Psikolojide İleri İstatistik Yöntemlere Genel Bakış

Lisansüstü psikolojide ileri istatistik, çoğunlukla tek bir teknik öğrenmek değil, araştırma sorusunun yapısına uygun modeli seçmektir. Bağımlı değişkenin ölçüm düzeyi, bağımsız değişkenlerin sayısı ve türü, verinin yuvalanmış (hiyerarşik) olup olmadığı, ölçümlerin tekrarlanıp tekrarlanmadığı ve gizil (latent) yapıların işin içine girip girmediği, hangi yöntemin uygun olduğunu belirler. Bu yazıda çoklu regresyondan yapısal eşitlik modellemesine, aracılık ve düzenleyici analizden çok düzeyli modellere kadar temel ötesi yöntemleri kavramsal olarak ele alıyoruz; amacımız her tekniğin matematiğini değil, ne zaman, neden ve hangi varsayımlarla kullanıldığını netleştirmektir.

Güncellik ve sorumluluk reddi: Son güncelleme 24 Haziran 2026. Bu içerik lisansüstü düzeyde bilgilendirme amaçlıdır; tez danışmanınızın ya da bir biyoistatistik uzmanının yönlendirmesinin yerine geçmez. Yöntemlerin varsayımları, uyum ölçütü eşikleri ve yazılım uygulamaları kaynaklara ve sürümlere göre değişebilir; somut bir analizde uygulayacağınız ölçütleri güncel metodoloji literatüründen teyit edin. Yöntemsel bir karar tezinizi etkiliyorsa danışmanınıza danışın.

Anahtar nokta: "Hangi yöntem" sorusunun cevabı modaya değil veri yapısına bağlıdır. Sürekli bir sonucu birden çok yordayıcıyla açıklıyorsanız çoklu regresyon; sonuç ikili ise lojistik regresyon; gözlemler bireyler ya da gruplar içinde yuvalanmışsa çok düzeyli model; gizil yapılar ve ölçme hatası modellenecekse yapısal eşitlik modellemesi öne çıkar. Yöntemi soru belirler, soruyu yöntem değil.

Temelden ileriye geçerken zihinsel çerçeve

Lisans düzeyi istatistik genellikle t testi, tek yönlü ANOVA ve Pearson korelasyonu etrafında döner. İleri yöntemler bu temeli üç yönde genişletir: aynı anda birden çok yordayıcıyı modele almak, ilişkilerin yönünü ve mekanizmasını sınamak ve verinin gerçek yapısını (yuvalanma, tekrarlı ölçüm, gizil değişkenler) modele yansıtmak. Bir yöntemi seçmeden önce şu üç soruyu yanıtlamak çoğu kararı netleştirir:

• Bağımlı değişken hangi ölçüm düzeyinde? Sürekli ise regresyon ve ANOVA ailesi; ikili/kategorik ise lojistik regresyon; sayım ise Poisson/negatif binom regresyonu gündeme gelir.
• Veri yapısı düz mü yuvalanmış mı? Öğrenciler sınıflar, hastalar terapistler, ölçümler bireyler içinde yer alıyorsa gözlemler bağımsız değildir ve çok düzeyli model gerekir.
• Gizil yapı var mı? Kaygı, öz yeterlik gibi doğrudan ölçülemeyen yapıları birden çok gösterge üzerinden modelliyor ve ölçme hatasını hesaba katmak istiyorsanız yapısal eşitlik modellemesi uygundur.

Bir başka örtük ayrım amacın açıklama mı (ilişkinin kuramsal yapısını anlamak) yoksa yordama mı (isabetli tahmin) olduğudur; psikolojik araştırmanın büyük kısmı açıklama odaklıdır ve kuramsal gerekçeyi istatistiksel anlamlılığın önüne koymayı gerektirir.

Çoklu doğrusal regresyon ve varsayımları

Çoklu doğrusal regresyon, sürekli bir bağımlı değişkeni iki veya daha fazla yordayıcıyla doğrusal modelleyen yöntemdir. Her yordayıcının kısmi (parsiyel) katsayısı, diğerleri sabit tutulduğunda o değişkenin sonuçla ilişkisini verir. Bu "diğerleri sabitken" yorumu yöntemin temel gücü, aynı zamanda en sık yanlış yorumlanan yönüdür.

Karşılanması gereken varsayımlar

Çıkarımsal geçerlilik bir dizi varsayıma dayanır:

• Doğrusallık: Yordayıcılar ile sonuç arasındaki ilişki doğrusaldır; eğrisel ilişkiler dönüşüm veya polinom terimlerle ele alınır.
• Artıkların bağımsızlığı: Gözlemler bağımsızdır; yuvalanmış veride çiğnenir ve çok düzeyli modele geçilir.
• Eş varyans (homoskedastisite): Artıkların varyansı yordanan değer boyunca sabittir; huni biçimli saçılım ihlale işaret eder.
• Artıkların normalliği: Hata terimleri yaklaşık normal dağılır; bu özellikle çıkarım (güven aralıkları, p değerleri) için önemlidir.
• Çoklu bağlantısızlık (multikollinearite olmaması): Yordayıcılar aşırı ilişkili olmamalıdır; VIF ve tolerans değerleriyle denetlenir.

Sık yapılan hatalar

En yaygın hata, yüksek çoklu bağlantı durumunda tekil katsayıları yorumlamaktır; bu durumda katsayılar kararsızlaşır ve işaret değiştirebilir. Aykırı ve etkili gözlemlerin (örneğin Cook uzaklığı yüksek noktaların) denetlenmemesi ile adımsal (stepwise) değişken seçimine kuramsal gerekçe olmadan güvenmek de sıktır; ikincisi örneklemden örnekleme oynak ve veriye aşırı uyarlanmış modeller üretebilir.

Lojistik regresyon: kategorik sonuçlar

Bağımlı değişken ikili olduğunda (örneğin tedaviye yanıt var/yok) doğrusal regresyon uygun değildir; çünkü olasılıkları 0-1 aralığında tutamaz ve hata terimi varsayımlarını karşılamaz. İkili lojistik regresyon, sonucun logit dönüşümünü (log-odds) yordayıcıların doğrusal bir bileşimiyle modelleyerek bu sorunu çözer.

Katsayılar log-odds ölçeğindedir; üslü hale getirildiğinde (exp(b)) olasılık oranı (odds ratio) elde edilir. Olasılık oranı 1'den büyükse yordayıcı sonucun olma bahsini artırır, 1'den küçükse azaltır; bu değeri mutlak risk veya yüzde olasılıkla karıştırmamak gerekir. Sonuç ikiden fazla kategori içeriyorsa multinomial, kategoriler sıralı ise ordinal lojistik regresyon kullanılır. Yöntemin kendi varsayımları vardır: yordayıcılar ile log-odds arasındaki ilişkinin doğrusallığı, gözlem bağımsızlığı ve aşırı çoklu bağlantı olmaması. Az sayıda olay (nadir sonuçlar) modeli kararsızlaştırdığı için yordayıcı başına yeterli olay önerilir.

ANOVA, ANCOVA ve MANOVA ailesi

Varyans analizi ailesi, kategorik bağımsız değişkenlerin (gruplar, koşullar) sürekli bir sonuç üzerindeki etkisini inceler. Bu yöntemler genel doğrusal modelin özel halleridir; ANOVA, kategorik yordayıcılı bir regresyon olarak da görülebilir.

• ANOVA (varyans analizi): Bir veya daha fazla kategorik faktörün tek bir sürekli sonuç üzerindeki etkisini sınar. İki yönlü ANOVA ayrıca etkileşimi, yani bir faktörün etkisinin diğer faktörün düzeyine göre değişip değişmediğini test eder.
• ANCOVA (kovaryans analizi): ANOVA'ya sürekli kovaryat ekler; kovaryatın etkisini istatistiksel kontrol ederek grup etkisini daha duyarlı tahmin eder. Ön test puanını kovaryat almak yaygındır.
• MANOVA (çok değişkenli varyans analizi): Birden çok ilişkili sürekli sonucu birlikte analiz eder ve doğrusal bileşim üzerinden grup farkını test eder; ayrı ANOVA'lara kıyasla birinci tür hata enflasyonunu sınırlamaya yardımcı olabilir.

ANOVA ailesi bağımsızlık, normallik ve varyans homojenliği (Levene testi) varsayımlarına dayanır; MANOVA ek olarak varyans-kovaryans matrislerinin homojenliğini (Box M) varsayar. ANCOVA'da kritik varsayım, kovaryat ile grup arasında etkileşim olmaması, yani regresyon eğimlerinin homojenliğidir; çiğnenirse kovaryat ayarlaması yanıltıcı olur. Sık bir hata, anlamlı omnibus F testinden sonra uygun çoklu karşılaştırma düzeltmesi (Tukey, Bonferroni) yapmadan ikili karşılaştırmalara geçmektir.

Aracılık ve düzenleyici analiz

Psikolojik kuram çoğu zaman "X, Y'yi etkiler" demekle yetinmez; "X, Y'yi nasıl ve hangi koşulda etkiler" sorusunu sorar. Aracılık (mediation) "nasıl", düzenleyici (moderation) "hangi koşulda" sorusunu yanıtlar; bu iki kavramı karıştırmamak ileri analizde temel bir gerekliliktir.

Aracılık (mediation)

Aracılık, bağımsız değişkenin (X) sonuç (Y) üzerindeki etkisinin bir aracı değişken (M) üzerinden aktarıldığı durumdur. Örneğin algılanan stresin uyku kalitesini ruminasyon üzerinden etkilemesi bir aracılık örüntüsüdür; toplam etki, doğrudan etki ile dolaylı etkinin (X→M→Y) toplamıdır. Çağdaş yaklaşım, klasik adımsal yöntem yerine dolaylı etkiyi doğrudan tahmin etmeyi ve önyükleme (bootstrap) ile güven aralığı kurmayı önerir; bootstrap güven aralığı sıfırı içermiyorsa dolaylı etki destek bulur. Önemli bir uyarı: aracılık örüntüsü neden-sonuç yönünü kanıtlamaz; kesitsel veride zamansal öncelik olmadığı için yorumda ihtiyat gerekir.

Düzenleyici analiz (moderation)

Düzenleyici analizde, X'in Y üzerindeki etkisinin gücü veya yönü üçüncü bir değişkene (W) göre değişir; bu, X ile W'nin etkileşim teriminin anlamlılığıyla sınanır. Örneğin sosyal desteğin, stres ile depresyon arasındaki ilişkiyi zayıflatması (tampon etkisi) bir düzenleyici örüntüdür. Sürekli yordayıcılarla etkileşim modellenirken değişkenleri ortalamadan merkezleme (mean centering), katsayı yorumunu kolaylaştırır ve yapay çoklu bağlantıyı azaltmaya yardımcı olur. Anlamlı etkileşimde, etkiyi basit eğimler (simple slopes) ile yordayıcının farklı düzeylerinde çözümlemek standart uygulamadır.

PROCESS ve birleşik modeller

Aracılık ve düzenleyiciyi birleştiren düzenlenmiş aracılık (moderated mediation) ve aracılı düzenleyici (mediated moderation) modelleri yaygındır ve bunlar için sıklıkla PROCESS makrosu (SPSS ve R için Hayes'in eklentisi) kullanılır; çok sayıda hazır şablon sunar ve dolaylı etkiler için bootstrap güven aralıkları üretir. PROCESS gözlenen değişkenlerle (ölçme hatasını ayrı modellemeden) çalışır; gizil değişkenlerle ve ölçme hatasını hesaba katarak aracılık kurmak istendiğinde yapısal eşitlik modellemesi daha uygundur.

Yapısal eşitlik modellemesi (SEM)

Yapısal eşitlik modellemesi, gizil (gözlenemeyen) değişkenler arasındaki ilişkileri, bunları ölçen göstergelerle birlikte tek bir kuramsal modelde sınayan kapsayıcı bir çerçevedir. En güçlü yanı, ölçme hatasını açıkça modellemesi ve çoklu bağımlı ilişkileri eşzamanlı tahmin edebilmesidir.

Ölçme modeli ve yapısal model

Bir SEM iki bileşenden oluşur:

• Ölçme modeli: Gizil yapıların gözlenen göstergelerle (maddeler, alt ölçekler) nasıl ilişkilendiğini tanımlar; bu, kuramsal faktör yapısını veriyle sınayan doğrulayıcı faktör analizine (DFA) karşılık gelir.
• Yapısal model: Gizil yapılar arasındaki yönlü ilişkileri (regresyon benzeri yollar) tanımlar. Yapısal modeli yorumlamadan önce ölçme modelinin yeterli uyum verdiğinden emin olmak, iki aşamalı yaklaşımın temelidir.

Uyum indeksleri

SEM'de tek bir test yerine birden çok uyum ölçütü birlikte değerlendirilir. Ki-kare testi modelin uyumunu sınar, ancak büyük örneklemde aşırı duyarlı olduğu için tek başına yeterli sayılmaz. Bu nedenle yaklaşık uyum indeksleri kullanılır: CFI ve TLI (karşılaştırmalı uyum, yüksek değerler iyi uyuma işaret eder), RMSEA (güven aralığıyla raporlanır) ve SRMR (standartlaştırılmış artık). Bu indekslerin "kabul edilebilir" eşikleri yaklaşık değerlerdir ve mutlak kesim noktası gibi kullanılmaları eleştirilir; eşikleri güncel metodoloji kaynaklarıyla ve modelin kuramsal makullüğüyle birlikte değerlendirin. Doğrulayıcı faktör analizi, yol analizi, gizil büyüme eğrisi modelleri ve gizil değişkenli aracılık modelleri de bu çatının özel halleridir; SEM bu yönüyle daha basit yöntemleri kapsayan birleştirici bir çerçevedir.

Çok düzeyli (hiyerarşik) modeller

Psikolojik veriler sıklıkla yuvalanmıştır: öğrenciler sınıflar içinde, hastalar terapistler içinde, günlük ölçümler bireyler içinde yer alır. Bu yapı, aynı üst birime ait gözlemlerin birbirine benzeme eğilimi (grup içi bağımlılık) yaratır ve klasik regresyonun bağımsızlık varsayımını çiğner; bu bağımlılığı yok saymak standart hataları küçültür ve birinci tür hata oranını şişirir.

Çok düzeyli model (hiyerarşik doğrusal model, karışık etkili model olarak da anılır) bu bağımlılığı modele dahil eder. Sabit etkiler (fixed effects) tüm örneklem için ortalama ilişkileri verirken, rastgele etkiler (random effects) bu ilişkilerin üst birimler arasında nasıl değiştiğini yakalar: rastgele kesişimler (her grubun farklı başlangıç düzeyi) ve rastgele eğimler (yordayıcı etkisinin gruplar arasında değişmesi). Yuvalanmanın modeli gerektirip gerektirmediğini değerlendirmek için grup içi korelasyon katsayısı (ICC), yani toplam varyansın ne kadarının gruplar arası farktan geldiği hesaplanır; ICC ihmal edilemeyecek düzeydeyse çok düzeyli model uygundur. Tekrarlı ölçümler de bir yuvalanma biçimidir; ölçümler birey içinde yuvalandığı için çok düzeyli model, klasik tekrarlı ölçüm ANOVA'sına kıyasla eksik veriye ve düzensiz ölçüm zamanlarına daha esnek bir çözüm sunar.

Tekrarlı ölçüm ve boylamsal veri

Aynı katılımcıların birden çok kez ölçüldüğü desenlerde gözlemler bağımsız değildir. Tekrarlı ölçüm ANOVA bu desende klasik bir seçenektir, ancak küresellik (sphericity) varsayımına dayanır; çiğnendiğinde Greenhouse-Geisser gibi düzeltmeler uygulanır. Bu yöntem ayrıca eksik gözlem içeren katılımcıları genellikle dışlar ve eşit aralıklı ölçüm zamanları varsayar. Bu kısıtlar nedeniyle boylamsal veride çok düzeyli model ve gizil büyüme eğrisi modelleri sıklıkla tercih edilir; bireysel değişim yörüngelerini (her kişinin kendi başlangıç düzeyi ve değişim hızı) modellemeye, dengesiz ve eksik veriyle çalışmaya ve zamana bağlı yordayıcı eklemeye olanak tanır.

Güç analizi, örneklem ve etki büyüklüğü

İleri analizlerin geçerliliği yöntem seçimi kadar tasarımın istatistiksel gücüne bağlıdır. Güç, gerçek bir etki varken onu saptayabilme olasılığıdır ve örneklem büyüklüğü, beklenen etki büyüklüğü ve anlamlılık düzeyiyle birlikte belirlenir.

Öncel güç analizi

Veri toplamadan önce yapılan öncel (a priori) güç analizi, beklenen etki büyüklüğü ve hedef güç (yaygın olarak .80) için gereken örneklemi hesaplar. G*Power, t testi, ANOVA, korelasyon ve regresyon gibi birçok desen için bu hesabı yapan yaygın bir araçtır; çok düzeyli model ve SEM gibi karmaşık modellerde güç sıklıkla Monte Carlo benzetimiyle kestirilir. Çalışma sonrası (post hoc) gözlenen etkiye dayalı "gözlenen güç" hesabı önerilmez; p değeriyle birebir bağlı olduğu için yeni bilgi taşımaz.

Etki büyüklüğü vurgusu

İstatistiksel anlamlılık etkinin varlığına işaret eder ama büyüklüğünü söylemez; üstelik p değeri örneklem büyüklüğüne duyarlıdır. Bu nedenle çağdaş raporlama etki büyüklüklerini ve güven aralıklarını standart hale getirir: ortalama farkları için Cohen d, varyans analizinde (kısmi) eta kare, regresyonda R kare ve f kare. Sonucun pratik ve kuramsal önemini, yani "anlamlı ama küçük" ile "anlamlı ve büyük" sonuçları ayırmak yalnızca etki büyüklüğüyle mümkündür.

Eksik veri: silme mi atama mı

Eksik veri psikolojik araştırmada kuraldır; nasıl ele alındığı sonuçları doğrudan etkiler. Kavramsal başlangıç noktası eksikliğin mekanizmasıdır: tamamen rastgele eksiklik (MCAR), rastgele eksiklik (MAR, eksiklik gözlenen değişkenlerle açıklanabilir) ve rastgele olmayan eksiklik (MNAR, eksiklik gözlenemeyen değerin kendisine bağlı).

• Liste bazında silme (listwise deletion): Herhangi bir değişkende eksiği olan katılımcıyı tümüyle dışlar. MCAR altında yansız olabilir ama güç kaybına yol açar ve MAR altında yanlı sonuç üretebilir.
• Çoklu atama (multiple imputation): Eksik değerleri gözlenen veriye dayalı dağılımdan birden çok kez doldurur, her seti ayrı analiz eder ve sonuçları Rubin kurallarıyla birleştirir; atamanın belirsizliğini hesaba kattığı için tek değerle doldurmaya kıyasla daha sağlam çıkarım sağlar.
• Tam bilgi en çok olabilirlik (FIML): Özellikle SEM bağlamında eksik veriyi atama yapmadan doğrudan kestirimde kullanır ve MAR altında etkin sonuç verir.

Ortalamayla doldurma gibi tek atama yöntemleri varyansı yapay olarak küçülttüğü için genellikle önerilmez. Eksik veri yaklaşımının ve mekanizma varsayımının raporlanması şeffaf bir analiz için gereklidir.

Yazılım ortamları

Analizin yürütüleceği ortam da bir karardır; seçim yöntemin geçerliliğini değil, tekrarlanabilirliği ve esnekliği etkiler.

• SPSS: Menü tabanlı arayüzüyle yaygındır; regresyon, ANOVA ailesi, lojistik regresyon ve PROCESS makrosuyla aracılık/düzenleyici analiz için sık kullanılır.
• Jamovi: Açık kaynak ve ücretsizdir; SPSS'e benzer sezgisel bir arayüzle birçok ileri modülü (ANOVA, regresyon, faktör analizi) barındırır.
• R: Açık kaynak programlama ortamıdır; çok düzeyli modeller, SEM (örneğin lavaan paketi), bootstrap, benzetimle güç analizi ve esnek eksik veri yöntemleri için geniş paket ekosistemi sunar ve tekrarlanabilir betiklere elverişlidir.
• Mplus: Karmaşık SEM, çok düzeyli SEM, gizil sınıf/karışım ve gizil büyüme modelleri için yoğun kullanılan özelleşmiş bir yazılımdır.

Hangi yöntem ne zaman

Aşağıdaki özet kaba bir yön sunar; nihai seçim tasarımın ayrıntılarına ve danışman yönlendirmesine bağlıdır.

Yaygın hatalar

İleri yöntemlerde tekrar eden bazı hatalar sonuçların geçerliliğini doğrudan tehdit eder: varsayımları (doğrusallık, eş varyans, normallik, bağımsızlık) sınamadan model yorumlamak; yuvalanmış veriyi düz regresyonla analiz edip sahte anlamlılık üretmek; aracılık ile düzenleyiciyi (dolaylı etki ile etkileşimi) karıştırmak; yalnızca p değerine dayanıp etki büyüklüğünü ve güven aralığını raporlamamak; çok sayıda test çalıştırıp çoklu karşılaştırmayı düzeltmemek; SEM uyum kesim noktalarını kuramsal makullükten bağımsız katı eşikler gibi kullanmak; ve kesitsel veriden, aracılık örüntüsünü neden-sonuç kanıtı gibi sunarak nedensellik çıkarmak.

İlgili yazılar

• Psikolojide istatistik nasıl çalışılır?

Konuyu akademik kariyer bağlamında bütünlüklü görmek isterseniz, psikoloji akademisyeni rehberine göz atabilirsiniz.