Hiyerarşik Kümeleme
Hiyerarşik Kümeleme, MerQur’da otomatik uygulanan istatistiksel analizlerden biridir. Bu sayfada Eğitim Bilimleri alanına ait örnek veri seti üzerinde analizin nasıl uygulandığı, MerQur çıktısının nasıl görüneceği ve APA 7 formatında nasıl raporlanacağı temsilî olarak gösterilmiştir.
🎯 Ne işe yarar?
Hiyerarşik Kümeleme, ilgili veri türü için gerekli tüm varsayım kontrollerini (normallik, varyans homojenliği, vb.) arka planda otomatik uygular ve sonuçları açık bir tablo + grafik ile sunar. APA 7 standardında otomatik yorumlama, Cohen’s d/η²/R² gibi etki büyüklükleri ve %95 güven aralıkları raporlanır.
📌 Ne zaman kullanılır?
- Eğitim Bilimleri alanına ait ölçümlerin istatistiksel analizinde
- Akademik yayın için APA 7 uyumlu sonuç tabloları üretmek için
- Hipotez sınama ve karar verme süreçlerinde
- Lisans / yüksek lisans / doktora tezlerinde uygun yöntem seçimi sonrasında
📐 Varsayımlar
- Uygun ölçek — Değişkenler analizin gerektirdiği ölçek düzeyinde (nominal/ordinal/aralık/oran) olmalı
- Bağımsız gözlemler — Gözlemler birbirinden bağımsız bireylerden gelmiş olmalı
- Yeterli örneklem — Analiz için minimum n gereksinimi karşılanmalı
- Aykırı değer kontrolü — Aykırı değerler tespit edilip değerlendirilmeli
Varsayımlar bozulursa MerQur otomatik olarak non-parametrik veya sağlam (robust) alternatife yönlendirir.
🛠 MerQur’da Nasıl Yapılır?
Veriyi yükle. Dosya → Aç menüsünden örnek dosyayı seç. MerQur sütun tiplerini otomatik tespit eder.
Analizi seç. Sol kenardan Hiyerarşik Kümeleme‘yi seç.
Panel atamaları (programdaki form alanları):
- Sütunlar:
[ogrenci_id, davranis_01, davranis_02, +8 daha] - Küme sayısı:
4 - Linkage:
ward - Eksik strateji:
drop
Opsiyonel ayarlar. Etki büyüklüğü ✓ · %95 güven aralığı ✓ · Varsayım kontrolleri (otomatik).
▶ Çalıştır butonuna bas. Sonuçlar tablo + grafik olarak otomatik üretilir.
📄 Word’e Aktar. APA 7 formatında, italik istatistik sembolleriyle rapor.
📊 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/67_hierarchic_5stil_10davranis.xlsx
🎬 Senaryo
Öğrencilerin gösterdiği davranış örüntülerinin nasıl doğal kümeler oluşturduğunu incelemek istiyoruz. behavior_01’den behavior_10’a kadar olan on davranış ölçümünü kullanarak, öğrenme stillerinin (style: visual, auditory, kinesthetic, enrolled, mixed) bu davranışlarla nasıl örtüştüğünü ağaç yapısı üzerinden görmeyi amaçlıyoruz. Küme sayısını önceden belirlemeden benzerlik dendrogramı oluşturan Hierarchical Clustering, küçük örneklemli bu davranış verisi için oldukça uygundur.
⚙️ Değişken Seçimi
- Küme değişkenleri: behavior_01
- Küme değişkenleri: behavior_02
- Küme değişkenleri: behavior_03
- Küme değişkenleri: behavior_04
- Küme değişkenleri: behavior_05
- Küme değişkenleri: behavior_06
- Küme değişkenleri: behavior_07
- Küme değişkenleri: behavior_08
- Küme değişkenleri: behavior_09
- Küme değişkenleri: behavior_10
Veri Önizleme (İlk 5 Satır)
| student_id | style | behavior_01 | behavior_02 | behavior_03 | behavior_04 | behavior_05 | behavior_06 | behavior_07 | behavior_08 | behavior_09 | behavior_10 |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | visual | 0.19 | -0.885 | -1.618 | 0.8 | -1.089 | 0.403 | -0.301 | -0.283 | 0.215 | -1.52 |
| 2 | visual | 0.692 | -0.406 | 0.6 | 2.411 | 0.141 | 0.29 | 0.121 | 0.553 | 1.481 | 1.063 |
| 3 | visual | -0.079 | -0.315 | 0.461 | 0.577 | -0.417 | -0.444 | -1.699 | -0.368 | -0.947 | -1.501 |
| 4 | visual | -0.292 | 0.932 | 0.052 | -1.017 | 0.913 | 1.136 | 0.329 | -0.772 | -0.427 | 1.743 |
| 5 | visual | -0.3 | 0.348 | -0.608 | 0.351 | 1.344 | -0.947 | -0.133 | -0.323 | -0.339 | 0.01 |
n = 40 · Sütunlar: student_id, style, behavior_01, behavior_02, behavior_03, behavior_04, behavior_05, behavior_06, behavior_07, behavior_08, behavior_09, behavior_10
📈 MerQur Çıktısı
💬 MerQur Yorumu
Öğrenci davranışlarını benzerliklerine göre hiyerarşik kümeleme ile gruplandırdık; sonuç bir dendrogram (ağaç) verir. Beş kümeye böldüğümüzde silhouette yalnızca 0.13: kümeler birbirine giriyor, keskin ayrım yok. Bu eğitimde anlamlı; davranış stilleri çoğu zaman keskin kategoriler değil, sürekli bir yelpazedir. Düşük silhouette, “veride doğal gruplama zayıf” demektir; bu da bilgi verir (belki 5 yerine daha az stil vardır). Hiyerarşik kümeleme, grupların iç içe yapısını ve uygun küme sayısını keşfetmek için K-Means’ten daha açıklayıcıdır.
⚠ Sık Yapılan Hatalar
- Veri tipini yanlış belirlemek (örn. kategorik değişkeni numerik olarak yüklemek)
- Varsayım kontrollerini atlayıp doğrudan p-değerine bakmak
- Etki büyüklüğünü raporlamamak — APA 7 hem p hem etki büyüklüğü ister
- Çoklu karşılaştırmada Tip I hatası düzeltmesi (Bonferroni/Tukey) yapmamak
- n yetersiz olduğunda non-parametrik alternatife geçmemek
📹 Video Anlatım
Bu analizin Eğitim Bilimleri dosyası üzerinden uçtan uca uygulanışı için aşağıdaki videoyu izleyebilirsin.
▶ Hiyerarşik Kümeleme — video anlatım
Bu analiz, Anestezi ve Reanimasyon alanından bir örnek veri seti üzerinde anlatılıyor (adımlar tüm alanlarda aynıdır). Bağlantı doğrudan 1:38 dakikasından başlar.
🧪 Fen Bilimleri ve Matematik · 🏛 Mimarlık, Planlama ve Tasarım · ⚙ Mühendislik · 🏥 Sağlık Bilimleri · 📊 Sosyal, Beşeri ve İdari Bilimler · 🏃 Spor Bilimleri · 🌾 Ziraat, Orman ve Su Ürünleri
📚 Bu Analizi Yaptıysanız MerQur’u Atıf Yapın
MerQur’u kullanarak bilimsel bir çalışmada bu analizi gerçekleştirdiyseniz, akademik atıf zorunluluğu kapsamında lütfen aşağıdaki atfı kullanın (APA 7):
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
BibTeX, RIS, EndNote ve İngilizce karşılığı için: tüm atıf formatları →
- American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.).
- Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). Sage.
- Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum.