yüksel TERZĐ 186
Bu varsayımları kontrol için yapılacak kontroller:
• Normallik ve simetriyi kontrol et
– Ortalama ve medyanı incele
– Çarpıklık ve basıklık katsayılarını incele
– Her grubun histogram ve kutu grafiklerini çiz ve
incele
• Varyans homojenliğini kontrol için
– Kutu grafiklerini incele
– Serpilme grafiklerini incele
• Aşırı gözlemleri belirlemek için
– Kutu grafikleri incele
– Serpilme grafiklerini incele
– Histogramları incele
) , ( ~
) , ( ~
2
2 2 2
2
1 1 1
σ µ
σ µ
N X
N X

Yrd.Doç.Dr.Yüksel TERZĐ 187
Popülasyon varyansları (
2
2
2
1
σ σ ve ) biliniyor ve
n
1
>30 , n
2
>30 ( Z-testi)

H
0
: µ
1
- µ
2
= 0
H
1
: µ
1
- µ
2
≠ 0 H
1
: µ
1
- µ
2
> 0 H
1
: µ
1
- µ
2
< 0





H
0
: µ
1
- µ
2
= 0 H
0
: µ
1
- µ
2
= 0 H
0
: µ
1
- µ
2
= 0
H
1
: µ
1
- µ
2
≠ 0 H
1
: µ
1
- µ
2
> 0 H
1
: µ
1
- µ
2
< 0

Z
h
>Z
t
veya Z
h
<-Z
t
Z
h
>Z
t
Z
h
<-Z
t

ise H
o
reddedilir.
,
) ( ) (
2
2
2
1
2
1
2 1
2 1
n n
X X
Z
σ σ
µ µ
+
− − −
=
Yrd.Doç.Dr.Yüksel TERZĐ 188
Popülasyon varyansları bilinmiyor ancak
2
2
2
1
σ σ =
ve n
1
≤30 , n
2
≤30 ( t-testi)

H
0
: µ µµ µ
1
- µ µµ µ
2
= 0
H
1
: µ µµ µ
1
- µ µµ µ
2
≠ ≠≠ ≠ 0 H
1
: µ µµ µ
1
- µ µµ µ
2
> 0 H
1
: µ µµ µ
1
- µ µµ µ
2
< 0






Bulunan t
h
hesap değeri t
tablo
değeri mukayese edilir.
t
α αα α,(n1+n2-2)
<t
h
ise H
0
reddedilir.
2
) 1 ( ) 1 (
,
2 1
) ( ) (
2 1
2
2 2
2
1 1
2 1
2 1
2 1
− +
− + −
=
+
− − −
=
n n
s n s n
s
n n
s
X X
t
µ µ
Yrd.Doç.Dr.Yüksel TERZĐ 189
Popülasyon varyansları bilinmiyor ancak
2
2
2
1
σ σ ≠
ve n
1
≤30 , n
2
≤30 ( t-testi)

2
2
2
1
σ σ ≠ ise bu tür problemlere Behrens-Fisher Problemi denir.
H
0
: µ µµ µ
1
- µ µµ µ
2
= 0
H
1
: µ µµ µ
1
- µ µµ µ
2
≠ ≠≠ ≠ 0 H
1
: µ µµ µ
1
- µ µµ µ
2
> 0 H
1
: µ µµ µ
1
- µ µµ µ
2
< 0

2
2
2
1
2
1
2 1
2 1
) ( ) (
n
s
n
s
X X
t
+
− − −
=
µ µ

Bulunan t
h
hesap değeri t
tablo
değeri mukayese edilir. t
α αα α,v
<t
h
ise
H
0
reddedilir. Serbestlik derecesi aşağıdaki formülle bulunur.

2
1
) / (
1
) / (
) / / (
2
2
2
2
2
1
2
1
2
1
2
2
2
2 1
2
1

+
+
+
+
= =
n
n s
n
n s
n s n s
v sd

Yrd.Doç.Dr.Yüksel TERZĐ 190
Örnek: Bulaşık deterjanını plastik kaplara doldurmak için iki
makine kullanılıyor. Birinci makineden n
1
=10 plastik kap,
ikinci makineden n
2
=12 plastik kap seçiliyor. Bu kaplar
incelendiğinde birinci makine ortalama 30.87 birim sıvı, ikinci
makine ortalama 30.68 birim sıvı doldurmuştur. Varyansları
ise sırasıyla 0.0225 ve 0.0324 bulunmuştur.
a) Varyansları homojen (
2
2
2
1
σ σ = ) kabul ederek, %95 güven
düzeyinde (%5 anlamlılık düzeyinde) birinci makinenin daha
fazla sıvı doldurduğu söylenebilir mi?
b) Varyansları heterojen (
2
2
2
1
σ σ ≠ ) kabul ederek, %95 güven
düzeyinde birinci makinenin daha fazla sıvı doldurduğu
söylenebilir mi?
Çözüm :
12 0324 . 0 68 . 30
10 0225 . 0 87 . 30
2
2
2
2
1
2
1
1
= = =
= = =
n s X
n s X

2 1 1
2 1 0
:
:
µ µ
µ µ
>
=
H
H

Yrd.Doç.Dr.Yüksel TERZĐ 191
a)
2
2
2
1
σ σ = ise

167 . 0
2 12 10
0324 . 0 ) 1 12 ( 0225 . 0 ) 1 10 (
2
) 1 ( ) 1 (
2 1
2
2 2
2
1 1
=
− +
− + −
=
− +
− + −
=
n n
s n s n
s


657 . 2
12
2
10
1
167 . 0
0 ) 68 . 30 87 . 30 (
2 1
) ( ) (
2 1
2 1
2 1
=
+
− −
=
+
− − −
=
n n
s
X X
t
µ µ


t
α αα α,(n1+n2-2)
=t
005,(10+12-2)
=t
0.05,20
=1.725 <t
h
=2.657 olduğundan H
0
reddedilir.

Karar: Đki makineden birinci makinenin daha fazla sıvı
doldurduğu %95 güvenilirlikle söylenebilir.
Yrd.Doç.Dr.Yüksel TERZĐ 192
b)
2
2
2
1
σ σ ≠ ise
02 . 22 2
1 12
) 12 / 0324 . 0 (
1 10
) 10 / 025 . 0 (
) 12 / 0324 . 0 10 / 025 . 0 (
2
1
) / (
1
) / (
) / / (
2 2
2
2
2
2
2
2
1
2
1
2
1
2
2
2
2 1
2
1
= −
+
+
+
+
= −
+
+
+
+
= =
n
n s
n
n s
n s n s
v sd



699 . 2
12
0324 . 0
10
0225 . 0
) 68 . 30 87 . 30 ( ) ( ) (
2
2
2
1
2
1
2 1
2 1
=
+

=
+
− − −
=
n
s
n
s
X X
t
µ µ


t
α αα α,v
=t
0.05, 22.02
=1.717 <t
h
=2.699 olduğundan H
0
reddedilir.

Karar :
2
2
2
1
σ σ ≠
olduğunda birinci makinenin daha etkin
olduğu söylenebilir.
Yrd.Doç.Dr.Yüksel TERZĐ 193
Varyansların Homojenlik Testi :
i.) Bartlett Homojenlik Testi
t ,..., 2 , 1 i , ˆ
2
i
= σ t adet varyansın homojenlik kontrolü için, sıfır
hipotezi:


2 2
2
2
1 0
:
t
H σ σ σ = = = K

( ) ( )

σ ν − σ ν =

=
t
1 i
2
e i
2
e
ˆ
log
ˆ
log
C
1
U


Eğer hesaplanan U değeri
2
) 1 t (
U
− α
χ > ise Ho reddedilir. Burada
∑ ∑
ν
σ ν
= σ ν = ν
=
2
i i 2
t
1 i
i
ˆ
ˆ
,

i i
df = ν t grubun her grubunun serbestlik derecelerini
göstermektedir.

ν

ν −
+ =

=
t
1 i
i
1 1
) 1 t ( 3
1
1 C

Yrd.Doç.Dr.Yüksel TERZĐ 194
ii. Levens’ in Varyans Heterojenlik Testi

Denemede (k) tane grup varsa bu grupların varyanslarının
heterojenliğini test için kullanılan basit bir testtir. Bartlett testine
benzemektedir, ancak hesabı biraz daha kolaydır.
∑∑

= =
=





=
k
i
ni
j
i ij
k
i
i i
Z Z
Z Z n
k
k N
W
1 1
2
.
2
1
..
) (
) . (
) 1 (
) (
,
Burada k: muamele grup sayısı, ni: i nci gruptaki gözlem
sayısıdır, ve Z
ij
hesaplanırken ortalamaya göre, medyana göre
veya budanmış ortalamaya göre hesaplanabilir. Şöyle ki;

. i ij
Y Y Zij − = ,
. i
Y : i nci grubun aritmetik ortalaması

.
~
i ij
Y Y Zij − = ,
.
~
i
Y : i nci grubun medyandır.

. i ij
Y Y Zij

− = ,
. i
Y
′ : i nci grubun budanmış ortalamasıdır.
i. Z : i nci grubun ortalamasıdır, .. Z ise genel ortalamadır.
Yrd.Doç.Dr.Yüksel TERZĐ 195
İ İki Ba ki Bağı ğıms msı ız z Ö Örnek i rnek iç çin T testi in T testi
Yrd.Doç.Dr.Yüksel TERZĐ 196
Örnek: Psikolog uykunun hatırlama üzerine etkisini araştırıyor.
Günde 12 saat uyuyan 12 öğrenci ile günde 5 saat uyuyan diğer 12
öğrenciye hatırlama testi uyguluyor. Aldığı puanlar aşağıdaki
şekilde belirleniyor.

8 saat uyuyanlar: 40 45 52 61 65 75
5 saat uyuyanlar:30 35 48 52 54 60

0 : :
0 : :
2 1 1 2 1 1
2 1 0 2 1 0
≠ − ≠
= − =
µ µ µ µ
µ µ µ µ
H H
H veya H

1 2
0, 05 , 6 , 6 n n α = = =
Yrd.Doç.Dr.Yüksel TERZĐ 197
Tests of Normality
,140 6 ,200* ,973 6 ,910
,273 5 ,200* ,894 5 ,378
grup
1
2
puan
Statistic df Sig. Statistic df Sig.
Kolmogorov-Smirnov
a
Shapiro-Wilk
This is a lower bound of the true significance.
*.
Lilliefors Significance Correction
a.
P P1 1=0,910>0,05 P =0,910>0,05 P2 2=0,378>0,05 =0,378>0,05
Veriler normal da Veriler normal dağı ğıl lış ışl lı ıd dı ır. r.
Yrd.Doç.Dr.Yüksel TERZĐ 198
Group Statistics
6 56,33 13,110 5,352
5 46,20 12,969 5,800
grup
1
2
puan
N Mean Std. Deviation
Std. Error
Mean
Independent Samples Test
,008 ,929 1,283 9 ,232 10,133 7,901 -7,739 28,006
1,284 8,678 ,232 10,133 7,892 -7,821 28,088
Equal variances
assumed
Equal variances
not assumed
puan
F Sig.
Levene's Test for
Equality of Variances
t df Sig. (2-tailed)
Mean
Difference
Std. Error
Difference Lower Upper
95% Confidence
Interval of the
Difference
t-test for Equality of Means
Homojenlik Testi : Homojenlik Testi : p=0,929>0,05 p=0,929>0,05 varyanslar varyanslar homojendir. homojendir.
Independent Independent t t- -test: test: p=0,232>0,05 H0 kabul. Ortalamalar aras p=0,232>0,05 H0 kabul. Ortalamalar arası ında fark yoktur. nda fark yoktur.
Yani 8 saat uyuyan Yani 8 saat uyuyan ö öğ ğrenciler ile 5 saat uyuyan renciler ile 5 saat uyuyan ö öğ ğrencilerin not ortalamalar rencilerin not ortalamaları ı
aras arası ında %5 nda %5 ö önem seviyesinde istatistiksel olarak nem seviyesinde istatistiksel olarak ö önemli bir farkl nemli bir farklı ıl lı ık yoktur. k yoktur.
Yrd.Doç.Dr.Yüksel TERZĐ 199
E Eğ ğer veriler normal da er veriler normal dağı ğıl lış ış g gö östermiyorsa, stermiyorsa, Non Non Parametirc Parametirc testlerden testlerden
Mann Mann- -Whitney Whitney U testi kullan U testi kullanı ıl lı ır. r.
Yrd.Doç.Dr.Yüksel TERZĐ 200
Test Statistics
b
10,500
31,500
-1,203
,229
,240
a
Mann-Whitney U
Wilcoxon W
Z
Asymp. Sig. (2-tailed)
Exact Sig. [2*(1-tailed
Sig.)]
puan
Not corrected for ties.
a.
Grouping Variable: grup
b.
P=0,229>0,05 oldu P=0,229>0,05 olduğ ğundan H0 hipotezi undan H0 hipotezi red red edilir, yani iki edilir, yani iki
grubun notlar grubun notları ı aras arası ında fark yoktur denilebilir. nda fark yoktur denilebilir.
Yrd.Doç.Dr.Yüksel TERZĐ 201
Đki Bağımlı (Eşli) Anakütle Ortalaması Arasındaki
Farkın Hipotez Testi

Aynı fert üzerinde farklı zamanlarda ölçümler
alındığında ve bunların karşılaştırılması söz konusu
olduğu durumlarda bağımlı (eşli) grup ortaya çıkar.
Eşleştirilmiş fertlerle yapılan testlerde kullanılan
test istatistiği daha önceki grup karşılaştırmalarında
kullanılanlardan daha farklıdır. Çünkü grup
karşılaştırmalarında X
1
ile X
2
değişkenlerinin
birbirinden bağımsız olduğu varsayılmaktaydı.
Eşleştirilmiş gözlemlerde ise X
1
ve X
2
ölçümleri aynı
birey üzerinde veya çok benzer bireyler üzerinden
yapıldığı için bağımlı olacaktır. Yani n
1
= n
2
= n (gözlem
çifti sayısı ) olacaktır.
Yrd.Doç.Dr.Yüksel TERZĐ 202
İ İki Ba ki Bağı ğıml mlı ı Ö Örnek i rnek iç çin T testi in T testi
Yrd.Doç.Dr.Yüksel TERZĐ 203
P<0.01 oldu P<0.01 olduğ ğundan yokluk hipotezi reddedilir. Yani ilk a undan yokluk hipotezi reddedilir. Yani ilk ağı ğırl rlı ık de k değ ğerleri ile son erleri ile son
a ağı ğırl rlı ık de k değ ğerlerinin ortalamalar erlerinin ortalamaları ı birbirinden birbirinden ö önemli nemli ö öl lçü çüde farkl de farklı ıd dı ır. r.
Yrd.Doç.Dr.Yüksel TERZĐ 204
Örnek:Yürüyüşten önceki ve sonraki PEFR değerleri arasındaki
fark:

Hasta Önce Sonra
(PEFR) (PEFR)
1 312 300
2 242 201
3 340 232
4 388 312
5 296 220
6 254 256
7 391 328
8 402 330
9 290 231
Yrd.Doç.Dr.Yüksel TERZĐ 205
Paired Samples Statistics
323,89 9 59,826 19,942
267,78 9 50,007 16,669
once
sonra
Pair
1
Mean N Std. Deviation
Std. Error
Mean
Paired Samples Test
56,111 34,174 11,391 29,843 82,380 4,926 8 ,001 once - sonra Pair 1
Mean Std. Deviation
Std. Error
Mean Lower Upper
95% Confidence
Interval of the
Difference
Paired Differences
t df Sig. (2-tailed)
P=0,001<0,05 olup P=0,001<0,05 olup
Ho Ho red red edilir. Yani edilir. Yani
a ağı ğırl rlı ıkta sonradan kta sonradan
bir d bir dü üş şme me
olmu olmuş ştur. tur.
Yrd.Doç.Dr.Yüksel TERZĐ 206
E Eğ ğer verile normal da er verile normal dağı ğıl lış ış g gö östermeseydi, stermeseydi, Non Non- -Parametric Parametric testlerden testlerden
Wilcoxon Wilcoxon testi testi kulllan kulllanı ıl lı ır r. .
Yrd.Doç.Dr.Yüksel TERZĐ 207
Test Statistics
b
-2,549
a
,011
Z
Asymp. Sig. (2-tailed)
sonra - once
Based on positive ranks.
a.
Wilcoxon Signed Ranks Test
b.
P=0,011<0,05 H0 P=0,011<0,05 H0 red red edilir. edilir.
Yrd.Doç.Dr.Yüksel TERZĐ 208
KĐ-KARE TESTĐ

Günümüzde yapılan birçok araştırmada nicel (sayısal)
değişkenlerden ziyade nitel (sayısal olmayan) değişkenlerin
dikkate alındığı gözlemlenmektedir. Ayrıca bazen nicel
değişkenler uygun biçimde gruplandırma ile nitel değişken
durumuna getirilebilir. Đşte sayısal olmayan (nitel)
değişkenlere ki-kare (χ χχ χ
2
) testi uygulanır.
Normal dağılan bir anakütleden rasgele çekilen n
hacimli örneklem için ki-kare istatistiği hesaplanır.


=
= + + + =

+ +

+

=
n
i
i n
n
Z Z Z Z
X X X X X X
1
2 2 2
2
2
1
2 2
2
2
1 2
) ( ) ( ) (
K K
σ σ σ
χ

Yrd.Doç.Dr.Yüksel TERZĐ 209
1. Bir frekans dağılımının herhangi bir teorik dağılıma
uyup uymadığının kontrolü için yapılan testler
2. Đki veya daha fazla gruptaki oranların eşitliğinin testi
için yapılan testler
3. Đki özelliğin birbirinden bağımsız olup olmadığının
testi
4. Örnek frekanslarının homojenlik kontrolü

Yukarıdaki durumlarda χ χχ χ
2
dağılışı kullanılarak hipotez
testleri yapılabilir. χ χχ χ
2
dağılışı sürekli ve sağa çarpık bir
dağılıştır, üst kuyruğu daha uzundur. Genelde H
1
hipotezi
tek yönlü olarak kurulur. Eğer çift yönlü kurulma
mecburiyeti doğarsa o zaman alt ve üst bölgedeki kritik
red bölgesi ayıran tablo değerleri ayrı ayrı okunur.
Süreksiz bir dağılışa yaklaşımda kullanıldığında Yates
düzeltmesi zorunludur.
Yrd.Doç.Dr.Yüksel TERZĐ 210
Ki-kare dağılımı pozitif çarpık dağılıştır.
Yrd.Doç.Dr.Yüksel TERZĐ 211
KĐ-KARE (χ χχ χ
2
)- UYGUNLUK TESTĐ
n hacimli bir örneklemin anakütleyi iyi temsil edip
etmediğinin veya hangi dağılıma sahip bir anakütleden geldiği
ki-kare uygunluk testi ile belirlenebilir.

H
0
: Örneklem anakütleyi temsil edebilir (örneklem dağılımı
anakütle dağılımına uygundur).
H
1
: Örneklem anakütleyi temsil edemez (örneklem dağılımı
anakütle dağılımına uygun değildir).

n
T
G
T
T G
r
i
i
i
r
i
i
i i
− =

=
∑ ∑
= = 1
2
1
2
2
) (
χ


G
i
: Gözlenen frekanslar T
i
: Teorik frekanslar
Serbestlik derecesi: v=r–1

2 2
tablo
χ χ ≤
ise H
0
reddedilemez.
Yrd.Doç.Dr.Yüksel TERZĐ 212
KĐ-KARE BAĞIMSIZLIK TESTĐ
Değişkenlerin 2x2 yada RxC biçiminde ki çapraz
tablolarda sınıflandırılması halinde, değişkenlerin arasında
bağımlılık yada bir değişim olup olamadığını ortaya koyan
testtir. Çift yönlü tablolarda (kontenjans tablosu) yer alan
değişkenlerden her ikisi nitel (sayısal olmayan) veya biri nitel
değişken diğeri nicel (sayısal) değişken arasındaki ilişkiler ki-
kare bağımsızlık testi ile test edilebilir.
2x2 tablolarına Pearson Kikare testi, Yates Kikare
(düzeltilmiş) ve Fisher Kikare (kesin) testleri uygulanır. RxC
tipindeki tablolara ise Pearson Kikare testi yapılır. Serbestlik
derecesi R satır sayısı ve C sütun sayısı olmak üzere (R-1)x(C-
1) biçimindedir.
H
0
: Değişkenler birbirinden bağımsızdır (Değişkenler
arasında ilişki yoktur).
H
1:
Değişkenler birbirinden bağımsız değildir
(Değişkenler arasında ilişki vardır).
Yrd.Doç.Dr.Yüksel TERZĐ 213
Sütun
Satır
C1 C2
Toplam
S1 A
A

B
B


N1=A+B
S2 C
C


D
D


N2=C+D
Toplam N3=A+C N4=B+D N
∑∑
− =
ij ij ij
T T G / ) (
2 2
χ


Burada G
ij
gözlenen frekansları (A,B,C,D), T
ij
(A

,B’, C’, D’) ise
beklenen frekansları göstermektedir. Beklenen frekanslar satır ve
sütun toplamlarının çarpımının genel toplama bölünmesi ile
hesaplanır.
A

=N1*N3/N B

=N1*N4/N C

=N2*N3/N D

=N2*N4/N

Eğer
2
,
2
sd α
χ χ ≤ veya P>0.05 ise H
0
kabul edilir. Aksi durumda
Hipotez reddedilir.
Yrd.Doç.Dr.Yüksel TERZĐ 214
Pearson Ki-kare Analizi : 2x2 tablosunda beklenen değerlerin
tümü 25’te büyük ise uygulanır. (T
ij
>25 ise)
∑∑
− =
ij ij ij
T T G / ) (
2 2
χ


Yates Ki-kare Testi : Gözlerdeki beklenen frekanslardan biri
5 ile 25 arasında ise uygulanır. (5< T
ij<
<25) n<50 olduğunda
da Yates süreklilik düzeltmesine başvurulur.

∑∑
− − =
ij ij ij
T T G / ) 5 . 0 (
2 2
χ


Fisher Ki-kare Testi : Gözlerdeki beklenen frekanslardan biri
5 ten küçük ise uygulanır. (T
ij
<5)

= ) ! ! ! ! ! /( ) ! 2 ! 2 ! 1 ! 1 ( d c b a N C R C R P

Yrd.Doç.Dr.Yüksel TERZĐ 215
Örnek: Bir okulda cinsiyet ile düzenli spor yapma arasında
ilişki olduğu iddia edilmektedir. Bu amaçla rasgele seçilen
780 öğrenciden elde edilen bilgiler aşağıdaki tabloda
verilmiştir. Cinsiyetin düzenli spor yapma üzerinde etkili
olup olmadığına %1 anlamlılık düzeyinde karar veriniz?

Düzenli Spor Yapma
Cinsiyet
Yapan Yapmayan
Toplam
Bayan 246 122 368
Erkek 125 287 412
Toplam 371 409 780
H
0
: Cinsiyet ile düzenli spor yapma arasında ilişki yoktur
(değişkenler birbirinden bağımsızdır).
H
1:
Cinsiyet ile düzenli spor yapma arasında ilişki vardır
(değişkenler arasında bir bağıntı vardır).
Yrd.Doç.Dr.Yüksel TERZĐ 216
Düzenli Spor Yapma
Cinsiyet
Yapan Yapmayan
Toplam
Bayan 246
175
122
193
368
Erkek 125
196
287
216
412
Toplam 371 409 780

87 . 103
216
) 216 287 (
196
) 196 125 (
193
) 193 122 (
175
) 175 246 (
) (
2 2 2 2
2
2
=

+

+

+

=

=
∑∑
ij
ij ij
T
T G
χ

Serbestlik derecesi=(R-1)*(C-1)=(2-1)*(2-1)=1
64 . 6 87 . 103
2
1 , 01 . 0
2
= > = χ χ
H
0
reddedilir. Cinsiyetle düzenli spor
yapma arasında ilişki vardır.
Yrd.Doç.Dr.Yüksel TERZĐ 217
Yrd.Doç.Dr.Yüksel TERZĐ 218
Yrd.Doç.Dr.Yüksel TERZĐ 219
Yrd.Doç.Dr.Yüksel TERZĐ 220
Chi-Square Tests Chi-Square Tests Chi-Square Tests Chi-Square Tests
103,877
b
1 ,000
102,418 1 ,000
106,211 1 ,000
,000 ,000
103,744 1 ,000
780
Pearson Chi-Square
Continuity
Correction
a
Likelihood Ratio
Fisher's Exact Test
Linear-by-Linear
Association
N of Valid Cases
Value df
Asymp. Sig.
(2-sided)
Exact Sig.
(2-sided)
Exact Sig.
(1-sided)
Computed only for a 2x2 table
a.
0 cells (,0%) have expected count less than 5. The minimum expected
count is 175,04.
b.

Đşlem sonucunda 4 hesap değeri bulunur. Bunlar Pearson, Continuity
Correction (süreklilik düzeltmesi-Yates), Likelihood Ratio (Benzerlik oranı)
ve Fisher’in exact testidir. The minimum expected count (en küçük beklenen
değer) 5’ten küçük ise Fisher, 5-25 arasında ise Yates, 5’ten büyük ise
Pearson Kikare değerine bakılır ve yorum yapılır. Buradaki minimum
beklenen değer 175,03 olduğundan Pearson değerine bakılır. O halde ki-kare
hesap değerimiz 103,8 olur. Sd:1 P=0 < 0.05 olduğundan H
0
reddedilir. Yani
spor yapma cinsiyete göre değişmektedir.

Yrd.Doç.Dr.Yüksel TERZĐ 221
Örnek: Dişlerin fırçalanması ile kişilerin eğitim durumlarının
arasında bir ilişki olup olmadığı araştırılıyor. Günde diş
Fırçalama sayısı (0,1,2 veya daha fazla), eğitim durumu (ilk
öğretim, lise veya daha yüksek) şeklinde sınıflanıyor. Her iki
değişkende sıralama ölçeğinde değişkenler olduğu için χ χχ χ
2

bağımsızlık testi ile bu kontrol edilebilir.

0
Fırça
1
Fırça
2+
Fırça
∑ ∑∑ ∑
Đlk okul 5
(1.78)
27
(22.06)
5
(13.16)
37
Lise+ 5
(8.22)
97
(101.94)
69
(60.84)
171
∑ ∑∑ ∑
10 124 74 208

Yrd.Doç.Dr.Yüksel TERZĐ 222
H
o
: diş fırçalama ile eğitim durumu arasında
bağımlılık yoktur.
H
1
: En az bir kategoride bağımlılık söz konusudur.




Khi-Kare=5,833+1,107+5,063+1,262+0,24+1,095= 14,600

Serbestlik derecesi= (2-1)*(3-1)=2
Ho red edilir Çünkü χ χχ χ
2

(2,0.01)
=9.21 ve
χ χχ χ
2
(k-1,α αα α)
= χ χχ χ
2
(2, 0.01)
=9.21

14.60>9.21 dir. Diş fırçalaması eğitimle yakından
ilişkilidir.
∑ ∑
= =

=
c
j
ij
ij ij
r
i
T
T G
1
2
1
2
) (
χ
Yrd.Doç.Dr.Yüksel TERZĐ 223
FISHER’in Kesin Olasılık Testi
Örnek hacmi küçük olduğunda hücrelerin beklenen değerlerinin 5 ten
büyük bulunması çok zordur, dolayısıyla χ χχ χ
2
dağılışına yaklaşım uygun olmaz. Bu
nedenle 2x2 lik tablolarda hücrelerden herhangi birisinin beklenen değeri 5 den
küçük ise Fisher’in kesin olasılık testi uygulanması gerekir.
Fisher’ in testi, gözlenen 2x2 lik bir tablonun kesin önem seviyesinin
hesaplanmasına dayanır. Bu teste göre sıra ve sütun marjinal (kenar) toplamları
ve (n) değişmemek koşulu ile tablo içi hücre değerlerinin değişik kombinasyonları
için söz konusu olasılıkları hesaplayarak toplanır. Bu son elde edilen değer
gözlenen ve daha ekstrem tabloların elde edilme olasılığıdır. Toplamı (n) olan
hücreleri a,b,c,d olan bir tablonun elde edilme olasılığı:
I. Özellik
Var Yok
∑ ∑∑ ∑
Var a B a+b
Yok c D c+d
II.
Özellik
∑ ∑∑ ∑
a+c b+d n

( ) ( ) ( ) ( )
! ! ! ! !
! ! ! ! b a
d) c, b, Prob(a,
d c b a n
d b c a d c + + + + + + +
=

ile hesaplanır. Birinci sıra ve birinci sütundaki (a) hücresinin değeri her seferinde
1 küçültülerek yeni tablo ve bunun elde edilme olasılığı hesaplanır. Bu işlem a’
nın değeri sıfır oluncaya kadar devam edilir.
Yrd.Doç.Dr.Yüksel TERZĐ 224
Örnek: Perikardial efüzyon olan ve olmayan hastalarda sigara
içme durumu arasında bir ilişki olup olmadığı araştırılıyor. 60 kişi
ile yapılan bir denemede aşağıdaki tablo elde ediliyor.

Sigara içme
var Yok
∑ ∑∑ ∑
var 2 23 25
yok 5 30 35
Efüzyon
olması
∑ ∑∑ ∑
7 53 60

Bu tablonun elde edilme olasılığı:

( ) ( ) ( ) ( )
252 . 0
! 30 ! 5 ! 23 ! 2 ! 60
! 53 ! 7 ! 35 ! 25
d) c, b, Prob(a, =
+ + +
=

Yrd.Doç.Dr.Yüksel TERZĐ 225
Bu tablodan 2 farklı tablo daha elde edilebilir.
Sigara içme
var Yok
∑ ∑∑ ∑
var 1 24 25
yok 6 29 35
Efüzyon
olması
∑ ∑∑ ∑
7 53 60
Bu tablonun elde edilme olasılığı:
( ) ( ) ( ) ( )
105 . 0
! 29 ! 6 ! 24 ! 1 ! 60
! 53 ! 7 ! 35 ! 25
d) c, b, Prob(a, =
+ + +
=


Sigara içme
var yok
∑ ∑∑ ∑
yok 0 25 25
var 7 28 35
Efüzyon
olması
∑ ∑∑ ∑
7 53 60
Bu tablonun elde edilme olasılığı:
( ) ( ) ( ) ( )
017 . 0
! 28 ! 7 ! 25 ! 0 ! 60
! 53 ! 7 ! 35 ! 25
d) c, b, Prob(a, =
+ + +
=

Yrd.Doç.Dr.Yüksel TERZĐ 226
Bu olasılıklar toplanırsa, Fisher’in tek yönlü kesin
olasılığı elde edilmiş olur. Çift yönlü olasılık istenirse
bunun iki katı alınır, yani p=0.688 olur.

Her ne kadar sigara içenlerde efüzyon oranı
5/7=0.71, içmeyenlerde 30/53=0.566 olsa da
istatistiksel olarak

P
(fisher)
=(0.017+0.105+0.252)=0,374>α αα α=0.05

olduğundan Sigara ile efüzyonun var olması
arasında bir ilişki olmadığı söylenebilir.
Yrd.Doç.Dr.Yüksel TERZĐ 227
Beklenen h Beklenen hü ücre cre
Say Sayı ıs sı ı 5 5’ ’den k den küçü üçük k
olanlar olanları ın oran n oranı ı %25 %25
oldu olduğ ğundan uygun undan uygun
bi biç çimde sat imde satı ır yada r yada
s sü ütun tun
birle birleş ştirilmesine tirilmesine
gidilir. Bunun i gidilir. Bunun iç çin in
en uygun olan en uygun olan
Trabzon ile Trabzon ile
Samsun Samsun’ ’un un
birle birleş ştirilmesidir. tirilmesidir.
Yrd.Doç.Dr.Yüksel TERZĐ 228
Yrd.Doç.Dr.Yüksel TERZĐ 229

KĐ-KARE HOMOJENLĐK TESTĐ

Đki yada daha fazla bağımsız örneklemin aynı ana kütleden
seçilip seçilmediğini test eder.

H
0
: Đki örneklem aynı anakütleden seçilmiştir.
H
1:
Đki örneklem farklı anakütleden seçilmiştir.
∑∑
− =
ij ij ij
T T G / ) (
2 2
χ
Yrd.Doç.Dr.Yüksel TERZĐ 230
Örnek: Bölgesel satış yapan bir üretim işletmesi 2 yeni
ürün geliştirerek piyasaya sürmüştür. Tüketicilerin
görüşlerini belirlemek amacıyla bir rassal örneklem
oluşturulmuştur. Sonuçlar aşağıdaki gibi bulunmuştur.
Seçilen örneklemlerin, aynı anakütleye ait olup olmadığını
%5 anlamlılık düzeyinde test edinizi?

Tüketici Görüşleri
Ürünler
Beğenen Beğenmeyen Đlgisiz
Toplam
I.Ürün 60 30 10 100
II.Ürün 80 50 20 150
Toplam 140 80 30 250

H
0
: Đki örneklem aynı anakütleden seçilmiştir.
H
1
: Đki örneklem farklı anakütleden seçilmiştir.

Yrd.Doç.Dr.Yüksel TERZĐ 231
Tüketici Görüşleri
Ürünler
Beğenen Beğenmeyen Đlgisiz
Toplam
I.Ürün 60 (56) 30 (32) 10 (21) 100
II.Ürün 80 (84) 50 (32) 20 (21) 150
Toplam 140 80 30 250


24 , 1
21
) 21 20 (
...
32
) 32 30 (
56
) 56 60 (
) (
2 2 2
2
2
=

+ +

+

=

=
∑∑
ij
ij ij
T
T G
χ

Serbestlik derecesi=(R-1)*(C-1)=(2-1)*(3-1)=2
99 , 5 24 , 1
2
2 , 05 . 0
2
= < = χ χ
H
0
kabul edilir. Đki örneklem aynı
anakütleden seçilmiştir.
Yrd.Doç.Dr.Yüksel TERZĐ 232

KONTENJANS KATSAYISI

Nitel iki değişken arasındaki ilişkini derecesini belirleyen
bir katsayıdır. rxc tablolarında r>2 ve c>2 ise ki-kare
değerinin gösterdiği ilişki düzeyini belirlemede kullanılır.
Đki değişken arasında bir ilişki bulunmuyorsa c=0 olur.
Đlişki yüksekse c 1’e yakın bir değer verir.

2
2
c
n
χ
χ
=
+

Yrd.Doç.Dr.Yüksel TERZĐ 233
Yrd.Doç.Dr.Yüksel TERZĐ 234
Yrd.Doç.Dr.Yüksel TERZĐ 235
Symmetric Measures
,070 ,538
,070 ,062 1,109 ,269
c
,070 ,063 1,105 ,270
c
250
Contingency Coefficient Nominal by Nominal
Pearson's R Interval by Interval
Spearman Correlation Ordinal by Ordinal
N of Valid Cases
Value
Asymp.
Std. Error
a
Approx. T
b
Approx. Sig.
Not assuming the null hypothesis.
a.
Using the asymptotic standard error assuming the null hypothesis.
b.
Based on normal approximation.
c.
ürün * tüketici Crosstabulation
Count
60 30 10 100
80 50 20 150
140 80 30 250
1
2
ürün
Total
Beğenen Beğmeyen Đlgisiz
tüketici
Total
Chi-Square Tests
1,240
a
2 ,538
250
Pearson Chi-Square
N of Valid Cases
Value df
Asymp. Sig.
(2-sided)
0 cells (,0%) have expected count less than 5. The minimum
expected count is 12,00.
a.
Yrd.Doç.Dr.Yüksel TERZĐ 236

ÇAPRAZ TABLOLARDA KORELASYON

kxk çapraz tablolarında değişkenler arasındaki korelasyon
katsayısı aşağıdaki gibi hesaplanır. Korelasyon 0-1 arasında
değerler alır.

2
( 1)
r
n k
χ
=


Yrd.Doç.Dr.Yüksel TERZĐ 237
Đki Anakütle Oranları Arasındaki Farkın Hipotez Testi
Bu testlerde karşıt hipoteze örnek olarak şunlar verilebilir:
A ve B bölümü öğrencilerinin başarı oranları farklıdır.
Lise mezunlarının üniversiteye girme oranı Anadolu
liselerinkinden düşüktür.
Futbol seyretme oranı erkeklerde daha yüksektir.

0<π ππ π
1
<1 , 0<π ππ π
2
<1 olmak üzere

H
0
: π ππ π
1
=π ππ π
2
H
0
: π ππ π
1
=π ππ π
2
H
0
: π ππ π
1
=π ππ π
2


H
1
: π ππ π
1
≠π ππ π
2
H
1
: π ππ π
1
<π ππ π
2
H
1
: π ππ π
1
>π ππ π
2


2
2 2
1
1 1 2 1 2 1
) 1 ( ) 1 (
,
) ( ) (
2 1
2 1
n
p p
n
p p
s
s
p p
Z
p p
p p

+

=
− − −
=


π π

Yrd.Doç.Dr.Yüksel TERZĐ 238
Örnek:Yapılan bir çalışmada 61 bayandan 11 tanesi, 238
erkekten ise 35 tanesinin bir sınavdan başarılı olduğu tespit
edilmiştir. Bayanlarla erkeklerin başarı oranları arasında %5
önem seviyesinde bir farklılık var mıdır?
238 61 Toplam
203 50 Başarısız
35 11 Başarılı
Toplam Erkek Bayan
Yrd.Doç.Dr.Yüksel TERZĐ 239
Yrd.Doç.Dr.Yüksel TERZĐ 240
Yrd.Doç.Dr.Yüksel TERZĐ 241
Ki-Kare=0,413 , p=0,521>0,05 H
0
kabul edilir.
P1=11/61=0,18 p2=35/238=0,147 Sp=(11+35)/(61+238)=0,154
64 , 0
238
1
61
1
846 , 0 . 154 , 0
147 , 0 18 , 0
=
|
¹
|

\
|
+

= Z
Z
2
=0,64
2
=0,42=Ki-kare
H
0
: π ππ π
1
=π ππ π
2
Yrd.Doç.Dr.Yüksel TERZĐ 242
Bağımlı Gruplarda Ki-Kare Testi (McNemar Testi)
2x2 tablolarda bir örnek grup üzerinde iki farklı
uygulama yapıldığını (örneğin bağımlı olduğunu) ve iki ölçüm
arasındaki farkın anlamlı olup olmadığını test eder.

( )
C B
C B
+

=
2
2
χ


Eğer B+C<30 ise test istatistiği aşağıdaki gibi düzeltilir.


( )
C B
C B
+
− −
=
2
2
1
χ


Serbestlik derecesi 1 dir.
2 2
, 1 h
χ χ
α

ise H
0
reddedilir.
Yrd.Doç.Dr.Yüksel TERZĐ 243
Örnek: 30 öğrencinin kurs öncesi vermiş oldukları cevap dağılımı
ile kurs sonrası vermiş oldukları cevapların değişimini incelemek
istiyoruz. Veriler aşağıdaki gibidir. Kurs öncesi sonuçların kurs
sonrası değişmesi önemli midir?

Kurs Sonrası Kurs
Öncesi Olumlu Olumsuz
Toplam
Olumlu 13 8 21
Olumsuz 6 3 9
Toplam 19 11 30

( ) ( )
071 . 0
6 8
1 6 8 1
2 2
2
=
+
− −
=
+
− −
=
C B
C B
χ


84 . 3
2
05 . 0 , 1
= χ
>0.071 olduğundan sıfır hipotezi kabul edilir. Yani
Kurs öncesi ve kurs sonrası sonuçlar arasında uyumluluk vardır.
Öğrencilerin kurs öncesi ve kurs sonrası görüşlerinde değişme
olmamıştır.
Yrd.Doç.Dr.Yüksel TERZĐ 244
Yrd.Doç.Dr.Yüksel TERZĐ 245
Yrd.Doç.Dr.Yüksel TERZĐ 246
once * sonra Crosstabulation
Count
13 8 21
6 3 9
19 11 30
+
-
once
Total
+ -
sonra
Total
Chi-Square Tests
,791
a
30
McNemar Test
N of Valid Cases
Value
Exact Sig.
(2-sided)
Binomial distribution used.
a.
P=0,791>0,05 H0 kabul. G P=0,791>0,05 H0 kabul. Gö ör rü üş şlerde bir de lerde bir değ ği iş şiklik olmam iklik olmamış ışt tı ır. r.
Yrd.Doç.Dr.Yüksel TERZĐ 247
TESTLERĐN UYUMU- KAPPA DEĞERĐ
Eğer Kappa sıfır ise şansın dışında bir uyum söz konusu değildir. Kappa bir ise
iki test arasındaki uyumun tam olduğunu ifade eder. Kappa hangi yöntemin daha iyi
olduğunu göstermez yöntemler arasındaki uyumu gösterir.2x2 lik bir tabloda Kappa
hesabı yapılması:

Standart Test
+ - Toplam
+ A B
A+B

Alternatif
Test
- C D
C+D
Toplam A+C B+D
N

(A+D) : Đ ki testte de aynı sonucu elde etme sayısı
O=(A+D)/N : Her iki test de aynı sonucu elde etme oranı
(B+C) : Her iki testte farklı sonuç elde etme sayısı
E=[(A+B)/N*(A+C)/N]+[(C+D)/N*(B+D)/N] : Aynı sonucu elde etmenin beklenen
şansı
1-E : Beklenen gerçek uyum miktarı
[(A+D)/N]-E : Gözlenen gerçek uyum. Buradan Kappa hesaplanabilir
Kappa= {[(A+D)/N]-E}/(1-E)
Yrd.Doç.Dr.Yüksel TERZĐ 248
Kappa=0.5 olması makul uyumu gösterir. Genelde Kappa’nın 0.6-0.8 olması iyi uyumun
göstergesidir.
Patalojik analiz sonucu ile BT(Bilgisayarlı Tomografi) sonucu belirlenen + ve -
sonuçlardaki uyum araştırılıyor. 50 hastada yapılan tetkiklerde aşağıdaki tablo elde
ediliyor.
BT Sonucu
+ -
∑ ∑∑ ∑
+ 20 12 32
P
a
t
o
l
o
j
i

- 2 16 18

∑ ∑∑ ∑
22 28 50

(A+D)/N=36/50=0.72

E=[(A+B)/N*(A+C)/N]+[(C+D)/N*(B+D)/N]=32/50*22/50+18/50*28/50=0.483

Gözlenen Gerçek uyum=(Gözlenen Toplam uyum – Şans uyumu)=0.72-0.483=0.237
Beklenen gerçek uyum=1-E=1-0.483=0.517

Kappa=0.237/0.517=0.458

Her iki test arasındaki uyumun fazla olduğu söylenemez.
Yrd.Doç.Dr.Yüksel TERZĐ 249
Uyumun Mükemmelliği

Kappa Uyumun Gücü
0.01 den küçük Çok zayıf
0.01-0.20 Zayıf
0.21-0.40 Orta
0.41-0.60 Makul
0.61-0.80 Đyi
0.81-1.00 Çok iyi

Yrd.Doç.Dr.Yüksel TERZĐ 250
Yrd.Doç.Dr.Yüksel TERZĐ 251
patoloji * BT Crosstabulation
Count
20 12 32
2 16 18
22 28 50
+
-
patoloji
Total
+ -
BT
Total
Symmetric Measures
,458 ,114 3,514 ,000
50
Kappa Measure of Agreement
N of Valid Cases
Value
Asymp.
Std. Error
a
Approx. T
b
Approx. Sig.
Not assuming the null hypothesis.
a.
Using the asymptotic standard error assuming the null hypothesis.
b.
İ İki y ki yö öntem aras ntem arası ında iyi uyum oldu nda iyi uyum olduğ ğu s u sö öylenemez. ylenemez.
Yrd.Doç.Dr.Yüksel TERZĐ 252
Örnek: Tüberküloz basilini yetiştirecek iki farklı ortama 50 şer
adet ekim yapılıyor. Bunlardan her iki ortamda yetişme
durumuna göre sonuçlar aşağıdaki tabloda veriliyor.
Ortamların eşit derecede etkili olup olmadığını bulunuz
(0.05).


A ortamı
+ -
∑ ∑∑ ∑
+ 20 12 32
B

o
r
t
a
m
ı

- 2 16 18

∑ ∑∑ ∑
22 28 50

Yrd.Doç.Dr.Yüksel TERZĐ 253
Yrd.Doç.Dr.Yüksel TERZĐ 254
PARAMETRĐK OLMAYAN ĐSTATĐSTĐK TESTLER

Verilerin Dağılışının Normal Dağılış Olmaması Durumunda Ne
Yapılacaktır? Verinin dağılışı ile ilgili varsayımda bulunmayan parametrik
olmayan yöntemler kullanılabilir.
• Varyansın heterojenlik etkisini yok etmeye çalış
• Aşırı gözlem değerlerini incelemeye al
– Đki bağımsız grubun karşılaştırılması için
• Mann-Whitney-U (Wilcoxon Sıra sayıları Toplamı) testini
kullan. Ancak bu test bağımsız grup t testi kadar güçlü
değildir.

Parametrik olmayan ve Dağılışa Bağlı olmayan Testler Ayırımı
• Non-parametrik test: bir istatistik yoğunluk fonksiyonunun
parametresinin değeri ile ilgili bir hipotez kurmayan testlerdir diye
tanımlar.
• Örnek çekilen popülâsyonun tam şekli ile ilgili varsayımda
bulunmayan testlerdir diye tanımlar.
Yrd.Doç.Dr.Yüksel TERZĐ 255
Parametrik Olmayan Testlerin Sakıncaları
Parametrik olmayan testlerde bilgi kaybı vardır. Örneğin
işaret testinde esas gözlemler değil, onların sadece işaretleri
kullanılır. Birçok parametrik olmayan testte yine esas gözlemler
yerine bu gözlemlerin sıra puanları analiz edilir. Burada da
esas gözlemin sahip olduğu bilgi kaybolur. Bu nedenle de
parametrik olmayan bir test hiçbir zaman gerçekten uygun
olarak kullanılan parametrik eşdeğeri kadar güçlü olamaz.

Parametrik olmayan testlerin diğer bir dezavantajı
popülâsyonlar arasındaki gerçek farklar hakkında bir şey
söyleyememektir. Örneğin işaret testinde popülasyonlar
farklıdır, dendiğinde bu fark ne kadardır, güven sınırı nedir,
bunlarla ilgili bilgi vermek mümkün olamamaktadır. Medyan
testi yapıp sonrada ortalamaları ve standart hatalarını verip
bunlar farklıdır, demekte doğru bir kullanım şekli değildir.
Yrd.Doç.Dr.Yüksel TERZĐ 256
PARAMETRĐK OLMAYAN (NONPARAMETRĐK) ĐSTATĐSTĐK TESTLER

ĐKĐ ÖRNEK
DURUMU
K- ÖRNEK DURUMU

ÖLÇME
ÖLÇEĞĐ

TEK
ÖRNEK
DURUMU
ĐLĐŞKĐLĐ
ÖRNEKLER
BAĞIMSIZ
ÖRNEKLER
ĐLĐŞKĐLĐ
ÖRNEKLER
BAĞIMSIZ
ÖRNEKLER
ĐLĐŞKĐNĐN
DERECESĐ ĐLE
ĐLGĐLĐ
ĐSTATĐSTĐKLER
Binomiyal
Test
Mc Nemar
Testi
χ χχ χ
2
Đki-Bağımsız
Örnek Testi
Cochran Q
Testi
χ χχ χ
2
K-Bağımsız
Örnek Testi
Olağanlık Katsayısı
ADLANDIRMA
χ χχ χ
2
Tek
Örnek
Testi
Fisher Kesin
Olasılık Testi

Kolmogorov-
Smirnov Tek
Örnek Testi
Đşaret Testi Kolmogorov-
Smirnov Đki-
Örnek Testi
Friedman Đki-
Yönlü
Varyans
Analizi
Kruskal-Wallis
Tek-Yönlü
Varyans Analizi
Spearman Sıra
Sayıları Korelasyonu
Tek Örnek
Koşu (Run)
Testi
Wilcoxon Eşli
Gözlemler Sıra
Sayıları Đşaret
Testi
Mann_whitney-
U Testi
Genişletilmiş
Medyan Testi
Kendal Sıra Sayıları
Korelasyonu
Medyan Testi Kendal Konkordans
Katsayısı
Wald Wolfowitz
Koşu (Runs)
Testi
Kendal Kısmi Sıra
Sayıları Korelasyonu







SIRALAMA
Moses Aşırı
Tepkiler Testi

Eşli Gözlemler
için
Randomizasyon
Testi
Bağımsız
Gözlemler için
Randomizasyon
Testi

Walsh Testi


ARALIK
Veriler NORMAL dağılış göstermiyorsa ve dönüşüm (tarnsformasyon) ile
Normalleştirilemiyorsa bu durumda da yine
Parametrik olmayan testlerden uygun olanı seçilerek kullanılır.
Yrd.Doç.Dr.Yüksel TERZĐ 257
B Bİ İR GRUPTA KOLMOGOROV R GRUPTA KOLMOGOROV- -SMIRNOV UYUM SMIRNOV UYUM İ İY Yİ İL LİĞİ İĞİ TEST TESTİ İ
Bu test rasgele bir Bu test rasgele bir ö örneklemin belirli bir da rneklemin belirli bir dağı ğıl lı ıma (d ma (dü üzg zgü ün, n,
normal, Poisson ve normal, Poisson ve ü üstel) ne kadar iyi uydu stel) ne kadar iyi uyduğ ğunu belirlemede kullan unu belirlemede kullanı ıl lı ır. r.
Yrd.Doç.Dr.Yüksel TERZĐ 258
P=0.934>0.05 oldu P=0.934>0.05 olduğ ğundan undan
veriler normal da veriler normal dağı ğıl lış ışl lı ıd dı ır. r.
Yrd.Doç.Dr.Yüksel TERZĐ 259
Wilcoxon Đşaretli Sıra Testi (Wilcoxon signed ranks test)
Veriler normal dağılmadığında bağımlı iki örnek arasındaki
farkın önemliliğini test eder. Eşleştirilmiş t testini parametrik
olmayan alternatifidir. Ortalama olarak medyan kullanılır. n
birimlik örnekten elde edilen iki gözlem seti farkının medyanı sıfır
olan toplumdan çekilmiş rasgele bir örnek olup olmadığını test
eder.

Örnek: Rasgele seçilen 8 bireyin öntest ve sontest puanları
aşağıdaki gibidir.
Öntest Sontest Öntest Sontest
53 48 51 53
47 37 67 74
38 51 74 67
48 48 48 57

Yrd.Doç.Dr.Yüksel TERZĐ 260
Yrd.Doç.Dr.Yüksel TERZĐ 261
MANN-WHITNEY U TESTĐ
Veriler normal dağılmadığında bağımsız iki örneğin aynı
meydanlı popülasyondan alınmış rasgele örnekler olup olmadığını
test eder. Bağımsız iki örneklem t testinin parametrik olmayan
alternatifidir.
H
0
:n
1
ve n
2
hacimli veri setleri aynı meydanlı dağılıma sahiptir.

Örnek: Kaburga kırığı olan hastaların ağrı kesici skorları
Đlaç grubu Tens grubu Đlaç grubu Tens grubu
7 15 10 14
6 14 6 12
4 17 9 14
11 16 3 17
16 16 13 16
4 16 5

Yrd.Doç.Dr.Yüksel TERZĐ 262
Yrd.Doç.Dr.Yüksel TERZĐ 263
P=0,00<0.01 oldu P=0,00<0.01 olduğ ğundan ila undan ilaç ç ve ve tens tens tedavi bi tedavi biç çimleri aras imleri arası ında nda
istatistiksel olarak anlaml istatistiksel olarak anlamlı ı bir fark bulunmu bir fark bulunmuş ştur. tur.
Yrd.Doç.Dr.Yüksel TERZĐ 264
VARYANS ANALĐZĐ (ANOVA)
Đkiden çok örnek kütle ortalamalarının karşılaştırılmasında
kullanılır. Bu yöntemle toplam değişmeye katkıda bulunan çeşitli
değişim kaynaklarının değişkenler arası etkileşimi ve deneysel hataları
incelenir. Varyans analizi tek yönlü ve çok yönlü olarak uygulanabilir.
Tek yönlü varyans analizi elle hesaplanabilir, ancak çok yönlü varyans
analizi için bilgisayar kullanılmalıdır. Bu yöntemle ilgili aşağıdaki
hususlara dikkat edilmelidir:

1. Gruplardaki bireyler birbirine benzer ve homojen olmalıdır.
2. Gruplar birbirinden bağımsız olmalıdır. Bağımlı gruba
uygulanmaz.
3. Veriler ölçümle belirlenmiş sürekli karakter olmalıdır.
4. Gruptaki denek sayıları birbirine eşit veya yakın olmalıdır.

Bu şartlar sağlanamadığı zaman nonparametrik karşılığı "Kruskal
Wallis varyans analizi" uygulanmalıdır.
Yrd.Doç.Dr.Yüksel TERZĐ 265
F- Testi
Tüm grupları bir arada ele alarak aralarında anlamlı bir fark
bulunup bulunmadığı F testi ile yapılır. Normal dağılan bir
anakütleden rasgele çekilen birbirinden farklı n hacimli örneklemlerin
istatistiklerinden ki-kare istatistiklerini verir ve bunlarda ki-kare
dağılımını meydana getirmektedir.

=
= + + + =

+ +

+

=
n
i
i n
n
Z Z Z Z
X X X X X X
1
2 2 2
2
2
1
2
2
2
2
2
2
2
1
2
) ( ) ( ) (
L L
σ σ σ
χ


Benzer şekilde normal dağılan iki farklı anakütleden n
1
ve n
2
hacimli
bütün mümkün rasgele örneklemler seçilip aynı işlemler yapılırsa, v
1
=
n
1
-1serbestlik dereceli
2
1
χ dağılımı ve v
2
= n
2
-1 serbestlik dereceli
2
2
χ
dağılımı olmak üzere iki dağılım ortaya çıkar.
2
1
χ ve
2
2
χ istatistikleri
kendi serbestlik derecelerine bölünüp birbirine oranlanırsa F istatistiği
elde edilir.
2
2
2
1
2
1
/
/
v
v
F
χ
χ
=
,
) ( :
:
2 1 1
2 1 0
farklı ortalama iki az En H
H
k
k
µ µ µ
µ µ µ
≠ ≠ ≠
= = =
K
K

Yrd.Doç.Dr.Yüksel TERZĐ 266
ANOVA TABLOSU
Varyasyon
Kaynağı
Kareler
Toplamı
Serbestlik
Derecesi
Kareler Ortalaması F Testi
VK KT SD KO F
Gruplar arası GAKT k-1 GAKO=GAKT/(k-1) GAKO/HKO
Gruplar içi GĐKT=HKT n-k HKO=HKT/(n-k)
Genel GnKT n-1 GnKO=GnKT/(n-1)
Burada GAKO gruplar arası varyanstır. Gruplar arası varyans grupların
ortalamaları arasındaki farklardan doğan değişkenliği ölçer. Gruplar arası varyans
ne kadar büyük ise, grup ortalamalarının birbirinden farklı olma olasılığı o kadar
fazladır. HKO ise gruplar içi varyanstır. Gruplar içi varyans her gruptaki değerler
arasındaki varyansı ifade eder ve rasgele nedenlere bağlı olan değişkenliği ölçer.
Gruplar içi varyans ne kadar büyük ise, grup ortalamalarının birbirinden farklı
olma olasılığı o kadar azdır. GnKO ise toplam varyansı gösterir. Toplam varyans
gruplar arası varyans ile gruplar içi varyansın toplamına eşit değildir.



− =
n
X
X GnKT
2
,

=



=
n
X
n
X
GAKT
k
j
j
j
2
1
2
) (
) (
, GAKT GnKT HKO − =
Yrd.Doç.Dr.Yüksel TERZĐ 267
Çoklu Karşılaştırma Testleri
Varyans analizi ile k tane grup arasında farklılık olup olmadığı
araştırılır. Eğer gruplar arasında farklılık varsa, hangi gruplar arasında
fark olduğu çoklu karşılaştırma testleri (post-hoc test) ile yapılır. Çeşitli
çoklu karşılaştırma testleri bulunmaktadır. Bu testler aynı sonucu
vermeyebilir.

1. LSD Testi (En Küçük Önemli Fark Testi)
s
2
ortak varyans olmak üzere (yani varyanslar homojen) LSD testi
aşağıdaki gibi bulunur. s
2
=HKO ,t
(n-k),α αα α
tablo değeri ve r tekerrür sayısı
olmak üzere:

r
s
t LSD
2
2
=
Eğer n’ler farklı ise

2 1
n
HKO
n
HKO
t LSD + =
LSD değeri her grubun ortalama farkları ile karşılaştırılır. LSD
değeri küçük ise o ortalamalar birbirinden farklıdır. LSD testi deneme
başına hatayı korumaz.
Yrd.Doç.Dr.Yüksel TERZĐ 268
2. Bonferroni Testi
Varyanslar homojen ise kullanılır. Test başlangıcında α αα α t’ye bölünür
ve tüm çalışma sonunda toplam hata 0.05 olur.
3. Tukey Testi
Varyanslar homojen ise kullanılır. Tukey testi deneme başına hatayı
korur. Muamele sayısı arttıkça deneme başına hata artmaz. Ancak Tukey
testi küçük farklara önem vermez.

r
s
q W
v t
2
, , α
=
Burada t muamele sayısını, v hata serbestlik derecesini, r tekerrür sayısını
ve s
2
de HKO göstermektedir.
4. Dunnett Testi
Varyanslar homojen ise kullanılır. Uygulama gruplarının her biri
kontrol grubu ile karşılaştırılır. Uygulama gruplarını birbirleriyle
karşılaştırmaz.
5. Scheffe Testi
Güven sınırlarına dayalı güçlü bir testtir.
6. Tamhane’s Testi
Varyanslar heterojen ise bu test kullanılabilir.
Yrd.Doç.Dr.Yüksel TERZĐ 269
7. Duncan Testi

Sıraya dizilmiş ortalamalar arasındaki farklılıkları
ortalamanın sıralamadaki konumunu dikkate alarak
değerlendiren bir testtir.
Duncan testi birbiriyle karşılaştırılan ortalamaların
konumlarının birbirine göre önemli olduğu
karşılaştırmalarda çok sık kullanılır.
Yrd.Doç.Dr.Yüksel TERZĐ 270
ÖRNEK: Bir işletmede bulunan üç eşdeğer makine üretimi aşağıdaki
gibidir. Bu üç makine arasında fark var mıdır?
A B C
4 6 3
5 7 4
5 6 5
4 8 5
6 6 4
6 7 4
4 9 3
5 8 3
4 6 4

4 5 3
Toplam
Σ ΣΣ Σx 47 68 38 153 (Σ ΣΣ Σx)
Σ ΣΣ Σx
2
227 476 150 853 (Σ ΣΣ Σx
2
)
n
j
10 10 10 30 (Σ ΣΣ Σn)

Yrd.Doç.Dr.Yüksel TERZĐ 271
I. Kareler toplamlarının bulunması:
GnKT:Genel Kareler Toplamı


− =
n
X
X GnKT
2
,

=



=
n
X
n
X
GAKT
k
j
j
j
2
1
2
) ( ) (
, GAKT GnKT GĐĐK − =

GAKT: Gruplar arası kareler toplamı

GiKT: Grup içi kareler toplamı

Yrd.Doç.Dr.Yüksel TERZĐ 272
Serbestlik Derecelerinin Bulunması:
Genel serbestlik derecesi: GnSD= n-1 =30-1=29
Gruplar arası serbestlik derecesi: GASD=Grup sayısı-1=3-1=2
Grup içi serbestlik derecesi: GiSD= n-Grup sayısı=30-3=27
Kareler Ortalamasının Bulunması:
Gruplar arası kareler ortalaması:

Grup içi kareler ortalaması:

Yrd.Doç.Dr.Yüksel TERZĐ 273
Varyasyon Kaynağı Kareler Toplamı Serbestlik Derecesi Kareler Ortalaması
VK KT SD KO
GA 47.4 2 23.7
Gi 25.3 27 0.937
Gn 72.7 29 ----
Hipotezler: H
0
: Gruplar arası fark yoktur. H
1
: Gruplar arasında fark vardır.

Karşılaştırma: F
Hesap
=25.3 F
Tablo
= 2.35 ; 25.3 > 2.35 olduğundan H
0
ret edilir.
Sonuç: Gruplar arasında fark vardır. Üç makinenin üretimi arasında
anlamlı bir fark bulunmuştur. Bundan sonra gruplar ikişer ikişer
karşılaştırılır. Bu karşılaştırmada t testi kullanılır. Bu şekilde
karşılaştırılan ortalamalar sıralanır ve önem denetimi yapılır.
Yrd.Doç.Dr.Yüksel TERZĐ 274
Ö Önce nce
verilerin verilerin
normallik normallik
testi testi
yap yapı ıl lı ır. r.
Ondan Ondan
sonra sonra
ANOVA ya ANOVA ya
bak bakı ıl lı ır. r.
Yrd.Doç.Dr.Yüksel TERZĐ 275
Yrd.Doç.Dr.Yüksel TERZĐ 276
P=0.222>0.05 P=0.222>0.05
oldu olduğ ğundan undan
varyanslar varyanslar
homojendir. homojendir.
P=0.000<0.01 oldu P=0.000<0.01 olduğ ğundan en az bir grup ortalamas undan en az bir grup ortalaması ı di diğ ğerlerinden farkl erlerinden farklı ıd dı ır. r.
H
H
0 0
:
:
µ µµ µ
µ µµ µ
A A
=
=
µ µµ µ
µ µµ µ
B B
=
=
µ µµ µ
µ µµ µ
C C
Yrd.Doç.Dr.Yüksel TERZĐ 277
Mean Mean difference difference k kı ısm smı ında nda * * i iş şaretli grup ortalamalar aretli grup ortalamaları ı birbirinden farkl birbirinden farklı ıd dı ır. r.
Buna g Buna gö öre A ile B ve B ile C grup ortalamalar re A ile B ve B ile C grup ortalamaları ı birbirinden farkl birbirinden farklı ıd dı ır. r.
Yrd.Doç.Dr.Yüksel TERZĐ 278
Eğer veriler normal
dağılış göstermiyorsa,
non-parametric
testlerden Kruskal-
Wallis testi kullanılır.
Yrd.Doç.Dr.Yüksel TERZĐ 279
Test Statistics
a,b
19,439
2
,000
Chi-Square
df
Asymp. Sig.
makina
Kruskal Wallis Test
a.
Grouping Variable: tur
b.
E Eğ ğer ortalamalar farkl er ortalamalar farklı ı
ç çı ıkarsa, karsa, Mann Mann- -Whitney Whitney U U
testi ile ikili kar testi ile ikili karşı şıla laş şt tı ırmalar rmalar
yap yapı ıl lı ır. Ancak do r. Ancak doğ ğru bir ru bir
hipotezin hipotezin red red edilmesi edilmesi
anlam anlamı ına gelen I.Tip hata na gelen I.Tip hata
riskinin azalt riskinin azaltı ılmas lması ı i iç çin in
ö önemlilik seviyesi yap nemlilik seviyesi yapı ılacak lacak
olan kar olan karşı şıla laş şt tı ırma say rma sayı ıs sı ına na
b bö öl lü ün nü ür. Mesela r. Mesela ö önemlilik nemlilik
seviyesi 0.05 ise ve 3 seviyesi 0.05 ise ve 3
kar karşı şıla laş şt tı ırma yap rma yapı ılacaksa, lacaksa,
anlaml anlamlı ıl lı ık seviyesi k seviyesi
0.05/3=0.0167 al 0.05/3=0.0167 alı ın nı ır. r.
P=0,00<0,05 Ho hipotezi kabul edilemez.
Yrd.Doç.Dr.Yüksel TERZĐ 280
KRUSKAL KRUSKAL- -WALLIS TEST WALLIS TESTİ İ
Üç Üç veya daha fazla ba veya daha fazla bağı ğıms msı ız grup normal da z grup normal dağı ğıl lı ım g m gö östermiyorsa, stermiyorsa,
bunlar bunları ın ortalamalar n ortalamaları ı parametrik olmayan bir test olan parametrik olmayan bir test olan Kruskal Kruskal- -
Wallis Wallis testi ile test edilir. E testi ile test edilir. Eğ ğer ortalamalar farkl er ortalamalar farklı ı ç çı ıkarsa, karsa, Mann Mann- -
Whitney Whitney U testi ile ikili kar U testi ile ikili karşı şıla laş şt tı ırmalar yap rmalar yapı ıl lı ır. Ancak do r. Ancak doğ ğru bir ru bir
hipotezin hipotezin red red edilmesi anlam edilmesi anlamı ına gelen I.Tip hata riskinin azalt na gelen I.Tip hata riskinin azaltı ılmas lması ı
i iç çin in ö önemlilik seviyesi yap nemlilik seviyesi yapı ılacak olan kar lacak olan karşı şıla laş şt tı ırma say rma sayı ıs sı ına b na bö öl lü ün nü ür. r.
Mesela Mesela ö önemlilik seviyesi 0.05 ise ve 3 kar nemlilik seviyesi 0.05 ise ve 3 karşı şıla laş şt tı ırma yap rma yapı ılacaksa, lacaksa,
anlaml anlamlı ıl lı ık seviyesi 0.05/3=0.0167 al k seviyesi 0.05/3=0.0167 alı ın nı ır. r.
Ö Örnek : rnek : D Dö ört gruptaki hastalar rt gruptaki hastaları ın n Peak Peak Asit de Asit değ ğerleri veriliyor. Bu d erleri veriliyor. Bu dö ört rt
grup ortalamalar grup ortalamaları ı birbirinden farkl birbirinden farklı ı m mı ıd dı ır? r?
11
22
41
C
2
4
8 2
110 18 4
131 52 8
41 3 4
88 20 1
D B A
Yrd.Doç.Dr.Yüksel TERZĐ 281
Yrd.Doç.Dr.Yüksel TERZĐ 282
p=0.005<0.05 oldu p=0.005<0.05 olduğ ğundan en az bir grup undan en az bir grup
ortalamas ortalaması ı di diğ ğerlerinden farkl erlerinden farklı ıd dı ır. Bunun i r. Bunun iç çin ikili in ikili
Kar Karşı şıla laş şt tı ırmalar i rmalar iç çin in Mann Mann- -Whitney Whitney U testine U testine
bak bakı ıl lı ır. Anlaml r. Anlamlı ıl lı ık seviyesi ise 0.05/3=0.00167 k seviyesi ise 0.05/3=0.00167
al alı ın nı ır. r.
Yrd.Doç.Dr.Yüksel TERZĐ 283
p=0.033>0.0167 oldu p=0.033>0.0167 olduğ ğundan A ve B undan A ve B
grubu hastalar grubu hastaları ın asit de n asit değ ğerleri erleri
Birbirinden farkl Birbirinden farklı ı de değ ğildir. Benzer ildir. Benzer
Bi Biç çimde di imde diğ ğer gruplar ikili olarak er gruplar ikili olarak
kar karşı şıla laş şt tı ır rı ıl lı ır. r.
Yrd.Doç.Dr.Yüksel TERZĐ 284
Soru : Bir fabrikada aynı işi yapmakta olan 4 işçinin rasgele
belirlenen 6 gün içerisinde ürettikleri parça sayıları aşağıdaki
gibidir. Đşçilerin verimliliklerinin dağılımı normal ve anakütle
varyanslarının eşit olduğu kabul ediliyor. Đşçilerin günlük
ortalama verimlilikleri arasında önemli bir farklılık bulunup
bulunmadığını %1 anlamlılık düzeyinde araştırınız?

Đşçi 1 Đşçi 2 Đşçi 3 Đşçi 4
36 55 52 82
43 42 99 83
51 44 31 61
39 49 37 41
48 53 43 48
53 39 50 45

Yrd.Doç.Dr.Yüksel TERZĐ 285

) ( :
:
4 3 2 1 1
4 3 2 1 0
farklı ortalama iki az En H
H
µ µ µ µ
µ µ µ µ
≠ ≠ ≠
= = =


VK KT SD KO F
Gruplar arası 804 k-1=3 804/3=268 268/256.8=1.04
Gruplar içi 5136 n-k=20 5136/20=256.8
Genel 5940 n-1=23

F
3,20;0.05
=4.94>F
h
=1.04 H
0
kabul edilir.
k=4, n=24
Yrd.Doç.Dr.Yüksel TERZĐ 286
İ İK Kİ İ Y YÖ ÖNL NLÜ Ü VARYANS ANAL VARYANS ANALİ İZ Zİ İ (TWO (TWO- -WAY ANOVA) WAY ANOVA)
İ İki y ki yö önl nlü ü varyans analizi, deney birimlerini iki varyans analizi, deney birimlerini iki ö öl lçü çüte g te gö öre re
s sı ın nı ıflayabildi flayabildiğ ğimizde veya etkileri farkl imizde veya etkileri farklı ı deneysel materyallere deneysel materyallere
uygulad uyguladığı ığım mı ızda akl zda aklı ım mı ıza gelmelidir. Bu t za gelmelidir. Bu tü ür tasar r tasarı ımda s mda sı ın nı ıflama flama
ö öl lçü çüt tü ü etki etki olurken, farkl olurken, farklı ı deneysel materyaller ise deneysel materyaller ise blok blok ad adı ın nı ı al alı ır. r.
Ama Amaç ç etki ortalamalar etki ortalamaları ın nı ın blok etkilerinden ba n blok etkilerinden bağı ğıms msı ız olmas z olması ın nı ı
sa sağ ğlayarak, bloklar nedeniyle ortaya layarak, bloklar nedeniyle ortaya ç çı ıkan de kan değ ği iş şkenlikten hata kenlikten hata
de değ ği iş şkenli kenliğ ğini ay ini ayı ırmakt rmaktı ır. Bunun i r. Bunun iç çin deney birimlerinin homojen in deney birimlerinin homojen
bloklarda toplanmas bloklarda toplanması ı gerekir. 2 y gerekir. 2 yö önl nlü ü ANOVA ANOVA’ ’da da etkile etkileş şime de ime de
bak bakı ıl lı ır. r. Etkile Etkileş şimle 2 fakt imle 2 faktö ör rü ün d n dışı ışında a nda aç çı ıklanamayan ancak bu iki klanamayan ancak bu iki
fakt faktö ör rü ün kombinasyonlar n kombinasyonları ı ile a ile aç çı ıklanan farkl klanan farklı ıl lı ık k ö öğ ğrenilebilir. renilebilir.
Varsay Varsayı ımlar mlar
i. i. kn kn tane anak tane anakü ütlenin da tlenin dağı ğıl lı ımlar mları ı normal da normal dağı ğıl lı ıma sahip olmal ma sahip olmalı ıd dı ır. r.
ii. ii. Etkilerle bloklar aras Etkilerle bloklar arası ında etkile nda etkileş şim yoktur. im yoktur.
Bilinmeyen bir sabit Bilinmeyen bir sabit
Deney birimi i blo Deney birimi i bloğ ğuna d una dü üş şt tü üğ ğü ünde blok etkisi nde blok etkisi
Deney birimi Deney birimi j j’ ’inci inci etkiyi ald etkiyi aldığı ığında ortaya nda ortaya ç çı ıkan etki kan etki
Etki ve blok d Etki ve blok dışı ışındaki t ndaki tü üm de m değ ği iş şkenlik kaynaklar kenlik kaynakları ın nı ı g gö österen art steren artı ık k
ij j i ij
e X + + + = τ β µ
:
:
:
:
ij
j
i
e
τ
β
µ
Yrd.Doç.Dr.Yüksel TERZĐ 287
SST kn-1 Toplam
MSE=SSE/(n-1)(k-1) SSE (n-1)(k-1) Hata
MSB/MSE MSB=SSB/(n-1) SSB n-1 Bloklar
MSTr/MSE MSTr=SSTr/(k-1) SSTr k-1 Etkiler (Faktör)
F
Oranı
Kareler Ortalaması Kareler
Toplamı
Serbestlik
Derecesi
Değişkenlik
Kaynağı
Yrd.Doç.Dr.Yüksel TERZĐ 288
Ö Örnek : rnek :
3,5 2,1 2,0 4,3 3,4 4
1,9 1,5 0,5 1,8 1,7 3
1,1 4,0 0,3 2,2 2,3 2
1,3 1,2 0,4 1,5 1,2 1
5 4 3 2 1
Kumaş Örneği (Blok)
Kimyasal
Tür(Etki)
%5 anlaml %5 anlamlı ıl lı ık d k dü üzeyinde kimyasallar zeyinde kimyasalları ın etkileri aras n etkileri arası ında anlaml nda anlamlı ı bir farkl bir farklı ıl lı ık olup k olup
Olmad Olmadığı ığın nı ı inceleyiniz? inceleyiniz?
Yrd.Doç.Dr.Yüksel TERZĐ 289
Yrd.Doç.Dr.Yüksel TERZĐ 290
FIXED FACTOS : FIXED FACTOS : Etkileri ara Etkileri araş şt tı ır rı ıc cı ı taraf tarafı ından de ndan değ ğil, bilin il, bilinç çli olarak se li olarak seç çildi ildiğ ği i
fakt faktö örlerden olu rlerden oluş şan modeldir. an modeldir.
RANDOM FACTOS : RANDOM FACTOS : Etkileri m Etkileri mü ümk mkü ün t n tü üm se m seç çenekler i enekler iç çerisinden erisinden
tesad tesadü üfen se fen seç çildi ildiğ ği ve denemeye al i ve denemeye alı ınan fakt nan faktö örlerden olu rlerden oluş şan modeldir. an modeldir.
Yrd.Doç.Dr.Yüksel TERZĐ 291
Yrd.Doç.Dr.Yüksel TERZĐ 292
Kimyasal etkilere bak Kimyasal etkilere bakı ıld ldığı ığında P=0,009<0.05 oldu nda P=0,009<0.05 olduğ ğundan kimyasallar undan kimyasalları ın n
etkileri aras etkileri arası ın anlaml n anlamlı ı bir farkl bir farklı ıl lı ık vard k vardı ır. r.
Yrd.Doç.Dr.Yüksel TERZĐ 293
TEKRARLI TEKRARLI Ö ÖL LÇÜ ÇÜMLERDE TEK FAKT MLERDE TEK FAKTÖ ÖR VARYANS ANAL R VARYANS ANALİ İZ Zİ İ
(REPEATED MEASURES) (REPEATED MEASURES)
ANOVA ANOVA’ ’n nı ın n aksine bu t aksine bu tü ür r ç çal alış ışmalarda kullan malarda kullanı ılan de lan değ ği iş şkenler kenler
ba bağı ğıml mlı ıd dı ırlar. rlar. Üç Üç ç çe eş şit tekrarl it tekrarlı ı ö öl lçü çüm tasar m tasarı ım mı ı yap yapı ılabilir: labilir:
i. i. Ayn Aynı ı deneklerin belirli bir de deneklerin belirli bir değ ği iş şken a ken aç çı ıs sı ından zamana ba ndan zamana bağ ğl lı ı
olarak tekrarlanan olarak tekrarlanan ö öl lçü çüm yap m yapı ılmas lması ı, mesela deneklerden , mesela deneklerden
birden fazla kan bas birden fazla kan bası ınc ncı ı i iç çin in ö öl lçü çüm al m alı ınmas nması ı buna bir buna bir ö örnektir. rnektir.
ii. ii. Ayn Aynı ı deneklerin farkl deneklerin farklı ı tedavi bi tedavi biç çimlerine maruz b imlerine maruz bı ırak rakı ılmas lması ı, ,
mesela a mesela ağ ğr rı ıy yı ı azaltmada de azaltmada değ ği iş şik tedavi bi ik tedavi biç çimlerinin imlerinin
kar karşı şıla laş şt tı ır rı ılmas lması ı yap yapı ılabilir. labilir.
Bu iki tasar Bu iki tasarı ım bi m biç çimine imine denekler aras denekler arası ı tasar tasarı ım veya tek m veya tek
fakt faktö örl rlü ü tasar tasarı ım m denir. denir.
iii iii. . Hem zamana ba Hem zamana bağ ğl lı ı hem de tedavi bi hem de tedavi biç çimini dikkate alan imini dikkate alan kar karışı ışık k
tasar tasarı ım veya m veya ç çok fakt ok faktö örl rlü ü tasar tasarı ım m kullan kullanı ılabilir. labilir.ö örne rneğ ğin de in değ ği iş şik ik
tedavi bi tedavi biç çimlerinin, hipertansiyonun zaman i imlerinin, hipertansiyonun zaman iç çindeki durumu indeki durumu
ü üzerindeki etkilerinin incelenmesi b zerindeki etkilerinin incelenmesi bö öyle bir tasar yle bir tasarı ımd mdı ır. r.
Yrd.Doç.Dr.Yüksel TERZĐ 294
TEKRARLI TEKRARLI Ö ÖL LÇÜ ÇÜMLERDE VARYANS ANAL MLERDE VARYANS ANALİ İZ Zİ İ VARSAYIMLARI VARSAYIMLARI
1. 1. Rasgele Rasgele Ö Örnekleme rnekleme
2. 2. Tekrarlanan Tekrarlanan Ö Öl lçü çümler mler
3. 3. Her Fakt Her Faktö ör Seviyesinde Ba r Seviyesinde Bağı ğıms msı ız z Ö Örneklemler rneklemler
4. 4. Normal anak Normal anakü ütlelerden tlelerden ö örneklem elde edilmesi yani fakt rneklem elde edilmesi yani faktö ör rü ün her n her
seviyesindeki de seviyesindeki değ ğerler normal veya normale yak erler normal veya normale yakı ın olmal n olmalı ıd dı ır. r.
5. 5. Varyans Varyans- -Kovaryans Varsay Kovaryans Varsayı ım mı ı ( (Box Box M testi: P>0,05 ise kovaryans matrisleri M testi: P>0,05 ise kovaryans matrisleri
benzerdir.), benzerdir.), yani yani ö öl lçü çüm de m değ ğerlerinden olu erlerinden oluş şan an gruplar grupları ın korelasyonu ayn n korelasyonu aynı ıd dı ır r. .
Çü Çünk nkü ü ayn aynı ı deneklerden tekrarlanan deneklerden tekrarlanan ö öl lçü çüm al m alı ınd ndığı ığından veriler aras ndan veriler arası ında bir nda bir
korelasyon mevcuttur. Ayr korelasyon mevcuttur. Ayrı ıca ca gruplardaki varyanslar gruplardaki varyansları ın e n eş şit olmas it olması ı gerekir. gerekir.
Bu varsay Bu varsayı ım m ö önemlidir. nemlidir.
Varyanslar Varyansları ın e n eş şit olup olmamas it olup olmaması ına na Mauchly Mauchly testi testi ile bak ile bakı ıl lı ır. E r. Eğ ğer test er test
sonunda P>0.05 ise varyanslar e sonunda P>0.05 ise varyanslar eş şit demektir. it demektir.
Ö Örnek: rnek: 9 Hastan 9 Hastanı ın ba n baş şlang langı ıç ç ve tedavi sonras ve tedavi sonrası ı kalp at kalp atı ımlar mları ı veriliyor. Gruplar veriliyor. Gruplar
aras arası ında kalp at nda kalp atı ımlar mları ı a aç çı ıs sı ından fark var m ndan fark var mı ıd dı ır? r?
Hasta Hasta ila ilaç ç yok yok Propranolol Propranolol Plasebo Plasebo Acebutolol Acebutolol
1 1 94 94 67 67 90 90 67 67
2 2 57 57 52 52 69 69 55 55
3 3 81 81 74 74 69 69 73 73
4 4 82 82 59 59 71 71 72 72
5 5 67 67 65 65 74 74 72 72
6 6 78 78 72 72 80 80 72 72
7 7 87 87 75 75 106 106 74 74
8 8 82 82 68 68 76 76 59 59
9 9 90 90 74 74 82 82 80 80
Yrd.Doç.Dr.Yüksel TERZĐ 295
Yrd.Doç.Dr.Yüksel TERZĐ 296
Yrd.Doç.Dr.Yüksel TERZĐ 297
Mauchyl Mauchyl Sphericity Sphericity (k (kü üresellik) testinde P=0.592>0.05 oldu resellik) testinde P=0.592>0.05 olduğ ğundan varyans undan varyans – –
kovaryans varsay kovaryans varsayı ım mı ı sa sağ ğlan lanı ır. E r. Eğ ğer sa er sağ ğlanmasayd lanmasaydı ı Multivariate Multivariate k kı ısm smı ındaki ndaki
testlerden biri kullan testlerden biri kullanı ılacakt lacaktı ı. .
Yrd.Doç.Dr.Yüksel TERZĐ 298
D Dö ört grubun kalp at rt grubun kalp atı ımlar mları ı aras arası ında anlaml nda anlamlı ı farkl farklı ıl lı ık vard k vardı ır (P<0.10). Hangi r (P<0.10). Hangi
gruplar aras gruplar arası ında fark oldu nda fark olduğ ğunu bulmak i unu bulmak iç çin ikili kar in ikili karşı şıla laş şt tı ırmalar yap rmalar yapı ıl lı ır. Bunun r. Bunun
i iç çin e in eş şle leş ştirilmi tirilmiş ş T testine bak T testine bakı ıl lı ır. Ancak anlaml r. Ancak anlamlı ıl lı ık seviyesi kar k seviyesi karşı şıla laş şt tı ırma rma
say sayı ıs sı ına b na bö öl lü ün nü ür (0.10/4=0.025). Mesela r (0.10/4=0.025). Mesela İ İla laç çyok yok ile ile propranol propranol
kar karşı şıla laş şt tı ır rı ıld ldığı ığında aralar nda araları ında anlaml nda anlamlı ı fark oldu fark olduğ ğu g u gö ör rü ül lü ür. r.
Yrd.Doç.Dr.Yüksel TERZĐ 299
TEKRARLI TEKRARLI Ö ÖL LÇÜ ÇÜMLERDE MLERDE İ İK Kİ İ FAKT FAKTÖ ÖR VARYANS ANAL R VARYANS ANALİ İZ Zİ İ
Varsay Varsayı ımlar: mlar:
- - Rasgele Rasgele ö örnekleme rnekleme
- - Tekrarlanan Tekrarlanan ö öl lçü çümler mler
- - Ba Bağı ğıms msı ız z ö örneklemler rneklemler
- - Normallik Normallik ş şart artı ı
- - varyans varyans- -kovaryans varsay kovaryans varsayı ım mı ı
(gruplar (grupları ın korelasyonu ayn n korelasyonu aynı ı olmal olmalı ı
ve gruplardaki varyans ve gruplardaki varyansı ın e n eş şit olmas it olması ı) )
- - T Tü üm anak m anakü ütle varyanslar tle varyansları ı e eş şit olmal it olmalı ı
Yrd.Doç.Dr.Yüksel TERZĐ 300
- -Graphs Graphs / /Boxplot Boxplot/ /clustered clustered/data in /data in chart chart are are/ /Summarize Summarize os os separate separate variable variable
/Define/ /Define/Boxes Boxes represent represent:haafta1, ay1, ay3, ay6/ :haafta1, ay1, ay3, ay6/category category Axis Axis (G)/Ok (G)/Ok
Yrd.Doç.Dr.Yüksel TERZĐ 301
Her bir zaman periyodu e Her bir zaman periyodu eş şit it
varyansa sahiptir. (P>0,05) varyansa sahiptir. (P>0,05)
Box Box’ ’s s M varyans M varyansı ın homojenli n homojenliğ ği i
İ İle ilgili le ilgili ç çok boyutlu bir testtir. ok boyutlu bir testtir.
E Eğ ğer P>0,05 ise varyans er P>0,05 ise varyans- -
kovaryans matrisi e kovaryans matrisi eş şittir ittir
demektir. (tedavi gruplar demektir. (tedavi grupları ı i iç çin in
varyans kovaryans matrisi varyans kovaryans matrisi
ayn aynı ıd dı ır.) r.)
Yrd.Doç.Dr.Yüksel TERZĐ 302
E Eğ ğer er Mauchly Mauchly testinde P>=0,05 ise testinde P>=0,05 ise univariate univariate yakla yaklaşı şım mı ı, de , değ ğilse ilse multivariate multivariate
yakla yaklaşı şım kullan m kullanı ıl lı ır. Genelde de r. Genelde de Pillai Pillai’ ’s s kullan kullanı ıl lı ır. r.
Yrd.Doç.Dr.Yüksel TERZĐ 303
4 zaman grubu birbirinden 4 zaman grubu birbirinden ö önemli d nemli dü üzeyde farkl zeyde farklı ıd dı ır. Ayr r. Ayrı ıca tedavi gruplar ca tedavi grupları ın nı ın n
zaman ile etkile zaman ile etkileş şimleri anlaml imleri anlamlı ıd dı ır (p<0,01). r (p<0,01).
Yrd.Doç.Dr.Yüksel TERZĐ 304
Tedavi gruplar Tedavi grupları ı aras arası ındaki fark ndaki farkı ı bulmak i bulmak iç çin tek y in tek yö önl nlü ü anova anova yap yapı ıl lı ır. Burada r. Burada
ö önem seviyesi 0,10/4=0,025 al nem seviyesi 0,10/4=0,025 alı ın nı ır. r.
Yrd.Doç.Dr.Yüksel TERZĐ 305
NORMAL DA NORMAL DAĞ ĞILMAYAN TEKRARLI ILMAYAN TEKRARLI Ö ÖL LÇÜ ÇÜMLERDE MLERDE ÜÇ ÜÇ VEYA DAHA FAZLA VEYA DAHA FAZLA
GRUP GRUP İ İÇ Çİ İN UYGULANAN TESTLER: N UYGULANAN TESTLER: FRIEDMAN TEST FRIEDMAN TESTİ İ
Burada gruplar tekrarl Burada gruplar tekrarlı ı ö öl lçü çüml mlü ü oldu olduğ ğundan ba undan bağı ğıml mlı ıd dı ırlar. rlar. Fridman Fridman testi testi
i iç çin a in aş şa ağı ğıdaki varsay daki varsayı ımlar ge mlar geç çerlidir: erlidir:
1. 1. Rasgele Rasgele Ö Örnekleme rnekleme
2. 2. Tekrarlanan Tekrarlanan Ö Öl lçü çümler mler
3. 3. Her gruptaki Her gruptaki ö örneklemler kendi i rneklemler kendi iç çinde ba inde bağı ğıms msı ız olmal z olmalı ıd dı ır. r.
H H
0 0
: Herhangi bir denek ile ilgili g : Herhangi bir denek ile ilgili gö özlemlerin b zlemlerin bü üt tü ün muhtemel s n muhtemel sı ıralamalar ralamaları ı e eş şittir. ittir.
Yada gruplardan hi Yada gruplardan hiç çbirisi di birisi diğ ğerinden daha b erinden daha bü üy yü ük de k değ ğer olu er oluş şturmaz. turmaz.
Ö Örnek: rnek: Perikardiyal Perikardiyal olan hastalar olan hastaları ın perikart i n perikart iç çi bas i bası ın nç ç de değ ğerleri veriliyor. erleri veriliyor.
Hasta Hasta Tamponade Tamponade Orta Orta Tam Tam
1 1 17 17 7 7 0 0
2 2 18 18 8 8 0 0
3 3 16 16 5 5 3 3
4 4 10 10 5 5 0 0
5 5 13 13 0 0 0 0
6 6 14 14 8 8 5 5
7 7 10 10 5 5 0 0
8 8 18 18 8 8 0 0
9 9 12 12 6 6 - -1 1
Yrd.Doç.Dr.Yüksel TERZĐ 306
Yrd.Doç.Dr.Yüksel TERZĐ 307
P<0.10 oldu P<0.10 olduğ ğundan en az bir grup undan en az bir grup
di diğ ğerlerinden farkl erlerinden farklı ıd dı ır. Bunun i r. Bunun iç çin ikili in ikili
kar karşı şıla laş şt tı ırmalara bak rmalara bakı ıl lı ır ve anlaml r ve anlamlı ıl lı ık k
seviyesi yine kar seviyesi yine karşı şıla laş şt tı ırma say rma sayı ıs sı ına b na bö öl lü ün nü ür r
(0.10/3=0.033). (0.10/3=0.033). İ İkili kar kili karşı şıla laş şt tı ırma i rma iç çin in
Wilcoxon testi kullan Wilcoxon testi kullanı ıl lı ır. r. Çü Çünk nkü ü gruplar gruplar
ba bağı ğıml mlı ıd dı ır. r.
Yrd.Doç.Dr.Yüksel TERZĐ 308
KORELASYON
Korelasyon analizinde iki veya daha çok sayıda
değişken arasında bir ilişki bulunup bulunmadığı, eğer
varsa bu ilişkinin derecesi ve fonksiyonel şekli
belirlenmeye çalışılır. Örneğin reklamların satışı
arttırdığı şeklinde bir düşünce yaygındır. Ancak
satışların artışı sadece reklamlar ile açıklanamaz.
Nüfus artışı, moda, fiyat rakiplerle rekabet satışları
etkileyen diğer nedenler olarak düşünülebilir. Öyle ise
reklamlar ile satış arasında ilişkinin olup olmadığı
incelenmelidir.
Yrd.Doç.Dr.Yüksel TERZĐ 309
Doğrusal Korelasyon:
Bir değişkenin değeri artarken diğer değişkenin değeri düzenli
artıyor veya eksiliyorsa iki değişken arasındaki ilişki doğrusaldır.
Đlişki grafik üzerinden de incelenebilir.

Korelasyon=+1 Korelasyon=-1 Korelasyon=0

Yrd.Doç.Dr.Yüksel TERZĐ 310
Doğrusal korelasyonun hesaplanmasında Pearson Momentler
Çarpımı korelasyonu kullanılır. Bu formülün uygulanabilmesi için
veriler en az aralıklı ölçekle toplanmalı ve süreklilik gösteren nicel
bir değişken olmalıdır.

Korelasyon katsayısının değeri -1 ile +1 arasında değişir. Sonucun
+1 çıkması iki değişken arasında kuvvetli olumlu ilişkinin
bulunduğunu, -1 ise kuvvetli olumsuz ilişkinin bulunduğunu
gösterir. Korelasyon katsayısı 0 'a yaklaştıkça ilişkinin kuvveti
zayıflar, sıfır ise iki değişken arasında ilişkinin olmadığını
gösterir.
Yrd.Doç.Dr.Yüksel TERZĐ 311
Korelasyon katsayısının önem denetimi:
Hesaplanmış olan korelasyon katsayısının tesadüfi mi
yoksa gerçek bir ilişkiyi mi gösterdiğinin belirlenmesi
için denetlenmesi gerekir.Denetim için kurulan
hipotezler H
0
: j=0 ; H
1
: j ≠ 0 şeklinde belirlenir. Test
istatistiği şu formüle göre hesaplanır,

r:Korelasyon katsayısını belirtir.
Yrd.Doç.Dr.Yüksel TERZĐ 312
ÖRNEK: Aşağıda bir işletmede gün olarak kullanılan izin (X) ile performans puanları (Y) verilmiştir. Bu iki
değişken arasında ilişki var mıdır?
X Y X
2
Y
2
XY
1 14 1 196 14
2 13 4 169 26
3 12 9 144 36
3 13 9 169 39
2 11 4 121 22
1 12 1 144 12
4 12 16 144 48
5 11 25 121 55
4 14 16 196 56
3 13 9 169 39
6 12 36 144 72
5 12 25 144 60
10 10 100 100 100
9 11 81 121 99
1 14 1 196 14
8 11 64 121 88
9 10 81 100 90
7 9 49 81 63
6 12 36 144 72
7 10 49 100 70
Sx 96 Sy 236 Sx
2
616 Sy
2
2824 Sxy 1075

Yrd.Doç.Dr.Yüksel TERZĐ 313

Elde edilen sonuca göre kullanılan izin miktarı ile performans
puanları arasında negatif yönlü kuvvetli ilişki vardır. Kullanılan izin
miktarı arttıkça performans puanları düşmektedir. Bulunan korelasyonun
gerçekten önemli olup olmadığı incelenirse


Hipotezler, H
0
: j=0 ; H
1
: j ≠ 0
Serbestlik derecesi :(n-2)=20-2=18
Z
Hesap
> Z
Tablo
; 4.8>2.1 olduğundan H
0
reddedilir.
Sonuç: Bulunan korelasyon önemlidir ve tesadüfi değildir.(t=4.8, p<.05)
Yrd.Doç.Dr.Yüksel TERZĐ 314
Yrd.Doç.Dr.Yüksel TERZĐ 315
Yrd.Doç.Dr.Yüksel TERZĐ 316
REGRESYON ANALĐZĐ
Regresyon analizinin temelinde; gözlenen bir olayın
değerlendirilirken, hangi olayların etkisi içinde olduğunun
araştırılması yatmaktadır. Bu olaylar bir veya birden çok olacağı
gibi dolaylı veya direkt etkileniyor da olabilirler.
Regresyon analizi yapılırken, gözlem değerlerinin ve
etkilenilen olayların bir matematiksel gösterimle yani bir fonksiyon
yardımıyla ifadesi gerekmektedir. Kurulan bu modele regresyon
modeli denilmektedir. Regresyon analizi incelenirken, genellikle
konusunu oluşturan, etkilendiği olaylara değişkenler adı verilir ve
bu değişkenlerin yer alacağı matematiksel model incelenir.
Đstatistikte değişkenler arasındaki ilişkinin derecesini
gösteren katsayıya korelasyon, değişkenler arasındaki ilişkinin
fonksiyonel şeklini belirleyen denkleme ise regresyon denklemi
denir.
Yrd.Doç.Dr.Yüksel TERZĐ 317
Regresyon modelinin kullanılması, ilgilenilen olayla ilgili olarak,
bir sebep-sonuç ilişkisi bulunması gerekmektedir. Örneğin 1990-1997
yılları arasındaki hisse senedi fiyatlarını incelersek, seçilen zaman
aralığında bir matematiksel model kurma gereği vardır ve bu modelde
bir sebep, sonuç ilişkisi aranmaktadır. Sebep, hisse senedinin fiyatını
yükselten veya düşüren unsurlardır. Faiz oranları, ekonomik nedenler,
enflasyon oranları vs. olarak incelenebilir. Sonuç ise hisse senedinin
fiyatının değişmesidir.
Sebep-sonuç ilişkisi, regresyon modeli kurulurken, bağımlı ve
bağımsız değişkenler olarak anlatılmaktadır. Yukarıdaki hisse senedi
fiyatı sonuç olan bağımlı değişken, faiz oranları, ekonomik nedenler,
enflasyon oranları vs. sebep olan bağımsız değişkenlerdir.
Regresyon analizi yapılırken kurulan matematiksel modelde yer alan
değişkenler bir bağımlı değişken ve bir veya birden çok bağımsız
değişkenden oluşmaktadır.
Bağımsız değişkenler kurulacak modelde bir değişkenli olarak ele
alınırsa basit doğrusal regresyon, birden fazla bağımsız değişkenli
olarak alınırsa çoklu regresyon modeli konusunu oluşturmaktadır.
Yrd.Doç.Dr.Yüksel TERZĐ 318
Basit Doğrusal Regresyon Modeli: Y = a + bX + e
i

Çoklu Regresyon Modeli: Y = a + bX
1
+ cX
2
+ dX
3
+ ... + e
i

Y : Bağımlı değişken
X
1
, X
2
, X
3
, .... : Bağımsız değişkenler
a, b, c, d, … : Katsayılar
e
i
: Hata terimi

XX
XY
SS
SS
n
X
X
n
Y X
XY
b =



∑ ∑


=
2
2
) (
) )( (
ˆ
X b Y a
ˆ
ˆ
− =
Yrd.Doç.Dr.Yüksel TERZĐ 319
BASİT DOĞRUSAL REGRESYON DENKLEMİN VARSAYIMLARI
1. Bağımsız değişkenin değerleri sabit ve rassal olabilir.
2. Bağımsız değişkenin ölçüm hataları ihmal edilebilecek kadar
küçüktür.
3. Her X değeri için Y değerlerinden oluşan bir alt küme vardır.
Bu alt kümelerin dağılımı normaldir.
4. Bu alt küme değerlerinin (Y’lerin) varyansları eşittir.
5. Bu alt kümelerin ortalamaları aynı doğru üzerindedir Bu
varsayım doğrusallık varsayım olarak bilinir.

Hata Terimi (e
i
) Varsayımları
1. Rassal hataların beklenen değeri sıfırdır. E(ε )=0
2. Rassal hataların dağılımı normaldir.
3. ε ’ların olasılık dağılımının varyansı sabittir.
4. Farklı Y değerlerine ilişkin rassal hatalar birbirinden
bağımsızdır.
Yrd.Doç.Dr.Yüksel TERZĐ 320
Ç
Ç
OKLU DO
OKLU DO
Ğ
Ğ
RUSAL REGRESYON
RUSAL REGRESYON
Ç Çoklu regresyon oklu regresyon çö çöz zü ümlemesinde ba mlemesinde bağı ğıml mlı ı de değ ği iş şken ile ba ken ile bağı ğıms msı ız z
de değ ği iş şkenler aras kenler arası ındaki ili ndaki iliş şkiyi matematiksel modelle a kiyi matematiksel modelle aç çı ıklayarak, klayarak,
ba bağı ğınt ntı ılar bulmak ve ba lar bulmak ve bağı ğıms msı ız de z değ ği iş şkenler yard kenler yardı ım mı ı ile ba ile bağı ğıml mlı ı de değ ği iş şkenin kenin
kestirimi yap kestirimi yapı ıl lı ır. r.
Modelde ama Modelde amaç ç; ;
• • Ba Bağı ğıms msı ız de z değ ği iş şkenler yard kenler yardı ım mı ı ile ba ile bağı ğıml mlı ı de değ ği iş şkeni kestirmek, keni kestirmek,
• • Ba Bağı ğıms msı ız de z değ ği iş şkenlerden hangisi kenlerden hangisi- -hangilerinin ba hangilerinin bağı ğıml mlı ı de değ ği iş şkeni daha keni daha
ç çok etkiledi ok etkilediğ ğini bulmak ve aralar ini bulmak ve araları ındaki karma ndaki karmaşı şık yap k yapı ıy yı ı tan tanı ımlamakt mlamaktı ır. r.
0 1 2
1
: 0
: 0
p
j
H
H Enaz bir
β β β
β
= = = =

L
ε β β β β + + + + + =
p p
x x x y L
2 2 1 1 0
Yrd.Doç.Dr.Yüksel TERZĐ 321
Ç
Ç
oklu Do
oklu Do
ğ
ğ
rusal Regresyona
rusal Regresyona
İ
İ
li
li
ş
ş
kin Varsay
kin Varsay
ı
ı
mlar
mlar
1.
1.
Normal da
Normal da
ğı
ğı
l
l
ı
ı
m
m
2.
2.
Do
Do
ğ
ğ
rusall
rusall
ı
ı
k
k
3.
3.
Hata terimlerinin ortalamas
Hata terimlerinin ortalamas
ı
ı
s
s
ı
ı
f
f
ı
ı
rd
rd
ı
ı
r
r
4.
4.
Sabit
Sabit
varyans
varyans
5.
5.
Otokorelasyon
Otokorelasyon
olmamas
olmamas
ı
ı
6.
6.
Ba
Ba
ğı
ğı
ms
ms
ı
ı
z de
z de
ğ
ğ
i
i
ş
ş
kenler aras
kenler aras
ı
ı
nda
nda
ç
ç
oklu ba
oklu ba
ğ
ğ
lant
lant
ı
ı
olmamas
olmamas
ı
ı
Yrd.Doç.Dr.Yüksel TERZĐ 322
Yrd.Doç.Dr.Yüksel TERZĐ 323
Yrd.Doç.Dr.Yüksel TERZĐ 324
Collinearity Collinearity Diagnostics Diagnostics : : Ba Bağı ğıms msı ız de z değ ği iş şkenler aras kenler arası ında do nda doğ ğrusal bir ili rusal bir iliş şki olup ki olup
olmad olmadığı ığın nı ı ara araş şt tı ır rı ır. r.
Model Fit : Model Fit : Modele eklenen ve modelden Modele eklenen ve modelden ç çı ıkar karı ılan de lan değ ği iş şkenler incelenir. R kenler incelenir. R
2 2
ler ler
ve ve varyans varyans tablosu analiz edilir. tablosu analiz edilir.
Durbin Durbin Watson : Watson : Otokorelasyonu Otokorelasyonu test eder. 0 test eder. 0- -4 aras 4 arası ında de nda değ ğerler al erler alı ır. DW r. DW
de değ ğeri 1.5 eri 1.5- -2.5 aras 2.5 arası ında ise nda ise otokorelasyon otokorelasyon olmad olmadığı ığın nı ı g gö österir. 0 sterir. 0’ ’a yak a yakı ın ise n ise
pozitif korelasyonu yani b katsay pozitif korelasyonu yani b katsayı ılar ları ın nı ın s.hatalar n s.hataları ın nı ın n ç çok k ok küçü üçük oldu k olduğ ğunu, 4 unu, 4’ ’e e
yak yakı ın de n değ ğerler ise negatif korelasyonu yani b katsay erler ise negatif korelasyonu yani b katsayı ılar ları ın nı ın s.hatalar n s.hataları ın nı ın n ç çok ok
b bü üy yü ük oldu k olduğ ğu anlam u anlamı ına gelir. na gelir.
Yrd.Doç.Dr.Yüksel TERZĐ 325
ZPRED ZPRED : : Standartla Standartlaş şt tı ır rı ılm lmış ış tahmini de tahmini değ ğerler erler
ZRESID ZRESID : : Standartla Standartlaş şt tı ır rı ılm lmış ış art artı ıklar ( klar (residual residual) )
DRESID DRESID : : Silinen art Silinen artı ıklar klar
ADJPRED ADJPRED : : D Dü üzeltilmi zeltilmiş ş tahmini de tahmini değ ğerler erler
SRESID SRESID : : Student Student art artı ıklar klar
SDRESID SDRESID : : Student Student silinen art silinen artı ıklar klar
Histogram Histogram ve ve normal normal probability probability plot plot k kı ısm smı ından ndan ç çoklu normal da oklu normal dağı ğıl lı ım ve m ve
do doğ ğrusall rusallı ık varsay k varsayı ım mı ı kontrol edilebilir. kontrol edilebilir.
Yrd.Doç.Dr.Yüksel TERZĐ 326
Unstandardized Unstandardized : : Ba Bağı ğıml mlı ı
de değ ği iş şken i ken iç çin modelin tahmin etti in modelin tahmin ettiğ ği i
de değ ğerler. erler.
Standardized Standardized: : Tahmin edilen Tahmin edilen
de değ ğerin standardize edilmi erin standardize edilmiş ş de değ ğeri eri
Adjusted Adjusted: : D Dü üzeltilmi zeltilmiş ş tahmini tahmini
de değ ğerler. erler.
S.E. Of S.E. Of mean mean predicrions predicrions: : Tahmini Tahmini
de değ ğerlerin standart hatalar erlerin standart hataları ı
Distances Distances : U : Uç ç nokta analizleri nokta analizleri
Mahalanobis Mahalanobis: : Bu de Bu değ ğerin b erin bü üy yü ük k
ç çı ıkmas kması ı ba bağı ğıms msı ız de z değ ği iş şkenlerin u kenlerin uç ç
de değ ğerlere sahip oldu erlere sahip olduğ ğunu g unu gö österir. sterir.
Cook Cook’ ’s s : : Bir g Bir gö özlemin regresyon zlemin regresyon
hesaplanmas hesaplanması ından ndan ç çı ıkar karı ılmas lması ı
sonucu katsay sonucu katsayı ılar ları ın n ö önemli oranda nemli oranda
de değ ği iş şece eceğ ğini g ini gö österir. sterir.
Leverage Leverage values values: : Regresyonun Regresyonun
uyumu uyumu ü üzerindeki bir noktan zerindeki bir noktanı ın n
etkisin etkisin ö öl lç çer. er.
Prediction Prediction Intervals Intervals
Mean Mean- -Individual Individual: : Ortalama tahmini Ortalama tahmini- -tek tek
bir g bir gö özlem i zlem iç çin tahmin aral in tahmin aralığı ığın nı ın i n iç çin alt in alt
ve ve ü üst s st sı ın nı ırlar rları ı hesaplar. hesaplar.
Yrd.Doç.Dr.Yüksel TERZĐ 327
Residuals (Artıklar)
Unstandardized: Gözlenen ve tahmini
değerler arasındaki fark
Standardized: Stndardize artıklar
(Pearson residuals ~N(0,1)).
Studentized: Student artıklar
Deleted: Bağımlı değişkenin değeri ile
düzeltilmiş tahmini değer arasındaki
fark.
Studentized deleted: Silinen artığın
kendi standart hatasına bölümü
Influence Statistics (etki ist.)
DfBeta(s): Belli bir değişkenin çıkarılması sonucunda oluşan regresyon
katsayısındaki değişim.
Stan. DfBeta(s): Herhangi bir durumun çıkarılması sonucu regresyon
katsayısındaki değişim. DfFit: Belli bir değişken çıkarıldığında tahmini
değerdeki oluşan değişiklik.
StanDfFit: Herhangi bir durumun çıkarılması sonucu tahmini değerdeki
değişim.
Yrd.Doç.Dr.Yüksel TERZĐ 328
|
|
¹
|

\
|
− −

|
¹
|

\
|

− =
1
1
1
2 2
p n
n
n
p
R R
düz
Ç Çoklu Korelasyon Katsay oklu Korelasyon Katsayı ıs sı ı ( R ) : ( R ) : ba bağı ğıms msı ız de z değ ği iş şkenler ile ba kenler ile bağı ğıml mlı ı de değ ği iş şken aras ken arası ındaki ndaki
ne derece ili ne derece iliş şki oldu ki olduğ ğunu g unu gö österen steren ö öl lçü çüye denir. G ye denir. Gö özlenen y zlenen y
i i
de değ ğerleri ile tahmin edilen erleri ile tahmin edilen
y y
i i
de değ ğerleri aras erleri arası ındaki korelasyon katsay ndaki korelasyon katsayı ıs sı ıd dı ır. R=0,937 olduk r. R=0,937 oldukç ça y a yü üksek bir korelasyon ksek bir korelasyon
vard vardı ır. r.
Ç Çoklu Belirtme Katsay oklu Belirtme Katsayı ıs sı ı (R (R
2 2
) : ) : Ba Bağı ğıms msı ız de z değ ği iş şkenlerin ba kenlerin bağı ğıml mlı ı de değ ği iş şkeni a keni aç çı ıklama klama
y yü üzdesidir (R zdesidir (R
2 2
=0.878). B =0.878). Bü üt tü ün g n gö özlemler regresyon do zlemler regresyon doğ ğrusu rusu ü üzerinde yer al zerinde yer alı ırsa R rsa R
2 2
=1, =1,
e eğ ğer ba er bağı ğıml mlı ı ve ba ve bağı ğıms msı ız de z değ ği iş şken aras ken arası ında hi nda hiç ç do doğ ğrusal ili rusal iliş şki yoksa R ki yoksa R
2 2
=0 olur. R =0 olur. R
2 2
modelin uyum iyili modelin uyum iyiliğ ği i ö öl lçü çüt tü ü olup, R olup, R
2 2
=0 olmas =0 olması ı de değ ği iş şkenler aras kenler arası ında ili nda iliş şki olmamas ki olmaması ı
anlam anlamı ına gelmez. Yani de na gelmez. Yani değ ği iş şkenler aras kenler arası ında do nda doğ ğrusal ili rusal iliş şki olmad ki olmadığı ığın nı ı g gö österir. sterir.
D Dü üzeltilmi zeltilmiş ş R R
2 2
: : Regresyon denklemine ilgisi olmayan ba Regresyon denklemine ilgisi olmayan bağı ğıms msı ız de z değ ği iş şkenler kenler
eklendi eklendiğ ğinde, inde, ç çoklu belirtme katsay oklu belirtme katsayı ıs sı ında d nda dü üzeltme yap zeltme yapı ıl lı ır. r. Ö Örneklem R rneklem R
2 2
modelin modelin
anak anakü ütleye ne kadar uydu tleye ne kadar uyduğ ğu ile ilgilidir. Bunun i u ile ilgilidir. Bunun iç çin d in dü üzeltilmi zeltilmiş ş R R
2 2
kullan kullanı ılarak modelin larak modelin
anak anakü ütleye uyum iyili tleye uyum iyiliğ ği daha iyi yans i daha iyi yansı ıt tı ıl lı ır. D r. Dü üzeltilmi zeltilmiş ş R R
2 2
a aç çı ıklay klayı ıc cı ı de değ ği iş şken say ken sayı ıs sı ı ç çok ok
oldu olduğ ğunda kullan unda kullanı ılmal lmalı ıd dı ır. r.
Std Std. .Error Error of of the the Estimate Estimate : : Art Artı ıklar kları ın standart n standart
hatas hatası ı (regresyon denkleminin s.h.) (regresyon denkleminin s.h.)
D.W.=2,5 de D.W.=2,5 değ ğeri 1.5 eri 1.5- -2.5 aras 2.5 arası ında oldu nda olduğ ğundan modelde undan modelde
Otokorelasyon Otokorelasyon yoktur. yoktur.
Yrd.Doç.Dr.Yüksel TERZĐ 329
ANOVA tablosu modelin bir b ANOVA tablosu modelin bir bü üt tü ün olarak anlaml n olarak anlamlı ı olup olmad olup olmadığı ığın nı ı test test
eder. P<0,05 ise kurulan regresyon modeli anlaml eder. P<0,05 ise kurulan regresyon modeli anlamlı ıd dı ır. r.
Yrd.Doç.Dr.Yüksel TERZĐ 330
Regresyon Regresyon modeli: modeli: Y= = Y= =- -58,15+0,357Ya 58,15+0,357Yaş ş+0,687Boy+0,655A +0,687Boy+0,655Ağı ğırl rlı ık k
Standardized Standardized Coefficients Coefficients- -Beta: Beta: Beta ba Beta bağı ğıms msı ız de z değ ği iş şkenlerin kenlerin ö önem s nem sı ıras rası ın nı ı
g gö österir. sterir. İş İşarete bakmadan en y arete bakmadan en yü üksek Beta de ksek Beta değ ğerine sahip olan de erine sahip olan değ ği iş şken en ken en
ö önemli ba nemli bağı ğıms msı ız de z değ ği iş şkendir. kendir.
Zero Zero- -order order (r) (r) : : her bir ba her bir bağı ğıms msı ız de z değ ği iş şkenin ba kenin bağı ğıml mlı ı de değ ği iş şken(Y) ile ken(Y) ile
korelasyonu korelasyonu
Partial Partial (k (kı ısm smı ı) ) : : Di Diğ ğer t er tü üm ba m bağı ğıms msı ız de z değ ği iş şkenlerin kenlerin Xi Xi ve Y ve Y ü üzerindeki etkisini zerindeki etkisini
ar arı ıtt ttı ıktan sonra ba ktan sonra bağı ğıms msı ız de z değ ği iş şken ile Y aras ken ile Y arası ındaki korelasyon katsay ndaki korelasyon katsayı ıs sı ıd dı ır. r.
Part Part (yar (yarı ı k kı ısm smı ı kor.) kor.) : : Di Diğ ğer t er tü üm ba m bağı ğıms msı ız de z değ ği iş şkenlerin kenlerin Xi Xi de değ ği iş şkeni keni
ü üzerindeki etkisini ar zerindeki etkisini arı ıtt ttı ıktan sonra Y ile aras ktan sonra Y ile arası ındaki korelasyon katsay ndaki korelasyon katsayı ıs sı ıd dı ır. r.
Yrd.Doç.Dr.Yüksel TERZĐ 331
Ba Bağı ğıms msı ız de z değ ği iş şkenlerin baz kenlerin bazı ılar ları ın nı ın veya t n veya tü üm mü ün nü ün kendi aralar n kendi araları ında nda
do doğ ğrusal ili rusal iliş şki i ki iç çinde olmas inde olması ı durumuna durumuna ç çoklu ba oklu bağ ğlant lantı ı ( (multicollinarity multicollinarity) ) denir. Bu denir. Bu
ifade do ifade doğ ğrusal regresyon modelinden bir sapmay rusal regresyon modelinden bir sapmayı ı ifade eder. Bu durumda ifade eder. Bu durumda
parametreler i parametreler iç çin bulunan g in bulunan gü üven aral ven aralı ıklar kları ın nı ın ( n (confidence confidence interval interval) b ) bü üy yü ük k
olmas olması ından dolay ndan dolayı ı, o parametreler s , o parametreler sı ıf fı ırdan farkl rdan farklı ı de değ ğildir. Yani a ildir. Yani aç çı ıklay klayı ıc cı ı
de değ ği iş şken ken ö önemsiz demektir. nemsiz demektir.
Varyans enflasyon fakt Varyans enflasyon faktö ör rü ü (VIF) (VIF) artt arttı ık kç ça regresyon katsay a regresyon katsayı ılar ları ın nı ın n
varyans varyansı ı artar. artar. K Küçü üçük k Tolerance Tolerance de değ ğeri ve b eri ve bü üy yü ük k VIF de VIF değ ğeri varsa (VIF>5), eri varsa (VIF>5),
ba bağı ğıms msı ız de z değ ği iş şkenler aras kenler arası ında nda ç çoklu ba oklu bağ ğlant lantı ı oldu olduğ ğunu g unu gö österir. Bu durumda sterir. Bu durumda
de değ ği iş şkenlerden sadece birisinin modele dahil edilmesi gerekmektedir. kenlerden sadece birisinin modele dahil edilmesi gerekmektedir. Tabloda Tabloda
boy ve a boy ve ağı ğırl rlığı ığın VIF de n VIF değ ğerleri y erleri yü üksek, ksek, tolerance tolerance de değ ğerleri k erleri küçü üçük, ayn k, aynı ı zamanda zamanda
iki de iki değ ği iş şken aras ken arası ında y nda yü üksek korelasyon vard ksek korelasyon vardı ır. Bu durumda boy yada a r. Bu durumda boy yada ağı ğırl rlı ık k
de değ ği iş şkenlerinden biri modelden kenlerinden biri modelden ç çı ıkar karı ılabilir. labilir.
Yrd.Doç.Dr.Yüksel TERZĐ 332
Boy ile a Boy ile ağı ğırl rlı ık aras k arası ında y nda yü üksek ksek
korelasyon vard korelasyon vardı ır. r.
Ç Çoklu ba oklu bağ ğlant lantı ı ö özde zdeğ ğer er ve durum indeksi ( ve durum indeksi (Condition Condition Index Index) ve de ) ve değ ği iş şim oranlar im oranları ı
( (Variance Variance Proportions Proportions) ile de bulunabilir. A ) ile de bulunabilir. Ağı ğırl rlı ık de k değ ği iş şkeninin %1 keninin %1’ ’lik de lik değ ği iş şimi 2. imi 2.
ö özde zdeğ ğerle erle, %21 , %21’ ’lik de lik değ ği iş şimi 3. imi 3. ö özde zdeğ ğerler erler ve %77 ve %77’ ’lik de lik değ ği iş şimi 4. imi 4. ö özde zdeğ ğerle erle
ili iliş şkilidir. Ayn kilidir. Aynı ı ö özde zdeğ ğerde erde y yü üksek oran ksek oranı ı olan de olan değ ği iş şkenlere bak kenlere bakı ıl lı ır. 4. r. 4.ö özde zdeğ ğer er
sabitteki varyans sabitteki varyansı ın %99 n %99’ ’unu, boydaki de unu, boydaki değ ği iş şimin %100 imin %100’ü ’ün nü ü, a , ağı ğırl rlı ıktaki de ktaki değ ği iş şimin imin
ise %77 ise %77’ ’sini a sini aç çı ıklar. Bu bize de klar. Bu bize değ ği iş şkenlerin birbiri ile ba kenlerin birbiri ile bağı ğıml mlı ı oldu olduğ ğunu g unu gö österir. sterir.
4. 4.ö özde zdeğ ğerin erin en k en küçü üçük olmas k olması ı ve durum ve durum indexinin indexinin ise en y ise en yü üksek olmas ksek olması ı ö önemlidir. nemlidir.
Yrd.Doç.Dr.Yüksel TERZĐ 333
Hata terimleri ve tahmin edilen de Hata terimleri ve tahmin edilen değ ğerler aras erler arası ındaki serpme grafi ndaki serpme grafiğ ğinde, inde,
noktalar rasgele ve bir y noktalar rasgele ve bir yığı ığılma olmadan da lma olmadan dağı ğılmal lmalı ıd dı ır. E r. Eğ ğer noktalar bir er noktalar bir
e eğ ğri g ri gö österiyorsa do steriyorsa doğ ğrusal ili rusal iliş şki varsay ki varsayı ım mı ı sa sağ ğlanmaz. lanmaz.
Yrd.Doç.Dr.Yüksel TERZĐ 334
U Uç ç De Değ ğerler: erler:
ZRE_1 :Standardize art ZRE_1 :Standardize artı ıklara bak klara bakı ıl lı ır. Mutlak de r. Mutlak değ ğerce 3 erce 3’ ’den den
b bü üy yü ük olan standartla k olan standartlaş şt tı ır rı ılm lmış ış hata terimi de hata terimi değ ğerleri u erleri uç ç
de değ ğerler olarak kabul edilir. erler olarak kabul edilir.
Yrd.Doç.Dr.Yüksel TERZĐ 335
Cook Cook Uzakl Uzaklığı ığı : :
Etkili g Etkili gö özlemlerin elde edilmesinde zlemlerin elde edilmesinde
kullan kullanı ıl lı ır. r. Cook Cook de değ ğeri 1 ve daha eri 1 ve daha
b bü üy yü ük olan g k olan gö özlemler etkili g zlemler etkili gö özlem zlem
olarak nitelenir. olarak nitelenir.
Yrd.Doç.Dr.Yüksel TERZĐ 336
PROB PROBİ İT REGRESYON MODEL T REGRESYON MODELİ İ
Ba Bağı ğıml mlı ı de değ ği iş şkenin iki kenin iki şı şıkl klı ı (evet (evet- -hay hayı ır, ba r, baş şar arı ıl lı ı- -ba baş şar arı ıs sı ız gibi) z gibi)
oldu olduğ ğu kategorik modeller, iki u u kategorik modeller, iki uç çlu yada g lu yada gö ölge ba lge bağı ğıml mlı ı de değ ği iş şkenli kenli
modeller olarak adland modeller olarak adlandı ır rı ıl lı ır. Bu modelleri tahmin etmek i r. Bu modelleri tahmin etmek iç çin do in doğ ğrusal rusal
olas olası ıl lı ı, , Logit Logit (lojistik) ve (lojistik) ve Probit Probit gibi yakla gibi yaklaşı şımlar kullan mlar kullanı ıl lı ır. r.
Probit Probit analizi lojistik regresyona benzer. Ancak Lojistik analizi lojistik regresyona benzer. Ancak Lojistik
regresyonda regresyonda log log odd odd lar lar kullan kullanı ıl lı ırken, rken, probit probit analizde k analizde kü üm mü ülatif normal latif normal
da dağı ğıl lı ım kullan m kullanı ıl lı ır. r.
Yrd.Doç.Dr.Yüksel TERZĐ 337
KOVARYANS ANAL KOVARYANS ANALİ İZ Zİ İ (ANCOVA) (ANCOVA)
Kovaryans Analizi, iki veya daha fazla grupta bir s Kovaryans Analizi, iki veya daha fazla grupta bir sü ürekli (ba rekli (bağı ğıml mlı ı) )
de değ ği iş şkenin ortalamalar kenin ortalamaları ın nı ın kar n karşı şıla laş şt tı ır rı ılmas lması ı s sı ıras rası ında, bu de nda, bu değ ği iş şkene etki kene etki
eden ba eden baş şka s ka sü ürekli de rekli değ ği iş şkenin etkisinin ortadan kald kenin etkisinin ortadan kaldı ır rı ılmas lması ı veya bu veya bu
etkinin ar etkinin arı ıt tı ılmas lması ı maksad maksadı ıyla kullan yla kullanı ılan bir tekniktir. lan bir tekniktir.
Bu analizin avantaj Bu analizin avantajı ı sonu sonuç çtaki hata varyans taki hata varyansı ın nı ı azaltma ve denekler azaltma ve denekler
aras arası ındaki di ndaki diğ ğer farkl er farklı ıl lı ıklar kları ı dikkate alarak, grup farkl dikkate alarak, grup farklı ıl lı ıklar kları ın nı ı ortaya ortaya
koyar. Ba koyar. Bağı ğıml mlı ı de değ ği iş şkendeki de kendeki değ ği iş şmeyi kontrol alt meyi kontrol altı ına alarak, hata na alarak, hata
varyans varyansı ın nı ı azalt azaltı ır. r.
Kovaryans Analizinde bir ba Kovaryans Analizinde bir bağı ğıml mlı ı de değ ği iş şken olmas ken olması ına kar na karşı şıl lı ık, k,
birden fazla ba birden fazla bağı ğıms msı ız de z değ ği iş şken ve birden fazla ken ve birden fazla covariate covariate (kod de (kod değ ği iş şken) ken)
olabilir. olabilir.
Üç Üç grup hastan grup hastanı ın sa n sağ ğl lı ık durumu kar k durumu karşı şıla laş şt tı ır rı ıld ldığı ığında ve ya nda ve yaş ş da da
ö önemli olarak g nemli olarak gö ör rü ül lü üyorsa, ya yorsa, yaş ş de değ ği iş şkeni kontrol alt keni kontrol altı ında tutularak nda tutularak
ANCOVA yap ANCOVA yapı ılabilir. B labilir. Bö öylece ya ylece yaş ştaki de taki değ ği iş şmelerden kaynaklanan melerden kaynaklanan
de değ ği iş şiklik a iklik aç çı ıklanm klanmış ış olur. olur.
Yrd.Doç.Dr.Yüksel TERZĐ 338
KOVARYANS ANAL KOVARYANS ANALİ İZ Zİ İ İ İÇ Çİ İN VARSAYIMLAR N VARSAYIMLAR
Gruplar ba Gruplar bağı ğıms msı ız olmal z olmalı ıd dı ır. r.
Gruplar Grupları ın varyans n varyansı ı e eş şit olmal it olmalı ıd dı ır. r.
Ba Bağı ğıml mlı ı de değ ği iş şkenin verisi oransal veya aral kenin verisi oransal veya aralı ıkl klı ı ö öl lç çekli olmal ekli olmalı ıd dı ır. r.
Ba Bağı ğıml mlı ı de değ ği iş şken normal veya normale yak ken normal veya normale yakı ın da n dağı ğıl lı ım g m gö östermelidir. stermelidir.
Kod de Kod değ ği iş şken ( ken (covariate covariate) aral ) aralı ıkl klı ı veya oransal veri veya oransal veri ş şeklinde olmal eklinde olmalı ıd dı ır. r.
E Eğ ğer kod de er kod değ ği iş şken nominal ise ANCOVA yap ken nominal ise ANCOVA yapı ılamaz. lamaz.
Kod de Kod değ ği iş şken ile ba ken ile bağı ğıml mlı ı de değ ği iş şken do ken doğ ğrusal bir ili rusal bir iliş şki g ki gö östermelidir. stermelidir. Bu Bu
varsay varsayı ım olmazsa analizin g m olmazsa analizin gü üc cü ü zay zayı ıf olur. f olur. Çü Çünk nkü ü hata varyans hata varyansı ı az az
azalt azaltı ılm lmış ış olur. olur.
Kod de Kod değ ği iş şken ile ba ken ile bağı ğıml mlı ı de değ ği iş şken aras ken arası ındaki ili ndaki iliş şkinin g kinin gü üc cü ü ve y ve yö ön nü ü
her grupta benzer olmal her grupta benzer olmalı ıd dı ır. Yani kod de r. Yani kod değ ği iş şken ile ba ken ile bağı ğıml mlı ı de değ ği iş şken ken
aras arası ındaki ili ndaki iliş şki ki ü üzerinde ba zerinde bağı ğıms msı ız de z değ ği iş şkenin etkisi olmamal kenin etkisi olmamalı ıd dı ır. r.
Yrd.Doç.Dr.Yüksel TERZĐ 339
Yrd.Doç.Dr.Yüksel TERZĐ 340
Yrd.Doç.Dr.Yüksel TERZĐ 341
P=0.204>0.05 olup P=0.204>0.05 olup
varyanslar varyansları ın n
homojenlik homojenlik ş şart artı ı
sa sağ ğlanm lanmış ış olur. olur.
H H
0 0
: iki grup i : iki grup iç çin in
e eğ ğim ayn im aynı ıd dı ır (iki r (iki
gruptaki uyum skoru gruptaki uyum skoru
ile hastal ile hastalı ık skorlar k skorları ı
do doğ ğrular ruları ın nı ın e n eğ ğimi imi
ayn aynı ıd dı ır). r).
P=0.185>0.05 olup P=0.185>0.05 olup
Ba Bağı ğıms msı ız de z değ ği iş şken ken
ile kod de ile kod değ ği iş şken ken
aras arası ındaki etkile ndaki etkileş şim im
ö önemli de nemli değ ğildir. Yani ildir. Yani
iki grup i iki grup iç çin e in eğ ğim im
ayn aynı ıd dı ır. r.
Ba Bağı ğıms msı ız de z değ ği iş şken (grup) ile ba ken (grup) ile bağı ğıml mlı ı de değ ği iş şken aras ken arası ında nda
ve kod de ve kod değ ği iş şken ( ken (hastakod hastakod) ile ba ) ile bağı ğıml mlı ı de değ ği iş şken ken
aras arası ında nda ö önemli bir ili nemli bir iliş şki vard ki vardı ır (P<0.05). r (P<0.05).
Yrd.Doç.Dr.Yüksel TERZĐ 342
E Eğ ğer kod de er kod değ ği iş şken (ortak de ken (ortak değ ği iş şken) ile ba ken) ile bağı ğıml mlı ı de değ ği iş şken aras ken arası ındaki ili ndaki iliş şki ki
do doğ ğrusal de rusal değ ğilse, kod de ilse, kod değ ği iş şken ba ken bağı ğıms msı ız de z değ ği iş şken al ken alı ınarak ANOVA yap narak ANOVA yapı ıl lı ır veya r veya
d dö ön nü üş şü üm ile yeniden ANCOVA yap m ile yeniden ANCOVA yapı ılabilir. Bunun i labilir. Bunun iç çin etkile in etkileş şime bak ime bakı ıl lı ır, burada r, burada
ö önemsiz nemsiz ç çı ıkt ktığı ığından ANCOVA yap ndan ANCOVA yapı ılabilir. labilir.
Ba Bağı ğıms msı ız de z değ ği iş şken ken
(Grup) ve kod de (Grup) ve kod değ ği iş şken ken
( (hastakod hastakod) ile ba ) ile bağı ğıml mlı ı
de değ ği iş şken ( ken (uyumskor uyumskor) )
aras arası ında nda ö önemli bir ili nemli bir iliş şki ki
vard vardı ır. r.
Yrd.Doç.Dr.Yüksel TERZĐ 343
Gruplar Grupları ı kar karşı şıla laş şt tı ırmak i rmak iç çin, gruplar in, grupları ın d n dü üzeltilmi zeltilmiş ş
ortalamalar ortalamaları ına akmak gerekir. Orijinal ortalamalar hemen hemen na akmak gerekir. Orijinal ortalamalar hemen hemen
e eş şittir (8,5 ve 8,00). Hastal ittir (8,5 ve 8,00). Hastalı ık derecesi skoru dikkate al k derecesi skoru dikkate alı ınd ndığı ığında nda
ise elde edilen d ise elde edilen dü üzeltilmi zeltilmiş ş ortalamalar ortalamalar ç çok farkl ok farklı ıd dı ır (14,32 ve r (14,32 ve
2,17). Buda 2,17). Buda ANCOVA ANCOVA’ ’n nı ın n fark farkı ın nı ı g gö östermektedir. stermektedir.
Yrd.Doç.Dr.Yüksel TERZĐ 344
GÜVENĐLĐRLĐK ANALĐZĐ (RELIABILITY ANALYSIS)

Güvenilirlik bir ölçme aracında (testte) bütün soruların
birbirleriyle tutarlılığını, ele alınan oluşumu ölçmede türdeşliğini
ortaya koyan bir kavramdır. Ölçme araçlarının güvenilirliğini
değerlendirmek amacıyla geliştirilmiş yöntemlere Güvenilirlik Analizi
ve bu araçta yer alan soruların irdelenmesine ise Soru Analizi
(Reliability and item analysis) denir.
Testlerin güvenilirliğini analiz etmek amacıyla güvenilirlik
katsayıları hesaplanmalıdır. En çok kullanılan güvenilirlik katsayıları
Cronbach alfa katsayısı ve Kuder-Richardson katsayılarıdır.
Güvenilirlik analizi toplam puanlar üzerine kurulu ölçeklere
(Likert Ölçeği) dayalı araçların güvenirliğini ortaya koymaya yarayan
Cronbach Alfa katsayılarını hesaplar.
Temel varsayımlar:
“Her soru toplam skorun bir doğrusal bileşeni olmalıdır” ve “Ölçekte
toplanabilirlik özelliğinin bulunması gerekir”.
Yrd.Doç.Dr.Yüksel TERZĐ 345
Cronbach Alfa Katsayısı :
Alfa katsayısı ölçekte yer alan k sorunun varyansları
toplamının genel varyansa oranlaması ile bulunan bir ağırlık
standart değişim ortalamasıdır. Cronbach Alfa Katsayısı 0-1
arasında değerler alır. Sorular arasında negatif korelasyon
varsa Alfa katsayısı da negatif çıkar. Bu durum güvenilirlik
modelin bozulmasına neden olur.

Đkiye Bölünmüş Yöntem (Split Half) :
Ölçekte yer alan soruların ikiye ayrılması ve bu iki parça
arasında korelasyon hesaplanması yöntemidir.

Guttman Katsayıları : 6 katsayı hesaplanır. Güvenirliği
kovaryans yada varyans yaklaşımı ile hesaplayan bir
yaklaşımdır.
Yrd.Doç.Dr.Yüksel TERZĐ 346
Paralel Yöntem : Soruların varyanslarının eşit olduğu varsayımı
kullanılarak, en büyük benzerlik güvenirlik tahminleri yapılır.
Uygunluk için ki-kare testi kullanılır.
Kesin (Strict) Paralel Yöntem : Soru ortalamaları ve varyanslarının
eşit olduğu varsayımına göre en büyük benzerlik güvenirlik
tahminleri yapılır. Uygunluk için ki-kara testi kullanılır.
Soru ile Bütün Arasındaki Korelasyonlar Yöntemi (Item Total
Correlation)
Bir soru ile diğer soruların toplamından oluşan bütün
(total)arasındaki korelasyon hesaplanmasına dayanmaktadır. Eğer
soru-bütün korelasyon katsayısı düşük ise, o sorunun ölçeğe
katkısının düşük olduğu anlamına gelir. Eğer soru-bütün
korelasyon katsayısı çok düşük ise, o sorunun ölçekten çıkarılması
gerekir.
Yrd.Doç.Dr.Yüksel TERZĐ 347
Soru Silinirse Bütün ortalamalarının Değişimi (Means if item deleted)
Eğer soru ölçekten çıkarılırsa bireylerin soru ortalama ve standart
sapmalarının değişimi incelenir.

Soru Silinirse Güvenilirlik Katsayısı (Reliability coefficient if item
deleted) :
Ele alınan soru ölçekten çıkarıldığında güvenirlik katsayısının
değişimini incelemek amacıyla yararlanılan bir yaklaşımdır. Eğer soru
ölçekte yer almasa idi ölçeğin güvenirliği nasıl değişirdi (azalır mı?,
artar mı?) durumunu görmek amacıyla hesaplanır.

Genel olarak güvenilirlik analizinde aşağıdaki varsayımların
dikkate alınması gerekir:
1. Demografik ve sosyo-ekonomik sorular dışında birbiri ile ilişkili en
az 20 soru içermelidir.
2. Araçlar en az 50 tane rasgele seçilen denek üzerinde
uygulanmalıdır.
Sorulara verilen cevapların toplanabilir özellikte (additivity
assumption) olması gerekir.
Yrd.Doç.Dr.Yüksel TERZĐ 348
Yrd.Doç.Dr.Yüksel TERZĐ 349
Item : soru Scale : ölçek

F test, Friedman chi-square, Cochran chi-square
Model uyumu ve soruların uyumluluğu için
ANOVA tablosu seçeneklerinden birisi seçilir.

Tukey’s test of additivity : Ölçekte yer alan
soruların bir toplamsal ölçek oluşturacak biçimde
hazırlanıp hazırlanmadığını, soruların skorlarının
toplanabilir olup olmadığını test eder.

Interclass correlation coefficient: Olgular
arasındaki değerlerin uyumluluğunu test eder ve
hesaplama modeli için iki yönlü rasgele (Two-way
Random) model seçilir. Mutlak uyumluluk için
test parametre değeri (Test value) sıfır olarak
seçilir.

Hotelling’s T-square : Soru ortalamalarının
birbirine eşit olup olmadığını test eder.

Soru ortalamalarının birbirine eşit olup
olmaması kavramı; soruların denekler tarafından
aynı yaklaşım ile algılanıp algılanmadığını yani
soruların zorluk derecelerinin birbirine eşit olup
olmadığıdır. Ölçek değerlendirmede soruların
%75’i orta, %12,5’i kolay ve %12,5’i de zor
nitelikte olmalıdır.
Alfa katsayısının değerlendirilmesi :
0 -0,39 : ölçek güvenilir değil
0,40-0,59 : ölçek düşük güvenirlikte
0,60-0,79 : ölçek oldukça güvenilir
0,80-1,00 : ölçek yüksek derecede güvenilir bir ölçektir.
Yrd.Doç.Dr.Yüksel TERZĐ 350
Ölçekte yer alan soruların genel ortalaması (item means) 2.8276’dır. Ortalanmaların değişim aralığı
(range) 1.9598 olmaktadır.
Soru-Bütün (item-total) korelasyonlara bakıldığında -0,23 ile 0,609 arasında değişim
gösterdiği görülür. Soru ile bütün arasındaki korelasyonların negatif olmaması gerekir, hatta
0,25’den büyük olması beklenir.
Yrd.Doç.Dr.Yüksel TERZĐ 351
Bir sorunun ölçekten çıkarılması için; soru silinirse Alfa katsayısında
(Alpha if Item Deleted) değişimine ve soru silinirse ortalamadaki (Scale
mean if item deleted) değişimine bakmak gerekir. Örnekte α αα α=0,8408
bulundu (güvenilir bir çalışma demektir), eğer bir soru ölçekten
çıkarıldığında alfa katsayısı yükseliyorsa o soru güvenilirliği azaltan bir
sorudur ve ölçekten çıkarılması gerekir.
Yrd.Doç.Dr.Yüksel TERZĐ 352
Soru ortalamalarının testi sonucunda, soru ortalamaların farklı olduğu
görülmektedir (Hotelling's T-Squared = 1606,7 , Prob. = ,0000). Yani
soruların zorluk dereceleri birbirinden farklıdır.
Yapılan varyans analizi sonucuna göre ölçek toplanabilir özellikte değildir
(Nonadditivity F=447,9 P=0,0000). Ölçümler arası değişime bakıldığında
da önemli bir farklılık görülmektedir (Between Measures, F=209,65
P=0,0000).
Yrd.Doç.Dr.Yüksel TERZĐ 353
FAKTÖR ANALĐZĐ (FACTOR ANALYSIS)

Faktör analizi, birbiri ile ilişkili p tane değişkeni bir araya
getirerek az sayıda ilişkisiz ve kavramsal olarak anlamlı yeni
değişkenler (faktörler, boyutlar) bulmayı amaçlayan çok değişkenli bir
istatistiktir.
Faktör analizinin amacı, veri setini küçülterek daha kolay
açıklanabilir hale getirmektir. Faktör analizi bir çok değişkenin birkaç
başlık altında toplanması tekniğidir. Mesela bir ankette 100 madde
olsun. Anket sonucunda deneklerin; sözel, matematiksel ve analitik
kabiliyetleri değerlendirilmek istenmiştir. Faktör analizi ile
kabiliyetlerin her birisi için “faktör skoru” elde edilebilir. Analiz ile
üçten daha az veya daha fazla birbirinden farklı faktörün olup
olmadığı ortaya çıkarılır.
Faktör analizi uygulamadan önce, değişkenlerin korelasyon
matrisi incelenmelidir. Mutlak değerce 0,4’den küçük olan değişkenin
analize dahil edilmesi uygun olmayabilir.
Yrd.Doç.Dr.Yüksel TERZĐ 354
Açıklayıcı (exploratory) ve doğrulayıcı (confirmatory)
olmak üzere iki tür faktör analizi yaklaşımı vardır. Açıklayıcı
faktör analizinde, değişkenler arasındaki ilişkilerden hareketle
faktör bulmaya yönelik bir işlem; doğrulayıcı faktör analizinde
ise değişkenler arasındaki ilişkiye dair daha önce saptanan bir
hipotezin yada kuramın test edilmesi söz konusudur.
SPSS’de faktörlerin ortaya çıkarılması değişik metotlar
kullanılır. Bunlardan en yaygın kullanılanı Temel Bileşenler
(Principal Components) metodudur. Bu metotla bütün
değişkenlerdeki maksimum varyansı açıklayacak varyans
hesaplanır. Kalan maksimum miktardaki varyansı açıklamak
için, ikinci faktör hesaplanır. Bu süreç değişkenlerdeki bütün
varyansın açıklanmasına kadar devam eder. Ancak çok
faktörün olması iyi değildir. Bunun için öz değer (eigenvalue)
kullanılarak, analizde kaç faktörün kullanılacağına karar
verilir.
Yrd.Doç.Dr.Yüksel TERZĐ 355
Faktör Analizinin Adımları :
1. Bütün değişkenler için korelasyon matrisi hesaplanır.Birbiri ile
ilişkisiz olan değişkenler belirlenir. Böylece faktör modelin uygunluğu
değerlendirilir.
2. Faktör sayısı belirlenir. Bu adımda seçilen modelin veriye ne kadar
uyumlu olduğu tespit edilir.
3. Rotasyonla faktörler dönüştürülerek, daha iyi yorumlanması
sağlanır.
4. Her vaka için faktörün skoru hesaplanır.
m kadar önemli faktör “ bağımsızlık, yorumlamada açıklık ve
anlamlılık” için bir eksen döndürmesine (rolation) tabi tutulur. Eksenlerin
döndürülmesi sonrasında maddelerin bir faktördeki yükü artarken, diğer
faktörlerdeki yükleri azalır. Dik (orthogonal) ve eğik (oblique) olmak üzere
iki tür döndürme yaklaşımı vardır. Döndürme sonunda değişkenlerle ilgili
toplam varyans değişmezken, faktörlerin açıkladıkları varyans değişir.
Soysal bilimlerde genellikle dik döndürme tercih edilir. Yani faktörler
eksenin konumu değiştirilmeksizin (90 derece) döndürülür. Dik döndürme
tekniklerinden en sık kullanılan varimax ve quartimax’dır. Bu teknikler
maddelerin yüklerini bir faktörde 1’e, diğerlerinde ise sıfıra yaklaştırmayı
amaçlar.
Yrd.Doç.Dr.Yüksel TERZĐ 356
Yrd.Doç.Dr.Yüksel TERZĐ 357
Correlation Matrix Correlation Matrix Correlation Matrix Correlation Matrix
1,000 ,559 ,521 ,445 ,426 ,447 ,455 ,345 ,203 ,294
,559 1,000 ,568 ,554 ,407 ,449 ,508 ,402 ,246 ,305
,521 ,568 1,000 ,560 ,517 ,456 ,511 ,416 ,322 ,340
,445 ,554 ,560 1,000 ,518 ,560 ,502 ,396 ,292 ,447
,426 ,407 ,517 ,518 1,000 ,573 ,529 ,367 ,400 ,405
,447 ,449 ,456 ,560 ,573 1,000 ,609 ,393 ,351 ,327
,455 ,508 ,511 ,502 ,529 ,609 1,000 ,571 ,436 ,436
,345 ,402 ,416 ,396 ,367 ,393 ,571 1,000 ,348 ,500
,203 ,246 ,322 ,292 ,400 ,351 ,436 ,348 1,000 ,487
,294 ,305 ,340 ,447 ,405 ,327 ,436 ,500 ,487 1,000
,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
YONTEM1
YONTEM2
YONTEM3
YONTEM4
YOMTEM5
YONTEM6
YONTEM7
YONTEM8
YONTEM9
YONTEM10
YONTEM1
YONTEM2
YONTEM3
YONTEM4
YOMTEM5
YONTEM6
YONTEM7
YONTEM8
YONTEM9
YONTEM10
Correlation
Sig. (1-tailed)
YONTEM1 YONTEM2 YONTEM3 YONTEM4 YOMTEM5 YONTEM6 YONTEM7 YONTEM8 YONTEM9 YONTEM10
Değişkenler arasındaki korelasyonlar genelde iyi gözükmektedir.
Yrd.Doç.Dr.Yüksel TERZĐ 358
KMO and Bartlett's Test KMO and Bartlett's Test KMO and Bartlett's Test KMO and Bartlett's Test
,896 ,896 ,896 ,896
1489,003
45
,000 ,000 ,000 ,000
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy.
Approx. Chi-Square
df
Sig.
Bartlett's Test of
Sphericity
KMO örneklem yeterliliği ölçütü, gözlenen korelasyon
katsayıları büyüklüğü ile kısmi korelasyon katsayılarının
büyüklüğünü karşılaştıran bir indekstir. KMO ölçütü 0,9-1,0
arasında mükemmel, 0,8-0,89 arasında çok iyi, 0,7-0,79
arasında iyi, 0,6-0,69 arasında orta, 0,5-0,59 zayıf, 0,5’de aşağı
ise kabul edilemez. Örnekte 0,89 bulunmuş ve çok iyi olduğu
söylenebilir.
Bartlett testi ile korelasyon matrisinin birim matris olup
olmadığı test edilir.
H
0
: Evren korelasyon matrisi birim matristir.
P=0,000<0,01 olduğundan yokluk hipotezi reddedilir. Yani
evren korelasyon matrisi birim matris değildir.
Yrd.Doç.Dr.Yüksel TERZĐ 359
Anti-image Matrices Anti-image Matrices Anti-image Matrices Anti-image Matrices
,588 -,159 -,105 8,9E-04 -5,E-02 -6,E-02 -3,E-02 -7,E-03 5,5E-02 -3,1E-02
-,159 ,512 -,109 -,118 1,9E-02 -7,E-03 -6,E-02 -4,E-02 4,3E-03 2,47E-02
-,105 -,109 ,505 -,104 -9,E-02 1,7E-02 -4,E-02 -5,E-02 -5,E-02 2,60E-02
8,9E-04 -,118 -,104 ,482 -6,E-02 -,122 -4,E-03 6,3E-03 4,6E-02 -,124
-5,E-02 1,9E-02 -9,E-02 -6,E-02 ,531 -,131 -5,E-02 1,9E-02 -8,E-02 -5,5E-02
-6,E-02 -7,E-03 1,7E-02 -,122 -,131 ,487 -,137 -9,E-03 -4,E-02 4,97E-02
-3,E-02 -6,E-02 -4,E-02 -4,E-03 -5,E-02 -,137 ,432 -,155 -8,E-02 -1,8E-02
-7,E-03 -4,E-02 -5,E-02 6,3E-03 1,9E-02 -9,E-03 -,155 ,580 -5,E-03 -,171
5,5E-02 4,3E-03 -5,E-02 4,6E-02 -8,E-02 -4,E-02 -8,E-02 -5,E-03 ,671 -,204
-3,E-02 2,5E-02 2,6E-02 -,124 -5,E-02 5,0E-02 -2,E-02 -,171 -,204 ,580
,912
a
-,290 -,193 1,7E-03 -8,E-02 -,112 -6,E-02 -1,E-02 8,7E-02 -5,4E-02
-,290 ,898
a
-,215 -,237 3,7E-02 -1,E-02 -,130 -8,E-02 7,3E-03 4,53E-02
-,193 -,215 ,917
a
-,210 -,183 3,4E-02 -8,E-02 -9,E-02 -8,E-02 4,81E-02
1,7E-03 -,237 -,210 ,897
a
-,121 -,252 -1,E-02 1,2E-02 8,1E-02 -,234
-8,E-02 3,7E-02 -,183 -,121 ,924
a
-,257 -,104 3,4E-02 -,130 -9,8E-02
-,112 -1,E-02 3,4E-02 -,252 -,257 ,891
a
-,297 -2,E-02 -8,E-02 9,35E-02
-6,E-02 -,130 -8,E-02 -1,E-02 -,104 -,297 ,904
a
-,309 -,157 -3,5E-02
-1,E-02 -8,E-02 -9,E-02 1,2E-02 3,4E-02 -2,E-02 -,309 ,890
a
-8,E-03 -,294
8,7E-02 7,3E-03 -8,E-02 8,1E-02 -,130 -8,E-02 -,157 -8,E-03 ,865
a
-,327
-5,E-02 4,5E-02 4,8E-02 -,234 -1,E-01 9,4E-02 -4,E-02 -,294 -,327 ,840
a
YONTEM1
YONTEM2
YONTEM3
YONTEM4
YOMTEM5
YONTEM6
YONTEM7
YONTEM8
YONTEM9
YONTEM10
YONTEM1
YONTEM2
YONTEM3
YONTEM4
YOMTEM5
YONTEM6
YONTEM7
YONTEM8
YONTEM9
YONTEM10
Anti-image
Covariance
Anti-image
Correlation
YONTEM1 YONTEM2 YONTEM3 YONTEM4 YOMTEM5 YONTEM6 YONTEM7 YONTEM8 YONTEM9 YONTEM10
Measures of Sampling Adequacy(MSA) a.
Anti-image correlation matrices’in köşegen elemanları
örneklem yeterliliğini gösterir. Makul büyüklükteki
değerler (buradaki gibi) iyi faktör analizi için geçerlidir.
Yrd.Doç.Dr.Yüksel TERZĐ 360
Communalities Communalities Communalities Communalities
1,000 ,614
1,000 ,655
1,000 ,623
1,000 ,602
1,000 ,541
1,000 ,561
1,000 ,643
1,000 ,520
1,000 ,659
1,000 ,660
YONTEM1
YONTEM2
YONTEM3
YONTEM4
YOMTEM5
YONTEM6
YONTEM7
YONTEM8
YONTEM9
YONTEM10
Initial Extraction
Extraction Method: Principal Component Analysis.
Bir değişken ile diğer bütün değişkenler arasındaki çoklu
korelasyon katsayısının karesi, değişkenler arasındaki
doğrusal ilişkinin bir diğer göstergesidir. Bu değerlere ortak
varyans (Communality) olarak verilir. Burada maddelerle
ilgili olarak verilen ortak varyansların 0,520 ile 0,660 arasında
değiştiği görülmektedir. Eğer düşük çoklu korelasyon katsayısı
varsa, bu değişken analizden çıkarılmalıdır.
Yrd.Doç.Dr.Yüksel TERZĐ 361
Total Variance Explained Total Variance Explained Total Variance Explained Total Variance Explained
4,980 49,802 49,802 49,802 49,802 49,802 4,980 49,802 49,802 3,577 35,771 35,771
1,096 10,956 10,956 10,956 10,956 60,757 60,757 60,757 60,757 1,096 10,956 60,757 2,499 24,986 60,757
,735 7,354 68,111
,626 6,258 74,370
,575 5,746 80,116
,502 5,022 85,138
,477 4,773 89,911
,375 3,750 93,661
,333 3,333 96,994
,301 3,006 100,000
Component
1
2
3
4
5
6
7
8
9
10
Total
% of
Variance
Cumulative
% Total
% of
Variance
Cumulative
% Total
% of
Variance
Cumulative
%
Initial Eigenvalues
Extraction Sums of Squared
Loadings
Rotation Sums of Squared
Loadings
Extraction Method: Principal Component Analysis.
Total variance explained” tablosunda, rotasyona tabi
olmamış faktörlerin genel özellikleri vardır. Analizde 10
değişkenin özdeğeri 1’den büyük olan iki faktör altında
toplanmıştır. Bu iki faktörün ölçeğe ilişkin açıkladıkları
varyans %60,757 dir.
Yrd.Doç.Dr.Yüksel TERZĐ 362
Scree Plot
Component Number
10 9 8 7 6 5 4 3 2 1
E
i
g
e
n
v
a
l
u
e
6
5
4
3
2
1
0
Şekilde öz değerlerin nispi değerleri verilmiştir. Burada her faktör ile
ilişkili toplam varyans gösterilmiştir. Grafikte 1 ve 2. faktörden sonra belli
bir düşme olduğu görülmektedir. Dolayısıyla faktör sayısı 2 olarak tespit
edilir. 3 ve diğer faktörlerden sonra önemli bir düşüş eğilimi
görülmemektedir. Yani üçüncü ve sonraki faktörlerin varyansa katkıları
birbirine yakındır.
Yrd.Doç.Dr.Yüksel TERZĐ 363
Component Matrix Component Matrix Component Matrix Component Matrix
a aa a
,797 8,8E-02
,759 -,161
,749 -,249
,743 -9,E-02
,736 1,6E-02
,717 -,374
,670 -,406
,668 ,272
,629 ,514
,557 ,590
YONTEM7
YONTEM4
YONTEM3
YONTEM6
YOMTEM5
YONTEM2
YONTEM1
YONTEM8
YONTEM10
YONTEM9
1 2
Component
Extraction Method: Principal Component Analysis.
2 components extracted. a.
Component matrix tablosunda birinci
faktör yük değerlerinin tamamı 0,557’nin
üzerindedir. Bu bulgu ölçeğin genel bir
faktöre sahip olduğunu gösterir.
Rotated Component Matrix Rotated Component Matrix Rotated Component Matrix Rotated Component Matrix
a aa a
,798 ,798 ,798 ,798 ,132
,779 ,779 ,779 ,779 7,8E-02
,748 ,748 ,748 ,748 ,251
,703 ,703 ,703 ,703 ,327
,648 ,648 ,648 ,648 ,375
,584 ,584 ,584 ,584 ,549
,578 ,578 ,578 ,578 ,455
9,1E-02 ,807 ,807 ,807 ,807
,194 ,789 ,789 ,789 ,789
,370 ,619 ,619 ,619 ,619
YONTEM2
YONTEM1
YONTEM3
YONTEM4
YONTEM6
YONTEM7
YOMTEM5
YONTEM9
YONTEM10
YONTEM8
1 2
Component
Extraction Method: Principal Component
Analysis.
Rotation Method: Varimax with Kaiser
Normalization.
Rotation converged in 3 iterations. a.
Faktör döndürme sonuçları (rotated
component matrix) incelendiğinde, 1-
7 maddelerin ilk faktörde, 8-10
maddelerin ise ikinci faktörde daha
yüksek değerler verdiği
görülmektedir.
7. madde iki faktörde de yüksek
çıkmıştır (0,578 - 0,549) . Bu yüzden
ölçekten çıkarılması daha uygun
olacaktır. 7.madde analizden çıkarılıp
yeniden analiz yapılır.
Yrd.Doç.Dr.Yüksel TERZĐ 364
LOJ LOJİ İST STİ İK REGRESYON K REGRESYON
Ba Bağı ğıml mlı ı de değ ği iş şken mutlaka ikili sonucu olan ( ken mutlaka ikili sonucu olan (dikotom dikotom) de ) değ ği iş şken ken
oldu olduğ ğunda (sa unda (sağ ğ- -ö öl lü ü) Lojistik regresyon kullan ) Lojistik regresyon kullanı ıl lı ır. Ayr r. Ayrı ıca ba ca bağı ğıms msı ız z
de değ ği iş şkenlerinde genelde s kenlerinde genelde sü ürekli olmas rekli olması ı istenir. istenir.
Lojistik regresyonda Lojistik regresyonda odds odds oran oranı ı kullan kullanı ıl lı ır. r. Odds Odds oran oranı ı, olma , olma
ihtimalinin olmama ihtimaline oran ihtimalinin olmama ihtimaline oranı ı olarak tan olarak tanı ımlan mlanı ır. r.
A Aç çı ıklay klayı ıc cı ı de değ ği iş şkenlere g kenlere gö öre cevap de re cevap değ ği iş şkeninin beklenen keninin beklenen
de değ ğerleri olas erleri olası ıl lı ık olarak elde edilen bir regresyon y k olarak elde edilen bir regresyon yö öntemidir. ntemidir. Normal Normal
da dağı ğıl lı ım varsay m varsayı ım mı ı yoktur. Bir olay yoktur. Bir olayı ın ihtimali a n ihtimali aş şa ağı ğıdaki gibi bulunur. daki gibi bulunur.
Lojistik regresyonda Lojistik regresyonda üç üç temel y temel yö öntem vard ntem vardı ır. r.
1. 1. İ İkili lojistik regresyon ( kili lojistik regresyon (Binary Binary logistic logistic) ): : İ İkili cevap i kili cevap iç çeren ba eren bağı ğıml mlı ı
de değ ği iş şkenlerle yap kenlerle yapı ılan lojistik regresyon analizidir. Ortak de lan lojistik regresyon analizidir. Ortak değ ği iş şkeler keler
s sü ürekli olmal rekli olmalı ıd dı ır. r.
2. S 2. Sı ıral ralı ı lojistik regresyon ( lojistik regresyon (ordinal ordinal logistic logistic) ) : Cevap de : Cevap değ ği iş şkenin s kenin sı ıral ralı ı
ö öl lç çekli oldu ekli olduğ ğu durumlarda uygulanan bir y u durumlarda uygulanan bir yö öntem olup, en az ntem olup, en az üç üç
kategorisi olmas kategorisi olması ı gerekir(hafif gerekir(hafif- -orta orta- -a ağı ğır gibi). r gibi).
3. 3. İ İsimsel lojistik regresyon (nominal simsel lojistik regresyon (nominal logistic logistic) ) : Cevap de : Cevap değ ği iş şkeni isimsel keni isimsel
ö öl lç çekli olup, en az ekli olup, en az üç üç kategoriden olu kategoriden oluş şmal malı ıd dı ır (fen r (fen- -t tı ıp p- -e eğ ğitim itim- -iibf iibf gibi). gibi).
Yrd.Doç.Dr.Yüksel TERZĐ 365
Ö Örnek : rnek : Kayak yapmak isteyenlerle ilgili bir anket yap Kayak yapmak isteyenlerle ilgili bir anket yapı ıl lı ıyor. yor.
Kayak de Kayak değ ği iş şkeni ba keni bağı ğıml mlı ı de değ ği iş şken al ken alı ınm nmış ış ve evet diyenler ve evet diyenler
(1), hay (1), hayı ır diyenler (0) al r diyenler (0) alı ınm nmış ışt tı ır. Tahmin edici de r. Tahmin edici değ ği iş şkenler kenler
olarak Atletik, y olarak Atletik, yü ükselti ve hata al kselti ve hata alı ınm nmış ışt tı ır. Atletik de r. Atletik değ ği iş şkende 0 kende 0
hi hiç ç kabiliyeti olmayanlar kabiliyeti olmayanları ı, 10 ise , 10 ise ç çok y ok yü üksek kabiliyeti ksek kabiliyeti
g gö östermektedir. Y stermektedir. Yü ükseklikte de yine benzer kseklikte de yine benzer ş şekilde kodlama ekilde kodlama
yap yapı ılm lmış ışt tı ır. Hata de r. Hata değ ği iş şkeni ise evet (1) ve hay keni ise evet (1) ve hayı ır (0) olarak r (0) olarak
kodlanm kodlanmış ışt tı ır. r.
n n
z
n n
X b X b X b b z
e
X b X b X b b
Y P
+ + + + =
+
=
+ + + + − +
=

L
L
2 2 1 1 0
2 2 1 1 0
,
1
1
)] ( exp[ 1
1
) (
Yrd.Doç.Dr.Yüksel TERZĐ 366
Yrd.Doç.Dr.Yüksel TERZĐ 367
Yrd.Doç.Dr.Yüksel TERZĐ 368
Model uyum iyili Model uyum iyiliğ ği testi: i testi:
G Gö özlenen de zlenen değ ğerlerin tahmin edilen erlerin tahmin edilen
de değ ğerlerle kar erlerle karşı şıla laş şt tı ırmas rması ı i iç çin in - -2logL 2logL
de değ ğerlerine bak erlerine bakı ıl lı ır. r. İ İyi model g yi model gö özlenen zlenen
sonu sonuç çlar ları ın y n yü üksek ihtimallerini olu ksek ihtimallerini oluş şturan turan
modeldir yani modeldir yani - -2LL de 2LL değ ğerinin (s erinin (sı ıf fı ıra ra
yak yakı ınsa model m nsa model mü ükemmeldir) k kemmeldir) küçü üçük k
olmas olması ı gerekir. gerekir.
Block Block 0 da sadece sabitin yer 0 da sadece sabitin yer
ald aldığı ığı model i model iç çin in - -2LL=55.0.51 bulundu. 2LL=55.0.51 bulundu.
Block Block 1 de ise sabit ve t 1 de ise sabit ve tü üm ba m bağı ğıms msı ız z
de değ ği iş şkenlerin yer ald kenlerin yer aldığı ığı modelin modelin - -2LL 2LL
de değ ğeri 24.313 bulunmu eri 24.313 bulunmuş ştur. tur.
Model Model Chi Chi- -Square Square sadece sabiti sadece sabiti
olan modelin olan modelin - -2LL de 2LL değ ğeri ile b eri ile bü üt tü ün n
de değ ği iş şkenleri ihtiva eden modelin kenleri ihtiva eden modelin - -2LL 2LL
aras arası ındaki fark ndaki farkı ı verir. Bu istatistik ile verir. Bu istatistik ile
sabit hari sabit hariç ç, t , tü üm de m değ ği iş şkenlerin kenlerin
katsay katsayı ılar ları ın nı ın s n sı ıf fı ır oldu r olduğ ğu yokluk hipotezi u yokluk hipotezi
test edilir. test edilir.
Yrd.Doç.Dr.Yüksel TERZĐ 369
P=0,00<0.05 oldu P=0,00<0.05 olduğ ğundan ba undan bağı ğıms msı ız z
de değ ği iş şkenlerin katsay kenlerin katsayı ılar ları ı s sı ıf fı ırdan farkl rdan farklı ıd dı ır. r.
Veri sayfas Veri sayfası ında tahmin edilen de nda tahmin edilen değ ğerlerin erlerin
ihtimalleri ihtimalleri pre pre_1 _1 ve tahmin edilen grup ve tahmin edilen grup ü üyeleri yeleri pgr pgr_1 _1 ile ile
verilmi verilmiş ştir. tir.
Classification Classification Table Table de g de gö ör rü üld ldü üğ ğü ü gibi sadece 7 gibi sadece 7
denek yanl denek yanlış ış s sı ın nı ıflanm flanmış ışt tı ır. Tablodan kayak yapmama r. Tablodan kayak yapmama
karar kararı ı verenlerin %83.3 verenlerin %83.3’ü ’ü, yapacak olanlar , yapacak olanları ın ise %81.8 n ise %81.8’ ’i i
do doğ ğru tahmin edilmi ru tahmin edilmiş ştir. tir.
Yrd.Doç.Dr.Yüksel TERZĐ 370
Yukar Yukarı ıdaki tabloda daki tabloda B B de değ ğerleri katsay erleri katsayı ılar olup, dene lar olup, deneğ ğin bir i in bir iş şi yada di i yada diğ ğerini yapma erini yapma
ihtimalini belirlemede kullan ihtimalini belirlemede kullanı ıl lı ır. Burada kayak yapma yada yapmama ihtimali r. Burada kayak yapma yada yapmama ihtimali
ara araş şt tı ır rı ılmaktad lmaktadı ır. r. İ İhtimal 0.5 htimal 0.5’ ’ten b ten bü üy yü ük ise dene k ise deneğ ğin kayak yapmaya karar verdi in kayak yapmaya karar verdiğ ği tahmin i tahmin
edilir. edilir.
B s B sü ütunundaki i tunundaki iş şaretler ise ili aretler ise iliş şkinin y kinin yö ön nü ün nü ü g gö österir. Yani daha atletik olan ve sterir. Yani daha atletik olan ve
hatalar hataları ın nı ın s n sö öylenmesini isteyenlerin kayak yapmaya istekli oldu ylenmesini isteyenlerin kayak yapmaya istekli olduğ ğu, y u, yü ükseklikten kseklikten
korkanlar korkanları ın ise kayak yapmaya daha az e n ise kayak yapmaya daha az eğ ğilimli oldu ilimli olduğ ğu s u sö öylenebilir. ylenebilir.
Wald Wald ist. ist.=B/S.E. ile bulunur. Burada Atletik katsay =B/S.E. ile bulunur. Burada Atletik katsayı ı ö önemli (P=0,006<0.05), di nemli (P=0,006<0.05), diğ ğerleri erleri
ise ise ö önemsiz bulunmu nemsiz bulunmuş ştur. tur.
Exp Exp(B) (B) odds odds oranlar oranları ıd dı ır. Yani kayak yapmaya karar verenlerin ihtimalinin, kayak r. Yani kayak yapmaya karar verenlerin ihtimalinin, kayak
istemeyenlerin ihtimaline oran istemeyenlerin ihtimaline oranı ıd dı ır. Mesela atletik kabiliyet bir birim artarsa r. Mesela atletik kabiliyet bir birim artarsa ln ln odds odds 2,342 kat 2,342 kat
artar. artar.
9968 , 0
)) 1 ( 363 , 0 ) 0 ( 579 , 0 ) 10 ( 851 , 0 138 , 3 exp( 1
1
)) 363 , 0 579 , 0 851 , 0 138 , 3 ( exp( 1
1
3 2 1
=
− + − + +
=
+ − + − − +
=
X X X
1.ki 1.kiş şi i
İ İhtimal 1 htimal 1’ ’e e
yak yakı ın n
oldu olduğ ğundan, undan,
birinci ki birinci kiş şinin inin
kayak kayak
yapaca yapacağı ğı
tahmin edilir. tahmin edilir.
Yrd.Doç.Dr.Yüksel TERZĐ 371
E kayak yapanlar, H yapmayanlar E kayak yapanlar, H yapmayanları ı g gö österir. E sterir. Eğ ğer er E E’ ’lerin lerin ç ço oğ ğu 0,5 u 0,5’ ’in in
sa sağı ğında ve nda ve H H’ ’lerin lerin b bü üy yü ük k k kı ısm smı ı 0.5 0.5’ ’in solunda ise do in solunda ise doğ ğru s ru sı ın nı ıfland flandı ırma rma
yap yapı ılm lmış ışt tı ır. r.
Yrd.Doç.Dr.Yüksel TERZĐ 372
Yrd.Doç.Dr.Yüksel TERZĐ 373
Yrd.Doç.Dr.Yüksel TERZĐ 374
Exp Exp(B)=OR>1 ise ve katsay (B)=OR>1 ise ve katsayı ıs sı ı ö önemli ise o de nemli ise o değ ği iş şkenler kenler ö önemli bir risk fakt nemli bir risk faktö ör rü ü
ta taşı şımaktad maktadı ır. Burada t r. Burada tü üm de m değ ği iş şkenlerin do kenlerin doğ ğum a um ağı ğırl rlığı ığı ü üzerinde etkisi yoktur. zerinde etkisi yoktur.
Ancak sigara i Ancak sigara iç çmenin i menin iç çmemeye g memeye gö öre d re dü üş şü ük do k doğ ğum a um ağı ğırl rlı ıkl klı ı bebek do bebek doğ ğumuna 3.9 umuna 3.9
kat daha fazla oldu kat daha fazla olduğ ğu g u gö ör rü ülmektedir. lmektedir.
) 04 , 0 027 , 0 36 , 1 19 , 0 88 , 6 exp( 1
1
) (
Kilo Boy Sigara Yas
Y P
+ + − + − +
=
30 ya 30 yaşı şında, 170 cm boyunda, 70 kg ve sigara i nda, 170 cm boyunda, 70 kg ve sigara iç çen bir annenin d en bir annenin dü üş şü ük do k doğ ğum um
yap yapı ıp yapmayaca p yapmayacağı ğın nı ı tahmin edelim. P(Y)<0.5 oldu tahmin edelim. P(Y)<0.5 olduğ ğunda d unda dü üş şü ük do k doğ ğum, um,
P(Y)>=0.5 ise normal do P(Y)>=0.5 ise normal doğ ğum olmas um olması ı beklenir. beklenir.
99 . 0
) 70 * 04 , 0 170 * 027 , 0 1 * 36 , 1 30 * 19 , 0 88 , 6 exp( 1
1
) ( =
+ + − + − +
= Y P
Yrd.Doç.Dr.Yüksel TERZĐ 375
KAYNAKLAR :
Özdamar K. (2002). Đstatistik Paket Programlarıyla Veri Analizi 1,
Kaan Kitabevi, Eskişehir.
Özdamar K. (1999). Đstatistik Paket Programlarıyla Veri Analizi 2,
Kaan Kitabevi, Eskişehir.
Serper Ö. (2000), Uygulamalı Đstatistik I,II. Egi Kitabevi, Bursa.
Ural A., Kılıç Đ. (2005). Bilimsel Araştırma Süreci ve SPSS ile Veri
Analizi, , Detay Yayıncılık, Ankara.
Akgül A. (2003). Tıbbi Araştırmalarda Đstatistiksel Analiz
Teknikleri-SPSS Uygulamaları, Ankara
Kalaycı Ş. Ve ark. (2005). SPSS Uygulamalı Çok Değişkenli
Đstatistik Teknikleri, Asil Yayın Dağıtım, Ankara.
Efe E., Bek Y, Şahin M. (2000). SPSS’te Çözümleri Đle Đstatistik
Yöntemler II, Sütçü Đmam Üniversitesi Rektörlüğü, Yayın NO:10,
Kahramanmaraş.
Çokluk Ö., Şekercioğlu G., Büyüköztürk Ş. (2010). Sosyal Bilimler
Đçin Çok Değişkenli Đstatistik, Gegem Akademi, Ankara.
Mertler, C.A. &Vannatta, R.A.(2005). Advanced and multivariate
statistical methods: Pratical application and interpretation (Third
Ed.), Pyrczak Publishing.
Tabachnick, B.G. & Fidel, L.S (1996). Using multivariate statistics
(Third Ed.), New York.

You're Reading a Free Preview

İndirme
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->