Bayesian Korelasyon
v1.0.2
Eğitim Bilimleri bağlamı — iki sürekli değişken arasındaki ilişkiyi BF₁₀ ile raporlar. haftalik_calisma_saati ↔ final_notu ilişkisi gerçek mi yoksa şans mı? Pearson/Spearman/Kendall destekli.
Pearson/Spearman/KendallBF₁₀%95 CrI(r)Posterior dağılım grafik
🎯 Ne işe yarar?
Klasik korelasyon p-değeri yerine BF₁₀ raporlar; küçük örneklemlerde ve replikasyon çalışmalarında özellikle değerli. Eğitim Bilimleri bağlamında haftalik_calisma_saati ile final_notu arasında öngörülen ilişki yönü (ρ ≈ 0.52) Bayes Factor ile sınanır.
📌 Ne zaman kullanılır?
- İki sürekli değişken — yön ve güç hakkında doğrudan kanıt aramak için
- “Korelasyon yok” hipotezini doğrudan test etmek istenildiğinde
- Küçük N’de p < .05 ile başarısız bir testin yerine
⚙ Varsayımlar
- İki sürekli değişken (haftalik_calisma_saati, final_notu).
- Doğrusal ilişki (Pearson) ya da monotonik (Spearman/Kendall).
- Aykırı değer kontrolü Bland-Altman/scatter ile önceden yapılmalı.
📊 MerQur’da Nasıl Çalıştırılır?
Panel atamaları (programdaki form alanları):
- Sütunlar:
{'x_col': 'birim_id', 'y_col': 'X_degisken'} - Parametreler:
{'method': 'pearson'}
📊 Örnek Veri Seti — Eğitim Bilimleri
ℹ Not: Aşağıdaki senaryo, MerQur çıktısı ve yorum, gerçek örnek veri seti MerQur’da çalıştırılarak elde edilmiştir. Kendi verinizdeki sayısal sonuçlar farklılık gösterecektir; buradaki amaç analizin uçtan uca nasıl kurgulandığını ve yorumlandığını göstermektir.
🎬 Örnek Dosya
Bu analiz, Eğitim Bilimleri alanına ait aşağıdaki örnek veri seti üzerinden gösterilmiştir:
Egitim_Bilimleri/102_bayesian_correlation_BF10.xlsx
🎬 Senaryo
Öğrencilerin iki sürekli eğitim değişkeni arasındaki ilişkiyi inceledik: X_variable ile çalışma saatine, Y_variable ile de başarı puanına karşılık gelen ölçümler aldık. Bu iki değişken birlikte arttıkça aralarında anlamlı bir doğrusal ilişki olup olmadığını merak ettik. İlişkinin sadece var-yok kararını değil, aynı zamanda kanıtın gücünü BF10 Bayes faktörüyle değerlendirmek istediğimiz için Bayesçi korelasyon analizini seçtik.
⚙️ Değişken Seçimi
- X değişkeni: X_variable
- Y değişkeni: Y_variable
Veri Önizleme (İlk 5 Satır)
| unit_id | X_variable | Y_variable |
|---|---|---|
| 1.0 | 25.4 | 38.58 |
| 2.0 | 49.42 | 56.82 |
| 3.0 | 39.88 | 55.51 |
| 4.0 | 35.37 | 51.54 |
| 5.0 | 39.46 | 51.92 |
n = 80 · Sütunlar: unit_id, X_variable, Y_variable
📈 MerQur Çıktısı
─────────────────────────────────────────────
r = 0.780 (cok guclu) BF10 = 4.50e+14 (kesin kanit)
Iki degisken arasi iliski
💬 MerQur Yorumu
İki değişken arasındaki ilişkiyi Bayesçi korelasyonla değerlendirdik: r = 0.78 çok güçlü ve Bayes Faktörü BF10 = 4.50e+14 ile ilişkinin varlığına dair kanıt kesin. Bayesçi korelasyon, klasik korelasyondan farklı olarak, ilişkinin gücünü bir olasılık dağılımı ve kanıt faktörüyle ifade eder; “ne kadar eminiz” sorusunu da yanıtlar. BF10’un bu kadar büyük olması, ilişkinin tesadüfi olma olasılığının yok denecek kadar düşük olduğunu söyler. Eğitsel değişkenler arası güçlü bağlantıları niceleyen ve kanıt gücünü raporlayan sağlam bir çerçevedir.
⚠ Sık Hatalar
- Doğrusal olmayan ilişkilerde Pearson yanıltır — scatter plot kontrol edin, gerekirse Spearman.
- Aykırı değer korelasyonu şişirir veya gizler.
- Korelasyon ≠ nedensellik (özellikle gözlemsel çalışmalarda).
📚 MerQur’a Atıf
Örücü, Ö. K. (2026). MerQur: Bütünleşik Akademik Veri Analizi ve Raporlama Platformu [Bilgisayar Yazılımı] (Sürüm 1.0.0). https://doi.org/10.53463/merqur.2026001
📝 Üretim Notu — Bu sayfadaki örnek veri sentetik olarak üretilmiştir (sabit SEED=42, generator: samples/Ileri_Duzey_v102/_generate_v102_datasets.py). Sayfa içeriği Anthropic Claude desteği ile hazırlanmış, akademik doğruluk yazar tarafından kontrol edilmiştir.