MerQur

🇹🇷 TR 🇺🇸 EN

Bayesian Korelasyon

Temel Alanlar → Fen Bilimleri ve Matematik → ⚡ Bayesian Korelasyon

Bayesian Korelasyon

⚡ İleri Düzey · Bayesian İstatistik · Korelasyon

v1.0.2

Fen Bilimleri ve Matematik bağlamı — iki sürekli değişken arasındaki ilişkiyi BF₁₀ ile raporlar. sicaklik_C ↔ reaksiyon_hizi 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. Fen Bilimleri ve Matematik bağlamında sicaklik_C ile reaksiyon_hizi arasında öngörülen ilişki yönü (ρ ≈ 0.78) 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

  1. İki sürekli değişken (sicaklik_C, reaksiyon_hizi).
  2. Doğrusal ilişki (Pearson) ya da monotonik (Spearman/Kendall).
  3. Aykırı değer kontrolü Bland-Altman/scatter ile önceden yapılmalı.

📊 MerQur’da Nasıl Çalıştırılır?

1
Veri sekmesi → yükle.
2
Analiz → ⚡ İleri Düzey → Bayesian Korelasyon.
3

Panel atamaları (programdaki form alanları):

  • Sütunlar: {'x_col': 'birim_id', 'y_col': 'X_degisken'}
  • Parametreler: {'method': 'pearson'}
4
Prior scale (varsayılan stretched-beta, κ=1).
5
▶ Çalıştır → r̂, BF₁₀, posterior dağılım, %95 CrI.

📊 Örnek Veri Seti — Fen Bilimleri ve Matematik

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, Fen Bilimleri ve Matematik alanına ait aşağıdaki örnek veri seti üzerinden gösterilmiştir:

Fen_Matematik/102_bayesian_correlation_BF10.xlsx

🎬 Senaryo

İki değişken arasındaki ilişkiyi Bayesçi çerçevede değerlendiriyoruz. İlişkinin kanıt gücü için Bayesçi korelasyon uygundur.

⚙️ Değişken Seçimi

  • 1. ölçüm / grup: X_variable
  • 2. ölçüm / grup: 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

BAYESİAN KORELASYON SONUCU
─────────────────────────────────────────────

r = 0.780 (çok güçlü) BF10 = 4.50e+14 (ilişki var hipotezine ezici kanıt)

💬 MerQur Yorumu

İki değişken arasındaki ilişkiyi Bayesçi çerçevede değerlendirdik: r = 0.78 ve BF10 ~ 4.5e14, yani ilişki olduğu hipotezine çok güçlü kanıt. Bayesçi korelasyon, klasik p-değeri yerine ilişkinin kanıt gücünü Bayes faktörü olarak ve katsayının sonsal dağılımını sunar. Laboratuvarda iki ölçüm arasındaki ilişkinin yalnızca “anlamlı mı” değil “ne kadar güçlü kanıtlı” olduğunu raporlamada değerlidir.

⚠ 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

Tüm atıf formatları →

📝 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.