====================================================================================
MerQur - Anestezi_Reanimasyon - SENARYO + SONUC + YORUM (TR, BIRLESTIRILMIS)
Data: english/datasets/Anestezi_Reanimasyon/
Her analiz: SENARYO + DEGISKEN SECIMI, ardindan SONUC (ekran) + YORUM.
====================================================================================

#1  Betimsel Istatistik
    dosya: 01_descriptive_patient_monitor.xlsx
  >> SENARYO (anlatim):
    280 hastanin demografik ve hemodynamic envanterini cikardik. Her hasta icin yas, boy,
    kilo, BMI, arter basinci ve glukoz olculdu. Cikarimsal teste gecmeden once
    orneklemin genel resmini gormek istiyoruz; bu yuzden betimsel istatistiklerle
    basliyoruz.
  >> DEGISKEN SECIMI:
    - Degiskenler: age
    - Degiskenler: height_cm
    - Degiskenler: weight_kg
    - Degiskenler: BMI
    - Degiskenler: MAP_mmHg
    - Degiskenler: CVP_cmH2O
    - Degiskenler: glucose_mg_dL
    - Gruplama (kategorik): sex

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n = 280 hasta
    yas : ort = 51.9   |   boy : ort = 167.8 cm   |   kilo : ort = 76.1 kg   |   BMI : ort = 27.3
    ortalama arter basıncı KB : ort = 134.0 mmHg   |   glukoz : ort = 96.1 mg/dL

>> YORUM (anlatim):
    Once hasta orneklemimizin genel resmini cikardik: 280 hasta, ortalama yas ~52, boy 168 cm, kilo 76 kg, BMI 27.3
    (kilolu sinirinda), ortalama arter basıncı KB 134 mmHg (hafif yuksek), glukoz 96 mg/dL. Bu betimsel tablo, izleyen tum
    analizlerin -- grup/anestezik karsilastirmalari, klinik-laboratuvar iliskileri, mekansal hastalik deseni -- zeminini
    kuruyor. Tipta herhangi bir cikarimsal teste gecmeden once hasta orneklemimin temel ozelliklerini (yas, hemodynamic
    bulgular, laboratuvar) ozetlemek, hem veri kalitesini denetlemek hem de klinik onceliklerini belirlemek icin
    sarttir.

====================================================================================

#2  Normallik Testleri
    dosya: 02_normality_BMI_MAP_SpO2.xlsx
  >> SENARYO (anlatim):
    BMI, ortalama arter basinci ve SpO2 degiskenlerinin normal dagilip dagilmadigini
    inceliyoruz. Sonraki t-testi, ANOVA ve korelasyonun gecerliligi bu varsayima
    bagli oldugu icin her degiskeni ayri siniyoruz.
  >> DEGISKEN SECIMI:
    - Degiskenler: BMI
    - Degiskenler: MAP_mmHg
    - Degiskenler: SpO2_pct

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    3 surekli degisken test edildi:
    BMI               : Shapiro-Wilk = 0.996  p = 0.881   KS p = 0.917   Normal
    MAP_mmHg (KB)  : Shapiro-Wilk = 0.991  p = 0.275   KS p = 0.252   Normal
    SpO2_pct         : Shapiro-Wilk = 0.939  p < .001    KS p = 0.001   Normal Degil

>> YORUM (anlatim):
    Uc surekli degiskenin -- BMI, ortalama arter basinci ve SpO2 -- normal dagilip dagilmadigini test ettik. Sonuc
    ogretici bicimde ayrisiyor: BMI ve arter basinci normal (p > 0.27), ama SpO2 normallikten anlamli sapiyor
    (p < .001). Bu klinik veride tipiktir -- SpO2 sik sik sag-carpiktir (cogu hasta normal, diyabetik az sayi yuksek
    kuyruk olusturur). Pratik sonuc: BMI ve KB uzerinde parametrik testleri (t-testi, ANOVA, Pearson) guvenle
    kullanabiliriz; SpO2 icin Mann-Whitney/Kruskal-Wallis gibi parametrik olmayan yontemler ya da donusum daha dogru
    olur. Normallik kontrolu, her degisken icin ayri ayri hangi test ailesinin uygun oldugunu belirleyen kritik bir on
    adimdir.

====================================================================================

#3  Tek Orneklem t-Testi
    dosya: 03_one_sample_t_MAP_bp.xlsx
  >> SENARYO (anlatim):
    Hastalarin ortalama ortalama arter basincinin 120 mmHg normal referans degerden
    farkli olup olmadigini arastiriyoruz. Tek grup ve sabit referans deger
    oldugundan tek orneklem t-testi uygundur.
  >> DEGISKEN SECIMI:
    - Test degiskeni: MAP_mmHg
    - Test edilen deger (mu): 120

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Hipotez yonu (cift / sag / sol): yon onceden biliniyorsa tek yonlu daha gucludur.
    - Hedges g: kucuk orneklem icin yanli-duzeltilmis Cohen d.
    - Etki buyuklugu %GA: d icin guven araligi.
    - Shapiro-Wilk / K-S: normallik varsayim kontrolu.
    - Betimsel: ortalama/SS/SH/medyan/min/maks/carpiklik/basiklik.
    - Bootstrap %GA: yeniden orneklemeyle dagilimsiz ortalama GA'si.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    t(99) = 5.860   p < .001 ***   Cohen d = 0.586 (Orta)
    Ortalama ortalama arter basıncı KB = 128.25 mmHg   (test mu = 120, normal referans)   H0 REDDEDILIR

>> YORUM (anlatim):
    Hastalarin ortalama ortalama arter basincini, 120 mmHg'lik normal referans degerle karsilastirdik. Sonuc anlamli ve
    orta buyuklukte: ortalama 128.25 mmHg, normal sinirin uzerinde -- t(99) = 5.86, p < .001, d = 0.59. Yani bu hasta
    grubu ortalamada normalin uzerinde, prehipertansif egilimde. Tek orneklem t-testi, bir klinik olcuyu bilinen bir
    referans/esik degerle (normal KB, hedef deger) karsilastirmanin dogru yoludur; tipta bir grubun bir klinik norma
    gore durumunu degerlendirmede sik kullanilir.

====================================================================================

#4  Bagimsiz Orneklem t-Testi
    dosya: 04_independent_t_anesthetic_SpO2.xlsx
  >> SENARYO (anlatim):
    Iki anestezik grubunun ortalama SpO2 degisimini karsilastiriyoruz. Iki ayri grup ve
    surekli olcu oldugundan bagimsiz orneklem t-testi uygundur.
  >> DEGISKEN SECIMI:
    - Gruplama (kategorik): group
    - Test degiskeni: SpO2_change

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Hipotez yonu (cift / sag / sol).
    - Varyans varsayimi: Student (esit) / Welch (esit degil — daha guvenli) / Otomatik (Levene karar verir).
    - Etki buyuklukleri: Hedges g, Glass delta, CLES = P(X>Y).
    - Etki %GA; grup basina Shapiro; Levene & Bartlett homojenlik.
    - Grup basina betimsel; ortalama farki icin Bootstrap %GA.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    t(113) = -10.82   p < .001 ***   Cohen d = -2.019 (Buyuk)   H0 REDDEDILIR

>> YORUM (anlatim):
    Iki anestezik grubunun ortalama SpO2 degisimini karsilastirdik. Fark anlamli ve cok buyuk: t(113) = -10.82, p < .001,
    d = -2.02. Gruplar arasi farkin tesadufle aciklanamayacak kadar belirgin, ayrica klinik olarak da kayda deger
    oldugunu gosteriyor. Bagimsiz orneklem t-testi, iki ayri grubun (anestezik/plasebo, iki kol) bir surekli olcudeki
    ortalamalarini karsilastirmanin standart yontemidir; klinik arastirmalarda tedavi kollari arasi farki saptamada
    temel araclardandir.

====================================================================================

#5  Eslestirilmis Orneklem t-Testi
    dosya: 05_paired_t_MAP_treatment.xlsx
  >> SENARYO (anlatim):
    Ayni hastalarda tedavi oncesi ve sonrasi olculen ortalama arter basıncı KB'yi
    karsilastiriyoruz. Olcumler eslestirilmis oldugundan eslestirilmis t-testi
    uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: MAP_before_mmHg
    - 2. olcum / grup: MAP_post_mmHg

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Hipotez yonu (cift / sag / sol).
    - Etki buyuklukleri: Hedges g; d_av (ortalama SS ile standardize).
    - Etki %GA; iki olcum arasi ciftler korelasyonu.
    - Farklar uzerinde Shapiro / K-S; betimsel; ortalama farki Bootstrap %GA.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    t(49) = 18.43   p < .001 ***   Cohen d_z = 2.607 (Buyuk)
    Ort. fark (oncesi - sonrasi) = 19.98 mmHg   H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni hastalarda tedavi oncesi ve sonrasi olculen ortalama arter basincini eslestirerek karsilastirdik. Sonuc cok
    guclu: ortalama fark 19.98 mmHg (dusus), t(49) = 18.43, p < .001, d_z = 2.61 ile devasa. Yani tedavi sonrasi KB
    anlamli ve buyuk olcude dusmus. Eslestirilmis t-testi, ayni hastada iki zamanli olcumu (tedavi oncesi/sonrasi)
    karsilastirir; bireysel degisimi izole ettigi icin bagimsiz testten daha gucludur ve tipta tedavi etkisini
    olcmenin en dogru yoludur.

====================================================================================

#6  Tek Yonlu ANOVA
    dosya: 06_anova_anesthetic_EtCO2.xlsx
  >> SENARYO (anlatim):
    Dort anestezik grubunun ortalama EtCO2 degisimi uzerindeki etkisini karsilastiriyoruz.
    Ikiden fazla grup oldugundan tek yonlu ANOVA uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: EtCO2_change
    - Faktor (kategorik): anesthesia_technique

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - ANOVA varyanti: Klasik (Fisher) veya Welch (esit olmayan varyansa dayanikli).
    - Etki buyuklukleri: omega-kare ve epsilon-kare (eta-kareden daha az yanli).
    - Varsayimlar: Levene, Bartlett, grup basina Shapiro.
    - Grup betimseli; post-hoc (Tukey/Duncan/Bonferroni/Scheffe/Games-Howell).

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    F(3,136) = 57.67   p < .001 ***   eta^2 = 0.560   H0 REDDEDILIR

>> YORUM (anlatim):
    Dort anestezik grubu (anesthetic_group) arasinda ortalama EtCO2 degisimini karsilastirdik. Sonuc anlamli ve cok guclu: F(3,136)
    = 57.67, p < .001, eta^2 = 0.56 -- yani EtCO2 degisimi degiskenliginin yarisi anestezik farkindan kaynaklaniyor. En az
    bir anestezik digerlerinden anlamli olarak ayrisiyor. Tek yonlu ANOVA, ikiden fazla grubun ortalamalarini tek seferde
    karsilastirir (cok sayida t-testinin getirdigi hata sismesinden kacinir); tipta farkli anestezik/doz/kol etkisini
    kiyaslamada temel yontemdir. Hangi ciftlerin ayristigi post-hoc testlerle belirlenir.

====================================================================================

#7  Iki Yonlu ANOVA
    dosya: 07_two_way_anova_anesthetic_sex.xlsx
  >> SENARYO (anlatim):
    anestezik ve cinsiyetin arter basinci degisimi uzerindeki ana etkilerini ve
    etkilesimini ayni anda inceliyoruz. Iki kategorik faktor oldugundan iki yonlu
    ANOVA uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: bp_change
    - Faktor (kategorik): anesthetic
    - 2. Faktor: sex

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Kareler toplami turu (I/II/III): dengesiz + etkilesimli desende Type III (SPSS varsayilani).
    - 3+ duzeyli faktor icin post-hoc (Tukey/Bonferroni/Games-Howell).
    - Etki buyuklukleri: kismi eta-kare, eta-kare, omega-kare.
    - Levene & artik Shapiro; hucre ve marjinal ortalama tablolari.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    anesthetic (ana etki) : F(2) = 29.95   p < .001 ***   eta^2p = 0.294
    sex (ana etki)  : F(1) = 9.04    p = 0.003 **    eta^2p = 0.059

>> YORUM (anlatim):
    Iki faktoru ayni anda inceledik: anestezik ve cinsiyet, arter basinci degisimini nasil etkiliyor? anestezik ana etkisi cok
    guclu (F(2) = 29.95, p < .001, eta^2p = 0.29), cinsiyet ana etkisi de anlamli ama kucuk (F(1) = 9.04, p = 0.003,
    eta^2p = 0.06). Yani KB degisimini belirleyen baskin etken anestezik; cinsiyetin de mutevazi bir katkisi var. Iki yonlu
    ANOVA'nin gucu, iki faktoru ve aralarindaki etkilesimi tek modelde test edebilmesidir -- her faktorun digeri
    kontrol edilerek saf etkisini ayirir. Tipta "hangi degisken gercekten fark yaratiyor?" sorusunu yanitlamada
    idealdir.

====================================================================================

#8  Tekrarli Olcumler ANOVA
    dosya: 08_repeated_anova_visit_SpO2.xlsx
  >> SENARYO (anlatim):
    Ayni hastalarda dort ardisik vizitte olculen SpO2'yi karsilastiriyoruz. Ayni
    hastada tekrarli olcum oldugundan tekrarli olcumler ANOVA'si uygundur.
  >> DEGISKEN SECIMI:
    - Tekrarli olcumler: visit_1_SpO2_pct
    - Tekrarli olcumler: visit_2_SpO2_pct
    - Tekrarli olcumler: visit_3_SpO2_pct
    - Tekrarli olcumler: visit_4_SpO2_pct

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Kurelik duzeltmesi: Mauchly ihlal edilince Greenhouse-Geisser.
    - Mauchly kurelik testi (W, p).
    - Genellestirilmis eta-kare (ges) etki buyuklugu.
    - Ikili post-hoc (Bonferroni/Holm); duzey basina betimsel.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    F(3,237) = 155.68   p < .001 ***   eta^2p = 0.663   n = 80   H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni 80 hastada dort ardisik vizitte olculen SpO2'yi karsilastirdik. Sonuc cok guclu: F(3,237) = 155.68, p < .001,
    eta^2p = 0.66 -- vizitler arasi fark devasa ve etkinin buyuk kismi zamana bagli. Yani hastalarin SpO2'si izlem
    boyunca anlamli sekilde degisiyor. Tekrarli olcumler ANOVA, ayni hastada uc veya daha fazla zamanli olcumu
    karsilastirir; bireysel farki sabit tuttugu icin yuksek istatistiksel guc saglar ve tipta cok-vizitli izlemde
    (SpO2 takibi, periyodik kontrol) dogru secimdir.

====================================================================================

#9  MANOVA
    dosya: 09_manova_treatment_3monitor.xlsx
  >> SENARYO (anlatim):
    Tedavinin ortalama arter basıncı, santral venöz basınç ve nabiz uzerindeki etkisini ayni anda test
    ediyoruz. Birden cok iliskili bagimli degisken oldugundan MANOVA uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: MAP_mmHg
    - Bagimli degisken: CVP_cmH2O
    - Bagimli degisken: heart_rate_bpm
    - Faktor (kategorik): treatment

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Genel karar icin referans test: Wilks / Pillai (en saglam) / Hotelling-Lawley / Roy.
    - Box's M: gruplarin kovaryans matrislerinin esitligi.
    - Tek-degiskenli takip ANOVA'lari (her bagimli degisken icin).
    - Cok-degiskenli kismi eta-kare; grup betimsel ortalamalari.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Wilks' Lambda = 0.346   F(6,230) = 26.83   p < .001 ***   n = 120
    Bagimli: MAP, CVP, heart rate   |   Faktor: treatment   H0 REDDEDILIR

>> YORUM (anlatim):
    Tedavinin uc hemodynamic bulgu (ortalama arter basıncı, santral venöz basınç, nabiz) uzerindeki etkisini ayni anda test ettik. Wilks' Lambda =
    0.35, F(6,230) = 26.83, p < .001 ile etki cok guclu. MANOVA, birden cok iliskili sonucu tek testte inceleyerek hem
    cok sayida ayri ANOVA'nin hata sismesini onler hem de degiskenlerin birlikte tasidigi ortak bilgiyi yakalar. Tipta
    tedavi bir tek hemodynamic bulguyu degil, hemodynamic "demetini" (ortalama arter basıncı-santral venöz basınç-nabiz) birlikte etkiliyorsa, MANOVA bu
    cok-boyutlu farki tek karar olarak ortaya koyar.

====================================================================================

#10  ANCOVA
    dosya: 10_ancova_physical_treatment_VAS.xlsx
  >> SENARYO (anlatim):
    Tedavi sonrasi agriyi gruplara gore karsilastirirken baslangic agrisini
    ko-degisken olarak kontrol ediyoruz. Karistirici surekli degisken oldugundan
    ANCOVA uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: pain_post_VAS
    - Faktor (kategorik): treatment
    - Ko-degisken: pain_baseline_VAS

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Kareler toplami turu (I/II/III).
    - Regresyon egim homojenligi testi (faktor x kovaryans — ANCOVA'nin kilit varsayimi).
    - Etki buyuklukleri: omega-kare, epsilon-kare.
    - Levene & artik Shapiro; duzeltilmis (EMM) ortalamalarda Bonferroni post-hoc.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Grup etkisi anlamli   eta^2p = 0.712 (cok buyuk)   ko-degisken: pain_baseline_VAS   H0 REDDEDILIR

>> YORUM (anlatim):
    Tedavi sonrasi agriyi (pain_post_VAS) gruplara gore karsilastirirken, baslangic agrisini (pain_baseline_VAS)
    ko-degisken olarak kontrol ettik. Boylece "gruplar baslangicta farkliydi" itirazini disladik ve grubun saf etkisini
    olctuk: etki cok buyuk (eta^2p = 0.71). ANCOVA, bir karistirici surekli degiskeni istatistiksel olarak sabitleyerek
    grup karsilastirmasini adil hale getirir -- tipta "baslangic agri duzeyini esitleyince tedavi hala fark yaratiyor
    mu?" sorusunun cevabidir; baz/son-olcum tasarimlarinda standart aractir.

====================================================================================

#11  Bootstrap Guven Araligi
    dosya: 11_bootstrap_ci_lactate.xlsx
  >> SENARYO (anlatim):
    Kan laktati ortalamasi icin dagilim varsayimi yapmadan yeniden ornekleme ile
    guven araligi uretiyoruz. Carpik veride bootstrap uygundur.
  >> DEGISKEN SECIMI:
    - Test degiskeni: lactate_mmol_L

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gozlenen ortalama (laktat, mmol/L) = 2.06
    %95 Bootstrap GA (yeniden orneklemeyle)

>> YORUM (anlatim):
    Kan laktati (mmol/L) ortalamasi icin -- dagilim varsayimina dayanmadan -- yeniden ornekleme ile %95 guven araligi
    urettik: gozlenen ortalama 2.06 mmol/L. Bootstrap, veriyi binlerce kez kendi icinden ornekleyerek istatistigin
    orneklem dagilimini ampirik olarak insa eder; normallik varsayimi tutmadiginda (laktat carpiktir) ya da formul
    bilinmediginde guven araligi vermenin guvenilir yoludur. Tipta carpik laboratuvar olcumlerinde klasik
    t-araliklarindan daha saglam tahminler saglar.

====================================================================================

#12  Permutasyon Testi
    dosya: 12_permutation_procalcitonin_case_control.xlsx
  >> SENARYO (anlatim):
    Iki grup (vaka/kontrol) arasinda CRP farkini, dagilim varsayimi yapmadan
    permutasyon ile test ediyoruz. Kucuk orneklem/carpik dagilimda permutasyon
    uygundur.
  >> DEGISKEN SECIMI:
    - Test degiskeni: procalcitonin_ng_mL
    - Gruplama (kategorik): group

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    t = -3.472   p = 0.001 **   Iki grup arasinda anlamli ortalama fark var   H0 REDDEDILIR

>> YORUM (anlatim):
    Iki grup (vaka/kontrol) arasinda CRP farkini, dagilim varsayimi yapmadan permutasyon ile test ettik: gruplar
    etiketleri rastgele degis-tokus edilerek bos hipotez dagilimi kuruldu, gozlenen fark bu dagilimda nadir cikti
    (p = 0.001). Permutasyon testi, kesin (exact) ve dagilimdan bagimsiz oldugu icin kucuk orneklemlerde veya carpik
    laboratuvar dagilimlarinda parametrik t-testinin guvenli alternatifidir; tipta vaka-kontrol karsilastirmalarinda
    saglam bir secimdir.

====================================================================================

#13  Coklu Karsilastirma
    dosya: 13_multiple_comparison_antikoagulan.xlsx
  >> SENARYO (anlatim):
    Sekiz antikoagulan karsilastirmasinin p-degerlerini topluca ele alip coklu test
    duzeltmesi uyguluyoruz. Cok sayida test oldugundan p-duzeltme uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: anesthetic
    - Degiskenler: INR_stability_ratio

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Orijinal ham: 4/8 anlamli   |   Bonferroni / Holm / BH (FDR) sonrasi: 4/8 anlamli (hepsi korundu)

>> YORUM (anlatim):
    Sekiz ayri antikoagulan/anestezik karsilastirmasinin p-degerlerini topluca ele alip coklu test duzeltmesi uyguladik.
    Ham haliyle 4 karsilastirma anlamliyken, Bonferroni/Holm/BH duzeltmeleri sonrasi 4'u da anlamli kaldi -- yani bu
    farklar duzeltmeye dayanacak kadar guclu. Cok sayida test yapildiginda, yalnizca sansla "anlamli" cikan yanlis
    pozitiflerin orani siser; duzeltme yontemleri esik degeri sikilastirarak bu hatayi kontrol altina alir. Tipta
    onlarca anestezik/dozu ayni anda karsilastirirken bu adim cikarimlarin guvenilirligini korur.

====================================================================================

#14  Mann-Whitney U Testi
    dosya: 14_mann_whitney_diabetes_survival_quality.xlsx
  >> SENARYO (anlatim):
    Iki diyabet tipinin yasam kalitesi dagilimini karsilastiriyoruz. Normallik
    saglanmadigindan Mann-Whitney uygundur.
  >> DEGISKEN SECIMI:
    - Gruplama (kategorik): diabetes_type
    - Test degiskeni: survival_quality

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Hipotez yonu; sureklilik duzeltmesi.
    - Hesaplama yontemi: otomatik / tam (kucuk n'de kesin) / asimptotik.
    - Etki buyuklukleri: CLES ve Z/karekok(N) (rank-biserial r zaten var).
    - Betimsel (medyan vb.).

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    U = 886.50   p = 0.907 ns   r = 0.02   H0 REDDEDILEMEZ

>> YORUM (anlatim):
    Iki diyabet tipinin (diabetes_type) yasam kalitesi (survival_quality) dagilimini, ortalamaya degil siralamaya
    dayanarak karsilastirdik: U = 886.5, p = 0.907, etki yok denecek kadar kucuk (r = 0.02) -- anlamli bir fark yok.
    Mann-Whitney, t-testinin parametrik olmayan karsiligidir; normallik saglanmadiginda ya da olcek sirali oldugunda
    iki grubu karsilastirmanin dogru yoludur. Burada "fark yok" sonucu, iki diyabet tipinin yasam kalitesi bakimindan
    benzer oldugu bilgisini verir.

====================================================================================

#15  Wilcoxon Isaretli Siralar
    dosya: 15_wilcoxon_treatment_VAS.xlsx
  >> SENARYO (anlatim):
    Ayni hastalarda tedavi once/sonra olculen agri skorunu, normallik varsaymadan
    karsilastiriyoruz. Eslestirilmis ve normal olmayan veride Wilcoxon uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: VAS_before
    - 2. olcum / grup: VAS_post

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Hipotez yonu; sureklilik duzeltmesi.
    - Sifir-fark islemi: wilcox (at) / pratt / zsplit.
    - Iki olcum ve farki icin betimsel.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    W = 0.00   p < .001 ***   r = 0.89   n (sifirsiz) = 31   H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni hastalarda tedavi once/sonra olculen agri skorunu (VAS_before vs post) -- normallik varsaymadan -- siralara
    dayali olarak karsilastirdik: W = 0, p < .001, cok buyuk etki (r = 0.89). Yani tedavi sonrasi agri tutarli ve guclu
    sekilde degismis. Wilcoxon, eslestirilmis t-testinin parametrik olmayan karsiligidir; sirali ya da normal olmayan
    once/sonra olcumlerde dogru secimdir. Tipta tedavi oncesi-sonrasi VAS agri olcumlerinde guvenilir sonuc verir.

====================================================================================

#16  Kruskal-Wallis Testi
    dosya: 16_kruskal_vasopressor_duration.xlsx
  >> SENARYO (anlatim):
    Uc antibiyotigin tedavi suresi dagilimini karsilastiriyoruz. Normallik/varyans
    esitligi saglanmadigindan Kruskal-Wallis uygundur.
  >> DEGISKEN SECIMI:
    - Gruplama (kategorik): antibiotic
    - Test degiskeni: treatment_day

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Epsilon-kare etki buyuklugu.
    - Dunn ikili post-hoc (bag-duzeltmeli, Bonferroni/Holm).
    - Grup basina betimsel.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    H(2) = 3.35   p = 0.187 ns   eta^2_H = 0.03   H0 REDDEDILEMEZ

>> YORUM (anlatim):
    Uc antibiyotigin (antibiotic) tedavi suresi (treatment_day) dagilimini -- ortalamaya degil siralamaya dayanarak --
    karsilastirdik: H(2) = 3.35, p = 0.187, eta^2_H = 0.03 -- anlamli bir fark yok. Kruskal-Wallis, tek yonlu ANOVA'nin
    parametrik olmayan karsiligidir; normallik veya varyans esitligi saglanmadiginda cok-gruplu karsilastirmanin dogru
    yoludur. Burada "fark yok" sonucu, antibiyotiklerin tedavi suresi bakimindan benzer oldugu bilgisini verir.

====================================================================================

#17  Friedman Testi
    dosya: 17_friedman_radiologist_method.xlsx
  >> SENARYO (anlatim):
    Ayni vakalarda dort goruntuleme yonteminin dogrulugunu karsilastiriyoruz.
    Parametrik olmayan tekrarli olcum oldugundan Friedman uygundur.
  >> DEGISKEN SECIMI:
    - Tekrarli olcumler: method_A_accuracy
    - Tekrarli olcumler: method_B_accuracy
    - Tekrarli olcumler: method_C_accuracy
    - Tekrarli olcumler: method_D_accuracy

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Ikili Wilcoxon isaretli-sira post-hoc (Bonferroni/Holm).
    - Kosul basina betimsel.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    chi^2(3) = 32.08   p < .001 ***   Kendall W = 0.356   n = 30   H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni 30 vakada dort goruntuleme yonteminin (method_A..D) dogrulugunu -- parametrik olmayan tekrarli olcum olarak --
    karsilastirdik: chi^2(3) = 32.08, p < .001, Kendall W = 0.36 (orta uyum). Yontemler arasi fark anlamli. Friedman,
    tekrarli olcumler ANOVA'sinin parametrik olmayan karsiligidir; sirali ya da normal olmayan eslestirilmis cok-kosullu
    olcumlerde dogru secimdir. Tipta ayni hastada/vakada farkli tani yontemlerinin performansini kiyaslamada kullanilir.

====================================================================================

#18  Binom Testi
    dosya: 18_binomial_surgery_achievement.xlsx
  >> SENARYO (anlatim):
    Basarili ameliyatlarin oranini %50'lik beklenen orana karsi test ediyoruz. Ikili
    sonuc ve teorik oran oldugundan binom testi uygundur.
  >> DEGISKEN SECIMI:
    - Test degiskeni: successful
    - Beklenen oran: 0.50
    - Basari degeri: 1

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gozlenen oran = 0.738   (beklenen p = 0.50)   p < .001 ***   H0 REDDEDILIR

>> YORUM (anlatim):
    Basarili ameliyatlarin oranini, %50'lik beklenen orana karsi test ettik: gozlenen oran %73.8, beklentinin cok
    uzerinde (p < .001). Yani cerrahi basari orani sansla aciklanamayacak kadar yuksek. Binom testi, ikili (basarili/
    basarisiz) bir sonucun gozlenen oranini teorik bir oranla karsilastirmanin kesin yontemidir; tipta islem/tedavi
    basari oranlarinin bir hedefe veya 50:50 beklentisine uyup uymadigini sinamada dogrudan kullanilir.

====================================================================================

#19  Isaret Testi
    dosya: 19_sign_test_diet_weight.xlsx
  >> SENARYO (anlatim):
    Ayni hastalarda diyet once/sonra kilonun yonune bakiyoruz. Yalnizca yon bilgisi
    guvenilirken isaret testi uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: weight_before_kg
    - 2. olcum / grup: weight_post_kg

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Pozitif fark (once > sonra) = 26   p < .001 ***   H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni hastalarda diyet once/sonra olculen kilonun (weight_before vs post) yonune baktik: degisimlerin buyuk
    cogunlugu tek yonde (azalma) yogunlasiyor, p < .001 ile yonlu degisim anlamli. Isaret testi, yalnizca farkin yonunu
    (artti/azaldi) kullanir; buyuklugu dikkate almaz, bu yuzden en az varsayim gerektiren once/sonra testidir. Tipta
    olcum carpik veya sadece yon bilgisi guvenilirken (kilo dustu mu yukseldi mi) saglam bir secimdir.

====================================================================================

#20  Runs (Dizilim) Testi
    dosya: 20_runs_test_YBU_occupancy.xlsx
  >> SENARYO (anlatim):
    Yatak doluluk serisinin medyana gore ikili diziliminin rastgele olup olmadigini
    test ediyoruz. Dizi rastsalligi icin runs testi uygundur.
  >> DEGISKEN SECIMI:
    - Sutun: bed_occupancy

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gozlenen run = 24   Z = -1.816   p = 0.069 ns   Veri rastgele kabul edilebilir

>> YORUM (anlatim):
    Yatak doluluk (bed_occupancy) serisinin medyana gore ikili dizisinin rastgele olup olmadigini test ettik: 24 run,
    Z = -1.82, p = 0.069 -- siniri zorluyor ama anlamli desen yok, dizi rastgele kabul edilebilir. Runs testi, bir
    dizide degerlerin sirali bir oruntu (kume, dongu, trend) olusturup olusturmadigini sinar. Tipta yatak doluluk,
    vaka serisi gibi zaman dizilerinde sistematik bir oruntunun mu yoksa rastsalligin mi hakim oldugunu belirlemede
    kullanilir.

====================================================================================

#21  Ki-Kare Bagimsizlik
    dosya: 21_chisquare_smoking_copd.xlsx
  >> SENARYO (anlatim):
    Sigara durumu ile KOAH arasinda iliski olup olmadigini test ediyoruz. Iki
    kategorik degisken oldugundan ki-kare uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: smoking_status
    - Degiskenler: copd

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Yates sureklilik duzeltmesi (2x2 tablolar).
    - G-testi (olabilirlik-orani ki-kare) secenegi.
    - Etki buyuklukleri: phi (2x2) ve kontenjans katsayisi C (Cramer's V'ye ek).
    - Beklenen-deger tablosu; standart artiklar (|>2| sapan hucreyi isaretler).

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    chi^2(2) = 130.54   p < .001 ***   Cramer's V = 0.441 (Guclu)   H0 REDDEDILIR

>> YORUM (anlatim):
    Iki kategorik degisken -- sigara durumu (smoking_status) ve KOAH (copd) -- arasinda iliski olup olmadigini test
    ettik: chi^2(2) = 130.54, p < .001, Cramer's V = 0.44 ile guclu bir bagimlilik. Kategoriler bagimsiz degil,
    birlikte degisiyor. Ki-kare bagimsizlik testi, iki nitel degisken arasindaki iliskiyi capraz tablodan saptar; tipta
    risk faktoru-hastalik (sigara-KOAH) gibi kategorik iliskileri ortaya cikarmada temel yontemdir. Cramer's V
    iliskinin pratik gucunu olcer.

====================================================================================

#22  Ki-Kare Uyum Iyiligi
    dosya: 22_chisquare_goodnessfit_blood_group.xlsx
  >> SENARYO (anlatim):
    Dort kategorili kan grubunun gozlenen dagiliminin esit beklenen dagilima uyup
    uymadigini test ediyoruz. Tek kategorik degisken icin uyum iyiligi uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: blood_group

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Etki buyuklukleri: Cohen w ve Cramer's V.
    - G-testi (olabilirlik orani) secenegi.
    - Kategori basina standart artiklar (|>2| = belirgin sapma).

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    chi^2(3) = 88.12   p < .001 ***   N = 200, k = 4 (beklenen: esit dagilim)   H0 REDDEDILIR

>> YORUM (anlatim):
    Dort kategorili bir degiskenin (kan grubu) gozlenen dagiliminin, esit (1/k) beklenen dagilima uyup uymadigini test
    ettik: chi^2(3) = 88.12, p < .001 -- kan gruplari esit dagilmiyor, bazilari belirgin sekilde daha sik. Uyum iyiligi
    testi, tek bir kategorik degiskenin gozlenen frekanslarini teorik bir beklentiyle (esit oran, bilinen populasyon
    orani) karsilastirir; tipta kan grubu/tani dagilimlarinin beklenen profile uyup uymadigini sinamada kullanilir.

====================================================================================

#23  Fisher Kesin Testi
    dosya: 23_fisher_diagnosis_test.xlsx
  >> SENARYO (anlatim):
    2x2 bir tabloda test-sonuc iliskisini kucuk hucre frekanslari nedeniyle kesin
    olarak test ediyoruz. Az gozlemde Fisher uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: test
    - Degiskenler: result

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Fisher exact p = 0.276 ns   Odds Ratio = 0.389   Phi = 0.227 (Orta)   H0 REDDEDILEMEZ

>> YORUM (anlatim):
    2x2 bir capraz tabloda (test x result) iliskiyi -- kucuk hucre frekanslari nedeniyle ki-kare yerine -- kesin olarak
    test ettik: p = 0.276, anlamli iliski yok (Phi = 0.23). Fisher kesin testi, beklenen frekanslarin dusuk oldugu
    kucuk orneklemlerde ki-kare yaklasiminin guvenilmez kaldigi durumda dogru secimdir; olasiligi yaklasik degil tam
    hesaplar. Tipta az gozlemli tani-test karsilastirmalarinda guvenilir sonuc verir; burada test ile sonuc bagimsiz
    cikti.

====================================================================================

#24  McNemar Testi
    dosya: 24_mcnemar_old_new_diagnosis.xlsx
  >> SENARYO (anlatim):
    Ayni hastalarda eski/yeni tani yonteminin ikili sonucunu eslestirerek
    karsilastiriyoruz. Eslestirilmis ikili degisim icin McNemar uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: old_method
    - 2. olcum / grup: new_method

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    McNemar (kesin) min(b,c) = 4   p = 0.077 ns   uyumsuz b = 12, c = 4   OR = 3.00   H0 REDDEDILEMEZ

>> YORUM (anlatim):
    Ayni hastalarda iki tani yonteminin (old_method vs new_method) ikili sonucunu eslestirerek degisim yonunu test
    ettik: degisenler dengesiz olsa da (b = 12, c = 4) p = 0.077 ile siniri zorluyor ama anlamli degil. McNemar, ayni
    hastada eski/yeni tani sonucu degisimini test eder ve yalnizca uyumsuz ciftlere bakar. Tipta yeni bir tani
    yonteminin eskisinden sistematik olarak farkli sonuc verip vermedigini saptamada dogru aractir; kucuk uyumsuz
    sayilarda kesin (binom) surum kullanilir.

====================================================================================

#25  Cohen's Kappa
    dosya: 25_kappa_complication_stage_pathologist.xlsx
  >> SENARYO (anlatim):
    Iki patologun ayni vakalari ayni postoperatif komplikasyon evresine atamadaki uyumunu olcuyoruz.
    Kategorik uyum icin kappa uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: pathologist_a
    - 2. olcum / grup: pathologist_b

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kappa = 0.671 (onemli/substantial uyum)

>> YORUM (anlatim):
    Iki patologun (pathologist_a vs pathologist_b) ayni vakalari ayni postoperatif komplikasyon evresine atamadaki uyumunu -- sansla
    beklenen uyumu disarak -- olctuk: kappa = 0.67, onemli (substantial) duzey. Kappa, iki degerlendirici/yontem
    arasindaki kategorik uyumu, rastgele uyusma payini cikararak rapor eder; ham yuzde uyumdan daha durusttur. Tipta
    iki patologun/radyologun siniflamalarinin (evre, derece) ne kadar tutarli oldugunu olcmede standart gostergedir.

====================================================================================

#26  Cochran-Mantel-Haenszel
    dosya: 26_cmh_treatment_stroke_age.xlsx
  >> SENARYO (anlatim):
    Tedavi-inme iliskisini yas grubu katmanlarini kontrol ederek test ediyoruz.
    Katman kontrollu iliski icin CMH uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: treatment
    - Degiskenler: stroke
    - Tabaka/Katman: age_group

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CMH chi^2(1) = 12.62   p < .001 ***   Ortak OR (MH) = 3.80 [1.75, 8.25]
    Breslow-Day p = 0.787 (OR homojen)   H0 REDDEDILIR

>> YORUM (anlatim):
    Tedavi-inme (stroke) iliskisini, yas grubu (age_group) katmanlarini kontrol ederek test ettik: katmanlar arasi
    ortak Odds Ratio = 3.80 [1.75, 8.25], p < .001; Breslow-Day p = 0.79 ile bu iliski tum yas katmanlarinda tutarli.
    CMH, karistirici bir katman degiskenini sabit tutarak iliskinin saf gucunu olcer (Simpson paradoksunu onler). Tipta
    yas farklarini kontrol ederek tedavi-sonuc iliskisini saglam biciminde tahmin etmede idealdir.

====================================================================================

#27  Log-Lineer Analiz
    dosya: 27_log_linear_sex_KAH_diabetes.xlsx
  >> SENARYO (anlatim):
    Uc kategorik degiskenin birlikte iliski yapisini modelliyoruz. Ucten fazla
    kategorik boyut icin log-lineer uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: sex
    - Degiskenler: KAH
    - Degiskenler: diabetes

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 50.54   Pearson chi^2 = 0.456   3 kategorik degiskenin (sex, KAH, diabetes) birlikte iliskisi modellendi

>> YORUM (anlatim):
    Uc kategorik degiskenin (cinsiyet, koroner arter hastaligi, diyabet) birlikte iliski yapisini log-lineer modelle
    inceledik. Model, hucre frekanslarini ana etkiler ve etkilesimlerle aciklar; hangi degisken ciftlerinin/uclulerinin
    birlikte degistigini ortaya koyar. Iki yonlu capraz tablonun cok-degiskenli genellemesidir. Tipta ucten fazla
    kategorik boyutun (cinsiyet x KAH x diyabet) ortak baginti desenini -- komorbidite birlikteligini -- cozumlemede;
    sadeligi AIC ile dengeleyerek en aciklayici yapiyi secmede kullanilir.

====================================================================================

#28  Capraz Tablo Analizi
    dosya: 28_cross_age_symptom.xlsx
  >> SENARYO (anlatim):
    Yas grubu ile semptomu capraz tabloda inceliyoruz. Iki nitel degiskenin iliskisi
    icin capraz tablo uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: age_group
    - Degiskenler: symptom

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    chi^2(6) = 27.01   p < .001 ***   Cramer's V = 0.196 (Orta)   H0 REDDEDILIR

>> YORUM (anlatim):
    Iki kategorik degiskeni (yas grubu x semptom) capraz tabloda inceledik: chi^2(6) = 27.01, p < .001, V = 0.20 --
    anlamli, orta gucte bir iliski var. Capraz tablo + ki-kare, iki nitel degisken arasindaki baginin yonunu ve gucunu
    hucre bazinda gosterir. Tipta yas-semptom, demografi-bulgu iliskilerini betimlemede kullanilir; Cramer's V (0.20)
    iliskinin pratik gucunu olcer.

====================================================================================

#29  Coklu Yanit - Frekans
    dosya: 29_mr_frequency_comorbidity.xlsx
  >> SENARYO (anlatim):
    Birden fazla secenegin isaretlenebildigi komorbidite sorusunu cozumluyoruz.
    Cok-secimli soru icin coklu yanit frekansi uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: comorbidity (coklu yanit / multi-response)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam vaka n = 250   Yanitlayan = 250 (%100)   Birden cok secenekli "comorbidity" sorusu

>> YORUM (anlatim):
    "Hangi komorbiditeler mevcut?" gibi birden fazla secenegin isaretlenebildigi bir soruyu cozumledik: 250 hastanin
    her biri bir veya daha cok komorbidite belirtmis. Coklu yanit frekans analizi, secenek basina isaretlenme sayisini
    ve hem yanit hem vaka yuzdesini ayri ayri verir (yuzdeler toplami 100'u asar, cunku bir hastada coklu komorbidite
    olabilir). Tipta cok-tanili hastalarin komorbidite profillerini (es-hastaliklar) dogru ozetlemek icin standart
    yontemdir.

====================================================================================

#30  Coklu Yanit - Capraz Tablo
    dosya: 30_mr_categorical_comorbidity_age.xlsx
  >> SENARYO (anlatim):
    Coklu yanitli komorbidite sorusunu yas grubuna gore capraz tabloluyoruz.
    Cok-secimliyi bir kategoriye gore kirmak icin uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: comorbidity (coklu yanit / multi-response)
    - Gruplama (kategorik): age_group

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam vaka n = 220   Grup sutunu: age_group   |   coklu yanit "comorbidity" x yas grubu

>> YORUM (anlatim):
    Coklu yanitli komorbidite sorusunu tekli bir kategoriye (yas grubu) gore capraz tabloladik: her yas grubu icin
    komorbidite basina gorulme oranlarini karsilastirdik. Coklu yanit capraz tablosu, "bir grup hangi komorbiditeleri
    digerinden daha sik tasiyor?" sorusunu yanitlar. Tipta yas/cinsiyet gruplarinin komorbidite profillerini
    karsilastirmada kullanilir.

====================================================================================

#31  Coklu Yanit x Coklu Yanit
    dosya: 31_mr_mr_anesthetic_yanetki.xlsx
  >> SENARYO (anlatim):
    Iki ayri coklu yanitli soruyu (anesteziklar x yan etkiler) birbirine karsi capraz
    tabloluyoruz. Cok-secimliden cok-secimliye iliski icin uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: anesthetics (coklu / multi)
    - Degiskenler: side_effects (coklu / multi)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam vaka n = 180   Iki coklu yanit (anesthetic agents x side_effects) caprazlandi

>> YORUM (anlatim):
    Iki ayri coklu-yanitli soruyu (kullanilan anesteziklar x yan etkiler) birbirine karsi capraz tabloladik. Bu, en
    karmasik tablolama turudur: her iki eksende de bir hasta birden fazla hucreye katki verir. Coklu yanit x coklu
    yanit, "hangi anesteziklar hangi yan etkilerle birlikte gorunuyor?" gibi cok-secimliden cok-secimliye birlikteliklerini
    ortaya cikarir. Tipta anestezik-yan etki iliskilerini (farmakovijilans) incelemede degerlidir.

====================================================================================

#32  Cochran Q Testi
    dosya: 32_cochran_q_symptom_time.xlsx
  >> SENARYO (anlatim):
    Ayni hastalarda farkli zaman noktalarinda ikili semptom durumunun zamandan
    zamana degisip degismedigini test ediyoruz. Uc+ tekrarli ikili olcum icin
    Cochran Q uygundur.
  >> DEGISKEN SECIMI:
    - Sutunlar: zaman-bazli ikili sutunlar / time-wise binary columns

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cochran's Q = 0.00   p = 1.000 ns   H0 REDDEDILEMEZ

>> YORUM (anlatim):
    Ayni hastalarda farkli zaman noktalarinda (time) olculen ikili semptom durumunun (semptom var/yok) zamandan zamana
    anlamli degisip degismedigini test ettik: Q = 0, p = 1.00 -- zaman noktalari arasi fark yok. Cochran Q, McNemar
    testinin ikiden fazla tekrarli kosula genellemesidir; ayni hastada uc+ ikili olcumu karsilastirir. Tipta ayni
    hastalarda semptomun farkli zamanlarda surup surmedigini kiyaslamada dogru yontemdir.

====================================================================================

#33  Korelasyon Analizi
    dosya: 33_correlation_5klinik.xlsx
  >> SENARYO (anlatim):
    Bes klinik degisken arasindaki tum ikili korelasyonlari inceliyoruz. Iliski yonu
    ve gucu icin korelasyon matrisi uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: age
    - Degiskenler: BMI
    - Degiskenler: MAP_mmHg
    - Degiskenler: glucose_mg_dL
    - Degiskenler: EtCO2_mmHg

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - p-degerleri artik TUM yontemler icin uretiliyor (Pearson/Spearman/Kendall), yalniz Pearson degil.
    - Hipotez yonu (cift / sag / sol).
    - Ciftler arasi coklu-karsilastirma p-duzeltmesi: Bonferroni / Holm / FDR (Benjamini-Hochberg).
    - r icin guven araligi: Fisher z (Pearson/Spearman) veya Kendall SE.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    5 degisken: age, BMI, MAP_mmHg, glucose_mg_dL, end-tidal CO2_mg_dL
    Guclu iliski (|r| >= 0.75): bu esigin uzerinde iliski YOK

>> YORUM (anlatim):
    Bes klinik degisken (yas, BMI, ortalama arter basıncı KB, glukoz, end-tidal CO2) arasindaki tum ikili Pearson korelasyonlarini
    hesapladik: hicbiri 0.75 guclu esigini asmadi -- degiskenler buyuk olcude birbirinden bagimsiz hareket ediyor. Bu
    da degerli bir bulgudur: cogu klinik olcu farkli bilgi tasiyor, biri digerinin yerine gecmiyor. Korelasyon matrisi,
    iliskilerin yonunu ve gucunu tek bakista ozetler; tipta gostergeler arasi cakismayi (multikolinearite riski) ve
    hangi degiskenlerin gercekten ayri sinyal verdigini gormede ilk adimdir.

====================================================================================

#34  Bland-Altman Uyum
    dosya: 34_bland_altman_MAP_method.xlsx
  >> SENARYO (anlatim):
    Ayni arter basincini olcen iki yontemin (manuel/otomatik) birbiriyle uyumunu
    inceliyoruz. Yontem degistirilebilirligi icin Bland-Altman uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: bp_manual
    - 2. olcum / grup: bp_automatic

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Manuel (bp_manual): ort = 128.60   |   Otomatik (bp_automatic): ort = 127.33
    Bias (ortalama fark) ~ 1.27 mmHg   |   uyum sinirlari (LoA) hesaplandi

>> YORUM (anlatim):
    Ayni arter basincini olcen iki yontemin (manuel vs otomatik tansiyon aleti) birbiriyle ne kadar uyustugunu inceledik:
    ortalama sistematik fark (bias) ~1.3 mmHg ve %95 uyum sinirlari raporlandi. Bland-Altman, korelasyondan farkli
    olarak "iki yontem birbirinin yerine kullanilabilir mi?" sorusunu yanitlar -- yuksek korelasyon uyum demek
    degildir, sistematik bir kayma olabilir. Tipta iki olcum cihazinin/yonteminin degistirilebilirligini sinamada
    standart yontemdir.

====================================================================================

#35  Etki Buyuklugu
    dosya: 35_effect_size_antidepresan.xlsx
  >> SENARYO (anlatim):
    Iki antidepresan grubu arasindaki HAMD degisimi farkinin pratik buyuklugunu
    olcuyoruz. p-degerinden bagimsiz onem icin etki buyuklugu uygundur.
  >> DEGISKEN SECIMI:
    - Test degiskeni: pain_VAS_change
    - Gruplama (kategorik): anesthetic

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cohen's d = -0.673 (orta etki)   iki anestezik grubu (anesthetic) arasinda HAMD degisimi farki

>> YORUM (anlatim):
    Iki antidepresan grubu arasindaki HAMD (depresyon olcegi) degisimi farkinin pratik buyuklugunu, p-degerinden
    bagimsiz olarak Cohen's d ile olctuk: d = -0.67, orta etki. p-degeri "fark var mi?" sorusunu yanitlar; etki
    buyuklugu ise "fark ne kadar onemli?" sorusunu. Buyuk orneklemlerde anlamli ama onemsiz farklar cikabildiginden,
    etki buyuklugu raporlamak sarttir. Tipta iki anestezik/tedavi arasindaki farkin klinik olarak kayda deger olup
    olmadigini bu olcu netlestirir.

====================================================================================

#36  Kanonik Korelasyon (CCA)
    dosya: 36_cca_lab_clinical.xlsx
  >> SENARYO (anlatim):
    Laboratuvar bulgulari seti ile yogun bakim klinik skorlari seti arasindaki ortak
    yapiyi inceliyoruz. Iki cok-degiskenli set arasi iliski icin CCA uygundur.
  >> DEGISKEN SECIMI:
    - X degiskenleri: WBC_K_uL
    - X degiskenleri: procalcitonin_ng_mL
    - X degiskenleri: creatinine_mg_dL
    - X degiskenleri: AST_U_L
    - X degiskenleri: Hb_g_dL
    - Y degiskenleri: APACHE_score
    - Y degiskenleri: SOFA_score
    - Y degiskenleri: SAPS_score
    - Y degiskenleri: GCS

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CC1: r = 0.970   chi^2(20) = 866.35   p < .001 ***
    CC2: r = 0.936   chi^2(12) = 457.62   p < .001 ***
    Set-X (laboratuvar): WBC, CRP, creatinine, AST, Hb  |  Set-Y (klinik skor): APACHE, SOFA, SAPS, GCS

>> YORUM (anlatim):
    Iki cok-degiskenli olcu setini -- laboratuvar bulgulari (WBC, CRP, kreatinin, AST, Hb) ve yogun bakim klinik
    skorlari (APACHE, SOFA, SAPS, GCS) -- arasindaki ortak yapiyi kanonik korelasyonla cozduk. Ilk iki kanonik
    fonksiyon cok guclu (r = 0.970 ve 0.936, p < .001): iki set birbiriyle yogun bicimde baginti gosteriyor. CCA, "bir
    degisken kumesi digeriyle nasil iliskili?" sorusunu tek seferde yanitlar -- coklu regresyonun her iki tarafta da
    cok degiskenli versiyonudur. Tipta laboratuvar demeti ile klinik skor demeti arasindaki gizli iliski yapisini
    ortaya koyar.

====================================================================================

#37  Uyum Analizi
    dosya: 37_ca_diagnosis_age.xlsx
  >> SENARYO (anlatim):
    Tani ile yas grubu arasindaki iliskiyi gorsel bir haritaya dokuyoruz. Iki
    kategorik degiskenin yapisini gormek icin CA uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: diagnosis
    - Degiskenler: age_group

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam atalet = 0.046   (2 boyut)   diagnosis x age_group

>> YORUM (anlatim):
    Iki kategorik degiskenin (tani x yas grubu) capraz tablosundaki iliskiyi gorsel bir haritaya dokuyen uyum analizini
    uyguladik: toplam atalet 0.046 (zayif iliski) iki boyutta cozumlendi. CA, ki-kare iliskisini iki boyutlu bir uzayda
    konumlandirir; hangi kategorilerin birbirine yakin (birlikte gorulen) oldugunu gosterir. Tipta tani-yas,
    tani-cinsiyet gibi nitel iliskilerin yapisini gorsel olarak yorumlamada gucludur; dusuk atalet iliskinin zayif
    oldugunu gosterir.

====================================================================================

#38  Degisken Kumeleme (VarClus)
    dosya: 38_varclus_SF36_18.xlsx
  >> SENARYO (anlatim):
    On sekiz yasam kalitesi maddesini (fiziksel/mental/sosyal) birbirine yakinligina
    gore kumeliyoruz. Gizli boyut yapisini bulmak icin VarClus uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: physical_m1..6, mental_m1..6, social_m1..6 (18 madde / items)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kume sayisi = 3   (18 madde: physical_m1..6, mental_m1..6, social_m1..6 -- SF-36 benzeri)

>> YORUM (anlatim):
    On sekiz yasam kalitesi maddesini (fiziksel, mental, sosyal -- SF-36 tarzi 6'sar madde), birbirleriyle ne kadar
    iliskili olduklarina gore kumeledik: maddeler 3 ana boyutta toplandi -- buyuk olasilikla fiziksel/mental/sosyal
    dogal alanlarina karsilik geliyor. VarClus, gozlemleri degil DEGISKENLERI gruplar -- birbiriyle yuksek baginti
    gosteren maddeleri ayni kumeye koyarak veri setinin gizli boyut yapisini ortaya cikarir. Tipta uzun bir yasam
    kalitesi olcegini birkac temel alt-olcege indirgemede ve gereksiz maddeleri saptamada pratiktir.

====================================================================================

#39  Coklu Dogrusal Regresyon
    dosya: 39_multiple_regression_bp.xlsx
  >> SENARYO (anlatim):
    ortalama arter basıncı arter basincini dort yordayiciyla (yas, BMI, tuz, egzersiz) modelliyoruz.
    Surekli sonucu cok degiskenle aciklamak icin coklu regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: MAP_mmHg
    - Yordayici(lar): age
    - Yordayici(lar): BMI
    - Yordayici(lar): salt_g_day
    - Yordayici(lar): exercise_hour_week

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Saglam standart hatalar (HC0-HC3): heteroskedastisiteye dayanikli SE; kucuk n'de HC3 onerilir.
    - Standartlastirilmis (beta) katsayilar: goreli etkiyi karsilastirmak icin.
    - (VIF, Durbin-Watson, Breusch-Pagan, artik Shapiro tanilamalari zaten raporlanir.)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R^2 = 0.683   Duz. R^2 = 0.676   yordayicilar: age, BMI, salt_g_day, exercise_hour_week

>> YORUM (anlatim):
    ortalama arter basıncı arter basincini dort yordayiciyla (yas, BMI, gunluk tuz, egzersiz) ayni anda modelledik: model varyansin
    %68.3'unu acikliyor (Duz. R^2 = 0.68) -- guclu bir aciklama gucu. Coklu regresyon, her yordayicinin digerleri sabit
    tutuldugunda KB uzerindeki saf katkisini verir; boylece "hangi etken gercekten KB'yi yukseltiyor?" sorusunu
    karistiriciları kontrol ederek yanitlar. Tipta bir klinik gostergeyi belirleyen risk faktorlerini belirleme ve
    tahminde temel yontemdir.

====================================================================================

#40  Lojistik Regresyon
    dosya: 40_logistic_KAH.xlsx
  >> SENARYO (anlatim):
    Kalp krizini (var/yok) dort risk faktoruyle modelliyoruz. Ikili sonuc icin
    lojistik regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: heart_attack
    - Yordayici(lar): age
    - Yordayici(lar): EtCO2_mmHg
    - Yordayici(lar): smoking
    - Yordayici(lar): MAP_mmHg

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Pseudo-R kare: Cox-Snell ve Nagelkerke (McFadden'a ek).
    - Siniflandirma metrikleri: dogruluk / duyarlilik / ozgulluk / AUC (kesim 0.5).
    - Hosmer-Lemeshow uyum iyiligi testi; ongoruculer icin VIF.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Pseudo R^2 = 0.095   ikili sonuc: heart_attack   yordayicilar: age, end-tidal CO2, smoking, MAP_mmHg

>> YORUM (anlatim):
    Ikili bir sonucu (kalp krizi var/yok) dort risk faktoruyle modelledik: model zayif-orta aciklama gucu tasiyor
    (pseudo R^2 = 0.10) ve her yordayicinin odds (sans) uzerindeki etkisini verir. Lojistik regresyon, sonuc ikili
    oldugunda dogrusal regresyonun yerini alir; katsayilar Odds Ratio'ya cevrilerek "bu risk faktoru 1 birim artinca
    kalp krizi sansi kac kat degisir?" diye yorumlanir. Tipta hastalik/olay riskini ongormede temel modeldir.

====================================================================================

#41  Sayim (Poisson) Regresyonu
    dosya: 41_poisson_admission_count.xlsx
  >> SENARYO (anlatim):
    Yillik yoğun bakım basvuru sayisini yas ve diyabet varligiyla modelliyoruz. Sayim
    sonucu icin Poisson regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: annual_admission_count
    - Yordayici(lar): age
    - Yordayici(lar): diabetes_present

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 590.52   Deviance = 228.88   sayim sonucu: annual_admission_count   yordayicilar: age, diabetes_present

>> YORUM (anlatim):
    Bir sayim degiskenini (yillik yoğun bakım basvuru sayisi) yas ve diyabet varligiyla modelledik. Poisson regresyon,
    sonuc bir sayim (0,1,2,... adet) oldugunda dogru modeldir; dogrusal regresyon negatif/kesirli tahmin
    uretebilecegi icin uygunsuzdur. Katsayilar sayim oranina etkiyi verir. Tipta basvuru sayisi, atak adedi, olay
    frekansi gibi sayim ciktilarini hasta ozellikleriyle aciklamada kullanilir.

====================================================================================

#42  Multinomial Lojistik
    dosya: 42_multinomial_complication_stage.xlsx
  >> SENARYO (anlatim):
    Ikiden fazla kategorili postoperatif komplikasyon evresini iki yordayiciyla modelliyoruz. Nominal
    cok-sinifli sonuc icin multinomial lojistik uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: cancer_stage
    - Yordayici(lar): age
    - Yordayici(lar): biomarker

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 468.02   Referans sinif: 'advanced'   sonuc: postoperative complication_stage (>2 kategori)   yordayicilar: age, sepsis biomarker

>> YORUM (anlatim):
    Ikiden fazla kategorili bir sonucu (postoperatif komplikasyon evresi) iki yordayiciyla (yas, biyobelirtec) modelledik. Multinomial
    lojistik, her evreyi bir referans sinifa (burada 'advanced'/ileri) karsi ayri lojistik denklemle karsilastirir;
    katsayilar "X artinca bu evrede olma sansi referansa gore nasil degisir?" diye yorumlanir. Sonuc nominal/sirali ve
    ikiden fazla sinifliysa dogru secimdir. Tipta cok-evreli/cok-kategorili tani siniflandirmasinda kullanilir.

====================================================================================

#43  Ordinal Lojistik
    dosya: 43_ordinal_response_level.xlsx
  >> SENARYO (anlatim):
    Sirali yanit duzeyini doz ve yas ile modelliyoruz. Sirali sonuc icin ordinal
    lojistik uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: response_level
    - Yordayici(lar): propofol_dose_mg
    - Yordayici(lar): age

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 344.47   sirali sonuc: response_level   yordayicilar: dose_mg, age

>> YORUM (anlatim):
    Sirali bir sonucu (tedavi yanit duzeyi: dusuk/orta/yuksek) doz ve yas ile modelledik. Ordinal lojistik, kategoriler
    arasindaki SIRA bilgisini kullanir (multinomial bunu yok sayar); "orantili odds" varsayimiyla tek bir katsayi
    setiyle tum esikleri aciklar. Tipta yanit duzeyi, evre, derecelendirme gibi dogal sirali ciktilari modellemede
    dogru ve daha guclu secimdir.

====================================================================================

#44  PLS Regresyon
    dosya: 44_pls_gene_progression.xlsx
  >> SENARYO (anlatim):
    Hastalik ilerleme skorunu 12 gen ifadesinden yordiyoruz. Yuksek bagintili cok
    yordayici icin PLS uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: progression_score
    - Yordayici(lar): gene_01..12

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R^2 (egitim) = 0.894   R^2 (5-kat CV) = 0.880   sonuc: progression_score   yordayici: gene_01..12 (12 gen)

>> YORUM (anlatim):
    Hastalik ilerleme skorunu 12 gen ifadesinden yordadik. Gen ifadeleri birbiriyle yuksek bagintili (multikolinearite)
    oldugundan klasik regresyon kararsizlasir; PLS bunlari az sayida gizli bilesene indirgeyip uzerine regresyon kurar.
    Capraz dogrulanmis R^2 = 0.88 ile model hem guclu hem genellenebilir. PLS, yordayici sayisi cok ya da aralarinda
    yuksek baginti varken idealdir; genomik/omik veride (cok genden cikti tahmini) sik kullanilir.

====================================================================================

#45  Probit Regresyon
    dosya: 45_probit_anesthetic_dose_response.xlsx
  >> SENARYO (anlatim):
    anestezika yanit olasiligini doz ile probit modelle tahmin ediyoruz. Doz-yanit ikili
    sonucu icin probit uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: response
    - Yordayici(lar): propofol_dose_mg

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Siniflandirma metrikleri eklendi: dogruluk / duyarlilik / ozgulluk / AUC (marjinal etki + McFadden zaten var).

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 118.36   Pseudo R^2 (McFadden) = 0.535   ikili sonuc: response   yordayici: dose_mg

>> YORUM (anlatim):
    Doz-yanit iliskisini -- anestezika yanit olasiligini doz (dose_mg) ile -- probit modelle tahmin ettik: model cok guclu
    (pseudo R^2 = 0.53). Probit, lojistik gibi ikili sonuclara uygulanir; fark, baglanti fonksiyonunun normal dagilim
    olmasidir. Doz-yanit (farmakoloji) calismalarinda probit klasik bir aractir (ED50 tahmini). Tipta ikili klinik
    yanitin doz ile iliskisini modellemede saglam secimdir.

====================================================================================

#46  Tobit Regresyon
    dosya: 46_tobit_hastane_expenditure.xlsx
  >> SENARYO (anlatim):
    Esikte yigilan cepten saglik harcamasi degiskenini yatis suresi ve sigorta
    varligiyla modelliyoruz. Sansurlu sonuc icin tobit uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: pocket_expenditure_TL
    - Yordayici(lar): admission_day
    - Yordayici(lar): insurance_present

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 2868.75   Sol kesim   sonuc: pocket_expenditure_TL (sansurlu)   yordayicilar: admission_day, insurance_present

>> YORUM (anlatim):
    Bir alttan sinirli (esikte yigilan) cepten saglik harcamasi degiskenini yatis suresi ve sigorta varligiyla
    modelledik. Tobit, gozlemlerin bir esikte yigildigi "sansurlu" bagimli degiskenler icindir; siradan regresyon bu
    yigilmayi yok sayarak yanli tahmin verir. Tipta/saglik ekonomisinde sifir cepten harcama gibi taban etkili
    ciktilarda dogru modeldir; katsayilar gercek (sansursuz) iliskiyi yansitir.

====================================================================================

#47  Bayesci Dogrusal Regresyon
    dosya: 47_bayesian_dose_response.xlsx
  >> SENARYO (anlatim):
    Tedavi yanit skorunu doz ve yasla Bayesci cerceyede modelliyoruz. Belirsizligi
    olasilikla ifade etmek icin Bayesci regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: response_score
    - Yordayici(lar): propofol_dose_mg
    - Yordayici(lar): age

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    sigma^2 sonsal ort = 27.25 (sd = 3.89)   sonuc: response_score   yordayicilar: dose_mg, age
    katsayilarin sonsal dagilimi + P(beta>0) raporlandi

>> YORUM (anlatim):
    Tedavi yanit skorunu doz ve yasla Bayesci cerceyede modelledik: nokta tahmin yerine her katsayinin tum sonsal
    (posterior) dagilimini ve "etki pozitif olma olasiligi"ni elde ettik. Bayesci yaklasim, belirsizligi dogrudan
    olasilik dilinde ifade eder ve onceki bilgiyi (prior) modele katabilir. Tipta kucuk orneklem veya onceki calisma
    bilgisinin kiymetli oldugu durumlarda, "doz etkisi olasilikla pozitif" gibi sezgisel yorumlar sunar.

====================================================================================

#48  Dogrusal Olmayan Regresyon
    dosya: 48_nonlinear_KMY_age.xlsx
  >> SENARYO (anlatim):
    Kemik mineral yogunlugunun yasla S-bicimli iliskisini lojistik egriyle
    modelliyoruz. Egrisel iliski icin dogrusal olmayan regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: BIS_index
    - Yordayici(lar): age_year
    - Deger: fonksiyon/function: logistic

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Fonksiyon: y = K / (1 + exp(-r*(x-x0)))  (lojistik buyume)   R^2 = 0.960

>> YORUM (anlatim):
    Kemik mineral yogunlugunun (KMY) yasla iliskisini, duz cizgiyle degil S-bicimli lojistik egriyle modelledik: uyum
    cok yuksek (R^2 = 0.96). Dogrusal olmayan regresyon, iliski egrisel oldugunda (gelisim, doyma, esik) teorik
    fonksiyon formunu dogrudan veriye uydurur ve parametreleri (tavan K, hiz r, donum noktasi x0) yorumlanabilir kilar.
    Tipta yasa bagli fizyolojik degisim egrilerini (kemik yogunlugu, buyume) modellemede dogru aractir.

====================================================================================

#49  Ridge Regresyon
    dosya: 49_ridge_biomarker_progression.xlsx
  >> SENARYO (anlatim):
    Hastalik ilerlemesini 15 iliskili biyobelirtecten ridge ile tahmin ediyoruz.
    Multikolinearite icin ridge uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: progression
    - Yordayici(lar): biomarker_p01..15

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Capraz-dogrulama ile otomatik alpha (RidgeCV): optimal duzenlilestirme katsayisini otomatik secer.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    alpha = 1.0   R^2 = 0.798   sonuc: progression   yordayici: sepsis biomarker_p01..15 (15 biyobelirtec)

>> YORUM (anlatim):
    Hastalik ilerlemesini 15 iliskili biyobelirtecten ridge regresyonla tahmin ettik (R^2 = 0.80). Ridge, katsayilara
    ceza (L2) ekleyerek hepsini buyukluk olarak kuculturur ama sifirlamaz; boylece biyobelirtecler arasi yuksek
    bagintinin (multikolinearite) yol actigi kararsizligi engeller. Klinik biyobelirtecler dogasi geregi bagintili
    oldugundan ridge bu tur veride kararli sonuc verir. Tipta cok sayida ortak-degisen biyobelirtecle tahmin yaparken
    tercih edilir.

====================================================================================

#50  Lasso Regresyon
    dosya: 50_lasso_30_pred_5_active.xlsx
  >> SENARYO (anlatim):
    Tedavi yanitini 30 aday ozellikten lasso ile modelleyip onemli olanlari
    seciyoruz. Otomatik degisken secimi icin lasso uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: treatment_response
    - Yordayici(lar): x01..30

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Capraz-dogrulama ile otomatik alpha (LassoCV): optimal duzenlilestirme katsayisini otomatik secer.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    alpha = 0.1   R^2 = 0.723   30 ozellikten 18'i sifire cekildi (otomatik degisken secimi)

>> YORUM (anlatim):
    Tedavi yanitini 30 aday ozellikten lasso regresyonla modelledik: R^2 = 0.72 ve lasso, 30 ozellikten 18'inin
    katsayisini tam sifira cekerek yalnizca etkili degiskenleri secti. Ridge'den farki budur: lasso katsayilari
    sifirlayabildigi icin ayni anda hem tahmin yapar hem degisken secer. Tipta cok sayida aday biyobelirtec/ozellik
    arasindan "gercekten onemli olan az sayida etkeni" otomatik ayiklamada (sade, yorumlanabilir model) cok
    kullanislidir.

====================================================================================

#51  Aracilik Analizi
    dosya: 51_mediation_stress_cortisol_bp.xlsx
  >> SENARYO (anlatim):
    Stres -> kortizol -> ortalama arter basıncı KB zincirini test ediyoruz. Ara mekanizmayi cozmek
    icin aracilik analizi uygundur.
  >> DEGISKEN SECIMI:
    - Yordayici(lar): stress_PSS
    - Deger: M (araci/mediator): cortisol_ng_mL
    - Bagimli degisken: MAP_mmHg

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dolayli etki (indirect) = -0.142   %95 GA [-0.688, 0.355]   (sifiri iceriyor; anlamli degil)
    X: stress_PSS  M: cortisol_ng_mL  Y: MAP_mmHg

>> YORUM (anlatim):
    "Stres (X) -> kortizol (M) -> ortalama arter basıncı KB (Y)" zincirini test ettik: dolayli etki -0.142, %95 guven araligi sifiri
    iceriyor -- yani stresin arter basincina kortizol uzerinden dolayli etkisi anlamli cikmadi. Aracilik analizi, "X
    neden/nasil Y'yi etkiliyor?" sorusunu bir ara mekanizma uzerinden cozer; burada bu mekanizma yolu desteklenmedi.
    Tipta bir etkenin (stres) etkisinin hangi biyolojik ara surec (kortizol) uzerinden aktigini -- ya da aktmadigini --
    anlamada gucludur.

====================================================================================

#52  Yol Analizi
    dosya: 52_path_health_behavior.xlsx
  >> SENARYO (anlatim):
    Degiskenler arasi dogrudan/dolayli iliskileri tek nedensel diyagram olarak test
    ediyoruz. Iliski agi icin yol analizi uygundur.
  >> DEGISKEN SECIMI:
    - Deger: behavior ~ info + attitude + intention
    - Deger: intention ~ attitude

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CFI = 0.928   RMSEA = 0.200   model: behavior ~ info + attitude + intention; intention ~ attitude

>> YORUM (anlatim):
    Birden cok degisken arasindaki dogrudan ve dolayli iliskileri tek bir nedensel diyagram olarak test ettik. Uyum
    indeksleri (CFI = 0.93, RMSEA = 0.20) modelin verilere kismen-iyi uydugunu gosteriyor. Yol analizi, ayri ayri
    regresyonlar yerine tum iliski agini ayni anda tahmin eder; degiskenlerin hem birbirini hem ortak sonucu nasil
    etkiledigini gosterir. Tipta saglik davranisi teorilerini (bilgi -> tutum -> niyet -> davranis) sinamada
    kullanilir.

====================================================================================

#53  Dogrusal Karma Model (LMM)
    dosya: 53_lmm_patient_visit_SpO2.xlsx
  >> SENARYO (anlatim):
    Ayni hastalarda vizitler boyunca tekrarli olculen SpO2'yi, hastayi rastgele
    etki alarak modelliyoruz. Tekrarli/ic ice veride LMM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: SpO2_pct
    - Yordayici(lar): visit
    - Kume: patient_id (random)

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Nakagawa marjinal R-kare (sabit etkiler) ve kosullu R-kare (sabit + rastgele), ICC'nin yaninda.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    ICC = 0.936   Grup varyansi (random intercept) = 1.724   sonuc: SpO2   sabit: visit   grup: patient_id

>> YORUM (anlatim):
    Ayni hastalarda vizitler boyunca tekrar tekrar olculen SpO2'yi, hasta kimligini rastgele etki olarak alarak
    modelledik. ICC = 0.94 cok yuksek: SpO2 degiskenliginin neredeyse tamami hastalar ARASI farktan kaynaklaniyor,
    hasta ici vizitler cok benzer. LMM, ic ice/tekrarli (hasta icinde olcumler) verideki bagimliligi dogru ele alir;
    siradan regresyonun ihlal ettigi "bagimsizlik" varsayimini random etkilerle cozer. Tipta panel/tekrarli olcum
    verisinde (hasta izlemi) dogru secimdir.

====================================================================================

#54  Coklu Atfetme
    dosya: 54_multiple_imputation_missing_patient.xlsx
  >> SENARYO (anlatim):
    Eksik veriyi silmek yerine 5 makul deger setiyle dolduruyoruz. Eksik veriyi
    yansiz ele almak icin coklu atfetme uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: MAP_mmHg
    - Yordayici(lar): age
    - Yordayici(lar): BMI
    - Yordayici(lar): SpO2_pct

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    m (imputation) = 5   sonuc: MAP_mmHg   yordayicilar: age, BMI, SpO2

>> YORUM (anlatim):
    Eksik veriyi silmek yerine, 5 farkli makul deger seti ureterek (m = 5) ve sonuclari birlestirerek analiz ettik.
    Coklu atfetme, eksikleri tek bir tahminle doldurmanin (belirsizligi yok sayar) aksine, atfetme belirsizligini de
    hesaba katarak yanli olmayan tahmin ve dogru standart hatalar verir. Tipta klinik/laboratuvar verisindeki
    kacinilmaz eksiklikleri (eksik olcum/kayit), orneklemi daraltmadan ve sonuclari saptirmadan ele almanin modern
    standardidir.

====================================================================================

#55  GEE
    dosya: 55_gee_SpO2_treatment.xlsx
  >> SENARYO (anlatim):
    Ayni hastalarin tekrarli vizit olcumlerinde SpO2'yi modelliyoruz.
    Populasyon-ortalamasi etki icin GEE uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: SpO2_pct
    - Yordayici(lar): visit
    - Kume: patient_id

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    visit katsayisi = -0.098   p < .001 ***   QIC = 306.75   sonuc: SpO2   grup: patient_id

>> YORUM (anlatim):
    Ayni hastalarin tekrarli vizit olcumlerinde SpO2'yi modelledik; vizit etkisi anlamli ve negatif (b = -0.098,
    p < .001) -- SpO2 izlemde dusuyor. GEE, tekrarli/kumelenmis veride bireysel etkilerden cok POPULASYON-ORTALAMASI
    etkiyi tahmin eder ve grup ici korelasyonu "calisma korelasyon yapisi" ile duzeltir. LMM bireysel random etkiye
    odaklanirken, GEE ortalama egilime odaklanir. Tipta "ortalama hastada zaman/tedavi etkisi nedir?" gibi populasyon
    duzeyi sorularda tercih edilir.

====================================================================================

#56  GLMM
    dosya: 56_glmm_side_effect.xlsx
  >> SENARYO (anlatim):
    Ayni hastalarda tekrarli olculen yan etki sayisini ay ve yeni anestezik ile, hastayi
    rastgele etki alarak modelliyoruz. Tekrarli sayim icin GLMM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: side_effect_count
    - Yordayici(lar): time_month
    - Yordayici(lar): new_anesthetic
    - Kume: patient_id (Poisson)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    new_anesthetic katsayisi = 0.541   p < .001 ***   sonuc: side_effect_count (sayim, Poisson)   grup: patient_id

>> YORUM (anlatim):
    Ayni hastalarda tekrarli olculen bir SAYIM ciktisini (yan etki sayisi) ay ve yeni anestezik ile, hastayi rastgele etki
    alarak modelledik; yeni anestezik etkisi anlamli ve pozitif (b = 0.54, p < .001) -- yeni anestezik yan etki sayisini
    artiriyor. GLMM, LMM'i normal olmayan ciktilara (sayim, ikili) genisletir: hem dagilimi (Poisson) hem de
    kumelenmeyi (random etki) ayni anda dogru ele alir. Tipta tekrarli olculen ikili/sayim ciktilarinda (aylik yan
    etki/atak sayisi) dogru modeldir.

====================================================================================

#57  Elastik Ag
    dosya: 57_elasticnet_risk_score.xlsx
  >> SENARYO (anlatim):
    Bir risk skorunu 40 yordayicidan elastik ag ile modelliyoruz. Kumelenmis cok
    yordayici icin elastic net uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: risk_score
    - Yordayici(lar): x01..40

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    alpha = 0.123   L1 orani = 0.50   R^2 (egitim) = 0.491   40 yordayici

>> YORUM (anlatim):
    Bir risk skorunu 40 yordayicidan elastik ag ile modelledik. Elastic Net, ridge (L2) ve lasso (L1) cezalarini
    harmanlar (L1 orani = 0.5): hem birbiriyle bagintili degisken gruplarini birlikte tutar (ridge ozelligi) hem de
    gereksizleri sifirlar (lasso ozelligi). Boylece yuksek boyutlu ve kumelenmis yordayicilarda dengeli bir model
    saglar. Tipta cok sayida ve aralarinda kumelenmis biyobelirtec/ozellik varken, lasso veya ridge'in tek basina
    yetmedigi durumlarda secilir.

====================================================================================

#58  Saglam Regresyon
    dosya: 58_robust_age_creatinine.xlsx
  >> SENARYO (anlatim):
    Kreatinini yasla, aykiri degerlerin etkisini azaltarak modelliyoruz. Uc degerli
    veri icin saglam regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: creatinine_mg_dL
    - Yordayici(lar): age

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Robust Intercept = 0.695   OLS Intercept = 0.993   sonuc: creatinine_mg_dL   yordayici: age

>> YORUM (anlatim):
    Kreatinini yasla modellerken, aykiri degerlerin tahmini saptirmasini onlemek icin saglam regresyon kullandik.
    Robust ve OLS kesim noktalarinin farki (0.695'e karsi 0.993), birkac aykiri gozlemin (or. bobrek yetmezligi olan
    hastalar) klasik tahmini cektigini gosteriyor; robust yontem bu gozlemlere daha az agirlik vererek "tipik" iliskiyi
    yansitir. Tipta uc degerlerin bulundugu laboratuvar verisinde, onlari silmeden saglam tahmin almanin dogru yoludur.

====================================================================================

#59  Kantil Regresyon
    dosya: 59_quantile_hastane_cost.xlsx
  >> SENARYO (anlatim):
    Toplam tedavi maliyetinin dagilimin farkli noktalarini (alt %10, medyan, ust
    %90) ayri ayri modelliyoruz. Degisken etki icin kantil regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: total_cost_TL
    - Yordayici(lar): age
    - Yordayici(lar): admission_day
    - Kantiller: 0.10 / 0.50 / 0.90

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    q=0.10, q=0.50, q=0.90 icin ayri egimler raporlandi   sonuc: total_cost_TL   yordayici: age, admission_day

>> YORUM (anlatim):
    Toplam tedavi maliyetinin yalnizca ortalamasini degil, dagilimin farkli noktalarini (alt %10, medyan, ust %90) ayri
    ayri modelledik. Yordayicilarin etkisi kantillere gore degisebilir -- bir etken dusuk maliyetli hastalarda zayif,
    yuksek maliyetlilerde (pahali vakalarda) cok guclu olabilir. Kantil regresyon, "ortalama etki" yaniltici oldugunda
    (etki dagilim boyunca degisken) gercek resmi verir. Tipta/saglik ekonomisinde maliyet esitsizligini ve pahali-vaka
    davranisini incelemede klasik regresyonun gormedigini gosterir.

====================================================================================

#60  ROC Egrisi
    dosya: 60_roc_biomarker_complication.xlsx
  >> SENARYO (anlatim):
    Bir biyobelirtec skorunun ikili sonucu ne kadar iyi ayirdigini ROC ile
    degerlendiriyoruz. Ayirma gucu ve esik secimi icin ROC uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: cancer_present
    - Yordayici(lar): biomarker_score

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AUC = 0.969 (mukemmel ayirici)   Youden optimum esik = 0.469   Duyarlilik = 0.925, 1-Ozgulluk = 0.064
    n = 250 (pozitif 93, negatif 157)

>> YORUM (anlatim):
    Bir biyobelirtec skorunun ikili sonucu (postoperative complication_present/postoperatif komplikasyon var mi) ne kadar iyi ayirdigini ROC egrisiyle
    degerlendirdik: AUC = 0.97 ile mukemmel ayirici guc; Youden ile optimum karar esigi 0.47 olarak belirlendi. ROC,
    tum olasi esiklerde duyarlilik-ozgulluk dengesini gosterir ve modeli tek esige bagli kalmadan degerlendirir. Tipta
    bir tani/tarama testinin ayirma gucunu olcmede ve en uygun karar esigini (cutoff) secmede standart aractir.

====================================================================================

#61  True Skill Statistic (TSS)
    dosya: 61_tss_disease_prediction.xlsx
  >> SENARYO (anlatim):
    Bir tani/risk modelinin ayirma basarisini TSS ile olcuyoruz. Dengesiz siniflarda
    adil olcum icin TSS uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: disease_present
    - Yordayici(lar): risk_factor1
    - Yordayici(lar): risk_factor2

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    TSS = 0.39 (kabul edilebilir)   Duyarlilik = 0.44   Ozgulluk = 0.95   N = 200
    ikili sonuc: disease_present   yordayicilar: risk_factor1, risk_factor2

>> YORUM (anlatim):
    Bir tani/risk modelinin (hastalik var/yok) ayirma basarisini TSS ile olctuk: TSS = 0.39 (duyarlilik 0.44, ozgulluk
    0.95). TSS = duyarlilik + ozgulluk - 1; sansla beklenen basariyi disar ve dengesiz siniflarda dahi adil bir
    performans olcusu verir. Burada model ozgul (yanlis pozitif az) ama duyarli degil (gercek hastalari kacirma egilimi).
    Accuracy yanli olabilirken, TSS hem pozitifleri hem negatifleri yakalama gucunu birlikte degerlendirir. Tipta
    tani/risk siniflandirma modellerinin gercek ayirma gucunu raporlamada saglamdir.

====================================================================================

#62  Karmasiklik Matrisi Metrikleri
    dosya: 62_complexity_diabetes_class.xlsx
  >> SENARYO (anlatim):
    Bir tani siniflandiricisinin tahminlerini gercek tanilara karsi
    degerlendiriyoruz. Detayli performans icin karmasiklik matrisi uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: actual_diagnosis
    - 2. olcum / grup: prediction_diagnosis

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Accuracy = 0.94   F1 = 0.923   (gercek tani vs tahmin tanisi)

>> YORUM (anlatim):
    Bir tani siniflandiricisinin tahminlerini gercek tanilara karsi karmasiklik matrisi uzerinden degerlendirdik:
    dogruluk %94, F1 = 0.92. Karmasiklik matrisi, dogru/yanlis pozitif ve negatifleri tek tabloda toplar; buradan
    duyarlilik, ozgulluk, kesinlik ve F1 turetilir. Tek bir accuracy sayisi yaniltici olabilecegi icin (ozellikle nadir
    hastaliklarda dengesiz siniflar) bu metrik seti modelin nerede yanildigini gosterir. Tipta tani/tahmin modellerinin
    performansini detayli raporlamada temeldir.

====================================================================================

#63  Rastgele Orman
    dosya: 63_rf_complication_type.xlsx
  >> SENARYO (anlatim):
    postoperatif komplikasyon turunu bes ozellikten rastgele ormanla siniflandiriyoruz. Dogrusal
    olmayan tani icin random forest uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: cancer_type
    - Yordayici(lar): age
    - Yordayici(lar): sex_E
    - Yordayici(lar): CA125
    - Yordayici(lar): creatinine
    - Yordayici(lar): Hb_g_dL

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Accuracy = 0.900   sonuc: postoperative complication_type   yordayicilar: age, sex_E, CA125, creatinine, Hb_g_dL

>> YORUM (anlatim):
    postoperatif komplikasyon turunu bes ozellikten rastgele ormanla siniflandirdik: dogruluk %90. Random forest, yuzlerce karar agacinin
    oyunu birlestirir; dogrusal olmayan iliskileri ve etkilesimleri otomatik yakalar, ayrica degisken onem siralamasi
    verir. Tek bir agacin asiri uyumunu (overfit) ortalama alarak azaltir. Tipta karmasik, dogrusal olmayan tani/tahmin
    problemlerinde (postoperatif komplikasyon turu, fenotip) hem yuksek dogruluk hem de "hangi biyobelirtec onemli" bilgisi sundugu icin
    yaygin kullanilir.

====================================================================================

#64  Destek Vektor Makineleri (SVM)
    dosya: 64_svm_sepsis.xlsx
  >> SENARYO (anlatim):
    Sepsis var/yok siniflamasini dort klinik ozellikten SVM ile yapiyoruz. Iyi
    ayrilabilen siniflar icin SVM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: sepsis
    - Yordayici(lar): procalcitonin_ng_mL
    - Yordayici(lar): WBC_K_uL
    - Yordayici(lar): core_temp_C
    - Yordayici(lar): lactate_mmol

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Accuracy = 1.00   sonuc: sepsis   yordayicilar: CRP_mg_L, WBC_K_uL, fever_C, lactate_mmol

>> YORUM (anlatim):
    Sepsis var/yok siniflamasini dort klinik ozellikten SVM ile yaptik: dogruluk %100 -- siniflar bu belirteclerle
    mukemmel ayrilabiliyor (cok yuksek dogruluk asiri uyum riskine karsi capraz dogrulamayla teyit edilmelidir). SVM,
    siniflari en genis boslukla (margin) ayiran sinir yuzeyini bulur; cekirdek (kernel) hilesiyle dogrusal olmayan
    ayrimi da yapabilir. Tipta iyi ayrilabilen tani problemlerinde (sepsis, akut durum), ozellikle az-orta boyutlu
    veride, guclu ve kararli bir siniflandiricidir.

====================================================================================

#65  Gradyan Artirma
    dosya: 65_gb_repeat_admission.xlsx
  >> SENARYO (anlatim):
    Tekrar yatis riskini dort yordayicidan gradyan artirma ile siniflandiriyoruz. En
    yuksek dogruluk icin gradient boosting uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: repeat_admission_risk
    - Yordayici(lar): age
    - Yordayici(lar): comorbidity_count
    - Yordayici(lar): last_admission_day
    - Yordayici(lar): anesthetic_count

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Accuracy = 0.893   sonuc: repeat_admission_risk   yordayicilar: age, comorbidity_count, last_admission_day, anesthetic_count

>> YORUM (anlatim):
    Tekrar yatis riskini (repeat_admission_risk) dort yordayicidan gradyan artirma ile siniflandirdik: dogruluk %89.3.
    Gradient boosting, zayif agaclari ardisik olarak ekler -- her yeni agac onceki modelin hatalarini duzeltir; bu
    yuzden cogu tahmin yarismasinin kazanan yontemidir. Random forest paralel "oy" verirken, boosting hatayi adim adim
    azaltir. Tipta en yuksek tahmin dogrulugunun arandigi (tekrar yatis, komplikasyon riski skorlama) durumlarda
    tercih edilir; asiri uyuma karsi ayarlama gerektirir.

====================================================================================

#66  K-Ortalamalar Kumeleme
    dosya: 66_kmeans_patient_4kume.xlsx
  >> SENARYO (anlatim):
    Hastalari dort ozellige gore kumeliyoruz. Hasta fenotiplemesi icin k-means
    uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: age
    - Degiskenler: BMI
    - Degiskenler: MAP_mmHg
    - Degiskenler: glucose
    - Kume sayisi: 4

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n_clusters = 4   Silhouette = 0.442   degiskenler: age, BMI, MAP_mmHg, glucose

>> YORUM (anlatim):
    Hastalari dort ozellige gore (yas, BMI, ortalama arter basıncı KB, glukoz) 4 kumeye ayirdik: silhouette = 0.44, makul-orta
    ayrisma. K-means, gozlemleri en yakin kume merkezine atar ve merkezleri iteratif olarak gunceller; benzer hastalari
    dogal gruplara ayirir. Onceden etiket gerekmez (gozetimsiz). Tipta hasta fenotiplemesinde (risk gruplari, metabolik
    profiller) ve hasta segmentasyonunda temel yontemdir; silhouette kume sayisinin uygunlugunu denetler.

====================================================================================

#67  Hiyerarsik Kumeleme
    dosya: 67_hierarchic_5tip_10gen.xlsx
  >> SENARYO (anlatim):
    On gen ifadesine gore hastalari hiyerarsik kumeliyoruz. Ic-ice alt-tip yapisi
    icin hiyerarsik kumeleme uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: gene_01..10
    - Kume sayisi: 5

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n_clusters = 5   Silhouette = 0.147   degiskenler: gene_01..10 (10 gen)

>> YORUM (anlatim):
    On gen ifadesine gore hastalari hiyerarsik kumelemeyle 5 gruba ayirdik (silhouette = 0.15, zayif ayrisma -- gruplar
    kismen ic ice). Hiyerarsik kumeleme, gozlemleri adim adim birlestirerek bir agac (dendrogram) kurar; k-means'ten
    farki, kume sayisini onceden belirlemek zorunda olmamak ve ic-ice yapiyi gormektir. Tipta/genomikte hasta veya gen
    gruplarinin hiyerarsisini (alt-tipler) kesfetmede ve dogal kume sayisini dendrogramdan okumada kullanilir.

====================================================================================

#68  DBSCAN Kumeleme
    dosya: 68_dbscan_case_location.xlsx
  >> SENARYO (anlatim):
    Vaka konumlarini yogunluk temelli DBSCAN ile kumeliyoruz. Mekansal kume ve
    aykiri icin DBSCAN uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: lat
    - Degiskenler: lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n_clusters = 4   Silhouette = 0.911   degiskenler: lat, lon (konum)

>> YORUM (anlatim):
    Vaka konumlarini (lat, lon) yogunluk temelli DBSCAN ile kumeledik: 4 yogun kume, silhouette = 0.91 ile cok iyi
    ayrisma. DBSCAN, k-means'ten farkli olarak kume sayisini onceden istemez, herhangi bir bicimde kume bulabilir ve
    seyrek noktalari "gurultu" olarak isaretler. Tipta/epidemiyolojide mekansal vaka yogunlasmalarini (salgin kumeleri,
    hastalik odaklari) saptamada ve aykiri konumlari ayiklamada idealdir.

====================================================================================

#69  Temel Bilesenler (PCA)
    dosya: 69_pca_clinical_6ozellik.xlsx
  >> SENARYO (anlatim):
    Alti iliskili klinik gostergeyi PCA ile az sayida bilesene indirgiyoruz. Boyut
    indirgeme icin PCA uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: age
    - Degiskenler: BMI
    - Degiskenler: MAP_mmHg
    - Degiskenler: glucose
    - Degiskenler: EtCO2_mmHg
    - Degiskenler: SpO2_pct

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    PC1 varyansin %91.9'unu acikliyor   degiskenler: age, BMI, MAP_mmHg, glucose, end-tidal CO2, SpO2

>> YORUM (anlatim):
    Alti iliskili klinik gostergeyi PCA ile az sayida bilesene indirgedik: ilk bilesen tek basina varyansin %91.9'unu
    acikliyor -- yani bu alti olcu buyuk olcude tek bir gizli boyutu (genel metabolik/kardiyovaskuler risk)
    yansitiyor. PCA, bagintili degiskenleri birbirinden bagimsiz bilesenlere donusturur; boyut indirger,
    gorsellestirmeyi kolaylastirir ve multikolinariteyi cozer. Tipta cok-gostergeli klinik veriyi ozetlemede ve bir
    "bilesik risk endeksi" olusturmada temeldir.

====================================================================================

#70  t-SNE
    dosya: 70_tsne_complication_5tip.xlsx
  >> SENARYO (anlatim):
    12 gen boyutlu veriyi gorsellestirme icin 2 boyuta t-SNE ile indiriyoruz.
    Dogrusal olmayan alt-tip kesfi icin t-SNE uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: gene_01..12

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    KL Iraksamasi = 0.558 (iyi)   yuksek boyutlu 12 gen 2 boyuta gomuldu

>> YORUM (anlatim):
    On iki gen boyutlu veriyi, gorsellestirme icin 2 boyuta t-SNE ile indirdik (KL = 0.56, iyi kalite). t-SNE, yuksek
    boyutlu komsuluklari korumaya calisarak benzer gozlemleri yakin, farklilari uzak konumlandirir; PCA'nin gormedigi
    dogrusal olmayan kume yapilarini gorsel olarak ortaya cikarir. Yorum gorseldir (eksenlerin mutlak anlami yoktur).
    Tipta/genomikte yuksek boyutlu gen/omik verisindeki gizli hasta alt-tiplerini kesifsel gorsellestirmede kullanilir.

====================================================================================

#71  Cok Boyutlu Olcekleme (MDS)
    dosya: 71_mds_patient_distance.xlsx
  >> SENARYO (anlatim):
    Hastalar arasi benzerlik yapisini 2 boyutlu haritaya yerlestiriyoruz. Benzerlik
    haritasi icin MDS uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: age
    - Degiskenler: BMI
    - Degiskenler: MAP_mmHg
    - Degiskenler: EtCO2_mmHg
    - Degiskenler: SpO2_pct

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Stress (Kruskal-1) = 0.091 (kabul edilebilir)   degiskenler: age, BMI, MAP_mmHg, end-tidal CO2, SpO2

>> YORUM (anlatim):
    Hastalar arasi uzaklik/benzerlik yapisini, kabul edilebilir stress (0.09) ile 2 boyutlu bir haritaya yerlestirdik:
    dusuk stress, haritanin gercek uzakliklari iyi temsil ettigini gosteriyor. MDS, gozlemler arasi mesafeleri koruyarak
    onlari yorumlanabilir bir uzayda konumlandirir; t-SNE'den farki, kuresel mesafe yapisini koruma amacidir. Tipta
    hasta/grup benzerlik haritalarini cizmede ve klinik profil konumlandirmasinda kullanilir.

====================================================================================

#72  UMAP
    dosya: 72_umap_omics_5tip.xlsx
  >> SENARYO (anlatim):
    25 boyutlu omik veriyi UMAP ile 2 boyuta indiriyoruz. Hem yerel hem kuresel yapi
    icin UMAP uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: omics_01..25

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    25 omik degiskeni 2 boyuta gomuldu   (n_neighbors / min_dist ile yerel-kuresel denge)

>> YORUM (anlatim):
    Yirmi bes boyutlu omik (gen/protein) verisini UMAP ile 2 boyuta indirdik. UMAP, t-SNE'ye benzer sekilde dogrusal
    olmayan boyut indirgeme yapar ama hem yerel hem kuresel yapiyi daha iyi korur ve daha hizlidir. n_neighbors
    buyudukce daha genis gruplari, min_dist buyudukce kumeler arasi bosluklari vurgular. Tipta/genomikte yuksek boyutlu
    omik verisini gorsellestirmede ve dogal hasta alt-tiplerini kesfetmede modern bir secimdir.

====================================================================================

#73  Cronbach Alfa
    dosya: 73_cronbach_BDI_21.xlsx
  >> SENARYO (anlatim):
    Yirmi bir maddelik bir olcegin ic tutarliligini olcuyoruz. Olcek guvenilirligi
    icin Cronbach alfa uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: item_01..21

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cronbach alpha = 0.974 (mukemmel ic tutarlilik)   21 madde

>> YORUM (anlatim):
    Yirmi bir maddelik bir olcegin (or. yasam kalitesi/hasta bildirimli sonuc) ic tutarliligini Cronbach alfa ile
    olctuk: alpha = 0.97, mukemmel duzey -- maddeler ayni yapiyi tutarli sekilde olcuyor. Cronbach alfa, bir olcekteki
    maddelerin ne kadar "birlikte" hareket ettigini gosterir; 0.70 ustu kabul edilebilir sayilir. (Cok yuksek deger
    ayni zamanda madde fazlaligina da isaret edebilir.) Tipta hasta bildirimli olceklerin guvenilirligini raporlamada
    standart gostergedir.

====================================================================================

#74  Likert Olcek Analizi
    dosya: 74_likert_survival_quality_3boyut.xlsx
  >> SENARYO (anlatim):
    Uc alt-olcekten (fiziksel/mental/sosyal) olusan 15 maddelik Likert setini
    cozumluyoruz. Sirali olcek ozeti ve guvenilirligi icin Likert analizi uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: physical_1..5 / mental_1..5 / social_1..5

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Madde sayisi k = 15   Cronbach alpha = 0.782 (kabul edilebilir)

>> YORUM (anlatim):
    Uc alt-olcekten (fiziksel, mental, sosyal) olusan 15 maddelik Likert setini cozumledik: guvenilirlik kabul
    edilebilir (alpha = 0.78), madde dagilimlari ve merkezi egilimler raporlandi. Likert analizi, sirali olcek
    yanitlarini (1-5) uygun ozetlerle (medyan, dagilim, yigilma) betimler ve olcek guvenilirligini denetler. Tipta
    yasam kalitesi/hasta bildirimli sonuc olceklerinin dogru ozetlenmesi ve yorumlanmasi icin kullanilir.

====================================================================================

#75  Acimlayici Faktor Analizi (EFA)
    dosya: 75_efa_18_item_3faktor.xlsx
  >> SENARYO (anlatim):
    On sekiz maddenin arkasindaki gizli faktorleri kesfediyoruz. Olcek yapisi kesfi
    icin EFA uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: q01..18

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    KMO = 0.909 (mukemmel)   faktor analizi uygun   18 madde (q01..18)

>> YORUM (anlatim):
    On sekiz maddenin arkasinda kac gizli faktor yattigini kesfetmek icin EFA uyguladik: KMO = 0.91 ile veri faktor
    analizine cok uygun. EFA, gozlenen maddeleri az sayida gozlenemeyen "faktore" indirger; hangi maddelerin ayni
    boyutu olctugunu ortaya koyar. Tipta yeni bir hasta bildirimli olcek gelistirirken (yapinin kesfi) ve madde
    gruplarini teorik alanlara eslemede temeldir; KMO ve Bartlett on-kosul testleridir.

====================================================================================

#76  Sinif Ici Korelasyon (ICC)
    dosya: 76_icc_3radyolog_tumor.xlsx
  >> SENARYO (anlatim):
    Uc radyologun ayni goruntulerde olctugu degeri ICC ile karsilastiriyoruz.
    Surekli olcumde gozlemci guvenirligi icin ICC uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: radiologist_1_mm
    - Degiskenler: radiologist_2_mm
    - Degiskenler: radiologist_3_mm

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    ICC(1,1) = 0.951 (Mukemmel)   %95 GA [0.920, 0.970]   3 radyolog (radiologist_1/2/3_mm)

>> YORUM (anlatim):
    Uc radyologun ayni goruntulerde olctugu degeri (mm) ICC ile karsilastirdik: ICC = 0.95, mukemmel -- radyologlar
    neredeyse ozdes olcuyor. ICC, kappa'dan farkli olarak SUREKLI olcumlerde gozlemciler arasi guvenirligi olcer ve hem
    tutarliligi hem mutlak uyumu degerlendirebilir. Tipta radyolojik/patolojik olcumlerde farkli uzmanlarin
    olcumlerinin ne kadar guvenilir/degistirilebilir oldugunu saptamada standart gostergedir.

====================================================================================

#77  Dogrulayici Faktor Analizi (CFA)
    dosya: 77_cfa_DASS21_12.xlsx
  >> SENARYO (anlatim):
    Onceden tanimli uc faktorlu yapinin (depresyon/anksiyete/stres -- DASS) verilere
    uyup uymadigini siniyoruz. Olcek yapi gecerligi icin CFA uygundur.
  >> DEGISKEN SECIMI:
    - Deger: depression: depression_1..4
    - Deger: anxiety: anxiety_1..4
    - Deger: stress: stress_1..4

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CFI = 1.002   RMSEA = 0.000   3 faktor: depression / anxiety / stress (her biri 4 madde -- DASS benzeri)

>> YORUM (anlatim):
    EFA'nin aksine, onceden tanimladigimiz uc faktorlu yapinin (depresyon/anksiyete/stres -- DASS tarzi) verilere uyup
    uymadigini CFA ile SINADIK: uyum indeksleri mukemmel (CFI = 1.00, RMSEA = 0.00). CFA, teorik olcek modelini test
    eder -- her maddenin hangi faktore yuklendigi onceden bellidir, soru "model veriye uyuyor mu?"dur. Tipta
    gelistirilmis bir ruh sagligi olceginin yapi gecerligini dogrulamada (DASS boyutlari teoriye uyuyor mu) zorunlu
    adimdir.

====================================================================================

#78  Anket Ortalamasi
    dosya: 78_survey_means_bp.xlsx
  >> SENARYO (anlatim):
    Tabakali/agirlikli saglik taramasi tasariminda ortalama arter basıncı KB ortalamasini tahmin
    ediyoruz. Karmasik orneklem icin tasarim-temelli ortalama uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: MAP_mmHg
    - Agirlik: weight
    - Tabaka/Katman: age_group

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    MAP_mmHg: M_hat = 129.09   SE = 0.79   %95 GA [127.53, 130.65]   CV %0.62   agirlik: weight, tabaka: age_group

>> YORUM (anlatim):
    Tabakali/agirlikli bir saglik taramasi tasariminda ortalama arter basıncı KB ortalamasini, tasarimi dikkate alarak tahmin ettik:
    M = 129.09 mmHg, Taylor lineerleme SE'si ile %95 GA [127.5, 130.7]. Karmasik orneklem yontemleri, esit olmayan
    secilme olasiliklarini (agirlik) ve tabakalamayi hesaba katar; bunlar yok sayilirsa standart hatalar yanli cikar.
    Tipta ulusal/bolgesel temsili saglik taramalarindan (NHANES tarzi) dogru nokta tahmini ve guven araligi uretmenin
    dogru yoludur.

====================================================================================

#79  Anket Frekansi
    dosya: 79_survey_freq_smoking.xlsx
  >> SENARYO (anlatim):
    Sigara durumu kategori oranlarini tasarimi dikkate alarak tahmin ediyoruz.
    Karmasik orneklem icin tasarim-temelli frekans uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: smoking
    - Agirlik: weight
    - Tabaka/Katman: region

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    smoking kategorileri icin agirlikli oranlar + Taylor SE + %95 GA
    (or. 'active low' p_hat = 0.185, 'active high' p_hat = 0.042)

>> YORUM (anlatim):
    Bir kategorik anket sorusunun (sigara durumu) kategori oranlarini, orneklem agirliklari ve tabakalama altinda
    tahmin ettik; her oran icin tasarima dayali SE ve guven araligi verildi. Karmasik orneklem frekans analizi, basit
    yuzde hesabinin aksine, orneklem tasarimini dikkate alarak populasyon oranlarini yanli olmadan kestirir. Tipta
    temsili saglik taramalarindan risk faktoru (sigara) dagilimlarini dogru raporlamada kullanilir.

====================================================================================

#80  Anket Toplami
    dosya: 80_survey_total_diabetes_prediction.xlsx
  >> SENARYO (anlatim):
    Orneklemden populasyon toplamini (toplam diyabet hastasi) tahmin ediyoruz.
    Karmasik orneklem icin tasarim-temelli toplam uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: diabetes_patient_count
    - Agirlik: weight
    - Tabaka/Katman: size_stratum

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    diabetes_patient_count: T_hat = 727,848   SE = 7,969.09   %95 GA [712,160, 743,536]   tabaka: size_stratum

>> YORUM (anlatim):
    Orneklemden populasyon TOPLAMINI (toplam diyabet hastasi sayisi) tahmin ettik: T = 727,848, %95 GA [712,160,
    743,536]. Agirliklar her gozlemin populasyonda kac birimi temsil ettigini soyler; toplam tahmini bu agirliklarin
    toplamiyla yapilir ve Taylor SE ile belirsizligi raporlanir. Tipta/halk sagliginda orneklemden tum populasyona
    olceklenmis toplamlar (toplam hasta, toplam yuk) uretmede dogru yontemdir.

====================================================================================

#81  Anket Regresyonu
    dosya: 81_survey_reg_bp.xlsx
  >> SENARYO (anlatim):
    ortalama arter basıncı arter basincini tasarimi dikkate alarak regresyona sokuyoruz. Karmasik
    orneklemde iliski icin tasarim-temelli regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: MAP_mmHg
    - Yordayici(lar): age
    - Yordayici(lar): BMI
    - Agirlik: weight
    - Tabaka/Katman: region

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R^2 = 0.547   age katsayisi = 0.473 (p < .001)   sonuc: MAP_mmHg   yordayicilar: age, BMI   agirlik: weight

>> YORUM (anlatim):
    ortalama arter basıncı arter basincini, orneklem tasarimini (agirlik, tabaka) dikkate alarak regresyona soktuk: yas anlamli bir
    yordayici (b = 0.47, p < .001), model varyansin %54.7'sini acikliyor. Tasarim-temelli regresyon, agirliklari ve
    kume/tabaka yapisini katsayi ve standart hata hesabina dahil eder; siradan regresyon bunlari yok sayarak yanli
    cikarim verir. Tipta temsili saglik taramasi verisinde iliski modellemenin dogru yoludur.

====================================================================================

#82  Anket Lojistik Regresyonu
    dosya: 82_survey_logistic_diabetes.xlsx
  >> SENARYO (anlatim):
    Diyabeti tasarim-agirlikli lojistikle modelliyoruz. Karmasik orneklemde ikili
    sonuc icin uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: diabetes
    - Yordayici(lar): age
    - Yordayici(lar): BMI
    - Agirlik: weight
    - Tabaka/Katman: region

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    age: OR = 1.051   p < .001 ***   ikili sonuc: diabetes   yordayicilar: age, BMI   agirlik: weight

>> YORUM (anlatim):
    Ikili bir sonucu (diyabet var/yok) tasarim-agirlikli lojistik regresyonla modelledik: yasin her bir birim artisi
    diyabet oddsunu ~%5.1 artiriyor (OR = 1.051, p < .001) -- guclu bir yordayici. Bu yontem, lojistik regresyonu
    karmasik orneklem tasarimina genisletir -- agirlik ve tabaka standart hatalara yansir. Tipta temsili saglik
    taramalarindan ikili sonuc (hastalik var/yok) olasiligini dogru tahmin etmede kullanilir.

====================================================================================

#83  Genellestirilmis Toplamsal Model (GAM)
    dosya: 83_gam_mortality_age.xlsx
  >> SENARYO (anlatim):
    1 yillik mortalite olasiligini yasla, iliskiyi esnek bir egriyle modelliyoruz.
    Dogrusal olmayan etki icin GAM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: 1yr_mortality_probability
    - Yordayici(lar): age (smooth)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Pseudo R^2 (aciklanan) = 0.983   sonuc: 1yr_mortality_probability   yordayici: age (duzgun/smooth terim)

>> YORUM (anlatim):
    1 yillik mortalite olasiligini yasla, iliskinin bicimini onceden duz cizgi varsaymadan, esnek bir egri (smooth) ile
    modelledik: aciklanan varyans cok yuksek (pseudo R^2 = 0.98). GAM, dogrusal regresyonu genisletir -- her
    yordayicinin etkisini veriden ogrenilen duzgun bir fonksiyon olarak modeller, boylece egrisel iliskileri
    yorumlanabilirligi kaybetmeden yakalar. Tipta etkinin dogrusal olmadigi (yasla ustel artan mortalite) iliskilerde,
    kara-kutu modellere gore daha aciklayici bir secimdir.

====================================================================================

#84  Diskriminant Analizi
    dosya: 84_diskriminant_3sinif_5lab.xlsx
  >> SENARYO (anlatim):
    Hasta sinifini bes laboratuvar olcuden siniflandiriyoruz. Onceden tanimli tani
    siniflarina atama icin diskriminant uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: class
    - Yordayici(lar): WBC_K_uL
    - Yordayici(lar): procalcitonin_ng_mL
    - Yordayici(lar): creatinine
    - Yordayici(lar): AST_U_L
    - Yordayici(lar): Hb_g_dL

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dogruluk = 1.00   sonuc: class   yordayicilar: WBC_K_uL, CRP_mg_L, creatinine, AST_U_L, Hb_g_dL

>> YORUM (anlatim):
    Hasta sinifini bes laboratuvar olcuden diskriminant analiziyle siniflandirdik: dogruluk %100 -- siniflar bu
    belirteclerle tam ayrisiyor (asiri uyum riski capraz dogrulamayla kontrol edilmeli). Diskriminant analizi, gruplari
    en iyi ayiran dogrusal bilesimleri bulur; hem siniflandirma yapar hem hangi belirtecin ayrimda en etkili oldugunu
    gosterir. Tipta onceden tanimli tani siniflarina yeni hastalari atamada ve ayirici laboratuvar belirteclerini
    belirlemede kullanilir.

====================================================================================

#85  Kosullu Lojit
    dosya: 85_conditional_logit_treatment.xlsx
  >> SENARYO (anlatim):
    Hastalarin tedavi alternatifleri arasindan secimlerini secenek ozellikleriyle
    modelliyoruz. Ayrik secim verisi icin kosullu lojit uygundur.
  >> DEGISKEN SECIMI:
    - Secici: patient_id
    - Secim: chosen
    - Secenek ozellikleri: duration_month
    - Secenek ozellikleri: cost_TL

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    McFadden pseudo R^2 = 1.00   secici: patient_id   secim: chosen   ozellikler: duration_month, cost_TL

>> YORUM (anlatim):
    Hastalarin tedavi alternatifleri arasindan yaptigi secimleri, secenek ozelliklerine (sure, maliyet) gore kosullu
    lojitle modelledik. Bu model, her bireyin bir secenek kumesinden birini sectigi "ayrik secim" verisi icindir;
    secenegin ozelliklerinin secilme olasiligini nasil etkiledigini tahmin eder. Standart lojistikten farki, secimin
    birey ici secenek kumesine kosullu olmasidir. Tipta tedavi/hizmet tercih modellemede (sure-maliyet etkisi,
    hasta tercihi) temel yontemdir.

====================================================================================

#86  Kaplan-Meier Sagkalim
    dosya: 86_km_complication_survival.xlsx
  >> SENARYO (anlatim):
    Hastalarin olume kadar gecen suresini ve evreler arasi farki inceliyoruz.
    Sansurlu sure verisi icin Kaplan-Meier uygundur.
  >> DEGISKEN SECIMI:
    - Sure: duration_month
    - Olay: death
    - Gruplama (kategorik): stage

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Medyan sagkalim = 41.1 ay   Log-rank chi^2(2) = 1.00, p = 0.607 ns   sure: duration_month, olay: death, grup: stage

>> YORUM (anlatim):
    Hastalarin olume kadar gecen suresini Kaplan-Meier ile inceledik: medyan sagkalim 41.1 ay; evreler (stage) arasi
    sagkalim egrileri log-rank ile karsilastirildi (p = 0.61, anlamli fark yok). KM, sansurlu sure verisini (olay henuz
    gerceklesmeyen/hala yasayan) dogru ele alir; siradan ortalama bu gozlemleri yok sayip yanli cikarir. Tipta genel
    sagkalim, olumsuz sonuca kadar gecen sure analizinde altin standarttir.

====================================================================================

#87  Cox Orantili Tehlike
    dosya: 87_cox_death_hazard.xlsx
  >> SENARYO (anlatim):
    Olum riskini surekli ve kategorik yordayicilarla Cox modeliyle inceliyoruz.
    Sansurlu surede cok yordayici icin Cox uygundur.
  >> DEGISKEN SECIMI:
    - Sure: duration_month
    - Olay: death
    - Yordayici(lar): age
    - Yordayici(lar): stage
    - Yordayici(lar): new_treatment
    - Yordayici(lar): biomarker

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Orantili tehlike varsayim testi (Schoenfeld): kovaryans basina ki-kare/p; anlamli = PH ihlal, zaman-bagimli etki dusunun.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Concordance = 0.595   age: HR = 1.013   p = 0.063 (sinirda ns)   sure: duration_month, olay: death
    yordayicilar: age, stage, new_treatment, sepsis biomarker

>> YORUM (anlatim):
    Olum riskini surekli ve kategorik yordayicilarla Cox modeliyle inceledik: yasin etkisi siniri zorluyor (HR = 1.013,
    p = 0.063), concordance 0.60 (orta ayirma). Cox regresyonu, sansurlu sure verisinde birden cok yordayicinin "olay
    zamani" uzerindeki etkisini tehlike orani (HR) olarak verir; temel tehlikenin sekli hakkinda varsayim yapmaz. Tipta
    sagkalimi belirleyen prognostik faktorleri (yas, evre, tedavi, biyobelirtec) saptamada altin standarttir.

====================================================================================

#88  Parametrik Sagkalim (AFT)
    dosya: 88_aft_weibull_diyaliz.xlsx
  >> SENARYO (anlatim):
    Sagkalim suresini Weibull dagilimi varsayarak modelliyoruz. Surenin acik tahmini
    icin AFT uygundur.
  >> DEGISKEN SECIMI:
    - Sure: duration_month
    - Olay: death
    - Yordayici(lar): diabetes

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dagilim: Weibull   Medyan sagkalim = 40.30 ay   sure: duration_month, olay: death, yordayici: diabetes

>> YORUM (anlatim):
    Sagkalim suresini parametrik (Weibull) bir dagilim varsayarak modelledik: medyan sagkalim ~40.3 ay. AFT
    (hizlandirilmis basarisizlik zamani) modelleri, Cox'tan farkli olarak tehlikenin sekli icin acik bir dagilim secer
    ve yordayicilarin sureyi nasil "hizlandirdigi/yavaslattigini" dogrudan yorumlar. Veri varsayilan dagilima uyuyorsa
    Cox'tan daha gucludur. Tipta sagkalim suresinin acik tahmini ve ekstrapolasyonu gerektiginde tercih edilir.

====================================================================================

#89  Rekabet Eden Riskler
    dosya: 89_competing_risks_3neden.xlsx
  >> SENARYO (anlatim):
    Hastanin birden fazla farkli olum nedeniyle karsilasabildigi durumu
    modelliyoruz. Birbirini dislayan olaylar icin rekabet eden riskler uygundur.
  >> DEGISKEN SECIMI:
    - Sure: duration_month
    - Olay: death_cause -> olay tipi / event type
    - Yordayici(lar): age

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Sansurlu (0) = 63   farkli olum nedenleri (death_cause) ayri olay tipleri olarak modellendi

>> YORUM (anlatim):
    Hastanin birden fazla farkli olum nedeniyle (death_cause: hastaliga bagli, kardiyak, diger) karsilasabildigi durumu
    rekabet eden riskler cercevesinde inceledik: 63 gozlem sansurlu, kalanlar farkli olay tiplerine ayrildi. Standart
    sagkalim her olayi ayni sayarken, rekabet eden riskler yontemi "biri gerceklesince digerleri artik olamaz"
    gercegini hesaba katar ve her olum nedeni icin ayri kumulatif insidans verir. Tipta ayni hastanin birbirini
    dislayan farkli olum nedenlerini dogru modellemede gereklidir.

====================================================================================

#90  Zamana Bagli Cox
    dosya: 90_tvcox_SpO2_death.xlsx
  >> SENARYO (anlatim):
    Yordayicinin (SpO2) zaman icinde degistigi bir Cox modeli kuruyoruz. Zamanla
    degisen kovaryat icin zamana bagli Cox uygundur.
  >> DEGISKEN SECIMI:
    - Birim (id): patient_id
    - Baslangic: start
    - Bitis: end
    - Olay: event
    - Yordayici(lar): SpO2_pct

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    SpO2: HR = 1.096   p = 0.576 ns   (zamanla degisen kovaryat)   id: patient_id, baslangic/bitis araliklari

>> YORUM (anlatim):
    Yordayicinin (SpO2) zaman icinde DEGISTIGI bir Cox modeli kurduk: her hasta icin baslangic-bitis araliklariyla
    SpO2'nin guncel degeri kullanildi; etki burada anlamli degil (HR = 1.096, p = 0.58). Zamana bagli Cox, sabit
    olmayan kovaryatlari (degisen SpO2, degisen klinik durum) dogru ele alir -- olay aninda yordayicinin guncel
    degerini kullanir. Tipta zamanla degisen klinik degerlerin (laboratuvar, tedavi) olay uzerindeki etkisini
    modellemede dogru yontemdir.

====================================================================================

#91  Anket Cox Regresyonu
    dosya: 91_survey_phreg_death.xlsx
  >> SENARYO (anlatim):
    Sagkalim analizini karmasik anket tasarimina (agirlik+kume) tasiyoruz. Tasarima
    sadik olay zamani icin survey_phreg uygundur.
  >> DEGISKEN SECIMI:
    - Sure: duration_month
    - Olay: death
    - Yordayici(lar): region (faktorize/factorized)
    - Agirlik: weight
    - Kume: clinical_id

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Concordance = 0.523   region_n: p = 0.445 ns   sure: duration_month, olay: death   agirlik: weight, kume: clinical_id

>> YORUM (anlatim):
    Sagkalim analizini karmasik anket tasarimina (agirlik + kume) tasiyarak Cox modeli kurduk: bolge etkisi anlamli
    degil (p = 0.45), concordance 0.52 (ayirma gucu zayif). survey_phreg, orantili tehlike modelini tabaka/kume/agirlik
    yapisina genisletir -- standart hatalar tasarima gore duzeltilir. Tipta temsili klinik kayit/kohort verisinde olay
    zamani (olum) modellemenin tasarima sadik yoludur.

====================================================================================

#92  Aralik Sansurlu Sagkalim
    dosya: 92_interval_censored_nuks.xlsx
  >> SENARYO (anlatim):
    Olayin yalnizca bir aralik icinde gerceklestigi bilinen veriyi modelliyoruz.
    Aralik sansur icin uygundur.
  >> DEGISKEN SECIMI:
    - Alt sinir: left_censor
    - Ust sinir: survival_censor

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Olay sayisi = 30   Medyan sagkalim = 10.0   (alt sinir: left_censor, ust sinir: survival_censor)

>> YORUM (anlatim):
    Olayin tam zamani bilinmeyip yalnizca bir ARALIK icinde gerceklestigi bilinen veriyi modelledik: medyan sagkalim 10
    birim, 30 olay. Aralik sansurlu yontemler, olayin "iki gozlem arasinda bir yerde" oldugu durumlar (periyodik
    kontroller arasi) icindir; olayi aralik orta/uc noktasina sabitlemek yanli sonuc verirken bu yontem belirsizligi
    dogru tasir. Tipta periyodik kontroller arasinda gerceklesen olaylari (iki vizit arasi nuks/ilerleme) dogru
    modellemede kullanilir.

====================================================================================

#93  Kirilganlik (Frailty) Cox
    dosya: 93_frailty_cox_clinical.xlsx
  >> SENARYO (anlatim):
    Kumelenmis sagkalim verisinde merkeze ozgu gizli riski frailty olarak
    modelliyoruz. Paylasilan gizli risk icin frailty Cox uygundur.
  >> DEGISKEN SECIMI:
    - Sure: duration_month
    - Olay: death
    - Yordayici(lar): age
    - Kume: clinical_id

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Concordance = 0.513   age: p = 0.530 ns   sure: duration_month, olay: death   kume: clinical_id (frailty)

>> YORUM (anlatim):
    Kumelenmis sagkalim verisinde (ayni klinik/merkez icindeki hastalar) merkeze ozgu gozlenmeyen riski "frailty"
    (rastgele etki) olarak modelledik; yas etkisi anlamli degil (p = 0.53). Frailty Cox, ayni kumedeki birimlerin
    paylastigi gizli riski hesaba katar -- standart Cox'un ihlal ettigi bagimsizlik varsayimini cozer. Tipta cok
    merkezli calismalarda merkez/klinik icinde kumelenmis olay verisinde (paylasilan gizli risk) dogru secimdir.

====================================================================================

#94  Zaman Serisi Analizi
    dosya: 94_ts_monthly_case.xlsx
  >> SENARYO (anlatim):
    Aylik bir vaka serisini (trend, mevsim, duraganlik) inceliyoruz. Zamana bagli
    yapi icin zaman serisi analizi uygundur.
  >> DEGISKEN SECIMI:
    - Tarih: date
    - Deger: monthly_case

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    60 gozlem (aylik)   ADF p = 0.998 (duragan degil)   Trend: artan   Mevsimsellik tespit edildi

>> YORUM (anlatim):
    Aylik bir vaka serisini (monthly_case) inceledik: ADF testi durağan olmadigini gosteriyor (p = 0.998), seride artan
    trend ve mevsimsellik var. Zaman serisi analizi, gozlemlerin zaman sirasina bagli yapisini (trend, mevsim,
    otokorelasyon) ortaya cikarir; siradan istatistikler bu bagimlilik nedeniyle yaniltici olur. Duraganlik, ARIMA gibi
    modellerin on kosuludur; durağan degilse fark alma gerekir. Tipta/epidemiyolojide vaka/basvuru serilerini
    cozumlemenin baslangic adimidir.

====================================================================================

#95  STL Ayristirmasi
    dosya: 95_stl_YBU_daily.xlsx
  >> SENARYO (anlatim):
    Yogun bakim doluluk serisini trend, mevsim ve artik bilesenlerine ayiriyoruz.
    Mevsimsellik ayristirma icin STL uygundur.
  >> DEGISKEN SECIMI:
    - Tarih: date
    - Deger: YBU_occupancy

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Mevsim periyodu = 7   seri trend + mevsim + artik bilesenlerine ayristirildi

>> YORUM (anlatim):
    Yogun bakim doluluk serisini (YBU_occupancy) STL ile uc bilesene ayirdik: trend, mevsimsel deseni (period = 7) ve
    artik. STL, bir zaman serisinin uzun donem egilimini, tekrarlayan mevsimsel desenini ve aciklanamayan dalgalanmayi
    gorsel ve sayisal olarak ayirir; boylece "asil egilim nedir, ne kadari mevsimsel?" sorusu yanitlanir. Tipta/saglik
    yonetiminde doluluk/vaka serilerinden mevsimselligi (salgin sezonu) arindirip altta yatan trendi gormede ve anomali
    tespitinde temeldir.

====================================================================================

#96  ARIMA Tahmin
    dosya: 96_arima_monthly_ddd.xlsx
  >> SENARYO (anlatim):
    Aylik DDD (anestezik tuketim) serisini ARIMA ile modelleyip gelecege yonelik tahmin
    uretiyoruz. Seri ongorusu icin ARIMA uygundur.
  >> DEGISKEN SECIMI:
    - Tarih: date
    - Deger: monthly_ddd

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    ARIMA modeli secildi   AIC = 2471.69   gelecege yonelik tahmin + guven araligi

>> YORUM (anlatim):
    Aylik DDD (gunluk tanimlanmis doz / anestezik tuketim) serisini ARIMA ile modelleyip gelecege yonelik tahmin urettik
    (AIC = 2471.69 ile model secimi). ARIMA, serinin kendi gecmis degerleri (AR), trendi (I - fark alma) ve gecmis
    hatalari (MA) uzerinden gelecegi ongorur; duragan hale getirilmis seride guclu kisa-orta vadeli tahmin saglar.
    Tipta/saglik yonetiminde anestezik tuketimi, vaka, talep ongorusunde en yaygin klasik yontemdir; guven araligi tahmin
    belirsizligini gosterir.

====================================================================================

#97  Ustel Duzlestirme (ETS)
    dosya: 97_ets_monthly_emergency.xlsx
  >> SENARYO (anlatim):
    Acil basvuru serisini Holt-Winters ustel duzlestirmeyle modelliyoruz. Mevsimsel
    trendli seri icin ETS uygundur.
  >> DEGISKEN SECIMI:
    - Tarih: date
    - Deger: emergency_application

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Yontem: Holt-Winters (mevsimsel toplamsal, period = 12)   AIC = 1062.52

>> YORUM (anlatim):
    Acil basvuru serisini (emergency_application) Holt-Winters ustel duzlestirmeyle modelledik: seviye, trend ve
    12-periyotluk mevsimsel bileseni birlikte tahmin eder. ETS, son gozlemlere daha cok agirlik vererek (ustel azalan
    agirlik) serinin guncel seviyesini, egilimini ve mevsimini izler; mevsimsel ve trendli serilerde ARIMA'ya pratik
    bir alternatiftir. Tipta/saglik yonetiminde duzenli mevsimsel desenli acil basvuru/yogunluk ongorusunde hizli ve
    guvenilir sonuc verir.

====================================================================================

#98  Mann-Kendall Trend
    dosya: 98_mann_kendall_survival_expectation.xlsx
  >> SENARYO (anlatim):
    Yasam beklentisi serisinde anlamli egilimi dagilim varsaymadan test ediyoruz.
    Saglam trend tespiti icin Mann-Kendall uygundur.
  >> DEGISKEN SECIMI:
    - Deger: survival_expectation

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    p < .001 ***   anlamli trend tespit edildi   (Sen egimi ile trend buyuklugu)   degisken: survival_expectation

>> YORUM (anlatim):
    Yasam beklentisi serisinde -- dagilim varsaymadan -- anlamli bir egilim olup olmadigini Mann-Kendall ile test
    ettik: p < .001 ile anlamli trend; Sen egimi trendin saglam (aykiri-dayanikli) buyuklugunu verir. Mann-Kendall,
    parametrik olmayan bir trend testidir; normallik gerektirmez ve aykiri degerlere dayaniklidir, bu yuzden saglik/
    epidemiyoloji zaman serilerinde yaygindir. Tipta uzun donemli saglik gostergelerinin egilimlerini (artan/azalan
    trend) saglam bicimde saptamada kullanilir.

====================================================================================

#99  Anomali Tespiti
    dosya: 99_anomali_lab_results.xlsx
  >> SENARYO (anlatim):
    Cok-degiskenli laboratuvar verisindeki olagandisi gozlemleri tespit ediyoruz.
    Bilesik aykiri tespiti icin anomali tespiti uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: WBC_K_uL
    - Degiskenler: Hb_g_dL
    - Degiskenler: creatinine
    - Degiskenler: AST_U_L
    - Degiskenler: procalcitonin_ng_mL

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Anomali sayisi = 17   degiskenler: WBC_K_uL, Hb_g_dL, creatinine, AST_U_L, CRP_mg_L

>> YORUM (anlatim):
    Cok-degiskenli laboratuvar verisindeki olagandisi gozlemleri otomatik tespit ettik: 17 hasta anomali olarak
    isaretlendi. Anomali tespiti, normalden belirgin sapan gozlemleri (hatali kayit, kritik/istisnai klinik tablo) cok
    degiskeni birlikte degerlendirerek bulur; tek degiskenli esiklerin kacirdigi "bilesik" aykiriliklari yakalar. Tipta
    laboratuvar kalite kontrolu, hatali olcum tespiti ve kritik hasta profillerinin erken saptanmasinda kullanilir.

====================================================================================

#100  Varyans Bilesenleri
    dosya: 100_varcomp_clinical_doctor_patient_h2.xlsx
  >> SENARYO (anlatim):
    Tedavi yanit degiskenligini ic ice duzeylere (klinik/doktor) ayristiriyoruz.
    Hiyerarsik degiskenlik icin varyans bilesenleri uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: treatment_response
    - Faktor (kategorik): clinical
    - Faktor (kategorik): doctor_id (nested)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Random faktorler: clinical + doctor_id (clinical icinde nested)   her bilesenin % katkisi + artik

>> YORUM (anlatim):
    Tedavi yanit degiskenligini, ic ice (nested) duzeylere -- klinik ve klinik icindeki doktor -- ayristirdik: her
    duzeyin toplam degiskenlige yuzde katkisi ve artik raporlandi. Varyans bilesenleri analizi, "degiskenligin ne
    kadari klinikler arasi, ne kadari doktorlar arasi, ne kadari hasta ici?" sorusunu yanitlar. Tipta cok merkezli
    hiyerarsik yapilarda (klinik>doktor>hasta) belirsizligin nerede yogunlastigini gormede ve orneklem tasariminda
    kullanilir.

====================================================================================

#101  Bayesci t-Testi
    dosya: 101_bayesian_t_test_new_old_treatment.xlsx
  >> SENARYO (anlatim):
    Iki tedavi grubunun yanit skoru farkini Bayesci t-testiyle, kanit gucunu Bayes
    faktoru olarak inceliyoruz. Sezgisel kanit orani icin uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: response_score
    - Gruplama (kategorik): treatment

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    BF10 = 2.81e+40   Cohen's d = 3.937   (H1 lehine ezici kanit)   sonuc: response_score, grup: treatment

>> YORUM (anlatim):
    Iki tedavi grubunun yanit skoru farkini Bayesci t-testiyle inceledik: Bayes faktoru ezici (BF10 ~ 2.8e40), etki cok
    buyuk (d = 3.94) -- veri, fark oldugu hipotezini fark olmadigina karsi astronomik oranda destekliyor. Bayes
    faktoru, p-degerinden farkli olarak iki hipotezin GORELI kanit gucunu verir ve "kanit yok" ile "fark yok"u ayirt
    edebilir. Tipta tedavi kararinin kanit guucunu sezgisel bir oranla ifade etmek istendiginde tercih edilir.

====================================================================================

#102  Bayesci Korelasyon
    dosya: 102_bayesian_correlation_BMI_SpO2_BF10.xlsx
  >> SENARYO (anlatim):
    BMI ile SpO2 arasindaki iliskiyi Bayesci cerceyede degerlendiriyoruz. Iliskinin
    kanit gucu icin Bayesci korelasyon uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: BMI
    - 2. olcum / grup: SpO2_pct

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    r = 0.662 (guclu)   BF10 = 4.77e+08   (iliski var hipotezine ezici kanit)

>> YORUM (anlatim):
    Iki degisken (BMI x SpO2) arasindaki iliskiyi Bayesci cerceyede degerlendirdik: r = 0.66 ve BF10 ~ 4.8e8, yani
    iliski oldugu hipotezine cok guclu kanit. Bayesci korelasyon, klasik p-degeri yerine iliskinin kanit gucunu Bayes
    faktoru olarak ve katsayinin sonsal dagilimini sunar. Tipta iki klinik gosterge arasindaki iliskinin yalnizca
    "anlamli mi" degil "ne kadar guclu kanitli" oldugunu raporlamada degerlidir.

====================================================================================

#103  Bayesci ANOVA
    dosya: 103_bayesian_anova_anesthetic_sex.xlsx
  >> SENARYO (anlatim):
    SpO2'nin iki faktore gore (anestezik, cinsiyet) farkini Bayesci ANOVA ile
    inceliyoruz. Faktor etkilerinin kanit gucu icin uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: SpO2_pct
    - Faktor (kategorik): anesthetic
    - 2. Faktor: sex

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    anesthetic: BF10 = 2.59e+08 (cok guclu kanit)   sonuc: SpO2, faktorler: anesthetic, sex

>> YORUM (anlatim):
    SpO2'nin iki faktore gore (anestezik, cinsiyet) farkini Bayesci ANOVA ile inceledik: anestezik icin BF10 ~ 2.6e8 ile cok
    guclu kanit. Bayesci ANOVA, faktorlerin ve etkilesimlerinin etkisini Bayes faktorleriyle karsilastirir; hangi
    modelin (hangi etkilerin) veriyi en iyi acikladigini olasilikli olarak siralar. Klasik ANOVA'nin "reddet/reddetme"
    kararindan farkli olarak, modeller arasi goreli destegi nicelestirir. Tipta faktor (anestezik) etkilerinin kanit gucunu
    karsilastirmada kullanilir.

====================================================================================

#104  Bayesci Hiyerarsik Model
    dosya: 104_hierarchical_bayesian_clinical_random.xlsx
  >> SENARYO (anlatim):
    Kliniklere yuvalanmis veriyi Bayesci hiyerarsik modelle cozumluyoruz. Cok
    merkezli verilerde kararli tahmin icin uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: SpO2_pct
    - Kume: clinical
    - Yordayici(lar): age

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    sigma^2_u (grup) = 0.491 (%46.5)   sigma^2_eps (artik) = 0.566 (%53.5)   sonuc: SpO2, grup: clinical

>> YORUM (anlatim):
    Kliniklere yuvalanmis veriyi Bayesci hiyerarsik (cok duzeyli) modelle cozumledik: degiskenligin %46.5'i klinikler
    arasi, %53.5'i klinik ici (ICC ~ 0.47 -- yuksek). Bu, kliniklerin SpO2 sonuclarinda buyuk fark yarattigini
    gosterir. Bayesci hiyerarsik model, LMM'nin Bayesci versiyonudur -- grup etkilerini sonsal dagilimlarla tahmin
    eder, az gozlemli gruplari "kismi havuzlama" (partial pooling) ile dengeler. Tipta cok merkezli (klinik/doktor/
    hasta) verilerde, kucuk gruplarda dahi kararli tahminler uretmede gucludur.

====================================================================================

#105  Mekansal SAR
    dosya: 105_spatial_sar_COVID_case_ratio.xlsx
  >> SENARYO (anlatim):
    Il bazli vaka oranini modellerken mekansal yayilmayi SAR ile ele aliyoruz.
    Komsuluk/bulasma etkisi icin SAR uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: case_ratio
    - Yordayici(lar): socioeconomic
    - Yordayici(lar): age_mean
    - Enlem: lat
    - Boylam: lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    rho = 0.319   z = 3.95   p < .001 ***   Pseudo R^2 = 0.77   (N = 100, k-NN W, k = 5)
    sonuc: case_ratio, yordayicilar: socioeconomic, age_mean

>> YORUM (anlatim):
    Il bazli vaka oranini (case_ratio) modellerken mekansal yayilmayi (komsu illerin etkisi) SAR ile ele aldik:
    mekansal gecikme parametresi anlamli ve pozitif (rho = 0.32, p < .001) -- bir ilin vaka orani komsularinin
    oraniyla iliskili, "kume/yayilma" deseni var. SAR, mekansal bagimliligi modele dahil eder; goz ardi edilirse
    standart hatalar yanli cikar. Tipta/epidemiyolojide hastalik orani gibi gostergelerin cografi yayilmasini
    (komsuluk/bulasma etkisi) modellemede dogru yontemdir.

====================================================================================

#106  Mekansal Hata Modeli
    dosya: 106_spatial_error_disease_residual_autocorr.xlsx
  >> SENARYO (anlatim):
    Mekansal bagimliligi hata teriminde modelliyoruz. Olculmemis cografi etken icin
    SEM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: case_ratio
    - Yordayici(lar): socioeconomic
    - Yordayici(lar): age_mean
    - Enlem: lat
    - Boylam: lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    lambda = 0.630   z = 7.08   p < .001 ***   Pseudo R^2 = 0.72   (N = 100, k-NN W, k = 5)

>> YORUM (anlatim):
    Bu kez mekansal bagimliligi HATA teriminde modelledik: mekansal hata otokorelasyonu anlamli (lambda = 0.63,
    p < .001) -- modele girmemis cografi degiskenlerin (omitted spatial variables) etkisi komsu hatalari iliskili
    kiliyor. SEM, SAR'dan farkli olarak yayilmayi sonuca degil hataya yukler. Tipta/epidemiyolojide mekansal
    otokorelasyonun kaynagi olculmemis cografi etkenlerse (saglik erisimi, cevre) dogru spesifikasyon SEM'dir; SAR ile
    karsilastirilarak secilir.

====================================================================================

#107  Cografi Agirlikli Regresyon (GWR)
    dosya: 107_gwr_local_risk_factor.xlsx
  >> SENARYO (anlatim):
    Iliskinin mekanda sabit olmadigi varsayimiyla her il icin ayri katsayilar tahmin
    ediyoruz. Mekansal heterojenlik icin GWR uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: case_ratio
    - Yordayici(lar): socioeconomic
    - Yordayici(lar): age_mean
    - Enlem: lat
    - Boylam: lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R^2 = 0.811   yerel katsayilar konuma gore degisiyor   sonuc: case_ratio, yordayicilar: socioeconomic, age_mean

>> YORUM (anlatim):
    Iliskinin mekanda SABIT olmadigi varsayimiyla, her il/konum icin AYRI katsayilar tahmin ettik (R^2 = 0.81). GWR,
    "global" regresyonun aksine yerel ortusme/agirliklarla her noktada ayri model kurar; boylece "bu degiskenin etkisi
    bolgeye gore nasil degisiyor?" sorusunu yanitlar ve mekansal heterojenligi haritalar. Tipta/epidemiyolojide
    sosyoekonomik-hastalik iliskisinin bolgeye gore farklilastigi durumlarda gucludur.

====================================================================================

#108  Ic Ice (Nested) Karma Model
    dosya: 108_nested_lmm_clinical_doctor_visit_SpO2.xlsx
  >> SENARYO (anlatim):
    Ic ice yuvalanmis tasarimda (klinik>doktor>vizit) SpO2'yi modelliyoruz.
    Yuvalanmis hiyerarsi icin nested LMM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: SpO2_pct
    - Faktor (kategorik): visit
    - Faktor (kategorik): clinical
    - Faktor (kategorik): doctor_no

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    clinical (P) etkisi: F = 10.37, p < .001 ***   doctor_no (klinik icinde, F): F = 7.57, p < .001 ***
    visit (R) etkisi: F = 14.20, p < .001 ***   sonuc: SpO2

>> YORUM (anlatim):
    Ic ice yuvalanmis bir tasarimda (klinik > doktor > vizit) SpO2'yi modelledik: hem klinik seviyesi (F = 10.37,
    p < .001), hem doktor seviyesi (F = 7.57, p < .001), hem de vizit/replikasyon (F = 14.20, p < .001) anlamli katki
    veriyor. Nested LMM, alt birimlerin ust birimler icinde yuvalandigi (her doktor yalnizca bir klinige ait)
    hiyerarsileri dogru ele alir; varyansi duzeylere bolerek her katmanin payini gosterir. Tipta klinik>doktor>hasta
    hiyerarsilerinde etkileri dogru ayristirmada kullanilir.

====================================================================================

#109  Caprazlanmis (Crossed) Karma Model
    dosya: 109_crossed_lmm_anesthetic_clinical.xlsx
  >> SENARYO (anlatim):
    Iki random faktorun (anestezik x klinik) caprazlandigi bir tasarimi modelliyoruz. Iki
    bagimsiz siniflama ekseni icin crossed LMM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: SpO2_pct
    - Faktor (kategorik): anesthetic
    - 2. Faktor: clinical

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    anesthetic (A): F = 2.24, p = 0.125 ns   clinical (B): F = 4.31, p = 0.028 *   A x B: F = 13.00, p < .001 ***   sonuc: SpO2

>> YORUM (anlatim):
    Iki random faktorun ic ice DEGIL caprazlanmis oldugu (her anestezik her klinikte uygulanir) bir tasarimi modelledik:
    anestezik ana etkisi anlamsiz (p = 0.13), klinik ana etkisi anlamli (p = 0.028) ve A x B etkilesimi cok guclu (F = 13.00,
    p < .001) -- yani anestezikin etkisi hangi klinikte uygulandigina BAGLI. Crossed LMM, nested'in aksine bagimsiz iki
    gruplama eksenini (anestezik x klinik, her anestezik her klinikte) ayni anda ele alir. Tipta iki bagimsiz siniflama ekseninin
    etkilerini ve etkilesimini birlikte cozumlemede dogru secimdir.

====================================================================================

#110  Cekirdek Yogunluk (KDE) Haritasi
    dosya: 110_KDE_hastane_density_haritasi.xlsx
  >> SENARYO (anlatim):
    Birimlerin konumlarindan surekli bir yogunluk yuzeyi uretiyoruz. Vaka
    yogunlasmasi haritasi icin KDE uygundur.
  >> DEGISKEN SECIMI:
    - Deger: case_ratio
    - Enlem: lat
    - Boylam: lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n = 95 birim   vaka orani agirlikli mekansal yogunluk yuzeyi (surekli sicaklik haritasi)

>> YORUM (anlatim):
    Birimlerin (n = 95) konumlarini kullanarak surekli bir yogunluk yuzeyi (KDE sicaklik haritasi) urettik: noktasal
    dagilim, yumusak bir "yogunluk" yuzeyine donusturuldu. KDE, dagilmis nokta verisinden "nereler yogun?" sorusunu
    surekli bir harita olarak yanitlar; tekil noktalar yerine egilimi gosterir. Tipta/epidemiyolojide vaka/hastalik
    yogunlasmalarini gorsel olarak haritalamada ve bos/yogun bolgeleri belirlemede temel mekansal aractir.

====================================================================================

#111  Hexbin Yogunluk Haritasi
    dosya: 111_Hexbin_case_distribution.xlsx
  >> SENARYO (anlatim):
    Birim dagilimini alti-gen hucrelere toplayarak yogunlugu gosteriyoruz. Asiri
    cizim sorununda hexbin uygundur.
  >> DEGISKEN SECIMI:
    - Enlem: lat
    - Boylam: lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n = 150 birim   alti-gen (hexagon) hucrelere agregasyon ile mekansal yogunluk

>> YORUM (anlatim):
    Birim dagilimini (n = 150) alti-gen hucrelere bolerek her hucredeki sayimi renklendirdik. Hexbin, cok sayida ust
    uste binen noktayi (asiri cizim sorunu) duzenli alti-gen izgaraya toplayarak yogunlugu net gosterir; kareye gore
    daha az yon yanliligi tasir. Tipta/epidemiyolojide yogun nokta bulutlarini (vaka konumlari) okunabilir yogunluk
    haritasina cevirmede ve mekansal yogunlasmalari karsilastirmada kullanilir.

====================================================================================

#112  Moran's I
    dosya: 112_Morans_I_COVID_spatial_autocorrelation.xlsx
  >> SENARYO (anlatim):
    Vaka oraninin mekanda rastgele mi yoksa kumelenmis mi dagildigini test ediyoruz.
    Mekansal otokorelasyon icin Moran's I uygundur.
  >> DEGISKEN SECIMI:
    - Deger: case_ratio
    - Enlem: lat
    - Boylam: lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Moran's I = 0.684   z = 12.01   p < .001 ***   (komsu k-NN, k = 6)   degisken: case_ratio

>> YORUM (anlatim):
    Vaka oraninin mekanda rastgele mi yoksa kumelenmis mi dagildigini Moran's I ile test ettik: I = 0.68, z = 12.01,
    p < .001 -- cok guclu pozitif mekansal otokorelasyon, yani benzer vaka oranlari cografi olarak kumeleniyor.
    Moran's I, "Tobler'in ilk yasasi"ni (yakin seyler benzer) nicelestirir. Tipta/epidemiyolojide hastalik oranlarinin
    cografi kumelenmesini (salgin desenleri) saptamada ve mekansal model gerekip gerekmedigine karar vermede ilk
    testtir.

====================================================================================

#113  Getis-Ord Gi*
    dosya: 113_Getis_Ord_disease_hotspot.xlsx
  >> SENARYO (anlatim):
    Vaka oraninin nerede yuksek/dusuk kumelendigini yerel olarak haritaliyoruz.
    Sicak/soguk nokta icin Getis-Ord uygundur.
  >> DEGISKEN SECIMI:
    - Deger: case_ratio
    - Enlem: lat
    - Boylam: lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Sicak nokta = 33   Soguk nokta = 30   n = 68   (k-NN k = 8, ikili agirlik)   degisken: case_ratio

>> YORUM (anlatim):
    Vaka oraninin NEREDE yuksek/dusuk kumelendigini Getis-Ord Gi* ile yerel olarak haritaladik: 33 anlamli sicak nokta
    (yuksek vaka orani kumesi) ve 30 soguk nokta (dusuk oran kumesi). Moran's I genel kumelenmeyi soylerken, Gi* bunun
    konumunu gosterir -- her nokta icin "etrafi yuksek mi dusuk mu?" testidir. Tipta/halk sagliginda yuksek riskli
    bolgeleri (sicak noktalar) hedefli mudahale/kaynak dagitimi icin tam yerinde belirlemede kullanilir.

====================================================================================

#114  DBSCAN Mekansal Kumeleme
    dosya: 114_DBSCAN_case_kumeleri.xlsx
  >> SENARYO (anlatim):
    Birim konumlarini yogunluk temelli DBSCAN ile kumeliyoruz. Mekansal kume ve
    aykiri konum icin DBSCAN uygundur.
  >> DEGISKEN SECIMI:
    - Enlem: lat
    - Boylam: lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kume = 4   Gurultu (aykiri) = 11   n = 115   (konum: lat, lon)

>> YORUM (anlatim):
    Birim konumlarini (n = 115) yogunluk temelli DBSCAN ile kumeledik: 4 dogal cografi kume ve 11 "gurultu" (hicbir
    kumeye ait olmayan dagil) nokta. DBSCAN, kume sayisini onceden istemez, herhangi bir bicimde kume bulur ve seyrek
    noktalari aykiri olarak ayirir -- mekansal kumeleme icin idealdir. Tipta/epidemiyolojide bolge bazli dogal vaka
    yogunlasmalarini (salgin odaklari) saptamada ve izole konumlari ayiklamada kullanilir; betimsel mekansal analiz
    dizimizi tamamlar.

====================================================================================

#115  Karma Desen (Split-Plot) ANOVA
    dosya: 115_mixed_anova_pain_VAS.xlsx
  >> SENARYO (anlatim):
    40 patients uc time duzeyinde (1h, 6h, 24h) olculur; her biri iki anesthesia_technique grubundan birine (general / regional) aittir. Karma (split-plot) desen; postoperative pain (VAS) uzerinde denekler-arasi ana etki,
    denek-ici ana etki ve etkilesimi sinar.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: pain_VAS
    - Denek kimligi: patient_id
    - Denekler-arasi faktor: anesthesia_technique
    - Denek-ici faktor: time

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Between (anesthesia_technique): F(1,38) = 26.37  p < .001  np2 = 0.410
    Within (time):  F(2,76) = 148.05  p < .001  np2 = 0.796
    Interaction:         F(2,76) = 7.89  p < .001  np2 = 0.172
    Mauchly W = 0.886  p = 0.100   n_subjects = 40   n_obs = 120

>> YORUM (anlatim):
    anesthesia_technique x time karma deseninde 40 patients icin postoperative pain (VAS) incelendi (120 gozlem). Etkilesim anlamli (F(2,76) = 7.89, p < .001, np2 = 0.172) *** -- iki grubun time boyunca degisimi farkli buyukluktedir. Denekler-arasi ana etki (general vs regional) F = 26.37, p < .001; denek-ici ana etki (1h/6h/24h) F = 148.05, p < .001. Mauchly p = 0.100, yani kurelik saglanir, denek-ici p duzeltmesiz okunur. Once etkilesime bakilir: anlamliysa grup etkisi her time duzeyinde ayri yorumlanmalidir. Anestezi ve yoğun bakımda karma desen, anestezi tekniklerinin postoperatif iyileşmeye etkisini zaman içinde karşılaştırma icin standart analizdir.

====================================================================================
