Lojistik Regresyon
Lojistik Regresyon, 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?
Lojistik Regresyon, 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 Lojistik Regresyon‘yi seç.
Panel atamaları (programdaki form alanları):
- Hedef Sütun:
uni_basari - Bağımsız (Özellikler):
['ogrenci_id', 'GPA', 'calisma_saat', 'motivasyon', 'SES_seviye']
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/40_logistic_university_achievement.xlsx
🎬 Senaryo
Öğrencilerin üniversiteyi kazanıp kazanmayacağını hangi faktörlerin yordadığını araştırdık. Yordayıcı olarak akademik ortalama (GPA), günlük çalışma saati (study_hour), motivasyon (motivation) ve çalışma ortamındaki ses düzeyini (sound_level); sonuç değişkeni olarak ise üniversiteyi kazanma durumunu (university_achievement, 0 kazanamadı / 1 kazandı) ele aldık. Amacımız bu faktörlerin kazanma olasılığını nasıl etkilediğini modellemekti. İkili (başarı/başarısızlık) bir sonuç değişkenini sürekli yordayıcılarla açıklayan Lojistik Regresyon bu amaç için doğru yöntemdir.
⚙️ Değişken Seçimi
- Öngörücüler: GPA
- Öngörücüler: study_hour
- Öngörücüler: motivation
- Öngörücüler: sound_level
- Bağımlı değişken (ikili): university_achievement
- >> GELİŞMİŞ PARAMETRELER (formda opsiyonel — ne işe yarar):
- Pseudo-R kare: Cox-Snell ve Nagelkerke (McFadden’a ek).
- Sınıflandırma metrikleri: doğruluk / duyarlılık / özgüllük / AUC (kesim 0.5).
- Hosmer-Lemeshow uyum iyiliği testi; öngörücüler için VIF.
Veri Önizleme (İlk 5 Satır)
| student_id | GPA | study_hour | motivation | sound_level | university_achievement |
|---|---|---|---|---|---|
| 1.0 | 3.74 | 10.4 | 2.43 | 2.0 | 0.0 |
| 2.0 | 3.5 | 16.7 | 3.94 | 3.0 | 1.0 |
| 3.0 | 1.26 | 18.6 | 3.08 | 1.0 | 0.0 |
| 4.0 | 2.61 | 17.7 | 3.75 | 2.0 | 1.0 |
| 5.0 | 3.18 | 9.3 | 3.61 | 1.0 | 1.0 |
n = 300 · Sütunlar: student_id, GPA, study_hour, motivation, sound_level, university_achievement
📈 MerQur Çıktısı
💬 MerQur Yorumu
Bir öğrencinin üniversiteyi kazanma olasılığını GPA, çalışma, motivasyon ve sosyo-ekonomik düzeyden tahmin eden lojistik regresyon kurduk. Çıktı ikili (kazandı/kazanamadı) olduğu için lojistik regresyon doğru seçimdir. Pseudo R2 = 0.10, modelin sonucu kısmen açıkladığını gösteriyor; katsayılar genelde GPA ve çalışma arttıkça kazanma şansının yükseldiğini söyler. Eğitimde girişi/sonucu tahmin etmek (üniversite, mezuniyet, geçme) için lojistik regresyon en yaygın yöntemdir; her bir faktörün odds üzerindeki etkisini yorumlanabilir biçimde verir.
⚠ 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.
▶ Lojistik Regresyon — video anlatım
Bu bölüm, Regresyon videosunun içinde yer alıyor (9 analiz, tek video). Aşağıdaki bağlantı doğrudan 2:18 dakikasından, bu analizin anlatıldığı yerden 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.