“Tezim İçin Hangi İstatistiksel Testi Kullanmalıyım?”

“Araştırma Tasarımından Veri Analizine Adım Adım Genel Karar Rehberi (2026 Güncel Kılavuz)”

Akademik çalışmalarda en sık karşılaşılan sorunlardan biri, veri toplama süreci tamamlandıktan sonra “Şimdi hangi testi kullanacağım?” sorusunun ortaya çıkmasıdır. Oysa doğru istatistiksel analiz, araştırmanın sonunda verilen teknik bir karar değil; araştırmanın başlangıcında planlanması gereken bilimsel bir süreçtir.

Birçok yüksek lisans öğrencisi, doktora araştırmacısı, uzmanlık öğrencisi ve akademisyen; veri toplama aşamasına büyük emek harcamasına rağmen yanlış analiz seçimi nedeniyle zaman kaybı yaşayabilmekte, tez savunmalarında zorlanabilmekte veya hakem süreçlerinde metodolojik eleştiriler alabilmektedir.

Bu rehberin amacı yalnızca hangi testin kullanılacağını göstermek değildir. Aynı zamanda araştırma tasarımından veri girişine, örneklem planlamasından power analizine kadar tüm süreci daha anlaşılır hale getirmektir.

1. İstatistiksel Analiz Neden Araştırmanın En Başında Planlanmalıdır?

Akademik araştırmalarda en sık karşılaşılan metodolojik hatalardan biri, istatistiksel analiz sürecinin araştırmanın son aşamasına bırakılmasıdır. Oysa istatistiksel analiz; veri toplama tamamlandıktan sonra uygulanan teknik bir işlem değil, araştırma tasarımının temel bileşenlerinden biridir. Araştırmanın bilimsel gücü, yalnız kullanılan testlerle değil; analiz planının ne kadar erken oluşturulduğu ile de doğrudan ilişkilidir.

Birçok araştırmacı veri toplama süreci tamamlandıktan sonra aşağıdaki sorunlarla karşılaşmaktadır:

“200 kişiden veri topladım ama örneklem büyüklüğüm yeterli mi bilmiyorum.”

Veya “Üç farklı zaman noktasında veri topladım (T0–T1–T2) ancak hangi analizi kullanmam gerektiğinden emin değilim.”

Benzer şekilde; “Likert ölçek kullandım fakat parametrik analiz yapabilir miyim?”

“Gruplarım eşit değil, analiz değişir mi?” gibi sorular çoğunlukla araştırma planının başlangıç aşamasında yeterince yapılandırılmamış analiz süreçlerinden kaynaklanmaktadır.

İstatistiksel planlama erken yapılmadığında ortaya çıkabilecek temel riskler şunlardır:

• yetersiz örneklem nedeniyle düşük istatistiksel güç (power),
• yanlış veri yapısı nedeniyle analiz kısıtlılıkları,
• tekrarlı ölçümlerde uygunsuz test seçimi,
• veri toplandıktan sonra değişkenlerin yeniden tanımlanma zorunluluğu,
• etik kurul ve tez savunma süreçlerinde metodolojik eleştiriler,
• dergi hakemlerinden gelen istatistiksel revizyon talepleri.

Bu nedenle doğru yaklaşım; araştırma sorusunun belirlenmesinden başlayarak analiz planına kadar ilerleyen sistematik bir metodolojik yapı oluşturmaktır.

1. Araştırma Sorusu

Araştırma sürecinin başlangıç noktası araştırma sorusunun doğru tanımlanmasıdır. Araştırma sorusu, çalışmanın neyi açıklamayı, karşılaştırmayı veya ortaya koymayı hedeflediğini belirler. Bu aşamada oluşturulan soru; örneklem yapısından veri toplama yöntemine ve analiz planına kadar tüm metodolojik süreci doğrudan etkiler. İyi tanımlanmış bir araştırma sorusu spesifik, ölçülebilir ve araştırılabilir olmalıdır.

Örnek:
“Periodontal hastalık düzeyi yaşam kalitesini etkiliyor mu?”

2. Hipotezler

Hipotezler, araştırma sorusuna yönelik bilimsel olarak test edilebilir öngörülerdir. Hipotezlerin oluşturulması; hangi değişkenlerin inceleneceğini, hangi analizlerin uygulanacağını ve araştırmanın hangi istatistiksel çerçevede yürütüleceğini belirler. Hipotezlerin açık ve ölçülebilir olması metodolojik gücü artırır.

Örnek:

H0: Gruplar arasında fark yoktur.
H1: Gruplar arasında anlamlı fark vardır.

Hipotezler ayrıca tek yönlü veya çift yönlü olarak yapılandırılabilir.

3. Sonlanım Değişkenleri

Sonlanım değişkenleri (outcome variables), araştırmada ölçülmesi hedeflenen temel sonuçlardır. Bu aşamada primer (birincil) ve sekonder (ikincil) sonlanım değişkenlerinin tanımlanması gerekir. Çünkü örneklem hesabı, analiz planı ve veri toplama yapısı çoğunlukla primer sonlanım değişkenine göre şekillenir.

Primer sonlanım örneği:

• ağrı skoru
• DMFT değişimi
• sağkalım süresi

Sekonder sonlanım örneği:

• memnuniyet
• yaşam kalitesi
• komplikasyon oranı

Yanlış tanımlanan sonlanım değişkenleri tüm metodolojik yapıyı zayıflatabilir.

 4. Örneklem Hesabı

Örneklem büyüklüğü, araştırmanın istatistiksel gücünü belirleyen temel unsurlardan biridir. Bu aşamada beklenen etki büyüklüğü, anlamlılık düzeyi (α), güç (power) ve olası kayıp oranları dikkate alınarak minimum gerekli katılımcı sayısı hesaplanmalıdır.

Bu aşamanın amacı:

• yetersiz örneklem nedeniyle yanlış negatif sonuçları önlemek
• gereğinden fazla örneklem nedeniyle kaynak israfını azaltmak
• bilimsel güvenilirliği artırmak

Çoğu klinik araştırmada genellikle: Power ≥ %80 hedeflenmektedir.

5. Veri Toplama Planı

Bu aşamada verilerin kimden, hangi yöntemle, ne zaman ve hangi araçlarla toplanacağı planlanır. Araştırmanın saha organizasyonu, ölçüm zamanları, veri giriş sistemi ve kalite kontrol mekanizmaları burada tanımlanmalıdır.

Bu aşamada belirlenmesi gerekenler:

• hedef popülasyon
• veri toplama yöntemi
• T0–T1–T2 zaman noktaları
• ölçüm araçları
• veri kayıt sistemi
• kalite kontrol süreçleri

İyi yapılandırılmış veri toplama planı ölçüm hatalarını azaltır.

  6. İstatistiksel Analiz Planı

İstatistiksel analiz planı, hangi analizlerin neden kullanılacağını önceden tanımlayan metodolojik yol haritasıdır. Bu planın araştırma başlamadan önce hazırlanması; veri odaklı analiz seçimlerinin önüne geçer ve çalışmanın tekrarlanabilirliğini artırır.

Bu aşamada belirlenmelidir:

• kullanılacak testler
• varsayım kontrolleri
• eksik veri yönetimi
• alt grup analizleri
• çoklu karşılaştırmalar
• yazılım ve raporlama biçimi

Bu yaklaşım sayesinde araştırma süreci daha şeffaf, sistematik ve yayınlanabilir hale gelir.

Bu altı adım doğrusal bir liste değil; araştırmanın metodolojik omurgasını oluşturan birbirine bağlı bir sistemdir. Bir aşamadaki hata, sonraki tüm aşamaları etkileyebilir. Bu nedenle güçlü araştırmalar, veri toplamayla değil; doğru planlamayla başlar.

Bu yapı yalnız istatistiksel doğruluğu artırmaz; aynı zamanda araştırmanın tekrarlanabilirliğini, metodolojik şeffaflığını ve bilimsel güvenilirliğini de güçlendirir.

Başka bir ifadeyle; doğru analiz, veri toplama bittikten sonra verilen bir karar değil, araştırmanın en başında tasarlanması gereken bilimsel bir yol haritasıdır.

UYGULAMA ADIMLARI

ADIM 1: Veri Türünüzü Doğru Belirleyin

Doğru Analizin Temeli: Değişken Yapısını Tanımlamak

İstatistiksel analiz sürecindeki ilk ve en kritik aşama, araştırmanızda yer alan değişkenlerin doğru şekilde sınıflandırılmasıdır. Çünkü kullanılacak istatistiksel testler; araştırma sorusundan çok, çoğu zaman değişkenlerin yapısına bağlı olarak belirlenir.

Araştırmalarda yapılan en yaygın hatalardan biri, veri tipleri doğru tanımlanmadan analiz seçmeye çalışmaktır. Oysa yanlış sınıflandırılmış bir değişken, yanlış analiz seçimine; yanlış analiz ise hatalı sonuçlara yol açabilir.

Bu nedenle ilk soru şudur:

“Benim değişkenlerim hangi veri tipine giriyor?”

1.1. Sürekli (Sayısal) Veriler

Sürekli veriler, belirli bir aralık içerisinde ölçülebilen ve sayısal değer alan değişkenlerdir. Bu değişkenler genellikle ortalama, standart sapma, medyan ve dağılım ölçüleri ile özetlenir.

Örnekler:

• yaş
  • kilo
  • boy
  • laboratuvar parametreleri
  • yaşam kalitesi puanları
  • DMFT / DMFS skorları
  • kan basıncı
  • plak indeksi
  • kan şekeri düzeyi

Sürekli veriler neden önemlidir?

Bu veri yapısı çoğunlukla:

• t testleri
• ANOVA
• korelasyon analizleri
• regresyon modelleri
• repeated measures analizleri gibi parametrik yöntemlerin temelini oluşturur.

1.2. Kategorik Veriler

Kategorik veriler, bireyleri belirli sınıflara ayıran değişkenlerdir. Bu verilerde büyüklükten çok sınıflandırma önemlidir.

Örnekler:

• cinsiyet
  • hastalık var / yok
  • sigara kullanımı
  • tedavi grubu
  • komplikasyon gelişimi
  • eğitim düzeyi
  • medeni durum

Bu değişkenlerde çoğunlukla:

• frekans (n)
• yüzde (%)
• oranlarhesaplanır.

Bu veri tipinde sık kullanılan analizler:

• Ki-kare testi
• Fisher Exact testi
• Lojistik regresyon
• Odds Ratio hesaplamaları

1.3. Ordinal (Sıralı) Veriler

Ordinal verilerde belirli bir sıralama vardır; ancak kategoriler arasındaki mesafeler eşit kabul edilmez.

Örnekler:

• Likert ölçekleri
  • ağrı skorları
  • memnuniyet düzeyleri
  • evreleme sistemleri
  • yaşam kalitesi kategorileri

Örneğin:

1 = çok kötü
2 = kötü
3 = orta
4 = iyi
5 = çok iyi

Burada sıralama vardır; ancak 1 ile 2 arasındaki farkın, 4 ile 5 arasındaki farkla aynı olduğu garanti değildir.

Ordinal verilerde sık kullanılan analizler:

• Mann Whitney U
• Wilcoxon
• Kruskal Wallis
• Friedman testi
• Spearman korelasyonu

1.4. Neden Bu Adım Bu Kadar Kritik?

Yanlış veri tipi tanımlandığında:

• yanlış test seçilebilir
• varsayımlar bozulabilir
• p değerleri yanıltıcı olabilir
• hakem ve jüri eleştirileri artabilir
• araştırmanın bilimsel gücü zayıflayabilir

Bu nedenle analiz sürecindeki ilk karar: “Hangi testi kullanacağım?” değil,

“Verim hangi yapıda?” sorusu olmalıdır.

Mini Kontrol Listesi

Kendinize şu soruları sorun:

✓ Ölçüm sayısal mı?
✓ Kategori mi içeriyor?
✓ Sıralama var mı?
✓ Gruplar arasında doğal bir düzen var mı?

Bu soruların cevabı sizi doğru analize götüren ilk adımdır.

ADIM 2: Hangi İstatistiksel Testi Kullanmalıyım?

Parametrik ve Nonparametrik Karar Mekanizmasını Doğru Kurmak

Araştırmalarda en sık sorulan sorulardan biri, hangi istatistiksel testin kullanılacağıdır. Ancak doğru soru çoğu zaman yalnızca “hangi testi kullanmalıyım?” değildir. Asıl soru:

“Veri yapım hangi analiz yaklaşımına uygun?” olmalıdır.

İstatistiksel test seçimi; değişken tipi, grup sayısı, ölçüm zamanı, veri dağılımı ve araştırma tasarımına bağlı olarak değişmektedir. Bu nedenle test seçimi sistematik bir karar süreci gerektirir.

2.1. Parametrik ve Nonparametrik Yaklaşım Nedir?

İstatistiksel yöntemler genel olarak iki ana gruba ayrılır:

Parametrik yöntemler

Parametrik testler, belirli varsayımların sağlandığı durumlarda kullanılan yöntemlerdir. Bu yöntemler genellikle daha yüksek istatistiksel güce sahiptir ve daha küçük farkları ortaya çıkarma eğilimindedir.

Parametrik yöntemlerin temel varsayımları:

• verilerin yaklaşık normal dağılım göstermesi
• varyansların homojen olması
• gözlemlerin bağımsız olması
• ölçüm düzeyinin çoğunlukla sürekli olması

Sık kullanılan parametrik testler:

 Nonparametrik yöntemler

Veriler parametrik varsayımları karşılamadığında veya ordinal yapı içerdiğinde nonparametrik yöntemler tercih edilir.

Özellikle:

• küçük örneklem büyüklükleri
• çarpık dağılımlar
• Likert ölçekleri
• uç değerlerin yoğun olduğu veri yapıları
• ordinal değişkenler için daha uygun olabilir.

Sık kullanılan nonparametrik testler:

2.2. Parametrik mi Nonparametrik mi? Nasıl Karar Verilir?

Araştırmacıların yaptığı en yaygın hatalardan biri yalnız p değerine bakarak karar vermektir. Oysa karar süreci çok boyutludur.

Aşağıdaki kriterler birlikte değerlendirilmelidir:

Normal dağılım kontrolü

En sık kullanılan yöntemler:

• Shapiro-Wilk testi
• Kolmogorov-Smirnov testi
• histogram incelemesi
• Q-Q plot değerlendirmesi
• skewness / kurtosis değerleri

Örneklem büyüklüğü

Küçük örneklemlerde normalite testleri yanıltıcı olabilir. Bu nedenle yalnız istatistiksel test sonuçları değil, grafiksel incelemeler de kullanılmalıdır.

Veri tipi

Sürekli veri:

→ parametrik veya nonparametrik olabilir

Ordinal veri:

→ çoğunlukla nonparametrik yaklaşım gerekir

2.3. T0 – T1 – T2 Ölçümlerinde Karar Mekanizması

Sağlık araştırmalarında aynı bireylerin farklı zamanlarda ölçülmesi oldukça yaygındır.

Örnek:

T0 → başlangıç
T1 → müdahale sonrası
T2 → takip dönemi

Bu durumda bağımsız grup analizleri çoğu zaman uygun değildir.

Parametrik yaklaşım:

• Repeated Measures ANOVA
• Mixed Models

Nonparametrik yaklaşım:

• Friedman testi

Bu seçim longitudinal veri yapısına göre yapılmalıdır.

2.4. En Kritik Mesaj

Yanlış test seçimi yalnızca istatistiksel hata oluşturmaz.

Aynı zamanda:

• yanlış klinik yorumlara
• yayın reddine
• tez savunmasında eleştirilere
• metodolojik zayıflıklara neden olabilir.

Bu nedenle analiz seçiminde ilk soru: “Hangi testi kullanmalıyım?” değil, “Verimin yapısı hangi yönteme uygun?” sorusu olmalıdır.

ADIM 3: Örneklem ve Power Analizi Nasıl Planlanmalıdır?

Araştırmanın Bilimsel Gücünü Belirleyen Kritik Aşama

Araştırmalarda en sık sorulan sorulardan biri: “Kaç kişiye ulaşmalıyım?” sorusudur.

Ancak bu sorunun tek bir cevabı yoktur. Çünkü gerekli örneklem büyüklüğü; araştırmanın amacı, tasarımı, analiz yöntemi ve beklenen etkinin büyüklüğüne göre değişmektedir.

Örneklem planlaması yalnızca kaç kişiye ulaşılacağını belirlemek için yapılmaz. Aynı zamanda çalışmanın istatistiksel olarak anlamlı sonuç üretme kapasitesini değerlendirmek amacıyla yapılır.

Bu nedenle örneklem planlamasının merkezinde istatistiksel güç (power) kavramı bulunmaktadır.

3.1. Power (İstatistiksel Güç) Nedir?

Power, araştırmanın gerçekte var olan bir farkı veya ilişkiyi ortaya çıkarabilme olasılığıdır.

Başka bir ifadeyle: Araştırmanız gerçekten bir fark varsa bunu yakalayabilecek kadar güçlü mü? sorusunun cevabıdır.

Genellikle: Power = %80 veya üzeri hedeflenmektedir.

Bu şu anlama gelir: Araştırmanız, gerçek bir etkinin varlığında bunu yaklaşık %80 olasılıkla tespit edebilecek düzeydedir.

3.2. Power Analizi Neden Bu Kadar Önemlidir?

Yetersiz örneklem:

• anlamlı farkları kaçırabilir
• yanlış negatif sonuç üretebilir
• yayın reddine yol açabilir
• etik sorun oluşturabilir

Gereğinden büyük örneklem:

• zaman kaybına neden olabilir
• maliyetleri artırabilir
• gereksiz veri toplamaya yol açabilir

Bu nedenle amaç: en büyük örneklem değil, optimum örneklemdir.

 3.3. Örneklem Hesabını Belirleyen Temel Parametreler

Bir power analizinde genellikle dört temel parametre bulunur:

1. Alfa Düzeyi (Type I Error)

En sık:Cα = 0.05 olarak belirlenir.

Bu değer: %5 hata yapmayı kabul etmek anlamına gelir.

2. Power (1-β)

En sık: %80 veya %90 seçilir.

Daha yüksek power:

→ daha fazla örneklem gerektirir.

3. Etki Büyüklüğü (Effect Size)

Araştırmanın en kritik bileşenlerinden biridir.

Etki büyüklüğü:

Beklenen farkın ne kadar büyük olduğunu gösterir.

Küçük etki:

→ daha fazla örneklem

Büyük etki:

→ daha az örneklem gerektirir.

Sık kullanılan etki büyüklükleri:

Cohen’s d:

• 0.20 → küçük etki
• 0.50 → orta etki
• 0.80 → büyük etki

Korelasyon:

• 0.10 → küçük
• 0.30 → orta
• 0.50 → büyük

4. Grup Sayısı ve Tasarım

Örneklem ihtiyacı;

• grup sayısı
• ölçüm zamanı
• longitudinal yapı
• eşleştirilmiş tasarım
• çok merkezli yapı gibi özelliklerden etkilenir.

Örneğin: 2 grup + tek ölçüm

ile

2 grup + T0-T1-T2 ölçümleri

aynı örneklem gereksinimine sahip değildir.

3.4. Çalışma Başında Yapılan Power Analizi (A Priori Power)

En çok önerilen yöntem budur.

Araştırma başlamadan önce yapılır.

Süreç:

Araştırma sorusu
↓
Primer sonlanım değişkeni
↓
Beklenen etki büyüklüğü
↓
Power analizi
↓
Örneklem hedefi

Bu yaklaşım:

• etik kurul süreçlerini güçlendirir
• jüri savunmalarında avantaj sağlar
• SCI yayınlarında daha kabul edilebilir olur

 3.5. Çalışma Sonunda Yapılan Güç Analizi (Post-Hoc / Achieved Power)

Özellikle tez jürileri ve hakemlerden şu soru gelebilir:

“Gerçekleşen power nedir?”

Bu durumda çalışma sonrasında power hesaplanabilir.

Ancak burada kritik nokta:

Yalnız post-hoc power sunmak çoğu zaman yeterli değildir.

Birçok dergi ayrıca görmek ister:

• güven aralıkları
• etki büyüklükleri
• precision değerlendirmeleri
• klinik anlamlılık

Bu nedenle post-hoc power, tek başına yorumlanmamalıdır.

3.6. T0–T1–T2 Ölçümlerinde Örneklem Neden Değişir?

Tekrarlı ölçüm çalışmaları daha karmaşık yapıdadır.

Örneğin:

T0 → başlangıç
T1 → müdahale sonrası
T2 → takip

Bu tasarımlarda hesaplamaya ek olarak:

• ölçümler arası korelasyon
• takip kaybı oranı
• repeated structure

dahil edilmelidir.

Bu nedenle longitudinal çalışmalarda çoğu zaman:

%10–20 ek örneklem

planlanması önerilir.

 3.7. En Sık Yapılan Hatalar

• Power analiz yapmadan veri toplamak
• Sekonder değişken üzerinden örneklem hesabı yapmak
• Etki büyüklüğünü rastgele seçmek
• Takip kayıplarını hesaba katmamak
• Longitudinal çalışmalarda ek örneklem eklememek

Mini Kontrol Listesi

Araştırmanız başlamadan önce kendinize sorun:

✓ Primer sonlanım değişkenim belli mi?
✓ Hangi analiz yapılacak belli mi?
✓ Beklenen etki büyüklüğüm var mı?
✓ Kayıp oranını hesaba kattım mı?
✓ Power ≥ %80 mi?

Bu soruların cevabı, çalışmanızın metodolojik gücünü belirler.

ADIM 4: Jüri ve Hakemlerin En Sık Eleştirdiği Noktalar

Metodolojik Hataları Önceden Görmek ve Önlemek

Birçok tez ve akademik çalışma, veri toplama sürecindeki eksikliklerden değil; metodolojik planlama ve analiz süreçlerindeki hatalardan dolayı eleştiri almaktadır. Özellikle tez savunmaları, uzmanlık jürileri ve SCI/SCIE kapsamındaki dergi hakemleri; yalnızca sonuçlara değil, sonuçlara nasıl ulaşıldığına odaklanmaktadır.

Bu nedenle analiz sürecinde sık yapılan metodolojik hataları önceden bilmek, araştırmanın bilimsel gücünü artırır.

4.1. Yetersiz veya Gerekçelendirilmemiş Örneklem

Hakemlerin ve jürilerin en sık sorduğu sorulardan biri:

“Bu örneklem sayısına nasıl karar verdiniz?”

Örneklem büyüklüğünün yalnızca ulaşılabilen kişi sayısına göre belirlenmesi metodolojik zayıflık olarak değerlendirilebilir.

Sık görülen problemler:

• power analiz yapılmaması
• etki büyüklüğünün belirtilmemesi
• kayıp oranlarının hesaba katılmaması
• primer sonlanım değişkenine göre hesap yapılmaması

Hakem yorumu örneği: “Sample size justification is insufficient.”

Nasıl önlenir?

• power analizi ekleyin
• kullanılan parametreleri açıklayın
• primer outcome üzerinden hesap yapın

4.2. Yanlış Test Seçimi

En yaygın eleştirilerden biri yanlış analiz seçimidir.

Örnekler:

• normal olmayan veride parametrik test kullanılması
• ordinal veride uygunsuz analiz yapılması
• bağımlı ölçümlerde bağımsız test kullanılması
• küçük örneklemde aşırı parametrik yaklaşım

Özellikle T0–T1–T2 çalışmalarında: aynı bireylerden gelen ölçümlerin bağımsız kabul edilmesi önemli metodolojik hatadır.

Nasıl önlenir?

• veri yapısını önce tanımlayın
• varsayımları raporlayın
• analiz seçimini gerekçelendirin

4.3. T0–T1–T2 Gibi Tekrarlı Ölçümlerin Yanlış Analizi

Sağlık araştırmalarında en sık yapılan hatalardan biridir.

Yanlış yaklaşım:

T0 ile T1 için ayrı test
T1 ile T2 için ayrı test
T0 ile T2 için ayrı test

Bu durum:

• Tip I hata artışı
• çoklu karşılaştırma problemi
• yanlış sonuçlar oluşturabilir.

Daha uygun yaklaşımlar:

• Repeated Measures ANOVA
• Friedman testi
• Linear Mixed Models
• GEE modelleri

4.4. Eksik Veri Yönetiminin Belirtilmemesi

Hakemler sıklıkla şunu sorar:

“Eksik veriler nasıl yönetildi?”

Eksik veri göz ardı edildiğinde:

• bias oluşabilir
• power azalabilir
• sonuçlar değişebilir

Belirtilmesi gerekenler:

• eksik veri oranı
• silme yöntemi kullanıldı mı?
• imputasyon yapıldı mı?
• hangi yaklaşım seçildi?

4.5. Etki Büyüklüğü ve Güven Aralıklarının Raporlanmaması

Yalnız p değeri raporlamak artık çoğu dergi için yeterli değildir.

Hakemlerin görmek istediği:

• Cohen’s d
• Odds Ratio
• Hazard Ratio
• Cramér’s V
• ICC
• güven aralıkları (%95 CI)

Çünkü: istatistiksel anlamlılık ≠ klinik anlamlılık

4.6. Çoklu Karşılaştırmaların Yönetilmemesi

Birden fazla test uygulandığında yanlış pozitif sonuç riski artmaktadır.

Özellikle:

• çok sayıda alt grup
• çok sayıda değişken
• çok zaman noktası varsa düzeltmeler gerekebilir.

Örnekler:

• Bonferroni
• Holm
• Games-Howell
• Tukey

 4.7. Metodoloji ve Bulguların Uyuşmaması

Hakemlerin çok hızlı yakaladığı problemlerden biri budur.

Örnek:

Metotta:

“Normal dağılım sağlandı.”

Sonuçlarda:

Mann Whitney kullanılmış.

veya

Metotta:

“ROC yapılacaktır.”

Sonuçlarda:

ROC yok.

Tutarsızlıklar güven kaybı oluşturabilir.

4.8. Veri Yapısının Açık Sunulmaması

Sık problem:

• değişken kodlamalarının belirtilmemesi
• veri giriş mantığının açıklanmaması
• grupların net tanımlanmaması

Öneri: Metot bölümünde mutlaka belirtin:

• veri yapısı
• kodlama sistemi
• ölçüm zamanları
• veri doğrulama süreçleri

 Mini Hakem Kontrol Listesi

Çalışmanızı göndermeden önce kendinize sorun:

✓ Örneklem hesabım açık mı?
✓ Analiz seçimini gerekçelendirdim mi?
✓ Varsayımları test ettim mi?
✓ T0–T1–T2 analizim doğru mu?
✓ Etki büyüklüklerini ekledim mi?
✓ Eksik veri yönetimini açıkladım mı?
✓ Metot ve sonuçlar tutarlı mı?

Bu kontrol listesi yalnız tez savunmalarını kolaylaştırmaz; aynı zamanda yayın kabul olasılığını da artırabilir.

ADIM 5: Veriler Bilgisayar Ortamına Nasıl Girilmelidir?

Doğru Veri Yapısı = Doğru Analiz

Araştırmalarda karşılaşılan istatistiksel problemlerin önemli bir kısmı analiz aşamasında değil, veri giriş aşamasında ortaya çıkmaktadır. Yanlış yapılandırılmış veri dosyaları; analiz hatalarına, eksik gözlemlere, yanlış grup eşleşmelerine ve zaman kaybına neden olabilir.

Bu nedenle veri giriş sistemi, araştırma başlamadan önce planlanmalıdır.

Temel prensip:

Bir satır = Bir katılımcı / gözlem birimi
Bir sütun = Bir değişken

Başka bir ifadeyle:

• bireyler alt alta yazılır
• değişkenler yan yana yazılır
• her hücre yalnızca bir bilgi içerir

 5.1. Örnek Veri Giriş Yapısı (Excel / SPSS Uyumlu)

Burada:

ID → katılımcı numarası
Grup → 0=Kontrol, 1=Müdahale
Cinsiyet → 1=Erkek, 2=Kadın
Ağrı_T0 → başlangıç ölçümü
Ağrı_T1 → müdahale sonrası
Ağrı_T2 → takip ölçümü

Bu yapı; SPSS, Excel, Jamovi, R ve Python analizleri için uygundur.

3.2. Kodlama Sistemi Nasıl Oluşturulmalı?

Kodlama sistemi araştırmanın başında standardize edilmelidir.

Örnek:

Cinsiyet

Tedavi Grubu

Sigara Kullanımı

Kod kitabı (codebook) oluşturmak daha sonra analiz sürecini ciddi şekilde kolaylaştırır.

5.3. Değişken İsimlendirme Kuralları

Yanlış değişken isimleri analiz hatalarına neden olabilir.

Önerilen kurallar:

✓ kısa isim kullanın
✓ boşluk kullanmayın
✓ Türkçe karakter kullanmayın
✓ aynı yapıyı koruyun
✓ zaman noktalarını standardize edin

Yanlış:

Hasta Yaşı
Ağrı Sonrası
Çok Şiddetli Ağrı

Doğru:

yas
agri_T1
agri_skoru

5.4. T0–T1–T2 Ölçümleri Nasıl Girilmeli?

Tekrarlı ölçümlerde en sık hata burada yapılmaktadır.

Doğru yapı:

Burada:

T0 = başlangıç
T1 = müdahale sonrası
T2 = takip

Bu yapı repeated measures, Friedman veya mixed model analizlerine uygundur.

 5.5. Eksik Veriler Nasıl Girilmeli?

Araştırmalarda eksik veri kaçınılmaz olabilir.

Yapılmaması gerekenler:

• 999 kullanmak
• boşluğu 0 yapmak
• rastgele değer yazmak

Daha doğru yaklaşım:

• boş bırakmak
• sistem missing tanımlamak
• ayrı missing kodu kullanmak

Eksik veri yönetimi metodoloji bölümünde belirtilmelidir.

5.6. En Sık Yapılan Veri Giriş Hataları

• aynı hücreye iki bilgi yazmak
• grup isimlerini bazen yazı bazen sayı ile kodlamak
• T0–T1–T2 yapılarını karıştırmak
• kategorik verileri açıklamasız bırakmak
• farklı araştırmacıların farklı kod kullanması

Mini Kontrol Listesi

Veri girişini tamamladıktan sonra kontrol edin:

✓ Her satır tek katılımcı mı?
✓ Her sütun tek değişken mi?
✓ Kodlama sistemi tutarlı mı?
✓ T0–T1–T2 doğru yapılandırıldı mı?
✓ Eksik veriler tanımlandı mı?

Unutulmamalıdır ki; yanlış veri yapısı, en gelişmiş istatistiksel yöntemleri bile anlamsız hale getirebilir.