Araştırmanız veya hipoteziniz için en uygun istatistiksel testi adım adım soruları yanıtlayarak hızlıca keşfedin.
Hemen BaşlaAraştırmalarınızda doğru istatistiksel analizi belirlemek, bulgularınızın güvenilirliği ve bilimsel geçerliliği için kritik bir adımdır. Karar ağacı aracımızda yer alan analiz türlerinin hangi mantıkla seçildiğini, veri tiplerini ve temel varsayımları aşağıdaki dokümantasyondan inceleyebilirsiniz.
İstatistiksel testler, verilerin dağılım özelliklerine göre iki ana kategoriye ayrılır. Parametrik testler (örn. T-Testi, ANOVA), verilerin evrende normal dağılıma uyduğu ve varyansların homojen olduğu varsayımına dayanır. Genellikle sayısal (sürekli) verilerde kullanılır ve istatistiksel güçleri daha yüksektir.
Buna karşılık Non-Parametrik testler (örn. Mann-Whitney U, Kruskal-Wallis), veriler normal dağılmadığında, örneklem hacmi çok küçük olduğunda veya veriler sıralı (ordinal) yapıda olduğunda tercih edilen "dağılımdan bağımsız" alternatiflerdir.
Gruplar arasında anlamlı bir fark olup olmadığını test etmek (hipotez testi) araştırmalarda en sık karşılaşılan senaryodur. Eğer iki bağımsız grubu (örn: Kadın/Erkek) sayısal bir değişkende karşılaştırıyorsanız Bağımsız Örneklemler T-Testi uygulanır.
Karşılaştırılan grup sayısı üç veya daha fazlaysa (örn: İlaç A, İlaç B, Plasebo) Tek Yönlü ANOVA kullanılır. Aynı bireylerden farklı zamanlarda alınan ölçümler (Ön-Test ve Son-Test) değerlendiriliyorsa analiz Bağımlı (Tekrarlı) Ölçümler mantığına kayar.
Bağımlı ve bağımsız değişkenlerinizin her ikisi de kategorik olduğunda (örn: Kan Grubu ile Hastalık Durumu), ortalama hesaplanamayacağı için frekanslar (sayılar) üzerinden işlem yapılır.
Bu senaryolarda en sık kullanılan yöntem Ki-Kare (Chi-Square) Bağımsızlık Testi'dir. Eğer çapraz tablodaki hücrelerde beklenen değerler çok düşükse (genellikle hücrelerin %20'sinde beklenen frekans 5'in altındaysa), varsayım ihlal edilmiş olur ve Ki-Kare yerine Fisher'ın Kesin (Exact) Testi tercih edilmelidir.
İki sayısal değişkenin birlikte nasıl hareket ettiğini, aralarındaki ilişkinin yönünü (pozitif/negatif) ve gücünü görmek için Korelasyon Analizi (Pearson/Spearman) yapılır. Ancak korelasyon bir sebep-sonuç ilişkisi göstermez.
Eğer amacınız "X değişkeni, Y değişkenini ne kadar etkiliyor/tahmin ediyor?" sorusuna cevap bulmak ve matematiksel bir model kurmaksa Doğrusal Regresyon uygulanır. Tahmin edilecek sonuç "Hasta/Sağlıklı" gibi iki olasılıklı bir olaysa analiz Lojistik Regresyon'a dönüşür.
Hesap Araçları
AI Asistan