13 Kasım 2020 Cuma

8.Bölüm:Korelasyon ve Regresyon Analizi


Korelasyon ve Regresyon Analizi

Korelasyon :

Korelasyon, istatistikte iki değişken arasındaki ilişkinin yönünü ve gücünü gösterir. Aralarındaki neden sonuç ilişkisini vermez. Öğrencinin matematik dersine olan tutumunun matematik dersindeki başarı ile arasında korelasyonel bir ilişki mevcuttur. Günlük alınan kalori miktarı ile kilo alma arasında ve insanların boy uzunlukları ile ağırlıkları arasındaki ilişkide korelasyon ilişkisi mevcuttur. Bu iki değişkenler arası lineer ilişkinin derecesinin  ilişkisini ölçmek için kovaryans adı verilen bir ölçüt kullanılır.

Saçılım diagramı :

Saçılım diagramı üzerinde (X,Y) değişkenlerinin oluşturduğu grafiktir. X değişkeni grafikte yatay eksen Y değişkeni dikey eksende konumlandırılır. Saçılım diagramındaki değişkenler ilişkinin yönünü ve şiddetini belirler.


Şekil : Değişkenler arası doğrusal ilişki grafikleri

X ve Y grafiği artan bir şekilde ise değişkenler arasi pozitif bir ilişkinin var olduğunu, X ve Y grafiği azalan bir şekilde ise negatif yönlü bir ilişkinin olduğu, X ve Y grafiğinde ortada toplanmış bir görüntü oluşursa değişkenler arası ilişkinin olmadığı varsayılır. 

Pearson ilişki (Korelasyon) katsayısı (r)

İki değişken arasındaki doğrusal ilişkinin derecesi ve yönü hakkında bilgi verir. -1≤ r ≤ 1 arasındaki değerleri alır. Aşağıdaki tabloda r değeri ilişki düzeyi verilmiştir.


  • +1,00′ a yaklaştıkça iki değişken arasında aynı yöndeki ilişki artar.
  •  -1,00′ a yaklaştıkça iki değişen arasında ters yönde ilişki artar.
  •  0,00’a yaklaştıkça iki değişken arasındaki ilişki azalır. 


R Kare değeri :

İki değişken arasında bulunan korelasyon değerinin karesine R Kare değeri denir. 

Bir değişkenin içindeki varyasyonun değişiminin bağımlı değişkende yaratacağı ortalama değişimi ifade eder. 

Örneğin; iki değişken (X ve Y değişkeni) arası korelasyon 0.50 olsun, R Kare değeri 0.25 olacaktır. İfade olarak, X değişkeninin içerisindeki değişimin %25'lik kısmı Y değişkeni ile açıklanabilir. Tam tersi ifade olarak, Y değişkeni içerisindeki değişimin %25'lik kısmı X değişkeni ile açıklanabilir diyebiliriz. 


Korelasyon Analizi :

Örnek : Öğrencinin aldığı Matematik sınavı puanları ile Fizik sınavı puanları arasında anlamlılık düzeyinde bir farklılık olup olmadığını inceleyelim. 




Matematik ve Fizik sınavı sonuçları arasındaki anlamlı bir farklılığı incelemek için SPSS programındaki aşağıdaki adımları uygularız.





SPSS programına girilen puanların basit korelasyon analizini yapmak için 1. Adımda belirtilen ANALYZE>CORRELATE>BIVARIATE 
adımları uygulanarak 2. Adıma geçilir. Aralarındaki ilişkiyi inceleyeceğimiz değişkenler VARIABLES kutusuna sürüklenir. Eğer verilerimiz normal dağılım gösteriyorsa, Corselation Coefficients başlığı altında bulunan seçeneklerden PEARSON, normal dağılım göstermiyorsa SPEARMAN seçeneği seçilir. Değişkenlerinize bir yön belirlemişseniz, hipotezinizde değişkenlerin biri artarken diğeri de artıyor veya tam tersi ilişki olarak azalıyor ise One-Tailed seçeneği seçilir. Yön belirtmeyip sadece ilişki vardır diyorsanız Two-Tailed seçeneği kullanılır. OK tuşuna bastığımızda karşımıza 3.adımdaki gibi tablo çıkacaktır. Buradaki tabloda anlamlılık oranı 0,05'ten küçük olup iki ilişki arası anlamlı ve pozitif bir ilişki vardır denir.

Kısmi Korelasyon :

İki değişken arasındaki ilişkiyi, bu değişkenlerle ilişkili olan bir veya birden fazla değişkeni kontrol altına alarak analiz edilir. 

Örnek : Yaşın internet kullanma oranı ile sınav puanı oranı arasındaki ilişkiyi yaş değişkenini kontrol altına alarak inceleyelim.



SPSS programında ANALYZE>CORRELATE>PARTIAL adımları uygulanarak açılan pencerede VARIABLES kısmına kontrol altına alacağımız değişken hariç tüm değişkenleri alırız. Kontrol altına alacağımız değişkeni ise CONTROLLING FOR kısmına yazarız ve OK tuşuna basarız.


Yaş değişkeni kontrol altında iken pozitif yönde 0.33 oranında kısmi korelasyonun olduğu söylenir. Aşağıdaki tablodaki değer aralığımıza göre orta düzeyde bir ilişkinin olduğu ifade edilir.






Regresyon


Aralarında sebep-sonuç ilişkisi bulunan biri bağımlı diğerleri bağımsız değişkenlerin (birden fazla bağımsız değişken olabilir) arasındaki ilişkiyi matematiksel veya oran  olarak ifade edilmesidir. Regresyon analizinde bir tane bağımsız değişken var ise basit regresyon analizi diye tanımlanır, birden fazla bağımsız değişken var ise çoklu regresyon analizi olarak adlandırılır. Aşağıdaki formül ile hesaplanır. 








Örnek :            Sebep                          Sonuç
                            Gelir                          Harcama
                          Sıcaklık                          Nem
                     Doğalgaz Tüketim         Fatura Tutarı

Yukaridaki örnekler ile aralarında sebep-sonuç ilişkisi vardır. Basit regresyon analizinde iki değişken arasındaki R Kare ifadesine bakarak matematiksel oran ifadesinde bulunuruz.

Basit Regresyon :

Örnek : Öğrencilerin zeka seviyesi (IQ değeri) ile sınav puanları arasındaki ilişkiye bakalım.





SPSS programında ANALYZE>REGRESSION>LINEAR adımları uygulanarak DEPENDENT kısmına bağımlı değişken olan puan değerini, INDEPENDENT kısmına bağımsız değişken olan IQ değerini yazarız. 





OK tuşuna basıp tablomuzu inceleriz.




Bağımsız değişken olan zeka seviyesi (IQ değeri) ile bağımlı değişken olan sınav puanları arasındaki varyansı
%72 (R Kare)  oranı ile açıkladığı, sınavdan alınan puanın %72'si zeka seviyesine bağlı olduğu söylenir.





ANOVA analizinde anlamlılık düzeyinin 0,01< p <0,05 arasında olduğu için ilişkinin anlamlı olduğu görülür. 




Katsayı (Coefficients) tablosu bizlere regresyon katsayılarını ve bunların anlamlılık düzeyini verir. Tabloda IQ değişkeninin katsayısı 0,989 ve denklemin sabit değeri 1,217'dir.



Çoklu Regresyon :


İkiden fazla bağımlı değişkenin bağımlı değişken üzerindeki aetkisini incelemek için kullanılır. 


Örnek : Gelir düzeyine göre  okuldaki basarı puanı ve IQ seviyesi arasındaki ilişkiyi inceleyelim. 





SPSS programında ANALYZE>REGRESSION>LINEAR adımları uygulanarak DEPENDENT kısmına bağımlı değişken olan gelir değerini, INDEPENDENT kısmına bağımsız değişken olan IQ ve Puan değerlerini yazarız, ardından OK tuşuna basarız. 



 
Bağımsız değişkenler olan IQ ve Puan değeri, bağımlı değişken olan gelir değerine ait varyansı %81 oranında açıkladığı, diğer bir ifadeyle gelir değerinin %81 oranında IQ ve başarı puanına bağlı olarak şekillendiğini ifade eder. 




ANOVA tablosu incelendiğinde, anlamlılık düzeyi 0,01 < p < 0,05 arasında olduğu için istatistiksel olarak anlamlı olarak ifade edilir. 




                                                  

7.Bölüm: Kovaryans Analizi

Kovaryans analiz, regresyon ve varyans analizinin bir karışımı olarak değerlendirilir. Bağımsız değişkenlerin bağımlı değişken üzerindeki etkisini araştıran, bununla birlikte bağımlı değişken ile ilişkisi bulunan ortak değişkenlerin analiz edilmesinde kullanılan bir yöntemdir. Kovaryans analizinde ortak değişkenden kaynaklanan etki çıkartılarak, bağımlı değişkendeki değişimin bağımsız değişkenle ilişkisi araştırılmaktadır (Selim, K. 2017).

Kovaryans analizi kullanımında genelde ön-test son test kontrol gruplu desenlerde, deney ve kontrol grubunun son test ölçümleri arasında anlamlı bir farkın olup olmadığını kontrol edilir. Bu işlemde ön-test ölçümleri ortak değişken olarak tanımlanmaktadır (Büyüköztürk, 1997).

Kovaryans analizinin mantığı bağımlı değişkenden, ortak değişkenden kaynaklı değişmeleri çekip çıkarmak ve sonra da bağımlı değişkendeki değişmenin bağımsız değişkenden kaynaklanıp kaynaklanmadığını anlamaktır. Kovaryans analizdeki bir değişkeni denetlemek yani, etkisini ortadan kaldırmak için kullanılan yollardan en genelidir (Punch, 2005).

Kovaryans analizi kullanımında bazı koşulların oluşması gerekmektedir.

Bu koşullar;

  • Regresyon analizinde grup içinde dağımın homojen olması gerekmektedir.
  • Bağımlı değişken ile ortak değişken arasındaki korelasyon katsayısının R ≥0,3 olması
  • x ve y arasındaki ilişkinin doğrusal olmasıdır.

Kovaryans analizin kullanımında bazı amaçlar bulunmaktadır.

Bu amaçlar;

  • Deneysel desenlerde, randomize edilemeyen ama bir aralık ölçeği ile ölçülebilen faktörleri kontrol etmek için kullanılır.
  • Gözlemsel desenlerde; kategorik bağımsız değişkenlerin aralıklı bağımlı değişkenlere olan ilişkisini değiştiren değişkenlerin etkisini çıkarmak için kullanılır.
  • Regresyon modellerinde hem kategorik hem de aralıklı bağımsız değişken olduğunda regresyona uyması (fit) için kullanılır.

Kovaryans analizi yapılabilmesi için bazı varsayımların yerine gelmesi gerekmektedir. Bu varsayımlar şöyle özetlenebilir (Selim, K. 2017).

  • Analizde değerlendirilen gruplar birbirinden bağımsız olmalıdır.
  • Grupların bağımlı değişkene ait dağılımı normal dağılıma uygun olmalı ve varyansların homojenliği sağlanmalıdır.
  • Analizde yer alan ortak değişken değeri aralıklı veya oransal veri kategorisinde olmalıdır.
  • Birden fazla ortak değişken kullanımında çoklu doğrusallık (multicollinearity) olmamasına dikkat edilmelidir.
  • Ortak değişken ve bağımlı değişken arasında doğrusal bir ilişki olmalıdır.

Frigon ve Laurencelle’nin (1993) Kovaryans analizi yapmak için hazırlamış olduğu basamaklar:

  1. Basamak: Öncelikle Kovaryans varsayımlarından biri olan bağımsız değişkenin gruplarındaki regresyon eğimlerin homojenliği test edilir. F-testi yardımıyla test edilen bu durumda p <0,05 çıktığı durumlarda istatistiksel anlamlılık bulunur ve gruplar içi regresyon eğimleri homojendir.
  2. Basamak: bağımlı değişken ile kovaryant değişken arasında doğrusal bir ilişkinin varlığı incelenir.
  3. Basamak: bağımlı değişken ile kovaryant değişken arasında doğrusal bir ilişki bulunmaz ise doğrusal olmayan Kovaryans gibi farklı tekniklere yönlenmelidir. Eğer doğrusal ilişki ortaya çıkmış ise Kovaryans uygulanarak grupların düzeltilmiş ortalamaları arasındaki fark olup olmadığı incelenmelidir.
  4. Basamak: Ortak değişkene göre düzenlenmiş grup ortalamaları farkları istatistiksel olarak anlamlı çıktığı durumlarda üç ya da daha fazla grubun karşılaştırılması için post-hoc (çoklu karşılaştırma) testlerine başvurulur (Büyüköztürk, 2015, s. 123).

SPSS Programında Kovaryans analizinin kullanımı;

Spss programı menusunden Şekil 1’de de görüldüğü gibi Analyze -> General Linear Model -> Univariate adımlarını izleyerek diyalog ekranı açılır.

Şekil 1


Açılan diyalog ekranından Şekil 2’de görüldüğü gibi öncelikle bağımlı değişkenimiz Dependent Variable kutucuğuna seçilerek eklenir. Daha sonra kategorik değişkenimiz (bağımsız değişken) Fixed Factor kutucuğuna seçilerek eklenir. Son olarak da kontrol değişkenimizi yani bağımlı değişkendeki etkisini arındırmak istediğimiz değişkeni Covariate kutucuğuna seçerek ekliyorum.

Şekil 2


Seçme işlemleri bittikten sonra Şekil 2’de sağ tarafta bulunan buttonlardan Model butonuna tıklayarak Şekil 3 deki diyalog penceresi açılır. Burada Specify Model kısmında Build terms seçilir. Daha sonra Factor&Covariates kısmındaki değişkenlerimiz önce tek tek daha sonra ikisi beraber seçilerek Model kısmına eklenir. Dikkat edilmesi gereken husus ikisi birlikte seçilerek atılırken iki kısım arasındaki Build Terms’ün Type Interaction olarak seçilmiş olmalıdır. Continue butonuna tıklayarak devam ediyoruz.

Şekil 3


Daha sonra OK butonuna tıklayarak sonuçlarımızı Şekil 4’te olduğu gibi görüyoruz. Burada iki değeri çaprazladığımız satırda Sig. yani p değerinin ,067 olduğunu görüyoruz. Bu sonuç 0,05’ten büyük olduğu için bu testi yapabileceğimiz anlamına gelmektedir.

Şekil 4


Şekil 5


Verilerin test için uygun olduğunu tespit ettikten sonra Şekil 1 ve Şekil 2 deki işlemleri yine aynı şekilde yaptıktan sonra Şekil 5’deki Model penceresinde Full factorial seçerek Continue butonuna tıklayarak buradaki işlemimizi tamamlıyoruz.

Şekil 6

Daha sonra Şekil 2’de sol tarafta bulunan butonlardan Option butonunu seçtiğimizde karşımıza Şekil 6 daki ekran gelecek burada Factor olarak görünen değeri Display Meas kımına seçerek ekliyoruz. Display kısmında ise yapacağımız işlemlere göre seçenekleri seçerek Continue butonuna tıklayarak işlemlerimizi bitiriyoruz.


Şekil 7


Şekil 2 deki ekrandan Ok butonuna tıklayarak sonuçlarımızı görüyoruz. Şekil 7’de görüldüğü üzere verilerimizi Sig. kısmına bakarak yorumluyoruz. Bağımsız değişkenlerin bağımlı değişken üzerindeki etkisini yorumlamamıza yardımcı olmaktadır.


Kaynaklar

Selim, K. (2017). Kovaryans Analizi. J. Mood Disord., vol. 7, no. 1, pp. 73–78, doi: 10.5455/jmood.20161230045344.

Büyüköztürk, Ş. (1997). İki faktörlü varyans analizi. Ankara Univ. Egit. Bilim. Fak. Derg., vol. 30, no. 1, pp. 001–018, doi: 10.1501/egifak_0000000272.

Punch, Keith (2005): Introduction to Social Research: Quantitative and Qualitative Approaches. 2nd Edition. Thousand Oaks.

Bossakademi ve Akademiklink youtube kanallarından yararlanılmıştır.








6.Bölüm: MANOVA Analizi


Multivariate          ANOVA   (MANOVA)

  • Daha önce bir tane bağımlı değişkenimiz olduğunda gruplar arası farkı incelemek için ANOVA kullanacağımızı öğrenmiştik.
  • Araştırmamızda birden fazla bağımlı değişken olduğu durumda Multivariate ANOVA'yı yani MANOVA'yı  (çok değişkenli ANOVA) kullanacağız.
  •  Birden fazla bağımlı değişkenimizin olduğu durumlarda da bağımlı değişken adedince ANOVA yapmak yerine bu bağımlı değişkenlerin                  aynı  analiz    edildiği bağımlı değişkenlerin aynı anda analiz edildiği MANOVA yapmak 1.Tip hata oranını azaltmak açısından daha doğru bir uygulama olacaktır.
  • Ayrı ayrı yapılan ANOVA'larda bağımı değişkenler arasındaki ilişkiler göz ardı edilmiş olacaktır. MANOVA yaptığımız zaman bu bağımlı değişkenler arasındaki ilişkiyi hesaba katmış oluruz.
  • kısacası birden fazla bağımlı değişken üzerinde gruplar üzerinde gruplar arası anlamlı bir farklılık olup olmadığına tek yönlü MANOVA ile bakacağız. Eğer birden fazla bağımlı değişkeniniz ve iki bağımsız değişkeniniz var ve gruplar arası farklılık var mı diye merak ediyorsanız iki yönlü MANOVA kullanabilirsiniz.
 MANOVA Yaparken İzlenmesi Gereken Adımlar
  • MANOVA yaparken üç konuya dikkat edilmesi gerekmektedir. 
  • İlk olarak her zaman yaptığımız gibi var sayımlar kontrol edilmelidir.
  • İkinci olarak MANOVA için kullanılan dört farklı anlamlılık hesaplama yönteminden birinin seçilmesi gerekmektedir.
  • Son olarak ANOVA'da yapılan post hoc çoklu karşılaştırmaları gibi  MANOVA'da farkın kaynağını bulmak için yapılacak ek analizlere karar vermek gerekmektedir.
Varsayımlar
  • MANOVA'daki varsayımlar ANOVA'daki varsayımlara benzemektedir.
  • ANOVA'da F testini kullandığımız için bu testin sonuçlarının geçerli olabilmesi için diğer parametrik testlerde olduğu gibi bazı varsayımların yerine gelmesi gerekmektedir.
  • Kovaryans matrisin homojenliği (homojenlik). ANOVA'daki gibi bağımlı değişkenlerin grup varyanslarının kabaca eşit olmasının yanında herhangi iki bağımlı değişkenlerin korelasyonunun tüm gruplarda aynı olduğu varsayılır.
  • Verilerin bağımsız olması (bağımsızlık)
  • Örneklem verisi popülasyonundan rastgele dağılmış olmalı ve bağımlı değişkenin en az eşit aralıklı ölçek olması
  • Grup içi dağılımların normal olması (normallik).Bu arada aranan çok değişkenli normalliktir.
  • İki veya daha fazla bağımlı değişkene ve en az bir grup değişkenine sahip olunmalıdır.
  • Ayrıca verimizde çoklu bağıntılılık probleminin aynı olmaması gerekir.
  • Varsayımların çoğu ANOVA'daki gibi kontrol edilir.Burada karşımıza çıkan kovaryans matrisinin homojenliği ve çok değişkenli normallik varsayımları farklı yollarla kontrol edilmektedir
ÇOK DEĞİŞKENLİ NORMALLİK
Malesef çok değişkenli normallik varsayımını SPSS'te doğrudan tespit etmemiz mümkün değildir.Bunun yerine her bir bağımlı değişkenin her bir grupta normal dağıldığını göstererek çok değişkenli normalliğin sağladığına dair kanıt olarak sunmaya çalışabiliriz.Tek değişkenli normallik her zaman çok değişkenli normalliği garanti etmez. 

KOVARYANS HOMOJENLİĞİ
  • Kovaryans matrisinin eşitliğinden bahsedebilmemiz için bağımlı değişkenler için varyans eşitliğinin sağlandığını göstermemiz gerekmektedir.Aynen ANOVA'da olduğu gibi LEVENE's test kullanarak her bir bağımlı değişken için varyans homojenliği test edilebilir.Levene test sonucu 0.05 ten büyük olması gerekir.Gruplar arası varyans-kovaryans değerleri BOX's test kullanılarak karşılaştırılır.Box's test sonucu elde edilen p değeri 0.05 ten büyük olduğunda varyans-kovaryans eşitliğinden söz edilebilir.
TEST İSTATİSTİĞİNİ BELİRLEMEK
  • MANOVA'da karşımıza dört farklı istatistik çıkmaktadır.Bu testler sonucu elde edilen p değerine göre MANOVA  anlamlı değil mi karar verilir.Bu testler Wilks lambda ,Roy2s greatest characteristic root,Hottelling's trace ve Pillai'trace değerleridir.Genel olrak küçük örneklem , eşit olmayan gruplar ve varsayım ihlalleri yoksa Wilk's lambda önerilir.Bu saydığımız problemler mevcut isa daha dirençli olan Pillai's önerilir.
Ek Analizler

  • MANOVA gruplar arasında fark olup olmadığını söyleyen genel bir testtir.MANOVA ile elde edilen sonuçlara bakarak gruplar arasında bağımı değişkenler açısından anlamlı farklılıklar bulunup bulunmadığını söyleyebiliriz.
  • Eğer MANOVA testimiz anlamlı bulunmuşsa en az iki grup farklılık var diyebiliriz.Fakat burdaki farklılığın grup1 ve grup2 arasında mı yoksa diğer grup çiftleri arasında mı olduğunu söyleyemeyiz.Bunu söyleyebilmek için ANOVA'dan sonra yaptığımız post hoc testleri gibi ek analizler yapmamız gerekmektedir.
  • Ek analizler için geleneksel olarak ayrı ayrı ANOVA yapmak tavsiye edilir.Burada yapılan ANOVA'ların MANOVAya başlamadan neden yapmıyoruz sorusu aklımıza gelebilir.Burada MANOVA sonrası yapılan ANOVA'lara MANOVA korunumlu ANOVA diyeceğiz.
  • Diğer bir yöntemde MANOVA sonrası diskriminant analiz yapmaktır.
VERİ

MANOVA uygulamasını görseldeki verileri kullanarak göstereceğiz.
 Verimizin bir değişkeni ve üç bağımlı değişkeni bulunmaktadır.
SPSS'te MANOVA yapabilmek için verimizi açıp sonra üstteki menülerden Analyze>General Linear Model > Multivariate kısmını tıklamamız gerekmektedir.                                      













Açılan Multivarite ekranında bağımlı değişkenlerimizi Dependent Variables kısmına grup değişkenini de Fixed Factor(s) kısmına eklemeliyiz.
Burada ilk olarak bağımlı 1 ve 2 değişkenlerinin ikisini değişken olarak analizlere ekliyoruz.









SONUÇ




Burada Intercept için verilen sonucu göz ardı edip grup değişkeni için verilen değerlere odaklanacağız.
Grup değişkeni için dört farklı çok değişkenli istatistik sonucu da 0.05 düzeyinde anlamlı bulunmamıştır.Buna dayanarak üç grıp arasında bağımlı değişkenler açısından anlamlı bir fark bulunmamaktadır.(p>0.05)
  • Aynı veriyi kullanarak bu kez üç gurup bağımlı değişken açısından bir farklılık var mı soruna bakacağız.
ANALİZ
Daha önce gösterildiği gibi yandaki gibi açılan MANOVA ekranında bağımlı değişkenlerimizi Dependent değişkenlerimizi Dependent Variables kısmına grup değişkenini de FİXED FACTOR kısmına eklemeliyiz.Burada bağımlı değişkenlerin bağımlı 1 ve bağımlı 3 ikisi de aynı anda analize ekleyelim.







Options menüsü kullanılarak betimleyici istatistik,varyans homojenliği testi, tahmin değerleri gibi birçok istatistik elde edilebilir.

















Betimsel istatistik sonuçları aşağıdaki tabloda verilmiştir. 
MANOVA testlerinin sonuçlarının sağlıklı olabilmesi açısından grup büyüklerinin eşit olması iyiye işarettir.













SONUÇ





















Grup değişkeni için dört farklı çok değişkenli istatistik sonucu da 0.05 düzeyinde anlamlı bulunmuştur.
Buna dayanarak üç grup arasında bağımlı değişkenlerin doğrusal kombinasyonu üzerinde anlamlı bir fark bulunmaktadır.













Yararlanılan Kaynaklar:

Doç.Dr.Sedat ŞEN (2016-2017)    SPSS Uygulamalı İstatistik ve Ölçme Sunumları ( Harran Üniversitesi Öğretim Elemanlarına yapılan 10-sunumu)
Büyüköztürk, Ş.(2015) Sosyal Bilimler için Veri Analizi El Kitabı, Pegem Akademi Yayıncılık, Genişletilmiş 21.Baskı
Bayram, N.(2013) Sosyal Bilimlerde SPSS ile Veri Analizi,Ezgi Kitabevi, Genişletilmiş 4.Baskı



5.Bölüm: ANOVA Analizleri

Bu bölüm Ahmet TEMİZ tarafından hazırlanacaktır.

4.Bölüm: T-test Analizleri

t TESTİ

Örneklem hacminin 30'dan küçük olduğu durumlarda tek örneklem ve iki örnekleme ilişkin hipotezlerin testinde t testi kullanılır. Parametrik bir testtir.

Örneklemin seçildiği anakütlenin dağılımının normal olmasını gerektirmektedir.

SPSS paket programında t testi üç farklı şekilde gerçekleştirilmektedir:

1-Tek örneklem t testi (One-sample t test) bir parametre değeri ile bir örneklem istatistiğini karşılaştırmak için kullanılmaktadır.

2-Bağımsız örneklemler t testi (Independent-samples t test) aynı değişken için iki grup değerlerinin karşılaştırılmasında kullanılmaktadır.

3-Eşleştirilmiş örneklem t testi (Paired-sample t test), tek grup içindeki iki değişkenin ortalamalarının karşılaştırılması amacıyla kullanılmaktadır.


1.Tek Örneklem t Testi (One-Sample t test)

Tek örneklem t testi adından da anlaşılabileceği üzere tek örneklem gerektirmektedir. Örneklem hacminin 30'dan küçük ve anakütle dağılımının normale uygun olduğu durumlarda kullanılabilmektedir. Araştırmacı sigara bağımlılarının sigarayı bıraktıktan sonraki ağırlık ortalamalarının 90 olmasını beklemektedir.


Bunun için Analyze > Compare Means > One- Sample Test sıralaması takip edilir.









Çıkan ekranda Test Variable(s) alanına sonuç değişkeni atanır. Ortalamanın beklenen 90 değerinde çıkıp çıkmayacağının test edilmesi için Test Value alanı 90 olarak girilir. Okay butonuna basılır.



Ağırlık ortalaması Mean sütunundaki 99,76 değeri olduğu görülmektedir. Araştırmacının beklediği sonuç 90’dır. Beklenen ortalama ve test sonucunda ortaya çıkan ortalama arasında anlamlı bir farklılık olduğu görülür.  %95 güven düzeyinde significance değeri 0,000 olduğundan ve 0,05 değerinden küçük olduğundan dolayı gerçekleşen ortalama ile beklenen ortalama arasında fark vardır denir.

t testinin kullanılabilmesi için verilerin eşit aralıklı veya oranlı ölçek üzerinde ölçülmesi olması gerekmektedir. t testi yaygın olarak iki grubun mukayesesinde kullanılmaktadır.  Ancak eşit aralıklı veya oranlı ölçekle ölçülmüş verilere sahip iki grup karşılaştırılırken, t testi veya tek yönlü varyans analizi kullanmak arasında bir fark yoktur. t testi sonucunda bulunan t istatistiği, tek yönlü varyans analizi sonucunda bulunan F istatistiğinin kareköküne eşittir. Bu iki teknik arasından seçim yapmak tamamen araştırmacının tercihine bağlıdır.

Bağımsız gruplarda veriler normallikten çok uzak olduğunda, bağımsız gruplarda t testi yerine Mann-Whitney U testi kullanılır. Benzer biçimde eşleştirilmiş örneklemlerde t testi yerine veriler simetrik ise Wilcoxon işaretli sıra testi, veriler simetrik değil ise eşleştirilmiş iki grupta işaret testi uygulanır.

2- Bağımsız örneklemler t testi (Independent-samples t test) 

Varsayımları şunlardır:

1. Rassal ve bağımsız örneklemler,

2. Her örneklem için bağımsız gözlemler,

3. Normal dağılıma sahip anakütlelerden örneklem elde edilmesi,

4. Varyansların homojen olması.

Kemoterapi tedavisi gören ve görmeyen iki hasta grubunun hissettikleri ağrı seviyeleri ortalamaları arasında anlamlı bir fark olup olmadığını karşılaştıracağız.



Bunun için Analyze > Compare Means > Independed-Samples T Test sıralaması izlenir.


Independent Sample T test penceresinde grup değişkenimizi atacağımız Grouping Variable alanını ve test edeceğimiz bağımlı değişkenimizi atacağımız Test Variable(s) alanını görüntülenir.


Test Variable(s) alanına bağımlı değişkeni, Grouping Variable alanına tedavi alan ve almayan grupları içeren değişken atanır. Define Groups butonundan Define Groups kutucuğundan Group1’e tedavi almayan kodu olan 0 girilir ve Group2’ye tedavi alanların kodu olan 1 girilir. Continue butonuna tıklanır.


Grouping Variable alanında tedavi alan ve almayanların 0-1 olarak tanımlandığı kontrol edildikten sonra OK butonu tıklanır.


Sonuç tablolarından Grouping Statistics tablosuna göre; kemoterapi tedavisi gören hastaların tedavi sonrasında hissettikleri ağrı seviyesinin ortalamasının, kemoterapi tedavisi görmeyen hastalara göre daha az olduğu görülmektedir.

Independent Sample Test tablosuna göre ise; Levene’s Test for Equalit of Variances bölümündeki Equal variances assumed (varyansların eşit dağılımı) sig. değeri 0,013 olduğundan varyans dağılımlarının farklı olduğunu anlaşılır ve testin sonucunu değerlendirmek için Equal variances not assumed alanındaki t ile p değerlerini baz alınır. Sonuç olarak; significance değeri 0,037’tir ve 0,05’ten küçük olduğundan tedavi alanlar ile almayanların hissettikleri ağrı derecesi ortalamaları arasında istatistiksel olarak anlamlı bir fark vardır olarak yorumlanır.

 

 3. Eşleştirilmiş İki Örneklem Arasındaki Farkın t Testi

Eşleştirilmiş örneklemlerde, iki grubun anakütle ortalamaları arasındaki farkın O olup olmadığı test edilmek istendiğinde, eşleştirilmiş iki grup arasındaki farkın t testi kullanılır. İki grup arasındaki farkın bağımsız olması ve farkların geldiği anakütlenin dağılımının normal olması önemli iki varsayımıdır.

Haşimato hastalarına bir diyet uygulanmıştır ve bu diyet uygulanmadan önceki ağırlıkları ile diyet uygulandıktan sonra elde edilen ağırlıklarının ortalamaları arasında anlamlı bir farklılık olup olmadığını Paired Sample T testi uygulayarak araştıracağız.


Bunun için Analyze -> Compare Means -> Paired Sample T Test adımları takip edilir.



Sonraki adımda önceki ve sonraki ağırlıkları içeren değişkenler Variable 1 ile Variable 2 alanlarına atılır ve Ok butonuna basılır.


Çıkan sonuç tablolarından Paired Sample Statistics tablosuna göre, hastaların diyetten önceki ağırlıklarının ortalaması 100,43 ve hastaların diyetten sonraki ağırlıklarının ortalaması ise 99,76’dır. Analizin sonucuna göre %95 güven düzeyinde significance değeri 0,857’dir ve 0,05 değerinden büyük olduğundan dolayı, hastaların diyetten önceki ağrılıkları ile diyetten sonraki ağırlıklarının ortalamaları arasında istatistiksel olarak anlamlı bir farklılık yoktur denir. Hastaların diyetten önceki ve sonraki ağrılıkların korelasyonu ise -0,086’dır aralarında zayıf ve negatif bir ilişki vardır.


Yararlanılan Kaynaklar: 

Oğuzlar A, Hiperlink (Firm). İstatistiksel Veri Analizi 1 : SPSS VE MINITAB Uygulamalı. Vol 1. bs. Hiperlink; 2007.