1) SPSS Zihin Seti: Menü Hızını, Karar Mimarisiyle Evlendirmek

SPSS, menülerle hızlı sonuç üretir; fakat bu hız, karar mimarisi ile birleşmedikçe araştırmayı taşımaz. Başlangıçta üç refleks yerleşmeli:

• Analize girmeden önce soru → karar cümlesi: “İlk 6 haftada akran rehberliği + esneklik, düşük başlangıç düzeyinde sürdürmeyi sınıf başına kaç öğrenci artırıyor?”

• Menülerden çıkmadan önce varsayımlar: normalite, homojenlik, bağımsızlık, ölçüm düzeyi, uç değer politikası.

• Çıktıyı gördükten sonra rapor: p’yi etiketle; etki büyüklüğü–güven aralığı–pratik önem ile konuş; eşik–zaman–kapasite–hata bedeli dörtlüsüyle karara bağla.

Uygulamalı sahne: “Bağımsız gruplar t-testi” ile gece/gündüz programı sürdürme puanlarını kıyaslıyorsunuz. Menüden önce “ilk 6 hafta penceresi mi? Uç değer pasif >20 dk kesilecek mi?” soruları netleşir.

2) Veri İçe Aktarma ve Etiketleme: Karar Dilinin Altyapısı

SPSS’te Variable View sekmesi, araştırma kalitenizin vitrinidir.

• Measure alanını doğru ayarlayın (Nominal–Ordinal–Scale).

• Labels ve Value Labels alanlarına insan dili yazın (“0 = Kırsal, 1 = Kent” yerine “Kırsal/Kent”).

• Missing değerleri anlamına göre etiketleyin: “Yanıt yok”, “Uygulanmadı”, “Bilmiyorum” birbirinden farklıdır.

Uygulamalı sahne: “Kamerayı açma” maddesi 1–5 iken, raporda üç banda toplayacaksınız (hiç/seyrek – bazen – çoğunlukla/her zaman). SPSS’te Recode into Different Variables ile tek fonksiyon mantığında dönüştürüp yeni değişkene net bir etiket verin: “Kamera Bandı (5’ten 3’e v3)”.

3) Açıklayıcı Veri Analizi (EDA): Sözlü Grafik Tekniği

Analyze → Descriptive Statistics ve Frequencies/Explore menüleri, betimsel dilin temelidir. Ancak sayıları yalnız listelemek yerine sözlü grafik anlatısı kurun:

• “Esneklikli derslerde ‘her zaman’ düşük, ‘bazen’ yüksek, ‘hiç’ sabit.”

• “Pazartesi 09:00–11:00 zirve, duyuru +1 gün tepe, tatil sonrası telafi.”

Uygulamalı sahne: Explore ile bekleme sürelerinin medyan/çeyreklerine bakıp “2–6 dakika kısalma” cümlesine yürüyün; etki büyüklüğü ve belirsizlik raporda görünür olsun.

4) Ölçüm ve Dönüşüm: Bandlama, Ters Çevirme, Pasif Kesme

Veri dönüşümleri sonuç dilinin kaderini belirler.

• Recode ile bandlama (5’ten 3’e).

• Compute ile ters maddeleri aynı yöne çevirme.

• Select Cases ile pasif >20 dk oturumları dışlama (ve duyarlılıkta 15–25 dk bandını deneme).

Uygulamalı sahne: “Pasif kesme 20 dk” varsayımını Syntax’a not edin; duyarlılıkta 15/25 dk seçeneklerini otomatik üretin. Rapor: “Yön sabit, büyüklük biraz oynuyor.”

5) Bağımsız Gruplar t-Testi: Eşitlik Varsayımıyla Temkin

Analyze → Compare Means → Independent-Samples T Test. Önce Levene testinin sesi: homojenlik ihlaline karşı eşit olmayan varyans seçeneğini (SPSS otomatik sunar) bağlamsal olarak yorumlayın. Ana ses, etki büyüklüğü–güven aralığıdır.

Uygulamalı sahne: Gece programında yeni yöntemle sürdürme puanı küçük–orta daha yüksek; “sınıf başına 3–4 öğrenci (2–7)”. Kırsalda etki daha büyük. p değeri etikette; karar: “İlk 6 haftada akşam 20:00–22:00 penceresi.”

6) Eşleştirilmiş t-Test: Önce/Sonra Penceresiyle Dürüstlük

Analyze → Compare Means → Paired-Samples T Test. Ölçüm aynı bireylerde iki zamanda alındığında, farkın “zaman ritmi”ni yazın: duyuru +1, sınav haftası baskısı, tatil sonrası telafi. Yine etki büyüklüğü dilinde konuşun.

Uygulamalı sahne: Akran rehberliği öncesi/sonrası aidiyet puanı. “İlk 6 haftada fark küçük–orta; kırsalda daha belirgin; ortadan sonra yakınsıyor.”

7) Tek Yönlü ANOVA ve Post-hoc: Keşfi “Temkin” Etiketiyle Yazmak

Analyze → Compare Means → One-Way ANOVA. Çoklu gruplarda etkiyi test ettikten sonra post-hoc adımını yalnız keşif olarak sunun; ana hipotezin dışında bulunan farklara temkin etiketi koyun. Homojenlik ihlallerinde sağlam seçeneklere yönelin.

Uygulamalı sahne: Üç kampüs (kırsal/kent/büyükşehir) arasında sürdürme puanı farkı var; en büyük ayrışma “kırsal vs diğerleri”. Karar: kırsala öncelik; küçük hücrelerde birleştirme ve saygılı dil.

8) Faktöriyel ANOVA: “Kimin İçin Daha Çok?” Sorusu ve Etkileşim

Analyze → General Linear Model → Univariate. Yöntem × kampüs gibi etkileşimleri adalet merceği ile okuyun. Ortalama fark kadar belirsizliğin kime yüklendiğini de yazın.

Uygulamalı sahne: Düşük başlangıç × esneklik etkileşimi anlamlı; kırsalda kazanım daha büyük. Rapor: “Eşik ≥3; kapasite artarsa ≥2; duyuru +1 akşam penceresi.”

9) Ki-Kare ile Çapraz Tablolar: Yön–Kayış–Sabitlik Dilini Yakalamak

Analyze → Descriptive Statistics → Crosstabs. Statistics’ten Chi-square, Cells’ten yüzdeleri açın. Yalnız “anlamlı/anlamsız” demeyin; hücrelerde yönü yazın: nerede artış, nerede sönüm, nerede sabitlik?

Uygulamalı sahne: “Kamerayı her zaman/bazen/hiç” × “esneklik var/yok”. “Her zaman” düşük, “bazen” yüksek, “hiç” sabit; bakım verenlerde kayış daha belirgin. Mekanizma alıntısı: “Kamerayı açınca evim görünüyor.”

10) Korelasyon Analizi: Büyüklük–Yön–Bağlam Üçlüsü

Analyze → Correlate → Bivariate. Korelasyonu tek rakam değil, bağlamlı bir cümle gibi yazın: “Aidiyet ile devamsızlık negatif–küçük ilişkili; ilk 6 haftada kuvvet biraz artıyor; yağış günlerinde desen değişiyor.”

Uygulamalı sahne: SPSS çıktısındaki sayı, raporda “ne kadar ve ne zaman” sorularına çevrilir; karar, iletişim–hatırlatma planıyla bağlanır.

11) Basit Doğrusal ve Çoklu Regresyon: p’ye Değil, Mesaja Odaklan

Analyze → Regression → Linear. Değişkenleri modele koyup p avcılığı yapmak yerine, karar dili üretin:

• Etkiyi insan diline çevirin (dakika, öğrenci sayısı, band geçişi).

• Varsayımlar (artıklar, çoklu doğrusal bağlantı) ve duyarlılık notlarını yazın.

• Zaman penceresi ve eşik çizgilerini karara bağlayın.

Uygulamalı sahne: Sürdürme puanı ~ başlangıç düzeyi + esneklik + kampüs + etkileşim. Sonuç dili: “Düşük başlangıçta, kırsalda, esneklik küçük–orta bir artış üretiyor; sınıf başına 3–4 öğrenci.”

12) Güvenilirlik ve Ölçek Skorları: Tek Sayı Değil, Pratik Dengeler

Analyze → Scale → Reliability Analysis ile iç tutarlılık göstergelerini alırken, tek skora değil, madde–toplam ilişkilerine ve kapsam–kararlılık dengesine bakın. Sonra Compute ile alt ölçekleri 0–100 bandına çevirin; düşük/orta/yüksek bantları sahaya anlamlı eşiğe bağlayın.

Uygulamalı sahne: “Sosyal aidiyet” alt ölçeğinde iki madde zayıf; revizyondan sonra kararlılık artıyor. Kırsalda “düşük” band geniş; karar: ilk 6 hafta akran rehberliği + mahremiyet yönergeleri.

13) Açımlayıcı Faktör Analizi (EFA): Yapıyı İnsan Diliyle Kurmak

Analyze → Dimension Reduction → Factor. Ekstraksiyon ve döndürme kararını “yorumlanabilirlik” ile verin; sonuçları yakınsama–ayrışma dilinde yazın; çapraz yüklemeli maddeler için metin revizyonu düşünün.

Uygulamalı sahne: 24 maddelik ölçek üç boyutta toplanıyor (pedagojik kalite, teknik kullanılabilirlik, sosyal aidiyet). Düşük aidiyet kırsalda daha sık; karar penceresi: ilk 6 hafta.

14) Nonparametrik Testler: Dağılım Varsayımına Takılmadan Adil Karar

Analyze → Nonparametric Tests menüsünde, dağılım varsayımı kırılgansa ya da örneklem küçükse temkinli alternatifler kullanın. Yine de ana ses etki büyüklüğü–belirsizlik ve pratik önem olsun.

Uygulamalı sahne: Küçük kırsal kampüste “her zaman” bandı çok az. Nonparametrik yaklaşımda yön sabit; rapor: “Gizlilik için birleştirildi, karar yine kırsala öncelik.”

15) Boylamsal Esintiler: Yinelenen Ölçümler için Pratik SPSS Akışı

Analyze → General Linear Model → Repeated Measures ile temel boylamsal akış kurulabilir. Amaç, zamanı karar diline çevirmek: “İlk 6 hafta etkisi” ve “sonraki yakınsama.”

Uygulamalı sahne: Dört zaman noktasıyla aidiyet puanı: “1–6. haftalar arasında artış yüksek, sonrasında düzleşme; duyuru +1 gün tepe.”

16) Etki Büyüklüğü ve Güven Aralığı: SPSS Çıktısını Karar Cümlesine Çevirmek

SPSS bazı metrikleri doğrudan vermez; ama çıktıdaki ortalama/standart hata/boyut bilgilerinden insan dili üretirsiniz. Ana hedef: “Sınıf başına kaç kişi” ve “dakika”.

Uygulamalı sahne: “12 puan”lık olasılık farkını 30 kişilik sınıfta 3–4 öğrenciye çevirin; rapora eşik çizgisi olarak yazın (≥3).

17) Syntax ile Çalışmak: Hızı Kaybetmeden İz Bırakmak

Her menü adımını Paste ile Syntax’a atın; dosyanın başına sürüm notu ve kararlarınızı yazın. Böylece bir ay sonra aynı koşullarda aynı sonucu tekrar edebilirsiniz.

Uygulamalı sahne: “v1.4—pasif >20; likert 5→3 v3; ilk 6 hafta; duyarlılık 15–25 dk; yön sabit” notu; jürinin güveni artar.

18) Görselleştirme: SPSS’te Net, Karar Odaklı Şekiller

SPSS grafiklerini sade tutun: belirsizlik bantı, eşik çizgisi (≥3 öğrenci, ≥2 dakika), zaman işaretleri (duyuru, tatil, zirve). Başlıkları karar cümlesi yapın; damgalayıcı renklerden kaçının.

Uygulamalı sahne: “Düşük başlangıçta esneklik sürdürmeyi sınıf başına 3–4 artırıyor (2–7). Eşik ≥3 çizgisi görünür.”

19) Etik, Gizlilik ve Küçük Hücre Koruması

n<5 hücreleri açmayın; Merge Categories veya raporda genelleştirme ile birleştirin. Dilde saygı: “zayıf öğrenci” değil, “daha fazla desteğe ihtiyaç duyan öğrenci.”

Uygulamalı sahne: Kırsal küçük kampüste “her zaman” bandı çok az; dönemler birleştiriliyor, dipnota “gizlilik için birleştirildi” yazılıyor.

20) Disiplinlerarası Mini Sahneler

Eğitim:
t-testi + faktöriyel ANOVA ile “düşük başlangıç × esneklik” inceleniyor. Mesaj: küçük–orta kazanım; sınıf başına 3–4 öğrenci; kırsalda daha büyük. Karar: akşam penceresi, akran rehberliği, duyuru +1.

Klinik:
Randevuya gelmeme oranında SMS vs e-posta hatırlatma; ki-kare + lojistik yaklaşım. Mesaj: Pazartesi 09:00–11:00 zirve; 2–6 dakika bekleme kısalması. Karar: Zirvede geçici kapasite.

Kamu:
Yüz yüze vs çevrim içi başvuru; sayım verisi ritmi. Mesaj: Yağışta yüz yüze düşer, çevrim içi artar; tatil sonrası telafi. Karar: Yağış günleri çevrim içi öneri.

Sosyal Bilimler:
Aidiyet ölçeği (EFA + güvenilirlik). Mesaj: Kırsalda düşük band geniş; mekanizma alıntısı: “Kamerayı açınca evim görünüyor.” Karar: mahremiyet yönergeleri.

21) Yaygın Hatalar ve Hızlı Düzeltmeler

• Hata: P’ye kilitlenmek.
  Düzeltme: Etki büyüklüğü + güven aralığı + pratik önem ile yaz.

• Hata: Homojenliği yok saymak.
  Düzeltme: Levene’yi bağlamla yorumla; gerekirse robust yaklaşım.

• Hata: Dönüşümlerde tutarsızlık.
  Düzeltme: Bandlama/ters madde tek fonksiyon gibi kurgulanıp notlansın.

• Hata: Eksikleri tek torbaya atmak.
  Düzeltme: “Yanıt yok/uygulanmadı/bilmiyorum” ayrı etiket.

• Hata: Zaman penceresini unutmak.
  Düzeltme: İlk 6 hafta, duyuru +1, tatil telafisi işlenmeli.

• Hata: Küçük hücreleri açmak, damgalayıcı dil.
  Düzeltme: Hücre birleştir, dil saygılı.

• Hata: Sadece menü kaydetmek.
  Düzeltme: Syntax dosyası + sürüm notu bırak.

22) Kontrol Listesi – SPSS ile Örnek Uygulamalarınızı Teslime Koymadan

1. Soru → karar cümlesi yazıldı mı (kim–ne–ne zaman–hangi eşik)?

2. Variable View düzenli mi; etiketler insan dilinde mi?

3. EDA sözlü grafikle anlatıldı mı (ritim: duyuru +1, zirve, tatil)?

4. Dönüşümler (bandlama, ters madde, pasif kesme) tek yerde, notlu mu?

5. Varsayımlar (normalite, homojenlik) bağlamla yorumlandı mı?

6. Etki büyüklüğü + güven aralığı ana ses mi, p etikette mi?

7. Etkileşim için “kimin için daha çok?” sorusu soruldu mu?

8. Eksikler türlerine ayrıldı mı; iki versiyon (tam/tüm) sunuldu mu?

9. Nonparametrik/robust seçenekler gerektiğinde kullanıldı mı?

10. Görsellerde eşik çizgisi ve belirsizlik bantları var mı?

11. Küçük hücre koruması ve saygılı dil sağlandı mı?

12. Syntax dosyası ve sürüm notu bırakıldı mı?

13. Son cümle eşik–zaman–kapasite–hata dörtlüsüyle eyleme bağlandı mı?

Sonuç

SPSS, akademik projelerde “hızlı başlangıç” sunar; ama gerçek güç, o hızın karar mimarisi ile birleşmesindedir. Bu yazıda veri içe aktarma–etiketlemeden açıklayıcı sahnelere; t-testleri, ANOVA/GLM, ki-kare, korelasyon ve regresyondan güvenilirlik–faktör analizine; nonparametrik ve boylamsal akışlardan görselleştirme ve Syntax ile iz bırakmaya kadar, SPSS’i karar cümlesi üreten bir çalışma düzenine yerleştirdik.

Özüyle:

• Menüleri yalnız sonuç almak için değil, karar dili üretmek için kullanın.

• p-değeri etikettir; merkezde etki büyüklüğü + güven aralığı + pratik önem olsun.

• Zaman penceresi (ilk 6 hafta, duyuru +1, tatil telafisi) ve ritim anlatısı, bulguyu eyleme bağlar.

• Etkileşim ve eşitlik merceği ortalamanın sakladığı adaleti görünür kılar; küçük hücreler korunur.

• Dönüşümler tutarlı, eksikler anlamına göre ayrışmış olmalı; duyarlılık notları güven üretir.

• Syntax + sürüm notu yarın aynı veride aynı sözü vermenizi sağlar.

• Son cümle daima eşik–zaman–kapasite–hata dörtlüsüyle eyleme bağlanır.

Böyle çalıştığınızda, SPSS yalnız “buton” değil; şeffaf, adil ve uygulanabilir kararların üretildiği bir araştırma motoruna dönüşür. Okur, yalnız rakamı değil; hangi haftada, kime, hangi eşikte ve hangi bedelle ne yapılacağını duyar.

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

The post Akademide SPSS ile Örnek Uygulamalar first appeared on Akademi Delisi (Tez Yaptırma).

1) Bağımsız Örneklem t-Testi Ne Zaman Kullanılır?

• Amaç: İki bağımsız grubun ortalamalarını karşılaştırmak.

• Veri tipi: Sürekli (yaklaşık aralıklı) ölçekte sonuç değişkeni.

• Tasarım: Farklı bireylerden oluşan iki grup (aynı kişilerin iki zamanı değil; o durumda eşleştirilmiş t-testi gerekir).
  Örnek: “Flipped classroom (n=48) vs. geleneksel ders (n=50) okuduğunu anlama puanı.”

2) Varsayımlar: Parametrik Zeminin Dört Ayağı

1. Bağımsızlık: Gözlemler grup içinde ve gruplar arasında bağımsız. (Tasarım ilkesi; istatistikle test edilmez.)

2. Ölçekte Süreklilik: Ölçüt değişkeninin sürekli/interval olması.

3. Yaklaşık Normal Dağılım: Her grup içinde sonuç değişkeni ~ normal (özellikle küçük n’lerde önemli).

4. Varyans Homojenliği: Grupların varyansları eşit (Levene testi ile kontrol).
   Not: Büyük örneklemlerde (n≥30/grup) t-testi normaliteye dayanıklıdır; ancak Welch varyans homojenliği yoksa daha güvenilirdir.

3) Student mı, Welch mi? Karar Ağacı

• Levene p≥.05 → Varyanslar benzer → Student t-testi.

• Levene p<.05 → Varyanslar eşit değil → Welch t-testi (serbestlik derecesi Satterthwaite ile kesirli).
  İpucu: Modern uygulamalarda varsayıma körü körüne güvenmeyin; Welch çoğu durumda güvenli varsayılan seçenektir.

4) Örneklem Büyüklüğü ve Güç (Power) Planı

Araştırma öncesi a priori güç analizi yapın. Gerekli parametreler: beklenen etki büyüklüğü (d), α (genelde .05), güç (1-β; sıklıkla .80 veya .90).
Kural: Orta büyüklükte etki d≈0.5 için denge çoğu zaman n≈64/grup civarında çıkar (yaklaşık). Daha küçük etkiler için n hızla artar. Planı ön kayıtta belirtin.

5) Veri Temizliği ve Keşif: Yanlış Alarmları Önlemek

• Eksik veriler: Mekanizmasını düşünün (MCAR/MAR/MNAR). Küçük oranda ise listwise; değilse çoklu atama (MI) düşünün.

• Aykırı değerler: Kutu/violin grafikleri, Z-skor>3, robust Mahalanobis; kararlarınızı duyarlılık bölümünde belgeleyin.

• Ölçü birimleri: Tüm gözlemler aynı ölçekte mi? (puan, saniye, TL…).

6) Normalite Kontrolleri: Test + Grafik + Sağduyu

• Shapiro–Wilk veya Anderson–Darling (küçük n’lerde yararlı).

• Q–Q grafiği: Kuyruklar ve çarpıklık.

• Skewness/Kurtosis: |skew|<1 ve |kurtosis|<1.5 çoğu pratikte sorun yaratmaz.
  Uyarı: Büyük n’de en ufak sapma bile testleri “anlamlı” çıkarabilir; grafik ve pratik etkiyi daima birlikte yorumlayın.

7) Varyans Homojenliği: Levene/Brown–Forsythe

• Levene (medyan temelli varyantı tercihen) p≥.05 ise eşitlik varsayımı makul.

• p<.05 ise Welch kullanın ve raporda belirtin.
  İpucu: Varyans oranı (büyük/küçük) <1.5–2 ise Student çoğu kez dayanıklıdır; ancak Welch’e geçmek güvenlidir.

8) Test İstatistiği ve Yorum

Student:

t=Xˉ1−Xˉ2sp1n1+1n2,sp=(n1−1)s12+(n2−1)s22n1+n2−2t=\frac{\bar{X}_1-\bar{X}_2}{s_p\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}}, \quad s_p=\sqrt{\frac{(n_1-1)s_1^2+(n_2-1)s_2^2}{n_1+n_2-2}}t=sp​n1​1​+n2​1

10) Çoklu Karşılaştırmalar ve Aile-Wise Hata

Birden fazla t-testi yapıyorsanız tip I hata şişer.

• Bonferroni/Holm (konservatif)

• FDR (Benjamini–Hochberg) (keşifsel analizlerde daha esnek)
  Öneri: Planlı karşılaştırmaları önceden belirleyin; raporda düzeltme yöntemini açık yazın.

11) Welch Neden Sıklıkla Tercih Edilir?

Gerçek veride varyans eşitliği nadir. Welch, homojenlik bozulduğunda tip I hatayı daha iyi kontrol eder ve güç kaybı minimaldir. Bu yüzden yazılım çıktısında hem Student hem Welch’i verip Welch sonuçlarını esas almak iyi pratiktir.

12) Sağlam (Robust) Alternatifler: Mann–Whitney mi Trimmed Mean mi?

• Mann–Whitney U (Wilcoxon rank-sum): Normaliteye duyarsızdır; ancak medyan farkı değil, sıralama temelli olasılık farkını test eder.

• Yüzde kırpılmış (trimmed) ortalamalar ve Yuen testi: Aykırıya dayanıklı parametrik-benzeri seçenek.

• Bootstrap GA: Ortalama farkının dağılımını yeniden örnekleme ile tahmin edin.
  Duyarlılık: t-testi + robust alternatif → sonuç yönü aynı mı?

13) Etkiyi Karar Diline Çevirmek: Yüzde Puan ve Olasılık

Yalnız p değeri değil; “Program C, puanı +5.2 artırdı (95% GA: 1.4–9.0), d=0.48” gibi büyüklük ve belirsizlik dilini kullanın. Klinik veya politika bağlamında eşiğe yakınlık da raporlanmalı (ör. “ortalama fark, başarı eşiğinin +3 pp üzerinde”).

14) Görselleştirme: Raincloud, Kutu ve Gardner–Altman

• Raincloud: Ham noktalar + yoğunluk + kutu → dağılımı dürüst gösterir.

• Gardner–Altman: Grup dağılımları + etki büyüklüğü paneli (ortalama farkı ve GA).

• Hata çubukları: SS yerine GA tercih edin.

15) Etki Büyüklüğü ile Güç Post-Hoc Kontrol (Cohen’s d → 1-β)

Analiz sonrası rapora, elde edilen d’ye göre post-hoc güç eklemektense, GA ve duyarlılık daha anlamlıdır. Yine de okuyucu sık sorar; yazılım ile tahmini güç verilebilir ama yorumda dikkatli olun (post-hoc güç yanlış anlaşılmaya açıktır).

16) Dengesiz Örneklemler (n1 ≠ n2): Ne Değişir?

Dengesiz n ve heterojen varyans birlikteyse Student sapabilir; Welch’e geçin. Etki büyüklüğünde Hedges’ g kullanın. Grafiklerde n değerlerini açıkça gösterin.

17) Aykırı Gözlemler: Çıkarma mı, Winsorize mı, Robust mu?

Karar bağlama bağlıdır: ölçüm hatasıysa düzelt/çıkar; gerçek uçsa robust analiz sunun. Winsorize eşikleri (ör. %5-95) şeffafça yazın ve t-testi/robust sonuçlarını yan yana raporlayın.

18) Örnek Olay A (Eğitim): Flipped vs. Geleneksel

Bağlam: 8. sınıf okuduğunu anlama, Flipped (n=48) vs. Geleneksel (n=50).
Kontroller: Shapiro (ns), Levene p=.28 → Student.
Sonuç: t(96)=2.64, p=.010; d=0.53 (95% GA: 0.12–0.93).
Görsel: Gardner–Altman; fark panelinde GA bandı.
Duyarlılık: 2 aykırı winsorize → t(96)=2.41, p=.018; yön değişmiyor.

19) Örnek Olay B (Sağlık): İki Tedavinin Ağrı Skoru

Bağlam: Tedavi A (n=36), Tedavi B (n=28), 0–100 ağrı skorları.
Kontroller: Levene p=.02 → Welch.
Sonuç: t≈(df=57.3)=-2.11, p=.039; g=-0.45 (95% GA: -0.88, -0.02).
Yorum: B, ağrıyı anlamlı ve orta düzeyde düşürüyor.
Robust ek: Yuen testi de p<.05; tutarlılık sağlandı.

20) Örnek Olay C (İşletme): Kasa Hattı Eğitim Programı

Bağlam: Eğitim verilen mağazalar (n=41) vs. verilmeyen (n=43); ort. işlem süresi (sn).
Kontroller: Normalite görselde zayıf; n büyük → Welch.
Sonuç: t(df≈78.6)=-3.05, p=.003; d=-0.68 (GA: -1.12, -0.24).
Karar dili: Ortalama işlem -5.7 sn kısaldı; yıllık kişi-saat tasarrufu X (kuruma çeviri).

21) Çoklu Test Senaryosu: Üç Alt Ölçek

Aynı örneklemde okuma, yazma, kelime üçlüsü test ediliyor.
Düzeltme: Holm (hiyerarşik) → okuma ve kelime anlamlı, yazma değil.
Rapor: “Üç karşılaştırma için Holm düzeltmesi yapılmıştır.”

22) Eşikli/Klinik Anlam: Sadece “İstatistiksel” Değil

Eğitimde +5 puan fark önemli mi? Sağlıkta MCID (en küçük klinik anlamlı fark) nedir? Etkiyi bu eşiğe göre konumlandırın; “GA’nın alt sınırı bile MCID’yi aşıyor” gibi cümleler karar verici için altın değerindedir.

23) Ağırlıklandırılmış Tasarımlar ve T-Testi

Anketlerde tasarım ağırlıkları varsa “klasik” t-testi yanıltabilir. Yazılımın tasarım-düzeltmeli (survey-weighted) t-test fonksiyonlarını kullanın; aksi halde yanlı SH/p elde edebilirsiniz.

24) Varsayım İhlalinde Dönüşüm: Log/Square-Root

Skorlar sağa çarpıksa log/karekök dönüşümleri normaliteyi iyileştirebilir. Dönüşüm sonrası sonuçları orijinal birime çevirmeyi unutmayın; değilse robust seçeneklere yönelin.

25) Etki Büyüklüğünün GA’sı Nasıl Verilir?

Klasik formüller ya da bootstrap ile. Raporu güçlendirmek için d (95% GA) formatını kullanın. Meta-analiz uyumlu hale gelir ve birikimli kanıta katkınız artar.

26) Açık Bilim ve Tekrarlanabilirlik

• Kod ve paket sürümleri (R/Python/SPSS)

• Seed ve ön kayıt (varsayımlar, eşikler, düzeltmeler)

• Ham veri/anonimleştirilmiş paylaşım veya sentetik örnek

• Şekil ve tablo şablonları (vektör, gömülü font)

27) Rapor Şablonu (Yapıştır-Kullan)

“Grup A (n=48) ve Grup B (n=50) için okuduğunu anlama puanları karşılaştırıldı. Normalite Q–Q grafikleriyle makul bulundu; Levene testi varyans homojenliğini doğruladı (p=.28). Student t-testi sonuçlarına göre Grup A’nın ortalaması Grup B’den anlamlı biçimde yüksektir, t(96)=2.64, p=.010. Ortalama fark +5.2 puan olup Cohen’s d=0.53 (95% GA: 0.12–0.93). Gardner–Altman grafiği, farkın pozitif ve belirsizlik bandının 0’ın üzerinde yoğunlaştığını göstermektedir.”

28) Sık Hatalar ve Kaçınma Yolları

1. Bağımsızlığı ihmal: Sınıf içi kümelenmiş veride (öğrenci-sınıf) t-testi yerine çok düzeyli/karma ANOVA düşünün.

2. Varyans eşitliğine kör güven: Welch’i raporlayın.

3. Sadece p-değeri: d/g ve GA vermek şart.

4. Çoklu test düzeltmesi yok: FDR/Holm uygulayın.

5. Aykırıyı saklamak: Robust alternatifle duyarlılık verin.

6. Grafiklerde SS çubuğu: GA gösterin; ham noktaları da ekleyin.

29) Yazılım İpuçları (Kısa)

• R: t.test(y~grup, var.equal=TRUE/FALSE), effsize::cohen.d, ggplot2, dabestr (Gardner–Altman).

• Python: scipy.stats.ttest_ind(equal_var=True/False), pingouin.ttest, dabest.

• SPSS/JASP/jamovi: Menü üzerinden Welch seçeneği, etki büyüklüğü ve GA kutucukları.

30) Genişletmeler: Eşleştirme ve Kovaryans Kontrolü

Rastgele olmayan karşılaştırmalarda PSM/IPW ile grupları dengeleyip t-testi uygulayın veya ANCOVA ile başlangıç puanını kovaryans olarak modele alın; etki tahmininiz önyargıdan arınır.

Sonuç

Bağımsız örneklem t-testi, akademik araştırmalarda basit ama derin bir araçtır. Gücü, yalnız iki ortalamayı karşılaştırmasında değil; varsayım yönetimi (normalite, varyans homojenliği), doğru test seçimi (Student vs. Welch), etki büyüklüğü ve güven aralığı ile sonucu anlamlılıktan öte bir dile taşımasında yatar. Robust alternatifler (Yuen, bootstrap GA) ve duyarlılık analizleri, bulguların sağlamlığını artırır. Çoklu karşılaştırmalarda düzeltme uygulamak, dengesiz örneklemlerde Welch’i tercih etmek, grafiklerle dağılım ve belirsizliği görünür kılmak iyi bilimsel pratiklerdir.

Karar verici için en ikna edici cümle, çoğu zaman “ne kadar” ve “ne kadar eminiz?” sorularına nettir: “Müdahale, ortalamayı +5.2 puan artırdı; d≈0.5, %95 GA 1.4 ile 9.0 arasında.” Bu dil, bulguyu yalnız istatistiksel doğruluğa değil; kuramsal anlam ve uygulama etkisine de bağlar. Kod, veri ve sürüm bilgisiyle tekrarlanabilir bir rapor sunduğunuzda, t-testi sonuçlarınız yalnız bugünün çalışmasına değil, yarının meta-analizlerine de katkı verir.​

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

The post Akademi Uygulamalı Bağımsız Örneklem t-Testi Rehberi first appeared on Akademi Delisi (Tez Yaptırma).

1) Korelasyonun anlamı ve sınırı

r, ρ, τ_b değerleri -1 ile +1 arasında değişir: işaret yönü, mutlak değer gücü gösterir. Korelasyon nedensellik değildir; korelasyon, değişkenlerin birlikte değişimi hakkında bilgi verir, neden–sonuç çıkarımı sağlamaz. Tezde, kuramsal çerçeveyle ilişkiyi yorumlayın.

2) Doğru korelasyon türünü seçme

• Pearson r: Sürekli, yaklaşık normal ve doğrusal ilişki; aykırıya duyarlı.

• Spearman ρ: Sıralı/ordinal veya doğrusal olmayan ama monotonik ilişkiler; aykırıya daha dayanıklı.

• Kendall τ_b: Küçük örneklem ve çok bağ (tie) olduğunda tercih edilebilir; yorumlaması daha tutarlıdır.

• Phi (φ): İki ikili değişken.

• Nokta-çift serili (r_pb): Bir ikili, bir sürekli (gerçekte kesilmiş sürekli).

• Biserial: Bir sürekli + yapay ikili (gerçekte kesikli eşik); pratikte r_pb daha sık kullanılır.
  Kural: Ölçek tipi + varsayım + örneklem büyüklüğü → seçim.

3) Varsayımlar: Doğrusallık, normalite, homoskedastisite

• Pearson için: yaklaşık iki-değişkenli normal, doğrusal ilişki, homoskedastisite (değişen varyans olmaması).

• Spearman/Kendall için: monotonik ilişki yeterlidir.
  SPSS’te serpilme diyagramı (Scatterplot) ve artık grafiklerine bakın; Q–Q grafikleri ile normaliteyi değerlendirin.

4) Eksik veri ve SPSS seçenekleri

SPSS, korelasyonda Pairwise (çift bazlı) veya Listwise (liste bazlı) eksik veri elemesini sunar.

• Listwise: Tüm değişkenler eksiksiz gözlem ister (n azalır, karşılaştırılabilirlik artar).

• Pairwise: Her çift için kullanılabilir gözlemler (n değişir, bilgi kaybı azalır).
  Tezde seçim gerekçenizi yazın; mümkünse MI (çoklu atama) sonucu ile duyarlılık kontrolü yapın.

5) Ölçek güvenilirliği ve korelasyon

Çok maddeli ölçeklerden türetilen toplam puanların güvenilirliği (α/ω) üst sınır oluşturur: güvenilirliği düşük ölçeklerde korelasyon zayıflar. SPSS’te Analyze → Scale → Reliability Analysis ile α raporlayın; ardından korelasyonları yorumlayın.

6) Aykırı değer ve etkili gözlemler

Pearson r, aykırı noktalar tarafından “çekilir”.

• Serpilme diyagramında uç noktaları işaretleyin.

• Mahalanobis mesafesi ile çok değişkenli aykırıları inceleyin.

• Aykırı çıkarma, winsorize veya Spearman alternatifiyle duyarlılık raporlayın.

7) SPSS menü: Pearson, Spearman, Kendall

Analyze → Correlate → Bivariate…

• “Pearson”, “Spearman”, “Kendall’s tau-b” seçenekleri.

• “Two-tailed” (iki yönlü) geneldir; hipotez tek yönlü ise raporda gerekçelendirin.

• “Flag significant correlations” ve “Means and standard deviations” kutularını ihtiyaca göre seçin.

8) SPSS menü: Kısmi korelasyon (Partial)

Analyze → Correlate → Partial…

• İlgi değişkenlerini “Variables”, kontrol edilecekleri “Controlling for” alanına atın.

• “Zero-order correlations” kutusunu işaretleyerek kısmi öncesi düzeyleri de alın.
  Yorum: r_{XY.Z} kovaryansın Z etkisinden arındırılmış ilişkiyi verir.

9) SPSS menü: İkili değişkenler – phi ve r_pb

Analyze → Descriptive Statistics → Crosstabs → Statistics → Phi and Cramer’s V ile φ ve V;
r_pb için Bivariate penceresinde ikili–sürekli çifti Pearson ile analiz etmek genelde yeterlidir (SPSS ayrı etiketlemez). Raporda değişken tipini açık yazın.

10) Bootstrap güven aralıkları

Analyze → Correlate → Bivariate → Bootstrap…

• Örn. B=2000 örnekleme, BCa güven aralıkları.

• Özellikle küçük n ve normalite dışı koşullarda güvenilirdir.
  Rapor: “r=.32, 95% BCa GA [.12, .49]”.

11) Çoklu test ve FDR/Holm

Bir matris içinde çok sayıda korelasyon test ediyorsanız tip I hata şişer. SPSS menüde yerleşik FDR yok; sintaks veya dış araçla p-düzeltme uygulayın. Tezde yöntem: Holm–Bonferroni veya Benjamini–Hochberg FDR ve hangi ailede uyguladığınız.

12) Fisher z dönüşümü ve güven aralığı

Pearson r’nin dağılımı simetrik değildir. Fisher z ile:
z=12ln⁡1+r1−rz=\tfrac{1}{2}\ln\frac{1+r}{1-r}z=21​ln1−r1+r​, SE=1/n−31/\sqrt{n-3}1/n−3

Sonuç

SPSS ile korelasyon analizi, tezinizdeki değişkenler arası ilişkilerin şeffaf, tekrarlanabilir ve karar dostu bir resmini sunar. Başarı, uygun korelasyon türünü seçmek (Pearson–Spearman–Kendall), varsayımları sınamak (doğrusallık, normalite, homoskedastisite), eksik veriyi bilinçli yönetmek, aykırılara karşı duyarlılık göstermek, güven aralıkları ve mümkünse bootstrap ile belirsizliği dürüstçe raporlamak ve çoklu testlerde FDR/Holm gibi düzeltmeler uygulamaktan geçer.

Korelasyon, çoğu zaman başlangıç merdivenidir: kısmi korelasyonlar, regresyon/SEM, aracılık–düzenleme analizleri ve nedensel çerçeveler için ön bilgi sağlar. İlişkinin yönünü ve büyüklüğünü kuramsal bağlamla birleştirip, etki büyüklüğü ve GA ile somutlaştırdığınızda, SPSS çıktıları yalnız bir tablo olmaktan çıkar; ikna edici bilimsel argümana dönüşür. Sonuç olarak: Doğru tür, doğru varsayım, doğru raporlama—tezinizde korelasyon, güçlü bir köprü olur.

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

The post Akademik Tezlerde SPSS ile Korelasyon Analizi first appeared on Akademi Delisi (Tez Yaptırma).

Bu yazıda, akademide SPSS kullanımıyla ilgili en sık sorulan sorular uzun ve detaylı bir şekilde yanıtlanacak, temel işlemlerden ileri düzey uygulamalara kadar kapsamlı açıklamalar yapılacaktır. Her bölümde hem kuramsal bilgi hem de pratik ipuçları yer alacak, örnek tablolar ve araştırma senaryoları üzerinden uygulamalar gösterilecektir.

1. SPSS Nedir ve Neden Kullanılır?

SPSS, verilerin girilmesi, düzenlenmesi, analiz edilmesi ve görselleştirilmesi için kullanılan güçlü bir istatistiksel analiz yazılımıdır.

• Neden tercih edilir?

  • Kullanıcı dostu arayüzü vardır.

  • Çeşitli analiz seçenekleri sunar (t-testi, ANOVA, regresyon, faktör analizi vb.).

  • Akademik standartlara uygun tablo ve grafikler oluşturur.

  • Büyük veri setleriyle çalışmaya uygundur.

2. SPSS ile Hangi Analizler Yapılabilir?

• Betimsel İstatistikler: Ortalama, standart sapma, frekans.

• Hipotez Testleri: t-testi, ANOVA, ki-kare.

• Regresyon Analizleri: Basit ve çoklu doğrusal regresyon, lojistik regresyon.

• Faktör ve Kümeleme Analizleri.

• Zaman Serisi Analizleri.

3. SPSS’e Veri Nasıl Girilir?

• Manuel giriş: Excel benzeri “Data View” ekranı üzerinden.

• Excel/CSV veri aktarma: “File → Import” seçeneği ile.

• Değişken tanımlama: “Variable View” ekranında veri tipleri, ölçüm düzeyi, etiketler ve eksik değer tanımlanır.

4. Değişken Türleri ve Ölçüm Düzeyleri

SPSS’te üç temel ölçüm düzeyi vardır:

• Nominal: Cinsiyet, meslek, şehir.

• Ordinal: Memnuniyet düzeyi, eğitim seviyesi.

• Scale: Yaş, gelir, sınav puanı.
  Yanlış ölçüm düzeyi seçimi, analizin yanlış yapılmasına neden olur.

5. Eksik Veriler SPSS’te Nasıl İşlenir?

Eksik veriler için üç yol vardır:

1. Eksik verileri silmek.

2. Ortalama veya medyan ile doldurmak.

3. İleri yöntemler (Multiple Imputation).

6. SPSS Çıktıları Nasıl Yorumlanır?

Her analiz sonucunda SPSS “Output Viewer” penceresinde tablolar ve grafikler sunar. Çoğu araştırmacı için en büyük zorluk, bu çıktıların akademik dile uygun yorumlanmasıdır.
Örnek:

• p < 0.05 → Hipotez reddedilir, sonuç anlamlıdır.

• R² değeri → Modelin açıklama gücünü gösterir.

7. SPSS ile Frekans ve Yüzdelik Analizleri

Araştırmalarda ilk yapılan analizlerden biridir. Katılımcıların demografik bilgileri genellikle frekans tablolarıyla sunulur.
Örnek tablo:

Tablo 1. Katılımcıların Cinsiyet Dağılımı

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

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

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

The post Akademide SPSS Kullanımı: Sıkça Sorulan Sorular first appeared on Akademi Delisi (Tez Yaptırma).