MerQur

🇹🇷 TR 🇺🇸 EN

VARCOMP (Varyans Bileşenleri Analizi)

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

VARCOMP (Varyans Bileşenleri Analizi)

⚡ İleri Düzey · Karma Modeller · Variance Decomposition

v1.0.1

Sağlık 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 nestedhastane/doktor/hasta

REML + ML fallbackICC + heritabilityσ²hastane ≈ 0.7

🎯 Ne işe yarar?

VARCOMP hangi düzey ne kadar varyans katkısı yapıyor sorusuna cevap verir. Tek bir HbA1c_pct ölçümünün dağılımındaki değişkenlik tamamen rastgele midir, yoksa hastane ve doktor arasındaki sistematik farklardan mı kaynaklanıyor? VARCOMP ile σ²hastane, σ²doktor, σ²hasta ve σ²residual ayrı ayrı tahmin edilir; her birinin yüzde payı raporlanır.

📌 Ne zaman kullanılır?

  • Sağlık Bilimleri alanında çok düzeyli örnekleme tasarımı (nested) varsa
  • Aynı ölçümü farklı hastane altındaki farklı doktor’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 (HbA1c_pct).
  2. Nested yapı: doktor hastane’in içinde, hasta doktor’in içinde (cross-level confounding yok).
  3. Random etkiler ~ Normal (homoskedastik, ortalama 0).
  4. Her düzeyde yeterli birim: ≥4-6 hastane, her birinde ≥2 doktor 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': 'tedavi_yanit', 'factors': [('klinik', False), ('doktor_id', True), ('hasta_id', 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 — Sağlık 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, Sağlık Bilimleri alanına ait aşağıdaki örnek veri seti üzerinden gösterilmiştir:

Tip/100_varcomp_clinical_doctor_patient_h2.xlsx

🎬 Senaryo

Tedavi yanıtındaki değişkenliği iç içe geçmiş düzeylere (klinik ve doktor) ayrıştırıyoruz; hiyerarşik değişkenliğin çözümlenmesi için varyans bileşenleri analizi uygundur.

⚙️ Değişken Seçimi

  • Bağımlı değişken: treatment_response
  • Faktör (kategorik): clinical
  • Faktör (kategorik): doctor_id (nested)

Veri Önizleme (İlk 5 Satır)

clinical doctor_id patient_id treatment_response
clinical_A Kli_Dr01 Kli_Dr01_H01 74.6
clinical_A Kli_Dr01 Kli_Dr01_H02 55.3
clinical_A Kli_Dr01 Kli_Dr01_H03 66.5
clinical_A Kli_Dr01 Kli_Dr01_H04 63.4
clinical_A Kli_Dr01 Kli_Dr01_H05 74.2

n = 120 · Sütunlar: clinical, doctor_id, patient_id, treatment_response

📈 MerQur Çıktısı

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

Random faktörler: clinical + doctor_id (clinical içinde nested) her bileşenin % katkısı + artık

💬 MerQur Yorumu

Tedavi yanıtındaki değişkenliği, iç içe geçmiş (nested) düzeylere — klinik ve klinik içindeki doktor — ayrıştırdık; her düzeyin toplam değişkenliğe yüzde katkısı ve artık bileşen raporlandı. Varyans bileşenleri analizi, “değişkenliğin ne kadarı klinikler arası, ne kadarı doktorlar arası, ne kadarı hasta içi?” sorusunu yanıtlar. Tıpta çok merkezli hiyerarşik yapılarda (klinik > doktor > hasta) belirsizliğin nerede yoğunlaştığını görmede ve örneklem tasarımında değerli bilgi sağlar.

⚠ Sık Hatalar

  • Nested checkbox unutmak — doktor sütunu hastane altında kümeli (örn. DOKTOR_05_03 sadece HASTANE_05’te var). Checkbox işaretlenmezse crossed varsayılır → varyans yanlış paylaşır.
  • İkinci düzeyde tek seviye — bir hastane’in altında tek bir doktor varsa VARCOMP o düzeyi tahmin edemez (σ²=doktor≈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.