SPSS 15.0 Kullanma Kılavuzu

SPSS 15.0 Kullanma Kılavuzu

15 Mayıs 2010 0 Yazar: Alıntı
1 Star2 Stars3 Stars4 Stars5 Stars (Oy verilmemiş. İlk oy veren olur musun?)
Loading...

Giriş

SPSS 15.0 Kullanma Kılavuzu
U. Erman Eymen
İstatistik Merkezi Yayın No: 1
Ekim 2007

Tüm hakları yazarına aittir. Kitap tüm sayfaları elektronik ortamda tescillenmiştir.

Kitabın içeriği, resimleri/logoları, yazar ve yayın bilgilerinde üzerinde değişiklik yapılamaz.

Kitap sayfa sınırlaması olmaksızın çoğaltılabilir. Kişisel web sitelerine ziyaretçilerin indirebilmeleri amacıyla yüklenebilir. Ancak hiçbir şekilde ticari amaçlarla kullanılamaz.

Kitabı yukarıda açıklanan kapsamın dışında kullananlar hakkında 5846 sayılı Fikir ve Sanat Eserleri Kanununun hükümleri doğrultusunda işlem başlatılacaktır.

Kaynak: www.istatistikmerkezi.com

istatistikmerkezi.com’dan indirilen .pdf formatındaki ekitap, İbrahim AY tarafından değiştirilmeksizin html’ye aktarılmıştır.

Genel Bakış

Bu kitap, bir istatistik ya da araştırma yöntemleri dersini desteklemek ya da yapılacak bir bilimsel araştırma verilerini analiz etmek için tek başına rehber olarak kullanılabilir. Kitapta kullanılan resim ve direktifler, SPSS’in 2007 yılında piyasaya sürülen 15.0 sürümünden alınmıştır. Kitapta pek çok araştırmacı tarafından zor olarak nitelendirilen istatistiksel analiz konusu basit bir dille anlatılmaya çalışılmıştır. Bunun için her bir açıklama sonrasında ilgili SPSS uygulamalarına ait sayfa görünümleri verilmiştir. SPSS yazılımı birkaç farklı bilgisayar dosyası ile birlikte çalışmaktadır: Veri dosyaları, çıktı dosyaları ve sözdizimi (sentaks) dosyaları. Veri dosyaları, kullanıcının istatistiksel olarak analiz etmeyi istediği bilgileri içeren bilgisayar dosyalarıdır. Çıktı dosyaları istatistiksel analizleri ve genellikle tabloları, grafikleri ve/veya çizelgeleri içerir. Sözdizimi dosyaları, SPSS yazılımına ne yapması gerektiğini söyleyen bilgisayar talimatlarıdır. Sözdizimi dosyaları, SPSS yazılımının öğrenci sürümünde kullanılmaz ve bu dosyalar kitabın 9. Bölümünde bir ileri uygulama olarak ele alınmıştır. SPSS’de veri dosyaları “.sav” çıktı dosyaları “.spo”, sözdizimi doyaları ise “.sps” uzantısına sahiptir.

Mevcut Veri Dosyalarının Açılması

Hâlihazırda sahip olduğunuz ya da edindiğiniz bir SPSS dosyasını açmak için, “File” mönüsünü sonra sırasıyla “Open” ve “Data” yı seçin.

FILE » OPEN » DATA

Diğer dosya türleri için, SPSS dışı dosya formatlarından veri almaya ilişkin kısma bakınız. Bu noktada, açmak istediğiniz veri dosyasının yerini belirlemek için disk sürücülerini (ya da ağ sürücülerini veya başka türde depolama aygıtlarını) taramanız gerekecektir.

Dosyanın yerini belirledikten sonra ya dosyanın üzerine çift tıklayın ya da bir kez tıklayıp “Open File” iletişim kutusunun sağ alt tarafındaki “Open” bölümüne basın. SPSS, veri dosyasını açacaktır ve bilgiler, çalışma sayfası formatında size sunulacaktır.

Bu ekranda “Veri Görünümü (Data View)” ve “Değişken Görünümü (Variable View)” olmak üzere iki farklı sekme göreceksiniz. Şimdi “Data View” sekmesini tıklayınız.

Şekilde de görüldüğü gibi sütunlarda Cinsiyet, Kardeş Sayısı, Gelir Düzeyi, Annenin Eğitim Durumu, Babanın Eğitim Durumu ve Anket Sorularından oluşan değişkenler, satırlarda ise bu değişkenlere her bir katılımcının verdiği cevaplar yer almaktadır. Daha açık bir ifade örneğin elinizde bir anket sonuçları varsa, her bir sütun bir soruyu, her bir satır ise bir katılımcıyı temsil edecektir. Bu kapsamda ilk cevaplayıcının verileri birinci satıra, ikinci cevaplayıcının verilerini ikinci satıra, daha sonraki cevaplayıcıların verilerini ise ilerleyen satırlara girmeniz gerekmektedir.

Şimdi “Variable View” sekmesine tıklayın. Karşınıza yıkarıdaki görüntü gelecektir. Bilgilerin farklı görünmesine karşın hâlâ aynı veri dosyasına bakıyorsunuz.

Bu ekranda ise değişkenlerin türü, etiketi, değerleri, kayıp veri içerip içermeme durumu gibi bilgiler içermektedir. Bu bölümde yer alan bilgileri bu ekran üzerinden değiştirebilir ve silebilirsiniz. Burada yaptığınız düzenlemeler “Çıktı” (Output) dosyalarındaki tablo ve grafiklerin etiketlerini ve değerlere ait tanımları etkileyecektir.

Farklı Dosya Formatlarından Veri Almak

Zaman zaman SPSS yazılımı tarafından oluşturulmamış ya da formatlanmamış verileri analiz etme gereği duyabilirsiniz. Bu dosyalar başka istatistiksel yazılım paketleri (örn. SAS) ya da başka rakamsal program türleri (örn. Microsoft Excel) tarafından oluşturulmuş olabilir. Bu dosyaları açmak için, ilk önce bir SPSS veri dosyasını açarken yaptığınız işlemi tekrarlayın.

FILE » OPEN » DATA

Şimdi iletişim kutusunun altında yer alan “Files of type”da, seçenekleri genişletmek için sağ taraftaki oka tıklayın. Daha sonra “Excel (*.xls)” ibaresini seçin. Dosyanızı bulmak için sabit disk sürücünüzü, diğer sürücülerinizi ya da diğer yerleri taramanız gerekecek.

Bu işlemleri tamamladıktan sonra kullanacağınız dosyayı seçin “Aç” butonunu tıklayın. Bu noktada yeni bir iletişim kutusu ile karşılaşacaksınız.

Microsoft Excel dosyasındaki sütun başlıkları değişkenlerin adlarını taşıyorsa, o zaman “ilk veri sırasından değişken isimlerini okumayı” isteyip istemediğinizi soran kutunun seçildiğinden emin olun. Eğer sütun başlıkları SPSS’in değişken adlandırma uygulamalarına uygun olmayan bir biçimde formatlanmışsa, bu durumda bu başlıklar izin verilen değişken adlarına dönüştürülecek ve orijinal adlar değişken etiketleri olarak kaydedilecektir.

Excel dosyasının yalnızca bir bölümünü almak için, verileri almak istediğiniz hücre aralığını girin.

Ayrıca veri tabanlarından, metin dosyalarından ve başka kaynaklardan veri almak mümkündür. Seçtiğiniz dosya türü ile ilgili olan talimatlar dışında, Excel dosyaları için kullandığınız talimatların aynılarını takip edin. Seçtiğiniz dosya türüne bağlı olarak verileri almak için farklı iletişim kutuları ya da sihirbazlar karşınıza çıkacaktır.

Bazı durumlarda elinizde belirli bir dosyada etiketsiz veriler olabilir ya da değişken adları veya diğer bilgiler işinize yaramayabilir. Bu durumda, dosyanın boyutuna bağlı olarak, orijinal rakamsal programdan (örn. Microsoft Excel) verileri kopyalayabilir ve doğrudan SPSS’nin “Data View” penceresine yapıştırabilirsiniz. Bu yöntem özellikle başka bir kaynaktan rakamsal değerler eklemeyi istediğinizde yararlıdır.

Daha Önceden Oluşturulan Çıktı (Output) Dosyalarını Açmak Daha önceden oluşturulan bir çıktı dosyasını açmak için, , “File” mönüsünü sonra sırasıyla “Open” ve “Output”u seçin.

FILE » OPEN » OUTPUT

Aşağıdaki iletişim kutusu karşınıza çıkacaktır.

Yerini belirledikten sonra dosyayı seçin ve açın. SPSS, dosyayı bir “Çıktı Görüntüleyicisi” penceresinde açacaktır. Burada dosyayı inceleyebilirsiniz.

Dosyaları Kaydetmek

SPSS dosyalarının kaydedilmesi, diğer bilgisayar programlarının kayıt işlemleri ile hemen hemen aynı şekilde gerçekleştirilir. Bu çerçevede;

Dosyayı hâlihazırda verilmiş olan isimle kaydetmek için;

FILE » SAVE

Dosyayı farklı bir isim altında kaydetmek için;

FILE » SAVE AS

mönülerini kullanabilirsiniz.

FILE » SAVE AS seçeneğini seçerseniz, bir iletişim kutusu açılacak ve bu kutuda sizden dosyayı isimlendirmeniz ve bilgisayarınızda ya da ağda dosyanın yerleştirileceği yeri seçmeniz istenecektir. FILE » SAVE seçeneğini kullandığınızda, yeni ve isimsiz bir dosya ile çalışmıyorsanız, SPSS herhangi bir iletişim kutusu çıkarmaksızın dosyayı otomatik olarak kaydedecektir.

Yeni (henüz isim verilmemiş) bir dosya ile çalışmanız halinde ise bu seçenekte de sanki “Save As” seçeneğini kullanıyormuşsunuz gibi bir iletişim kutusu açılacaktır.

Yeni SPSS Veri Dosyaları Oluşturmak

Yeni bir SPSS veri dosyası oluşturmak için, “File” mönüsünü ve ardından “New” ve “Data” sekmelerini seçin.

FILE » NEW » DATA

Boş bir “SPSS Data Editor” penceresi karşınıza çıkacaktır (SPSS 15.0 ile birlikte birden fazla data editörü açılması ve bunlar üzerinde işlem yapılması mümkün olmuştur). Bu editörü kullanarak örneğin anket araştırması sonuçlarınızı SPSS programına girebilirsiniz. Bunun için öncelikle “Variable View” penceresini kullanarak değişkenlerinizi (Anket Soruları) ve bunların özelliklerini girmenizi, daha sonra “Data View” penceresine geçerek değişkenlerinizin aldıkları değerleri (her bir soruya verilen cevapları) girmenizi tavsiye ediyoruz.

Yukarıdaki data editörüne “Variable View” sekmesi kullanılarak “Yaş” ve “Cinsiyet” değişkenleri girilmiştir. Değişkenlere ait açıklamalar için “Label” sütunu, değişkenlerin türü için “Type” sütunu, değer etiketleri için “Values” sütunu, değişkenin ölçek türü içinse “Measure” sütunu kullanılmıştır. Diğer sütunlarda yer alan verilerin uzunluğu, basamak sayısı, formatına ilişkin bölümler varsayılan haliyle bırakılmıştır. Her iki değişkene herhangi bir kayıf veri kategorisi bulunmadığından “Missing Value” sütunu boş bırakılmıştır.

Değişken etiketlerini girmek için “Values” sütununda yer alan kareleri tıkladığınıza karşınıza aşağıdaki editör çıkacaktır. Editörün “Value” bölümüne değişkene ait değerleri, “Label” bölümüne ise bu değişkenlere ait etiketleri giriniz. Örneğin bizim anketimizde “1” kodu “30 yaş ve altı”, “2” kodu” “31-40 yaş” arası, “3” kodu, “41-50 yaş” arası, “4” kodu, “51 yaş ve üzerine karşılık geldiğinden, etiket girişi aşağıdaki şekilde yapılmıştır.

Bu işlemleri tamamladıktan sonra “Data View” sekmesini tıklayarak değişkenlerin aldıkları değerleri doğrudan “SPSS Data Editörüne” girebilirsiniz.

SPSS Çıktı Dosyalarını Oluşturmak ve Düzenlemek

Çıktı dosyaları, SPSS üzerinde herhangi bir analiz işlemi yapıldıktan sonra otomatik olarak oluşturulur. Örneğin bir önceki örnekteki yaş ve cinsiyet değişkenlerinin frekanslarının hesaplanmasını isterseniz, bu durumda (eğer hâlihazırda açık olan bir çıktı dosyası yoksa) otomatik olarak bir çıktı dosyası oluşturulacaktır ve istemiş olduğunuz bilgi, “Output Viewer” penceresinde gösterilecektir. Çıktıyı düzenlemek için, üzerinde çalışmak istediğiniz bölümü seçip çift tıklamanız yeterlidir. Daha sonra SPSS’in “Format” araçlarını kullanarak, vurgulamak istediğiniz bulguları fontunu büyütebilir, renklendirebilir ve diğer gerekli düzenlemeleri yapabilirsiniz. “Bilginin Düzenlenmesi ve Sunumu” başlıklı 2. Bölümde bu konu ile ilgili daha fazla ayrıntı sunulacaktır.

Tercihler: Başlangıç

SPSS programı için ayarları, parametreleri ve tercihleri değiştirmek için, “Edit” mönüsünü tıklayın ve ardından “Options” sekmesini seçin. Aşağıda gösterildiği gibi bir iletişim kutusu çıkacaktır.

Buradan örneğin değişkenleri alfabetik olarak sıralama işlemini “General” sekmesine ve “Display names” ve “Alphabetical” tuşlarına tıklanarak gerçekleştirilebilirsiniz. Bunun dışında bu iletişim kutusu kullanılarak sayısız özelliği kontrol edilebilirsiniz. SPSS hakkında daha deneyimli hale geldikçe, bu özellikleri kullanma sıklığınız da artacaktır.

Veri setinde yer alan değişkenlerin özelliklerini bir bütün olarak görmek için “Variables” tablosunu kullanabilirsiniz. Bunun için üst menüden “Utilities”i ve ardından “Variables” sekmelerini tıklayınız.

UTILITIES » VARIABLES

Sol taraftaki değişkenlere ait ayrıntıları sağ taraftaki “Variable Information” penceresinden görebilirsiniz.

Kullanılacak Ölçek Türünün Belirlenmesi

SPSS ile yapılacak analiz öncesinde, kullanacak verilerin türünü belirlenmesi ve analiz yöntemlerini bu veri türüne uygun olarak seçilmesi büyük önem taşır.

SPSS programında, Scale (Ölçek), Nominal (Sınıflama) ve Ordinal (Sıralama) olmak üzere üç farklı ölçek türü bulunmaktadır. Literatürde yer alan Interval (Aralık) ve Ratio (Oran) ölçekleri SPSS programında Scale ölçeği altında toplanmıştır. Şimdi kısaca bu ölçek türlerini inceleyelim.

Oran (Ratio) Ölçeği: Aylık gelir, ağırlık, uzunluk, hız gibi değişkenleri ölçmek için kullanılır. Bu ölçekte başlangıç “0” noktasıdır.

Aralık (Interval) Ölçeği: Sıcaklık, başarı, performans gibi nicel değişkenleri ölçmek için kullanılır. Aralık ölçeğinin oran ölçeğinden temel farkı bir başlangıç noktasının bulunmamasıdır. Diğer bir ifade ile “0” değeri aralık ölçeğinde yokluk ifade etmez. Örneğin termometrede görülen “0 oC” belirli bir anlam taşır. Oysa oran ölçeğinde yer alan “0 Kg” bir yokluk ifadesidir.

SPSS programında yapılan analizlerde iki ölçek türü arasındaki söz konusu farklılık sonuca etki etmediğinden bu ölçekler, “Scale” olarak tanımlanmıştır.

Sınıflama Ölçeği (Nominal): Sınıflama ölçeğinde değişkenlerin aldığı değerler sayısal bir büyüklük ifade etmezler. Bu değerler değişkenlere ait bazı özellikleri tanımlarlar. Örneğin Cinsiyet değişkeni için “1” değeri “Kadın”ları, “2” değeri “Erkek”leri temsil edebilir. Bu çerçevede Medeni Durum, Meslek, Doğum Yeri gibi değişkenlere ait ölçümler için sınıflama ölçeğinin kullanımı uygun olacaktır.

Sıralama Ölçeği (Ordinal): Sınıflama ölçeğinde değişkenlerin aldığı değerler önem derecesi ya da üstünlükleri baz alınarak sıralanır. Katılım Düzeyi (Kesinlikle Katılıyorum, Katılıyorum, Karasızım, Katılmıyorum, Kesinlikle Katılmıyorum), Sıklık Düzeyi (Hiç, Nadiren, Genellikle, Her Zaman) Öğrenim Durumu (İlköğretim, Lise, Lisans, Yüksek Lisans), Yönetim Kademesi (Alt, Orta, Üst) vb. değişkenler için Sıralama (Ordinal) Ölçeğinin kullanımı uygun olacaktır.

Ölçek türünü “Variable View” sekmesinin “Measure” sütunua girebilirsiniz.

Değişkenlerin Yeniden Kodlanması ve Hesaplanması

“Yeniden kodlama”, SPSS’in araştırmacının değişkenleri yapacağı analizin ihtiyaçlarına uygun şekilde yeniden kategorize etmesine olanak sağlayan bir fonksiyonudur.

Araştırmanız sırasında, mevcut verilerinizi kullanarak yeni değişkenler üretmek isteyebilirsiniz. Örneğin belirli bir faktörü oluşturan verilerin ortalamasını alarak ilgili faktörü ayrı bir değişken olarak ele almak isteyebilirsiniz. SPSS’in “Hesaplama” fonksiyonu, değişkenler üzerinde matematiksel işlemler gerçekleştirmenize ve birden fazla değişken kaynağından alınan verileri birleştirmenizi sağlayarak bu ihtiyacınızı karşılar.

Değişkenlerin Yeniden Kodlanması

Yeniden kodlama örneğimiz için ilköğretim okullarında görevyapan öğretmenler üzerinde yaptığımız bir araştırmanın vari setini kullanacağız. Bu çalışmayı yaparken öğretmenlerin yaşlarını doğrudan girmiştik. Ancak araştırmanın ilerleyen safhalarında yaş ile ilgili çapraz tablolar oluşturmaya ihtiyaç duyduk. Bu da verileri yeniden kodlandırmamızı gerekli kıldı (Aksi taktirde tablomuzun her bir yaş için ayrı bir kategori olarak alınacaktı).

Kategori sayısını azaltabilmek amacıyla öreğimizde, öğretmenleri 35 yaş üzerindekiler ve 35 yaşın altındakiler olmak üzere iki gruba ayıracağız. Bunun için için “Transform” mönüsünü, ardından “Recode” seçeneğini ve “Into Different Variables” seçeneğini seçiyoruz.

TRANSFORM » RECODE » INTO DIFFERENT VARIABLES

Daha sonra aşağıdaki gibi bir iletişim kutusu çıkacaktır:

Burada sol tarafta bulunan Yaş [D6] değişkenini seçerek aradaki iki pencere arasındaki oku tıklıyoruz. Yaş [D6] değişkeni “Numeric Variable ? Output Variable” pencersine sadece D6 olarak geçiyor. Şimdi değişken için yeni bir isim oluşturyoruz; bu örnekte “D6A” ismi kullanılmıştır. Aynı zamanda bu sırada bir etiket de seçebilir ya da değişken görüntüleme ekranına daha sonra dönerek bunu yapabilirsiniz. Bu örnekte “Bölünmüş Yaş” etiketi seçilmiştir. Ekran görüntüsünde bu henüz yapılmamışken bir sonraki adım, “Change” tuşuna tıklamaktır. Böylelikle “D6A” ismi “Numeric Variable ? Output Variable” penceresine girilecektir. Şekilde tüm bu işlemlerin tamamlanmış hali görülmektedir.

Şimdi sıra SPSS’e değişkeni nasıl kodlayacağına yönelik talimatları vermek gerekir. Bu örnekte 35’de dahil olmak üzere 35’e kadarki tüm yaşları bir değiştirerek bir kategoriye sokmayı ve bu kategoriye “0” ismini vermeyi, 36 ve üzerindeki yaşları başka bir kategori altında toplayıp bu kategoriye “1” ismini vermeyi istiyoruz. İletişim kutusundaki “Old and New Values” tuşuna basın; tepede, aşağıdakine benzer bir iletişim kutusu açılacaktır.

Değişiklikleri uygulamak için öncelikle “Old Value” altında “Range, LOWEST through value” yazılı tuşu seçin. Buraya “35” rakamını girin. Daha sonra “New Value” sekmesi altında “Value”yu seçin ve “0” girin. Şimdi “Add” tuşuna tıklayın. Bu, SPSS’ye 35 da dahil olmak üzere 35’e kadarki tüm yaşları 0 kategorisi altında toplama talimatı verecektir.

Daha sonra “Old Value” sekmesi altında “Range, value through Highest” ile ilişkilendirilmiş tuşu seçin. Başlık altındaki kutuya 36 yazın. Daha sonra “New Value” altında “Value”yu seçin ve “1” girin. Yine “Add” tuşuna tıklayın. Şimdi bu, SPSS’ye 36 ve üzeri tüm yaşları 1 kategorisine dönüştürme talimatını verecektir.

Son olarak “Old Value” sekmesi altında “System- or usermissing” i seçin. “New Value” altında “System-missing”i seçin. Bu, eksik değerlerin, rakamsal değerler olarak kaydedilmiş olsalar dahi, eksik değerler olarak ele alınmaya devam etmesini sağlayacaktır. Bir kez daha “Add” tuşuna tıklayın.

Talimat girişini tamamladınız, şimdi “Continue” tuşuna tıklayabilirsiniz; bu, bu kutuyu kapatacak ve ilk “Recode into Different Variables” iletişim kutusuna dönülmesini sağlayacaktır. Buraya ulaştıktan sonra SPSS’nin yeniden kodlama ve daha sonra yeni değişkeni oluşturma isteğinizi işleme koyması için “OK” tuşuna tıklamalısınız.

Eğer “OK” tuşu bulanıksa ve SPSS ona tıklamanıza izin vermiyorsa, bu durumda yukarıdaki aşamalardan biri tamamlanmamış demektir. Genellikle en fazla gözden kaçırılan aşama, “Change” tuşunun tıklanmasıdır.

Yeni değişken, “Data Editor” penceresinin “Variable View” sekmesinde bulunan değişken listesinin alt tarafına eklenecektir. Eğer dilerseniz bu değişkeni seçip başka iki değişkenin arasına sürükleyerek listede başka bir yere taşıyabilirsiniz.

SPSS oluşturduğunuz bu değişkenin değer etiketlerini otomatik olarak vermez. Bu işlemin ayrıca elle yapılması gereklidir. Eğer değişken etiketlerini bu aşamada girmezseniz, değişkenin sahip olduğu kodların anlamları çıktı tablolarında göremezsiniz. Ayrıca yapılan bölümlendirme zaman içinde unutulabileceğinden, kodların hemen tanımlanmasında yarar vardır.

Bunun için daha önce değer etiketleri kısmında açıklandığı gibi hem değeri hem de etiketi girin. Daha sonra yazılan bilgilerin her bir çiftinin ardından “Add” tuşuna tıklayın. Bunun ardından “OK” tuşuna tıklayın.

Değişkenlerin Hesaplanması

Değişkenlerin hesaplanması çok sık başvuracağınız bir fonksiyondur. Bu fonksiyonu kullanarak farklı değişkenler üzerinde işlem yaparak yeni değişkenler oluşturabilirsiniz. Örneğin anket çalışması sonrası kapsamında, belirli bir faktörde yer alan sorulara verilen cevapların ortalamasını bu fonksiyonu kullanarak hesaplayabilir ve bu ortalamaları içeren yeni bir değişken oluşturabilirsiniz.

Bu örnekte, katılımcıların ebeveynlerinin ortalama eğitim düzeyini hesaplamayı istiyoruz. Dolayısıyla annenin eğitim düzeyini babanın eğitim düzeyine ekleyecek ve daha sonra bunu ikiye böleceğiz.

Hesaplamayı gerçekleştirmek için, şu mönüleri seçin:

TRANSFORM » COMPUTE VARIABLE

Karşınıza, “Compute Variable” iletişim kutusu çıkacaktır. “Target Variable” kutusundaki yeni değişkene atamak istediğiniz ismi yazın. Biz bu değişkene “OrtEgt” ismini verdik. Daha sonra “Numeric Expression” kutusunda hesaplama denklemini hazırlayın. Bu durumda ilk önce parantezleri, ( ), seçmek gerekmektedir. Bunun ardından parantezlere D3 Annenin Eğitim Düzeyi ve toplama işaretini, sonrasında “paeduc” değişkenini girin. Şimdi bölme çizgisini koyun ve “2”ye tıklayın. Böylelikle her iki ebeveynin de toplam eğitim yılları toplanacak ve ikiye bölünerek ortalama rakam ortaya çıkacaktır.

Ayrıca “Function group” menüsü içerisinde daha kapsamalı hesaplamalar yapmak için kullanılabilecek istatistiksel, trigonometrik fonksiyonlar, tarih, zaman, dizi vs. fonksiyonları vardır. Ayrıca koşullu bir hesaplama kurmak istediğinizde ? örneğin hesaplamanın yalnızca bir koşul için yapılacağı ya da önceden belirlenmiş bir koşula bağlı olarak farklı koşullarda farklı hesaplamaların yapılacağı durumlarda ? “If” tuşunu seçerek ve koşulu (koşulları) girebilirsiniz.

Sayma Fonksiyonunun Kullanılması

SPSS, kullanıcıların değişkenler arasında belirli değerleri toplamalarına olanak tanır. Örneğin bir araştırmacının bir katılımcının belirli sorulara “evet” yanıtı verdiği durumların sayısını hesaplamak istediğini varsayalım. Bu örnek için öğrencilerin temizlik ile ilgili düşüncelere soruları ele alalım. Bu örnek için aşağıdaki mönüleri kullanın:

TRANSFORM » COUNT VALUES WITH CASES

Çıkan iletişim kutusunda, sol taraftaki değişken listesinden uygun değişkenleri “Numeric Variables” kutusuna taşıyın. Ayrıca “Target Variable” bölümünde oluşturulan yeni değişken için bir isim girin. Örneğimizde bu bölüme “Tem” ismini girdik. Target Label bölümüne ise hedef değişkeni tanımlayan etiketi girebilirsiniz. Örneğimizde bu bölüme “Temizlik Alışkanlıkları” etiketi girildi. Daha sonra “Define Values” tuşuna tıklayın. Karşınıza aşağıdaki iletişim kutusu çıkacaktır:

Burada sayılacak olan değerleri seçeceksiniz. Bu örnekte seçilen temizlik alışkanlıkları için 1 kodu olumlu bir yanıtı, 2 kodu ise olumsuz bir yanıtı göstermektedir. Dolayısıyla soruların sayısını 1 kodu ile saymak istiyoruz. Bunun için iletişim kutusunun sol üst tarafında “Value”nun yanındaki yazı bölümüne tıklayın ve ardından ilişkili bölüme “1” kodunu girin. Şimdi iletişim kutusunun sağ tarafındaki “Add” tuşuna tıklayın. “1” kodu, “Values to Count” alanında görünmelidir. Şimdi bu kutudaki “Continue” tuşuna tıklayın ve daha sonra önceki iletişim kutusunda “OK” tuşuna tıklayın.

Oluşturulacak yeni değişken incelemekte olduğunuz özelliklerin toplamlarını içerecektir. Aşağıda verilen “Tem” değişkenini her bir öğrencinin olumlu temizlik alışkanlıklarının toplamını göstermektedir.

Bir Endeksin Ortalama Kullanarak Hesaplanması

SPSS’de “Compute” komutunu kullanarak bir endeks oluşturmak mümkündür. Bunu yapmanın en dolaysız yolu, “Ortalama” fonksiyonunu kullanmaktadır. Bu yöntemi kullanmak için şu mönülere tıklayın:

TRANSFORM » COMPUTE VARIABLE

“Compute Variable” iletişim kutusu ile birlikte çıktığında, sağ alt köşedeki “Functions and Special Variables” kutusundan “Mean” sekmesini seçin. “Function group”un “All”a ayarlı olduğundan emin olun. “Mean”i seçtikten sonra “yukarı ok” tuşuna tıklayarak “Mean”i “Numeric Expression” alanına taşıyın. Ekran aşağıdaki gibi görünecektir.

Parantezlerin içindeki ilgili tüm değişkenleri, her birini virgül ile birbirinden ayırarak girmelisiniz. Bu örnekte bunun nasıl yapıldığını görmek için aşağıdaki iletişim kutusuna bakın:

Sol taraftaki bankadan değişkenleri seçtikten sonra hedef değişkenin (oluşturulacak olan yeni değişkenin) ismini girin. Daha sonra “Type & Label” tuşuna tıklayın. Aşağıdaki kısa iletişim kutusu çıkacaktır.

“Label”ın yanındaki yazı bölümüne tıklayın ve daha sonra bitişikteki bölüme uygun değişken etiketini girin. Şimdi “Continue”ya ve daha sonra “OK”e tıklayın. Yeni bir değişken, “OrtBas” değişkeni oluşturulacak ve SPSS “Data Editor” penceresinde aşağıda gösterildiği gibi görüntülenecektir.

Eğer belirli bir değişkene, belli bir değişken ekleyip çıkartmak suretiyle yeni bir değişken elde etme ihtiyacı duyarsanız bunun için aşağıdaki adımları uygulayabilirsiniz.

TRANSFORM » COMPUTE VARIABLE

Öncelikle “Numeric Expression” penceresine ilgili değişkeni girin. Örneğimizde “OrtBas” değişkeni kullanılmıştır. Daha sonra hesap makinesi biçimindeki tuş takımı üzerinde “-” işaretine ve daha sonra “1”e tıklayın. Son olarak hedef değişkeni tanımlayın (Örnekte: OrtBas2).

Böylelikle değişkene ait her bir değerden 1 çıkartılacak ve yeni değişken elde ed, aşağıdaki görüntüde görüldüğü gibi, istenilen aralıkta veri ortalamasına taşınacaktır.

Verilerin Organizasyonu ve Sunumu

Bu bölümde verilerin merkezi eğilim ve dağılım ölçütleri kullanılarak özetlenmesi ve tablo, çizelge ve grafikler yardımı ile sunumu üzerinde durulacaktır.

Merkezi Eğilim ve Dağılım Ölçütleri

Bir değişken ya da değişken seti için temel betimleyici istatistikleri kullanarak bir tablo oluşturmak için, aşağıdaki mönüleri seçin:

ANALYZE » DESCRIPTIVES » DESCRIPTIVES

“Descriptives” iletişim kutusunun sağ alt köşesinde bulunan “Options” tuşuna tıkladığınızda başka bir iletişim kutusu karşınıza çıkacaktır. Bu iletişim kutusunu kullanacağınız temel betimleyici istatistikleri seçmenize imkan sağlayacaktır.

İstediğiniz istatistiklerin yanına bir tik işareti atarak kutuları seçin. Ayrıca “Display Order” altındaki seçenekleri kullanarak gösterim sırasını da belirleyebilirsiniz.

Bu iletişim kutusunda “Continue”ya ve ilk iletişim kutusunda “OK”e tıkladıktan sonra, aşağıdaki SPSS çıktısını alacaksınız.

Temel betimleyici istatistiklerin kullanımı çok hızlı ve kolay olmasına karşın, bir veri setindeki değişkenler hakkında daha ayrıntılı betimleyici bilgi almak mümkündür.

Bununla birlikte tanımlayıcı istatistikler ilk bölümde açıklanan oran (ratio) ve aralık (interval) ölçeklerinden elde edilen veriler için uygundur. Sınıflama (nominal) ölçek verileri içinse verilerin sıklık dağılımlarını kullanmanız gerekir (Örnek: Cinsiyet değişkeninin ortalamasını alamazsınız) .

Bir değişkenin sıklık dağılımını aşağıdaki mönüleri kullanarak bulabilirsiniz.

ANALYZE » DESCRIPTIVES » FREQUENCIES

Ayrıca elde edeceğiniz sıklık dağılımını grafik yardımıyla göstermek için aşağıdaki menüdeki “Charts” düğmesini tıklayın.

Buradaki grafik türlerinden ihtiyacınıza en uygun olanı seçebilirsiniz. Ancak pasta grafiğin bir bütünün parçalarını temsil etmek için kullanılan bir grafik türü olduğunu unutmayın. Daha açık bir ifade ile örneğin cinsiyet değişkeni için pasta grafik uygundur. Bunun yanında “Hobileriniz” sorusuna verilen cevaplar katılımcılar birden fazla seçenek işaretleyebileceklerinden pasta grafik ile gösterilmez.

Sırasıyla “Continue” ve “OK” tuşlarını tıkladığınızda aşağıdaki çıktıları elde edeceksiniz.

Yukarıda açıklanan mönüler tablo ve grafik elde etme yollarından sadece biridir. Tablo ve grafik elde etmek için kullanılabilecek daha fonksiyonel mönüler “Tablo ve Grafikler” başlıklı ayrı bir bölümde açıklanacaktır.

Şimdi çok daha fazla ihtiyaç duyacağınız bir uygulamayı inceleyelim. Bir önceki örnekte “Descriptives” menüsünü kullanıp yaş değişkenin ortalamasını almıştık. Şimdi yaş değişkeninin sıklık dağılımını almak isterseniz karşınıza aşağıdakinin benzeri bir tablo ve grafik çıkacaktır.

Bu tablo ve grafikte verileri tanımlamanın ve üzerinde yorum yapmanın son derece güç olduğu açıktır. Yararlı bir sıklık dağılımı sunabilmek içinse, aralık-oran değişkenini, yani yaş değişkenini, anlamlı ya da uygun kategorilere ayırmak gerekir. Konuyu aynı örnek üzerinde inceleyelim. Şimdi D6 yaş değişkenini “Değişkenlerin Yeniden Kodlanması ve Hesaplanması” bölümünde açıklandığı şekliyle aşağıdaki menüleri kullanarak yeniden adlandırın (D6dan farklı yeni bir değişken oluşturun).

Kısa bir hatırlatma yapacak olursak Recode into Different Variables penceresini aşağıdaki mönüleri kullanarak açın.

TRANSFORM » RECODE INTO DIFFERENT VARIABLES

Daha sonra işlem yapacağınız değişkeni (Örnekte D6) “Numeric Variable ? Output Variable” penceresine aradaki oku kullanarak taşıyın. Output Variable Bölümündeki, Name başlığının altına yeni değişkene vereceğiniz ismi (Örnekte, D6grup), Label başlığının altına yeni değişkene vereceğiniz etiketi yazın (Örnekte, Yas Grubu). Change tuşunu tıkladığınızda yeni değişkeniniz oluşacaktır. Şimdi sıra geldi yeni değişken için grupları tanımlamaya? Bunun için Old and New Values tuşunu taklayın.

Karşınıza aşağıdaki pencere gelecektir. Burada ilk olarak Range düğmesini işaretleyerek aralıkları tanımlayın. Örneğin 20 ? 30 aralığı için ilk kutucuğa 20 altındaki kutucuğa 30 yazın. Daha sonra New Value başlığının altındaki Value düğmesini işaretletin ve buraya oluşturduğunuz grubu temsil eden sayıyı girin (Örnekte, 1). Daha sonra Add tuşunu tıklayın. Aynı işlemi tekrarlayarak diğer değişkenlerin de girişini yapın.

Ayrıca belli bir değerin altındaki değerleri girmek için (örnek 20’nin altı) Range LOWEST through value, belli bir değerin üstündeki değerleri girmek için (örnek 50’nin üstü) Range value through HIGHEST, tanımladığınız değişkenlerin dışındaki tüm değişkenleri tanımlamak içinse All other values butonlarını kullanabilirsiniz.

Şimdi sırasıyla Continue ve diğer ekrandaki OK tuşlarını tıklayın. Karşınıza aşağıdaki “Data Editör” penceresi gelecektir.

Her ne kadar grupları tanımlamış olsanız da SPSS bu değerleri tanımlamaz bunun için aşağıdaki Variable View sekmesindeki Values sütununda yer alan “?” noktayı tıklayarak değerleri tekrar girmeniz gerekecektir.

Her bir değeri Value satırına bu değerlere karşılık gelen aralık ve ifadeleri ise Label satırına girdikten sonra OK tuşuna tıklayınız.

Daha sonra yeni oluşturulmuş değişken için bir sıklık dağılımını görmek için aşağıdaki mönüleri tıklayın.

ANALYZE » DESCRIPTIVE STATISTICS » FREQUENCIES

Daha önce açıklanan işlemleri tekrarlayın. Karşınıza aşağıdaki gibi çok daha sade bir tablo ve grafik gelecektir.

 

Diyagram ve Grafikler

Bu bölümde SPSS temel grafik üretme mönüleri açıklanacaktır. Ancak bunun yanında SPSS bir grafik programı olmadığını hatırlatmak istiyorum. Ben dahi şirketler için hazırladığım raporlarda SPSS grafiklerini kullanmıyorum. MS Office Excel programı özellikle 2007 versiyonu çok daha güçlü ve görsel grafik oluşturmanıza imkan veriyor. Bununla birlikte eğer verileri başka bir programa taşımaya vaktim yok ya da görsellik benim için çok da önemli değil diyorsanız bu bölümde açıklanan bilgiler siz oldukça yarar sağlayacaktır.

Kutu Diyagram

Kutu Diyagram, bir değişkenin sıklık dağılımını göstermek için kullanabilirsiniz. Kutu grafik dağılımın şekli, merkezi eğilimi ve değişkenlik düzeyini göstermesi açısından yararlıdır. Bir kutu diyagram oluşturmak için:

GRAPHICS » LEGACY DIALOGS » BOXPLOT

Bu örnekte tek bir değişken için, yaş için basit bir kutu-grafik çizeceğiz. “Simple” tuşuna tıklayın ve “Summaries of separate variables” tuşunu seçin.

Daha sonra “Define” tuşuna tıklayın. Karşınıza aşağıdaki iletişim kutusu çıkacaktır.

Bu iletişim kutusunda ilgili değişken(ler)i “Boxes Represent” bölümüne taşıyın. “OK”e tıklayın; aşağıdaki gibi bir diyagram elde edeceksiniz.

Kutunun üst ve alt sınırları sırasıyla Q3 (%75’lik değer) ve Q1’i (%25’lik değer) temsil etmektedir. Değerler, şeklin sol ekseni üzerindeki ölçeğe karşılık gelmektedir. Dolayısıyla kutunun kendisi, IQR’ı (çeyrekler arası aralık) göstermektedir. Kutunun içindeki çizgi, %50’lik değerde çizilmiştir. Kutunun yukarısına ve aşağısına uzanan çizgiler “sınır” olarak anılır. Üst sınırın sonunda azami puan işaretlenmiştir. Asgari değer, alt sınırın sonunda bulunabilir.

Dağılım Diyagramı

Dağılım Diyagramı, iki değişken arasındaki ilişkiyi sergileyen yararlı bir grafiktir. Bir dağılım diyagramı oluşturmak için aşağıdaki mönüyü kullanabilirsiniz.

GRAPHICS » LEGACY DIALOGS » SCATTER / DOT

Karşınıza çıkan pencerede “Simple Scetter” butonunu işaretleyin ve “Define” tuşuna tıklayın.

Karşınıza “Simple Scatterplot” penceresi çıkacaktır. Bu pencereyi kullanarak X ve Y eksenleri için değişkenleri seçin. Bu örnekte Y ekseni için IQ (Bilişsel Zeka), X ekseni içinse “Başarı Puanı” seçilmiştir.

“Simple Scatterplot” penceresinin altında ise ik değişken arasındaki ilişkiyi gösteren Dağılım Diyagramı sunulmuştur. Bu diyagramdan IQ ile başarı arasında doğrusal bir ilişki olduğu anlaşılmaktadır.

Histogram

Tek bir değişkenin dağılımını göstermek için histogram oldukça faydalıdır. Histogramda çubukların genişliği aralıkların genişliğini ve çubukların yüksekliği ise her bir aralığın sıklığını temsil eder. Bir histogram oluşturmak için şu mönüleri takip edin.

GRAPHICS » LEGACY DIALOGS » HISTOGRAM

“Histogram” iletişim kutusunda ilgili değişkeni seçin. Histograma bir normal dağılım eğrisinin eşlik etmesini istiyorsanız, “Display normal curve” kutucuğunu işaretleyin. Bu örnekte Başarı Puanı seçilmiştir. SPSS çıktısı aşağıdaki gibi gösterilir:

Çubuk Grafik

Çubuk grafik istatistik analizlerde yaygın olarak kullanılan bir diğer grafik türüdür. Histogramdan farklı olarak çubukların kalınlıkları herhangi bir anlam taşımaz. Sadece yükseklikleri önemlidir. Basit bir gösterim sağlar.

Bir çubuk grafik oluşturmak için şu mönüleri takip edin.

GRAPHICS » LEGACY DIALOGS » BAR

Ana “Bar Chart” iletişim kutularından önce küçük bir iletişim kutusu karşınıza çıkacaktır. Bu örnekte “Simple”a ve daha sonra “Define” tuşuna tıklayın. Şimdi karşınıza “Define Simple Bar” iletişim kutusu gelecektir ve burada grafiği oluşturmak için gerekli bilgileri girebilirsiniz.

“Define Simple Bar” iletişim kutusunda “N of cases”i seçin; sıklık sayımı görüntülenecektir. Daha sonra sol taraftaki listeden grafik oluşturmak için ilgili değişkeni seçin ve yukarı ok tuşuna tıklayarak “Category Axis” kutusuna taşıyın. Bu örnekte “Öğretmenlerin maaşlarının yeterliliğine ilişkin görüşlerinin” sorulduğu “B1” değişkeninin dağılımı incelenmiştir.

Bunun ardından “OK”e tıklayın. Aşağıda SPSS’nin oluşturacağı grafiğin bir görüntüsü verilmiştir:

Grafikte öğretmelerin maaşlarının yeterli olduğu görüşüne katılma düzeylerinin dağılımları gözükmektedir.

Eğer bu görüşlerin ikinci bir değişkene göre dağılımını görmek istiyorsanız, “Bar Chart” iletişim kutusunda “Simple” yerine “Clustered”ı işaretleyin ve daha sonra “Define” tuşuna tıklayın.

Örneğimizde “Öğretmenlerin maaşlarının yeterliliğine ilişkin görüşlerinin” “Cinsiyetlerine” göre dağılımlarını inceledik.

Daha sonra “Define Clustered Bar” iletişim kutusu karşınıza çıkacaktır. Burada (Bars Represent” altında “% of cases” seçeneğini seçin. Bağımlı değişkeninizi (Örnekte, B1) “Category Axis” kutusuna taşıyın. Bunun ardından bağımsız değişkeninizi (Örnekte, Cinsiyet) “Define Clusters by” kutusuna taşıyın.

Bu aşamada ayrıca “Title” tuşuna tıklayarak grafiğinize başlık, alt başlık ve dipnot ekleyebilirsiniz. Şimdi “OK”e tıklayın. SPSS, aşağıdaki çıktıyı oluşturacaktır.

Grafikte kadın ve erkek öğretmenlerin maaşlarının yeterliliğine ilişkin görüşleri karşılaştırmalı olarak görülmektedir.

Pasta Çizelge

Pasta çizelgeler, her bir kategori içinde toplamın oranını temsil eden dilimlerin bulunduğu dairesel grafiklerdir. Diğer bir ifade ile pasta grafik bir bütünün parçalarını karşılaştırmalı olarak göstermek için kullanılabilecek bir grafik türüdür. Örneğin oy oranları en etkili pasta grafik ile sunulur. Bir pasta çizelge oluşturmak için aşağıdaki mönüleri seçin:

GRAPHS » INTERACTIVE » PIE » SIMPLE

İnceleyeceğiniz değişkeni (Örneğimizde, Anenin Eğitim Düzeyi) fare yardımıyla “Silece By” kutusuna taşıyın. Tamam tuşuna tıklayın. SPSS, aşağıdaki çıktıyı oluşturacaktır.

Grafikte farklı eğitim düzeylerine ilişkin oranlar verilmiştir. Pasta grafik farklı kategoriler içinde karşılaştırma yapabilmeni,n yanı sıra, kategorinin bütün içindeki ağırlığını göstermesi açısından yararlıdır. Örneğin çubuk grafikte de farklı kategorileri başarılı bir şekilde karşılaştırabilirsiniz. Ancak her bir kategorinin toplam içindeki payını göremezsiniz. Dolayısıyla anketlerde tek bir seçeneğin işaretlendiği soruların gösteriminde pasta grafiğin en uygun gösterim şekli olduğu söylenebilir.

Çapraz Tablolar

Çapraz tablolar temel olarak, iki değişken arasındaki ilişkiyi analiz etmek için kullanılır. Bu, araştırmacıya değişkenler arasındaki ilişkiyi ilgili her bir değişkenin kategorilerinin kesişimlerini inceleyerek keşfetme olanağı sağlar. İkili tablolamanın en basit türü, iki değişkenli analizdir. Ancak analiz, bunun ötesine uzanabilir.

İki Değişkenli Analiz

Örneğe göre, iki değişken için çapraz tablolama yapmak için şu mönüleri takip edin:

ANALYZE » DESCRIPTIVES » CROSSTABS

Bu mönüleri seçtikten sonra karşınıza yukarıdaki gibi bir iletişim kutusu çıkacaktır. Burada iki değişkenli tablo için sıra (Row) ve sütun (Column) değişkenlerini seçme fırsatı bulacaksınız. Bağımlı değişkeni (Örnekte, “Türkiye AB’ye üye olmalıdır” ifadesi) Row(s) penceresine, bağımsız değişkeni (Örnekte, Cinsiyet) Column(s) penceresine taşıyınız.

Daha sonra, çıktı tablosunda yer alacak bilgileri belirlemek için “Cells” tuşuna tıklayın. Karşınıza çıkan pencerede Percenteges bölümündeki Column satırını işaretleyin ve sırasıyla Continue ve OK tuşlarını tıklayın.

Yukarıda belirtilen aşamaların ardından üretilen çıktıda, aşağıdaki tablo yer alacaktır.

Tablodaki verilere baktığımızda en belirgin farkın Kesinlikle katılmıyorum kategorisinde olduğu gözlenmektedir. Bu kategorideki verilerden Türkiye’nin AB’ye üye olması görüşüne erkeklerin % 24,1’i kesinlikle katılmazken, bu oran % 17’dir.

Analize Başka Bir Değişken Eklemek

Şimdi, bir önceki bölümde kabaca incelediğimiz iki değişkenli ilişkiyi daha derinlemesine nasıl inceleyebileceğimiz görelim. Bunun için öncelikle aşağıdaki mönüyü seçiniz.

DATA » SPLIT FILE

Karşınıza aşağıdaki pencere gelecektir. Buradan “Compare Groups” radyo düğmesini seçtikten sonra, ilişkiye dahil etmek istediğiniz değişkeni seçerek (Örnekte, Eğitim Düzeyi) “Group Based on” kutucuğuna taşıyınız ve OK tuşunu tıklayınız.

Şimdi Data View penceresinin sol altında, Split File On uyarsı belirecektir. Bu uyarı bundan sonra oluşturulacak tabloların belirlenen bir değişkene göre (Örneğimizde, Eğitim) bölüneceği anlamına gelmektedir.

Şimdi “Crosstabs” mönüsüne dönün ve iki değişkenli analiz için yaptığınız işlemleri tekrarlayın. Karşınıza aşağıdakinin benzeri bir tablo çıkacaktır. Bu tabloyu kullanarak cevaplayıcıların AB üyeliği hakkındaki görüşlerinin, cinsiyet ve eğitim değişkenlerine göre değişimini inceleyebilirsiniz.

Örnek Seçimi

SPSS yazılımı, bir kullanıcının bir veri setinden örnek almasına olanak sağlar. Bu, hedefli ya da rastgele bir örnek olabilir.

Hedeflenmiş Seçim

Zaman zaman belirli veri setindeki yer alan tüm verileri araştırmanızda kullanmak istemeyebilirsiniz. Özellikle verileri siz toplamadıysanız, ihtiyaç duymadığınız verilerden kurtulmanız gerekecektir. Örneğin bayan öğretmenler üzerine bir araştırma yapıyorsanız, erkek öğretmenlere ait verilerin, veri setinden çıkartılması gerekecektir. Eğer Türkiye İstatistik Kurumu ya da başka bir kurum tarafından toplanan verileri kullanmayı planlıyorsanız SPSS’in bu özelliği işinizi oldukça kolaylaştıracaktır.

Mevcut veri setinden çalışacağınız örneği seçmek için aşağıdaki mönüleri takip edin:

DATA » SELECT CASES

Karşınıza aşağıdaki “Select Cases” iletişim kutusu çıkacaktır. Burada analiz etmeyi istediğiniz katılımcı türlerini seçebilir ve dolayısıyla araştırma kriterlerinize uymayanları çalışma dışarıda bırakabilirsiniz.

Bunun için, “Select … If condition is satisfied” altındaki “If” tuşuna tıklayın. Karşınıza aşağıdaki gibi bir “If” iletişim kutusu karşınıza çıkacaktır.

Bu iletişim kutusundaki fonksiyonlar, nitelik ve işleyiş bakımından, ilk bölümde açıklanan “Compute” iletişim kutusundaki fonksiyonlara benzemektedir. Şimdi sınırlandırmak istediğiniz değişkeni sağdaki kutucuğa taşıyın. Örnekte cinsiyeti temsil eden D1 değişkeni kullanılmıştır. Yapılan ilk kodlamada (Variable View ? Values seçeneği) Erkelere “1”, Kadınlara “2” kodunu vermiştik. Burada sadece kadınları dikkate alacağımız için değişkeni “D1 > 1” olarak tanımladık. Eğer yaş değişkenini ele alsaydık ve 20 ile 30 yaş aralığı ile ilgilenseydik, tanımı “20 < Yaş < 30” şeklinde yapacaktık.

Şimdi sırasıyla Continue ve OK tuşlarına tıklayınız. Data View penceresinin sağ alt köşesinde “Filter On” uyarısı ve bu filtreleme sonucu devre dışı kalan değişkenler üzerinde çapraz bir çizgi oluşacaktır. Artık oluşturduğunuz filtreyi devre dışı bırakana kadar, yapılacak tüm hesaplamalarda sadece kadın cevaplayıcılara ait veriler kullanılacaktır. Filtreyi kaldırabilmek için “Select Cases” iletişim kutusundaki “Reset” fonksiyonunu kullanınız.

Rasgele Seçim

Şimdi veri setinden rasgele bir örnek grubunu seçmeyi istediğinizi varsayalım. Bunun için yine “Select Cases” iletişim kutusu kullanabilirsiniz.

Bu sefer, ilgili “Select … Random sample of cases” radyo düğmesini seçtikten sonra “Sample” tuşuna tıklayın. Karşınıza aşağıdaki gösterilen “Random Sample” iletişim kutusu çıkacaktır:

Bu örnek için, örneklerin %20’si seçilecektir. Dikkat ederseniz SPSS’de, (approximately) yaklaşık kelimesini kullanılmaktadır. Çünkü veri setlerinin hepsi seçtiğiniz yüzdeye bölünemeyebilir ve dolayısıyla tam sayı elde edilemeyebilir. Alternatif olarak Exactly radyo düğmesini işaretleyerek, N sayıda veriden, belirleyeceğiniz sayıda örnek seçebilirsiniz.

“Continue” ve ardından “Select Cases” iletişim kutusuna döndüğünüzde “OK”e tıklayın. Bu işlem sonrası “Data Editor” penceresinin görünümü aşağıda verilmiştir.

Dikkat ederseniz veri setinin yaklaşık % 80’nin üzerinde bir önceki uygulamada olduğu gibi diyagonal bir çizgi oluşmuştur. Bu çizgi, filtre devre dışı bırakılana kadar söz konusu değişkenlerin hesaplamalara dâhil edilmeyeceğini göstermektedir.

Yeni Bir Veri Seti İçin Örnek Seçmek

Bazı verilerin filtrelenerek üzerlerinin çizilmesi kafanızı karıştırıyor mu? Seçtiğiniz verileri ayrı bir dosyaya kopyalayarak bundan sonra o dosya üzerinde işlem yapmaya ne dersiniz? Bunun için bundan önce anlattıklarımızı tekrarlayın.

DATA » SELECT CASES

Karşınıza çıkan iletişim kutusundaki”Copy selected cases to a new dataset” yazısının yanındaki radyo düğmesini tıklayın. Daha sonra yeni dosyanız için bir isim girin (Örnekte, YeniVeriler). Şimdi OK tuşuna tıklayın. SPSS verdiğiniz isimde bir veri ayrı bir veri dosyası oluşturacaktır.

Bu seçeneği seçmenin avantajı, orijinal veri dosyasını değiştirme riski olmaksızın altküme veri dosyası ile çalışabilmenize olanak sağlamasıdır.

Güvenilirlik Analizi

Güvenilirlik değeri bir ölçme aracının tekrarlanan ölçümlerde aynı sonucu verme derecesinin göstergesidir. Biraz karışık mı? Aslında değil. Şimdi evinizde bir tartı aleti olduğunu düşünün. Üzerine ilk çıktığınızda sizi 75 Kg göstersin. Şimdi 30 saniye aralıklarla aynı işlemi tekrarlayın. Tartının her defasında sizi 75 Kg göstermesini beklersiniz. Eğer tartı her defasında farklı bir ağırlık gösterirse (2 nci Ölçüm: 85kg, 3 ncü Ölçüm: 60 kg, 4 ncü Ölçüm: 70 kg) ne yaparsınız? Evet tartıyı çöpe atmak ya da kalibre etmek zorundasınız. Aksi takdirde tartı bu haliyle işlevsizdir.

Aynı durum sosyal olguları ölçmek için kullanılan anketler için de söz konusudur. Anketin aynı düşüncede olan kişilerin görüşlerini tartı gibi eşit göstermesi beklenir. Bunun için soruların ifade ediliş şekli çok önemlidir. Farklı kişiler tarafından farklı şekillerde yorumlanabilecek ifadeler ölçüm sonuçlarının güvenilirliğini düşürür. Bu yüzden öncelikle soruları herkes tarafından aynı anlam yüklenecek şekilde tasarlamalısınız. Bu da soruların kısa ve öz ifadeler içermesini gerekli kılar. Sorular insanların kafasını karıştırmamalıdır. Örneğin;

Madde: Mustafa Özer akıllı ve çalışkan bir öğretmendir.

( ) Kesinlikle Katılıyorum ( ) Katılıyorum ( ) Karasızım ( ) Katılmıyorum ( ) Kesinlikle Katılmıyorum

İfadesine cevap verecek insanları düşünün. Burada Mustafa Özer’in akıllı fakat çalışkan olmadığını düşünenler hangi seçeneği işaretleyecekler. Ya da az çalışkan, orta derecede akıllı olduğunu düşünenler? Tartışmalı değil mi. Burada soruya verilen cevaplar Mustafa Özer’e ait düşüncenin ötesinde sorunun ifade ediliş şeklinden kaynaklanan yorumlara göre farklılaşacaktır. Bu problemi bu soruyu ikiye bölerek çözebiliriz.

Ancak durum her zaman bu denli açık değildir. Örneğin;

Soru: Düzenli olarak spor yapar mısınız? ( ) Evet ( ) Hayır

Çok basit ve güvenilir gözüküyor değil mi? Aslında değil. Çünkü ayda 1 gün (30 gün arayla) spor yapan bir kişi bu soruya evet cevabı verirken, genelde her gün spor yapan fakat zaman zaman programını aksatan bir kişi aynı soruya hayır cevabı verebilir. Diğer bir ifade ile kişilerin bu soruya verdikleri cevapları spor yayıp yapmamalarının yanında “düzenli” kavramına ilişkin yorumları etkileyecektir.

Anket sorularını her ne kadar dikkatli hazırlarsanız hazırlayın bu gibi durumları gözden kaçırmanız mümkündür. Ayrıca yabancı bir dilden çevrilmiş bir anket kullanıyorsanız yine aynı durum söz konusu olacaktır. Belli bir kültürde herkes için aynı anlam ifade eden olgular, diğer bir kültürde farklı şekilde yorumlanabilir.

İşte bu yüzden anket araştırması tamamlandıktan sonra elde ettiğimiz verileri güvenilirlik analizine tabi tutuyoruz. Güvenilirlik analizi sonuçları bize bu tür yorum hatasına neden olan soruları gösteriyor. Bundan sonra yapılması gereken farklı alternatifler söz konusu? Eğer güvenirlilik analizini bir ön testten elde ettiğiniz verilere dayalı olarak yaptıysanız soruları tekrar ve daha güvenilir şekilde ifade ederek uygulamayı revize edilmiş sorularla yapabilirsiniz. Ancak araştırmanız tamamlandıysa güvenirliliği düşük soruları anketten çıkartarak, değerlendirmeyi kalan sorularla yapmaktan başka çareniz yok.

Şimdi gelelim bu işin SPSS’de nasıl yapılacağına? Güvenilirlik analizi için öncelikle aşağıdaki menüleri kullanın.

ANALYZE » SCALE » RELIABILITY ANALYSIS

Karşınıza çıkan Reliability Analysis iletişim kutusunda güvenilirlik analizine tabi tutacağınız maddeleri aradaki oku kullanarak Items kutucuğuna gönderin (eğer güvenilirlik analizini faktör bazında yapıyorsanız ilgili faktörde yer alan maddeler, ölçek bazında yapıyorsanız tüm maddeler).

Daha sonra Statistics tuşunu tıklayın karşınıza Reliability Analysis: Statistics iletişim kutusu çıkacaktır. Bu iletişim kutusundaki Scale If Item Delated seçeneğini işaretleyin ve sırasıyla Continue, OK tuşlarını tıklayın. Karşınıza aşağıdakilere benzer tablolar gelecektir.

Reliability Statistics tablosundan faktörün güvenilirliğinin ? = 0,857 yüksek bir değer olduğu görülmektedir. Bununla birlikte alfa katsayısı yalnız başına yeterli değildir. Sağlıklı bir değerlendirme yapabilmek için faktördeki her bir sorunun bu katsayıya katkısının incelenmesi gerekir.

Bunun için Item ? Total Statistics tablosunun Cronbach’s Alpha if Item Delated (Madde Silindiğinde Cronbach Alfa) sütunundaki değerlere bakacağız. Dikkat edilirse A 10 numaralı maddenin silinmesi halinde ölçeğin güvenilirlik katsayısının ? = 0,857’den ? = 0,880 yükseleceği görülecektir. Bu değer bize A10 sorusunda bir problem olduğunu sorunun anketten çıkartılması gerektiğini göstermektedir.

ŞimdiA10’u anketten çıkartalım ve analizi tekrarlayalım. Aşağıdaki Reliability Statistics tablosundan faktörün güvenilirliğinin ? = 0,880’e yükseldiği görülmektedir.

Bunun için Item ? Total Statistics tablosunun Cronbach’s Alpha if Item Delated sütunundaki değerler ise herhangi bir maddenin ölçekten çıkartılmasının faktörün güvenilirliğini arttırmayacağını aksine düşüreceğini göstermektedir. Bu çerçevede kalan 9 maddenin ölçülmek istenen olguyu başarıyla ölçtüğü sonucuna varılabilir.

Factor Analizi

Şimdi lisede girdiğiniz sınavları düşünün. Öğretmeniniz fen bilgisi ya da matematik dersinde bilgi düzeyinizi tek bir soru ile mi ölçerdi. Nadir durumlar (kötü öğretmenler) dışında tabii ki hayır.

Benzer durum anketler için de geçerlidir. İnsanların belli bir olguya ilişkin düşüncelerini tek bir soruyla ölçemezsiniz. Olguyu farklı birbirini destekleyen yönleriyle ölçebildiğiniz taktirde başarılı bir sonuç alabilirsiniz.

Şimdi matematik dersinin final sınavında soruların ünite bazında gruplandırılmadan karışık olarak size yöneltildiğini düşünün. İlk başta sorun olmadığını düşünebilirsiniz. Genel puanınız nasıl olsa bellidir. Ancak ünite bazında başarı düzeyinizi öğrenmek isterseniz? İşte o zaman soruların gruplanması gerekir. Tabii matematik gibi somut bir disiplinde geometri soruları ile trigonometri sorularını ayırmak son derece kolaydır. Ancak iş sosyal olguları ölçen anketlere geldiğinde bu işlem için bazı tekniklerin kullanımı zorunlu olur.

Örneğin okul müdürlerinin faklı liderlik davranışlarının öğretmenlerin iş tatminine etkilerinin ölçüldüğü bir araştırma yaptığınızı düşünün. Bu araştırmada müdürlerin farklı liderlik davranışlarını (Örnek, Otokritik, Katılımcı, Destekleyici vb.) ayrı ayrı değerlendirmeniz gerekecektir. Belki anket öncesi bu tür bir gruplandırma yapmış da olabilirsiniz. Bu durumda dahi yaptığınız gruplandırmanın ne derecede doğru olduğunu Faktör Analizi ile sayısal olarak doğrulamanız yararlı olacaktır. Çünkü sizin katılımcı liderlik davranışı olarak tanımladığınız bir davranış öğretmenler tarafından destekleyici liderlik davranışı olarak yorumlanmış olabilir. Bu durumda bu soru ya anketten çıkartılmalı ya da destekleyici liderlik kategorisinde değerlendirmeye alınmalıdır. Anket öncesi hiçbir kategorizasyon yapılmadığı durumlarda ise Faktör Analizi eşsiz bir araçtır. Soruları sizin için gruplandırır. Bundan sonra size kalan sadece her bir gruba isim vermektir.

Şimdi gelelim bu muhteşem tekniğin SPSS’de nasıl uygulanacağına? Faktör analizi için öncelikle aşağıdaki menüleri kullanın.

ANALYZE » DATA REDUCTION » FACTOR

Karşınıza çıkan Factor Analysis iletişim kutusunda analize tabi tutacağınız maddeleri aradaki oku kullanarak Variables kutucuğuna gönderin.

Şimdi Rotation tuşuna tıklayın karşııza çıkan Factor Analysis: Rotation iletişim kutusundan Varimax seçeneğini işaretleyin. Sırasıyla Continue ve OK tuşlarını tıklayın. Aşağıdakilerin benzeri tablolar elde edeceksiniz.

Total Variance Explained tablosunda ölçeğin kaç faktörden oluştuğu ve bu faktörlerin ölçülmek istenen olguyu ne derecede ölçtükleri görülmektedir.

Tablo, örneğimiz üzerinden incelendiğinde, 1nci Faktörün ölçtüğümüz olguyu (çalışanların memnuniyet düzeyi olsun) % 41,9; 2 nci Faktörün % 9,7; 3 ncü Faktörün % 9,1 oranında ölçtüğü görülmektedir. Ayrıca 3 Faktör ve 15 sorudan oluşan bu anket çalışanların memnuniyet düzeyini % 60 oranında ölçmektedir. Eğer % 60 oranında bir bilgi sizin için yeterli değilse ankete yeni sorular ve faktörler ekleyerek çalışmayı tekrarlamayı düşünebilirsiniz.

Component Matrix ise ölçeğin faktör sayısını göstermekle birlikte hangi maddenin hangi faktöre ait olduğu hakkında bilgi içermez. Bu nedenle faktör yapısının oluşturulmasında Rotated Component Matrix tablosu kullanılır.

Rotated Component Matrix tablosu incelenirken her bir maddenin hangi faktör altında en yüksek değere sahip olduğuna bakılır. Daha sonra bu maddeler gruplandırılarak faktör yapısı oluşturulur.

Tablodaki her bir maddenin bileşenler altındaki değerleri incelendiğinde; C1, C2, C3, C4 maddelerinin 1 nci Faktör, A1, A3, A4, A5 maddelerinin 2 ncü Faktör, A2, B1, B2, B3, B4, B5, C5 maddelerinin ise 3 ncü faktör altında en yüksek yükleme değerine sahip oldukları görülmektedir.

Madde numaralarından da anlaşılacağı üzere bu beklenmedik bir durumdur. A2 ve C5 maddeleri beklenmedik bir şekilde 3 ncü faktör altında toplanmıştır. Ancak soru içerikleri incelenirse hatanın analizden değil, soruyu hazırlayandan kaynaklandığı her durumda (anketin sağlıklı uygulanmadığı durumlar hariç) ortaya çıkacaktır.

Dolayısıyla gerek güvenilirlik analizi, gerekse faktör analizi anket tasarımı sırasında yapılan hataları bulmamızı ve bunları gidermemizi sağlayan güçlü araçlar olarak görülebilir.

Uygun Analiz Türünün Belirlenmesi

Uygun analiz türünün belirlenmesinde ilk kriter verilerin türüdür. Analiz yöntemleri verilerin özelliklerine göre iki temel gruba ayrılır. Bu gruplarda yer alan temel analiz yöntemleri aşağıdaki gibidir.

(1) Parametrik veriler için kullanılan analiz yöntemleri; Varyans Analizi, T-Testi, Pearson Korelasyonu.

(2) Parametrik olmayan veriler için kullanılan analiz yöntemleri; Ki-Kare Testleri, Spearman Korelasyonu.

Dolayısıyla uygun analiz türünü seçebilmek için öncelikle verilerin özelliklerinin belirlenmesi gerekecektir. Şimdi bunu nasıl yapacağımız görelim.

İstatistiksel analiz yapmanın ilk şartı verilerin tesadüfi (yansız) olarak seçilmiş olmasıdır. Veriler ister parametrik ister parametrik olmayan özellikte olsun mutlaka tesadüfi olarak seçilmelidir.

Verilerin seçiminde (örneklemin oluşturulması) yapılacak bir hata hangi analiz yöntemi kullanılırsa kullanılsın sonuçların yanlı ve değersiz olmasına yol açacaktır.

Bu şart sağlandıktan sonra ilk bakacağımız kriter örneklem büyüklüğü olacaktır. Eğer örneklem büyüklüğünüz 30’dan az ise parametrik olmayan yöntemleri kullanmanız gerek. Bu durumda veri setinizin diğer kriterleri karşılayıp karşılamadığını incelemenize gerek kalmaz. Eğer veri seti 30’dan büyük ise her bir faktörün normal dağılıma sahip olup olmadığını ve verilerin homojen dağılıp dağılmadığını incelemelisiniz.

Parametrik testlerde bu kadar ısrar etmemizin nedeni; hesaplamalarda veri setinin tümünü kullanmaları ve bu nedenle parametrik olmayan testlere göre daha üstün olmalarıdır. Ancak parametrik testlerin kullanabilmesi için verilerin normal dağılması ve homojen olması gerekmektedir.

Şimdi bu iki şartın sağlanıp sağlanmadığını SPSS’de nasıl ölçeceğimizi bir örnek üzerinde inceleyelim.

Örnek: Beşiktaş ilçesindeki ilköğretim okullarında görev yapan öğretmenlerin “eleştirel öğrenme”, “çoklu öğrenme”, “yapılandırmacı öğrenme” ve “duygusal zeka” hakkındaki görüşleri cinsiyetlerine göre farklılık göstermekte midir?

Verilerin normal dağılıma uygunluğunu Tek Örneklem Kolmogorov Smirnov Testi kullanarak belirliyoruz. Bu teste başlamak için aşağıdaki mönüleri kullanınız.

ANALYZE » NONPARAMETRIC TESTS » SAMPLE K-S

Karşınıza aşağıdaki iletişim kutusu çıkacaktır. Burada dağılımlarını test edeceğiniz faktörleri aradaki oku kullanarak Test Variable List kutucuğuna gönderin. Daha sonra OK tuşunu tıklayın. Karşınıza aşağıdakilerin benzeri bir tablo gelecektir.

Tablonun Assymp.Sig. (Anlamlılık) satırındaki değerlerin istatistiksel anlamlılık hesaplamalarında sınır değeri kabul edilen 0,05’den büyük olması incelenen faktörlerin dağılımlarının normal olduğunu göstermektedir. Eğer bu değerler 0,05’den küçük olsa idi parametrik olmayan test yöntemlerini kullanmak durumunda kalacaktık.

Şimdi aynı verilerin homojenliğini inceleyelim. Bunun için öncelikle aşağıdaki mönüleri kullanınız.

ANALYZE » COMPARE MEANS » ONEWAY ANOVA

Karşınıza aşağıdaki iletişim kutusu çıkacaktır. Burada dağılımlarını test edeceğiniz faktörleri aradaki oku kullanarak Dependent List kutucuğuna gönderin. Daha sonra bu değişkenleri gruplamada kullanacağınız değişkeni yine aradaki oku kullanarak Factor satırına yerleştirin.

Daha sonra Options tuşuna basın . Kaşınıza çıkacak aşağıdaki iletişim kutusundan Homogeneity of variance test seçeneğini işaretleyin. Sırasıyla Continue ve OK tuşlarını tıklayın.

Karşınıza aşağıdaki Test of Homogenity of Variances tablosu gelecektir. Bu tablonun da Sig. (Anlamlılık) sütunundaki değerlerin 0,05’den büyük olması incelenen faktörlerin dağılımlarının homojen olduğunu göstermektedir. Dolayısıyla bu soru için parametrik test yöntemlerini kullanabiliriz.

Bundan sonraki bölümlerde parametrik ve parametrik olmayan test yöntemlerini ayrıntılı olarak inceleyeceğiz.

Regresyon ve Korelasyon Analizi

Regresyon analizi, değişkenler arasındaki neden-sonuç ilişkisini bulmamıza imkan veren bir analiz yöntemidir. Örneğin “yemek yeme” ile “kilo alma” arasındaki ilişki regresyon analizi ile ölçülebilir. Korelasyon analizinde ise iki değişkene arasındaki ilişkinin yönü ve şiddeti hesaplanır. Fakat bu ilişki bir neden-sonuç ilişkisi olmak zorunda değildir. Örneğin, horozların sabah ötmeleriyle, güneşin doğması arasında kusursuz doğrusal pozitif korelasyon ilişki vardır. Ancak bu ilişki güneşi horozların doğmasını sağladığını göstermez.

Günlük hayatta da iki değişken arasındaki güçlü ilişkileri sürekli olarak neden-sonuç ilişkisi olarak yorumlamak eğilimi hakimdir. Analistler patronların önüne sayfalar dolusu veriyi yığarlar. Ancak bu basit ayrımın yapılmaması hatalı kararların alınması ve kaynakların boşa harcanmasına yol açar.

Bu bölümde lineer regresyon konusunu ele alacağız. Lineer regresyon, aralık-oran değişkenleri üzerinde gerçekleştirilen bir analiz türüdür. İlk olarak iki değişkenli regresyonu inceleyeceğiz. Daha sonra analize daha fazla ayrıntı ekleyeceğiz.

İkili Regresyon

İkili regresyonda araştırmacı, bağımsız değişken X hakkında sahip olduğu bilgilerden hareketle bağımlı değişken Y’yi tahmin etmeye çalışır. Biz aşağıdaki örneği kullanacağız; bu örnekte, eğitim yılı sayısına dayalı olarak katılımcının mesleki prestiji puanlanmaktadır. İki değişkenli regresyon analizine başlamak için aşağıdaki mönüleri seçin:

ANALYZE » REGRESSION » LINEAR

Karşınıza yukarıdaki iletişim kutusu çıkacaktır. Örneğimizde öğretmenlerin ders işleme yöntemlerinin öğrenci başarısına etkilerini inceleyeceğiz.

Bu iletişim kutusunda bağımlı değişkeninizi (Örnekte, Başarı) “Dependent” satırına, Bağımsız değişkeninizi (Örnekte, Metod) ise “Independent(s)” penceresine taşıyınız. OK tuşunu tıkladığınızda karşınıza aşağıdaki tablolar gelecektir. Şimdi bu tablolardaki temel göstergeleri örneğimiz üzerinden açıklayalım.

Model özeti tablosundaki R Square sütunundaki değerlerden bağımsız değişken durumundaki “Ders İşleme Metodunun” bağımlı değişken durumundaki “Öğrenci Başarısı” değişkenine ait varyansı % 54 oranında açıkladığı, diğer bir ifade ile öğrenci başarısının % 54’ünün ders işleme yöntemine bağlı olduğu anlaşılmaktadır.

ANOVA tablosunun anlamlılık sütunundaki değer ise söz konusu değişkenler arasındaki ilişkinin p < 0,01 düzeyinde istatistiksel olarak anlamlı olduğunu göstermektedir. Eğer bu sütundaki değer 0,05’in üzerinde olsaydı ilişkinin anlamsız (rastlantısal) olduğu yorumunu yapacaktık. Tablodaki ilişki formüle edilecek olursa;

F (1,302) = 353,954; p < 0,01 denklemi oluşturulabilir.

Katsayı (Coefficients) tablosu ise, regresyon denklemi için kullanılan regresyon katsayılarını ve bunların anlamlılık düzeylerini vermektedir. Örneğimizde eğitim metodu değişkeninin katsayısı 0,737, denklemin sabit değeri ise 1,131’dir.

Bu değerleri Y = bX + a denklemine yerleştirdiğimizde karşımıza;

Y = 0,737X + 1,131

eşitliğini elde ederiz. Bu eşitlik bize eğitim yönteminin alacağı değerlerin öğrenci başarısını nasıl etkilediğini göstermektedir.

Çoklu Regresyon

Çoklu regresyonda ikili regresyondan farklı olarak bağımlı değişken üzerinde birden fazla bağımsız değişkenin toplu etkisi araştırılır. Burada da ikili regresyonda kullanılan mönülerden yararlanılır. Ancak Independent(s) penceresine birden fazla değişken girişi yapılır. Biz burada Öğrenme, Ortak Vizyon, Açık Fikirlilik ve Koordinasyon değişkenlerinin Yenilikçi İş Davranışına etkilerini belirlemeye çalışacağız.

Bunun için öncelikle ikili regresyonda izlediğiniz adımları tekrarlayın. Daha sonra Independent(s) kutucuğuna tüm bağımsız değişkenlerinizi girin ve OK tuşuna yıklayın.

Karşınıza aşağıdakilerin benzeri tablolar gelecektir. Model özeti tablosundaki R Square sütunundaki değerlerden yine bağımsız değişken durumundaki “Öğrenme”, “Ortak Vizyon”, “Açık Fikirlilik” ve “Koordinasyonun” bağımlı değişken durumundaki “Yenilikçi İş Davranışı” değişkenine ait varyansı % 70 oranında açıkladığı, diğer bir ifade ile yenilikçi iş davranışının % 70 oranında bu faktörlere bağlı olarak şekillendiği anlaşılmaktadır.

ANOVA tablosunun anlamlılık sütunundaki değer ise söz konusu değişkenler arasındaki ilişkinin p < 0,01 düzeyinde istatistiksel olarak anlamlı olduğunu göstermektedir. Tablodaki ilişki formüle edilecek olursa;

F (4, 166) = 98,891; p < 0,01 denklemi oluşturulabilir.

Katsayı (Coefficients) tablosu ise, regresyon denklemi için kullanılan regresyon katsayılarını ve bunların anlamlılık düzeylerini vermektedir. Örneğimizde Yenilikçi İş Davranışı ile Öğrenme, Ortak Vizyon ve Açık Fikirlilik arasındaki ilişki p < 0,01 düzeyinde anlamlı iken, Yenilikçi İş Davranışı ile Koordinasyon arasındaki ilişkinin istatistiksel olarak anlamlı olmadığı görülmektedir. Bu bulgudan hareketle koordinasyon uygulamalarının yenilikçi iş davranışına anlamlı bir katkı yapmadığı söylenebilir.

Tabloda yer alan verilerden yenlikçi iş davranışının alabileceği değer aşağıdaki şekilde formüle edilebilir.

Yenilikçi İş Davranışı = 0,766 + 0,230 Öğrenme + 0306 Ortak Vizyon + 0,504 Açık Fikirlilik + 0,102 Koordinasyon

Ayrıca tablodaki katsayılardan Yenilikçi İş Davranışı üzerinde en fazla etkiye sahip faktörün Açık Fikirlilik olduğu, bunu sırasıyla ortak vizyon ve öğrenmenin izlediği anlaşılmaktadır.

Korelasyon

Korelasyon analizi ile iki farklı değişken arasındaki ilişkinin yönü ve şiddeti hakkında bilgi edinebiliriz. Ancak daha önce de belirttiğimiz gibi korelasyon, neden-sonuç ilişkisinin göstergesi değildir.

Örneğimizde günlük uyku süresi ile TV izleme süresi arasındaki ilişki incelenmiştir. Şimdi aşağıdaki mönüleri kullanın, karşınıza Bivariate Correlations iletişim kutusu çıkacaktır.

ANALYZE » CORRELATE » BIVARIATE

Bu iletişim kutusunda aralarındaki ilişkiyi öğrenmek istediğiniz değişkenleri (ikinin üzerinde olabilir), Variables penceresine taşıyınız (Örneğimizde, Uyku ve TV izleme). Pearson kutucuğunu işaretli olduğundan emin olduktan sonra OK tuşunu tıklayınız. Kaşınıza aşağıdakinin benzeri bir tablo çıkacaktır.

Pearson Coorrelation ifadesinin karşısındaki 0,769 değeri “r” ile ifade edilir ve ? 1 ile + 1 arasında bir değer alır. Burada ilişkinin yönünü “r”nin işareti, derecesini ise katsayının büyüklüğü belirler. Eksi değerler bir değişken artarken diğerinin azaldığının, artı değerler ise her iki değişkenin aldığı değerlerin birlikte artış ve azalış gösterdiğinin göstergesidir.

Tablodaki 0,769 değeri ise TV İzleme ile Uyku arasında çok güçlü pozitif doğrusal bir ilişki olduğunu göstermektedir. Bu iki değişken arasında bir neden sonuç ilişkisi olmamakla birlikte, çok fazla TV izleyenlerin pek fazla işi olmayan kişiler olduğu ve bunların aynı zamanda uykuya da fazla zaman ayırdıkları yorumu yapılabilir. Ancak daha sağlıklı bir yorum yapabilmek için farklı değişkenlerin TV izleme ve uykuya etkisi araştırılmalıdır.

Eğer verileriniz parametrik olma şartlarını taşımıyorsa Correlation Coefficients başğlığı altındaki Pearson seçeneği yerine Spearman seçeneğini işaretlemeniz gerekecekti. Aşağıda Searman aynı sorulara 25 kişinin verdiği cevaplar sonrasında elde edilen Spearman Testi sonuçları verilmiştir.

Tablodaki 0,545 değeri, TV İzleme ile Uyku arasında pozitif doğrusal bir ilişki olduğunu göstermektedir.

Kısmi Korelasyon

Kısmi korelasyonda incelenen değişkenlerle ilişkili olduğu düşünülen bir ve ya daha fazla değişkenin bu değişkenler üzerindeki etkisi kontrol altında tutulur.

Şimdi örneğimizdeki TV İzleme ve Uyku arasındaki ilişkiyi kişilerin hastalık durumlarını kontrol altında tutarak tekrar inceleyelim. Bunun için aşağıdaki mönüleri kullanın. Karşınıza Partial Correlations iletişim kutusu çıkacaktır.

ANALYZE » CORRELATE » BIVARIATE

Burada da aralarındaki ilişkiyi araştırdığınız değişkenleri Variables kutusuna, kontrol değişkenini ise Controlling for kutusuna yerleştiriniz. OK tuşuna tıkladığınızda karşınıza aşağıdakine benzer bir tablo gelecektir.

Dikkat edilirse hastalık değişkeni dikkate alındıktan sonra “r” değeri 0,769’dan, 0,713’e düşmüştür. Bu durum hastalığın değişkeninin TV izleme ve uyku değişkenleri üzerinde etkisinin olduğunu göstermektedir.

t-Testi

t-testi iki ortalamanın karşılaştırılmasında kullanılan bir analiz yöntemidir. Eğer karşılaştıracağınız ortalama sayısı ikinin üzerinde ise bundan sonraki bölümde açıklayacağımız Varyans Analizi yöntemini kullanmanız gerekecektir.

Bu bölümde Tek Örneklem İçin t -Testi, Bağımsız Örneklemler İçin t-Testi, İlişkili Ölçümler İçin t-Testi analizleri incelenecektir. Ayrıca Tek Örneklem İçin t-Testi bölümünde istatistiğin bazı temel kavramlarını açıkladık. Pek çok istatistik kitabında sayfalarca anlatılan bu kavramları mümkün olduğunca basite indirmeye çalıştık. Bundan sonraki analizler için de ihtiyaç duyacağınız “örnekleme hatası”, “güven aralığı” gibi kavramları mutlaka incelemenizi tavsiye ediyoruz.

Tek Örneklem t-Testi

Tek Örneklem t-Testinde, aynı örneklemin ölçülen ortalaması ile tahmin edilen ya da bilinen ortalaması karşılaştırılır. Biraz karışık mı? Aslında değil.

Şimdi Ziraat Bankası gibi 24.000 kişinin çalıştığı büyük bir kuruluşta anket çalışması yapmak istediğinizi düşünün. Herkese anket uygulamanız maliyetli olacaktır. Bunun için kaçınılmaz olarak örnekleme yaptınız ve rastgele 400 kişi seçtiniz. Ancak içinize bir kurt düştü ve bu seçtiğiniz örneklemin ana kütlenin özelliklerini yansıtıp yansıtmadığını test etmek istiyorsunuz. İşte Tek Örneklem t-Testi burada yardımınıza yetişiyor.

Bunun yanında bir konuya ilişkin tahminlerinizin doğru olup olmadığını da Tek Örneklem t-Testini kullanarak test edebilirsiniz. Örneğin bir şehirdeki insanların yaş ortalamasının 40 olarak tahmin ediyorsunuz. Daha sonra rastgele 100 kişi seçtiniz ve bunların yaş ortalamasını hesapladınız. Fakat örnekleminizin ortalaması 42 çıktı. Tahmininiz hatalı mıydı? Tek Örneklem t-Testini kullanmadan böyle bir sonuca gidemezsiniz. Çünkü hata örneklemden de kaynaklanabilir. Diğer bir ifade ile başka bir 100’lük grup seçseniz bu grubun yaş ortalaması 38 çıkabilir. En sağlamı herkesi hesaplamaya dahi ederek bu tartışmayı bitirmek gibi gözüküyor. Ancak buna ne zaman ne kaynak yetmez. Ayrıca pratikte herkese de ulaşamazsınız. İşte bu yüzden istatistik hesaplamaları yapıyoruz.

Tek Örneklem t-Testi size yaptığınız tahminin belirli bir anlamlılık düzeyinde doğru olup olmadığı gösterir. “Anlamlılık düzeyi” diyoruz çünkü ana kitledeki tüm bireyler hesaba katılmadığından ulaşılan sonuçta yanılma ihtimali her zaman olacaktır. Bu yanılma olasılığı; “0,05” anlamlılık düzeyi için % 5, “0,01” anlamlılık düzeyi içinse % 1 düzeyindedir. Ama ben sıfır hata isterim diyorsanız oturup herkesi hesaba katmanız gerekir.

Burada dikkat çekmek istediğimiz nokta hangi istatistik yöntemi ve hangi programı kullanırsanız kullanın eğer işin içinde “istatistik” geçiyorsa her zaman bir yanılma payı olacağının unutulmaması gerektiğidir.

Şimdi Tek Örneklem t-Testinin nasıl uygulandığını bir örnek üzerinde inceleyelim.

Örnek: Rock’n Coke konserine 2007 yılında katılan kişilerin yaş ortalamalarının 34,2 olduğu bilinmektedir. Katılımcılar arasında bulunan 104 kişilik Çılgınlar Grubunun yaş ortalaması açısından ana kitlenin (tüm katılımcılar) özelliklerini gösterip göstermediğini bulunuz.

Bu örnek için H0 ve H1 hipotezleri? ise şu şekilde formüle edilebilir.

dipnot: ? Hipotezin kelime anlamı “sav, iddiadır”. Dikkat ederseniz burada grubun yaş ortalamasının 34 olduğu iddiasında bulunuyoruz. Ancak bu iddiayı test edebilmemiz için bunu H0 ve H1 olmak üzere iki farklı şekilde ifade etmemiz gerek. H0 hipotezleri her zaman gruplar arası farksızlığı öngörür. H1 hipotezi ise gruplar arası fark olduğu iddiasına dayanır. İncelenen konu ya da analiz yöntemi ne olursa olsun bu durum değişmez. Yapılan tüm analizlerde H0 hipotezi test edilir. Eğer H0 hipotezi reddedilirse H1 hipotezinin doğruluğu kabul edilir.

Tek Örneklem t-Testi için öncelikle aşağıdaki mönüleri kullanın:

ANALYZE » COMPARE MEANS » ONE SAMPLE T TEST

Karşınıza yukarıdaki One-Sample T Test iletişim penceresi gelecektir. Bu pencereden inceleyeceğiniz değişkeni (Örnekte, Yaş) Test Variable(s) kutucuğunun içine aradaki oku kullanarak gönderin. Aşağıdaki Test Value satırına ise örneklemi test edeceğiniz değeri girin (Örnekte, 34). Daha sonra anlamlılık düzeyini belirlemek üzere Options tuşuna tıklayın. Karşınıza aşağıdaki iletişim kutusu çıkacaktır.

SPSS varsayılan olarak p < 0,05 anlamlılık düzeyinde çalışmaktadır. Anlamlılık düzeyini p < 0,01’e yükselterek daha güvenilir sonuçlar elde etmek için bu bölüme % 99 değeri girebilirsiniz. Ancak bu durumda p < 0,05 anlamlılık düzeyinde anlamlı çıkan bazı ilişkiler, p < 0,01 anlamlılık düzeyinde anlamlı çıkmayacaktır. Bu yüzden pek çok durum için p < 0,05 anlamlılık düzeyi yeterli olarak kabul edilir.

Şimdi sırasıyla Continue ve OK yuşlarını tıklayın. Karşınıza aşağıdaki tablolar gelecektir.

One Sample Statistics tablosunda 104 kişilik grubumuzun yaş ortalamasının 33,19 olduğu görülmektedir. Bu ortalama kuşkusuz tahminimiz olan 34′,2 den farklıdır. Ancak aradaki farkın istatistiksel olarak anlamlı olup olmadığını belirlemek için One Sample Test tablosundaki Sig. (2-tailed) değerini incelmemiz gerekecektir. Bu değerin 0,05’den küçük olduğu durumlarda H0 hipotezi reddedilirken, 0,05’den büyük olduğu durumlarda H0 hipotezi reddedilemez. Örneğimizde p = 0,099 değeri 0,05’den büyük olduğu için H0 hipotezi reddedilememiş ve analiz sonrasında bulunan 33,19 değeri ile 34,2 değeri arasındaki farkın istatistiksel olarak anlamlı olmadığı, Rock’n Coke konserine katılan 100 kişilik Çılgınlar Grubu’nun yaş ortalaması açısından ana kitleden farklılık göstermediği sonucuna varılmıştır.

Bağımsız Örneklem t-Testi

Bağımsız örneklem t-testinde ise tek örneklem t-testinden farklı olarak iki ayrı grubun ortalamaları karşılaştırılır. Öreğin feminizm konusunda hakkında erkek ve kadınların görüşleri arasında fark olup olmadığını test etmek isterseniz bağımsız örneklem t-testini kullanabilirsiniz. Benzer şekilde evli ve bekar kadınların kozmetik harcamaları arasında fark olup olmadığını bulmak için kullanılabilecek yöntem yine bağımsız örneklem t-testidir.

Şimdi Bağımsız Örneklem t-Testinin nasıl uygulandığını bir örnek üzerinde inceleyelim.

Örnek: Bir sınıfta kız ve erkek öğrencilerin matematik dersinden aldıkları notlar arasında anlamlı bir fark var mıdır?

Bu örnek için H0 ve H1 hipotezleri ise şu şekilde formüle edilebilir.

H0 = Kız ve erkek öğrencilerin matematik dersinden aldıkları notlar arasında anlamlı bir fark yoktur.

H1 = Kız ve erkek öğrencilerin matematik dersinden aldıkları notlar arasında anlamlı bir fark vardır.

Bağımsız Örneklem t-Testi için öncelikle aşağıdaki mönüleri kullanın:

ANALYZE » COMPARE MEANS » INDEPENDENT SAMPLE T TEST

Karşınıza aşağıdaki Independent-Sample T Test iletişim penceresi gelecektir. Bu pencereden inceleyeceğiniz değişkeni (Örnekte, Matematik Notu) Test Variable(s) kutucuğunun içine, gruplandırmada kullanacağınız değişkeni (Örnekte, Cinsiyet) Grouping Variable satırına, aradaki okları kullanarak gönderin.

Şimdi kullanacağınız grupları tanımlamanız gerek. Bunun için Define Groups düğmesini tıklayın. Karşınıza aşağıdaki iletişim kutusu gelecektir. Burada Kızlar “1”, Erkeler “2” ile temsil edildiğinden bu rakamları Group 1 ve Group 2 satırlarına girdik. Bunun dışında örneğin gruplamayı Eğitim Düzeyi değişkenine göre yapmayı düşündünüz ve üniversite mezunları ile lisansüstü eğitim görenler karşılaştırmak istiyorsunuz. Kodlarınızda “1” İlköğretim, “2” Lise”, “3” Üniversite” “4”Lisanüstü” şeklinde olsun bu durumda Group 1 ve Group 2 satırlarına sırasıyla “3” ve “4” rakamlarını girmeniz gerekecek. Eğer lise ve daha az eğitim görmüşler ile üniversite ve daha yüksek eğitime sahip olanları karşılaştırmak istiyorsanız Cut point ifadesinin önündeki radyo düğmesini işaretlemeniz ve bu satıra “2” değerini girmeniz yeterli olacaktır. SPSS Cut point satırına girilen değeri “< =” (küçük eşit) olarak kabul eder.

Şimdi örneğimize dönelim. Sırasıyla Continue ve OK tuşlarını tıklayınız. Karşınıza aşağıdakiler benzer tablolar gelecektir. Group Statistics tablosunda her bir grupta kaç kişi bulunduğu, bunların ortalama değerleri (Örnekte, Matematik dersinden aldıkları ortalama puanlar) ile bunlara ait standart sapma ve standart hata değerleri yer almaktadır.

Tabloda kızların ortalamasının erkeklerden daha yüksek olduğu görülmektedir. Ancak bu farkın rastlantısal mı yoksa gerçek bir başarının göstergesi mi olduğunu belirleyebilmek için Independent Samples Test tablosunu incelememiz gerekir.

Independent Samples Test tablosunun Sig. (Anlamlılık) sütunundaki değerin 0,29 olduğu görülmektedir. Söz konusu değer 0,05’den küçük olduğu için, cinsiyet ile matematik dersi başarısı arasındaki ilişkinin p < 0,05 düzeyinde istatistiksel olarak anlamlı olduğunu söyleyebiliriz.

Örneğimizde t-testi sonuçları ve gruplara ait ortamlalar birlikte değerlendirildiğinde, H0 hipotezi reddedilmiş ve kız öğrencilerin matematik dersinde erkelerden daha başarılı olduğu sonucuna ulaşılmıştır.

Eşleştirilmiş Örneklem t-Testi

Özellikle deneme modelli araştırmalarda deney öncesi ve sonrası değerlerin karşılaştırılmasına ihtiyaç duyulabilir. Bunun dışında belli bir grubun ilişkili fakat farklı iki konu ya da uygulamaya ilişkin görüşlerini karşılaştırmak isteyebilirsiniz. Biraz karmaşık mı oldu? Aslında değil.

Örneğin bir işletmenin ISO 9001:2000 öncesi ve sonrası performansını karşılaştırmak istiyorsunuz. Ya da öğretmenlerin “eleştirel öğrenme” ile “çoklu öğrenme” yöntemlerinin etkinliklerine ilişkin görüşlerini karşılaştırmanız gerek. Son olarak demokratik liderlik modelinin uygulandığı proje takımı ile geleneksel liderlik yaklaşımlarının uygulandığı bir başka proje takımının performanslarını karşılaştıracaksınız. Eşleştirilmiş Örneklem t-Testi tüm bu durumlar için uygun bir yöntemdir.

Şimdi Eşleştirilmiş Örneklem t-Testinin nasıl uygulandığını bir örnek üzerinde inceleyelim.

Örnek: Fen bilgisi öğretmenlerinin, “Adım Adım Fen Bilgisi” yardımcı kitabı ile “Aşama Aşama Fen Bilgisi” yardımcı kitabının etkiliğine ilişkin görüşleri arasında fark var mıdır?

Bu örnek için H0 ve H1 hipotezleri ise şu şekilde formüle edilebilir.

H0 = Fen bilgisi öğretmenlerinin “Adım Adım Fen Bilgisi” yardımcı kitabı ile “Aşama Aşama Fen Bilgisi” yardımcı kitabının etkiliğine ilişkin görüşleri arasında fark yoktur.

H1 = Fen bilgisi öğretmenlerinin “Adım Adım Fen Bilgisi” yardımcı kitabı ile “Aşama Aşama Fen Bilgisi” yardımcı kitabının etkiliğine ilişkin görüşleri arasında fark vardır.

Eşleştirilmiş Örneklem t-Testi için öncelikle aşağıdaki mönüleri kullanın:

ANALYZE » COMPARE MEANS » PAIRED SAMPLE T TEST

Karşınıza aşağıdaki Paired-Sample T Test iletişim penceresi gelecektir. Bu pencereden inceleyeceğiniz değişkenleri birbiri ardına tıklayınız. Tıkladığınız değişkenler Current Selections kutusunda görüntülenecektir. Daha sonra aradaki oku kullanarak bu değişkenleri Paried Variables kutusuna gönderin.

OK tuşuna tıklayınız. Karşınıza aşağıdakiler benzer tablolar gelecektir.

Paired Samples Statistics tablosunda öğretmenlerin her iki kitabın etkinliğine ilişki görüşlerinin ortalaması ile standart sapma ve standart hata değerleri yer almaktadır. N değerinin her iki değerlendirme için de 303 olması bu verilere kayıp değer olmadığı, diğer bir ifade ile tüm öğretmenlerin her iki kitabı da değerlendirdiğini göstermektedir.

Tabloda Asama Asama Fen yardımcı kitabına verilen puanların ortalamasının Adım Adım Fen yardımcı kitabına verilenlerden daha yüksek olduğu görülmektedir. Ancak bu farkın rastlantısal mı yoksa gerçek bir başarının göstergesi mi olduğunu belirleyebilmek için Paried Samples Test tablosunu incelememiz gerekir.

Paired Samples Test tablosunun Sig. (Anlamlılık) sütunundaki değerin 0,00 olduğu görülmektedir. Söz konusu değer 0,01’den küçük olduğu için, Asama Asama Fen yardımcı kitabı ile Adım Adım Fen yardımcı kitabının etkinliği arasındaki farkın p < 0,01 düzeyinde istatistiksel olarak anlamlı olduğunu söyleyebiliriz.

Örneğimizde t-testi sonuçları ve gruplara ait ortamlalar birlikte değerlendirildiğinde, H0 hipotezi reddedilmiş ve fen bilgisi öğretmenlerinin “Aşama Aşama Fen Bilgisi” kitabının etkinliğinin “Adım Adım Fen Bilgisi” kitabının etkinliğinden daha yüksek olduğu görüşünü taşıdıkları sonucuna varılmıştır.

Varyans Analizi

İki farklı grup arasında karşılaştırma yapmamız gerektiğinde ttestini kullandık. Eğer grup sayısı ikiden fazla ise? Bu durumda varyans analizini kullanacağız. Varyans analizi de t-testinde olduğu gibi farklı yöntemler içeriyor. Bu bölümde Bağımsız Örneklem Tek Yönlü Varyans Analizi, Bağımsız Örneklem İki Yönlü Varyans Analizi, İlişkili Örneklem Tek Yönlü Varyans Analizi, İlişki Örneklem İki Yönlü Varyans Analizi ve Çok Faktörlü Varyans Analizi yöntemlerini inceleyeceğiz.

Bağımsız Örneklem Tek Yönlü Varyans Analizi

Bağımsız örneklem tek yönlü varyans analizinde ikiden fazla grubun ortalamaları karşılaştırılır. Öreğin evlilik hakkındaki görüşlerin medeni duruma (evli, bekar, dul) göre farklılık gösterip göstermediğini test etmek isterseniz tek yönlü varyans analizini kullanabilirsiniz. Benzer şekilde farklı eğitim düzeylerindeki kadınların kozmetik harcamaları arasında fark olup olmadığını bulmak için kullanılabilecek yöntem yine bağımsız örneklem tek yönlü varyans analizidir.

Şimdi tek yönlü varyans analizinin nasıl uygulandığını bir örnek üzerinde inceleyelim.

Örnek: Öğrencilerin Fen Bilgisi dersinden aldıkları ortamla puanlar babalarının eğitim durumlarına göre farklılık gösterir mi?

Bu örnek için H0 ve H1 hipotezleri ise şu şekilde formüle edilebilir.

H0 = Babaları farklı eğitim düzeyine sahip öğrencilerin Fen Bilgisi dersinden aldıkları ortamla arasında anlamlı bir fark yoktur.

H1 = Babaları farklı eğitim düzeyine sahip öğrencilerin Fen Bilgisi dersinden aldıkları ortamla arasında anlamlı bir fark vardır.

Bağımsız örneklem tek Yönlü Varyans Analizi için aşağıdaki mönüleri kullanın:

ANALYZE » COMPARE MEANS » ONE WAY ANOVA

Karşınıza aşağıdaki One Way ANOVA iletişim penceresi gelecektir. Bu pencereden inceleyeceğiniz değişkeni (Örnekte, Fen Bilgisi Notu) Dependent List kutucuğunun içine, gruplandırmada kullanacağınız değişkeni (Örnekte, Baba Eğitim Düzeyi) Factor satırına, aradaki okları kullanarak gönderin.

Şimdi her bir gruba ait tanımlayıcı istatistikleri (ortalama, standart sapma vb.) görebilmek için Options tuşunu tıklayın ve aşağıda da verilen iletişim kutusundaki Descriptive seçeneğini işaretleyin.

Şimdi sırasıyla Continue ve Post Hoc tuşlarını tıklayın karşınıza aşağıdaki iletişim kutusu gelecektir. Buradan Turkey seçeneğini işaretleyin.

Varyans analizi farklı grupların birbirinden farklı olup olmadığını gösterir. Ancak farklılıkların hangi gruplar arasında olduğuna ilişkin bilgi içermez. Bunun için varyans analizlerine ilave olarak Turkey testinin yapılmasında yarar vardır.

Sırasıyla Continue ve OK tuşlarını tıkladığınızda karşınıza aşağıdakilerin benzeri tablolar gelecektir.

Descriptives tablosunda her bir grupta kaç kişi bulunduğu, bunların ortalama değerleri (Örnekte, Fen Bilgisi dersinden aldıkları ortalama puanlar) ile bunlara ait standart sapma ve standart hata değerleri yer almaktadır.

Tabloda babanın eğitim düzeyi yükseldikçe öğrencilerin de notlarının buna paralel olarak arttığı görülmektedir. Ancak bu farklılıkların rastlantısal mı yoksa gerçek bir başarının göstergesi mi olduğunu belirleyebilmek için ANOVA tablosunu incelememiz gerekir.

ANOVA tablosunun Sig. (Anlamlılık) sütunundaki değerin 0,00 olduğu görülmektedir. Söz konusu değer 0,01’den küçük olduğu için, babanın eğitim düzeyi ile fen bilgisi dersi başarısı arasındaki ilişkinin p < 0,05 düzeyinde istatistiksel olarak anlamlı olduğunu söyleyebiliriz.

Örneğimizde varyans analizi sonuçları ve gruplara ait ortamlalar birlikte değerlendirildiğinde, H0 hipotezi reddedilmiş ve babaları farklı eğitim düzeylerinde olan öğrencilerin fen bilgisi dersinden aldıkları ortalama puanlar arasındaki farklın anlamlı olduğu sonucuna ulaşılmıştır.

Bununla birlikte daha önce de ifade edildiği gibi ANOVA tablosu gruplar arasındaki farklılıkları bir bütün olarak değerlendirir. Diğer bir ifade ile hangi ikili gruplar arasındaki farkın anlamlı olduğuna ilişkin bilgi vermez. Bunun için aşağıdaki Turkey testi tablosu incelenmelidir.

Tablonun anlamlılık sütunundaki değerlerden babası lisansüstü eğitime sahip olan çocuklarla babası lisans eğitimine sahip olan çocukların fen bilgisi not ortalamaları arasındaki farkın istatistiksel olarak anlamlı olmadığı anlaşılmaktadır. Diğer tüm gruplar arasındaki ilişki ise p < 0,05 (anlamlılık değeri ONE WAY ANOVA: Post Hoc Multiple Comparasion iletişim kutusunda belirlenmişti) düzeyinde anlamlıdır.

Bu bulgular ışığında babası ilköğretim okulu mezunu öğrencilerin fen bilgisi dersinden en düşük ortalamaya sahip oldukları, bu öğrencileri babası lise mezunu olan öğrencilerin takip ettiği, babası lisans ve lisans üstü eğitim gören öğrencilerin ise en başarılı grubu oluşturduğu söylenebilir.

Bağımsız Örneklem İki Yönlü Varyans Analizi

Bağımsız örneklem iki yönlü varyans analizi, belli bir bağımlı değişken üzerinde (Örneğimizde, Öğretmenlerin performansı), birden fazla bağımsız değişkenin (Örneğimizde, Öğretmenlerin cinsiyeti ve kıdemi) ortak etkisini ölçmek için kullanılır.

Şimdi Bağımsız Örneklem İki Yönlü Varyans Analizinin nasıl uygulandığını bir örnek üzerinde inceleyelim.

Örnek: Erkek ve kadın öğretmenlerin performansları yaşlarına bağlı olarak farklılık gösterir mi?

Bu örnek için H0 ve H1 hipotezleri ise şu şekilde formüle edilebilir. H0 = Erkek ve kadın öğretmenlerin performansları yaşlarına bağlı farklılık göstermez.

H1 = Erkek ve kadın öğretmenlerin performansları yaşlarına bağlı olarak farklılık gösterir.

Bağımsız Örneklem İki Yönlü Varyans Analizi için aşağıdaki mönüleri kullanın:

ANALYZE » GENERAL LINEAR MODEL » UNIVARITE

Karşınıza aşağıdaki Univarite iletişim penceresi gelecektir. Bu pencereden inceleyeceğiniz değişkeni (Örnekte, Performans) Dependent Variable satırına, gruplandırmada kullanacağınız değişkeni (Örnekte, Cinsiyet, Bölüm) Fixed Factor (s) kutucuğuna aradaki okları kullanarak gönderin.

Şimdi Options tuşunu tıklayın ve karşınıza gelen aşağıdaki iletişim kutusundan Descriptive statistics seçeneğini işaretleyin.

Sırasıyla Continue ve OK tuşlarını tıklayın. Karşınıza aşağıdakilere benzer tablolar gelecektir.

Between Subjects Factors tablosunda her bir grubu oluşturan alt grupların sıklıkları verilmiştir.

Descriptive Statistics tablosunda ise performansın yaşa bağlı olarak değişimi cinsiyet değişkeni baz alınarak sunulmuştur. Bu tablodan Bay ve Bayanların performanslarının yaşlarına bağlı olarak değişimi görülmektedir. Ayrıca bu tabloyu kullanarak belirli bir yal grubundaki bayanların performansı ile erkeklerin performansını karşılaştırmak mümkündür.

Ancak bu karşılaştırmalar sonucu gözlenen farklılıkların anlamlı olup olmadığını belirlemek içinse Tests of Between-Subjects Effects tablosunu incelememiz gerekir.

Tablonun Cinsiye * Yaş satırındaki değerlerden cinsiyet ve yaşın performans üzerindeki ortak etkisinin (p = 0,224, p > 0,05) istatistiksel olarak anlamlı olmadığı görülmektedir. Bu bulgular ışığında H0 hipotezi reddedilememiş ve erkek ve kadın öğretmenlerin performansları yaşlarına bağlı olarak farklılık göstermez. Diğer bir ifade ile farklı yaş gruplarındaki erkek ve bayan öğretmenlerin performansları arasındaki fark istatistiksel olarak anlamlı değildir.

Ek bilgi olarak; tablonun Cinsiyet satırındaki anlamlılık değeri (p = 0,417, p > 0,05) performans ile cinsiyet arasındaki ilişkin istatistiksel olarak anlamlı olmadığını göstermektedir. Tablonun Yaş satırındaki anlamlılık değeri ise ( p = 0,003, p < 0,01) performans ile yaş arasındaki ilişkinin p < 0,01 düzeyinde istatistiksel olarak anlamlı olduğunu ortaya koymaktadır. Diğer bir ifade ile performans cinsiyete bağlı olarak anlamlı bir farklılık göstermezken yaşa bağlı olarak farklılık göstermektedir. Bu bulgu Descriptive Statistics tablosunun Total hanesindeki verilerle birlikte değerlendirildiğinde öğretmenlerin performanslarının yaşlarına bağlı olarak düştüğü anlaşılmaktadır.

İlişkili Örneklem Tek Yönlü Varyans Analizi

Eşleştirilmiş örneklem t-testini kullanarak; belirli bir değişkene ait deney öncesi ve sonrası değerlerini karşılaştırılmıştık. Ayrıca yine bu yöntemi, bir grubun ilişkili fakat farklı iki konuya ilişkin görüşlerini karşılaştırmak için kullanmıştık. Ölçüm sayısının ikiden fazla olduğu durumlar ile ikiden fazla konuya ilişkin görüşlerin karşılaştırılmasında ise bu bölümde açıklayacağımız İlişkili Örneklem Tek Yönlü Varyans Analizi yöntemini kullanabiliriz.

Örneğin bir ilacın etkilerini ölçmek için ikişer hafta arayla yapılan dört farklı testin sonuçlarının ya da öğretmenlerin A, B, C eğitim yöntemlerine ilişkin görüşlerini İlişkili Örneklem Tek Yönlü Varyans Analizi yöntemini kullanarak karşılaştırabiliriz.

Şimdi İlişkili Örneklem Tek Yönlü Varyans Analizinin nasıl uygulandığını bir örnek üzerinde inceleyelim.

Örnek: İstanbul Levent Bölgesindeki İlköğretim Okullarında görev yapan öğretmenlerin yapılandırmacı öğrenme, eleştirel öğrenme ve geleneksel öğrenme yöntemlerine ilişkin görüşleri arasında fark var mıdır.

Bu örnek için H0 ve H1 hipotezleri ise şu şekilde formüle edilebilir.

H0 = İstanbul Levent Bölgesindeki İlköğretim Okullarında görev yapan öğretmenlerin yapılandırmacı öğrenme, eleştirel öğrenme ve geleneksel öğrenme yöntemlerine ilişkin görüşleri arasında fark yoktur.

H1 = İstanbul Levent Bölgesindeki İlköğretim Okullarında görev yapan öğretmenlerin yapılandırmacı öğrenme, eleştirel öğrenme ve geleneksel öğrenme yöntemlerine ilişkin görüşleri arasında fark vardır.

İlişkili Örneklem Tek Yönlü Varyans Analizi için aşağıdaki mönüleri kullanın:

ANALYZE » GENERAL LINEAR MODEL » REPEATED MEASURES

Karşınıza yukarıdaki Repeated Measures Define Factor(s) iletişim penceresi gelecektir.

Bu iletişim kutusuna karşılaştıracağınız değişken miktarını (Örneğimizde, 3) giriniz daha sonra sırasıyla Add ve Define tuşlarını tıklayınız. Karşınıza aşağıdaki Repeated Measures iletişim kutusu gelecektir. Karşılaştıracağınız değişkenleri aradaki oku kullanarak Within-Subjects Variables kutucuğuna gönderin.

Daha sonra Options tuşuna basın. Karşınıza Repeated Measures: Options iletişim kutusu çıkacaktır. Bu iletişim kutusunda daha önce tanımladığınız ve üzerinde işlem yapacağınız faktörü aradaki oku kullanarak Display Means for kutucuğuna gönderin.

Daha sonra Confidence interval adjustment aşağı açılır mönüsünü kullanarak Bonferroni testini seçin ve Diplay bölümündeki Descriptive seçeneğini işaretleyin.

Şimdi sırasıyla Continue ve OK tuşlarını tıklayın karşınıza aşağıdakilerin benzeri tablolar çıkacaktır.

Descriptive Statistics tablosunda öğretmenlerin farklı öğrenme yöntemlerine ilişkin görüşlerine ait ortalama ve standart sapma değerleri görülmektedir. Bu tablodan örneğimizdeki yapılandırmacı öğrenme yaklaşımının en yüksek ortalamaya sahip olduğunu, bunu eleştirel öğrenme yaklaşımının izlediği, geleneksel öğrenme yaklaşımının ise en düşük ortalamaya sahip olduğu görülmektedir.

Ancak bu karşılaştırmalar sonucu gözlenen farklılıkların anlamlı olup olmadığını belirlemek içinse Tests of Within-Subjects Effects tablosunu incelememiz gerekir.

Tablonun anlamlılık sütunundaki değerlerden (p = 0,00, p < 0,01), söz konusu değişkenlerin ortalamaları arasındaki farkın istatistiksel olarak anlamlı olduğu görülmektedir.

Ancak söz konusu farklı değişkenlerden kaynaklandığını belirlemek, diğer bir ifade ile değişkenler arasındaki farklılıkları ikişerli gruplara halinde karşılaştırmak için Bonferroni testi sonuçları incelenmiştir.

Tablonun Anlamlılık sütunundaki değerlerden değerlerden (p = 0,00, p < 0,01) her üç değişken arasındaki farklılıkların istatistiksel olarak anlamlı olduğu anlaşılmaktadır.

Bu bulgulardan hareketle H0 hipotezi reddedilmiş ve İstanbul Beşiktaş bölgesindeki ilköğretim okullarında görev yapan öğretmenlerin yapılandırmacı öğrenme, eleştirel öğrenme ve geleneksel öğrenme yöntemlerine ilişkin görüşleri arasında fark bulunduğu sonucuna varılmıştır.

İlişkili Örneklem İki Yönlü Varyans Analizi

Bir ilacın etkilerini ölçmek için ikişer ay arayla yapılan dört farklı testin sonuçlarını ya da öğretmenlerin A, B, C eğitim yöntemlerine ilişkin görüşlerini İlişkili Örneklem Tek Yönlü Varyans Analizi yöntemini kullanarak karşılaştırdık. Peki bu ilaçların etkilerinin deneklerin cinsiyetlerine göre farklılık gösterip göstermediğini ya da öğretmenlerin farklı eğitim yöntemlerine ilişkin görüşlerinin kıdemlerine göre farklılık gösterip göstermediğini bulmak isterseniz? Bu durumda İlişkili Örneklem İki Yönlü Varyans Analizi yöntemini kullanmak mümkün.

Şimdi İlişkili Örneklem İki Yönlü Varyans Analizinin nasıl uygulandığını bir örnek üzerinde inceleyelim.

Örnek: Bir işletmede çalışanların tatmin düzeyleri işletmede başlatılan “kalite çemberi” uygulamaları öncesi, bu uygulama tamamlanır tamamlanmaz ve uygulamadan bir ay sonra ölçülüyor. Çalışanların uygulama öncesi ve uygulama sonrasındaki iş tatmin düzeyleri cinsiyetlerine göre farklılık gösterir mi?

Bu örnek için H0 ve H1 hipotezleri ise şu şekilde formüle edilebilir.

H0 = Çalışanların kalite çemberi uygulamaları öncesi ve sonrasındaki tatmin düzeyleri cinsiyetlerine göre farklılık göstermez.

H1 = Çalışanların kalite çemberi uygulamaları öncesi ve sonrasındaki tatmin düzeyleri cinsiyetlerine göre farklılık gösterir.

İlişkili Örneklem İki Yönlü Varyans Analizi için aşağıdaki mönüleri kullanın:

ANALYZE » GENERAL LINEAR MODEL » REPEATED MEASURES

Karşınıza aşağıdaki Repeated Measures Define Factor(s) iletişim penceresi gelecektir. Bu iletişim kutusuna karşılaştıracağınız değişken miktarını (Örneğimizde, 3) giriniz daha sonra sırasıyla Add ve Define tuşlarını tıklayınız.

Karşınıza aşağıdaki Repeated Measure iletişim kutusu gelecektir.

Karşılaştıracağınız değişkenleri aradaki oku kullanarak Within- Subjects Variables kutucuğuna gönderin. Daha sonra grupşama için kullanacağınız değişkeni yine aradaki ou kullanarak Between-Subjects Factor(s) kutucuğuna gönderiniz.

Şimdi Opltions tuşunu tıklayın ve karşınıza gelen aşağıdaki iletişim kutusundan Descriptive statistics seçeneğini işaretleyin.

Sırasıyla Continue ve OK tuşlarını tıklayın. Karşınıza aşağıdakilere benzer tablolar gelecektir.

Descriptive Statistics tablosunda ise tatmin düzeyinin farklı dönemlerde cinsiyete bağlı olarak değişimi sunulmuştur. Bu tablodan Bay ve Bayanların tatmin düzeylerinin cinsiyetlerine bağlı olarak değişimi görülmektedir. Ayrıca bu tabloyu kullanarak belirli bir dönemde bayanların tatmin düzeylerini erkelerin tatmin düzeyi ile karşılaştırmak mümkündür.

Ancak bu karşılaştırmalar sonucu gözlenen farklılıkların anlamlı olup olmadığını belirlemek içinse Multivarite Tests tablosunu incelememiz gerekir.

Tablonun factor 1 bölümündeki ilişkilerin anlamlı olması (p = 0,00, p < 0,01) farklı dönemlerde yapılan ölçümler arasındaki farklılıkların istatistiksel olarak anlamlı olduğunu ortaya koymaktadır.

Ancak uygulama öncesi ve uygulama sonrası tatmin puanlarının cinsiyete göre farklılaşma durumunu gösteren factor1 * Cinsiyet bölümündeki ilişkiler incelendiğinde söz konusu ilişkinin anlamlı olmadığı ( p = 0,149, p > 0,05) anlaşılmaktadır.

Bu bulgulardan hareketle H0 hipotezi reddedilememiş ve çalışanların kalite çemberi uygulamaları öncesi ve sonrasındaki tatmin düzeylerinin cinsiyetlerine göre farklılık göstermediği sonucuna varılmıştır.

Çok Faktörlü Varyans Analizi

Eğer birden fazla bağımlı değişkenin (performans, tatmin düzeyi, başarı notu vb.), birden fazla bağımsız değişken (cinsiyet, gelir düzeyi, mezun olunan okul vb.) göre farklılaşma durumunu aynı anda incelemeniz gerekiyorsa çok faktörlü varyans analizi yöntemini kullanabilirsiniz. Şimdi Çok Faktörlü Varyans Analizinin nasıl uygulandığını bir örnek üzerinde inceleyelim.

Örnek: Bir işletmede çalışan personelin performansları ve tatmin düzeyleri cinsiyet ve gelir durumlarına göre farklılık göstermekte midir?

Çok Faktörlü Varyans Analizi için aşağıdaki mönüleri kullanın:

ANALYZE » GENERAL LINEAR MODEL » MULTIVARITE

Karşınıza yukarıdaki Multivarite iletişim penceresi gelecektir. Bu iletişim kutusuna karşılaştıracağınız değişkenleri (Örnekte, performans ve tatmin düzeyi) Dependent Variables, gruplandırmada kullanacağınız değişkenleri (Örnekte, cinsiyet ve gelir) Fixed Factor(s) kutusuna aradaki okları kullanarak gönderin. Daha sonra options tuşunu tıklayarak karşınıza gelen Mulitivare: Options iletişim kutusunda yer alan Descriptive statistics seçeneğini işaretleyin. Sırasıyla Continue ve OK tuşlarını tıklayın. Aşağıdakilerin benzeri tablolar elde edeceksiniz.

Descriptive Statistics tablosunda çalışanların performans ve tatmin düzeylerinin cinsiyet ve gelir düzeylerine göre değişimi verilmiştir. Bu tablodan çalışanların performans ve tatmin düzeylerinin cinsiyet ve gelir düzeylerine göre farklılık gösterdiği gözlenmektedir. Ancak gözlenen farklılıkların anlamlı olup olmadığını belirlemek içinse Tests of Between-Subjects Effects tablosunu incelememiz gerekir.

Tablonun anlamlılık sütunundaki değerlerden Performans ve tatmin düzeyinin cinsiyete bağlı değişiminin (p = 0,597, p = 0,08; p > 0,05) istatistiksel olarak anlamlı olmadığı, performans ve tatmin düzeyinin gelir düzeyine bağlı değişiminin ise (p = 0,002, p = 0,014; p < 0,05) istatistiksel olarak anlamlı olduğu anlaşılmaktadır. Bunun yanında cinsiyet ve gelir değişkenlerinin gerek performans, gerekse tatmin düzeyi üzerindeki ortak etkisinin (p = 0,353, p = 0,258; p > 0,05) istatistiksel olarak anlamlı olmadığı gözlenmektedir.

Ki-Kare Testi

Bu bölümü parametrik olmayan test yöntemlerine ayırdık. Aslında bu bölümde açıklanacak tüm yöntemler bundan önceki bölümlerde açıklanan parametrik yöntemlerin parametrik olmayan karşılıkları olacak.

Daha önce de belirttiğimiz gibi eğer verileriniz normal dağılım özellikleri gösteriyorsa, homojense, örneklem büyüklüğü 20’nin üzerindeyse, incelediğiniz bağımlı değişken aralık (interval) yada oran (ratio) ölçeğine (SPSS’de bu iki ölçek Scale olarak adlandırılır) uygunsa parametrik test yöntemlerini kullanıyorduk. Ancak verileriniz bu özelliklerden herhangi birini karşılamıyorsa parametrik olmayan analiz yöntemlerini kullanmanız gerekecek.

Bu bölümde Ki-Kare Uygunluk Testi, Ki-Kare Bağısızlık Testi, Mann-Whitney U Testi, Wilcoxon Eşleştirilmiş İki Örneklem Testi, Kruskal Wallis H Testi, ve Friedman Testlerini inceleyeceğiz.

Ki-Kare Uygunluk Testi

Ki-Kare uygunluk testi ile belirli bir değişkenin farklı kategorilerine ait gözlenen frekanslarının, beklenen frekanslarına uygunluğu araştırılır. Burada beklenen frekanslar birbirine eşit olabileceği gibi farklı da olabilir. İsterseniz konuyu örneklerle biraz açalım.

“Beşiktaş ilçesi sakinlerinin NTV, CNN Türk ve SKY Türk kanallarını izleme oranları arasında anlamlı bir fark var mıdır?” sorusunda bu üç kanalın izlenme oranlarının eşit olduğu varsayımından hareket edilmiştir.

Oysa soru 2007 Ocak ayında yapılan ölümlerde, Beşiktaş ilçesi sakinlerinin % 30’unun NTV, % 25’inin CNN Türk, % 45’inin ise SKY Türk kanalını tercih ettiği belirlenmiştir. Acaba bu ölçümler 2007 Kasım ayı içinde geçerliliğini korumakta mıdır? Dikkat edilirse bu örnekte bir beklenti söz konusu olup kategorilere ait değerler birbirine eşit değildir.

Şimdi bu soruları SPSS yardımı ile çözelim. İlk örneğimiz için kurulacak hipotezler aşağıdaki gibi olacaktır.

H0 = Beşiktaş ilçesi sakinlerinin NTV, CNN Türk ve SKY Türk kanallarını izleme oranları arasında anlamlı bir fark yoktur.

H1 = Beşiktaş ilçesi sakinlerinin NTV, CNN Türk ve SKY Türk kanallarını izleme oranları arasında anlamlı bir fark vardır.

Ki-Kare Uygunluk Testi için aşağıdaki mönüleri kullanın:

ANALYZE » NONPARAMETRIC TESTS » CHI-SQUARE

Karşınıza aşağıdaki Chi-Square Tests iletişim penceresi gelecektir. İnceleyeceğiniz değişkeni (Örneğimizde, TV Kanalı) aradaki oku kullanarak Test Variable List iletişim kutusuna gönderiniz. All categories equal (tüm kategoriler eşit) radyo düğmesini işaretleyiniz ve OK tuşuna tıklayınız.

Aşağıdakiler benzer tablolar elde edeceksiniz. TV Kanalı tablosunun il sütunu gözlenen sıklık oranlarını, ikinci sütun beklenen sıklık oranlarını, üçüncü sütun ise aradaki farkı verir. Araştırmaya 200 kişi katıldığı ve tüm kategorilerin eşit olduğu varsayıldığı için beklenen sıklık oranı 200 / 3 = 66,7 olarak bulunmuştur.

Tablodaki değerlerden SKY Türk’ün diğer kanallardan daha fazla izlenme oranına sahip olduğu gözlenmektedir. Bununla birlikte kanalların izlenme oranları arasındaki farklılıkların anlamlı olup olmadığına ilişkin daha sağlıklı yorum yapabilmek için Test Statistics tablosunun incelenmesi gerekmektedir.

Test Statistics tablosunun Asymp.Sig. (Anlamlılık) satırındaki değerlerden (p = 0,015, p < 0,05), her üç kanalın izlenme oranları arasındaki farklılıkların istatistiksel olarak anlamlı olduğu anlaşılmaktadır.

Bu bulgudan hareketle H0 hipotezi reddedilmiş ve Beşiktaş ilçesi sakinlerinin NTV, CNN Türk ve SKY Türk kanallarını izleme oranları arasında anlamlı bir fark olduğu sonucuna varılmıştır.

Şimdi Ocak 2007 tarihinde ölçülen izlenme oranlarının geçerli olup olmadığını sorgulayalım. Bu örnek için kurulacak hipotezler aşağıdaki gibi olacaktır.

H0 = Beşiktaş ilçesi sakinlerinin NTV, CNN Türk ve SKY Türk kanallarını izleme oranları OCAK 2007- KASIM 2007 tarihleri arasında değişmemiştir.

H1 = Beşiktaş ilçesi sakinlerinin NTV, CNN Türk ve SKY Türk kanallarını izleme oranları OCAK 2007- KASIM 2007 tarihleri arasında değişmiştir.

Ki-Kare Uygunluk Testi için tekrar aynı menüleri kullanın.

Bu sefer Chi-Square Tests iletişim penceresindeki Values radyo düğmesini işaretleyin. Şimdi her bir kategoriye ait beklenen değerleri (Örneğimizde, 30, 25, 45) sırasıyla Values satırına girin ve her veri girişinden sonra Add tuşunu tıklayın. Değerlerin girişini tamamladıktan sonra OK tuşuna basın.

Aşağıdakiler benzer tablolar elde edeceksiniz. Tablodaki değerlerden SKY Türk’ün izlenme oranının düşerken NTV ve CNN Türk’ün izlenme oranlarında bir artış olduğu gözlenmektedir.. Bununla birlikte kanalların izlenme oranları arasındaki değişimin anlamlı olup olmadığına ilişkin daha sağlıklı yorum yapabilmek için Test Statistics tablosunun incelenmesi gerekmektedir.

Test Statistics tablosunun Asymp.Sig. (Anlamlılık) satırındaki değerlerden (p = 0,333, p > 0,05), her üç kanalın izlenme oranları gözlenen değişimin istatistiksel olarak anlamlı olduğu anlaşılmaktadır.

Bu bulgulardan hareketle H0 hipotezi reddedilememiş ve Beşiktaş ilçesi sakinlerinin NTV, CNN Türk ve SKY Türk kanallarını izleme oranlarının OCAK 2007- KASIM 2007 tarihleri arasında değişmediği sonucuna varılmıştır.

Ki-Kare Bağımsızlık Testi

Ki-Kare Bağımsızlık Testi iki değişken arasındaki ilişkinin istatistiksel olarak anlamlı olup olmadığını belirlemek amacıyla kullanılır. Bu testte diğer ilişkisel analizlerden farklı olarak ilişki kurulan değişkenlerin her ikisi de Nominal (Sınıflama) ya da Ordinal (Sıralama) ölçeklidir. Daha açık bir ifade “gelir düzeyi ile siyasi parti seçimi”, “eğitim düzeyi ile okunan gazete”, “iş tatmini düzeyi (evet, kısmen, hayır) ile ücret” değişkenleri arasındaki ilişkiler Ki ? Kare Bağımsızlık Testi ile incelenebilir. Şimdi Ki ? Kare Bağımsızlık Testi ve SPSS uygulamasını bir örnek yardımıyla inceleyelim.

Bir fabrikada rastgele seçilen bir örnekleme anket uygulanarak en çok okudukları gazeteler belirleniyor. Acaba örneklem grubundaki kişilerin okudukları gazeteler eğitim düzeylerine göre farklılık göstermekte midir? Bu örnek için kurulacak hipotezler aşağıdaki gibi olacaktır.

H0 = Fabrika çalışanlarının okudukları gazeteler eğitim düzeylerine göre farklılık göstermez.

H1 = Fabrika çalışanlarının okudukları gazeteler eğitim düzeylerine göre farklılık gösterir.

Ki-Kare Bağımsızlık Testi için aşağıdaki mönüleri kullanın:

ANALYZE » DESCRIPTIVE STATISTICS » CROSSTABS

Karşınıza aşağıdaki Crosstabs iletişim penceresi gelecektir.

Gruplamada kullanacağınız bağımsız değişkeni (Örneğimizde, eğitim düzeyi) Row(s) kutusuna, inceleyeceğiniz bağımlı değişkeni (Örneğimizde, gazete) Cloumn(s) kutucuğuna aradaki oku kullanarak gönderin.

Şimdi sol alttaki Statistics düğmesini tıklayın. Karşınıza aşağıdaki Crosstabs: Statistics iletişim penceresi gelecektir. Buradan Chisquare seçeneğini işaretledikten sonra Continue tuşuna tıklayın.

Son olarak Cells düğmesini tıklayın. Karşınıza aşağıdaki Crosstabs: Cell Display iletişim penceresi gelecektir.

Buradan Observed, Expected, Row, Coloumn seçeneklerini işaretledikten sonra Continue ve OK tuşlarını tıklayın. Aşağıdakiler benzer tablolar elde edeceksiniz.

Tablodaki değerlerden ilköğretim mezunu çalışanların Bulvar Gazetesini, lise mezunu çalışanların Tünaydın Gazetesini, üniversite mezunu çalışanların ise Entel Haber gazetesini ağırlıklı olarak tercih ettikleri gözlenmektedir. Bu durum özellikle tablodaki beklenen toplam (Expected Count) ile gözlenen toplam satırlarındaki değerler karşılaştırıldığında çok net olarak görülmektedir. Bununla birlikte daha sağlıklı bir yorum yapabilmek için Chi-Square Tests tablosunun incelenmesi yararlı olacaktır.

Tablonun Assymp.Sig. sütunun en üstündeki anlamlılık değerinin p = 0,00 olduğu görülmektedir. Bu değer p < 0,05 şartını karşıladığından eğitim düzeyi ile okunan gazete arasındaki ilişkinin anlamlı olduğu söylenebilir.

Bu bulgulardan hareketle H0 hipotezi reddedilmiş ve fabrika çalışanlarının okudukları gazetelerin eğitim düzeylerine göre farklılık gösterdiği sonucuna varılmıştır.

Mann-Whitney U Testi

Bağımsız Örneklem T- Testini hatırlayın. O bölümde anlattıklarımızın tümü Mann-Whitney U Testi için de geçerli. Ancak tek bir farkla. Bağımsız Örneklem T- Testi parametrik veriler için uygun bir yöntem iken, Mann-Whitney U Testini parametrik olmayan veriler için kullanılmaktadır. Dolayısıyla Mann- Whitney U Testini, Bağımsız Örneklem T- Testinin parametrik olmayan veriler için karşılığı olarak tanım

Parametrik olmayan veriler hakkındaki bilgilerimizi hatırlayacak olursak, eğer verileriniz, normal dağılım özelliği göstermiyorsa, homojen değilse, örneklem büyüklüğünüz 20 ve daha az ise Bağımsız Örneklem T- Testi yerine Mann-Whitney U Testini kullanmanız gerektiğini söylenebilir.

Benzer durum bu bölümde anlatılacak olan üç test yöntemi için de geçerlidir. Bunlardan; (1) Wilcoxon İlişkili İki Örneklem Testi, Eşleştirilmiş Örneklem T-Testi, (2) Kruskal Wallis H Testi, Tek Yönlü Varyans Analizi, (3) Friedman Testi, İlişkili Örneklem Tek Yönlü Varyans Analizi yöntemlerinin parametrik olmayan veriler için kullanılabilecek karşılıklarıdır.

Bu yöntemleri incelerken normallik ve homojenlik testleri ile zaman kaybetmemek için 20’nin altında örneklem büyüklüğüne sahip sorular üzerinde çalıştık. Buradan örneklem büyüklüğü 20’nin üstünde olduğunda parametrik test yöntemlerini kullanabileceğinizi düşünmeyi istemeyiz. Doğru test yöntemini belirleyebilmek için mutlaka 7 nci Bölümde açıklanan basamakları uygulamalısınız.

Şimdi tekrar gelelim Mann-Whitney U testine? Bu yöntem iki ayrı grubun belli bir değişkene ait ortalamalarını karşılaştırmak için kullanılır. Örneğin hayvan hakları konusunda hakkında erkek ve kadınların görüşleri arasında fark olup olmadığını test etmek isterseniz Mann-Whitney U testini kullanabilirsiniz. Benzer şekilde evli ve bekar kadınların erkekler hakkındaki düşünceleri arasında fark olup olmadığını bulmak için kullanılabilecek yöntem yine Mann-Whitney U testidir.

Şimdi Mann-Whitney U testinin nasıl uygulandığını bir örnek üzerinde inceleyelim.

Örnek: 22 öğrenciden oluşan özel bir sınıfta kız ve erkek öğrencilerin fen bilgisi dersinden aldıkları notlar arasında anlamlı bir fark var mıdır?

Bu örnek için H0 ve H1 hipotezleri ise şu şekilde formüle edilebilir.

H0 = Kız ve erkek öğrencilerin fen bilgisi dersinden aldıkları notlar arasında anlamlı bir fark yoktur.

H1 = Kız ve erkek öğrencilerin fen bilgisi dersinden aldıkları notlar arasında anlamlı bir fark vardır.

Mann-Whitney U test için öncelikle aşağıdaki mönüleri kullanın:

ANALYZE » NONPARAMETRIC TESTS » 2 INDEPENDENT SAMPLES

Karşınıza aşağıdaki Two-Independent-Sample T Test iletişim penceresi gelecektir. Bu pencereden inceleyeceğiniz değişkeni (Örnekte, Fen Bilgisi Notu) Test Variable List kutucuğunun içine, gruplandırmada kullanacağınız değişkeni (Örnekte, Cinsiyet) Grouping Variable satırına, aradaki okları kullanarak gönderin. Ardından Mann-Whitney U seçeneğinin işaretleyin.

Şimdi kullanacağınız grupları tanımlamanız gerek. Bunun için Define Groups düğmesini tıklayın. Karşınıza aşağıdaki iletişim kutusu gelecektir. Burada Kızlar “1”, Erkeler “2” ile temsil edildiğinden bu rakamları Group 1 ve Group 2 satırlarına girdik. Bunun dışında örneğin gruplamayı Eğitim Düzeyi değişkenine göre yapmayı düşündünüz ve üniversite mezunları ile lisansüstü eğitim görenler karşılaştırmak istiyorsunuz. Kodlarınızda “1” İlköğretim, “2” Lise”, “3” Üniversite” “4”Lisanüstü” şeklinde olsun bu durumda Group 1 ve Group 2 satırlarına sırasıyla “3” ve “4” rakamlarını girmeniz gerekecek. Eğer lise ve daha az eğitim görmüşler ile üniversite ve daha yüksek eğitime sahip olanları karşılaştırmak istiyorsanız Cut point ifadesinin önündeki radyo düğmesini işaretlemeniz ve bu satıra “2” değerini girmeniz yeterli olacaktır. SPSS Cut point satırına girilen değeri “< =” (küçük eşit) olarak kabul eder.

Şimdi örneğimize dönelim. Sırasıyla Continue ve OK tuşlarını tıklayınız. Karşınıza aşağıdakiler benzer tablolar gelecektir.

Test Statistics tablosunun Asymp. Sig. (Anlamlılık) satırındaki değerin 0,034 olduğu görülmektedir. Söz konusu değer 0,05’den küçük olduğu için, cinsiyet ile fen bilgisi dersi başarısı arasındaki ilişkinin p < 0,05 düzeyinde istatistiksel olarak anlamlı olduğunu söyleyebiliriz.

Bu bulgulardan hareketle örneğimizde H0 hipotezi reddedilmiş ve kız öğrencilerin fen bilgisi dersinde erkelerden daha başarılı olduğu sonucuna ulaşılmıştır.

Wilcoxon İlişkili İki Örneklem Testi

Özellikle deneme modelli araştırmalarda deney öncesi ve sonrası değerlerin karşılaştırılmasına ihtiyaç duyulabilir. Bunun dışında belli bir grubun ilişkili fakat farklı iki konu ya da uygulamaya ilişkin görüşlerini karşılaştırmak isteyebilirsiniz. Eğer bu tür durumlarda kullandığınız veriler parametrik değilse Wilcoxon İlişkili İki Örneklem Testini kullanmanız gerekecek.

Örneğin bir işletmede yeni genel müdürün öncesi ve sonrası performansını karşılaştırmak istiyorsunuz. Ya da öğretmenlerin “eleştirel öğrenme” ile “çoklu öğrenme” yöntemlerinin etkinliklerine ilişkin görüşlerini karşılaştırmanız gerek.

Şimdi Wilcoxon İlişkili İki Örneklem testinin nasıl uygulandığını bir örnek üzerinde inceleyelim.

Örnek: Bir lisedeki fen bilgisi öğretmenlerinin, “Adım Adım Fen Bilgisi” yardımcı kitabı ile “Aşama Aşama Fen Bilgisi” yardımcı kitabının etkiliğine ilişkin görüşleri arasında fark var mıdır?

Bu örnek için H0 ve H1 hipotezleri ise şu şekilde formüle edilebilir.

H0 = Fen bilgisi öğretmenlerinin “Adım Adım Fen Bilgisi” yardımcı kitabı ile “Aşama Aşama Fen Bilgisi” yardımcı kitabının etkiliğine ilişkin görüşleri arasında fark yoktur.

H1 = Fen bilgisi öğretmenlerinin “Adım Adım Fen Bilgisi” yardımcı kitabı ile “Aşama Aşama Fen Bilgisi” yardımcı kitabının etkiliğine ilişkin görüşleri arasında fark vardır.

Wilcoxon İlişkili İki Örneklem testi için öncelikle aşağıdaki mönüleri kullanın:

ANALYZE » NONPARAMETRIC TESTS » 2 RELATED SAMPLES

Karşınıza aşağıdaki Two-Related Samples Tests iletişim penceresi gelecektir. Bu pencereden inceleyeceğiniz değişkenleri birbiri ardına tıklayınız. Tıkladığınız değişkenler Current Selections kutusunda görüntülenecektir. Daha sonra aradaki oku kullanarak bu değişkenleri Test Pair(s) List kutusuna gönderin. Son olarak Wilcoxon seçeneğini işaretleyin.

OK tuşuna tıklayınız. Karşınıza aşağıdakiler benzer tablolar gelecektir.

Test Statistics tablosunun Asymp. Sig. (Anlamlılık) satırındaki değerin 0,234 olduğu görülmektedir. Söz konusu değer 0,05’den büyük olduğu için, Asama Asama Fen yardımcı kitabı ile Adım Adım Fen yardımcı kitabının etkinliği arasındaki farkın istatistiksel olarak anlamlı olmadığını söyleyebiliriz.

Örneğimizde Wilcoxon İlişkili İki Örneklem testi sonuçlarından hareketle, H0 hipotezi reddedilememiş ve fen bilgisi öğretmenlerinin “Aşama Aşama Fen Bilgisi” kitabının etkinliği ile “Adım Adım Fen Bilgisi” kitabının etkinliği hakkındaki görüşleri arasında anlamlı bir fark bulunmadığı sonucuna varılmıştır.

Kruskal-Wallis H Testi

Krusukal-Wallis H Testi parametrik olmayan verilere sahip ikiden fazla grubun ölçümlerinin karşılaştırılmasında kullanılan bir yöntemdir. Öreğin erkeklerin kadınlar hakkındaki görüşlerinin medeni durumlarına (evli, bekar, dul) göre farklılık gösterip göstermediği, farklı eğitim düzeylerindeki kadınların yemek yapma yetenekleri arasında fark olup olmadığını bulmak için bu yöntemi kullanabilirsiniz.

Şimdi tek yönlü varyans analizinin nasıl uygulandığını bir örnek üzerinde inceleyelim.

Örnek: 17 kişilik bir sınıftaki öğrencilerin Fen Bilgisi dersinden aldıkları ortamla puanlar babalarının eğitim durumlarına göre farklılık gösterir mi?

Bu örnek için H0 ve H1 hipotezleri ise şu şekilde formüle edilebilir.

H0 = Babaları farklı eğitim düzeyine sahip öğrencilerin Fen Bilgisi dersinden aldıkları ortamla arasında anlamlı bir fark yoktur.

H1 = Babaları farklı eğitim düzeyine sahip öğrencilerin Fen Bilgisi dersinden aldıkları ortamla arasında anlamlı bir fark vardır.

Krusukal-Wallis H Testi için aşağıdaki mönüleri kullanın:

ANALYZE » NONPARAMETRIC TESTS » K INDEPENDENT SAMPLES

Karşınıza aşağıdaki Tests for Several Independent Samples iletişim penceresi gelecektir. Bu pencereden inceleyeceğiniz değişkeni (Örnekte, Fen Bilgisi Notu) Test Variable List kutucuğunun içine, gruplandırmada kullanacağınız değişkeni (Örnekte, Baba Eğitim Düzeyi) Grouping Variable satırına, aradaki okları kullanarak gönderin.

Şimdi kullanacağınız grupları tanımlamanız gerek. Bunun için Define Range düğmesini tıklayın. Karşınıza aşağıdaki iletişim kutusu gelecektir.

Burada İlköğretim “1”, Lise “2”, Üniversite “3” ile temsil edildiğinden minimum kutucuğuna “1”, maksimum kutucuğuna “3” girdik. Şimdi sırasıyla Continue ve OK tuşlarını tıklayın karşınıza aşağıdakilere benzer tablolar gelecektir.

Test Statistics tablosunun Asymp. Sig. (Anlamlılık) satırındaki değerin 0,078 olduğu görülmektedir. Söz konusu değer 0,05’den büyük olduğu için, babanın eğitim düzeyi ile fen bilgisi dersi başarısı arasındaki ilişkinin istatistiksel olarak anlamlı olmadığını söyleyebiliriz.

Bu bulgulardan hareketle örneğimizde H0 hipotezi reddedilememiş ve babaları farklı eğitim düzeyine sahip öğrencilerin Fen Bilgisi dersinden aldıkları ortamla arasında anlamlı bir fark bulunmadığı sonucuna ulaşılmıştır.

Friedman Testi

Hatırlarsanız, eşleştirilmiş örneklem t-testini kullanarak; belirli bir değişkene ait deney öncesi ve sonrası değerlerini karşılaştırılmıştık. Ayrıca yine bu yöntemi, bir grubun ilişkili fakat farklı iki konuya ilişkin görüşlerini karşılaştırmak için kullanmıştık. Ölçüm sayısının ikiden fazla olduğu durumlarda ise İlişkili Örneklem Tek Yönlü Varyans Analizi yönteminden yararlanmıştık. Verilerimizin parametrik olma şartlarını taşımadığı durumlarda ise bu iki test yönteminin her ikisinin de yerine Friedman Testini kullanabilirsiniz.

Örneğin bir ilacın etkilerini ölçmek için ikişer hafta arayla yapılan dört farklı testin sonuçlarının ya da öğretmenlerin A, B, C eğitim yöntemlerine ilişkin görüşlerini Friedman Testini kullanarak karşılaştırabiliriz.

Şimdi Friedman Testinin nasıl uygulandığını bir örnek üzerinde inceleyelim.

Örnek: Nimetullah Mahruki İlköğretim Okulunda görev yapan öğretmenlerin yapılandırmacı öğrenme, eleştirel öğrenme ve geleneksel öğrenme yöntemlerine ilişkin görüşleri arasında fark var mıdır.

Bu örnek için H0 ve H1 hipotezleri ise şu şekilde formüle edilebilir.

H0 = Nimetullah Mahruki İlköğretim Okulunda görev yapan öğretmenlerin yapılandırmacı öğrenme, eleştirel öğrenme ve geleneksel öğrenme yöntemlerine ilişkin görüşleri arasında fark yoktur.

H1 = Nimetullah Mahruki İlköğretim Okulunda görev yapan öğretmenlerin yapılandırmacı öğrenme, eleştirel öğrenme ve geleneksel öğrenme yöntemlerine ilişkin görüşleri arasında fark vardır.

İlişkili Örneklem Tek Yönlü Varyans Analizi için aşağıdaki mönüleri kullanın:

ANALYZE » NONPARAMETRIC TESTS » K RELATED SAMPLES

Karşınıza aşağıdaki Repeated Measures Define Factor(s) iletişim penceresi gelecektir.

Bu iletişim kutusuna karşılaştıracağınız değişkenleri (Örneğimizde, yapılandırmacı öğrenme, eleştirel öğrenme ve geleneksel öğrenme) aradaki oku kullanarak Test Variables kutucuğuna gönderin. Daha sonra OK tuşunu tıklayın karşınıza aşağıdakilerin benzeri tablolar gelecektir.

Test Statistics tablosunun Asymp. Sig. (Anlamlılık) satırındaki değerin 0,001 olduğu görülmektedir. Söz konusu değer 0,01’den Küçük olduğu için, öğretmenlerin farklı eğitim yöntemlerine ilişkin görüşleri arasındaki farkın istatistiksel olarak anlamlı olduğunu söyleyebiliriz.

Bu bulgulardan hareketle H0 hipotezi reddedilmiş ve Nimetullah Mahruki İlköğretim Okulunda görev yapan öğretmenlerin yapılandırmacı öğrenme, eleştirel öğrenme ve geleneksel öğrenme yöntemlerine ilişkin görüşleri arasında fark bulunduğu sonucuna varılmıştır.

İçindekiler