Akademik Araştırmalarda İstatistiksel Veri Analizi Nasıl Yapılır?

Bu Rehberde Neler Var?

• Verinin Anatomisi: Normallik ve Çarpıklık Testleri
• Test Tercihleri ve Değişken İlişkileri
• p-Değeri Fetişizmi ve Etki Büyüklüğü (Effect Size)
• Akademik Şeffaflık ve HARKing Problemi

Bir araştırmacı haftalarca sahada kalıp kusursuz veriler toplamış olabilir, anket formları binlerce kişiye ulaşmış veya laboratuvar deneyleri titizlikle yürütülmüş olabilir. Ancak toplanan bu ham veri yığını, doğru istatistiksel prosedürlerden geçirilmediği sürece bilimsel bir anlam taşımaz. Ne yazık ki pek çok lisansüstü öğrenci ve genç araştırmacı, veri setini SPSS veya R gibi yazılımlara yükleyip rastgele tuşlara basarak ekranın bir köşesinde o meşhur "0.05" değerinin belirmesini umut eder. Literatürde "veri işkencesi" (data torturing) olarak bilinen bu durum, bulguların geçerliliğini temelden sarsar.

Gerçek bir akademik analizin amacı p-değerini küçültmek değil, verinin doğasına uygun matematiksel modeli seçerek gerçeği en az hata payıyla modellemektir. Bir veri setinin hikayesini doğru okumak, hangi istatistiksel testin uygulanacağına karar vermekle başlar.

Verinin Anatomisi: Normallik ve Çarpıklık Testleri

İstatistiksel testler temelde iki büyük aileye ayrılır: Parametrik ve Non-Parametrik testler. Hangi aileyi seçeceğinizi belirleyen en kritik unsur verinizin dağılım şeklidir. İnsanların boy uzunluğu, zeka seviyesi veya hata payları gibi evrensel olguların büyük çoğunluğu "Çan Eğrisi" olarak bildiğimiz normal dağılım eğilimi gösterir. Parametrik testlerin tamamı, elinizdeki verinin bu çan eğrisine uyduğunu varsayarak işlem yapar.

Verinizin normal dağılıp dağılmadığını göz kararıyla bilemezsiniz. Bunun için Kolmogorov-Smirnov (örneklem büyüklüğü genelde 50'den büyükse) veya Shapiro-Wilk (daha küçük örneklemler için) testleri kullanılır. Ayrıca Skewness (Çarpıklık) ve Kurtosis (Basıklık) değerlerinin genellikle -1.5 ile +1.5 aralığında olması beklenir. Eğer veriniz aşırı sağa veya sola çarpıksa (örneğin gelir dağılımı verileri genellikle çok yüksek gelirli küçük bir zümre yüzünden sağa çarpıktır), parametrik test kullanamazsınız.

Test Tercihleri ve Değişken İlişkileri

Dağılımın doğasını anladıktan sonraki adım, araştırma sorunuzun (hipotezinizin) yapısına uygun aracı seçmektir. Karşılaştırma mı yapıyorsunuz yoksa ilişki mi arıyorsunuz? Bağımsız değişkeninizin kaç alt kategorisi var?

"Bir araştırmacı, Cinsiyet (Kadın/Erkek) değişkeni üzerinden maaş ortalamalarını karşılaştıracaksa ve veri normal dağılıyorsa Bağımsız Örneklemler T-Testi (Independent Samples T-Test) uygular. Ancak aynı veride normallik varsayımı ihlal edilmişse, bu testin non-parametrik karşılığı olan Mann-Whitney U testine geçiş yapmak zorundadır."

Eğer karşılaştırdığınız grup sayısı ikiden fazlaysa (örneğin Eğitim Durumu: Lise, Lisans, Yüksek Lisans), T-Testi kullanamazsınız. Bu durumda tek yönlü varyans analizi olan ANOVA (normal dağılıyorsa) veya Kruskal-Wallis H (normal dağılmıyorsa) testleri devreye girer.

p-Değeri Fetişizmi ve Etki Büyüklüğü (Effect Size)

Modern akademinin en çok eleştirilen noktalarından biri, p < 0.05 sınırına duyulan saplantıdır. Bir sonucun istatistiksel olarak "anlamlı" çıkması (p değerinin 0.05'ten küçük olması), o bulgunun gerçek dünyada "önemli" olduğu anlamına gelmez. Eğer örnekleminiz çok büyükse (örneğin 10.000 kişi), iki grup arasındaki mikroskobik ve önemsiz bir fark bile istatistiksel olarak anlamlı çıkacaktır.

Bu yanılgıyı kırmak için American Psychological Association (APA), sadece p-değerinin değil, mutlaka Etki Büyüklüğünün (Effect Size) de raporlanmasını şart koşar. Cohen's d veya Eta-kare (η²) gibi değerler bize, bulduğumuz o anlamlı farkın pratikte ne kadar büyük bir etki yarattığını gösterir. P-değeri bize farkın şans eseri olup olmadığını söylerken; etki büyüklüğü bu farkın dikkate alınmaya değer olup olmadığını haykırır.

Akademik Şeffaflık ve HARKing Problemi

Analiz süreçlerinde düşülen en büyük etik hatalardan biri, önce veriyi analiz edip ardından sadece "anlamlı çıkan" sonuçlara göre hipotez uydurmaktır. Literatürde buna HARKing (Hypothesizing After the Results are Known) adı verilir. Gerçek bir bilimsel analiz süreci tümdengelimseldir; hipotez araştırmadan önce literatür ışığında kurulur ve analiz sadece o hipotezin reddedilip reddedilemediğini test eder.

Tablolarınızı Word veya LaTeX formatına aktarırken APA 7 standartlarına sıkı sıkıya bağlı kalmanız, verinin karmaşıklığını okuyucu için sadeleştirir. Sayısız ondalık basamak yerine virgülden sonraki iki veya üç basamağı kullanmak, standart sapma (SD) ve ortalama (M) değerlerini net bir şekilde belirtmek, bulguların güvenirliğini artırır. Araştırmacının hüneri, kullandığı istatistiksel programın menülerini ezbere bilmesi değil, o menülerden çıkan sayıların arkasındaki sosyolojik veya fenolojik hikayeyi bilimsel sınırlar içinde okuyabilmesidir.