MerQur

🇹🇷 TR 🇺🇸 EN

VARCOMP (Varyans Bileşenleri Analizi)

Temel Alanlar → Spor Bilimleri → ⚡ VARCOMP (Varyans Bileşenleri Analizi)

VARCOMP (Varyans Bileşenleri Analizi)

⚡ İleri Düzey · Karma Modeller · Variance Decomposition

v1.0.1

Spor Bilimleri bağlamı — hiyerarşik tasarımda toplam varyansın hangi düzeyden (saha, grup, alt-grup, hata) ne kadarının kaynaklandığını ayrıştırır. SAS PROC VARCOMP eşdeğeri, MerQur’da REML/ML cascade ile.

3-düzey nestedkulup/antrenor/sporcu

REML + ML fallbackICC + heritabilityσ²kulup ≈ 4.0

🎯 Ne işe yarar?

VARCOMP hangi düzey ne kadar varyans katkısı yapıyor sorusuna cevap verir. Tek bir sicrama_yuksekligi_cm ölçümünün dağılımındaki değişkenlik tamamen rastgele midir, yoksa kulup ve antrenor arasındaki sistematik farklardan mı kaynaklanıyor? VARCOMP ile σ²kulup, σ²antrenor, σ²sporcu ve σ²residual ayrı ayrı tahmin edilir; her birinin yüzde payı raporlanır.

📌 Ne zaman kullanılır?

  • Spor Bilimleri alanında çok düzeyli örnekleme tasarımı (nested) varsa
  • Aynı ölçümü farklı kulup altındaki farklı antrenor’lere yaptıracağınız bir veri toplama planı tasarlarken örneklem büyüklüğü hesabı için
  • Heritability / generalizability hesaplamak için (σ² oranları)
  • Sabit etken modeli henüz kurmadan önce — varyans öncelikle nerede?

⚙ Varsayımlar

  1. Sürekli DV (sicrama_yuksekligi_cm).
  2. Nested yapı: antrenor kulup’in içinde, sporcu antrenor’in içinde (cross-level confounding yok).
  3. Random etkiler ~ Normal (homoskedastik, ortalama 0).
  4. Her düzeyde yeterli birim: ≥4-6 kulup, her birinde ≥2 antrenor önerilir.

📊 MerQur’da Nasıl Çalıştırılır?

1
Veri sekmesi → Dosya Aç → veri setini yükleyin.
2
Analiz → ⚡ İleri Düzey → VARCOMP.
3

Panel atamaları (programdaki form alanları):

  • Sütunlar: {'dv': 'deger', 'factors': [('ust_birim', False), ('alt_birim', True)]}
  • Parametreler: {'estimator': 'REML'}
4
Tahmin yöntemi: REML (varsayılan). LRT için ML’e geçebilirsiniz.
5
▶ Çalıştır. Modal ilerleme penceresi açılır. Tahmin tamamlanınca her bileşen için σ², %, ICC ve diagnostik notlar listelenir.

📊 Örnek Veri Seti — Spor 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, Spor Bilimleri alanına ait aşağıdaki örnek veri seti üzerinden gösterilmiştir:

Spor_Bilimleri/100_varcomp_3seviye_h2.xlsx

🎬 Senaryo

Ölçüm değişkenliğini iç içe düzeylere (üst/alt birim) ayrıştırıyoruz. Hiyerarşik değişkenlik için varyans bileşenleri uygun bir çözümdür.

⚙️ Değişken Seçimi

  • Bağımlı değişken: value
  • Faktör (kategorik): upper_unit
  • Faktör (kategorik): lower_unit (nested)

Veri Önizleme (İlk 5 Satır)

upper_unit lower_unit measurement_id value
L_A L_A_S01 L_A_S01_M01 51.41
L_A L_A_S01 L_A_S01_M02 52.17
L_A L_A_S01 L_A_S01_M03 40.6
L_A L_A_S01 L_A_S01_M04 43.19
L_A L_A_S01 L_A_S01_M05 48.91

n = 100 · Sütunlar: upper_unit, lower_unit, measurement_id, value

📈 MerQur Çıktısı

VARCOMP (VARYANS BİLEŞENLERİ ANALİZİ) SONUCU
─────────────────────────────────────────────

Random faktörler: upper_unit + lower_unit (upper içinde nested) her bileşenin % katkısı + artık

💬 MerQur Yorumu

Bir ölçüm değişkenliğini, iç içe (nested) düzeylere — üst birim ve üst birim içindeki alt birim — ayrıştırdık: her düzeyin toplam değişkenliğe yüzde katkısı ve artık raporlandı. Varyans bileşenleri analizi, “değişkenliğin ne kadarı üst birimler arası, ne kadarı alt birimler arası, ne kadarı birim içi?” sorusunu yanıtlar. Spor bilimlerinde hiyerarşik yapılarda (kulüp > takım > sporcu) belirsizliğin nerede yoğunlaştığını görmede ve örneklem tasarımında kullanılır.

⚠ Sık Hatalar

  • Nested checkbox unutmak — antrenor sütunu kulup altında kümeli (örn. ANTRENOR_05_03 sadece KULUP_05’te var). Checkbox işaretlenmezse crossed varsayılır → varyans yanlış paylaşır.
  • İkinci düzeyde tek seviye — bir kulup’in altında tek bir antrenor varsa VARCOMP o düzeyi tahmin edemez (σ²=antrenor≈0 ‘singular fit’ uyarısı).
  • Sürekli DV varsayımı — Bernoulli/sayım verisi için VARCOMP yerine GLMM veya kategorik-VARCOMP alternatifi gerekir (MerQur kapsamı dışı).

📚 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.