Bayesian t-Test (BEST)
v1.0.2
Eğitim Bilimleri bağlamı — klasik t-testin posterior odaklı versiyonu. BF₁₀ ile “veri H₁’in lehine kaç kat daha fazla kanıt sunuyor?” sorusuna doğrudan cevap. Tek/bağımsız/eşleştirilmiş 3 mod. Rouder et al. (2009) JZS Cauchy prior.
BF₁₀ + Jeffreys yorumuJZS prior r=0.707Cohen’s d + %95 CrIPyMC GEREKMEZ
🎯 Ne işe yarar?
Bayesian t-Test, klasik p-değeri ikileminden kurtarır. BF₁₀ > 3: orta-güçlü H₁ kanıtı; BF₁₀ < 1/3: orta-güçlü H₀ kanıtı. Eğitim Bilimleri’nde Klasik ve Aktif Öğrenme gruplarının okuma_anlama_puan açısından farklı olup olmadığını sınar.
📌 Ne zaman kullanılır?
- Eğitim Bilimleri’nde iki grubu (Klasik vs Aktif Öğrenme) kıyaslarken H₀’ı da doğrudan test etmek istediğinizde
- Küçük örneklem (N<30) — JZS prior tahminleri stabilize eder
- Replikasyon çalışmalarında — “etki yok” sonucu için kanıt aramak
- Eşik (referans) değerden farklılık testi (tek örneklem modu)
⚙ Varsayımlar
- DV sürekli (okuma_anlama_puan).
- Bağımsızlık (bağımsız mod): iki grup gözlemleri bağımsız.
- Normallik CLT ile gevşek; küçük N’de Bayesian daha sağlam.
- JZS scale r ∈ {0.5, 0.707, 1.0} ile hassasiyet testi önerilir.
📊 MerQur’da Nasıl Çalıştırılır?
Panel atamaları (programdaki form alanları):
- Sütunlar:
{'mode': 'independent', 'group_col': 'grup', 'val_col': 'birim_id'} - Parametreler:
{'prior_scale': 0.707}
📊 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/101_bayesian_t_test_new_old.xlsx
🎬 Senaryo
İki farklı öğretim yöntemini karşılaştırmak istedik: geleneksel (old) ve yeni dijital tabanlı (new) yöntem. Her öğretim biriminin başarı puanını value değişkeniyle ölçtük ve birimleri group değişkeniyle old ve new olarak ikiye ayırdık. Amacımız yeni yöntemin başarıyı gerçekten artırıp artırmadığını görmekti. Klasik p-değeri yerine, iki yöntem arasındaki farkın büyüklüğü ve yönü hakkında Bayes faktörü ile daha zengin bir kanıt elde etmek istediğimiz için Bayesçi t-testini tercih ettik.
⚙️ Değişken Seçimi
- Faktör (grup): group (old, new)
- Bağımlı değişken: value
Veri Önizleme (İlk 5 Satır)
| unit_id | group | value |
|---|---|---|
| 1 | old | 60.02 |
| 2 | old | 54.28 |
| 3 | old | 67.56 |
| 4 | old | 35.73 |
| 5 | old | 42.32 |
n = 80 · Sütunlar: unit_id, group, value
📈 MerQur Çıktısı
─────────────────────────────────────────────
BF10 = 3.36e+46 (kesin/decisive kanit) Cohen d = 3.94
Yeni yontem vs eski yontem — puan
💬 MerQur Yorumu
Yeni bir öğretim yönteminin eskiden farklı olup olmadığını Bayesçi t-testiyle sınadık. Bayes Faktörü BF10 = 3.36e+46, astronomik büyüklükte bir “kesin kanıt”: veri, fark olduğu hipotezini fark olmadığı hipotezine göre katrilyonlarca kat daha çok destekliyor. Cohen d = 3.94 ile etki devasa. Klasik p-değerinden farkı: Bayes Faktörü hem H1 hem H0 lehine kanıt gücünü doğrudan ölçer ve “kanıt yokluğu” ile “yokluk kanıtı”nı ayırır. Yeni yöntemin etkisi yalnızca istatistiksel değil, pratik olarak da ezici; Bayesçi çerçeve bunu ikna edici şekilde gösteriyor.
⚠ Sık Hatalar
- Tek örneklem modunda μ₀’ı sıfır bırakmak Likert/skor karşılaştırmaları için astronomik BF üretir; doğru referans noktasını girin.
- BF₁₀ > 3 ile p < .05 her zaman örtüşmez — küçük N’de p anlamlı, BF zayıf olabilir.
- Prior hassasiyet raporlamayı atlamayın (r = 0.5/0.707/1.0).
📚 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.