Tez İçin Veri Analizi:
Hangi Yöntem Hangi Soruya Cevap Verir?

Veri analizi, tezinizin omurgasıdır. Doğru yöntemi seçmek; toplanan verinin gücünü ortaya çıkarır, yanlış yöntem ise en sağlam veriyi bile etkisiz kılar. Bu rehberde, verinizin güvenilirliğinden raporlamasına kadar tüm aşamaları, hangi araştırma sorusunun hangi yöntemi gerektirdiğine odaklanarak ele alacağız.

Tez sürecinin en kritik aşaması, çoğu zaman yazımdan önce gelir: verinin doğru analiz edilmesi. Yıllarca süren literatür taraması ve özenle hazırlanmış bir veri seti, yanlış seçilmiş bir yöntemle anlamsız hale gelebilir. Bu yazıda, veri analizinin altı temel aşamasını sırasıyla inceleyecek; her aşamada karşınıza çıkacak soruları ve bunlara hangi yöntemin cevap vereceğini netleştireceğiz.

1. Verinin Güvenilirliği: Analiz Öncesi Temel Kontroller

Hiçbir analiz, üzerinde çalıştığı veriden daha güvenilir olamaz. Bu yüzden analize başlamadan önce verinizi tanımak gerekir. Pek çok öğrenci bu adımı atlayıp doğrudan analize geçer ve sonradan beklenmedik sonuçlarla karşılaşır.

Kayıp Veri (Missing Data) Kontrolü

Anketinizi cevaplayan herkes her soruyu tam olarak doldurmamış olabilir. Bu durumda iki temel sorunuz vardır: Veriler rastgele mi kayıp, yoksa belirli bir örüntü var mı?

• %5'ten az kayıp veri: Genellikle göz ardı edilebilir, vaka silme (listwise deletion) yöntemi uygulanabilir
• %5–%20 arası: Ortalama atama, regresyon atama veya çoklu atama (multiple imputation) gibi teknikler değerlendirilmelidir
• %20'den fazla: Veri toplama sürecinde sistematik bir sorun olabilir; bulgular tartışmaya açık hale gelir

Aykırı Değer (Outlier) Tespiti

Bir veri noktası diğerlerinden anlamlı şekilde farklıysa, bu ya bir veri girişi hatasıdır ya da gerçek bir uç durumu yansıtır. Z-skor, IQR (çeyrekler açıklığı) veya kutu grafiği (boxplot) ile aykırı değerleri tespit edebilirsiniz. SPSS kullanıyorsanız Analyze → Descriptive Statistics → Explore, Python kullanıyorsanız pandas.describe() ve seaborn.boxplot() hızlı bir başlangıç sunar. Tespit ettikten sonra silmek yerine önce sebebini sorgulamak gerekir.

Güvenilirlik ve Geçerlilik

Ölçeğiniz tutarlı sonuçlar üretiyor mu? Bu sorunun cevabı için Cronbach Alpha katsayısı kullanılır. Genel kabul gören eşik 0.70'tir; 0.80 üzeri iyi, 0.90 üzeri mükemmel kabul edilir. Faktör yapısının doğruluğunu test etmek için ise açıklayıcı (EFA) ve doğrulayıcı faktör analizi (CFA) kullanılır. SPSS'te Analyze → Scale → Reliability Analysis, Python'da ise pingouin kütüphanesindeki cronbach_alpha() fonksiyonu hızlı sonuç verir.

2. Betimsel Analiz: Veriyi Anlamak

Veri güvenilir bulunduğunda, bir sonraki adım veriyi tanımaktır. Betimsel analiz, hipotez testlerine geçmeden önce verinizin genel görünümünü çizmenizi sağlar.

Hangi İstatistik, Ne İçin?

Betimsel analiz sadece sayıları sıralamak değildir. "Ortalama 3.4, standart sapma 0.8" demek yeterli değil. Bu rakamlar ne anlama geliyor? Katılımcılar genel olarak hangi yönde eğilim gösteriyor? Bu yorumu yapmadan tablolar boş kalır.

3. Görselleştirme: Veriyi Konuşturmak

İyi bir grafik, sayfalarca tablodan daha çok şey anlatır. Ancak görselleştirme, sadece "renkli tablo" yapmak değildir. Her grafik türü farklı bir hikayeye uygundur.

Hangi Soru, Hangi Grafik?

• Dağılımı göstermek istiyorum: Histogram, yoğunluk grafiği, kutu grafiği
• İki değişken arasındaki ilişkiyi göstermek istiyorum: Saçılım grafiği (scatter plot)
• Grupları karşılaştırmak istiyorum: Çubuk grafik, kutu grafiği, ihlalin grafiği
• Zaman içindeki değişimi göstermek istiyorum: Çizgi grafik
• Bütün-parça ilişkisini göstermek istiyorum: Pasta grafik (sınırlı, az sayıda kategori için)
• Birden fazla değişkenin örüntüsünü görmek istiyorum: Isı haritası (heatmap), eş yönlü grafik (correlogram)

4. Modelleme: Sorunuza Uygun Yöntemi Seçmek

Burası, çoğu öğrencinin tıkandığı aşamadır. Sayısız analiz yöntemi vardır ve hangisini seçeceğiniz araştırma sorunuza, değişken türünüze ve dağılımınıza bağlıdır.

Parametrik mi, Nonparametrik mi?

Bu seçim, verinizin varsayımları karşılayıp karşılamadığına bağlıdır. Parametrik testler (t-testi, ANOVA, Pearson) genellikle şu üç varsayımı ister:

1. Normal dağılım: Verinin normal dağılması (Shapiro-Wilk veya Kolmogorov-Smirnov testi)
2. Varyans homojenliği: Grupların varyanslarının benzer olması (Levene testi)
3. Bağımsızlık: Gözlemlerin birbirinden bağımsız olması

Bu varsayımlar karşılanmadığında, nonparametrik alternatiflere geçilir. Önemli olan, varsayım kontrollerini analiz öncesinde yapmaktır, sonradan değil.

Hangi Yazılımı Kullanmalı?

Yöntem seçtikten sonraki soru, hangi yazılımla uygulayacağınızdır. Türkiye'deki tezlerde en çok tercih edilen üç araç şunlardır:

• SPSS: Sosyal bilimler, eğitim, işletme alanlarında en yaygın. Menü tabanlı arayüzü öğrenmesi kolaydır. Klasik testlerin (t-testi, ANOVA, korelasyon, regresyon, ki-kare) hepsini birkaç tıkla yapabilirsiniz.
• Python: Mühendislik, veri bilimi ve modern araştırmalarda öne çıkıyor. pandas, scipy, statsmodels, scikit-learn kütüphaneleriyle her tür analiz yapılabilir. Üstelik kodla yapıldığı için süreciniz şeffaf ve tekrarlanabilir olur — danışman hocanız "bu sonucu nasıl elde ettin?" dediğinde kodu gösterirsiniz.
• R: İstatistik odaklı bir dil. Özellikle yapısal eşitlik modellemesi (lavaan paketi) ve ileri istatistiksel analizlerde Python'a göre daha geniş paket desteği vardır.

Hangisini seçeceğiniz alan, hocanızın tercihi ve sizin yazılım deneyiminize bağlı. Sosyal bilimlerde SPSS hâlâ standart, ancak makaleleştirme aşamasında Python veya R bilmek size avantaj sağlar.

5. Uygulanabilirlik: Sonuçların Pratik Anlamı

Bir analizin istatistiksel olarak anlamlı çıkması, sonucun pratik olarak önemli olduğu anlamına gelmez. Bu, çoğu zaman gözden kaçan kritik bir ayrımdır.

Etki Büyüklüğü Neden Önemlidir?

p-değeri size "sonuç tesadüf değildir" demekle yetinir. Ancak etki büyüklüğü (effect size), bu farkın ne kadar önemli olduğunu söyler. Çok büyük bir örneklem küçük farkları bile anlamlı yapabilir, bu yüzden etki büyüklüğünü mutlaka raporlayın:

• Cohen's d: İki grup arası fark için (0.2 küçük, 0.5 orta, 0.8 büyük)
• η² (eta kare): ANOVA için açıklanan varyans oranı
• R²: Regresyonda bağımlı değişkenin açıklanan kısmı
• Pearson r: İlişki büyüklüğü olarak doğrudan yorumlanabilir

Güven Aralıkları

%95 güven aralığı, bulgunuzun ne kadar kesin olduğunu gösterir. Geniş güven aralıkları, daha küçük örneklem veya daha fazla değişkenliğe işaret eder. Bu bilgi, sonuçlarınızın tekrar edilebilirliği hakkında okuyucuya değerli bilgi sunar.

6. Raporlama: Bulguları Etkili Sunmak

Yaptığınız analiz ne kadar değerli olursa olsun, doğru raporlanmadığında etkisi azalır. Akademik raporlamanın belirli kuralları vardır.

Tablo Hazırlamanın Temelleri

Bir analiz tablosu, tek başına anlaşılabilir olmalıdır. Yani okuyucu, tabloyu metinden bağımsız olarak okuduğunda hikayeyi kavrayabilmeli. Bunun için:

• Her tabloda numaralandırılmış başlık olmalı (Tablo 1: Değişkenler Arası Korelasyon Matrisi)
• Sütun ve satır başlıkları net ve kısaltmasız olmalı
• Anlamlılık düzeyleri yıldız (*) sembolü ile gösterilmeli
• Tablonun altına gerekli kısaltmalar ve notlar eklenmeli

Bulguları Yorumlama: Sayıların Ötesinde

Akademik bir tezde sadece "p < 0.05 olduğu için anlamlıdır" demek yeterli değildir. Bulgularınızı literatür ile ilişkilendirmeli, beklenen sonuçla karşılaştırmalı ve "ne anlama geliyor?" sorusuna cevap vermelisiniz. Bu, tartışma bölümünüzün gücünü belirler.

APA Formatında Sonuç Yazımı

APA standartlarında sonuç şu yapıyı izler:

Bu cümlede istatistiksel test, ortalamalar, standart sapmalar, serbestlik derecesi, t-değeri, anlamlılık düzeyi ve etki büyüklüğü hepsi bir arada bulunur. Akademik raporlamanın özü budur.

Sonuç: Doğru Yöntem, Doğru Soruya Cevaptır

Veri analizi, mekanik bir süreç değildir. Her aşaması, araştırma sorunuza verdiğiniz cevabı şekillendirir. Verinizin güvenilirliğinden raporlamasına kadar her adımda "hangi soruya cevap arıyorum?" diye sormak, sizi doğru yönteme götürür.

Unutmayın: karmaşık yöntem her zaman doğru yöntem değildir. Basit bir t-testi, sorunuza tam cevap veriyorsa onu seçin. Yapısal eşitlik modellemesi gibi karmaşık tekniklere ihtiyaç duymadığınız hâlde başvurmak, raporunuzu güçlendirmek bir yana, anlaşılırlığını da azaltabilir.

İyi bir analiz; sadece istatistiksel doğruluk değil, aynı zamanda net düşünme, verinin hikayesini anlatma ve okuyucuyu ikna etme meselesidir.