Hangi İstatistiksel Testi Kullanmalıyım? Karar Rehberi

Lisansüstü öğrencilerin veri toplandıktan sonra sorduğu “hangi istatistiksel testi kullanmalıyım” sorusu, aslında çok daha önce yanıtlanmış olması gereken bir tasarım sorusudur. Testi belirleyen şey, alanda en sık görülen ya da danışmanın alışık olduğu yöntem değildir; araştırma sorusunun biçimi, değişkenlerin ölçüm düzeyi ve verinin nasıl bir yapıda toplandığıdır. Bu üç ölçüt netleştiğinde seçenekler şaşırtıcı biçimde daralır ve çoğu durumda tek bir uygun test kalır. Bu yazı, o daralma sürecini bir karar mantığı olarak sunuyor; hızlı bir ön kontrol için ücretsiz karar aracı aynı mantığı birkaç soruyla adım adım yürütür.

Üç Soru: Araştırma Sorusu, Ölçek Düzeyi, Veri Yapısı

İlk soru, araştırmanın ne tür bir iddia taşıdığıdır. Gruplar arasında fark mı arıyorsunuz, iki değişken arasında ilişki mi inceliyorsunuz, yoksa bir dizi değişkenin bir sonucu ne ölçüde yordadığını mı sınıyorsunuz? Fark soruları t-testi ve ANOVA ailesine, ilişki soruları korelasyon ve ki-kareye, yordama soruları regresyon ailesine açılır. Araştırma sorusunu “etkiler mi” gibi belirsiz bir fiille yazmak, bu aşamada kararı bulanıklaştıran en yaygın nedendir; “farklılaşır mı”, “ilişkili midir”, “yordar mı” fiilleri ise doğrudan bir test ailesine işaret eder.

İkinci soru, bağımlı değişkenin ölçek düzeyidir. Sürekli (aralık ya da oran) bir değişken ortalamalar üzerinden karşılaştırılabilir; sıralı bir değişken sıra ortalamalarıyla, sınıflamalı bir değişken ise frekanslarla analiz edilir. Bir Likert maddesi tek başına sıralıdır, ancak birden çok maddeden oluşan bir alt boyutun toplam ya da ortalama puanı uygulamada sürekli kabul edilir; bu ayrım, parametrik ve parametrik olmayan testler arasındaki tercihi doğrudan belirler.

Üçüncü soru, verinin yapısıdır: gruplar bağımsız mı, yoksa aynı bireylerden birden çok ölçüm mü alındı? Öğrenciler bir uygulama öncesi ve sonrasında ölçüldüyse gözlemler ilişkilidir ve bağımsız örneklem testleri kullanılamaz. Aynı biçimde, öğrencilerin sınıflar içinde kümelenmiş olması bağımsızlık varsayımını zedeler ve çok düzeyli modelleri gündeme getirir. Bu üç sorunun yanıtı, ideal olarak veri toplanmadan önce, tez önerisi aşamasında yöntem bölümüne yazılmış olmalıdır; aksi hâlde toplanan veri, sorulan soruyu yanıtlamaya elverişli olmayabilir.

Grupları Karşılaştırmak

Fark sorularında karar iki eksende ilerler: kaç grup karşılaştırılıyor ve bu gruplar bağımsız mı ilişkili mi? İki bağımsız grup için bağımsız örneklem t-testi, aynı bireylerin iki ölçümü için eşleştirilmiş örneklem t-testi kullanılır. Üç ve daha fazla bağımsız grupta tek yönlü ANOVA, aynı bireylerin üç ve daha fazla ölçümünde ise tekrarlı ölçümler ANOVA’sı devreye girer. Parametrik testlerin varsayımları karşılanmadığında her birinin sıra temelli bir karşılığı vardır ve bu karşılıklar aynı soruyu sıra ortalamaları üzerinden yanıtlar.

ANOVA’nın anlamlı çıkması yalnızca “en az bir grup diğerlerinden farklı” demektir; hangi grupların farklılaştığını post hoc karşılaştırmalar gösterir. Varyanslar homojense Tukey HSD, değilse Games-Howell tercih edilir. Kruskal-Wallis sonrasında ise Dunn testi Bonferroni düzeltmesiyle kullanılır. İki bağımsız değişkenin ortak etkisi sorgulanıyorsa, örneğin cinsiyet ve okul türünün başarı üzerindeki etkisi birlikte inceleniyorsa, ayrı ayrı iki ANOVA yerine etkileşim terimini içeren faktöriyel bir model kurulmalıdır.

İlişki ve Yordama

İki sürekli değişken arasındaki doğrusal ilişki Pearson korelasyonuyla ölçülür. Değişkenlerden biri sıralıysa, dağılım belirgin biçimde çarpıksa ya da ilişkinin doğrusal olmayıp tekdüze olduğu düşünülüyorsa Spearman rho daha uygundur. Küçük örneklemlerde ve çok sayıda bağlı sıra bulunan verilerde Kendall tau, Spearman’a göre daha kararlı sonuç verir. İki sınıflamalı değişkenin bağımsızlığı ki-kare testiyle sınanır; 2×2 tablolarda beklenen frekans 5’in altına düştüğünde Fisher kesin testi, daha büyük tablolarda ise likelihood-ratio ki-kare ya da kategori birleştirme gündeme gelir.

Yordama sorularında bağımlı değişkenin türü modeli belirler. Sürekli bir sonuç için çoklu doğrusal regresyon, ikili bir sonuç (mezun oldu / olmadı) için ikili lojistik regresyon, üç ve daha fazla sırasız kategori için multinomial, sıralı kategoriler için ordinal lojistik regresyon kullanılır. Doğrusal regresyonda katsayılar birim değişim üzerinden, lojistik regresyonda ise odds oranları üzerinden yorumlanır; öğrencilerin lojistik bir modelde B katsayısını doğrudan “etki” diye raporlaması sık rastlanan bir yorum hatasıdır.

Çok düzeyli modele ne zaman geçileceği, veri yapısı sorusunun doğrudan uzantısıdır. Öğrenciler sınıflara, çalışanlar birimlere, hastalar hastanelere yuvalanmışsa, aynı küme içindeki gözlemler birbirine benzer ve klasik regresyonun bağımsızlık varsayımı bozulur. Sınıf içi korelasyon katsayısı (ICC) 0,05’in üzerindeyse ve küme sayısı makul bir düzeydeyse (uygulamada en az 20-30 küme), sabit ve rastgele etkileri ayıran çok düzeyli bir model kurulmalıdır. Aksi hâlde standart hatalar olduğundan küçük tahmin edilir ve gerçekte anlamlı olmayan etkiler anlamlı görünür.

Ölçek Çalışmaları

Bir ölçek geliştiriliyor ya da uyarlanıyorsa test seçimi geçerlik ve güvenirlik kanıtları etrafında şekillenir. Faktör yapısı önceden bilinmiyorsa açımlayıcı faktör analizi (AFA) ile başlanır; KMO değerinin 0,70’in üzerinde olması ve Bartlett testinin anlamlı çıkması verinin faktörlenmeye uygun olduğunu gösterir. Faktör sayısına yalnızca özdeğer kuralıyla değil, paralel analiz ve yamaç birikinti grafiğiyle birlikte karar verilmelidir. Kuramsal bir yapı zaten varsa ya da uyarlanan ölçeğin özgün yapısı sınanıyorsa doğrulayıcı faktör analizi (DFA) tercih edilir ve model uyumu CFI, TLI, RMSEA ve SRMR indeksleriyle raporlanır. Aynı örneklem üzerinde önce AFA sonra DFA yapmak, keşfedilen yapıyı aynı veriyle doğrulamak anlamına geldiğinden zayıf bir kanıttır; ideal olan örneklemi bölmek ya da bağımsız bir örneklem kullanmaktır.

İç tutarlılık için Cronbach alfa her alt boyut için ayrı hesaplanır; 0,70 üzeri kabul edilebilir sayılsa da alfa madde sayısıyla birlikte yükseldiğinden, uzun ölçeklerde yüksek alfa tek başına homojenliğin kanıtı değildir. Faktör yükleri eşit olmadığında McDonald omega daha gerçekçi bir güvenirlik kestirimi sunar ve giderek daha sık talep edilmektedir.

Varsayımlar Nasıl Kontrol Edilir, Sağlanmazsa Ne Yapılır

Normallik konusunda en yaygın yanılgı, Shapiro-Wilk ya da Kolmogorov-Smirnov testinin tek başına karar verici sayılmasıdır. Bu testler örneklem büyüdükçe önemsiz sapmaları bile anlamlı bulur; 300 kişilik bir örneklemde neredeyse her dağılım “normal değil” çıkar. Buna karşılık 30’un altındaki örneklemlerde aynı testler belirgin sapmaları yakalayamayacak kadar güçsüzdür. Bu nedenle çarpıklık ve basıklık değerlerini, histogramı ve Q-Q grafiğini birlikte okumak daha sağlıklı bir yaklaşımdır; çarpıklık ve basıklığın ±1 aralığında kalması çoğu uygulamada yeterli görülür, ±2 aralığı ise daha esnek bir eşik olarak kabul edilir. Örneklem her grupta 30’u aştığında merkezi limit teoremi ortalamalara dayalı testleri ılımlı sapmalara karşı zaten dayanıklı kılar.

Varyans homojenliği Levene testiyle sınanır. Levene anlamlı çıktığında bağımsız örneklem t-testinden vazgeçmek gerekmez; SPSS çıktısındaki “varyanslar eşit varsayılmıyor” satırı, yani Welch düzeltmesi okunur. Aynı mantıkla ANOVA’da Welch F istatistiği ve Games-Howell post hoc testi kullanılır. Bir Welch t-testi APA 7 formatında şöyle raporlanır: Deney grubunun motivasyon puanları (M = 4,12, SS = 0,54) kontrol grubundan (M = 3,71, SS = 0,79) anlamlı düzeyde yüksekti, t(87,4) = 2,96, p = ,004, d = 0,60, %95 GA [0,14; 0,68].

Uç değerler, önce veri girişi hatası olup olmadıkları açısından incelenir; ölçek aralığı dışındaki değerler düzeltilir ya da kayıp sayılır. Gerçek ancak aşırı gözlemler için z puanının ±3,29’u aşması ya da kutu grafiğinde çeyrekler açıklığının 1,5 katının dışında kalması yaygın ölçütlerdir. Bu gözlemleri silmek son çare olmalıdır; kırpma (winsorizing), dönüşüm ya da uç değerlerden etkilenmeyen sağlam yöntemler tercih edilir ve hangi işlem yapıldıysa yöntem bölümünde açıkça belirtilir. Varsayımlar ciddi biçimde bozulmuşsa ve örneklem küçükse parametrik olmayan karşılığa geçmek meşru bir yoldur; ancak bu geçişin araştırma sorusunu “ortalamalar farklı mı” sorusundan “dağılımlar farklı mı” sorusuna dönüştürdüğü unutulmamalıdır.

En Sık Yapılan Hatalar

Üç ve daha fazla grubu ikişer ikişer t-testiyle karşılaştırmak, tip I hata oranını kontrolsüz biçimde şişirir; dört grupta altı karşılaştırma yapıldığında en az bir yanlış anlamlı sonuç bulma olasılığı %26’ya yaklaşır. Doğru yol ANOVA ve ardından düzeltilmiş post hoc karşılaştırmalardır. Benzer bir mantık hatası korelasyonun nedensellik gibi yorumlanmasıdır: kesitsel bir tarama verisinde bulunan r = ,45’lik bir ilişki, yönü ve üçüncü değişkenleri dışlayamadığından “etkiler” ya da “yol açar” diye raporlanamaz; “ilişkilidir” ve en fazla “yordamaktadır” ifadeleriyle sınırlı kalır.

Likert maddelerinin toplanması da kendi başına bir karar gerektirir. Tek bir madde üzerinde ortalama almak ve t-testi yapmak savunulması güç bir uygulamadır; ancak faktör yapısı ve güvenirliği gösterilmiş bir alt boyutun toplam puanı sürekli değişken olarak analiz edilebilir. Sorun, farklı boyutlara ait maddeleri tek bir “genel puan” altında toplamak ya da ters maddeleri çevirmeden puanlamaktır. Son olarak, küçük örneklemde anlamlı sonuç bulunamadığında bunun “etki yok” diye yorumlanması ve etki büyüklüğünün hiç raporlanmaması, en zararlı alışkanlıklardan biridir. Kırk kişilik bir örneklemde d = 0,45 büyüklüğünde gerçek bir fark, çoğu zaman anlamlılık eşiğini geçemez. Bu tür bir sonucu önlemenin yolu, veri toplamadan önce örneklem büyüklüğü hesaplayıcı ile beklenen etki büyüklüğüne göre gereken katılımcı sayısını belirlemektir; sonuç anlamsız çıktığında ise etki büyüklüğünü güven aralığıyla birlikte raporlayıp bulguyu güç sınırlılığı bağlamında tartışmaktır.

Bu hataların ortak noktası, testin veriye değil veriyi testin gerektirdiği soruya uydurma çabasıdır. Karar zinciri sağlam kurulduğunda ve her adım yöntem bölümünde gerekçelendirildiğinde, veri analizi süreci bir formalite olmaktan çıkar ve jüri önünde savunulabilir bir kanıt zincirine dönüşür. Kararsız kaldığınız noktada karar aracını bir kontrol listesi gibi kullanmak, en azından hangi soruları yanıtlamanız gerektiğini görünür kılar.

Sık Sorulan Sorular

Örneklemim 30’un altındaysa parametrik test kullanabilir miyim?

Otuz sayısı bir kural değil, merkezi limit teoreminin işlemeye başladığı yaklaşık bir eşiktir. Küçük örneklemde dağılım normale yakınsa ve uç değer yoksa t-testi kullanılabilir; ancak normallik belirgin biçimde bozuksa Mann-Whitney U ya da Wilcoxon daha güvenli bir seçimdir. Her iki durumda da etki büyüklüğü mutlaka raporlanmalı ve gücün düşük olduğu tartışmada açıkça kabul edilmelidir.

Likert tipi ölçek puanlarında t-testi mi Mann-Whitney U mu?

Ayrım, analiz edilen birimin madde mi yoksa alt boyut puanı mı olduğuna bağlıdır. Tek bir madde sıralı ölçek düzeyindedir ve sıra temelli testlerle analiz edilmelidir. Beş ya da daha fazla maddeden oluşan ve güvenirliği gösterilmiş bir alt boyutun toplam puanı ise sürekli kabul edilir; normallik makul düzeydeyse t-testi ve ANOVA kullanılabilir. Yöntem bölümünde bu gerekçenin açıkça yazılması, jüride bu konudaki itirazları büyük ölçüde önler.

Hem fark hem ilişki sorum varsa hangi testle başlamalıyım?

Her alt problem kendi testini gerektirir ve sıralama araştırma sorularının sırasını izler. Genellikle betimsel istatistikler ve güvenirlik analizleriyle başlanır, ardından grup karşılaştırmaları, sonra ilişki ve yordama analizleri raporlanır. Çok sayıda test yapıldığında toplam tip I hata riskini kabul etmek ve Bonferroni ya da Holm düzeltmesini düşünmek gerekir; ancak birbirinden bağımsız araştırma sorularında her birinin kendi alfa düzeyinde sınanması yaygın ve savunulabilir bir uygulamadır.

Jüri neden bu testi seçtiğimi sorarsa ne söylemeliyim?

Yanıt, bu yazının başındaki üç soruya dayanmalıdır: araştırma sorusunun türü, bağımlı değişkenin ölçek düzeyi ve verinin yapısı. “Danışmanım önerdi” ya da “alanda hep bu kullanılıyor” gerekçeleri jüri önünde zayıf kalır; “bağımlı değişken sürekli, gruplar bağımsız ve varyanslar Levene testine göre homojen olduğu için bağımsız örneklem t-testi kullandım” biçimindeki bir gerekçe ise tartışmayı kapatır. Varsayım kontrollerinin sonuçlarını ve alternatif test düşünülmüşse neden tercih edilmediğini bir ek tabloda hazır bulundurmak, tez savunmasında yöntem bölümüne yönelik soruların çoğunu daha sorulmadan yanıtlar.