Doğrusal modeller (Linear Models) , bir veya birden fazla bağımsız değişken (predictor) ile sürekli bir bağımlı değişken (target) arasındaki doğrusal ilişkiyi  kullanarak tahmin yapan en klasik istatistiksel modelleme yöntemidir. Bu yöntem, basitliği ve yorumlanabilirliği sayesinde hem akademik araştırmalarda hem de uygulamalı veri analizlerinde en sık kullanılan yaklaşımlardan biridir. 🔸 Doğrusal Modelin Temel Amacı Amaç, hedef değişkenin (örneğin maliyet, süre, puan gibi s

SPSS’in PROXIMITIES  komutu, “Distances” analizinin ardındaki teknik altyapıyı temsil eder. Yani kullanıcı arayüzünde “Analyze > Correlate > Distances” yoluyla yaptığın her uzaklık veya benzerlik ölçümü, arka planda PROXIMITIES komutu  üzerinden yürütülür. Bu komut, SPSS’in komut diliyle çalışırken uzaklık hesaplamalarını daha ayrıntılı biçimde kontrol etme olanağı sunar. PROXIMITIES Komutu – Minkowski Gücü Belirtilmiş Örnek Açıklama: VARIABLES  → Uzaklığı hesaplanacak değişk

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

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

GLM Options penceresi, Genelleştirilmiş Lineer Model (GLM)  analizinde ek istatistiklerin ve varsayım kontrollerinin ayarlanmasını sağlar. Bu seçenekler, sabit etkiler (fixed-effects) modeline dayanarak hesaplanır ve hem modelin uygunluğunu hem de sonuçların güvenilirliğini değerlendirmek için kullanılır. 📊 Görüntülenecek İstatistikler (Display) Bu bölümde farklı istatistiksel çıktılar etkinleştirilebilir: Descriptive statistics: Her bağımlı değişken için gözlenen ortalamala

SPSS’te GLM Profile Plots (Profil Grafikler) , modeldeki marjinal ortalamaların (estimated marginal means) görsel olarak karşılaştırılması için kullanılan etkileşim grafikleridir. Her nokta, bağımlı değişkenin bir faktör düzeyindeki tahmini ortalama değerini gösterir. Kovaryantlar varsa, bu ortalamalar onların etkisine göre düzeltilmiş biçimde hesaplanır. 📈 Grafiklerin Temel Yapısı Profil grafiği, faktörlerin düzeylerine göre marjinal ortalamaların çizgi grafiği  şeklinde su