İkili Korelasyon Analizi Nedir? Neden Yapılır? (Bivariate Correlations)

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 coefficient): İki sürekli değişken arasındaki doğrusal ilişkiyi ölçer.

  Değer aralığı –1 ile +1 arasındadır.

  +1 → pozitif doğrusal ilişki,

  –1 → negatif doğrusal ilişki,

  0 → doğrusal ilişki yoktur.

• Spearman Sıra Korelasyonu (Spearman’s rho): Verilerin sıralı (ordinal) ya da normal dağılmadığı durumlarda kullanılır. Değişkenlerin sıra düzenine göre ilişki gücünü değerlendirir.

• Kendall Tau-b Katsayısı (Kendall’s tau-b): Sıralı verilerdeki ilişkiyi ölçen bir başka yöntemdir. Özellikle küçük örneklemlerde Spearman’a göre daha tutarlıdır.

Akademik Danışmanlık

Akademik Tez Yazım Danışmanlığı

Hizmeti İncele

🧠 2. Uygulama Öncesi Dikkat Edilmesi Gerekenler

Korelasyon analizi yapmadan önce veriler dikkatlice incelenmelidir:

• Uç değerlerin (outliers) varlığı kontrol edilmelidir, çünkü bu değerler ilişkiyi olduğundan güçlü ya da zayıf gösterebilir.

• Değişkenler arasında doğrusal (linear) bir ilişki olup olmadığı saçılım grafiği (scatterplot) ile kontrol edilmelidir.

• Pearson katsayısı, yalnızca doğrusal ilişki için uygundur; eğer ilişki eğrisel (curvilinear) ise bu test yanıltıcı olur.

🏀 3. Uygulama Örneği

Bir basketbol araştırmasında, takımların bir sezonda kazandığı maç sayısı ile maç başına attıkları ortalama sayı arasında ilişki olup olmadığı araştırılmıştır.

• Sonuçlara göre, iki değişken arasında pozitif bir ilişki bulunmuştur: Pearson korelasyon katsayısı 0.581 olup %1 anlamlılık düzeyinde (p<0.01) anlamlıdır.

• Ayrıca, bir sezonda daha fazla maç kazanan takımların, rakiplerinin daha az sayı attığı görülmüştür. Bu iki değişken arasında negatif ilişki bulunmuştur: Pearson korelasyon katsayısı –0.401 olup %5 anlamlılık düzeyinde (p<0.05) anlamlıdır.

Bu sonuçlar, korelasyonun nedensellik (cause–effect) göstermediğini hatırlatır. Yani, iki değişken ilişkili olabilir ama biri diğerine neden olmaz.

⚙️ 4. SPSS’te Analiz Adımları

1. Menüden Analyze → Correlate → Bivariate... yolunu izleyin.

   

2. Analize dahil edilecek iki veya daha fazla sayısal (numeric) değişkeni seçin.

   

3. “Correlation Coefficients” alanından istediğiniz katsayı türünü işaretleyin:

   • Pearson → sürekli ve normal dağılmış veriler için,

   • Spearman veya Kendall → sıralı ya da normal dağılmayan veriler için.

4. “Test of Significance” alanından anlamlılık düzeyini belirleyin:

   • Two-tailed (çift yönlü) test: ilişki yönü önceden bilinmiyorsa,

   • One-tailed (tek yönlü) test: ilişkinin yönü önceden tahmin ediliyorsa.

5. “Flag significant correlations” seçeneğini işaretleyin.

   • %5 anlamlılık düzeyinde tek yıldız (*),

   • %1 düzeyinde çift yıldız (**) eklenir.

📈 5. Sonuçların Yorumlanması

Korelasyon Katsayısı	İlişki Düzeyi	Açıklama
0.00 – 0.19	Çok zayıf	Pratikte ilişki yok denebilir
0.20 – 0.39	Zayıf	Zayıf doğrusal ilişki
0.40 – 0.59	Orta	Orta düzeyde doğrusal ilişki
0.60 – 0.79	Güçlü	Belirgin doğrusal ilişki
0.80 – 1.00	Çok güçlü	Neredeyse tam doğrusal ilişki

🔍 6. Veri Türlerine Göre Uygun Korelasyon

Değişken Türü	Uygun Korelasyon Katsayısı
Sürekli – Sürekli (ölçek/ölçek)	Pearson
Sıralı – Sıralı (ordinal/ordinal)	Spearman veya Kendall
Sürekli – Sıralı	Spearman

⚠️ 7. Yorumlama Uyarıları

• Korelasyon nedensellik kanıtı değildir. Yani “X arttığında Y de artıyor” sonucu, X’in Y’ye neden olduğunu göstermez.

• Verilerdeki aşırı uç değerler sonucu bozabilir.

• Korelasyon değeri yüksek olsa bile, örneklem büyüklüğü küçükse sonuç güvenilir olmayabilir.

📘 Özetle

SPSS’te İkili Korelasyon Analizi, iki değişken arasındaki ilişkinin gücünü ve yönünü anlamamızı sağlar. Pearson, Spearman ve Kendall katsayıları sayesinde farklı veri türleri için en uygun ilişki ölçümü yapılabilir. Analizden önce uç değerler ve doğrusal ilişki varsayımı mutlaka kontrol edilmelidir.