Korelasyon Analizi Nedir? SPSS Üzerinden Uygulama, Koşullar ve Yorumlama

Korelasyon analizi, istatistiksel araştırmalarda en sık kullanılan yöntemlerden biridir. Özellikle iki nicel değişkenin birlikte değişim yönünü ve derecesini incelemek isteyen araştırmacılar için güçlü bir araçtır.

Bu yazıda, korelasyon analizinin ne olduğunu, hangi durumlarda kullanılacağını, SPSS yazılımında nasıl uygulandığını ve elde edilen sonuçların nasıl yorumlanacağını adım adım açıklıyoruz.

🎯 Korelasyon Analizi Nedir?

Korelasyon, iki değişken arasındaki doğrusal ilişkinin yönünü ve gücünü ölçen bir istatistiksel yöntemdir.

En sık kullanılan türü Pearson korelasyonu (r)’dir ve bu katsayı –1 ile +1 arasında bir değer alır:

• r = +1: Kusursuz pozitif ilişki (bir değişken artarken diğeri de aynı oranda artar)

• r = 0: Hiçbir doğrusal ilişki yok

• r = –1: Kusursuz negatif ilişki (bir değişken artarken diğeri azalır)

Ancak burada önemli bir uyarı vardır:

Korelasyon nedensellik (sebep-sonuç) göstermez. Yani iki değişken birlikte değişiyor olabilir, ama biri diğerine neden oluyormuş gibi yorumlanmamalıdır.

⚙️ Korelasyon Analizinin Kullanım Koşulları

Korelasyon analizi her durumda uygulanmaz; doğru sonuç elde etmek için bazı varsayımların sağlanması gerekir.

Uygun koşullar:

1. Değişkenler nicel (sürekli) olmalıdır.

2. Veriler normal dağılıma yakın olmalıdır.

3. İlişki doğrusal olmalıdır. (Scatterplot grafiğinde yaklaşık düz bir çizgi formu görünmelidir.)

4. Aykırı değerler (outlier) analizi yapılmalıdır.

5. Bağımsız gözlemler bulunmalıdır.

Bu koşullar sağlanmıyorsa Spearman veya Kendall gibi parametrik olmayan korelasyon yöntemleri tercih edilir.

💻 SPSS’te Korelasyon Analizi Nasıl Yapılır?

Aşağıdaki adımlar, SPSS’te Pearson korelasyon analizi yapmak için izlenir:

1. Menü yolunu izleyin: Analyze → Correlate → Bivariate…

2. Değişkenleri seçin: Analiz etmek istediğiniz değişkenleri “Variables” alanına aktarın.

3. Ayarlar:

   • “Pearson” seçeneğini işaretleyin.

   • “Two-tailed” (çift yönlü) test tercih edin.

   • “Flag significant correlations” kutusunu işaretleyin.

4. OK’a basın ve SPSS otomatik olarak korelasyon matrisi tablosunu üretir.

5. (İsteğe bağlı) doğrusallık kontrolü için: Graphs → Chart Builder → Scatter/Dot → Simple ScatterX eksenine funding, Y eksenine disease ekleyin.

📊 Elde Edilen Sonuçların Yorumlanması

SPSS, analiz sonucunda bir korelasyon tablosu üretir. Bu tabloda genellikle üç temel bilgi bulunur:

• r (Correlation Coefficient): İlişkinin gücü

• Sig. (2-tailed): Anlamlılık düzeyi

• N: Örneklem sayısı

💡 Genel yorum ölçütleri (Cohen, 1988):

| |r| Değeri | İlişki Gücü |

|:----------------:|:----------------|

| 0.10 – 0.29 | Zayıf |

| 0.30 – 0.49 | Orta |

| ≥ 0.50 | Güçlü |

p < .05 ise ilişki istatistiksel olarak anlamlıdır.

🧪 Uygulama Örneği: Sağlık Fonlaması ve Hastalık Oranı Arasındaki İlişki

🔍 Korelasyon Analizi Sonuçlarının Yorumlanması

Değişkenler Arası İlişki	Korelasyon Katsayısı (r)	Anlamlılık (Sig. 2-tailed)	N	Yorum
Funding ↔ Disease	0.737**	0.000	50	Güçlü ve pozitif ilişki
Funding ↔ Visits	0.964**	0.000	50	Çok güçlü ve pozitif ilişki
Disease ↔ Visits	0.762**	0.000	50	Güçlü ve pozitif ilişki

Not: Tüm ilişkiler 0.01 düzeyinde anlamlıdır (p < .01).

🧩 Bulguların Yorumu

• Funding ↔ Disease (r = 0.737): Sağlık fonlaması arttıkça, raporlanan hastalık oranı da artmaktadır. Bu durum beklenen negatif yönün tersidir; ancak yüksek hastalık oranına sahip şehirlerin daha fazla kaynak aldığı gerçeğiyle açıklanabilir.

• Funding ↔ Visits (r = 0.964): Aradaki ilişki çok güçlüdür. Yani sağlık fonlamasındaki artış, sağlık kuruluşu ziyaret sıklığını belirgin şekilde artırmaktadır. Bu, sağlık yatırımlarının hizmet erişimini doğrudan güçlendirdiğini göstermektedir.

• Disease ↔ Visits (r = 0.762): Hastalık oranı yükseldikçe, sağlık kuruluşu ziyaret oranı da artmaktadır. Bu epidemiolojik olarak beklenen bir sonuçtur; artan hastalık yükü, sağlık hizmeti talebini artırır.

📊 Genel Değerlendirme

Tüm değişkenler arasında pozitif yönlü, güçlü ve anlamlı ilişkiler saptanmıştır. Bu bulgular, şehir düzeyinde sağlık fonlaması, hastalık yükü ve sağlık hizmeti kullanımının birbiriyle yüksek düzeyde bağlantılı olduğunu göstermektedir.

Ancak dikkat edilmelidir ki:

Korelasyon, nedensellik anlamına gelmez. Yani bu sonuçlar, fonlamanın doğrudan hastalık oranını artırdığı anlamına değil; yüksek hastalık oranlarının daha fazla fon çekmesi olasılığına işaret etmektedir.

🧭 Kritik Yorumlama Noktaları

Korelasyon analizini yorumlarken şu hatalardan kaçınmak gerekir:

1. “İlişki var” ≠ “sebep-sonuç ilişkisi var.”

2. Yüksek korelasyon, bazen üçüncü bir değişkenin (örneğin bölgesel etkenlerin) aracılığıyla oluşabilir.

3. Aykırı değerler korelasyonu aşırı büyütebilir veya küçültebilir.

4. r değeri sadece doğrusal ilişkiyi ölçer — eğrisel ilişkiler gözden kaçabilir.