Veri analizinde iki değişken veya iki vaka arasındaki ilişkiyi sadece yönüyle değil, büyüklüğüyle  de anlamak gerekir. İşte SPSS’teki “Distances” (Uzaklıklar)  penceresi, bu ilişkiyi sayısal biçimde ölçmek için kullanılır. Bu araç sayesinde veriler arasındaki farklar veya benzerlikler belirlenir ve karmaşık veri yapıları daha anlamlı hale getirilir. ⚙️ Uzaklık Ölçüleri (Dissimilarity Measures) Nasıl Seçilir? SPSS’te uygun uzaklık ölçüsünü seçmek, verinin türüne bağlıdır. Her

Veriler arasındaki benzerlik veya farklılık derecesini anlamak istiyorsan, SPSS Distances (Uzaklıklar)  prosedürü tam da bunun için geliştirilmiştir. Bu analiz, değişkenler veya vakalar arasındaki benzerlikleri sayısal olarak ölçerek, karmaşık veri yapılarının altında yatan örüntüleri keşfetmeni sağlar. 🔍 Uzaklık Analizi Nedir ve Neden Kullanılır? SPSS’te “Distances” komutu, iki tür hesaplama yapar: Benzerlik (Similarity)  → Değer büyüdükçe gözlemler birbirine daha çok benze

SPSS arayüzü üzerinden yapılan kısmi korelasyon analizleri genellikle temel ihtiyaçları karşılar; ancak syntax komut dilini (SPSS Command Language)  kullanarak bu analizi çok daha esnek, derin ve özel hale getirmek mümkündür. Aşağıda, “ PARTIAL CORR ” komutunun gelişmiş özellikleri açıklanmıştır. ⚙️ 1. Korelasyon Matrisleri ile Çalışma (MATRIX Alt Komutu) Syntax aracılığıyla yalnızca ham verilerle değil, hazır korelasyon matrisleriyle  de analiz yapılabilir. Bununla: Sıfırınc

Kısmi korelasyon analizi, iki değişken arasındaki doğrusal ilişkiyi bir veya daha fazla değişkenin etkisini kontrol ederek  inceler. SPSS’te bu analizi çalıştırırken “ Options (Seçenekler) ” sekmesinde bazı istatistiksel göstergeleri dahil edip hariç bırakma şansın vardır. Bu ayarlar, rapor çıktısının hem bilgilendirici hem de anlamlı  olmasını sağlar. 📊 1. İstatistiksel Göstergeler (Statistics) SPSS’te “Statistics” bölümünde iki önemli seçenek vardır: ◉ Ortalama ve Standart

Kısmi korelasyon (Partial Correlation) analizi, iki değişken arasındaki doğrusal ilişkiyi bir veya birden fazla kontrol değişkeninin etkisini ortadan kaldırarak  ölçmeye yarar. Bu yöntem, özellikle tıp, psikoloji, sosyoloji ve ekonomi gibi alanlarda, görünürde var olan ilişkilerin gerçekte üçüncü bir değişkenden kaynaklanıp kaynaklanmadığını  anlamak için kullanılır. 🎯 Kısmi Korelasyonun Amacı İki değişken arasında bir korelasyon gözlemlediğinde bu ilişkinin gerçekten doğrud

SPSS’in menü tabanlı analiz ekranlarının arkasında, aynı işlemleri komut dili (syntax)  üzerinden çalıştırmaya yarayan güçlü bir sistem bulunur. Bu komut dili, CORRELATIONS  (parametrik) ve NONPAR CORR  (non-parametrik) komutlarını kullanarak korelasyon analizlerini daha esnek hale getirir. 🔹 Açıklama: Analiz iki yönlü (two-tailed) anlamlılık düzeyine göre yapılır. Eksik değerler pairwise (değişken çifti bazında) dikkate alınır. Pearson katsayısı, değişkenlerin doğrusal iliş

SPSS’te “Bivariate Correlations” (İkili Korelasyon)  penceresinin alt kısmındaki Options (Seçenekler)  bölümü, analizin daha detaylı istatistiklerini görüntülemene ve eksik verileri nasıl ele alacağını belirlemene olanak tanır. Bu bölüm özellikle Pearson korelasyonu  için önemlidir, çünkü burada gösterilen istatistikler ilişkiyi daha iyi anlamanı sağlar. 📊 İstatistiksel Seçenekler SPSS, Pearson korelasyonu için iki önemli istatistiksel gösterim sunar. Bunlar analizin şeffafl

İkili korelasyon analizi, iki değişken arasındaki ilişkinin yönünü ve gücünü ölçmek için kullanılan en temel istatistiksel yöntemlerden biridir. SPSS programında bu analiz, özellikle sürekli ölçekteki (scale)  değişkenlerin birbirleriyle nasıl ilişkili olduğunu anlamak için uygulanır. 📊 1. Temel Tanım İkili korelasyon, değişkenler arasındaki bağıntıyı ölçer. SPSS’te bu analiz üç farklı katsayı ile hesaplanabilir: Pearson Korelasyon Katsayısı (Pearson’s correlation coefficie

Oran verisi, ölçüm düzeyleri içinde en yüksek doğruluk ve kesinliğe sahip  nicel veri türüdür. Bu ölçekte hem eşit aralıklar  bulunur hem de gerçek bir sıfır noktası  vardır. Gerçek sıfır, ölçülen değişkenin tamamen yokluğunu ifade eder. Bu sayede oran verilerinde toplama, çıkarma, çarpma, bölme gibi tüm matematiksel işlemler geçerlidir. Örneğin; uzunluk, ağırlık, süre, hız, yaş ve nüfus  gibi değişkenler oran ölçeğiyle ölçülür. 0 cm, 0 kilogram veya 0 yaş gibi değerler, ölçü

Aralık verisi, ardışık değerler arasındaki farkların eşit olduğu sayısal bir ölçme düzeyidir.  Bu farklara “aralık” adı verilir. Ancak bu tür ölçekte gerçek bir sıfır noktası yoktur.  Yani sıfır değeri, değişkenin tamamen yokluğu anlamına gelmez; yalnızca ölçüm için belirlenmiş bir başlangıç noktasıdır. Örneğin sıcaklık, aralık verisine klasik bir örnektir. 20°C ile 21°C arasındaki fark , 100°C ile 101°C  arasındaki farkla aynıdır. Ancak 0°C , sıcaklığın yokluğu değil, sadece

Sıralı veriler, bir değişkenin kategorilere ayrıldığı ancak bu kategorilerin doğal bir sırası olduğu  durumları ifade eder. Fakat bu sıralar arasındaki mesafeler eşit değildir  ya da kesin olarak bilinmez.Yani bir sıra vardır, ama bu sıralar arasındaki fark ölçülebilir değildir. Örneğin “Fiziksel egzersiz sıklığı” değişkeni şu şekilde sıralanabilir: 1. Hiçbir zaman – 2. Nadiren – 3. Bazen – 4. Sık sık – 5. Her zaman Burada açık bir sıralama vardır; ancak “hiçbir zaman” ile “n

Nominal veriler, bir değişkenin kategorilere ayrıldığı, ancak bu kategorilerin kendi içinde sıralama veya sayısal anlam taşımadığı  veri türüdür. Bu tür veriler, yalnızca isimlendirme veya sınıflandırma amacı taşır. Örneğin, “tercih edilen ulaşım aracı” değişkeninde araba, otobüs, tren, tramvay, bisiklet  gibi kategoriler bulunur. Bu gruplar arasında hiyerarşik bir sıra yoktur. 🔹 Ölçme Düzeyleri Verilerin ölçme düzeyi, hangi hassasiyetle ölçüldüğünü gösterir. Dört temel düze

SPSS’in GLM (General Linear Model)  analizinde yer alan Auxiliary Regression Model  bölümü, özellikle modelin hata varyanslarının sabit olup olmadığını (heteroskedastisite) test etmek için kullanılan ileri düzey bir özelliktir. Bu sekme, modelin sağlamlığını ölçmek, hataların rastgele dağılmadığı durumları saptamak ve gerektiğinde düzeltici yöntemleri uygulamak için kullanılır. 🎯 1. Heteroskedastisite Nedir ve Neden Önemlidir? Heteroskedastisite, bir modeldeki hata terimleri

SPSS’in General Linear Model (GLM)  analizlerinde kullanılan Options  sekmesi, istatistiksel modellemenin görünmeyen yönlerini kontrol etmenin anahtarıdır. Bu bölüm, sadece sonuç almak için değil, aynı zamanda modelin güvenilirliğini, açıklayıcılığını ve geçerliliğini anlamak için de kullanılır. 🎯 1. Modelin Kalbinde: “Display” Seçenekleri Bu bölüm, analizin ne kadar derin ve ayrıntılı olacağını belirler. Bir GLM analizinde, sadece ortalamaları görmek yeterli değildir; o ort

SPSS’te GLM – Estimated Marginal Means (EM Means)  seçeneği, modeldeki faktörler veya etkileşimler için popülasyon düzeyinde ayarlanmış ortalama değerlerin  (tahmini marjinal ortalamaların) hesaplanmasını sağlar. Bu ortalamalar, kovaryant değişkenlerin etkisinden arındırılarak elde edilir ve gruplar arası gerçek farkların yorumlanmasına yardımcı olur. 🎯 Amaç Tahmini marjinal ortalamalar (Estimated Marginal Means, EMM), modeldeki bağımsız değişkenlerin farklı düzeyleri için b

SPSS’in GLM (General Linear Model)  analizinde yer alan Save  sekmesi, modelin ürettiği tahmini değerleri, artık (residual) değerleri ve tanısal istatistikleri veri setine yeni değişkenler olarak kaydetmeye yarar. Bu kayıt işlemi, modelin geçerliliğini test etmek, varsayımları incelemek ve ileri analizler yapmak açısından kritik öneme sahiptir. 🔹 Predicted Values (Tahmin Edilen Değerler) Modelin bağımlı değişken için her bir gözlemde tahmin ettiği değerleri temsil eder. Bu d

SPSS’te UNIANOVA  komutu (General Linear Model – Univariate Analysis of Variance), kullanıcıların menü arayüzünün ötesine geçerek istatistiksel modeli doğrudan syntax komutlarıyla yapılandırmasına olanak tanır. Bu komut, alt komutlar (subcommands)  aracılığıyla modelin yapısını, test türlerini, kontrastları, hata terimlerini, tahminleri ve çıktıları detaylı biçimde özelleştirmeye imkân verir. Aşağıda UNIANOVA komutunun tüm ek özellikleri, doğrudan sistem verilerine dayalı ola

GLM (General Linear Model) analizinde Options  sekmesi, model çıktısında hangi istatistiksel bilgilerin üretileceğini belirler. Bu seçenekler, sabit etkiler modeli (fixed-effects model)  esas alınarak hesaplanır. 📊 1. “Display” Bölümü – Görüntülenecek İstatistikler Bu kısım, model çıktısına hangi tabloların ekleneceğini belirler. ✅ Descriptive statistics: Tüm hücrelerdeki bağımlı değişkenlerin gözlenen ortalama, standart sapma ve örneklem sayısını (N) gösterir. ✅ Estimates o

GLM Post Hoc Comparisons  (Çoklu Karşılaştırmalar), ortalamalar arasında anlamlı farklar bulunduğu belirlendikten sonra hangi gruplar arasında fark olduğunu ortaya koymak için kullanılır. Bu testler, sabit denekler arası faktörler (fixed between-subjects factors)  üzerinde çalışır. GLM Repeated Measures analizinde, eğer modelde denekler arası faktör yoksa post hoc testler uygulanmaz. GLM Multivariate analizinde ise her bağımlı değişken için post hoc testler ayrı ayrı yürütülü

SPSS’te UNIANOVA  komutu, “General Linear Model → Univariate” analizinin sözdizimi (syntax) eşdeğeridir. Bu komut, grafiksel arayüzde yapılamayan gelişmiş tanımlamalar ve testlerin uygulanmasına izin verir. Aşağıda, UNIANOVA’nın desteklediği ek komut alt seçenekleri (subcommand) özetlenmiştir: 🔹 DESIGN Modelde iç içe geçmiş etkileri (nested effects)  tanımlamak için kullanılır. Örneğin bir değişkenin belirli bir faktörün düzeyleri içinde tanımlı olduğu hiyerarşik modellerde