Bayesian Korelasyon
v1.0.2
Ziraat, Orman ve Su Ürünleri bağlamı — iki sürekli değişken arasındaki ilişkiyi BF₁₀ ile raporlar. yaprak_alan_indeksi_LAI ↔ biokutle_kg_ha 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. Ziraat, Orman ve Su Ürünleri bağlamında yaprak_alan_indeksi_LAI ile biokutle_kg_ha arasında öngörülen ilişki yönü (ρ ≈ 0.82) 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 (yaprak_alan_indeksi_LAI, biokutle_kg_ha).
- 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': 'birim_id', 'y_col': 'X_degisken'} - Parametreler:
{'method': 'pearson'}
📊 Örnek Veri Seti — Ziraat, Orman ve Su Ürünleri
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, Ziraat, Orman ve Su Ürünleri alanına ait aşağıdaki örnek veri seti üzerinden gösterilmiştir:
Ziraat_Orman_Su/102_bayesian_correlation_BF10.xlsx
🎬 Senaryo
İki sürekli değişken (X_variable, Y_variable) arasındaki ilişkiyi Bayesçi bir yaklaşımla inceliyoruz. Klasik korelasyon tek bir r ve p değeri verirken, Bayesçi korelasyon r’nin posterior dağılımını ve Bayes faktörünü (BF10) sağlar; böylece “ilişki yok” hipotezine karşı “ilişki var” hipotezini destekleyen kanıtın ne kadar güçlü olduğunu ve r için güvenilirlik aralığının ne olduğunu doğrudan görebiliriz.
⚙️ Değişken Seçimi
- Değişken 1: X_variable
- Değişken 2: Y_variable
Veri Önizleme (İlk 5 Satır)
| unit_id | X_variable | Y_variable |
|---|---|---|
| 1.0 | 25.4 | 38.58 |
| 2.0 | 49.42 | 56.82 |
| 3.0 | 39.88 | 55.51 |
| 4.0 | 35.37 | 51.54 |
| 5.0 | 39.46 | 51.92 |
n = 80 · Sütunlar: unit_id, X_variable, Y_variable
📈 MerQur Çıktısı
─────────────────────────────────────────────
r = 0.780 (çok güçlü) BF10 = 4.5 x 10^14 (kesin kanıt: ilişki var) (X_variable, Y_variable)
💬 MerQur Yorumu
İki sürekli değişken arasındaki ilişkiyi Bayesçi bir yaklaşımla inceledik. Klasik korelasyon tek bir r ve p değeri verirken, Bayesçi korelasyon r’nin posterior dağılımını ve Bayes faktörünü sağlar. Sonuç çok güçlü: r = 0.78 ve BF10 = 4.5 x 10 üzeri 14. Yani “ilişki var” hipotezi, “ilişki yok” hipotezine kıyasla on dört sıfırlı bir oranla destekleniyor; bu, kesin kanıt düzeyinde bir sonuçtur. Bayesçi yaklaşımın avantajı, yalnızca “anlamlı mı” sorusuna değil, “kanıt ne kadar güçlü” ve “r için makul aralık nedir” sorularına da doğrudan yanıt vermesidir. Buradaki gibi çok güçlü bir ilişkide Bayes faktörü sonucu tartışmasız kılar: iki değişken arasında gerçek ve güçlü bir bağlantı vardır.
⚠ 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.