Bayesian Korelasyon
v1.0.2
Sağlık Bilimleri bağlamı — iki sürekli değişken arasındaki ilişkiyi BF₁₀ ile raporlar. vucut_kitle_indeksi ↔ LDL_kolesterol ilişkisi gerçek mi yoksa şans mı? Pearson/Spearman/Kendall destekli.
Pearson/Spearman/KendallBF₁₀%95 CrI(r)Posterior dağılım grafik
🎯 Ne işe yarar?
Klasik korelasyon p-değeri yerine BF₁₀ raporlar; küçük örneklemlerde ve replikasyon çalışmalarında özellikle değerli. Sağlık Bilimleri bağlamında vucut_kitle_indeksi ile LDL_kolesterol arasında öngörülen ilişki yönü (ρ ≈ 0.48) Bayes Factor ile sınanır.
📌 Ne zaman kullanılır?
- İki sürekli değişken — yön ve güç hakkında doğrudan kanıt aramak için
- “Korelasyon yok” hipotezini doğrudan test etmek istenildiğinde
- Küçük N’de p < .05 ile başarısız bir testin yerine
⚙ Varsayımlar
- İki sürekli değişken (vucut_kitle_indeksi, LDL_kolesterol).
- Doğrusal ilişki (Pearson) ya da monotonik (Spearman/Kendall).
- Aykırı değer kontrolü Bland-Altman/scatter ile önceden yapılmalı.
📊 MerQur’da Nasıl Çalıştırılır?
Panel atamaları (programdaki form alanları):
- Sütunlar:
{'x_col': 'BMI', 'y_col': 'HbA1c'} - Parametreler:
{'method': 'pearson'}
📊 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/102_bayesian_correlation_BMI_HbA1c_BF10.xlsx
🎬 Senaryo
BMI ile HbA1c arasındaki ilişkiyi Bayesçi bir çerçevede değerlendiriyoruz; ilişkinin kanıt gücünü ortaya koymak için Bayesçi korelasyon uygundur.
⚙️ Değişken Seçimi
- 1. ölçüm / grup: BMI
- 2. ölçüm / grup: HbA1c
Veri Önizleme (İlk 5 Satır)
| patient_id | BMI | HbA1c | age |
|---|---|---|---|
| 1.0 | 28.16 | 8.62 | 49.0 |
| 2.0 | 21.92 | 8.31 | 33.0 |
| 3.0 | 24.64 | 9.44 | 61.0 |
| 4.0 | 29.56 | 10.24 | 40.0 |
| 5.0 | 33.78 | 9.49 | 28.0 |
n = 80 · Sütunlar: patient_id, BMI, HbA1c, age
📈 MerQur Çıktısı
─────────────────────────────────────────────
r = 0.662 (güçlü) BF10 = 4.77e+08 (ilişki var hipotezine ezici kanıt)
💬 MerQur Yorumu
İki değişken (BMI ile HbA1c) arasındaki ilişkiyi Bayesçi bir çerçevede değerlendirdik: r = 0.66 ve BF10 ≈ 4.8e8, yani ilişki olduğu hipotezine çok güçlü kanıt bulunuyor. Bayesçi korelasyon, klasik p değeri yerine ilişkinin kanıt gücünü Bayes faktörü olarak ve katsayının sonsal dağılımını sunar. Tıpta iki klinik gösterge arasındaki ilişkinin yalnızca “anlamlı mı” değil, “ne kadar güçlü kanıtlı” olduğunu raporlamada değerlidir.
⚠ Sık Hatalar
- Doğrusal olmayan ilişkilerde Pearson yanıltır — scatter plot kontrol edin, gerekirse Spearman.
- Aykırı değer korelasyonu şişirir veya gizler.
- Korelasyon ≠ nedensellik (özellikle gözlemsel çalışmalarda).
📚 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.