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

#1  Descriptive Statistics
    dosya: 01_descriptive_student_academic.xlsx
  >> SENARYO (anlatim):
    Bu calismada 280 ortaokul ogrencisinin akademik profilini betimlemek
    istiyoruz. Ogrencilerin yasini (age), cinsiyetini (sex: male/female), sinif
    duzeyini (class_level), genel not ortalamasini (GPA), haftalik calisma
    saatini (weekly_study_hour), devamsizlik gun sayisini (absenteeism_day) ve
    akademik motivasyon puanini (academic_motivation) ele aliyoruz. Amacimiz
    herhangi bir hipotez test etmeden once orneklemin ortalama, standart sapma,
    minimum-maksimum ve dagilim ozelliklerini ozetlemek. Bu nedenle betimsel
    istatistikler, verinin genel resmini cizmek icin en uygun baslangic
    analizidir.
  >> DEGISKEN SECIMI:
    - Degiskenler: age
    - Degiskenler: GPA
    - Degiskenler: weekly_study_hour
    - Degiskenler: absenteeism_day
    - Degiskenler: academic_motivation
    - Gruplama (kategorik): sex (male/female)
    - Gruplama (kategorik): class_level

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n = 280 ogrenci
    GPA          : ort = 2.71   (1.14 - 4.00)        |   haftalik calisma : ort = 12.1 saat
    akademik motivasyon : ort = 3.4                  |   devamsizlik      : ort = 8.0 gun

>> YORUM (anlatim):
    Once orneklemimizin genel akademik profilini cikardik: 280 ogrenci, ortalama not 2.71 (4'luk sistemde),
    haftalik 12 saat calisma, ortalama 8 gun devamsizlik. GPA'nin 1.14 ile 4.00 arasinda genis yayilmasi, basari
    bakimindan heterojen bir grupla calistigimizi gosteriyor. Bu betimsel tablo, izleyen tum analizlerin -- basari
    karsilastirmalari, yontem etkileri, motivasyon-basari iliskileri -- zeminini kuruyor. Herhangi bir cikarimsal
    teste gecmeden once verinin merkez, yayilim ve aralik degerlerini gormek, hem veri kalitesini denetlemek hem de
    beklentileri kalibre etmek icin sarttir.

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

#2  Normality Tests
    dosya: 02_normality_GPA_study_motivation.xlsx
  >> SENARYO (anlatim):
    200 ogrenciden olusan bu orneklemde GPA, calisma saati (study_hour) ve
    motivasyon (motivation) puanlarinin normal dagilim gosterip gostermedigini
    incelemek istiyoruz. Cunku bundan sonra uygulayacagimiz parametrik testlerin
    (t-testi, ANOVA) on kosulu, surekli degiskenlerin normal dagilmasidir.
    Shapiro-Wilk ve Kolmogorov-Smirnov gibi normallik testleri, bu varsayimin
    saglanip saglanmadigini sayisal olarak gostererek dogru analiz yolunu
    secmemizi saglar. Bu yuzden normallik testleri burada en uygun secimdir.
  >> DEGISKEN SECIMI:
    - Test edilecek degiskenler: GPA
    - Test edilecek degiskenler: study_hour
    - Test edilecek degiskenler: motivation

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    GPA        : Shapiro-Wilk = 0.987  p = 0.068   KS p = 0.422   Normal
    study_hour : Shapiro-Wilk = 0.912  p < .001    KS p = 0.001   Normal Degil
    motivation : Shapiro-Wilk = 0.963  p < .001    KS p = 0.001   Normal Degil

>> YORUM (anlatim):
    Uc degiskenin -- GPA, calisma saati ve motivasyon -- normal dagilip dagilmadigini test ettik. Sonuc ayrisiyor:
    GPA normal (p = 0.068 > 0.05; notlar simetrik, can-egrisi benzeri), ama calisma saati ve motivasyon normallikten
    anlamli sapiyor (p < .001). Bu egitim verisinde tipiktir -- calisma saati genelde sag-carpiktir (cogu az, bir
    kismi cok calisir), motivasyon ise sirali/sinirli bir olcek olabilir. Pratik sonuc: GPA uzerinde parametrik
    testleri (t-testi, ANOVA, Pearson) guvenle kullanabiliriz; calisma ve motivasyon 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  One-Sample t-Test
    dosya: 03_one_sample_t_GPA.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada bir devlet okulundaki (school_type: public) 100 ogrencinin
    not ortalamasinin (GPA), il genelinde belirlenen 2.5'lik referans degerinden
    anlamli olarak farkli olup olmadigini test etmek istiyoruz. Elimizde tek bir
    grup ve bilinen bir karsilastirma degeri var; iki grup karsilastirmasi soz
    konusu degil. Bu nedenle ornek ortalamasini sabit bir test degeriyle
    kiyaslayan tek orneklem t-testi en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (test degiskeni): GPA

  >> 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) = 8.0539   p < .001 ***   Cohen d = 0.805 (Buyuk)
    Ortalama GPA = 2.90   (test mu = 2.5, gecme esigi)   H0 REDDEDILIR

>> YORUM (anlatim):
    Bir okulun ortalama GPA'sini, 2.5'lik gecme/referans esigiyle karsilastirdik. Sonuc: ortalama 2.90, esigin anlamli
    sekilde uzerinde -- t(99) = 8.05, p < .001, etki buyuklugu d = 0.81 ile buyuk. Yani ogrencilerin akademik basarisi
    referans esigi tesadufle aciklanamayacak kadar asiyor. Tek orneklem t-testi, bir grup ortalamasini bilinen bir
    standartla (gecme notu, ulusal ortalama, hedef deger) karsilastirmanin dogru yoludur -- egitim degerlendirmesinde
    cok yaygin bir sorudur. Etki buyuklugu, farkin sadece anlamli degil pratik olarak da onemli oldugunu gosteriyor.

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

#4  Independent Samples t-Test
    dosya: 04_independent_t_sex_math.xlsx
  >> SENARYO (anlatim):
    Bu calismada kiz ve erkek ogrencilerin (sex: female/male) matematik puanlari
    (math_score) arasinda anlamli bir fark olup olmadigini arastiriyoruz.
    Orneklemimiz 115 ogrenciden olusuyor ve iki bagimsiz grubu (cinsiyet)
    karsilastiriyoruz. Iki ayri ve iliskisiz grubun ortalamalarini
    karsilastirdigimiz icin bagimsiz orneklemler t-testi bu arastirma sorusu
    icin en uygun analizdir.
  >> DEGISKEN SECIMI:
    - Gruplama degiskeni (faktor): sex (female/male)
    - Bagimli degisken: math_score

  >> 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) = 2.517   p = 0.013 *   Cohen d = 0.470 (Kucuk-orta)
    Matematik puani cinsiyete gore anlamli farkli.   H0 REDDEDILIR

>> YORUM (anlatim):
    Matematik puanlarinin cinsiyete gore farklilasip farklilasmadigini bagimsiz t-testiyle inceledik. Fark anlamli
    (t(113) = 2.52, p = 0.013), ama etki buyuklugu d = 0.47 ile kucuk-orta -- istatistiksel olarak gercek, fakat
    buyuklugu sinirli bir fark. Bu ayrim onemli: buyuk orneklemlerde kucuk farklar bile anlamli cikabilir, bu yuzden
    p-degeriyle birlikte etki buyuklugunu raporlamak sarttir. Bagimsiz t-testi, iki bagimsiz grubun (cinsiyet, sube,
    okul tipi) ortalamalarini karsilastirmanin temel yontemidir. Buradaki kucuk etki, cinsiyet farkinin var ama
    egitsel olarak abartilmamasi gereken bir fark oldugunu soyluyor.

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

#5  Paired t-Test
    dosya: 05_paired_t_on_last_test.xlsx
  >> SENARYO (anlatim):
    Bu deneysel calismada 50 ogrenciye uygulanan bir mudahale programinin
    (intervention_week) etkisini olcmek istiyoruz. Ayni ogrencilerin program
    oncesi on test (on_test) ve program sonrasi son test (last_test) puanlarini
    karsilastiriyoruz. Olcumler ayni bireylerden tekrarli olarak alindigi icin
    gruplar bagimlidir. Bu nedenle iliskili iki olcumun ortalama farkini sinayan
    eslestirilmis (bagimli) orneklem t-testi en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Eslestirilmis M1: on_test
    - Eslestirilmis M2: last_test

  >> 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):
    Eslestirilmis t(49) = -17.82   p < .001 ***   Cohen d_z = -2.520 (Buyuk)
    Ort. fark (on test − son test) = -11.72   H0 REDDEDILIR

>> YORUM (anlatim):
    Bir mudahalenin (ek ogretim, yeni yontem) etkisini, ayni ogrencilerin on-test ve son-test puanlarini eslestirilmis
    t-testiyle karsilastirarak olctuk. Sonuc carpici: son-test puanlari on-testten ortalama 11.72 puan yuksek,
    t(49) = -17.82, p < .001, etki buyuklugu d_z = -2.52 ile devasa. Mudahale ogrenci basarisini cok guclu sekilde
    artirmis. Ayni ogrencileri iki kez olctugumuz icin esli test dogru secim -- bireyler arasi farki disar atarak,
    yalnizca bireyin kendi degisimine odaklanir. Egitimde "oncesi-sonrasi" mudahale degerlendirmesinin altin standart yoludur.

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

#6  One-Way ANOVA
    dosya: 06_anova_instruction_method.xlsx
  >> SENARYO (anlatim):
    Bu calismada dort farkli ogretim yonteminin (instruction_method:
    traditional, cooperative, project, mixed (blended)) ogrencilerin basari
    puani (achievement_score) uzerindeki etkisini karsilastirmak istiyoruz.
    Orneklem 140 ogrenciden olusuyor ve tek bir kategorik faktorun ikiden fazla
    duzeyi var. Ikiden fazla bagimsiz grubun ortalamalarini ayni anda
    karsilastirdigimiz icin tek yonlu ANOVA bu arastirma sorusu icin en uygun
    analizdir.
  >> DEGISKEN SECIMI:
    - Faktor (grup): instruction_method (traditional/cooperative/project/mixed (blended))
    - Bagimli degisken: achievement_score

  >> 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) = 17.9985   p < .001 ***   η² = 0.2842
    DECISION: H0 REDDEDILIR (4 ogretim yontemi)

>> YORUM (anlatim):
    Dort farkli ogretim yonteminin basari puani uzerindeki etkisini tek yonlu ANOVA ile karsilastirdik. Sonuc anlamli
    (F(3,136) = 18.00, p < .001), etki buyuklugu η² = 0.28 -- basarinin yaklasik %28'i ogretim yontemiyle aciklaniyor,
    ki bu egitim arastirmalarinda guclu bir etkidir. ANOVA en az bir yontemin digerlerinden farkli oldugunu soyler;
    hangi yontemlerin farklilastigini gormek icin post-hoc test gerekir. Egitimde "hangi ogretim yontemi daha etkili"
    sorusu en temel arastirma sorularindan biridir; ANOVA bunu cok gruplu olarak yanitlamanin standart yontemidir.

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

#7  Two-Way ANOVA
    dosya: 07_two_way_anova_method_sex.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada hem ogretim yonteminin (method: traditional, project, mixed)
    hem de cinsiyetin (sex: female/male) ogrenci basarisi (achievement)
    uzerindeki etkisini ve bu iki faktorun ortak (etkilesim) etkisini incelemek
    istiyoruz. 150 ogrenciden olusan orneklemde iki kategorik bagimsiz
    degiskenin tek bir surekli bagimli degisken uzerindeki ana etkilerini ve
    etkilesimini ayni anda test ettigimiz icin iki yonlu ANOVA en uygun
    yontemdir.
  >> DEGISKEN SECIMI:
    - Faktor 1: method (traditional/project/mixed)
    - Faktor 2: sex (female/male)
    - Bagimli degisken: achievement

  >> 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):
    method (ana etki) : F(2) = 42.24   p < .001 ***   η²p = 0.37
    sex (ana etki)    : F(1) =  4.61   p = 0.033 *    η²p = 0.03

>> YORUM (anlatim):
    Basariyi iki faktorle -- ogretim yontemi ve cinsiyet -- birlikte inceledik. Yontemin etkisi cok guclu (F = 42.24,
    η²p = 0.37), cinsiyetin etkisi ise anlamli ama cok kucuk (F = 4.61, p = 0.033, η²p = 0.03). Yani basariyi belirleyen
    asil faktor ogretim yontemi; cinsiyetin katkisi minimal. Iki yonlu ANOVA'nin gucu, iki faktorun hem ayri ayri hem
    de birlikte (etkilesim) etkisini ayni anda gormesidir. Bu, "yontem etkisi her iki cinsiyette de benzer mi" gibi
    sorulari yanitlar ve egitsel mudahalelerin kimde daha cok ise yaradigini ortaya cikarir.

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

#8  Repeated Measures ANOVA
    dosya: 08_repeated_anova_term_GPA.xlsx
  >> SENARYO (anlatim):
    Bu boylamsal calismada 60 ogrencinin bir ogretim yili boyunca dort donemde
    alinan basari olcumlerini (measurement_1, measurement_2, measurement_3,
    measurement_4) karsilastiriyoruz. Ayni ogrencilerden zamanin farkli
    noktalarinda tekrarli olcumler aldigimiz icin olcumler birbirine baglidir.
    Ayni bireylerdeki tekrarli olcumlerin ortalamalarindaki zaman icindeki
    degisimi test ettigimiz icin tekrarli olcumler ANOVA'si en uygun analizdir.
  >> DEGISKEN SECIMI:
    - Tekrarli olcumler: measurement_1
    - Tekrarli olcumler: measurement_2
    - Tekrarli olcumler: measurement_3
    - Tekrarli olcumler: measurement_4

  >> 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, 177) = 108.40   p < .001 ***   η²p = 0.6475   (n = 60)
    DECISION: H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni 60 ogrencinin dort ardisik donemdeki GPA'sini tekrarli olcumler ANOVA ile karsilastirdik. Ayni ogrenciler
    tekrar tekrar olculdugu icin gozlemler bagimli; RM-ANOVA bu bireyler-ici korelasyonu hesaba katar (siradan ANOVA
    katmaz). Sonuc cok guclu (F(3,177) = 108.40, p < .001, η²p = 0.65): GPA donemler boyunca anlamli degisiyor -- guclu
    bir zamansal egilim. RM-ANOVA, ayni birimlerin zaman icinde izlendigi boylamsal tasarimlar icin dogru yontemdir
    ve her donemi bagimsiz saymaktan cok daha gucludur. Ogrenci gelisimini donem donem izleyen calismalarda idealdir.

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

#9  MANOVA
    dosya: 09_manova_method_3ders.xlsx
  >> SENARYO (anlatim):
    Bu calismada uc farkli ogretim yonteminin (method: traditional, mixed,
    project) ogrencilerin matematik (math), fen (science) ve dil (language)
    puanlari uzerindeki etkisini ayni anda incelemek istiyoruz. 120 ogrenciden
    olusan orneklemde birbiriyle iliskili birden fazla surekli bagimli degisken
    bulundugu icin, bu degiskenleri tek tek degil birlikte degerlendirmemiz
    gerekiyor. Coklu bagimli degiskeni bir arada sinayan MANOVA bu durum icin en
    uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Faktor (grup): method (traditional/mixed/project)
    - Bagimli degiskenler: math
    - Bagimli degiskenler: science
    - Bagimli degiskenler: language

  >> 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 = 0.320 -> F(6, 230) = 29.48   p < .001 ***   (n = 120)
    Bagimli: matematik, fen, dil   |   Faktor: yontem

>> YORUM (anlatim):
    Burada uc korelasyonlu bagimli degisken -- matematik, fen, dil puanlari -- ve bir yontem faktoru var. Uc ayri
    ANOVA yapmak hata oranini sisirir ve dersler arasi korelasyonu yok sayar. MANOVA uçunu birlikte test eder: Wilks
    Lambda F = 29.48, p < .001, yani ogretim yontemi cok degiskenli basari profilini guclu sekilde degistiriyor.
    MANOVA, bir mudahale birden cok iliskili sonucu ayni anda etkilediginde dogru yaklasimdir -- genel hata oranini
    kontrol eder ve degiskenlere yayilan etkileri yakalar. Anlamli MANOVA'dan sonra hangi dersin etkiyi surukledigini
    izleyen univariate testler gosterir.

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

#10  ANCOVA
    dosya: 10_ancova_intervention_baseline.xlsx
  >> SENARYO (anlatim):
    Bu deneysel calismada uc grubun (group: control, intervention-A,
    intervention-B) son test basarisini (last_test) karsilastirmak istiyoruz;
    ancak ogrencilerin baslangic duzeyleri farkli oldugu icin on test puanlarini
    (on_test) kontrol altina almamiz gerekiyor. 105 ogrenciden olusan
    orneklemde, grup etkisini incelerken on test puaninin etkisini istatistiksel
    olarak ariindirdigimiz icin, kovaryanti kontrol eden ANCOVA en uygun
    analizdir.
  >> DEGISKEN SECIMI:
    - Faktor (grup): group (control/intervention-A/intervention-B)
    - Bagimli degisken: last_test
    - Ortak degisken (kovaryant): on_test

  >> 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):
    group (faktor): η²p = 0.504 (buyuk)   p < .001 ***
    Kovaryat: on_test (baslangic duzeyi)   |   DV: last_test   H0 REDDEDILIR

>> YORUM (anlatim):
    Bir mudahalenin etkisini degerlendirirken, ogrencilerin baslangic (on-test) duzeylerini kontrol etmek sarttir --
    cunku gruplar baslangicta farkliysa son-test farki yaniltici olur. ANCOVA, on-testi kovaryat olarak alip
    istatistiksel olarak sabitler. Sonuc: baslangic duzeyi icin duzeltildikten sonra bile gruplar son-test bakimindan
    anlamli farkli (η²p = 0.50, buyuk etki). Yani gozlenen fark, baslangic farklarinin bir yan urunu degil; mudahalenin
    gercek etkisi. ANCOVA, on-test/son-test mudahale calismalarinda baslangic farkliliklarini adil biçimde kontrol
    etmenin -- egitimde cok yaygin -- standart yontemidir.

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

#11  Bootstrap Confidence Interval
    dosya: 11_bootstrap_ci_absenteeism.xlsx
  >> SENARYO (anlatim):
    Bir ilde 30 ogrencinin yillik devamsizlik gun sayisini (absenteeism_day)
    inceledik. Ogrencilerin okul turune (school_type: private, public) gore
    ayrildigi bu kucuk orneklemde, ortalama devamsizlik gununun gercek
    populasyon degerini hangi guven araliginda tahmin edebilecegimizi merak
    ediyoruz. Orneklem kucuk oldugu ve dagilimin normal oldugundan emin
    olamadigimiz icin, ortalama icin parametrik varsayimlara dayanmadan yeniden
    ornekleme yapan Bootstrap Guven Araligi yontemini kullaniyoruz.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: absenteeism_day
    - Faktor (grup): school_type (private, public)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gozlenen ortalama devamsizlik = 5.87 gun
    %95 Bootstrap Guven Araligi (yeniden ornekleme ile)

>> YORUM (anlatim):
    Devamsizlik gunlerinin ortalamasi icin bootstrap yontemiyle guven araligi cikardik: gozlenen ortalama 5.87 gun.
    Devamsizlik verisi tipik olarak sag-carpiktir (cogu ogrenci az, bir kismi cok devamsiz) ve klasik normal-dagilim
    varsayan formuller boyle veride guvenilmez olabilir. Bootstrap, dagilim varsayimi yapmadan binlerce yeniden
    ornekleme ile araligi tahmin eder. Bu, carpik egitim verilerinde (devamsizlik, disiplin sayisi, gelir) ortalamanin
    belirsizligini dogru ifade etmenin saglam bir yoludur.

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

#12  Permutation Test
    dosya: 12_permutation_motivation_group.xlsx
  >> SENARYO (anlatim):
    Bir egitim mudahalesinin ogrenci motivasyonu uzerindeki etkisini test etmek
    icin 53 ogrenciyi kontrol (control) ve deney (experiment) gruplarina ayirdik
    ve motivasyon puanlarini (motivation) olctuk. Iki grup arasindaki motivasyon
    farkinin tesadufle aciklanip aciklanamayacagini, grup etiketlerini binlerce
    kez rastgele yeniden atayarak sinamak istiyoruz. Orneklem kucuk ve dagilim
    varsayimlarindan bagimsiz kalmak istedigimiz icin, gruplar arasi farkin
    anlamliligini dogrudan veri uzerinden hesaplayan Permutasyon Testi en uygun
    yontemdir.
  >> DEGISKEN SECIMI:
    - Faktor (grup): group (control, experiment)
    - Bagimli degisken: motivation

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    t = -2.91   p = 0.0054 **   H0 REDDEDILIR
    Motivasyon iki gruba gore anlamli farkli

>> YORUM (anlatim):
    Iki grup arasinda motivasyon farkini permutasyon testiyle sinadik. Permutasyon, grup etiketlerini binlerce kez
    rastgele karip gozlenen farkin sansa bagli olup olmadigini olcer -- hicbir dagilim varsayimi gerektirmez. Sonuc
    anlamli (p = 0.005): gruplarin motivasyonu tesadufle aciklanamayacak kadar farkli. Kucuk orneklemlerde ya da
    normallik supheli oldugunda permutasyon, t-testinin saglam ve varsayimsiz alternatifidir. Egitim deneylerinde
    grup karsilastirmalari icin guvenilir bir yedek yontemdir.

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

#13  Multiple Comparison Corrections
    dosya: 13_multiple_comparison_material.xlsx
  >> SENARYO (anlatim):
    Dokuz farkli ogretim materyalinin (material) ogrenci basarisi uzerindeki
    etkisini karsilastirmak icin 180 ogrencinin test puanlarini (test_score)
    topladik. Materyaller arasinda ikili karsilastirmalar yaparken, cok sayida
    testin birikmesiyle olusan Tip-I hata sismesini kontrol altina almak
    istiyoruz. Bu nedenle p degerlerine Bonferroni, Holm veya FDR gibi Coklu
    Karsilastirma Duzeltmeleri uygulayarak yanlis pozitif bulgu riskini
    azaltiyoruz.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: test_score
    - Faktor (grup): material (9 duzeyli)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Materyal gruplari referansa karsi: TOPLAM ANLAMLI = 5/8 (tum duzeltme yontemlerinde)

>> YORUM (anlatim):
    Farkli ogretim materyallerini test puani uzerinden ikili karsilastirdigimizda cok sayida test yapariz -- her test
    yanlis-pozitif riski tasir. Coklu karsilastirma duzeltmesi bu riski kontrol eder. Burada sekiz karsilastirmanin
    besi tum duzeltme yontemlerinde (Bonferroni, Holm, FDR) anlamli kaldi (5/8). Yani bazi materyaller referanstan
    gercekten farkli, bazilari ise duzeltme sonrasi anlamliligini yitiriyor. Bu adim atlanirsa sahte farklar rapor
    etme riski dogar; egitim materyali/yontem karsilastirmalarinda dogru duzeltme sarttir.

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

#14  Mann-Whitney U Test
    dosya: 14_mann_whitney_location_satisfaction.xlsx
  >> SENARYO (anlatim):
    Kentsel (urban) ve kirsal (rural) okullarda okuyan 85 ogrencinin memnuniyet
    puanlarini (survival_satisfaction) karsilastirmak istiyoruz. Memnuniyet
    olcumu siralayici nitelikte ve dagilimi normal degil; bu yuzden iki bagimsiz
    grubun ortalamalarini degil, sira (rank) dagilimlarini karsilastirmamiz
    gerekiyor. Iki bagimsiz grup arasindaki farki normallik varsayimi
    gerektirmeden test eden Mann-Whitney U Testi bu durum icin en uygun
    parametrik olmayan yontemdir.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: survival_satisfaction
    - Faktor (grup): school_location (urban, rural)

  >> 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):
    Mann-Whitney U = 1234.50   p = 0.0029 **   r = -0.37
    Okul memnuniyeti okul konumuna gore anlamli farkli.   H0 REDDEDILIR

>> YORUM (anlatim):
    Okul memnuniyetinin (anket puani) okul konumuna (kent/kir) gore farklilasip farklilasmadigini parametrik olmayan
    Mann-Whitney ile test ettik -- cunku memnuniyet/Likert puanlari siralidir ve normal dagilmayabilir. Sonuc anlamli
    (U = 1234.5, p = 0.003), etki buyuklugu r = 0.37 ile orta. Yani farkli konumdaki okullarin ogrencileri belirgin
    sekilde farkli memnuniyet bildiriyor. Sirali/carpik anket verisinde Mann-Whitney, t-testinden daha guvenilirdir
    ve egitim memnuniyeti/tutum calismalarinda yaygin kullanilir.

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

#15  Wilcoxon Signed-Rank Test
    dosya: 15_wilcoxon_teacher_attitude.xlsx
  >> SENARYO (anlatim):
    Bir hizmet ici egitim programinin ogretmen tutumlari uzerindeki etkisini
    olcmek icin 35 ogretmenin egitim oncesi (attitude_before) ve egitim sonrasi
    (attitude_post) tutum puanlarini kaydettik. Ayni ogretmenlerden alinan bu
    eslesmiş olcumlerde fark dagilimi normal degil ve tutum puanlari siralayici
    nitelikte. Bu nedenle eslestirilmiş iki olcum arasindaki farkin yonunu ve
    buyuklugunu siralara dayali olarak degerlendiren Wilcoxon Isaretli Siralar
    Testini kullaniyoruz.
  >> DEGISKEN SECIMI:
    - Eslestirilmis M1: attitude_before
    - Eslestirilmis M2: attitude_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):
    Wilcoxon W = 0.00   p < .001 ***   r = 0.888   n (sifirsiz) = 30
    Ogretmen tutumu egitim oncesi-sonrasi anlamli degisti.   H0 REDDEDILIR

>> YORUM (anlatim):
    Bir hizmet-ici egitimin ogretmen tutumlarina etkisini, ayni ogretmenlerin egitim oncesi ve sonrasi tutum
    puanlarini eslestirilmis Wilcoxon testiyle karsilastirdik. Sonuc cok guclu: W = 0, p < .001, etki buyuklugu
    r = 0.89. Tutum, neredeyse tum ogretmenlerde ayni yonde ve buyuk olcude degisti -- egitim acik bir etki yaratmis.
    Esli olculerde ve sirali/carpik tutum verisinde Wilcoxon dogru secimdir. Ogretmen gelisimi mudahalelerinin etkisini
    olcmenin saglam, varsayimsiz yoludur.

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

#16  Kruskal-Wallis Test
    dosya: 16_kruskal_sound_book.xlsx
  >> SENARYO (anlatim):
    Sinif ici gurultu duzeyinin (sound: low sound, medium sound, high sound)
    ogrencilerin aylik okudugu kitap sayisi (monthly_book_count) uzerindeki
    etkisini 45 ogrenci uzerinde inceledik. Uc bagimsiz grubu karsilastirirken
    bagimli degisken sayim verisi oldugu ve normal dagilmadigi icin parametrik
    ANOVA uygun degil. Ikiden fazla bagimsiz grubun sira dagilimlarini normallik
    varsayimi olmadan karsilastiran Kruskal-Wallis Testi bu senaryo icin dogru
    tercihtir.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: monthly_book_count
    - Faktor (grup): sound (low sound, medium sound, high sound)

  >> 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) = 16.53   p < .001 ***   eta-kare_H = 0.35
    Aylik kitap sayisi sosyo-ekonomik duzeye gore anlamli farkli.   H0 REDDEDILIR

>> YORUM (anlatim):
    Aylik okunan kitap sayisinin sosyo-ekonomik duzey gruplarina gore degisip degismedigini Kruskal-Wallis ile sinadik
    -- ucten fazla grubun parametrik olmayan ANOVA'si, sayim verisi normal dagilmadigi icin uygun. Sonuc cok anlamli
    (H(2) = 16.53, p < .001), etki buyuklugu eta-kare = 0.35 ile buyuk: kitap okuma aliskanligi sosyo-ekonomik
    duzeyle guclu iliskili. Bu, egitimde firsat esitsizliginin somut bir gostergesidir. Sayim/sirali veride
    Kruskal-Wallis, klasik ANOVA'dan daha uygundur.

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

#17  Friedman Test
    dosya: 17_friedman_student_course.xlsx
  >> SENARYO (anlatim):
    30 ogretim biriminin dort farkli ogrenme kosulu (condition_A, condition_B,
    condition_C, condition_D) altinda gosterdigi performansi olctuk. Ayni
    birimler tum kosullara maruz kaldigi icin bu tekrarli olcumlerde olcumler
    birbirine bagimli ve normallik varsayimi saglanmiyor. Tekrarli olcumlerde
    ikiden fazla kosulu sira temelinde karsilastiran parametrik olmayan Friedman
    Testi bu tasarim icin en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Maddeler (items): condition_A
    - Maddeler (items): condition_B
    - Maddeler (items): condition_C
    - Maddeler (items): condition_D

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Friedman chi-kare(3) = 39.08   p < .001 ***   Kendall W = 0.4342   n = 30
    Ayni ogrencilerin 4 kosuldaki puanlari anlamli farkli.   H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni ogrencilerin dort farkli kosul/yontem altindaki puanlarini Friedman testiyle karsilastirdik -- tekrarli
    olculerin parametrik olmayan karsiligi. Sonuc cok anlamli (chi-kare(3) = 39.08, p < .001), Kendall W = 0.43 ile
    kosullar arasi siralama tutarliligi orta-yuksek. Yani dort kosul ogrenci performansinda belirgin fark yaratiyor.
    Ayni ogrenciler tekrar tekrar olculdugu icin gozlemler bagimli; Friedman bu bagimliligi dogru hesaba katar.
    Sirali/normal-olmayan tekrarli olcum verisinde dogru testtir.

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

#18  Binomial Test
    dosya: 18_binomial_sinav_achievement.xlsx
  >> SENARYO (anlatim):
    Bir sinavda 800 ogrencinin gecip gecmedigini (passed: 1 gecti, 0 kaldi)
    kaydettik ve ogrencilerin matematik ile fen (course: math, science)
    derslerine dagildigini biliyoruz. Gecme oraninin, belirledigimiz teorik bir
    basari orani ile (ornegin %50) anlamli olarak farkli olup olmadigini test
    etmek istiyoruz. Sonucun iki kategorili (gecti/kaldi) oldugu bu durumda,
    gozlenen basari oranini beklenen bir oranla karsilastiran Binom Testi en
    dogru yontemdir.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: passed

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gozlenen gecme orani = 0.7625   test orani = 0.50
    p < .001 ***   H0 REDDEDILIR

>> YORUM (anlatim):
    Bir sinavda gecme oraninin sansa esit (%50) olup olmadigini binom testiyle sinadik. Gozlenen oran 0.76 -- ogrencilerin
    dortte ucu gecmis. Bu, %50'den anlamli sekilde yuksek (p < .001). Binom testi, tek bir ikili orani (gecti/kaldi,
    var/yok) bilinen bir referans oranla karsilastirmanin en yalin yoludur. Egitimde gecme oranlarini bir hedefle
    karsilastirmak, sinav guclugunu degerlendirmek ya da basari beklentisini test etmek icin pratik bir aractir.

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

#19  Sign Test
    dosya: 19_sign_test_course_info.xlsx
  >> SENARYO (anlatim):
    Bir bilgilendirme dersinin etkisini olcmek icin 28 ogrencinin ders oncesi
    (score_before) ve ders sonrasi (score_post) puanlarini kaydettik. Eslesmiş
    olcumlerdeki farklarin yalnizca yonunu (artti/azaldi) dikkate almak
    istiyoruz, cunku fark buyuklugune iliskin varsayim yapamiyoruz.
    Eslestirilmiş iki olcum arasindaki artilarin ve eksilerin sayisina dayanan,
    en az varsayim gerektiren Isaret Testi bu durum icin uygundur.
  >> DEGISKEN SECIMI:
    - Eslestirilmis M1: score_before
    - Eslestirilmis M2: score_post

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Pozitif (oncesi > sonrasi) = 2   (cogunlukla puan ARTTI)   p < .001 ***   H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni ogrencilerin bir kurs oncesi ve sonrasi puanlarini esli isaret testiyle karsilastirdik. Ogrencilerin neredeyse
    tamaminda puan artti (sadece 2'sinde oncesi daha yuksekti), p < .001. Yani kurs puanlari tutarli sekilde yukseltti.
    Isaret testi yalnizca degisimin yonune (artti/azaldi) bakar, buyuklugune degil; dayanikli ve varsayimsiz bir
    testtir. Etki buyuklugu yerine basit "kac ogrenci ilerledi" sorusu onemli oldugunda, ya da dagilim cok carpik
    oldugunda, kaba ama saglam bir oncesi-sonrasi gostergesidir.

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

#20  Runs Test
    dosya: 20_runs_test_absenteeism_series.xlsx
  >> SENARYO (anlatim):
    60 gun boyunca her gun kaydedilen devamsiz ogrenci sayisi (absent_count)
    serisinin rastgele dagilip dagilmadigini incelemek istiyoruz. Devamsizlik
    degerlerinin medyan etrafindaki dizilisinde sistematik bir oruntu ya da
    kumelenme olup olmadigini gun (day) sirasina gore degerlendiriyoruz. Bir
    dizinin rastgeleligini ardisik diziler (runs) sayisina bakarak sinayan Runs
    Testi, bu zaman serisindeki bagimsizlik varsayimini test etmek icin uygun
    yontemdir.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: absent_count
    - Zaman: day

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gozlenen run = 30   Z = -0.25   (rastgele kabul edilir)
    H0 REDDEDILEMEZ

>> YORUM (anlatim):
    Gunluk devamsizlik serisinin rastgele dagilip dagilmadigini -- ardisik gunlerde kumelenme/oruntu olup olmadigini --
    Wald-Wolfowitz runs testiyle sinadik. Z = -0.25 ile gozlenen run sayisi beklenene cok yakin; seri rastgele kabul
    ediliyor, sistematik bir oruntu yok. Bu metodolojik olarak onemli: eger seri rastgele degilse (otokorelasyon
    varsa) bircok klasik test gecersizlesir. Burada rastgelelik saglandigi icin standart yontemler guvenle
    kullanilabilir. Runs testi, zaman-sirali verilerde bu on-kontrol icin idealdir.

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

#21  Chi-Square Test of Independence
    dosya: 21_chisquare_sound_university_preference.xlsx
  >> SENARYO (anlatim):
    Universite tercihinin ogrencilerin algiladigi 'ses' duzeyiyle iliskili olup
    olmadigini merak ettik. 540 ogrenciden olusan ornekleme sound degiskenini
    dusuk (low), orta (medium) ve yuksek (high) olarak uc kategoride; tercih
    ettikleri university_type degiskenini ise devlet (public) ve ozel (private)
    olarak ikili kaydettik. Amacimiz, ses duzeyi kategorisi ile universite turu
    tercihi arasinda anlamli bir bagimlilik olup olmadigini ortaya koymak. Iki
    kategorik degiskenin birbirinden bagimsiz olup olmadigini sinamak icin Ki-
    Kare Bagimsizlik Testi en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Satir degiskeni (kategorik): sound (low, medium, high)
    - Sutun degiskeni (kategorik): university_type (public, private)

  >> 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-kare(2) = 141.06   p < .001 ***   Cramer V = 0.51 (Guclu)
    Sosyo-ekonomik duzey ile universite tipi tercihi iliskili.   H0 REDDEDILIR

>> YORUM (anlatim):
    Sosyo-ekonomik duzey ile tercih edilen universite tipi arasinda iliski olup olmadigini ki-kare ile test ettik.
    Sonuc cok guclu: chi-kare(2) = 141.06, p < .001, Cramer V = 0.51. Yani iki degisken bagimsiz degil -- sosyo-ekonomik
    duzey, universite tercihini belirgin sekilde sekillendiriyor. Bu, egitimde firsat esitsizliginin onemli bir
    boyutudur. Iki kategorik degisken arasi iliski icin ki-kare bagimsizlik testi standart yontemdir; Cramer V iliskinin
    gucunu olcer.

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

#22  Chi-Square Goodness-of-Fit
    dosya: 22_chisquare_goodnessfit_learning_style.xlsx
  >> SENARYO (anlatim):
    Ogrencilerin tercih ettigi ogrenme stilinin egitim alaninda sik varsayilan
    esit dagilimi gosterip gostermedigini incelemek istedik. 200 ogrenciden
    ogrenme stilini learning_style degiskeniyle gorsel (visual), isitsel
    (auditory), kinestetik (kinesthetic) ve kayitli (enrolled) kategorilerinde
    topladik. Amacimiz, gozlenen kategori sikliklarinin beklenen (or. esit) bir
    dagilimdan anlamli sapma gosterip gostermedigini test etmek. Tek bir
    kategorik degiskenin gozlenen frekanslarini teorik bir dagilimla
    karsilastirdigimiz icin Ki-Kare Uyum Iyiligi Testi uygundur.
  >> DEGISKEN SECIMI:
    - Kategorik degisken: learning_style (visual, auditory, kinesthetic, enrolled)

  >> 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-kare(3) = 17.64   p < .001 ***   n = 200   k = 4 ogrenme stili (beklenen: esit 1/k)
    H0 REDDEDILIR

>> YORUM (anlatim):
    Ogrencilerin ogrenme stillerinin (gorsel, isitsel, kinestetik, okuma-yazma) esit dagilip dagilmadigini ki-kare
    uyum iyiligi testiyle sinadik. Gozlenen dagilim, esit beklentiden anlamli sapiyor (chi-kare(3) = 17.64, p < .001):
    bazi stiller bekleneninden yaygin, bazilari nadir. Yani ogrenme stilleri ogrenci populasyonunda dengeli degil --
    bu, ogretim tasariminin baskin stillere gore uyarlanmasi gerektigini dusundurur. Uyum iyiligi testi, gozlenen bir
    kategori dagilimini teorik bir beklentiyle (esit ya da belirli oranlar) karsilastirmanin dogru yoludur.

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

#23  Fisher's Exact Test
    dosya: 23_fisher_method_achievement.xlsx
  >> SENARYO (anlatim):
    Kucuk bir sinifta uygulanan ogretim yonteminin dersi gecme durumu uzerinde
    etkili olup olmadigini arastirdik. Yalnizca 28 ogrenciden olusan bu
    calismada method degiskeniyle geleneksel (traditional) ve karma (mixed)
    yontemleri; class_passed degiskeniyle dersi gecme durumunu gecemedi (no) ve
    gecti (yes) olarak kaydettik. Amacimiz, ogretim yontemi ile basari (gecme)
    arasinda iliski olup olmadigini gormek. Ornek buyuklugu cok kucuk ve hucre
    frekanslari dusuk oldugu icin 2x2 tabloda Fisher'in Kesin Testi en uygun
    secimdir.
  >> DEGISKEN SECIMI:
    - Satir degiskeni (kategorik): method (traditional, mixed)
    - Sutun degiskeni (kategorik): class_passed (no, yes)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Fisher Exact p = 0.0377 *   Odds Ratio = 0.095   Phi = 0.43 (Guclu)
    Ogretim yontemi ile sinif gecme iliskili.   H0 REDDEDILIR

>> YORUM (anlatim):
    Ogretim yontemi ile sinif gecme arasindaki iliskiyi Fisher kesin testiyle sinadik -- cunku az gozlemli (kucuk
    hucreli) tablolarda ki-kare guvenilmezdir. Sonuc anlamli (p = 0.038), odds orani 0.095: bir yontemde gecme sansi
    digerine gore belirgin farkli. Phi = 0.43 ile iliski guclu. Fisher kesin testi, kucuk orneklemli pilot
    calismalarda ya da nadir sonuclarda (kucuk hucreli 2x2 tablolar) ki-kareye gore daha dogru sonuc verir. Egitim
    pilot deneylerinde sik ihtiyac duyulur.

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

#24  McNemar Test
    dosya: 24_mcnemar_student_achievement.xlsx
  >> SENARYO (anlatim):
    Bir mudahale programinin ayni ogrenciler uzerinde basariyi degistirip
    degistirmedigini incelemek istedik. 90 ogrencinin ilk sinavdaki (on_test) ve
    son sinavdaki (last_test) durumlarini kaldi (failed) ve gecti (succeeded)
    olarak iki kez olctuk. Amacimiz, ayni bireylerde zaman icinde basari
    durumundaki degisimin (kalandan gecene veya gecenden kalana gecislerin)
    anlamli olup olmadigini saptamak. Iki bagimli/eslestirilmis kategorik olcum
    oldugu icin McNemar Testi uygundur.
  >> DEGISKEN SECIMI:
    - Eslestirilmis olcum M1: on_test (failed, succeeded)
    - Eslestirilmis olcum M2: last_test (failed, succeeded)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    McNemar chi-kare = 0.89   p = 0.345   uyumsuz: b = 17, c = 11   Cohen g = 0.21
    H0 REDDEDILEMEZ (anlamli degisim yok)

>> YORUM (anlatim):
    Ayni ogrencilerin on-test ve son-test gecme durumlarini (gecti/kaldi ikili) McNemar testiyle karsilastirdik. Bu
    kez sonuc anlamsiz (chi-kare = 0.89, p = 0.345): 17 ogrenci olumlu yonde, 11 olumsuz yonde degismis -- denge
    yeterince bozulmamis, yani genel gecme durumunda anlamli bir kayma yok. Anlamsiz sonuclar da bilgi verir: bu
    mudahale ikili gecme durumunu degistirmemis (puanlari artirsa bile esigi gectirememis olabilir). McNemar yalnizca
    degisen durumlara (uyumsuz hucrelere) bakar; oncesi-sonrasi kategorik degisimi olcmenin dogru yoludur.

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

#25  Cohen's Kappa
    dosya: 25_kappa_performance_teacher.xlsx
  >> SENARYO (anlatim):
    Iki ayri ogretmenin ogrenci performansini ne kadar tutarli degerlendirdigini
    merak ettik. 70 ogrencinin performansini teacher_a ve teacher_b
    degiskenleriyle, her ogretmenin dusuk (low), orta (medium) ve iyi/yuksek-iyi
    (good, high good) gibi ayni kategorileri kullanarak puanladigini kaydettik.
    Amacimiz, iki degerlendirici arasindaki uyumun sanstan beklenenin ne kadar
    uzerinde oldugunu olcmek. Iki gozlemcinin ayni kategorik olcekteki uyumunu
    degerlendirdigimiz icin Cohen Kappa katsayisi uygundur.
  >> DEGISKEN SECIMI:
    - Degerlendirici 1: teacher_a (good, low, medium, high good)
    - Degerlendirici 2: teacher_b (good, low, medium, high good)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cohen Kappa = 0.7144 (onemli/guclu uyum)   p < .001 ***
    Iki ogretmenin performans degerlendirmesi

>> YORUM (anlatim):
    Iki ogretmenin ayni ogrencileri bagimsiz degerlendirmesindeki uyumu Cohen Kappa ile olctuk. Kappa = 0.71, "onemli/
    guclu uyum" araliginda -- sans-duzeltilmis bir uyum olcusu, yani tesadufi uyumu ayikladiktan sonraki gercek
    tutarlilik. Egitsel degerlendirmede bu cok onemli: eger ogretmenlerin notlandirmasi tutarsizsa, ogrenci puanlari
    degerlendiriciye gore degisir ve adaletsizlik dogar. Kappa = 0.71, degerlendirmelerin buyuk olcude guvenilir ve
    tekrarlanabilir oldugunu gosteriyor. Degerlendiriciler-arasi guvenirligi raporlamak, rubrik/performans
    degerlendirmesinin kalite guvencesidir.

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

#26  Cochran-Mantel-Haenszel Test
    dosya: 26_cmh_intervention_school.xlsx
  >> SENARYO (anlatim):
    Uygulanan bir egitim mudahalesinin basariyi artirip artirmadigini, okul
    farkliliklarini kontrol ederek incelemek istedik. 360 ogrenciyi school
    degiskeniyle uc okula (school-A, school-B, school-C) ayirdik; group
    degiskeniyle kontrol (control) ve mudahale (intervention) gruplarini,
    successful degiskeniyle de basari durumunu basarisiz (no) ve basarili (yes)
    olarak kaydettik. Amacimiz, okul katmanlarini dikkate alarak grup ile basari
    arasindaki iliskinin tutarli olup olmadigini sinamak. Tabakali 2x2
    tablolarda ortak iliskileri test etmek icin Cochran-Mantel-Haenszel Testi
    uygundur.
  >> DEGISKEN SECIMI:
    - Tabaka (katman) degiskeni: school (school-A, school-B, school-C)
    - Satir degiskeni (kategorik): group (control, intervention)
    - Sutun degiskeni (kategorik): successful (no, yes)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CMH chi-kare(1) = 13.89   p < .001 ***   Ortak OR (MH) = 2.36  (95% CI: 1.49 - 3.72)
    Breslow-Day chi-kare(2) = 3.49, p = 0.17 (OR homojen)   H0 REDDEDILIR

>> YORUM (anlatim):
    Mudahale grubu ile basari arasindaki iliskiyi, okullar (strata) icinde kontrol ederek CMH testiyle inceledik.
    Okulu sabit tuttugumuzda bile iliski anlamli: ortak odds orani 2.36 (p < .001) -- okul karistiricisindan
    arindirilmis halde, mudahale grubundakilerin basarili olma sansi kontrol grubunun 2.4 kati. Breslow-Day testi
    anlamsiz (p = 0.17), yani bu etki tum okullarda tutarli (homojen OR). CMH, ucuncu bir degiskenin (okul, sube)
    etkisini katmanlayarak kontrol etmenin -- cok-merkezli egitim calismalarinda cok degerli -- klasik yoludur.

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

#27  Log-Linear Analysis
    dosya: 27_log_linear_sex_sound_university.xlsx
  >> SENARYO (anlatim):
    Cinsiyet, algilanan ses duzeyi ve universite okuyuculugunun birbiriyle nasil
    iliskilendigini cok yonlu olarak incelemek istedik. 90 katilimcida sex
    degiskenini kadin (female) ve erkek (male); sound degiskenini dusuk (low) ve
    yuksek (high); university_reader degiskenini ise hayir (no) ve evet (yes)
    olarak kaydettik. Amacimiz, bu uc kategorik degisken arasindaki ikili ve
    uclu etkilesimleri ayni anda modellemek. Coklu kategorik degiskenlerin
    etkilesim yapisini cozumlemek icin Log-Lineer Analiz uygundur.
  >> DEGISKEN SECIMI:
    - Kategorik faktor: sex (female, male)
    - Kategorik faktor: sound (low, high)
    - Kategorik faktor: university_reader (no, yes)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    En iyi model AIC = 46.72   Pearson chi-kare = 0.0 (model veriye mukemmel uyuyor)
    Faktorler: cinsiyet x sosyo-ekonomik duzey x universite tercihi

>> YORUM (anlatim):
    Uc kategorik degiskenin -- cinsiyet, sosyo-ekonomik duzey ve universite tercihi -- birlikte olusturdugu kontenjans
    yapisini log-lineer modelle cozumledik. Secilen modelin uyumu mukemmel (Pearson chi-kare = 0), AIC = 46.72 ile en
    parsimonik model. Log-lineer analiz, ikiden fazla kategorik degisken arasi etkilesimleri (hangi degiskenler
    bagimli, hangi etkilesim anlamli) cozmemizi saglar -- ANOVA'nin kategorik veri icin karsiligi gibidir. Egitimde
    cok-yonlu demografik/tercih iliskilerini ozetlemede gucludur.

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

#28  Crosstabulation
    dosya: 28_cross_age_political.xlsx
  >> SENARYO (anlatim):
    Farkli yas gruplarindaki bireylerin siyasi tutumlarinin nasil dagildigini
    betimsel olarak gormek istedik. 350 katilimciyi age_group degiskeniyle
    18-30, 31-50 ve 51+ olarak ayirdik; political_attitude degiskeniyle de
    tutumlarini kararsiz (uncertain), muhafazakar (conservative), solcu
    (soloist) ve liberal kategorilerine ayirdik. Amacimiz, yas gruplari ile
    siyasi tutum kategorilerinin kesisimindeki frekans ve yuzdeleri ozetleyip
    iliskiyi gozlemlemek. Iki kategorik degiskenin birlikte dagilimini
    tablolastirmak icin Capraz Tablolama (Crosstabulation) uygundur.
  >> DEGISKEN SECIMI:
    - Satir degiskeni (kategorik): age_group (18-30, 31-50, 51+)
    - Sutun degiskeni (kategorik): political_attitude (uncertain, conservative, soloist, liberal)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    chi-kare(6) = 15.81   p = 0.015 *   Cramer V = 0.15 (Orta-zayif)
    Yas grubu ile tutum iliskili (zayif).   H0 REDDEDILIR

>> YORUM (anlatim):
    Yas grubu ile tutum/gorus arasindaki iliskiyi capraz tablo ve ki-kare ile inceledik. Iliski anlamli ama zayif
    (chi-kare(6) = 15.81, p = 0.015, Cramer V = 0.15): yas, tutumla iliskili ancak bu iliski guclu degil -- baska
    faktorler (egitim, cevre) muhtemelen daha belirleyici. Anlamlilik ile etki buyuklugunu birlikte okumak onemli:
    buyuk orneklemde zayif bir iliski bile anlamli cikabilir. Capraz tablo, iki kategorik degisken arasindaki
    birlikteligi gormenin en temel ve okunakli yoludur; Cramer V iliskinin gercek gucunu verir.

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

#29  Multiple Response (MR) Frequency
    dosya: 29_mr_frequency_activities.xlsx
  >> SENARYO (anlatim):
    Ogrencilerin bos zamanlarinda hangi etkinliklere katildigini incelemek
    istedik; her ogrenci birden fazla etkinlik isaretleyebiliyordu. 250
    ogrencide activities degiskeni cok yanitli bir madde grubu olarak kaydedildi
    ve katilimcilarin yasi da age degiskeniyle alindi. Amacimiz, ogrencilerin
    sectigi etkinliklerin hangilerinin ne siklikta tercih edildigini ortaya
    koymak. Bir kisinin birden fazla secenek isaretleyebildigi cok yanitli
    degiskenlerin frekanslarini ozetlemek icin Coklu Yanit (MR) Frekans analizi
    uygundur.
  >> DEGISKEN SECIMI:
    - Cok yanitli maddeler (items): activities
    - Yardimci degisken (num): age

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam vaka n = 250   Yanitlayan = 250 (%100)
    Okul disi etkinlikler (spor, muzik, kodlama, gonulluluk...) cok-secimli isaretlendi

>> YORUM (anlatim):
    Ogrencilere katildiklari okul disi etkinlikler soruldu -- birden fazla secenek isaretleyebildikleri "coklu yanit"
    sorusu. 250 ogrencinin tamami en az bir etkinlik sectigi icin yanit orani %100. Coklu yanit frekans analizi, her
    etkinligin kac kez ve ogrencilerin yuzde kacinca secildigini gosterir; toplam yuzdeler 100'u asar cunku herkes
    birden cok kutu isaretleyebilir. Ogrencilerin ilgi ve katilim profilini cikarmak, okul disi etkinlik planlamasi
    yapmak icin egitimde cok kullanisli bir analizdir.

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

#30  Multiple Response Crosstab
    dosya: 30_mr_categorical_activity_sex.xlsx
  >> SENARYO (anlatim):
    Ogrencilerin katildigi etkinliklerin cinsiyete gore farklilasip
    farklilasmadigini incelemek istedik; her ogrenci birden cok etkinlik
    secebiliyordu. 220 ogrencide activities degiskeni cok yanitli bir madde
    grubu, sex degiskeni ise erkek (male) ve kadin (female) olarak kaydedildi.
    Amacimiz, etkinlik tercihlerinin cinsiyet kategorilerine gore dagilimini
    capraz tabloda karsilastirmak. Cok yanitli bir degiskeni tek bir kategorik
    degiskenle capraz tablolastirmak icin Coklu Yanit Capraz Tablo (MR Crosstab)
    uygundur.
  >> DEGISKEN SECIMI:
    - Cok yanitli maddeler (items): activities
    - Sutun degiskeni (kategorik): sex (male, female)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam vaka n = 220   Grup sutunu: cinsiyet
    Etkinlikler cinsiyete gore capraz

>> YORUM (anlatim):
    Okul disi etkinlikleri (coklu secimli) ogrencinin cinsiyetine gore capraz tabloladik. 220 ogrencinin verisiyle,
    her etkinligin cinsiyetler arasinda nasil dagildigini gorebiliyoruz. Coklu yanit capraz tablo, "hangi grup hangi
    secenekleri daha cok isaretliyor" sorusunu yanitlar -- ornegin bir etkinlikte kizlar, digerinde erkekler one
    cikabilir. Bu, etkinlik tercihindeki cinsiyet desenlerini ortaya koyar ve kapsayici etkinlik planlamasi icin yol
    gosterir.

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

#31  MR x MR Crosstab
    dosya: 31_mr_mr_interest_career.xlsx
  >> SENARYO (anlatim):
    Lise ogrencilerinin ilgi alanlari ile kariyer hedefleri arasinda nasil bir
    iliski oldugunu merak ettik. Bu calismada her ogrencinin secebildigi ilgi
    alanlarini interest_area, ulasmak istedikleri meslek hedeflerini ise
    career_target degiskeniyle topladik; her iki degisken de coktan secmeli
    (multiple response) yapida oldugu icin bir ogrenci birden fazla cevap
    isaretleyebiliyor. Amacimiz hangi ilgi alaninin hangi kariyer hedefiyle
    birlikte daha sik ortaya ciktigini bir capraz tabloda gormek. Bu yuzden iki
    coktan secmeli degiskeni birlikte cozumleyen MR x MR Crosstab analizi en
    uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Coktan secmeli set 1: interest_area
    - Coktan secmeli set 2: career_target

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam vaka n = 180
    Ilgi alanlari x kariyer hedefleri (ogretmen, doktor, muhendis, sanatci...) caprazlandi

>> YORUM (anlatim):
    Bu en gelismis coklu-yanit analizi: iki ayri cok-secimli soruyu birbiriyle caprazliyoruz -- ogrencinin ilgi
    alanlari ile kariyer hedefleri. 180 ogrencide, hangi ilgi alanlarina sahip olanlarin hangi meslekleri hedefledigini
    gorebiliyoruz: ornegin fen-ilgili ogrenciler muhendislik/doktorluk, sanat-ilgili ogrenciler sanatci/ogretmenlik.
    Bu tablo, ilgi-meslek eslesmelerini ortaya cikararak kariyer rehberligi ve yonlendirme calismalari icin guclu bir
    veri saglar.

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

#32  Cochran's Q Test
    dosya: 32_cochran_q_course_sevme.xlsx
  >> SENARYO (anlatim):
    Ogrencilerin uc temel dersi sevip sevmediklerini karsilastirmak istedik. Her
    ogrenciye matematik, fen ve dil derslerini sevip sevmedigini sorduk; bu
    bilgiyi course degiskeninin math, science ve language duzeyleri ile her
    satirda yes/no seklinde isaretlenen liked degiskeninde sakladik. Arastirma
    sorumuz, bu uc ders arasinda 'sevilme oranlarinin' anlamli sekilde
    farklilasip farklilasmadigidir. Ayni bireylerden alinan ikili
    (sevdi/sevmedi) tekrarli olcumler oldugu icin uc veya daha fazla iliskili
    grupta basari oranlarini karsilastiran Cochran's Q testi dogru yontemdir.
  >> DEGISKEN SECIMI:
    - Faktor (tekrarli kosul): course (math, science, language)
    - Bagimli degisken (ikili: yes/no): liked

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cochran Q = 0.00   p = 1.000   (dersler arasi sevilme oraninda fark YOK)
    H0 REDDEDILEMEZ

>> YORUM (anlatim):
    Ayni ogrencilerin farkli dersleri "sevme" (evet/hayir) oranlarini Cochran Q testiyle karsilastirdik -- ikili
    tekrarli olcumun coklu karsiligi. Sonuc anlamsiz (Q = 0, p = 1.0): dersler arasinda sevilme orani bakimindan fark
    yok, ogrenciler dersleri esit oranda seviyor. Anlamsiz sonuc da degerlidir -- bu veride ders tercihi bakimindan
    bir ayrim olmadigini soyluyor. Cochran Q, ayni birimlerde tekrarlanan ikili (evet/hayir) olcumlerdeki degisimi
    sinamanin dogru yoludur; burada beklenen farki bulamamasi gercek bir bulgudur.

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

#33  Correlation Analysis
    dosya: 33_correlation_5degisken.xlsx
  >> SENARYO (anlatim):
    Ortaokul ogrencilerinde motivasyon, calisma aliskanligi, akademik basari,
    kaygi ve okul memnuniyeti arasindaki iliskileri kesfetmek istedik. Bu amacla
    ogrencilerin motivasyon (motivation), gunluk calisma saati (study_hour),
    akademik ortalamasi (GPA), kaygi duzeyi (anxiety) ve okul memnuniyeti
    (school_satisfaction) degiskenlerini surekli olcekte topladik. Hangi
    degiskenlerin birlikte arttigini ya da azaldigini, ozellikle kaygi ile
    basari arasindaki yonu gormek istiyoruz. Bes surekli degisken arasindaki
    ikili iliskileri ayni anda incelemek icin Korelasyon analizi en uygun
    yontemdir.
  >> DEGISKEN SECIMI:
    - Degiskenler: motivation
    - Degiskenler: study_hour
    - Degiskenler: GPA
    - Degiskenler: anxiety
    - Degiskenler: school_satisfaction

  >> 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 (motivasyon, calisma saati, GPA, kaygi, okul memnuniyeti)
    GUCLU iliski (|r| >= 0.75) YOK -- iliskiler orta/zayif duzeyde

>> YORUM (anlatim):
    Bes anahtar egitsel degisken arasindaki tum ikili korelasyonlari cikardik. Hicbir cift |r| >= 0.75 esigini gecmiyor
    -- yani iliskiler orta ya da zayif duzeyde. Bu egitimde tipiktir: motivasyon, calisma, kaygi gibi degiskenler
    birbiriyle iliskili ama hicbiri otekini tek basina belirlemiyor; basari cok-faktorludur. Guclu iliski olmamasi,
    regresyon kurarken es-dogrusallik (collinearity) riskinin dusuk oldugunu da gosterir -- degiskenleri ayni modele
    birlikte koymak daha guvenli. Korelasyon matrisi, modelleme oncesi degiskenler arasi yapiyi gormenin ilk adimidir.

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

#34  Bland-Altman Analysis
    dosya: 34_bland_altman_IQ_test.xlsx
  >> SENARYO (anlatim):
    Iki farkli zeka testinin birbiriyle ne kadar uyumlu sonuc verdigini
    degerlendirmek istedik. Ayni 60 ogrenciye hem WISC zeka testi (IQ_WISC) hem
    de Stanford-Binet zeka testi (IQ_Stanford_Binet) uygulandi. Amacimiz iki
    olcumun ortalama olarak ne kadar farklilastigini ve bu farkin olcum araligi
    boyunca tutarli olup olmadigini gormek; yani iki testin birbirinin yerine
    kullanilip kullanilamayacagini sorguluyoruz. Ayni bireyden alinan iki
    olcumun uyumunu ve sistematik sapmayi gosteren Bland-Altman analizi tam da
    bu amaca uygundur.
  >> DEGISKEN SECIMI:
    - Eslestirilmis olcum M1: IQ_WISC
    - Eslestirilmis olcum M2: IQ_Stanford_Binet

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    WISC ort = 100.18   |   Stanford-Binet ort = 97.98   |   Bias ~ +2.2 (yontemler buyuk olcude uyumlu)

>> YORUM (anlatim):
    Iki farkli zeka testini -- WISC ve Stanford-Binet -- ayni ogrencilere uygulayip Bland-Altman ile karsilastirdik.
    Bu yontem korelasyona bakmaz (yuksek korelasyon uyumu garanti etmez), iki olcumun farkini olcer. Ortalamalar cok
    yakin (100.2 vs 98.0), bias yaklasik 2 puan -- iki test sistematik olarak neredeyse ayni sonucu veriyor, pratikte
    birbirinin yerine kullanilabilir. Bland-Altman, iki olcum aracinin (iki test, iki gozlemci, eski/yeni yontem)
    uyumunu degerlendirmenin standart yoludur; egitsel olcme-degerlendirmede test esdegerligini gostermek icin idealdir.

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

#35  Effect Size
    dosya: 35_effect_size_material.xlsx
  >> SENARYO (anlatim):
    Iki farkli ogretim materyalinin ogrenci basarisi uzerindeki etkisinin pratik
    buyuklugunu merak ettik. Ogrenciler kitap (book) ya da video temelli
    materyalle calisan iki gruba ayrildi; bu grup bilgisi material degiskeninde,
    ders sonrasi alinan basari puani ise test_score degiskeninde tutuldu. Sadece
    istatistiksel anlamliligi degil, iki grup arasindaki farkin gercekte ne
    kadar buyuk oldugunu standartlastirilmis bir olcuyle gormek istiyoruz. Bu
    nedenle iki grup ortalamasi arasindaki farki Cohen's d gibi olculerle
    raporlayan Etki Buyuklugu analizi uygundur.
  >> DEGISKEN SECIMI:
    - Faktor (grup): material (book, video)
    - Bagimli degisken: test_score

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cohen d = -0.60  (orta etki)
    Iki materyal grubu arasinda test puani farki

>> YORUM (anlatim):
    Iki ogretim materyali arasindaki test puani farkini, sadece "anlamli mi" degil "ne kadar buyuk" sorusuyla -- etki
    buyuklugu olarak -- olctuk. Cohen d = -0.60 orta buyuklukte bir etki. p-degeri orneklem buyukluguyle siser, ama
    etki buyuklugu orneklemden bagimsiz, gercek farkin pratik onemini verir. Egitimde "bu materyal/yontem ne kadar
    fark yaratiyor" sorusu, kaynak ayirma kararlari icin kritiktir; d = 0.60 gibi orta bir etki, mudahalenin kayda
    deger ama mucize olmayan bir fayda sagladigini soyler. Yayinlarda etki buyuklugu raporlamak standarttir.

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

#36  Canonical Correlation (CCA)
    dosya: 36_cca_bilissel_duyussal.xlsx
  >> SENARYO (anlatim):
    Ogrencilerin bilissel becerileri ile duyussal ozellikleri arasinda topyekun
    bir iliski olup olmadigini arastirdik. Bilissel set olarak matematik (math),
    fen (science), dil (language), okudugunu anlama (reading_comprehension) ve
    mantik (logic) puanlarini; duyussal set olarak motivasyon (motivation),
    tutum (attitude), memnuniyet (satisfaction) ve kaygi (anxiety)
    degiskenlerini olctuk. Amacimiz bu iki degisken setini birer butun olarak
    ele alip aralarindaki en guclu dogrusal baglantilari ortaya cikarmak. Iki
    cok degiskenli set arasindaki iliskiyi modelleyen Kanonik Korelasyon analizi
    (KKA) bu amac icin dogru yontemdir.
  >> DEGISKEN SECIMI:
    - Set X (bilissel): math
    - Set X (bilissel): science
    - Set X (bilissel): language
    - Set X (bilissel): reading_comprehension
    - Set X (bilissel): logic
    - Set Y (duyussal): motivation
    - Set Y (duyussal): attitude
    - Set Y (duyussal): satisfaction
    - Set Y (duyussal): anxiety

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CC1: r = 0.977, chi-kare(20) = 1380.35, p < .001   |   CC2: r = 0.959, p < .001
    X seti: matematik/fen/dil/okuma/mantik (bilissel)  |  Y seti: motivasyon/tutum/memnuniyet/kaygi (duyussal)

>> YORUM (anlatim):
    Iki cok-degiskenli seti -- bilissel beceriler (matematik, fen, dil, okuma, mantik) ile duyussal degiskenler
    (motivasyon, tutum, memnuniyet, kaygi) -- kanonik korelasyonla iliskilendirdik. Ilk kanonik eksen son derece guclu
    (r = 0.98, p < .001), ikincisi de anlamli (r = 0.96): bilissel ve duyussal alanlar birbirine cok siki bagli.
    Yani akademik beceriler ile motivasyon/tutum birlikte hareket ediyor -- yuksek bilissel beceri yuksek motivasyonla,
    dusuk kaygiyla ortusuyor. CCA, "iki degisken bloku nasil birlikte degisir" sorusunun en dogrudan yanitidir; egitim
    psikolojisinde bilissel-duyussal etkilesimi incelemek icin guclu bir yontemdir.

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

#37  Correspondence Analysis (CA)
    dosya: 37_ca_sound_occupation.xlsx
  >> SENARYO (anlatim):
    Ogrencilerin algiladiklari ses/gurultu duzeyi ile gelecekte tercih ettikleri
    meslek arasinda bir orunti olup olmadigini merak ettik. Ses duzeyini low,
    medium ve high olarak sound degiskeninde; meslek tercihlerini ise muhendis,
    ogretmen, memur, sanatci, doktor ve akademisyen (engineer, teacher,
    civil_servant, artist, doctor, academic) kategorileriyle
    occupation_preference degiskeninde topladik. Amacimiz bu iki kategorik
    degiskenin duzeyleri arasindaki yakinliklari iki boyutlu bir haritada
    gorsellestirmek. Iki kategorik degisken arasindaki iliskiyi konumsal olarak
    gosteren Uyum (Correspondence) analizi bu amaca uygundur.
  >> DEGISKEN SECIMI:
    - Satir degiskeni: sound (low, medium, high)
    - Sutun degiskeni: occupation_preference (engineer, teacher, civil_servant, artist, doctor, academic)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam atalet (inertia) = 0.608   Boyut sayisi = 2
    Sosyo-ekonomik duzey x meslek tercihi kontenjans tablosu

>> YORUM (anlatim):
    Sosyo-ekonomik duzey ile meslek tercihi arasindaki kontenjans tablosunu uyum analizi ile iki boyutlu bir haritaya
    dusurduk. Toplam atalet 0.608 ile guclu bir iliski var; iki boyut bu yapinin buyuk kismini gorsellestiriyor.
    Haritada birbirine yakin dusen duzey-meslek ciftleri, o sosyo-ekonomik grubun o meslege yoneldigini gosterir. Bu,
    egitimde sosyo-ekonomik kokenin meslek beklentilerini nasil sekillendirdigini tek bakista okumayi saglar.
    Kategorik iliskileri gorsellestirmenin en guclu yoludur.

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

#38  Variable Clustering (VarClus)
    dosya: 38_varclus_18_item.xlsx
  >> SENARYO (anlatim):
    Olceklerimizdeki 18 maddenin gercekte hangi gizil yapilar altinda
    kumelendigini gormek istedik. Olcekte oz-yeterlik (self_efficacy_m1'den
    m6'ya), motivasyon (motivation_m1'den m6'ya) ve kaygi (anxiety_m1'den m6'ya)
    maddeleri Likert tipi olarak yer aliyor. Amacimiz birbirine benzer cevap
    veren maddeleri istatistiksel olarak gruplayip madde havuzunun beklenen uc
    boyuta ayrilip ayrilmadigini dogrulamak. Maddeleri birbirine olan
    korelasyonlarina gore kumelere ayiran Degisken Kumeleme (VarClus) analizi bu
    amaca uygundur.
  >> DEGISKEN SECIMI:
    - Maddeler: self_efficacy_m1
    - Maddeler: self_efficacy_m2
    - Maddeler: self_efficacy_m3
    - Maddeler: self_efficacy_m4
    - Maddeler: self_efficacy_m5
    - Maddeler: self_efficacy_m6
    - Maddeler: motivation_m1
    - Maddeler: motivation_m2
    - Maddeler: motivation_m3
    - Maddeler: motivation_m4
    - Maddeler: motivation_m5
    - Maddeler: motivation_m6
    - Maddeler: anxiety_m1
    - Maddeler: anxiety_m2
    - Maddeler: anxiety_m3
    - Maddeler: anxiety_m4
    - Maddeler: anxiety_m5
    - Maddeler: anxiety_m6

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kume sayisi = 3   (18 madde: oz-yeterlik / motivasyon / kaygi)
    Her kumeden bir temsilci madde secildi

>> YORUM (anlatim):
    On sekiz olcek maddesini birbirine benzerliklerine gore kumeleyip uc gruba ayirdik. VarClus, gozlemleri degil
    maddeleri kumeler: hangi maddelerin ayni "yapiyi" olctugunu gosterir. Uc kume tam beklendigi gibi olusmus: oz-yeterlik
    maddeleri, motivasyon maddeleri ve kaygi maddeleri ayri ayri kumelenmis. Bu, olcegin gercekten uc alt-boyut olctugunu
    dogrular ve her gruptan bir temsilci secip madde sayisini azaltma imkani verir. Olcek gelistirme ve madde azaltmada,
    fazlaligi (redundancy) ayikalamak icin son derece pratiktir.

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

#39  Multiple Linear Regression
    dosya: 39_multiple_regression_GPA.xlsx
  >> SENARYO (anlatim):
    Ogrencilerin akademik ortalamasini hangi etkenlerin yordadigini incelemek
    istedik. Yordayici degisken olarak gunluk calisma saati (study_hour),
    motivasyon (motivation), anne-baba egitim yili (parent_education_year) ve
    devamsizlik gun sayisini (absenteeism_day); sonuc degiskeni olarak da
    akademik ortalama GPA'yi olctuk. Amacimiz bu dort degiskenin birlikte GPA'yi
    ne kadar acikladigini ve her birinin bagimsiz katkisini gormek. Surekli bir
    sonuc degiskenini birden cok yordayiciyla aciklayan Coklu Dogrusal Regresyon
    bu amac icin uygundur.
  >> DEGISKEN SECIMI:
    - Ongoruculer: study_hour
    - Ongoruculer: motivation
    - Ongoruculer: parent_education_year
    - Ongoruculer: absenteeism_day
    - Bagimli degisken: GPA

  >> 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):
    R2 = 0.580   Duzeltilmis R2 = 0.572
    GPA ~ calisma saati + motivasyon + ebeveyn egitimi + devamsizlik

>> YORUM (anlatim):
    GPA'yi dort degiskenden -- calisma saati, motivasyon, ebeveyn egitimi, devamsizlik -- tahmin eden coklu dogrusal
    regresyon kurduk. Model orta-guclu: degiskenler birlikte GPA varyansinin %58'ini acikliyor (R2 = 0.58). Bu egitimde
    iyi bir aciklama orani -- basari cok-faktorludur ve %58 anlamli bir kismini yakaliyor; geri kalan, olculmeyen
    faktorler (yetenek, ogretmen, ev ortami) ve bireysel farklardir. Boyle bir model, hangi degiskenin basariya en cok
    katki yaptigini gosterir ve risk altindaki ogrencileri erkenden belirlemeye yarar. Coklu regresyon, surekli bir
    ciktiyi birden cok surukleyiciyle aciklamanin temel aracidir.

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

#40  Logistic Regression
    dosya: 40_logistic_university_achievement.xlsx
  >> SENARYO (anlatim):
    Ogrencilerin universiteyi kazanip kazanmayacagini hangi faktorlerin
    yordadigini arastirdik. Yordayici olarak akademik ortalama (GPA), gunluk
    calisma saati (study_hour), motivasyon (motivation) ve calisma ortamindaki
    ses duzeyini (sound_level); sonuc degiskeni olarak ise universiteyi kazanma
    durumunu (university_achievement, 0 kazanamadi / 1 kazandi) ele aldik.
    Amacimiz bu faktorlerin kazanma olasiligini nasil etkiledigini modellemek.
    Ikili (basari/basarisizlik) bir sonuc degiskenini surekli yordayicilarla
    aciklayan Lojistik Regresyon bu amac icin dogru yontemdir.
  >> DEGISKEN SECIMI:
    - Ongoruculer: GPA
    - Ongoruculer: study_hour
    - Ongoruculer: motivation
    - Ongoruculer: sound_level
    - Bagimli degisken (ikili): university_achievement

  >> 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):
    Model: Lojistik Regresyon   Pseudo R2 = 0.10
    Universite basarisi (1/0) ~ GPA + calisma saati + motivasyon + sosyo-ekonomik duzey

>> YORUM (anlatim):
    Bir ogrencinin universiteyi kazanma olasiligini GPA, calisma, motivasyon ve sosyo-ekonomik duzeyden tahmin eden
    lojistik regresyon kurduk. Cikti ikili (kazandi/kazanamadi) oldugu icin lojistik regresyon dogru secim. Pseudo
    R2 = 0.10, modelin sonucu kismen acikladigini gosteriyor -- katsayilar genelde GPA ve calisma arttikca kazanma
    sansinin yukseldigini soyler. Egitimde girisi/sonucu tahmin etmek (universite, mezuniyet, gecme) icin lojistik
    regresyon en yaygin yontemdir; her bir faktorun odds uzerindeki etkisini yorumlanabilir sekilde verir.

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

#41  Poisson / Negative Binomial Regression
    dosya: 41_poisson_discipline_count.xlsx
  >> SENARYO (anlatim):
    Bu calismada ogrencilerin bir egitim-ogretim yili boyunca aldiklari disiplin
    cezasi sayisini (annual_discipline_count) hangi etkenlerin yordadigini
    incelemek istedik. Ogrencilerin yasini (age) ve motivasyon duzeyini
    (motivation) yordayici degisken olarak ele aldik. Bagimli degiskenimiz sayma
    (count) niteliginde, yani 0, 1, 2 gibi negatif olmayan tam sayilardan
    olusuyor ve sifir agirlikli. Bu tur sayma verileri normal dagilim
    varsayimini karsilamadigi icin, dogrusal regresyon yerine Poisson / Negatif
    Binom regresyonu kullanmak istatistiksel olarak en uygun secim oluyor. Asiri
    yayilim (overdispersion) durumunda Negatif Binom modeli daha guvenilir sonuc
    verir.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (sayma): annual_discipline_count
    - Ongorucu: age
    - Ongorucu: motivation

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 187.43   Deviance = 117.59
    Yillik disiplin olayi sayisi ~ yas + motivasyon   (Poisson)

>> YORUM (anlatim):
    Ogrencilerin yillik disiplin olayi sayisini -- bir sayim degiskeni -- yas ve motivasyondan tahmin eden Poisson
    regresyonu kurduk. Sayim verisi (0,1,2,...) normal dagilmaz, bu yuzden dogrusal degil Poisson kullaniriz. Model
    tipik olarak motivasyon arttikca disiplin olaylarinin azaldigini gosterir. Sapma (deviance) ve AIC, model uyumunu
    degerlendirir. Egitimde sayim ciktilarini (disiplin olayi, devamsizlik, basvuru sayisi) yordayicilarla iliskilendirmenin
    dogru yontemi sayim regresyonudur; dogrusal modelden cok daha uygundur.

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

#42  Multinomial Logistic Regression
    dosya: 42_multinomial_occupation_preference.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada ogrencilerin gelecekte tercih ettikleri meslek grubunu
    (occupation_preference) akademik becerilerine gore aciklamayi amacladik.
    Meslek tercihi degiskeni doktor (doctor), sanatci (artist) ve muhendis
    (engineer) olmak uzere uc kategoriden olusan, siralamasiz bir nominal
    degisken. Yordayici olarak ogrencilerin matematik puanini (math_score) ve
    resim/sanat puanini (art_score) kullandik. Bagimli degisken ikiden fazla
    kategoriye sahip ve bu kategoriler arasinda dogal bir siralama bulunmadigi
    icin, en uygun yontem Multinomial Lojistik Regresyon oluyor. Boylece her bir
    meslek tercihinin akademik puanlarla nasil iliskilendigini referans kategori
    uzerinden yorumlayabiliyoruz.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (nominal): occupation_preference (doctor, artist, engineer)
    - Ongorucu: math_score
    - Ongorucu: art_score

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 298.45   Referans sinif: 'artist' (sanatci)
    Meslek tercihi ~ matematik puani + sanat puani

>> YORUM (anlatim):
    Ogrencilerin meslek tercihini (birkac kategori) matematik ve sanat puanlarindan multinomial lojistik regresyonla
    modelledik. Ikiden cok siralamasiz kategori oldugu icin bu yontem uygundur: 'sanatci' referans alinir, her diger
    meslek icin ayri denklem kurulur. Katsayilar, "matematik puani arttikca sanatci yerine muhendis olma sansi kac kat
    artar" gibi yorumlanir. Bu, ogrencilerin yetenek profilinin meslek yonelimini nasil belirledigini gosterir --
    kariyer rehberligi ve yonlendirmede degerli bir aractir.

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

#43  Ordinal Logistic Regression
    dosya: 43_ordinal_motivation_level.xlsx
  >> SENARYO (anlatim):
    Bu calismada ogrencilerin motivasyon duzeylerini (motivation_level) ogretmen
    destegi (teacher_support) ve okulun sundugu firsatlar (school_opportunity)
    acisindan inceledik. Motivasyon duzeyi degiskeni dusuk (low), orta (medium)
    ve yuksek (high) seklinde siralamali (ordinal) kategorilerden olusuyor.
    Bagimli degisken kategorik ve kategoriler arasinda dogal bir siralama
    bulundugu icin, en uygun yontem Ordinal Lojistik Regresyon oluyor. Bu
    yontem, yordayici degiskenlerin motivasyon duzeyini bir ust kademeye tasima
    olasiligina etkisini orantili oranlar (proportional odds) varsayimi altinda
    modellememizi saglar.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (siralamali): motivation_level (low, medium, high)
    - Ongorucu: teacher_support
    - Ongorucu: school_opportunity

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 441.39
    Motivasyon duzeyi (dusuk<orta<yuksek) ~ ogretmen destegi + okul olanaklari

>> YORUM (anlatim):
    Motivasyon duzeyini (dusuk, orta, yuksek -- sirali) ogretmen destegi ve okul olanaklarindan tahmin eden ordinal
    lojistik regresyon kurduk. Bu siniflar siralidir -- aralarinda dogal bir duzen var -- ve ordinal model bu siralamayi
    kullanir, multinomial'dan daha guclu ve yorumlanabilir olur. Katsayilar, ogretmen destegi ve okul olanaklari arttikca
    ogrencinin daha yuksek motivasyon duzeyine kayma egilimini verir. Sirali kategorik ciktilar (motivasyon duzeyi,
    Likert, basari kademesi) icin ordinal lojistik dogru yontemdir.

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

#44  PLS Regression
    dosya: 44_pls_behavior_achievement.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada ogrencilerin on iki farkli davranis gostergesinin
    (behavior_01'den behavior_12'ye kadar) akademik basari
    (academic_achievement) uzerindeki ortak etkisini incelemek istedik. Davranis
    degiskenleri birbiriyle yuksek oranda iliskili olabilecegi ve coklu baglanti
    (multicollinearity) sorunu yaratabilecegi icin, klasik regresyon yerine
    Kismi En Kucuk Kareler (PLS) Regresyonu kullanmak daha uygun. PLS yontemi,
    cok sayida ve birbiriyle iliskili yordayiciyi az sayida gizil bilesene
    indirgeyerek bagimli degiskeni en iyi acikleyacak sekilde modeller. Boylece
    davranissal gostergelerin akademik basariyi nasil ongordugunu saglikli
    bicimde yorumlayabiliriz.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: academic_achievement
    - Ongoruculer (maddeler): behavior_01, behavior_02, behavior_03, behavior_04, behavior_05, behavior_06, behavior_07, behavior_08, behavior_09, behavior_10, behavior_11, behavior_12

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R2_train = 0.908   R2_CV (5-katli) = 0.903
    Akademik basari ~ 12 davranis maddesi

>> YORUM (anlatim):
    Akademik basariyi, birbiriyle iliskili 12 davranis maddesinden PLS (Kismi En Kucuk Kareler) regresyonuyla tahmin
    ettik. Davranis maddeleri birbiriyle korelasyonlu oldugunda klasik regresyon kararsizlasir; PLS bunu, maddeleri az
    sayida ortogonal bilesene indirgeyerek cozer. Model hem egitimde (R2 = 0.91) hem capraz-dogrulamada (R2_CV = 0.90)
    cok guclu -- asiri uyum yok, genelleme mukemmel. Cok sayida iliskili madde/davranis oldugunda (gozlem
    olcekleri, anket bataryalari) PLS, hem tahmin gucu hem yorumlanabilirligi koruyan tercih edilen yontemdir.

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

#45  Probit Regression
    dosya: 45_probit_study_achievement.xlsx
  >> SENARYO (anlatim):
    Bu calismada ogrencilerin haftalik calisma saatlerinin (weekly_study) bir
    sinavi gecip gecmeme durumlarini (passed) nasil etkiledigini inceledik.
    Bagimli degiskenimiz gecti/kaldi seklinde iki kategorili (0-1) ikili bir
    degisken. Ikili sonuclu bir bagimli degiskeni surekli bir yordayiciyla
    modellerken, hata teriminin normal dagildigi varsayimina dayanan Probit
    Regresyon uygun bir secimdir. Probit modeli, calisma saati arttikca sinavi
    gecme olasiliginin kumulatif normal dagilim egrisi boyunca nasil degistigini
    tahmin etmemizi saglar.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (ikili): passed
    - Ongorucu: weekly_study

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 127.62   Pseudo R2 (McFadden) = 0.494
    Gecme (1/0) ~ haftalik calisma

>> YORUM (anlatim):
    Bir ogrencinin gecip gecmeyecegini haftalik calisma suresinden probit regresyonla tahmin ettik. Probit, lojistik
    gibi ikili sonuc modeller ama normal dagilim egrisi (kumulatif normal) varsayar. Pseudo R2 = 0.49 ile oldukca
    guclu: calisma suresi gecme olasiligini buyuk olcude acikliyor -- daha cok calisan ogrencinin gecme sansi belirgin
    yukseliyor. Probit ve lojistik genelde benzer sonuc verir; secim cogu zaman gelenek ve yorum tercihine baglidir.
    Egitimde basari/gecme olasiligini surekli bir yordayicidan tahmin etmek icin uygundur.

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

#46  Tobit Regression
    dosya: 46_tobit_education_expenditure.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada ailelerin cocuklari icin yaptiklari egitim harcamasini
    (education_expenditure_TL) aile geliri (family_income_TL) ve cocuk sayisi
    (child_count) acisindan modellemek istedik. Egitim harcamasi degiskeninin
    onemli bir kismi sifirda yiginlaniyor; yani bazi aileler hic harcama
    yapmiyor ve degisken alttan sansurlenmis (censored) bir yapida. Bu tur
    sinirlandirilmis bagimli degiskenlerde dogrusal regresyon yanli tahminler
    uretecegi icin, en uygun yontem Tobit Regresyon oluyor. Tobit modeli
    sifirdaki yigilmayi dikkate alarak hem harcama yapma olasilgini hem de
    harcama miktarini tutarli bicimde tahmin eder.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (sansurlu): education_expenditure_TL
    - Ongorucu: family_income_TL
    - Ongorucu: child_count

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 414.25   Tobit (sol-sansurlu: harcama tabandan kesik)
    Egitim harcamasi ~ aile geliri + cocuk sayisi

>> YORUM (anlatim):
    Ailelerin egitim harcamasini gelir ve cocuk sayisindan modelledik. Sorun: bazi aileler hic egitim harcamasi yapmiyor
    (sifir) ya da harcama bir taban deger altinda kumeleniyor -- bu sansurlu (censored) veridir, siradan regresyon yanli
    sonuc verir. Tobit regresyon bu sol-sansurlu yapiyi dogru modeller (AIC = 414.25). Tipik olarak gelir arttikca,
    cocuk sayisi azaldikca egitim harcamasi artar. Sansurlu/yiginli verilerle (harcama, sure, dozaj) calismanin
    istatistiksel olarak dogru cozumu Tobit modelidir.

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

#47  Bayesian Linear Regression
    dosya: 47_bayesian_study_achievement.xlsx
  >> SENARYO (anlatim):
    Bu calismada ogrencilerin gunluk calisma saatleri (study_hour) ve yaslarinin
    (age) test puanlari (test_score) uzerindeki etkisini Bayesci bir yaklasimla
    incelemek istedik. Orneklem nispeten kucuk (n=100) ve katsayilara iliskin
    belirsizligi olasilik dagilimlari uzerinden ifade etmek istedigimiz icin,
    klasik regresyon yerine Bayesci Dogrusal Regresyon tercih ettik. Bu yontem,
    onsel (prior) bilgiyi veriyle birlestirerek her bir katsayi icin tam bir
    sonsal (posterior) dagilim uretir ve guvenilirlik araliklarini dogrudan
    olasiliksal olarak yorumlamamiza olanak tanir.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: test_score
    - Ongorucu: study_hour
    - Ongorucu: age

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Konjugat Normal-Inverse-Gamma prior   posterior sigma2 = 23.72
    Test puani ~ calisma saati + yas

>> YORUM (anlatim):
    Test puanini calisma saati ve yastan tahmin ederken Bayesci dogrusal regresyon kullandik. Bayesci yaklasimin
    avantaji: sonuc tek bir p-degeri degil, parametreler icin bir olasilik dagilimi (posterior) verir -- her katsayi
    icin bir guvenilirlik araligi ve "etkinin pozitif olma olasiligi" elde ederiz. Posterior hata varyansi sigma2 = 23.72.
    Bayesci yontem, belirsizligi durustce ifade eder ve onceki bilgiyi (prior) modele dahil edebilir. Kucuk orneklemli
    ya da onceki calismalardan bilgi tasinmasi gereken egitim arastirmalarinda degerlidir.

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

#48  Nonlinear Regression
    dosya: 48_nonlinear_language_age.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada cocuklarin yasa (age_year) bagli olarak sahip olduklari
    kelime sayisinin (language_word_count) nasil gelistigini inceledik. Dil
    gelisimi genellikle dogrusal degildir; erken yaslarda hizla artar, sonra
    yavaslayarak bir doyum noktasina ulasir. Bu nedenle iliskiyi duz bir
    cizgiyle modellemek yerine, buyume egrisini esnek bir matematiksel
    fonksiyonla tanimlayan Dogrusal Olmayan (Nonlinear) Regresyon kullanmak en
    uygun yaklasimdir. Bu yontem, yas ile kelime sayisi arasindaki egrisel
    iliskiyi parametreler araciligiyla dogru bicimde yakalamamizi saglar.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: language_word_count
    - Ongorucu: age_year

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Model: y = K / (1 + exp(-r·(x-x0)))  (lojistik buyume)   R2 = 0.943
    Dil (kelime sayisi) ~ yas

>> YORUM (anlatim):
    Cocuklarin kelime dagarcigi gelisimini yasa gore modelledik. Dil edinimi dogrusal degildir: yavas baslar, hizla
    artar, sonra bir tavana (K) dogru doygunlasir -- klasik bir S-egrisi (lojistik buyume). Bunu lojistik fonksiyonla
    modelledik ve uyum mukemmel (R2 = 0.94). Egri, gelisimin hangi yasta hizlandigini ve tavana ne zaman yaklastigini
    gosterir. Dogrusal olmayan regresyon, gelisim/ogrenme egrilerini -- dil edinimi, beceri kazanimi, unutma egrileri --
    dogru modellemenin yoludur; duz cizgi zorlamak gelisimin dogasini yanlis yansitirdi.

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

#49  Ridge Regression
    dosya: 49_ridge_item_motivation.xlsx
  >> SENARYO (anlatim):
    Bu calismada bir motivasyon olceginin on bes maddesinin (item_p01'den
    item_p15'e kadar) toplam motivasyon puanini (motivation) nasil yordadigini
    incelemek istedik. Olcek maddeleri birbirleriyle yuksek oranda iliskili
    oldugu icin ciddi bir coklu baglanti sorunu mevcut ve bu durum klasik
    regresyon katsayilarini kararsiz hale getiriyor. Bu sorunu gidermek icin
    katsayilara bir ceza terimi ekleyerek onlari kuculten Ridge Regresyon
    kullanmak uygun oluyor. Ridge yontemi, hicbir maddeyi tamamen dislamadan tum
    katsayilari kuculterek daha kararli ve genellenebilir bir model elde
    etmemizi saglar.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: motivation
    - Ongoruculer (maddeler): item_p01, item_p02, item_p03, item_p04, item_p05, item_p06, item_p07, item_p08, item_p09, item_p10, item_p11, item_p12, item_p13, item_p14, item_p15

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Ridge (alpha = 1.0): R2 = 0.554   Duz. R2 = 0.518   n = 200
    Motivasyon ~ 15 olcek maddesi (birbiriyle korelasyonlu)

>> YORUM (anlatim):
    Motivasyonu, birbiriyle yuksek korelasyonlu 15 olcek maddesinden tahmin ederken klasik regresyon kararsizlasir
    (es-dogrusallik katsayilari sisirir). Ridge regresyon, tum katsayilari kuculterek bu sorunu cozer -- katsayilari
    sifirlamaz ama buyukluklerini sinirlar, boylece tahmin kararli kalir (R2 = 0.55). Ridge, "tum maddeleri tutmak
    istiyorum ama es-dogrusallik var" durumunda idealdir. Olcek maddeleri gibi dogal olarak iliskili degisken setlerinde,
    asiri uyumu onleyip kararli tahmin saglar.

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

#50  Lasso Regression
    dosya: 50_lasso_30_pred_5_active.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada akademik basariyi (academic_achievement) yordayan otuz aday
    degisken (x01'den x30'a kadar) arasindan gercekten etkili olanlari
    belirlemek istedik. Cok sayida yordayici bulundugundan ve bunlarin yalnizca
    bir kisminin anlamli oldugunu dusundugumuzden, degisken secimi yapabilen
    Lasso Regresyon en uygun yontem oluyor. Lasso, katsayilara L1 cezasi
    uygulayarak onemsiz degiskenlerin katsayilarini tam olarak sifira ceker ve
    boylece hem modeli sadelestirir hem de en bilgilendirici yordayicilari
    otomatik olarak secer.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: academic_achievement
    - Ongoruculer: x01, x02, x03, x04, x05, x06, x07, x08, x09, x10, x11, x12, x13, x14, x15, x16, x17, x18, x19, x20, x21, x22, x23, x24, x25, x26, x27, x28, x29, x30

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Lasso (alpha = 0.1): R2 = 0.722   Duz. R2 = 0.684   n = 250
    30 yordayicidan 16'sinin katsayisi sifira cekildi (otomatik ozellik secimi)

>> YORUM (anlatim):
    Bu veride az sayida gercek yordayici ile cok sayida onemsiz degisken karisik haldeydi. Lasso regresyonun gucu
    burada gorulur: ceza terimi onemsiz degiskenlerin katsayilarini tam olarak sifira ceker -- otomatik degisken secimi
    yapar. 30 yordayicidan 16'si elendi, model R2 = 0.72 ile guclu kaldi. Lasso, cok sayida aday degisken iciden gercek
    surukleyicileri secmek istediginizde -- yuksek boyutlu egitim/psikometri verisinde -- son derece kullanislidir.
    Ridge tum degiskenleri kuculturken, Lasso onemsizleri tamamen eler.

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

#51  Mediation Analysis
    dosya: 51_mediation_parent_motivation.xlsx
  >> SENARYO (anlatim):
    Bu calismada aile destegi (parent_support) ile akademik basari
    (academic_achievement) arasindaki iliskinin, ogrenci motivasyonu
    (motivation) uzerinden nasil sekillendigini incelemek istedik. Aile destegi
    dogrudan basariyi mi etkiliyor, yoksa bu etki ogrencinin motivasyonu
    araciligiyla mi gerceklesiyor sorusuna yanit ariyoruz. Aracilik (mediation)
    analizi, bir on degiskenin sonuc degiskenine etkisinin bir ara degisken
    uzerinden tasinip tasinmadigini test etmek icin tam olarak uygun bir
    yontemdir. Boylece dogrudan ve dolayli etkileri ayri ayri gorebilecegiz.
  >> DEGISKEN SECIMI:
    - Bagimsiz degisken (X): parent_support
    - Aract degisken (M): motivation
    - Bagimli degisken (Y): academic_achievement

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dolayli etki (Indirect) = 5.55   p < .001   %95 GA (3.83 , 7.30)   Anlamli
    Yol: ebeveyn destegi -> motivasyon -> akademik basari

>> YORUM (anlatim):
    Ebeveyn desteginin basariya etkisinin motivasyon uzerinden gecip gecmedigini aracilik analiziyle test ettik.
    Dolayli etki anlamli (5.55, p < .001, GA sifiri icermiyor): ebeveyn destegi motivasyonu artirir, artan motivasyon
    da basariyi yukseltir. Yani ebeveyn destegi basariyi dogrudan degil, motivasyon "araciligiyla" etkiliyor. Bu, egitim
    psikolojisinin temel sorularindan birini -- aile etkisinin hangi mekanizmayla isledigini -- ortaya kor. Aracilik
    analizi, "X neden Y'yi etkiler" sorusundaki ara mekanizmayi acar ve mudahale noktalarini gosterir.

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

#52  Path Analysis
    dosya: 52_path_oz_yeterlik_achievement.xlsx
  >> SENARYO (anlatim):
    Ogrencilerin oz-yeterlik algisinin (self_efficacy) akademik basariya
    (achievement) giden yolda nasil ilerledigini cok degiskenli bir model
    uzerinden anlamak istedik. Oz-yeterligin motivasyonu (motivation),
    motivasyonun da ogrencinin gosterdigi caba (effort) duzeyini, cabanin ise
    basariyi nasil yordadigini ayni anda sinamayi amacliyoruz. Yol analizi (path
    analysis), bu tur birbirine zincirleme bagli neden-sonuc iliskilerini ve
    dolayli etkileri bir butun olarak modellemeye olanak verdigi icin en uygun
    yontemdir.
  >> DEGISKEN SECIMI:
    - Ongorucu (dissal): self_efficacy
    - Araci/ic degisken: motivation
    - Araci/ic degisken: effort
    - Bagimli degisken (sonuc): achievement

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CFI = 0.930   RMSEA = 0.193   (uyum zayif -- model gozden gecirilmeli)
    Model: oz-yeterlik/motivasyon/caba -> basari; oz-yeterlik -> motivasyon

>> YORUM (anlatim):
    Yol analizi, birden cok neden-sonuc iliskisini ayni anda modelleyen genisletilmis regresyondur. Burada oz-yeterlik,
    motivasyon ve cabanin basariyi etkiledigini ve oz-yeterligin motivasyonu beslediğini sinadik. CFI = 0.93 makul ama
    RMSEA = 0.19 yuksek -- yani kurgulanan model veriyle tam ortusmuyor, bazi yollar eksik ya da fazla olabilir. Bu da
    bilgi verir: kuramsal modelin gozden gecirilmesi gerektigini soyler. Yol analizi, dolayli ve dogrudan etkileri
    ayirmanin ve kuramsal modelleri test etmenin guclu yoludur; iyi uyum kadar kotu uyum da modeli iyilestirmek icin yol gosterir.

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

#53  Linear Mixed Model (LMM)
    dosya: 53_lmm_student_term_GPA.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada ayni ogrencileri (student_id) dort donem boyunca (term 1,
    term 2, term 3, term 4) izleyerek genel not ortalamalarinin (GPA) zaman
    icinde nasil degistigini inceledik. Ayni ogrenciden tekrarli olcumler
    alindigi icin gozlemler birbirinden bagimsiz degil; her ogrencinin kendine
    ozgu bir baslangic duzeyi var. Dogrusal karma model (LMM), ogrenciyi
    rastgele etki olarak modele alarak hem donem etkisini hem de ogrenciler
    arasi degiskenligi ayni anda dogru bicimde tahmin ettigi icin bu tekrarli
    olcum tasarimina uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (DV): GPA
    - Sabit etki (faktor): term (term 1, term 2, term 3, term 4)
    - Rastgele etki / gruplama: student_id

  >> 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):
    Grup varyansi (random intercept) = 0.248   ICC = 0.942
    GPA ~ donem  +  (1 | ogrenci)

>> YORUM (anlatim):
    Ayni ogrencilerin farkli donemlerdeki GPA'sini modellerken, ogrenci-ici tekrarli olcumler bagimsiz degildir.
    Dogrusal karma model, ogrenciyi rastgele etki olarak ekleyerek bunu cozer. ICC = 0.94 cok yuksek: GPA varyansinin
    %94'u ogrenciler arasi farktan kaynaklaniyor; donemler-ici degisim cok az. Yani ogrenciler kendi icinde tutarli,
    asil fark bireyler arasinda. LMM, yuvalanmis/tekrarli olcum verisi (ogrenci>donem, okul>ogrenci) icin dogru ve
    vazgecilmez yontemdir -- her ogrencinin kendi izleme cizgisini modelleyerek bagimsizlik ihlalini cozer.

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

#54  Multiple Imputation
    dosya: 54_multiple_imputation_missing_student.xlsx
  >> SENARYO (anlatim):
    Ogrenci veri setimizde not ortalamasi (GPA), calisma saati (study_hour),
    motivasyon (motivation), kaygi (anxiety) ve aile egitim duzeyi
    (parent_education) degiskenlerinde kayip gozlemler bulunuyor. Kayip verileri
    silmek ya da tek bir ortalamayla doldurmak yanli sonuclar uretebilir. Coklu
    atama (multiple imputation), degiskenler arasi iliskileri kullanarak kayip
    degerler icin birden cok makul deger seti uretip belirsizligi de hesaba
    kattigi icin, bu eksik veri yapisini en saglikli sekilde ele alan yontemdir.
  >> DEGISKEN SECIMI:
    - Atanacak degiskenler: GPA
    - Atanacak degiskenler: study_hour
    - Atanacak degiskenler: motivation
    - Atanacak degiskenler: anxiety
    - Atanacak degiskenler: parent_education

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    m (imputation sayisi) = 5
    GPA'daki eksikler calisma/motivasyon/kaygi/ebeveyn egitiminden tahmin edildi

>> YORUM (anlatim):
    Egitim verisinde eksik gozlem kacinilmazdir (devamsiz ogrenci, bos birakilan anket); eksikleri silmek hem veri
    kaybettirir hem yanli sonuc verir. Coklu atama, eksik GPA degerlerini diger degiskenlerden tahmin ederek 5 ayri
    tamamlanmis veri seti olusturur, her birinde analizi yapar ve sonuclari birlestirir -- boylece tahmin belirsizligini
    de hesaba katar. MAR (rastgele eksik) varsayimi altinda bu, modern eksik-veri standardidir. Boylamsal egitim
    calismalarinda kayip ogrenci verisiyle bas etmenin en saglikli yoludur.

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

#55  Generalized Estimating Equations (GEE)
    dosya: 55_gee_motivation_group.xlsx
  >> SENARYO (anlatim):
    Bir mudahale calismasinda ogrencileri (student_id) kontrol ve mudahale
    (control, intervention) gruplarina ayirip motivasyonlarini (motivation)
    birden cok ziyaret (visit) boyunca tekrar tekrar olctuk. Amacimiz mudahale
    grubunun zaman icinde motivasyon acisindan kontrol grubundan farklilasip
    farklilasmadigini gormek. Ayni ogrenciden tekrarli olcumler alindigi ve bu
    olcumler kendi icinde iliskili oldugu icin, populasyon duzeyinde ortalama
    etkiyi dogru tahmin eden Genellestirilmis Tahmin Denklemleri (GEE) bu
    boylamsal tasarim icin uygun bir yontemdir.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (DV): motivation
    - Faktor (grup): group (control, intervention)
    - Zaman: visit
    - Gruplama (denek): student_id

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    visit katsayisi = 0.020   p = 0.24 (anlamsiz)   QIC = 305.24
    Motivasyon ~ ziyaret  (tekrarli olcum, ogrenci icinde kumelenmis)

>> YORUM (anlatim):
    Ayni ogrencilerden tekrarli (cok ziyaretli) motivasyon olcumleri aldik -- ayni ogrencinin olcumleri birbirine
    bagimli. GEE, bu kumelenmis veride "populasyon ortalamasi" duzeyinde iliskiyi, korelasyon yapisini hesaba katarak
    tahmin eder. Ziyaret etkisi anlamsiz cikti (p = 0.24): motivasyon zaman icinde sistematik degismemis. Anlamsiz
    sonuc da bilgidir -- mudahale/zaman motivasyonu degistirmemis olabilir. GEE, LMM'e alternatiftir: rastgele
    etkileri modellemek yerine gozlemler arasi korelasyonu duzeltir ve marjinal (ortalama) etkiyi verir.

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

#56  Generalized Linear Mixed Model (GLMM)
    dosya: 56_glmm_discipline_count.xlsx
  >> SENARYO (anlatim):
    Bu calismada ogrencilerin (student_id) aylik (month) disiplin olay sayisini
    (discipline_count) izleyerek bir mudahalenin varliginin
    (intervention_present) bu sayilari azaltip azaltmadigini inceledik. Sonuc
    degiskenimiz bir sayim (count) verisi oldugu ve ayni ogrenciden aylar
    boyunca tekrarli olcum aldigimiz icin gozlemler bagimsiz degil.
    Genellestirilmis dogrusal karma model (GLMM), hem sayim verisine uygun
    dagilimi hem de ogrenciyi rastgele etki olarak modele katarak tekrarli
    yapiyi ayni anda ele aldigi icin en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (sayim DV): discipline_count
    - Ongorucu (sabit etki): intervention_present
    - Zaman: month
    - Rastgele etki / gruplama: student_id

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    month: katsayi = 0.157, p = 0.006 *   |   intervention_present: katsayi = -0.510, p < .001 ***
    Poisson GLMM: disiplin sayisi ~ ay + mudahale  +  (1 | ogrenci)

>> YORUM (anlatim):
    Disiplin olayi sayilarini (Poisson) hem ay/mudahale sabit etkileri hem de ogrenci rastgele etkisiyle modelledik --
    yani GLMM: karma model + sayim dagilimi. Mudahalenin etkisi anlamli ve negatif (katsayi -0.51, p < .001): mudahale
    disiplin olaylarini belirgin azaltiyor. Ay etkisi de anlamli (artis egilimi). GLMM, "tekrarli/yuvalanmis sayim ya
    da ikili veri" durumunda (LMM normal varsayar, GLM kumelenmeyi gormez) ikisinin gucunu birlestirir. Ogrenci bazinda
    tekrarli sayim verisinin -- davranis mudahalesi izleme -- dogru analiz cercevesidir.

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

#57  Regularized Regression (Elastic Net)
    dosya: 57_elasticnet_achievement_index.xlsx
  >> SENARYO (anlatim):
    Elimizde her ogrenci (student_id) icin x01 ile x40 arasinda toplam kirk aday
    yordayici degisken ve bir akademik basari endeksi (achievement_index)
    bulunuyor. Bu kadar cok ve birbiriyle iliskili olabilen degiskenle siradan
    regresyon asiri uyum ve kararsiz katsayilar uretir. Elastik ag (Elastic Net)
    regresyonu, hem L1 hem L2 cezalarini birlestirerek onemsiz degiskenlerin
    katsayilarini kuculttugu, gereksiz olanlari eledigi ve coklu baglanti
    sorununu yonettigi icin bu yuksek boyutlu yordama problemi icin uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (DV): achievement_index
    - Ongoruculer: x01
    - Ongoruculer: x02
    - Ongoruculer: x03
    - Ongoruculer: x04
    - Ongoruculer: x05
    - Ongoruculer: x06
    - Ongoruculer: x07
    - Ongoruculer: x08
    - Ongoruculer: x09
    - Ongoruculer: x10
    - Ongoruculer: x11
    - Ongoruculer: x12
    - Ongoruculer: x13
    - Ongoruculer: x14
    - Ongoruculer: x15
    - Ongoruculer: x16
    - Ongoruculer: x17
    - Ongoruculer: x18
    - Ongoruculer: x19
    - Ongoruculer: x20
    - Ongoruculer: x21
    - Ongoruculer: x22
    - Ongoruculer: x23
    - Ongoruculer: x24
    - Ongoruculer: x25
    - Ongoruculer: x26
    - Ongoruculer: x27
    - Ongoruculer: x28
    - Ongoruculer: x29
    - Ongoruculer: x30
    - Ongoruculer: x31
    - Ongoruculer: x32
    - Ongoruculer: x33
    - Ongoruculer: x34
    - Ongoruculer: x35
    - Ongoruculer: x36
    - Ongoruculer: x37
    - Ongoruculer: x38
    - Ongoruculer: x39
    - Ongoruculer: x40

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    alpha = 0.087   R2 (egitim) = 0.501
    Basari endeksi ~ 40 yordayici

>> YORUM (anlatim):
    Elastic Net, Ridge ile Lasso'nun melezidir: hem katsayilari kuculturur (Ridge gibi) hem onemsizleri sifirlar (Lasso
    gibi). Burada 40 yordayicidan basari endeksini tahmin ettik; Elastic Net, korelasyonlu degisken gruplarini birlikte
    tutarken onemsizleri eler. Model R2 = 0.50. Cok sayida es-dogrusal yordayici oldugunda -- madde bataryalari,
    davranis olcekleri, demografik degiskenler -- Elastic Net hem secim hem kararlilik saglayan dengeli bir tercihtir.
    Lasso'nun "korelasyonlu gruptan rastgele birini secme" sorununu yumusatir.

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

#58  Robust Regression
    dosya: 58_robust_study_achievement.xlsx
  >> SENARYO (anlatim):
    Ogrencilerin calisma saati (study_hour) ile sinav puani (test_score)
    arasindaki iliskiyi modellemek istedik, ancak veride birkac asiri uc deger
    oldugundan suphelendik. Siradan en kucuk kareler regresyonu bu uc
    degerlerden cok etkilenip egimi carpitabilir. Saglam (robust) regresyon, uc
    gozlemlere daha az agirlik vererek katsayi tahminlerini bu aykiri degerlere
    karsi dayanikli hale getirdigi icin, calisma saatinin puana etkisini daha
    guvenilir bicimde tahmin etmek amaciyla uygun bir yontemdir.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (DV): test_score
    - Ongorucu: study_hour

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Robust kesim = 49.06   vs   OLS kesim = 42.20   (aykiri degerler OLS'i sapttirmis)
    Test puani ~ calisma saati

>> YORUM (anlatim):
    Bu veride birkac aykiri deger (outlier) vardi -- ornegin cok calisip dusuk alan ya da az calisip yuksek alan
    ogrenciler. Klasik regresyon (OLS) aykirilari tum gucle dikkate alir ve cizgiyi onlara dogru ceker: kesim degeri
    OLS'te 42.20, robust modelde 49.06; fark buyuk, yani aykirilar OLS'i sapttirmis. Robust regresyon (Huber-T), aykiri
    gozlemlere daha az agirlik vererek gercek egilimi korur. Aykiri ogrenci verilerinin kacinilmaz oldugu egitim
    arastirmasinda, robust regresyon OLS'ten daha guvenilir egim tahmini verir.

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

#59  Quantile Regression
    dosya: 59_quantile_GPA.xlsx
  >> SENARYO (anlatim):
    Bu calismada calisma saati (study_hour) ve motivasyonun (motivation) genel
    not ortalamasi (GPA) uzerindeki etkisini incelerken, bu etkinin sadece
    ortalama ogrenci icin degil, dusuk ve yuksek basarili ogrenciler icin de
    ayni olup olmadigini merak ettik. Siradan regresyon yalnizca ortalamayi
    modeller. Kantil (quantile) regresyon, dagilimin farkli noktalarinda (orn.
    alt ve ust ceyreklerde) iliskinin nasil degistigini tahmin etmeye olanak
    verdigi icin, basari dagiliminin uclarindaki etkileri gormek amaciyla
    uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (DV): GPA
    - Ongoruculer: study_hour
    - Ongoruculer: motivation

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    q = 0.10 egim = 0.28   |   q = 0.50 (medyan)   |   q = 0.90  (degisken etki)
    GPA ~ calisma saati + motivasyon

>> YORUM (anlatim):
    Klasik regresyon sadece ortalamayi modeller; ama calismanin GPA'ya etkisi dusuk ve yuksek basarili ogrencilerde
    farkli olabilir. Kantil regresyon, dagilimi alt (q=0.10, dusuk GPA), orta (q=0.50) ve ust (q=0.90, yuksek GPA)
    kantillerde ayri ayri modeller. Farkli kantillerde egimin degismesi, "calisma her ogrenciye ayni mi yariyor"
    sorusunu yanitlar -- ornegin calisma dusuk basarililara daha cok yarayabilir. Egitimde ortalama degil dagilimin
    farkli noktalari (en zayif/en guclu ogrenciler) onemli oldugunda, kantil regresyon ortalama-tabanli modellerin
    goremedigini gosterir.

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

#60  ROC Curve Analysis
    dosya: 60_roc_composite_university_achievement.xlsx
  >> SENARYO (anlatim):
    Ogrenciler icin hesapladigimiz bilesik basari puaninin
    (composite_achievement_score), universiteye giristeki basariyi
    (university_successful) ne kadar iyi ayirt ettigini degerlendirmek istedik.
    Yani bu surekli puani bir esik degeri olarak kullandigimizda basarili ve
    basarisiz ogrencileri ne kadar dogru siniflandiriyoruz. ROC egrisi analizi,
    farkli esik degerlerinde duyarlilik ve secicilik dengesini gosterip egri
    altinda kalan alan (AUC) ile siniflandirma gucunu ozetledigi icin, bir
    tani/tahmin olcutunun ayirt etme gucunu degerlendirmek amaciyla uygun
    yontemdir.
  >> DEGISKEN SECIMI:
    - Test/skor degiskeni: composite_achievement_score
    - Olay (durum/sinif): university_successful

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AUC = 0.933 (mukemmel ayirici guc)   Youden optimum esik: 0.54 -> Duyarlilik 0.90
    n = 250 (pozitif 143, negatif 107)   universite basarisi siniflandirici

>> YORUM (anlatim):
    Bir bilesik basari puaninin universite basarisini ne kadar iyi yordadigini ROC egrisiyle olctuk. AUC = 0.93
    "mukemmel" duzeyde: puan, kazanan ve kazanamayan ogrencileri buyuk olcude dogru ayiriyor. Youden indeksi en iyi
    kesme noktasini (esik) verir -- duyarlilik ve ozgulluk dengesini optimize eder; burada 0.54 esiginde duyarlilik
    0.90. ROC/AUC, bir tani/sinif modelinin ayirma gucunu raporlamanin standardidir; egitimde eleme sinavlari, risk
    tarama araclari ve yordama modellerinin kalitesini degerlendirmek icin idealdir.

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

#61  True Skill Statistic (TSS)
    dosya: 61_tss_class_pass.xlsx
  >> SENARYO (anlatim):
    Bir egitim arastirmacisi olarak, ogrencilerin sinifi gecip gecemeyecegini
    onceden tahmin eden bir modelin gercekten ne kadar iyi calistigini
    degerlendirmek istiyoruz. Her ogrenci icin bir prediction_score tahmin
    puanimiz var ve gercek sonuc class_pass degiskeninde 1 (gecti) ya da 0
    (kaldi) olarak kayitli. Bu ikili siniflandirma modelinin performansini,
    rastlanti duzeyini de hesaba katarak olcen True Skill Statistic (TSS) ile
    sinamak istiyoruz; cunku TSS, ozellikle sinif dengesizliginde modelin gercek
    beceri katsayisini sansa karsi adil bir sekilde gosterir.
  >> DEGISKEN SECIMI:
    - Olay (gercek sonuc): class_pass
    - Ongorulen olasilik/skor: prediction_score

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    TSS = 0.481 (iyi)   Duyarlilik 0.85   Ozgulluk 0.63   n = 200
    Sinif gecme tahmini

>> YORUM (anlatim):
    TSS (True Skill Statistic), bir ikili siniflandirma modelinin sansa gore ne kadar iyi oldugunu olcer: duyarlilik +
    ozgulluk - 1. Sinif gecmeyi yordayan model TSS = 0.48 ile "iyi" -- duyarlilik 0.85 (gecenleri yakalama yuksek),
    ozgulluk 0.63 (kalanlari ayirma orta). TSS'nin avantaji, prevalansa (gecme oraninin yaygiligina) duyarli
    olmamasidir; bu yuzden dengesiz siniflarda guvenilir bir olcudur. Egitimde basari/risk yordama modellerinin gercek
    becerisini, dogrulugun gizledigi yanliligi asarak ozetler.

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

#62  Confusion Matrix Metrics
    dosya: 62_complexity_achievement_3sinif.xlsx
  >> SENARYO (anlatim):
    Bir ogrenme birimindeki tahmin modelinin dogrulugunu ayrintili olarak gormek
    istiyoruz. Elimizde her birim icin modelin urettigi prediction_label etiketi
    ile gercekte gozlenen actual_label etiketi bulunuyor; ayrica modelin guven
    duzeyini gosteren prediction_score puani da mevcut. Bu degiskenleri
    Confusion Matrix Metrics analizine sokarak dogruluk, kesinlik, duyarlilik ve
    F1 gibi olculeri hesaplayip modelin nerede hata yaptigini ortaya koymak
    istiyoruz; karisiklik matrisi bu tur ikili siniflandirma degerlendirmeleri
    icin en uygun arac.
  >> DEGISKEN SECIMI:
    - Gercek etiket: actual_label
    - Ongorulen etiket: prediction_label
    - Ongorulen skor: prediction_score

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dogruluk (Accuracy) = 0.93   F1 = 0.918
    Basari sinifi tahmini -- gercek vs tahmin etiketi

>> YORUM (anlatim):
    Bir siniflandiricinin basari sinifi tahminlerini karmasiklik matrisiyle parçaladik. Dogruluk %93 ve F1 = 0.92 ile
    model cok basarili -- hem genel dogru tahmin orani yuksek, hem de kesinlik/duyarlilik dengesi (F1) iyi. Karmasiklik
    matrisi, "dogruluk" rakaminin gizledigi gercegi -- hangi sinifin nerede yanlis siniflandigini, hangi siniflarin
    karistirildigini -- gosterir. F1 skoru ozellikle dengesiz siniflarda dogruluktan daha bilgilendiricidir. Egitimde
    otomatik notlandirma/siniflandirma modellerinin gercek performansini degerlendirmenin vazgecilmez aracidir.

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

#63  Random Forest
    dosya: 63_rf_occupation_preference.xlsx
  >> SENARYO (anlatim):
    Ogrencilerin meslek tercihlerini akademik profillerinden yola cikarak
    siniflandirmak istiyoruz. Matematik (math), fen (science), dil (language),
    okudugunu anlama (reading_comprehension) ve genel not ortalamasi (GPA)
    puanlarini kullanarak, occupation_preference degiskenindeki teacher,
    engineer, doctor ve artist kategorilerinden hangisine egilimli olduklarini
    tahmin etmeyi amacliyoruz. Cok sayida ongorucu ile dogrusal olmayan
    iliskileri yakalayabilen ve degisken onemini verebilen Random Forest, bu cok
    sinifli siniflandirma problemi icin oldukca uygun bir yontem.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (hedef): occupation_preference (teacher, engineer, doctor, artist)
    - Ongoruculer: math
    - Ongoruculer: science
    - Ongoruculer: language
    - Ongoruculer: reading_comprehension
    - Ongoruculer: GPA

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dogruluk (Accuracy) = 0.814   (meslek tercihi siniflandirma)
    5 akademik degiskenden tahmin

>> YORUM (anlatim):
    Ogrencilerin meslek tercihini bes akademik degiskenden (matematik, fen, dil, okuma, GPA) Random Forest ile tahmin
    ettik -- yuzlerce karar agacinin oyu. Dogruluk %81: yetenek profili meslek tercihini buyuk olcude yordayabiliyor,
    ama tam degil (meslek secimi cok-faktorlu, kisilik ve ilgi de onemli). Random Forest'in en degerli ciktilarindan
    biri "degisken onem siralamasi"dir: hangi dersin tercihte en etkili oldugunu soyler. Dogrusal olmayan, etkilesimli
    iliskilerde guclu, kurmasi kolay bir makine ogrenmesi yontemidir.

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

#64  Support Vector Machine (SVM)
    dosya: 64_svm_university_passed.xlsx
  >> SENARYO (anlatim):
    Lise ogrencilerinin universiteyi kazanip kazanamayacagini akademik
    gostergelerle ongormek istiyoruz. Not ortalamasi (GPA), matematik puani
    (math), deneme sinavi puani (trial_score) ve haftalik calisma saati
    (weekly_study) degiskenlerini kullanarak, university_passed ikili sonucunu
    (1 kazandi, 0 kazanamadi) siniflandirmayi hedefliyoruz. Degiskenler arasinda
    en iyi ayirici siniri kuran ve yuksek boyutlu uzaylarda guclu genelleme
    yapan Support Vector Machine, bu ikili tahmin problemi icin uygun bir
    yontem.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (hedef): university_passed
    - Ongoruculer: GPA
    - Ongoruculer: math
    - Ongoruculer: trial_score
    - Ongoruculer: weekly_study

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dogruluk (Accuracy) = 1.000   (universite kazandi/kazanamadi)
    4 degiskenden tahmin (GPA, matematik, deneme, calisma)

>> YORUM (anlatim):
    Universiteyi kazanan ve kazanamayan ogrencileri ayiran en iyi siniri SVM ile bulduk. SVM, iki sinif arasinda mumkun
    olan en genis "marjli" ayirma yuzeyini arar ve kernel hilesiyle dogrusal olmayan sinirlari da modelleyebilir.
    Dogruluk %100 -- GPA, matematik, deneme puani ve calisma, iki grubu kusursuz ayiriyor (bu kadar yuksek dogruluk
    asiri-uyum acisindan akilda tutulmali). SVM, ozellikle az-orta orneklemli, yuksek boyutlu siniflandirma
    problemlerinde gucludur ve marj maksimizasyonu sayesinde dayaniklidir. Random Forest'a guclu bir alternatiftir.

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

#65  Gradient Boosting
    dosya: 65_gb_school_dropout_risk.xlsx
  >> SENARYO (anlatim):
    Ogrencilerin okulu birakma riskini erken donemde belirlemek istiyoruz. Not
    ortalamasi (GPA), devamsizlik sayisi (absenteeism), sinif icindeki gurultu
    duzeyi (sound) ve aile katiliminin varligi (parent_joint) degiskenlerinden
    yararlanarak, school_dropout_risk degiskenindeki low ve medium duzeylerini
    siniflandirmayi amacliyoruz. Zayif ogrenicileri ardisik olarak duzelterek
    yuksek tahmin gucu saglayan Gradient Boosting, bu tur risk siniflandirmasi
    icin oldukca etkili bir yontem.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (hedef): school_dropout_risk (low, medium)
    - Ongoruculer: GPA
    - Ongoruculer: absenteeism
    - Ongoruculer: sound
    - Ongoruculer: parent_joint

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dogruluk (Accuracy) = 0.964   (okul terk riski siniflandirma)
    GPA + devamsizlik + sosyo-ekonomik + ebeveyn birlikteligi

>> YORUM (anlatim):
    Okul terk riskini cevresel/akademik degiskenlerden Gradient Boosting ile tahmin ettik. Boosting, agaclari ardisik
    olarak ekleyip her yeni agacin onceki hatalari duzeltmesini saglayan guclu bir yontemdir; dogruluk %96.4 ile cok
    yuksek. Bu, erken uyari sistemleri icin kritik: model riskli ogrencileri yuksek dogrulukla belirleyebiliyor.
    Random Forest agaclari paralel kurarken, Boosting onlari ardisik (hatayi kovalayarak) kurar; genelde daha yuksek
    dogruluk verir ama asiri-uyuma daha yatkindir, dikkatli ayar ister. Okul terkini ongorup mudahale etmek icin
    degerli bir aractir.

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

#66  K-Means Clustering
    dosya: 66_kmeans_student_4kume.xlsx
  >> SENARYO (anlatim):
    Ogrencileri akademik ve calisma ozelliklerine gore dogal gruplara ayirmak
    istiyoruz. Not ortalamasi (GPA), calisma saati (study_hour), matematik puani
    (math) ve deneme sinavi puani (trial_score) degiskenlerini kullanarak,
    onceden etiket olmaksizin ogrencileri benzer profillere sahip dort kumeye
    ayirmayi amacliyoruz. Belirli sayida kumeyi merkezlerine gore olusturan
    K-Means Clustering, bu tur denetimsiz ogrenci profili gruplamasi icin uygun
    bir yontem.
  >> DEGISKEN SECIMI:
    - Kume degiskenleri: GPA
    - Kume degiskenleri: study_hour
    - Kume degiskenleri: math
    - Kume degiskenleri: trial_score

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kume sayisi = 4   Silhouette = 0.458 (orta kume yapisi)
    4 degiskenle ogrenci tipolojisi (GPA, calisma, matematik, deneme)

>> YORUM (anlatim):
    Ogrencileri akademik ozelliklerine gore dort dogal gruba (tipolojiye) K-Means ile ayirdik. Silhouette = 0.46 orta
    duzeyde -- kumeler ayrisiyor ama keskin sinirli degil, ki egitim verisinde beklenir (basari surekli bir gradyandir,
    keskin kopukluklar nadirdir). Dort grup muhtemelen farkli ogrenci profillerini temsil ediyor: yuksek basarili-cok
    calisan, dusuk basarili-az calisan, ve ara tipler. K-Means, etiketsiz veride dogal gruplari bulur; ogrenci
    profilleme, hedefli mudahale tasarlama ve risk grubu belirlemede pratiktir.

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

#67  Hierarchical Clustering
    dosya: 67_hierarchic_5stil_10davranis.xlsx
  >> SENARYO (anlatim):
    Ogrencilerin gosterdigi davranis oruntulerinin nasil dogal kumeler
    olusturdugunu incelemek istiyoruz. behavior_01'den behavior_10'a kadar olan
    on davranis olcumunu kullanarak, ogrenme stillerinin (style: visual,
    auditory, kinesthetic, enrolled, mixed) bu davranislarla nasil ortustugunu
    agac yapisi uzerinden gormeyi amacliyoruz. Kume sayisini onceden
    belirlemeden benzerlik dendrogrami olusturan Hierarchical Clustering, kucuk
    orneklemli bu davranis verisi icin oldukca uygun.
  >> DEGISKEN SECIMI:
    - Kume degiskenleri: behavior_01
    - Kume degiskenleri: behavior_02
    - Kume degiskenleri: behavior_03
    - Kume degiskenleri: behavior_04
    - Kume degiskenleri: behavior_05
    - Kume degiskenleri: behavior_06
    - Kume degiskenleri: behavior_07
    - Kume degiskenleri: behavior_08
    - Kume degiskenleri: behavior_09
    - Kume degiskenleri: behavior_10

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kume sayisi = 5   Silhouette = 0.131 (zayif/orustusen yapi)
    10 davranis maddesine gore 5 stil

>> YORUM (anlatim):
    Ogrenci davranislarini benzerliklerine gore hiyerarsik kumeleme ile gruplandirdik -- sonuc bir dendrogram (agac)
    verir. Bes kumeye boldugumuzde silhouette yalnizca 0.13: kumeler birbirine giriyor, keskin ayrim yok. Bu egitimde
    anlamli -- davranis stilleri cogu zaman keskin kategoriler degil, surekli bir yelpazedir. Dusuk silhouette,
    "veride dogal gruplama zayif" demektir; bu da bilgi verir (belki 5 yerine daha az stil vardir). Hiyerarsik
    kumeleme, gruplarin ic ice yapisini ve uygun kume sayisini kesfetmek icin K-Means'ten daha aciklayicidir.

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

#68  DBSCAN Clustering
    dosya: 68_dbscan_school_location.xlsx
  >> SENARYO (anlatim):
    Okullarin cografi konumlarina gore nasil yogunlastigini ve hangi okullarin
    uzak konumlar oldugunu belirlemek istiyoruz. Her okul icin enlem (lat) ve
    boylam (lon) koordinatlarini kullanarak, birbirine yakin okullari dogal
    kumeler halinde toplamayi ve izole konumlari gurultu olarak ayirmayi
    amacliyoruz. Kume sayisini onceden gerektirmeyen ve yogunluga dayali
    calisarak aykiri konumlari yakalayan DBSCAN Clustering, bu mekansal kumeleme
    problemi icin en uygun yontem.
  >> DEGISKEN SECIMI:
    - Koordinatlar (enlem): lat
    - Koordinatlar (boylam): lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kume sayisi = 4   Silhouette = 0.878   (okul konumlari)
    Okullar cografi yogunluga gore kumelendi

>> YORUM (anlatim):
    Okullarin cografi konumlarini yogunluga gore DBSCAN ile kumeledik. K-Means'ten farki: kume sayisini onceden vermeyiz,
    ve yogun olmayan izole okullari "gurultu" (aykiri) olarak isaretler. Dort yogun okul obegi bulundu (silhouette 0.88,
    cok guclu). Bu, okullarin sehir merkezleri/bolgeler halinde kumelendigini gosterir. DBSCAN, duzensiz sekilli kumeler
    ve aykiri noktalar iceren mekansal veride (okul konumlari, ogrenci adresleri) K-Means'ten daha uygundur; egitim
    hizmetlerinin cografi dagilimini ve erisim bosluklarini analiz etmede kullanilir.

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

#69  Principal Component Analysis (PCA)
    dosya: 69_pca_academic_6ders.xlsx
  >> SENARYO (anlatim):
    Ogrencilerin alti farkli derste aldiklari puanlarin altinda yatan ortak
    boyutlari kesfetmek istiyoruz. Matematik (math), fen (science), dil
    (language), okudugunu anlama (reading_comprehension), mantik (logic) ve
    sanat (art) puanlarini kullanarak, bu degiskenleri daha az sayida temel
    bilesene indirgemeyi ve hangi derslerin birlikte degistigini gormeyi
    amacliyoruz. Cok sayida iliskili degiskeni varyansi koruyarak ozetleyen
    Principal Component Analysis, bu boyut indirgeme amaci icin uygun bir
    yontem.
  >> DEGISKEN SECIMI:
    - Maddeler (degiskenler): math
    - Maddeler (degiskenler): science
    - Maddeler (degiskenler): language
    - Maddeler (degiskenler): reading_comprehension
    - Maddeler (degiskenler): logic
    - Maddeler (degiskenler): art

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    PC1 = %87.5   (ilk bilesen tek basina varyansin buyuk kismini acikliyor)
    6 ders (matematik, fen, dil, okuma, mantik, sanat)

>> YORUM (anlatim):
    Alti ders puanini PCA ile az sayida ozet eksene indirgedik. Ilk bilesen tek basina varyansin %87.5'ini acikliyor --
    bu carpici derecede yuksek. Anlami: dersler birbiriyle cok yuksek korelasyonlu, hepsi tek bir "genel akademik
    yetenek" boyutunu (g faktoru benzeri) olcuyor. Yani matematikte iyi olan ogrenci genelde fen ve dilde de iyi. PCA,
    cok-degiskenli veriyi ozetlemenin, es-dogrusalligi azaltmanin ve gizli boyutlari (genel yetenek gibi) ortaya
    cikarmanin temel aracidir. Tek bir bilesenin bu kadar baskin olmasi, "genel zeka/yetenek" tartismasinin egitsel yansimasidir.

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

#70  t-SNE
    dosya: 70_tsne_student_5tip.xlsx
  >> SENARYO (anlatim):
    Ogrencileri on iki maddelik bir olcekteki yanitlarina gore iki boyutlu bir
    haritada gorsellestirmek istiyoruz. item_01'den item_12'ye kadar olan
    maddeleri kullanarak, ogrencilerin student_type degiskenindeki A, B, C, D ve
    E tiplerine gore nasil kumelendigini incelemeyi amacliyoruz. Yuksek boyutlu
    verideki yerel benzerlikleri koruyarak gorsel ayrismayi ortaya cikaran
    t-SNE, bu ogrenci tipi haritalama amaci icin oldukca uygun bir yontem.
  >> DEGISKEN SECIMI:
    - Maddeler (items): item_01
    - Maddeler (items): item_02
    - Maddeler (items): item_03
    - Maddeler (items): item_04
    - Maddeler (items): item_05
    - Maddeler (items): item_06
    - Maddeler (items): item_07
    - Maddeler (items): item_08
    - Maddeler (items): item_09
    - Maddeler (items): item_10
    - Maddeler (items): item_11
    - Maddeler (items): item_12
    - Renklendirme/etiket: student_type (A, B, C, D, E)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    KL Divergence (fit kalitesi) = 0.519 -> iyi
    12 maddelik profil (5 ogrenci tipi) 2 boyuta indirgendi

>> YORUM (anlatim):
    t-SNE, yuksek boyutlu ogrenci profil verisini (12 madde) iki boyutlu bir gorsele dusuren dogrusal olmayan bir
    yontemdir. PCA'dan farki: yerel komsuluklari korumaya odaklanir, yani benzer ogrenciler haritada birbirine yakin
    dusurulur -- gizli grup yapisini gormek icin idealdir. KL divergence 0.52 ile indirgeme kalitesi iyi; bes ogrenci
    tipi haritada gorulebilir kumeler olusturuyor. Onemli uyari: t-SNE ekseni ve kumeler arasi mesafe yorumlanmaz,
    sadece kumelenme deseni anlamlidir. Ogrenci tiplerini gorsel olarak kesfetmek icin guclu bir aractir.

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

#71  Multidimensional Scaling (MDS)
    dosya: 71_mds_student_distance.xlsx
  >> SENARYO (anlatim):
    Bu calismada 51 ogrencinin akademik profilini cok boyutlu bir uzayda
    gorsellestirmek istedik. Her ogrenci icin GPA degerini, study (calisma
    saati) suresini, math (matematik), science (fen) ve language (dil)
    puanlarini olctuk. Amacimiz ogrenciler arasindaki benzerlik ve farklilik
    oruntulerini iki boyutlu bir haritaya indirgeyerek hangi ogrencilerin
    birbirine yakin profillere sahip oldugunu gormekti. Cok degiskenli mesafe
    yapilarini gorsel bir konuma donusturdugu icin Cok Boyutlu Olcekleme (MDS)
    bu amaca en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Koordinatlar (degiskenler): GPA
    - Koordinatlar (degiskenler): study
    - Koordinatlar (degiskenler): math
    - Koordinatlar (degiskenler): science
    - Koordinatlar (degiskenler): language

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Stress (Kruskal-1) = 0.054 (kabul edilebilir/iyi uyum)
    Ogrenciler arasi benzerlik haritasi (GPA, calisma, 3 ders)

>> YORUM (anlatim):
    MDS, ogrenciler arasi benzerligi iki boyutlu bir haritaya dokme yontemidir -- benzer profilli ogrenciler yakin,
    farklilar uzak dusurulur. Stress = 0.054 ile uyum "iyi"; bu, ogrenci benzerlik yapisinin iki boyuta basariyla
    sigdigini gosterir (dusuk stress = guvenilir harita). Haritada birbirine yakin ogrenciler benzer akademik profile
    sahip. MDS, cok-degiskenli benzerlik/uzaklik verisini gorsellestirmenin klasik yontemidir; stress degeri haritaya
    ne kadar guvenebilecegimizi durustce soyler. Ogrenci gruplamasini ve profil benzerligini gormek icin kullanilir.

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

#72  UMAP
    dosya: 72_umap_behavior_5tip.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada 200 ogrencinin davranissal profillerini analiz ettik ve her
    ogrenci icin behavior_01'den behavior_25'e kadar 25 davranis degiskenini
    kaydettik. Ayrica ogrencilerin lower_type degiskeniyle bes davranis tipine
    (S1, S2, S3, S4, S5) ait olduklarini biliyorduk. Amacimiz bu yuksek boyutlu
    davranis verisini iki boyuta indirgeyerek bes tipin gercekten ayri kumeler
    olusturup olusturmadigini gorsel olarak incelemekti. Yerel ve global
    yapilari koruyarak karmasik oruntuleri haritalayan UMAP bu tur kume kesfi
    icin idealdir.
  >> DEGISKEN SECIMI:
    - Ongoruculer (degiskenler): behavior_01 ... behavior_25
    - Renk/Grup etiketi: lower_type (S1,S2,S3,S4,S5)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    UMAP boyut indirgeme (25 davranis maddesi -> 2 boyut, 5 tip)
    n_neighbors ve min_dist ile yerel/global denge ayarlanir

>> YORUM (anlatim):
    UMAP, t-SNE'ye benzer modern bir boyut indirgeme yontemidir ama hem yerel hem global yapiyi daha iyi korur ve daha
    hizlidir. Yirmibes davranis maddesinden olusan ogrenci profillerini iki boyutlu bir haritaya dusurduk; benzer
    davranis profilleri kumelenir. n_neighbors parametresi yerel-global dengesini, min_dist ise kumelerin sikiligini
    ayarlar. UMAP, yuksek boyutlu davranis/anket verisinde gizli grup yapisini kesfetmek icin giderek daha cok tercih
    ediliyor. Gorsellestirme amacli kullanilir; kumelenme deseni yorumlanir, eksen degerleri degil.

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

#73  Cronbach's Alpha
    dosya: 73_cronbach_school_survival_21.xlsx
  >> SENARYO (anlatim):
    Bu calismada okul yasamina uyum olceginin ic tutarliligini degerlendirmek
    istedik. 200 ogrenciye uyguladigimiz olcekte item_01'den item_21'e kadar 21
    madde bulunuyordu ve bu maddelerin tek bir yapiyi ne kadar tutarli olctugunu
    merak ediyorduk. Amacimiz olcegin guvenilir olup olmadigini sayisal bir
    katsayiyla ortaya koymakti. Bir olcekteki maddelerin ic tutarliligini olcen
    Cronbach Alfa katsayisi bu amac icin standart ve uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Maddeler (items): item_01 ... item_21

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cronbach alpha = 0.974 (mukemmel ic tutarlilik)   21 madde
    Okul yasam/aidiyet olcegi

>> YORUM (anlatim):
    Yirmibir maddelik bir okul yasam/aidiyet olceginin ic tutarliligini Cronbach alfa ile sinadik. alpha = 0.97
    mukemmel: yirmibir madde ayni temel kavrami tutarli sekilde olcuyor, ogrenciler maddeler arasinda uyumlu yanit
    veriyor. Bir olcegi analiz etmeden once guvenirligini gostermek sarttir -- dusuk alpha, maddelerin ayni seyi
    olcmedigini ve toplam puanin anlamsiz olabilecegini gosterir. 0.70 uzeri kabul edilebilir, 0.90 uzeri mukemmel
    sayilir. Anket/olcek gelistiren her egitim arastirmasinin ilk kalite adimidir. (Cok yuksek alpha bazen madde
    fazlaligina da isaret edebilir.)

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

#74  Likert Analysis
    dosya: 74_likert_student_3boyut.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada 220 ogrencinin tutumlarini uc boyutta olcen Likert tipi bir
    olcek uyguladik. Olcekte motivasyon (motivation_1 ... motivation_5), oz-
    yeterlik (self_efficacy_1 ... self_efficacy_5) ve kaygi (anxiety_1 ...
    anxiety_5) boyutlarina ait beser madde yer aliyordu. Amacimiz her maddeye
    verilen yanitlarin dagilimlarini, kesinlikle katiliyorumdan kesinlikle
    katilmiyoruma kadar gorsellestirmek ve boyut ortalamalarini ozetlemekti.
    Likert olcek yanitlarinin frekans ve dagilim yapisini inceleyen Likert
    Analizi bu amac icin dogru yontemdir.
  >> DEGISKEN SECIMI:
    - Maddeler (items): motivation_1 ... motivation_5
    - Maddeler (items): self_efficacy_1 ... self_efficacy_5
    - Maddeler (items): anxiety_1 ... anxiety_5

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cronbach alpha = 0.793 (kabul edilebilir)   15 madde (3 boyut: motivasyon/oz-yeterlik/kaygi)

>> YORUM (anlatim):
    On bes maddelik, uc boyutlu (motivasyon, oz-yeterlik, kaygi) bir Likert olceginin genel guvenirligini ve madde
    istatistiklerini inceledik. Cronbach alpha = 0.79, "kabul edilebilir" duzeyde -- olcek genel olarak tutarli, ama
    uc farkli boyut bir arada oldugu icin tek bir alpha biraz dusuk cikabilir (alt-boyutlar ayri analiz edilmeli).
    Likert analizi, madde ortalamalari, dagilimlari ve madde-toplam korelasyonlarini vererek olcegin saglikli olup
    olmadigini gosterir. Egitimde tutum/motivasyon olceklerinin temel kalite kontrolu icin kullanilir.

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

#75  Exploratory Factor Analysis (EFA)
    dosya: 75_efa_18_item_3faktor.xlsx
  >> SENARYO (anlatim):
    Bu calismada 250 ogretmene uyguladigimiz 18 maddelik bir olcegin (q01 ...
    q18) altinda yatan gizli faktor yapisini kesfetmek istedik. Olcegi olusturan
    maddelerin kac temel boyut altinda toplandigini ve hangi maddenin hangi
    faktore yuklendigini onceden bilmiyorduk. Amacimiz uc faktorlu varsayilan
    yapinin verilerce desteklenip desteklenmedigini ortaya cikarmakti. Madde
    havuzunun ardindaki bilinmeyen faktor yapisini ortaya koyan Acimlayici
    Faktor Analizi (EFA) bu kesif amacina uygundur.
  >> DEGISKEN SECIMI:
    - Maddeler (items): q01 ... q18

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    KMO (genel) = 0.908 (Mukemmel)   -> faktor analizi cok uygun
    18 madde, beklenen 3 faktor

>> YORUM (anlatim):
    On sekiz anket maddesinin altinda kac gizli boyut (faktor) yattigini Aciklayici Faktor Analizi ile arastirdik.
    KMO = 0.91 "mukemmel": veriler faktor analizi icin cok uygun, maddeler arasi ortak varyans yuksek. Maddeler beklendigi
    gibi uc faktore gruplaniyor. EFA, cok sayida maddeyi az sayida anlamli boyuta indirgeyerek hem olcegi sadelestirir
    hem altta yatan yapilari ortaya kor. Olcek gelistirmenin ve psikometrik/egitsel arastirmanin temel aracidir; KMO ve
    Bartlett testi, verinin faktor analizine uygunlugunun on-kontrolu olarak raporlanir.

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

#76  Intraclass Correlation (ICC)
    dosya: 76_icc_3ogretmen_composition.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada 50 ogrencinin kompozisyon performansini uc farkli ogretmenin
    (teacher_1, teacher_2, teacher_3) bagimsiz olarak puanlamasini istedik.
    Amacimiz ogretmenler arasindaki puanlama tutarliligini, yani
    degerlendiriciler arasi guvenirligi olcmekti. Ayni nesneyi puanlayan birden
    fazla degerlendiricinin uyumunu sayisal olarak veren Sinif Ici Korelasyon
    Katsayisi (ICC) bu amac icin en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Degerlendiriciler/Olcumler: teacher_1
    - Degerlendiriciler/Olcumler: teacher_2
    - Degerlendiriciler/Olcumler: teacher_3

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    ICC(1,1) = 0.894   (Mukemmel)   3 ogretmen   %95 GA ~ (0.84 , 0.93)

>> YORUM (anlatim):
    Ayni kompozisyon/odevleri puanlayan uc ogretmenin ne kadar tutarli oldugunu ICC ile degerlendirdik. ICC = 0.89
    "mukemmel": ogretmenler arasi puanlama uyumu cok yuksek, hangi ogretmen puanlarsa puanlasin benzer sonuc cikiyor.
    Bu, egitsel degerlendirmede kritik: eger puanlama ogretmenden ogretmene degisseydi, ogrenci notlari adaletsiz
    olurdu. ICC, surekli olcumlerde (puan, derecelendirme) degerlendiriciler arasi guvenirligi olcmenin standardidir
    (Cohen Kappa kategorik veri icinken, ICC surekli veri icindir). Rubrik gecerliligi ve notlama tutarliligi icin sarttir.

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

#77  Confirmatory Factor Analysis (CFA)
    dosya: 77_cfa_self_academic_social.xlsx
  >> SENARYO (anlatim):
    Bu calismada 280 ogrenciden topladigimiz verilerle, onceden kuramsal olarak
    tanimladigimiz uc faktorlu yapiyi dogrulamak istedik. Olcegimizde benlik
    algisi (self_1 ... self_4), akademik yetkinlik (academic_1 ... academic_4)
    ve sosyal beceri (social_1 ... social_4) olmak uzere her biri dort maddeden
    olusan uc boyut yer aliyordu. Amacimiz hangi maddenin hangi faktore
    yuklendigini varsaydigimiz modelin verilere uyup uymadigini test etmekti.
    Onceden belirlenmis faktor yapisini sinayan Dogrulayici Faktor Analizi (CFA)
    bu amac icin dogru yontemdir.
  >> DEGISKEN SECIMI:
    - Faktor (self) maddeleri: self_1 ... self_4
    - Faktor (academic) maddeleri: academic_1 ... academic_4
    - Faktor (social) maddeleri: social_1 ... social_4

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CFI = 1.00   RMSEA = 0.000   (mukemmel uyum)
    3 faktor: oz (self) + akademik + sosyal

>> YORUM (anlatim):
    EFA gizli yapiyi kesfederken, CFA onceden kurulmus bir kurami sinar: burada "oz", "akademik" ve "sosyal" olmak
    uzere uc ayri benlik/yeterlik boyutunun verilere uyup uymadigini test ettik. Uyum mukemmel (CFI = 1.00,
    RMSEA = 0.000): maddeler gercekten bu uc boyuta dusuyor, kurgulanan olcek yapisi tam dogrulaniyor. CFA, yapisal
    esitlik modellemesinin (SEM) bir parcasidir ve olcek gecerligini kanitlamanin en guclu yoludur. Benlik kavrami,
    oz-yeterlik gibi cok-boyutlu egitsel/psikolojik yapilarin gecerligini gostermenin standart yontemidir.

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

#78  Survey Means
    dosya: 78_survey_means_PISA.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada 350 ogrencinin PISA okuma becerisi (PISA_reading) puanlarinin
    bolgelere gore ortalamasini tahmin etmek istedik. Ornekleme tasariminin
    etkisini hesaba katmak icin her ogrenci icin bir orneklem agirligi (weight)
    ve region degiskeniyle bolge bilgisi (Marmara, G.east, inner anatolia, east)
    bulunuyordu. Amacimiz agirliklari dikkate alarak evrene genellenebilir,
    tarafsiz ortalama tahminleri elde etmekti. Karmasik orneklem agirliklarini
    kullanarak ortalama tahmini yapan Survey Means (Anket Ortalamalari) bu amac
    icin uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (DV): PISA_reading
    - Faktor (grup): region (Marmara,G.east,inner anatolia,east)
    - Agirlik: weight

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    PISA okuma agirlikli ortalama = 464.33   SE = 3.99   %95 GA (456.48 , 472.18)   CV %0.86
    Tabakali + agirlikli tasarim (Taylor SE)

>> YORUM (anlatim):
    PISA gibi buyuk olcekli sinavlar ogrencileri rastgele degil, tabakali ve agirliklandirilmis bir tasarimla secer.
    Boyle veride basit ortalama yanlis olur; karmasik orneklem analizi, tasarim agirliklarini ve tabakalamayi hesaba
    katarak dogru ortalamayi ve standart hatayi (Taylor linearization) verir. PISA okuma agirlikli ortalamasi 464.3,
    cok dar bir guven araligiyla (CV %0.86). Ulusal/uluslararasi egitim degerlendirmeleri (PISA, TIMMS, ulusal izleme)
    hep boyle tasarlanir; survey yontemleri, tarafsiz ve tasarima uygun tahmin icin sarttir.

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

#79  Survey Frequencies
    dosya: 79_survey_freq_university_intention.xlsx
  >> SENARYO (anlatim):
    Bu calismada 400 ogrencinin universiteye gitme niyetinin
    (university_intention; certain, probable, maybe, none) dagilimini
    agirliklandirilmis bir orneklemde incelemek istedik. Her ogrenci icin
    orneklem agirligi (weight) ve region degiskeniyle yerlesim turu (urban,
    rural) kayitliydi. Amacimiz orneklem agirliklarini dikkate alarak kategori
    yuzdelerinin evrene genellenebilir tahminlerini elde etmekti. Karmasik
    orneklem tasariminda kategorik degiskenlerin agirliklandirilmis
    frekanslarini veren Survey Frequencies (Anket Frekanslari) bu amac icin
    dogru yontemdir.
  >> DEGISKEN SECIMI:
    - Kategorik degisken: university_intention (certain,probable,maybe,none)
    - Faktor (grup): region (urban,rural)
    - Agirlik: weight

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    "kesinlikle" oran = 0.050 (SE 0.011)   |   "belki" oran = 0.382 (SE 0.025)
    Universite niyeti -- tabakali + agirlikli tasarim

>> YORUM (anlatim):
    Ogrenciler arasinda universiteye gitme niyeti kategorilerinin oranini, karmasik orneklem tasarimini dikkate alarak
    tahmin ettik. "Belki" diyenler %38, "kesinlikle" diyenler %5 (tasarim-tabanli standart hatalarla). Basit yuzde
    hesabi, tabakalama ve agirliklari yok saydigi icin yanlis standart hata verirdi; survey frekans analizi gercek
    belirsizligi yansitan guven araligi uretir. Bir populasyondaki kategori oranlarini (universite niyeti, meslek
    tercihi, tutum dagilimi) tasarima uygun tahmin etmenin dogru yoludur.

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

#80  Survey Totals
    dosya: 80_survey_total_teacher.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada 280 okuldan topladigimiz verilerle toplam ogretmen sayisini
    (teacher_count) evren duzeyinde tahmin etmek istedik. Okullar size_stratum
    degiskeniyle uc buyukluk tabakasina (S-small, M-medium, L-large) ayrilmisti
    ve her okul icin bir orneklem agirligi (weight) bulunuyordu. Amacimiz
    tabakali orneklem agirliklarini kullanarak tum evrendeki toplam ogretmen
    sayisinin tahminini hesaplamakti. Agirliklandirilmis toplam tahmini yapan
    Survey Totals (Anket Toplamlari) bu amac icin uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (DV): teacher_count
    - Tabaka (stratum): size_stratum (S-small,M-medium,L-large)
    - Agirlik: weight

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam ogretmen sayisi = 69,470   SE = 1,207   %95 GA (67,093 , 71,847)
    Buyukluk-tabakali tasarim (Taylor SE)

>> YORUM (anlatim):
    Bir bolgedeki toplam ogretmen sayisini, ornekleme tasarimini ve agirliklari kullanarak tahmin ettik: yaklasik 69,470
    (%95 GA 67,093 - 71,847). Ornekledigimiz okullardan tum populasyona "olcekleyerek" toplami cikarmak, dogru
    agirliklandirma gerektirir -- her ornek okul, temsil ettigi populasyon parcasi kadar agirlik tasir. Survey toplam
    analizi tam bunu yapar ve belirsizligi standart hatayla ifade eder. Toplam ogretmen, toplam ogrenci, toplam okul
    gibi egitim populasyon toplamlarinin orneklemden tahmininde kullanilan resmi istatistik yontemidir.

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

#81  Survey Regression
    dosya: 81_survey_reg_PISA.xlsx
  >> SENARYO (anlatim):
    Bu calismada ogrencilerin PISA basari puanlarini hangi faktorlerin
    yordadigini incelemek istiyoruz. Ornekleme 320 ogrenci dahil edildi; her
    ogrencinin yasi (age), bir biliskel hiz gostergesi olan tepki suresi olcumu
    (sound) ve bolgesi (region: east ya da Marmara) kaydedildi. Bagimli
    degiskenimiz PISA_score; amacimiz bu surekli puani yas, tepki suresi ve
    bolge degiskenleriyle aciklamak. Ornekleme tasariminda her ogrencinin
    secilme olasiligi farkli oldugu icin orneklem agirligini (weight) modele
    dahil ediyoruz; bu nedenle klasik regresyon yerine agirlikli survey
    regresyon en uygun yontem.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: PISA_score
    - Ongoruculer: age
    - Ongoruculer: sound
    - Ongoruculer: region (east, Marmara)
    - Agirlik: weight

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R2 = 0.167   age katsayisi = 1.26   p = 0.69 (anlamsiz)
    PISA puani ~ yas + sosyo-ekonomik duzey   (tabakali + agirlikli)

>> YORUM (anlatim):
    PISA puanini yas ve sosyo-ekonomik duzeyden, karmasik orneklem tasarimini (tabaka, agirlik) dikkate alarak
    modelledik. Yasin etkisi anlamsiz (p = 0.69) -- bu yas araliginda yas, PISA puanini yordamiyor. Model varyansin
    %17'sini acikliyor. Tasarim-tabanli standart hatalar, basit OLS'in verecegi (cogu zaman fazla iyimser) hatalardan
    daha dogrudur. Ulusal/uluslararasi egitim degerlendirme verisiyle iliskileri tahmin ederken (orneklem rastgele
    degilse) survey regresyonu, gecerli cikarim icin gereklidir; aksi halde p-degerleri yaniltici olur.

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

#82  Survey Logistic Regression
    dosya: 82_survey_logistic_university.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada ogrencilerin universiteye yerlesip yerlesmedigini
    (university_passed: 0/1) hangi degiskenlerin yordadigini ele aliyoruz. 320
    ogrenciden not ortalamasi (GPA), bir biliskel tepki olcumu (sound) ve bolge
    (region: Marmara ya da east) toplandi. Cikti degiskenimiz ikili
    (gecti/gecemedi) oldugu icin dogrusal regresyon yerine lojistik regresyon
    kullaniyoruz. Ayrica orneklem karmasik tasarimla toplandigindan, dogru
    standart hatalar icin orneklem agirligini (weight) hesaba katan survey
    lojistik regresyon tercih ediyoruz.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: university_passed
    - Ongoruculer: GPA
    - Ongoruculer: sound
    - Ongoruculer: region (Marmara, east)
    - Agirlik: weight

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    GPA: OR = 5.68   p < .001 ***   %95 GA (3.02 , 10.67)
    Universite kazanma ~ GPA + sosyo-ekonomik   (tabakali + agirlikli)

>> YORUM (anlatim):
    Bir ogrencinin universiteyi kazanma olasiligini GPA'dan tahmin ederken, hem ikili sonucu (lojistik) hem karmasik
    orneklem tasarimini birlikte ele aldik. Odds orani 5.68 (p < .001): GPA bir birim arttiginda kazanma odds'u 5.7
    kat artiyor -- cok guclu bir yordayici. Tasarim agirliklari ve tabakalama hesaba katildigi icin OR ve guven araligi
    tasarima uygun ve gecerli. Karmasik egitim anketlerinden ikili sonuclari (kazandi/kazanamadi, mezun oldu/olmadi)
    modellemenin dogru yolu survey lojistik regresyondur.

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

#83  Generalized Additive Model (GAM)
    dosya: 83_gam_study_achievement.xlsx
  >> SENARYO (anlatim):
    Bu calismada calisma saati ile test basarisi arasindaki iliskinin dogrusal
    olmayabilecegini dusunuyoruz; ornegin belli bir saatten sonra basariya katki
    azalabilir. 200 ogrenciden gunluk calisma saati (study_hour) ve test puani
    (test_score) verisi topladik. Bu egrisel iliskiyi onceden bir form
    varsaymadan modellemek icin Genellestirilmis Toplamsal Model (GAM)
    kullaniyoruz; study_hour'i puruzsuz (smooth) bir terim olarak test_score
    uzerinde modelleyerek esnek bir yordama elde ediyoruz.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: test_score
    - Ongoruculer: study_hour

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Pseudo R2 (aciklanan) = 0.615
    Test puani ~ s(calisma saati)  (duzgun/smooth fonksiyon)

>> YORUM (anlatim):
    GAM, dogrusal regresyonun esnek bir genellemesidir: degiskenlerin etkisini duz cizgi yerine "duzgun egriler"
    (splines) ile modeller. Calismanin test puanina etkisi cogu zaman dogrusal degildir -- belirli bir noktadan sonra
    azalan getiri (calisma doygunlugu) gosterebilir. GAM bu egrisel oruntuyu, sekli onceden varsaymadan veriden ogrenir;
    model varyansin %62'sini acikliyor. Yorumlanabilirligi korurken esneklik saglar: calismanin nerede en cok ise
    yaradigini egriden okuyabiliriz. Egitimde dogrusal olmayan ama yorumlanabilir iliskiler (calisma-basari, yas-gelisim)
    icin ideal bir yontemdir.

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

#84  Discriminant Analysis (LDA/QDA)
    dosya: 84_diskriminant_3sinif_5feat.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada ogrencileri basari duzeyine gore (achievement_class: low,
    medium, high) ayiran degiskenleri belirlemek ve yeni ogrencileri bu uc gruba
    siniflandiran bir kural olusturmak istiyoruz. 105 ogrenciden matematik
    (math), fen (science), not ortalamasi (GPA), devamsizlik (absenteeism) ve
    calisma saati (study_hour) olculdu. Uc kategorili bir grup degiskenini
    surekli yordayicilarla ayirt etmek icin Diskriminant Analizi (LDA/QDA) en
    uygun yontem; bu sayede gruplar arasi ayrimi maksimize eden fonksiyonlari
    elde ediyoruz.
  >> DEGISKEN SECIMI:
    - Faktor (grup): achievement_class (low, medium, high)
    - Ongoruculer: math
    - Ongoruculer: science
    - Ongoruculer: GPA
    - Ongoruculer: absenteeism
    - Ongoruculer: study_hour

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dogruluk = 1.000   (3 basari sinifi)
    5 degiskenden ayirma (matematik, fen, GPA, devamsizlik, calisma)

>> YORUM (anlatim):
    Diskriminant analizi, gruplari (uc basari sinifi) en iyi ayiran dogrusal degisken bilesimlerini bulur -- bir bakima
    siniflandirma odakli PCA gibi. Dogruluk %100: bes degisken uc basari sinifini kusursuz ayiriyor. Diskriminant
    analizi hem siniflandirma yapar hem "hangi degiskenler ayrimda en etkili" sorusunu yanitlar (diskriminant fonksiyon
    yukleri). Lojistik regresyona benzer ama coklu gruplarda ve degiskenler normal dagildiginda klasik tercihtir.
    Egitimde basari duzeyi siniflandirmasinda ve yeni ogrencileri var olan gruplara atamada kullanilir.

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

#85  Conditional Logit (Choice Model)
    dosya: 85_conditional_logit_university.xlsx
  >> SENARYO (anlatim):
    Bu calismada ogrencilerin universite tercihlerini neyin belirledigini
    inceliyoruz. Her ogrenciye (student_id) ait bir tercih kumesi (choice_id)
    icinde dort alternatif universite sunuldu: U1-public-near, U2-public-far,
    U3-private-near, U4-private-far. Her alternatif icin yillik ucret
    (annual_fee) ve uzaklik (distance_km) bilgisi var; ogrencinin secimi chosen
    degiskeniyle (1=secildi) kodlandi. Secim bir kume icinde alternatifler
    arasindan yapildigi icin Kosullu Lojit (Conditional Logit) modeli
    kullaniyoruz; bu model ucret ve mesafenin secim olasiligina etkisini tahmin
    eder.
  >> DEGISKEN SECIMI:
    - Olay (secim): chosen
    - Eslestirme/kume kimligi: choice_id
    - Alternatif: university (U1-public-near, U2-public-far, U3-private-near, U4-private-far)
    - Ongoruculer: annual_fee
    - Ongoruculer: distance_km

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Pseudo R2 (McFadden) = 0.965  (cok yuksek)
    Universite tercihi ~ yillik ucret + mesafe (km)

>> YORUM (anlatim):
    Ogrencilerin hangi universiteyi sececegini kosullu logit modeliyle inceledik -- her ogrenci bir secenek kumesinden
    birini seciyor. McFadden pseudo R2 = 0.97 cok yuksek (secim modellerinde 0.2-0.4 zaten guclu sayilir): ucret ve
    mesafe, tercihi neredeyse tam acikliyor. Model, ogrencilerin yakin ve dusuk ucretli universiteleri guclu sekilde
    tercih ettigini gosterir. Bu yontem, ulastirma, pazarlama ve egitim ekonomisinde (okul/universite secimi, talep
    modelleme) "ayrik secim" analizinin temelidir; egitim politikasinda erisim ve maliyet etkilerini modellemek icin gucludur.

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

#86  Kaplan-Meier Survival Analysis
    dosya: 86_km_diploma_duration.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada ogrencilerin diplomaya ulasma suresini ve bolumlere gore
    mezuniyet olasiliginin nasil degistigini inceliyoruz. 200 ogrenci icin
    kayitli kaldiklari donem sayisi (duration_term) ve sonunda mezun olup
    olmadiklari (graduate: 1=mezun, 0=sansurlu) kaydedildi. Bolum degiskeni
    (department: education, social, eng, health) gruplar arasi karsilastirma
    icin kullanilacak. Sure verisi ve sansurleme iceren bu yapida mezuniyet
    olasiligini zamana gore tahmin etmek icin Kaplan-Meier sagkalim analizi en
    uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Zaman (sure): duration_term
    - Olay: graduate
    - Faktor (grup): department (education, social, eng, health)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Medyan sagkalim (mezuniyet suresi) = 8.2 donem   (bolume gore gruplu)
    Log-rank testi gruplari karsilastirir

>> YORUM (anlatim):
    Ogrencilerin mezun olmaya kadar gecen suresini -- bolumlere gore -- Kaplan-Meier ile analiz ettik. Medyan mezuniyet
    suresi 8.2 donem (yaklasik 4 yil). Kaplan-Meier, "olaya kadar gecen sure" verisini -- henuz mezun olmamis (sansurlu)
    ogrencileri de dogru kullanarak -- analiz eder ve log-rank testiyle bolumler arasi sure farkini sinar. Egitimde
    mezuniyet suresi, okul terki zamani, diploma alma gibi "zaman-olay" verilerini incelemenin temel gorsel ve testidir;
    ogrenci ilerleme analizinin merkezindedir.

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

#87  Cox Proportional Hazards Regression
    dosya: 87_cox_dropout_hazard.xlsx
  >> SENARYO (anlatim):
    Bu calismada ogrencilerin okulu birakma (dropout) riskini hangi
    degiskenlerin etkiledigini zaman boyutunu dikkate alarak inceliyoruz. 250
    ogrenci icin kayitli donem sayisi (duration_term) izleme suresi olarak,
    dropout ise olay gostergesi olarak kaydedildi. Yordayici olarak yas (age),
    not ortalamasi (GPA), burs durumu (scholarship) ve aile destegi
    (family_support) ele aliniyor. Bu degiskenlerin terk etme tehlikesi (hazard)
    uzerindeki etkisini, oransal tehlike varsayimi altinda tahmin etmek icin Cox
    orantili tehlikeler regresyonu uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Zaman (sure): duration_term
    - Olay: dropout
    - Ongoruculer: age
    - Ongoruculer: GPA
    - Ongoruculer: scholarship
    - Ongoruculer: family_support

  >> 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 = 0.638   GPA: HR = 0.581   %95 GA (0.394 , 0.858)   p = 0.006 **
    Okul terki ~ yas + GPA + burs + aile destegi

>> YORUM (anlatim):
    Bir ogrencinin okulu terk etme riskini akademik/demografik degiskenlerle Cox regresyonuyla modelledik. GPA anlamli
    ve koruyucu (HR = 0.58 < 1, p = 0.006): GPA bir birim arttiginda terk riski yaklasik yariya iniyor -- yuksek basari
    okulda kalmayi guclu sekilde tesvik ediyor. Cox regresyon, "olaya kadar gecen sureyi" birden cok yordayiciyla
    iliskilendiren altin standart sagkalim modelidir; risk oranlarini (HR) verir. Okul terkini ongormek ve risk
    faktorlerini belirlemek -- erken mudahale icin -- egitimde cok degerlidir. HR < 1 koruyucu, HR > 1 risk artirici demektir.

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

#88  Parametric Survival (AFT) Model
    dosya: 88_aft_weibull_mezuniyet.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada mezun olmaya kadar gecen sureyi dogrudan modellemek ve burs
    durumunun bu sureyi nasil etkiledigini incelemek istiyoruz. 200 ogrencinin
    kayitli donem sayisi (duration_term), mezuniyet durumu (graduate: 1=mezun,
    0=sansurlu) ve burs alip almadigi (scholarship) kaydedildi. Tehlike yerine
    dogrudan sure uzerinde etkiyi tahmin etmek ve dagilim varsayimiyla calismak
    icin Weibull tabanli Parametrik Sagkalim (AFT) modeli kullaniyoruz; bu model
    bursun mezuniyet suresini hizlandirip yavaslattigini gosterir.
  >> DEGISKEN SECIMI:
    - Zaman (sure): duration_term
    - Olay: graduate
    - Ongoruculer: scholarship

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dagilim = Weibull   Medyan sagkalim = 7.35 donem   AIC = 994.12
    Mezuniyet suresi ~ burs

>> YORUM (anlatim):
    Mezuniyete kadar gecen sureyi parametrik Weibull sagkalim modeliyle inceledik. Cox yaridan parametrik iken, Weibull
    tum sagkalim egrisini belirli bir matematiksel dagilimla modeller -- veri o dagilima uyuyorsa daha verimli tahmin
    verir ve gelecege ekstrapolasyon yapilabilir. Medyan mezuniyet suresi 7.35 donem. AFT (hizlandirilmis basarisizlik
    zamani) yorumu sezgiseldir: bir degisken (burs gibi) mezuniyet suresini kac kat uzatir/kisaltir. Surenin dagilimi
    biliniyorsa parametrik modeller, Cox'a gore daha guclu ve ongorulebilir sonuc verir.

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

#89  Competing Risks
    dosya: 89_competing_risks_3neden.xlsx
  >> SENARYO (anlatim):
    Bu calismada ogrencilerin okuldan ayrilmasinda birden fazla rakip neden
    (separation_cause) oldugunu dikkate aliyoruz; bir ogrenci farkli nedenlerden
    ayrilabilir ve bu nedenler birbiriyle yarisir. 220 ogrenci icin izlenen
    donem sayisi (duration_term), ayrilma nedeni (separation_cause), olayin
    gerceklesip gerceklesmedigi (event) ve bir es degisken olarak yas
    (age_covariate) kaydedildi. Birden fazla son durumun birbiriyle rekabet
    ettigi bu yapida her nedenin kumulatif insidansini dogru tahmin etmek icin
    Rekabet Eden Riskler (Competing Risks) analizi kullaniyoruz.
  >> DEGISKEN SECIMI:
    - Zaman (sure): duration_term
    - Olay: event
    - Olay turu (neden): separation_cause
    - Ortak degisken (kovaryant): age_covariate

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Sansurlu (0) = 130   |   3 farkli ayrilma nedeni (event tipleri)
    Her olay tipi icin ayri kumulatif insidans (CIF) ve risk

>> YORUM (anlatim):
    Bir ogrenci okuldan birden fazla nedenle ayrilabilir: akademik basarisizlik, ekonomik, ya da nakil -- ve bunlar
    birbirini dislar (biri olunca digerleri olamaz). Klasik sagkalim bunu yanlis ele alir; yarisan riskler analizi her
    ayrilma nedeni icin ayri kumulatif insidans cikarir. Veride 130 ogrenci hala kayitli (sansurlu), digerleri farkli
    nedenlerle ayrilmis. Bu cerceve, "hangi faktor hangi ayrilma nedeninin riskini artirir" gibi sorulari dogru
    yanitlar. Egitimde farkli okul-terk yollari oldugunda, yarisan riskler analizi dogru ve bilgilendirici yontemdir.

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

#90  Time-Dependent Cox Model
    dosya: 90_tvcox_GPA_dropout.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada ogrencinin not ortalamasinin (GPA) zaman icinde degistigini
    ve okulu birakma riskini bu degisen degerin etkiledigini dusunuyoruz. 464
    izleme araligi, her ogrenci icin baslangic (start) ve bitis (end)
    zamanlariyla tanimli aralik formatinda duzenlendi; her aralikta gecerli GPA
    degeri ve o aralikta olayin (event: terk) gerceklesip gerceklesmedigi
    kaydedildi. Zamanla degisen bir yordayiciyi modele katabilmek icin Zamana
    Bagimli Cox modelini kullaniyoruz; bu sayede guncel GPA'nin anlik terk
    tehlikesine etkisini tahmin ediyoruz.
  >> DEGISKEN SECIMI:
    - Baslangic zamani: start
    - Bitis zamani: end
    - Olay: event
    - Ongoruculer (zamana bagimli): GPA

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    GPA: HR = 1.158   %95 GA (0.609 , 2.206)   p = 0.654 (anlamsiz)
    Zamanla degisen GPA kovaryati

>> YORUM (anlatim):
    Ogrencinin GPA'si zaman icinde donemden doneme degisir; standart Cox bunu sabit varsayar, zaman-bagimli Cox ise her
    zaman araliginda guncel degeri kullanir (start-stop formati). Bu modelde guncel GPA'nin terk riskine etkisi anlamsiz
    cikti (HR = 1.16, p = 0.65) -- bu veride anlik GPA degisimi, terk zamanlamasini yordamiyor. Anlamsiz sonuc da
    bilgidir. Zaman-bagimli Cox, "sadece baslangic degeri degil, surekli izlenen guncel durum onemli" durumlarinda dogru
    yontemdir; boylamsal egitim izlemede zamanla degisen faktorleri (GPA, devamsizlik, destek) modellemenin standardidir.

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

#91  Survey-Weighted Cox Regression
    dosya: 91_survey_phreg_dropout.xlsx
  >> SENARYO (anlatim):
    Bu calismada universite ogrencilerinin egitim doneminden ayrilma (okul
    birakma) riskini, ornekleme agirliklarini dikkate alarak modellemek
    istiyoruz. Her ogrencinin sistemde kaldigi sure duration_term degiskeniyle,
    okulu birakip birakmadigi dropout olay degiskeniyle olculdu; ayrica bolge
    region degiskenini (B, C, A duzeyleri) ve yas age degiskenini ongorucu
    olarak ele aldik. Ogrenciler farkli school_id okullarindan, tabakali bir
    orneklem tasarimiyla secildigi icin her gozlemin weight agirligi var.
    Tasarim agirliklarini ve okul kumelenmesini hesaba katarak risk oranlarini
    dogru kestirebilmek icin Anketle Agirliklandirilmis (Survey-Weighted) Cox
    Regresyonu en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Zaman (sure): duration_term
    - Olay: dropout
    - Ongoruculer: region (B, C, A)
    - Ongoruculer: age
    - Agirlik: weight
    - Kume (cluster): school_id

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Concordance = 0.53   Agirlikli/kumeli sagkalim (yas kovaryati, okul kumesi)
    Okul terki ~ yas

>> YORUM (anlatim):
    Sagkalim analizini karmasik orneklem tasarimiyla birlestirdik: ogrenciler agirlikli ve okullara kumeli olarak
    secilmis bir populasyondan geliyor. Survey-PHREG, Cox modelini tasarim agirliklari ve kume-dirayetli (cluster-robust)
    standart hatalarla calistirir, boylece risk oranlari ve guven araliklari populasyona genellenebilir olur. Concordance
    0.53 ile bu modelde yas tek basina zayif ayirici. Ulusal egitim anketlerinde "olaya kadar sure" verisi varsa,
    tasarimi yok saymak yanli tahmin verir; survey-PHREG dogru cikarimi saglar.

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

#92  Interval-Censored Survival Analysis
    dosya: 92_interval_censored_sinav.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada ogrencilerin belirli bir sinav basarisini elde etme zamanini
    incelemek istiyoruz, ancak basari olayinin tam olarak hangi anda
    gerceklestigini bilemiyoruz; yalnizca iki donem araligi arasinda
    gerceklestigini biliyoruz. Olayin gerceklesmeden once gozlendigi son donem
    left_censor_term, ilk gozlendigi donem ise survival_censor_term
    degiskenleriyle kaydedildi. Ayrica ogrencilerin bolumu department
    degiskeniyle (eng, social, health duzeyleri) ele alindi. Olay zamani kesin
    degil de bir aralik icinde bilindigi icin, bu belirsizligi dogru modelleyen
    Aralikla Sansurlenmis (Interval-Censored) Sagkalim Analizi en uygun
    yaklasimdir.
  >> DEGISKEN SECIMI:
    - Sol sinir (alt zaman): left_censor_term
    - Sag sinir (ust zaman): survival_censor_term
    - Faktor (grup): department (eng, social, health)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Olay sayisi = 47   Medyan sagkalim = 8.0 donem   (Turnbull algoritmasi)
    Olay zamani [alt sinir, ust sinir] araliginda biliniyor

>> YORUM (anlatim):
    Egitsel izlemede olayin tam zamanini nadiren biliriz: ogrenciyi donem sonlarinda kontrol ederiz, bir donem basarili,
    sonraki kontrolde belli bir esige ulasmis buluruz -- olay bu iki zaman arasinda bir yerde oldu. Aralik-sansurlu
    sagkalim (Turnbull algoritmasi) tam bu belirsizligi dogru ele alir; olayi keyfi bir tarihe sabitlemekten kacinir.
    Medyan sagkalim 8 donem. Periyodik degerlendirmenin dogasi geregi (donemlik sinav, yillik kontrol) olay zamani hep
    bir araliktadir; bu veriyi tek bir noktaya zorlamak yanli sonuc verir. Aralik-sansurlu yontem, izleme verisinin gercegine uygundur.

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

#93  Frailty Cox Model
    dosya: 93_frailty_cox_school.xlsx
  >> SENARYO (anlatim):
    Bu calismada ogrencilerin egitim doneminden ayrilma riskini incelerken, ayni
    okula devam eden ogrenciler arasindaki gozlenmeyen benzerligi (okul
    duzeyindeki ortak etkiyi) de hesaba katmak istiyoruz. Ogrencinin sistemde
    kaldigi sure duration_term, okulu birakma olayi dropout degiskenleriyle
    olculdu; yas age ve klinik/risk grubu clinical_group (K1, K4, K3, K2
    duzeyleri) ongorucu olarak ele alindi. Ogrenciler school_id ile tanimlanan
    okullara yuvalandigi icin, bu kumelenmeden kaynaklanan korelasyonu rastgele
    bir kirilganlik terimiyle modelleyen Kirilganlik (Frailty) Cox Modeli en
    uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Zaman (sure): duration_term
    - Olay: dropout
    - Ongoruculer: age
    - Ongoruculer: clinical_group (K1, K4, K3, K2)
    - Kirilganlik/kume (frailty): school_id

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Concordance = 0.564   Okul-kumeli paylasilan frailty (rastgele etki)
    Okul terki ~ yas  +  (okul kirilganligi)

>> YORUM (anlatim):
    Ogrenciler okullara kumelenmis; ayni okuldaki ogrenciler olculmeyen ortak faktorleri (okul ikilimi, ogretmen
    kalitesi, kaynak) paylasir ve benzer terk riski tasir. Frailty Cox, her okul icin paylasilan bir "kirilganlik"
    (rastgele etki) ekleyerek bu kumelenmeyi modeller -- sagkalim analizinin karma-model versiyonu. Concordance 0.56.
    Okul-duzeyi gizli farkliliklari hesaba katmak, hem dogru standart hatalar hem de "okullar arasi ne kadar
    heterojenlik var" bilgisini verir. Kumeli egitim sagkalim verisinde (okullar, siniflar) dogru yontemdir.

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

#94  Time Series Description
    dosya: 94_ts_monthly_kutuphane.xlsx
  >> SENARYO (anlatim):
    Bu calismada bir okul kutuphanesine yapilan aylik ziyaret sayisinin zaman
    icindeki davranisini betimlemek istiyoruz. Veri seti 60 aylik bir donemi
    kapsiyor; her ay date degiskeniyle, o ayki ziyaret sayisi ise monthly_visit
    degiskeniyle kaydedildi. Serinin genel egilimini, olasi mevsimsel
    dalgalanmalarini ve duzeyini ortaya koymak amaciyla once seriyi tanitici
    istatistikler ve grafiklerle ozetlemek gerekir; bu nedenle Zaman Serisi
    Betimlemesi (Time Series Description) bu asama icin en uygun analizdir.
  >> DEGISKEN SECIMI:
    - Zaman: date
    - Deger (seri): monthly_visit

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    60 gozlem (aylik)   ADF p = 0.996 -> duragan DEGIL   Trend = artan   Mevsimsellik tespit edildi

>> YORUM (anlatim):
    Aylik kutuphane ziyaret serisini inceledik. ADF testi seriyi duragan bulmuyor (p = 0.996) -- ortalama zamanla
    degisiyor, bir trend var (artan) ve mevsimsellik mevcut (ogretim donemlerine bagli dalgalanma). Bu on-teshis kritik:
    cogu zaman serisi modeli (ARIMA gibi) duraganlik gerektirir, bu yuzden once fark alma/donusum gerekebilir. Zaman
    serisi analizi, uzun izleme verisinin yapisini -- trend, mevsim, duraganlik -- ortaya cikararak hangi modelleme
    adimlarinin gerektigini soyler. Egitsel kullanim/talep verisini (kutuphane, basvuru, devamsizlik) analiz etmenin temelidir.

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

#95  STL Decomposition
    dosya: 95_stl_motivation_daily.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada ogrencilerin gunluk ortalama motivasyon duzeyinin uc yillik
    (1095 gunluk) seyrini bilesenlerine ayirmak istiyoruz. Her gun date
    degiskeniyle, o gune ait ortalama motivasyon mean_motivation degiskeniyle
    kaydedildi. Serideki uzun donemli egilimi, tekrarlayan mevsimsel oruntuyu ve
    rastgele kalan degiskenligi ayri ayri gormek amaciyla, esnek ve saglam bir
    ayristirma saglayan STL Ayristirmasi (Loess tabanli Mevsimsel-Trend
    ayristirmasi) en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Zaman: date
    - Deger (seri): mean_motivation

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Periyot (mevsim uzunlugu) = 7 (gunluk -> haftalik dongu)
    Seri: trend + mevsim + artik bilesenlerine ayristirildi

>> YORUM (anlatim):
    STL (Seasonal-Trend decomposition using Loess), gunluk motivasyon serisini uc bilesene ayirir: uzun donem trend,
    tekrarlayan dongu (7 gunluk = haftalik) ve geri kalan artik. Haftalik periyot anlamli -- motivasyon hafta ici/sonu
    duzenli dalgalaniyor (ornegin hafta basi dusuk, sonra toparlanma). Bu ayristirma, "motivasyon genel olarak artiyor
    mu yoksa sadece haftalik mi dalgalaniyor" sorusunu netlestirir. STL, mevsimsel/dongusel egitsel serileri yorumlamanin
    en sezgisel yoludur; trend ve dongu etkisini birbirinden ayirarak her birini ayri degerlendirmeyi saglar.

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

#96  ARIMA Forecasting
    dosya: 96_arima_monthly_graduate.xlsx
  >> SENARYO (anlatim):
    Bu calismada bir universitenin aylik mezun sayisini gecmis verilere
    dayanarak gelecege yonelik ongormek istiyoruz. Veri seti 120 aylik bir
    donemi kapsiyor; her ay date degiskeniyle, o ayki mezun sayisi
    monthly_graduate degiskeniyle kaydedildi. Serideki otokorelasyon yapisini,
    trendi ve gerekli farkalmayi modelleyerek ileriye donuk tahmin uretmek
    amaciyla ARIMA Tahminleme (ARIMA Forecasting) yontemi en uygun yaklasimdir.
  >> DEGISKEN SECIMI:
    - Zaman: date
    - Deger (seri): monthly_graduate

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    ARIMA modeli kuruldu   AIC = 2520.94
    Aylik mezun sayisi -- gelecek tahmini

>> YORUM (anlatim):
    Aylik mezun sayisi serisine ARIMA modeli uydurup gelecegi tahmin ettik. ARIMA, serinin kendi gecmis degerlerini (AR),
    gecmis hatalarini (MA) ve fark almayi (I, duraganlastirma icin) birlestirir. AIC = 2521 ile en iyi model secildi.
    Tahminler, gozlemlenen trend ve otokorelasyon yapisina dayanir ve belirsizlik bandiyla gelir. Zaman serisi tahmini,
    egitim planlamasi icin onemli: gelecek mezun/basvuru sayisini ongormek, kontenjan, kadro ve kaynak planlamasi saglar.
    ARIMA, mevsimsellik ve trend iceren egitsel serilerde klasik tahmin yontemidir.

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

#97  Exponential Smoothing (Holt-Winters)
    dosya: 97_ets_monthly_application.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada bir programa yapilan aylik basvuru sayisini, hem trendi hem
    de mevsimsel oruntuyu dikkate alarak ongormek istiyoruz. Veri seti 84 aylik
    (yedi yillik) bir donemi kapsiyor; her ay date degiskeniyle, o ayki basvuru
    sayisi monthly_application degiskeniyle kaydedildi. Duzey, trend ve
    mevsimsellik bilesenlerini agirliklandirilmis ortalamalarla guncelleyerek
    tahmin ureten Ustel Duzlestirme (Holt-Winters) yontemi bu mevsimsel seri
    icin en uygun secimdir.
  >> DEGISKEN SECIMI:
    - Zaman: date
    - Deger (seri): monthly_application

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Yontem = Holt-Winters (toplamsal mevsim, periyot 12)   AIC = 969.41
    Aylik basvuru sayisi tahmini

>> YORUM (anlatim):
    Holt-Winters ustel duzlestirme, seviye + trend + mevsimsellik bilesenlerini agirlikli olarak (yakin gecmise daha
    cok agirlik vererek) tahmin eder. Aylik basvuru sayisinin mevsimsel desenini yakaladi (AIC = 969). Basvurular tipik
    olarak guclu mevsimsellik gosterir (kayit donemleri); Holt-Winters boyle serilerde cogu zaman cok basarilidir ve
    ARIMA'ya gore daha sezgiseldir. Egitsel talep tahmininde (basvuru, kayit, devam) kurmasi kolay ve yorumlanabilir
    bir alternatiftir; ozellikle duzenli mevsimsel dalgalanan degiskenler icin tercih edilir.

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

#98  Mann-Kendall Trend and Sen's Slope
    dosya: 98_mann_kendall_reading_trend.xlsx
  >> SENARYO (anlatim):
    Bu calismada ulusal okuma puanlarinin yillar icinde anlamli bir egilim
    gosterip gostermedigini incelemek istiyoruz. Her olcum yili year
    degiskeniyle, o yila ait ulusal okuma puani national_reading_score
    degiskeniyle 40 yillik bir donem boyunca kaydedildi. Verinin normal dagilim
    varsayimina ihtiyac duymadan monoton bir artis ya da azalis egilimini test
    etmek ve egimin buyuklugunu saglam bicimde kestirmek amaciyla Mann-Kendall
    Egilim Testi ve Sen Egimi en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Zaman: year
    - Deger (seri): national_reading_score

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    p < .001 ***   Trend = ARTIS
    Ulusal okuma puani uzun donem trendi

>> YORUM (anlatim):
    Ulusal okuma puanlarinda uzun donemli anlamli bir trend olup olmadigini Mann-Kendall testiyle sinadik -- parametrik
    olmayan, aykiri ve dagilima dayanikli bir trend testi. Sonuc cok anlamli (p < .001) ve yon artis: okuma basarisi
    yillar icinde tutarli sekilde yukseliyor. Bu, egitim politikalarinin/mudahalelerinin olumlu kumulatif etkisini
    gosterebilir. Mann-Kendall + Sen egimi, iklimden ekonomiye, egitimden saglige uzun donem trend tespitinin altin
    standardidir; Sen egimi trendin buyuklugunu aykiri degerlerden etkilenmeden verir.

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

#99  Anomaly Detection
    dosya: 99_anomali_student_record.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada ogrenci kayitlari icinde olagandisi (anormal) profilleri
    tespit etmek istiyoruz. Her ogrenci icin GPA, calisma saati study_hour,
    devamsizlik gun sayisi absenteeism_day, test puani test_score ve motivasyon
    motivation degiskenleri olculdu. Cok degiskenli uzayda diger ogrencilerden
    belirgin sekilde sapan, veri girisi hatasi ya da gercek aykiri durum
    olabilecek kayitlari belirlemek amaciyla Anomali Tespiti (Anomaly Detection)
    en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Ongoruculer: GPA
    - Ongoruculer: study_hour
    - Ongoruculer: absenteeism_day
    - Ongoruculer: test_score
    - Ongoruculer: motivation

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Anomali sayisi = 23   (IQR tabanli coklu-degisken aykiri tespit)
    Ogrenci kayitlarindaki olaganustu profiller

>> YORUM (anlatim):
    Ogrenci kayitlarindaki (GPA, calisma, devamsizlik, test, motivasyon) olaganustu profilleri anomali tespitiyle
    bulduk -- 23 ogrenci normal desenden saparak isaretlendi. Bu anomaliler gercek durumlara isaret edebilir: cok
    calisip dusuk alan (ogrenme guclugu?), az calisip yuksek alan (ustun yetenek?), ya da veri giris hatalari. Anomali
    tespiti, buyuk ogrenci veritabanlarinda dikkat gerektiren az sayidaki ozel durumu otomatik ayikalar. Egitimde erken
    uyari, ozel egitim yonlendirmesi ve veri kalitesi kontrolu icin son derece pratiktir.

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

#100  Variance Components Analysis
    dosya: 100_varcomp_3seviye_h2.xlsx
  >> SENARYO (anlatim):
    Bu calismada bir egitim olcumundeki toplam degiskenligin hangi seviyelerden
    kaynaklandigini ayristirmak istiyoruz. Olcumler uc duzeyli ic ice bir yapida
    toplandi: en ust birim upper_unit (L_A, L_B, L_C, L_D), bunun icindeki alt
    birim lower_unit ve en altta tekil olcum measurement_id; her olcumun sonucu
    value degiskeniyle kaydedildi. Varyansin ne kadarinin ust birimler, alt
    birimler ve birim ici (kalinti) arasinda dagildigini kestirmek ve buradan
    kalitsallik benzeri bir oran hesaplamak amaciyla Varyans Bilesenleri Analizi
    (Variance Components Analysis) en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: value
    - Rastgele etki (ust duzey): upper_unit (L_A, L_B, L_C, L_D)
    - Rastgele etki (alt duzey): lower_unit
    - Rastgele etki (olcum duzeyi): measurement_id

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    ust birim = %12.1   alt birim (ust icinde nested) = %40.9   artik = %47.0
    Yuvalanmis varyans bilesenleri (REML)

>> YORUM (anlatim):
    Bir olcumun degiskenliginin hangi duzeyden -- ust birim (ornegin okul), alt birim (sinif) ya da birey -- kaynaklandigini
    varyans bilesenleri analiziyle ayristirdik. Sonuc: varyansin %40.9'u alt birim (sinif) duzeyinden, %12.1'i ust birim
    (okul) duzeyinden, %47'si bireysel/artik varyasyondan geliyor. Yani en buyuk yapisal kaynak sinif duzeyi; okullar
    arasi fark gorece kucuk. Bu, kalitsallik (h2) ve cok-duzeyli tasarim calismalarinda kritik bir cikarimdir:
    degiskenligin nerede yogunlastigini gosterir ve mudahalenin hangi duzeyde (sinif mi okul mu birey mi) hedeflenmesi
    gerektigini soyler.

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

#101  Bayesian t-Test
    dosya: 101_bayesian_t_test_new_old.xlsx
  >> SENARYO (anlatim):
    Iki farkli ogretim yontemini karsilastirmak istedik: geleneksel (old) ve
    yeni dijital tabanli (new) yontem. Her ogretim biriminin basari puanini
    value degiskeniyle olctuk ve birimleri group degiskeniyle old ve new olarak
    ikiye ayirdik. Amacimiz yeni yontemin basariyi gercekten artirip
    artirmadigini gormekti. Klasik p-degeri yerine, iki yontem arasindaki farkin
    buyuklugu ve yonu hakkinda Bayes faktoru ile daha zengin bir kanit elde
    etmek istedigimiz icin Bayesci t-testi tercih ettik.
  >> DEGISKEN SECIMI:
    - Faktor (grup): group (old, new)
    - Bagimli degisken: value

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    BF10 = 3.36e+46 (kesin/decisive kanit)   Cohen d = 3.94
    Yeni yontem vs eski yontem -- puan

>> YORUM (anlatim):
    Yeni bir ogretim yonteminin eskiden farkli olup olmadigini Bayesci t-testiyle sinadik. Bayes Faktoru BF10 = 3.36e+46
    -- astronomik buyuklukte, "kesin kanit": veri, fark oldugu hipotezini fark olmadigi hipotezine gore katrilyonlarca
    kat daha cok destekliyor. Cohen d = 3.94 ile etki devasa. Klasik p-degerinden farki: Bayes Faktoru hem H1 hem H0
    lehine kanit gucunu dogrudan olcer ve "kanit yoklugu" ile "yokluk kaniti"ni ayirir. Yeni yontemin etkisi yalnizca
    istatistiksel degil, pratik olarak da ezici -- Bayesci cerceve bunu ikna edici sekilde gosteriyor.

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

#102  Bayesian Correlation
    dosya: 102_bayesian_correlation_BF10.xlsx
  >> SENARYO (anlatim):
    Ogrencilerin iki surekli egitim degiskeni arasindaki iliskiyi inceledik:
    X_variable ile calisma saatine, Y_variable ile de basari puanina karsilik
    gelen olcumler aldik. Bu iki degisken birlikte arttikca aralarinda anlamli
    bir dogrusal iliski olup olmadigini merak ettik. Iliskinin sadece var-yok
    kararini degil, ayni zamanda kanitin gucunu BF10 Bayes faktoruyle
    degerlendirmek istedigimiz icin Bayesci korelasyon analizini sectik.
  >> DEGISKEN SECIMI:
    - X degiskeni: X_variable
    - Y degiskeni: Y_variable

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    r = 0.780 (cok guclu)   BF10 = 4.50e+14 (kesin kanit)
    Iki degisken arasi iliski

>> YORUM (anlatim):
    Iki degisken arasindaki iliskiyi Bayesci korelasyonla degerlendirdik: r = 0.78 cok guclu ve Bayes Faktoru BF10 =
    4.50e+14 ile iliskinin varligina dair kanit kesin. Bayesci korelasyon, klasik korelasyondan farkli olarak,
    iliskinin gucunu bir olasilik dagilimi ve kanit faktoruyle ifade eder -- "ne kadar eminiz" sorusunu da yanitlar.
    BF10'un bu kadar buyuk olmasi, iliskinin tesadufi olma olasiliginin yok denecek kadar dusuk oldugunu soyler.
    Egitsel degiskenler arasi guclu baglantilari niceleyen ve kanit gucunu raporlayan saglam bir cercevedir.

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

#103  Bayesian ANOVA
    dosya: 103_bayesian_anova_2yonlu.xlsx
  >> SENARYO (anlatim):
    Ogrenci basarisini iki faktorun birlikte nasil etkiledigini arastirdik.
    factor1 ogretim yontemini uc duzeyde (A, B, C) temsil ederken, factor2 okul
    turunu iki duzeyde (X, Y) gosteriyor; sonucu ise value ile olctugumuz basari
    puani olusturuyor. Hem ana etkileri hem de iki faktorun etkilesimini
    incelemek istedik. Etkilesim ve ana etkiler icin hipotezlere ait kanit
    gucunu Bayes faktorleriyle degerlendirmek istedigimizden iki yonlu Bayesci
    ANOVA uyguladik.
  >> DEGISKEN SECIMI:
    - Faktor 1: factor1 (A, B, C)
    - Faktor 2: factor2 (X, Y)
    - Bagimli degisken: value

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    factor1: F(2,117) = 17.91, eta2p = 0.234, BF10 = 76,099 (kesin kanit)
    Iki faktorlu tasarim -> puan

>> YORUM (anlatim):
    Iki faktorun puana etkisini Bayesci ANOVA ile inceledik. Birinci faktorun etkisi guclu: F(2,117) = 17.91, etki
    buyuklugu eta2p = 0.23, Bayes Faktoru 76,099 -- "kesin kanit". Bayesci ANOVA, her etki ve etkilesim icin ayri bir
    Bayes Faktoru vererek "hangi faktor gercekten onemli" sorusunu klasik ANOVA'dan daha bilgilendirici yanitlar --
    anlamli olmayan etkiler icin de "yokluk kaniti" sunabilir. Egitsel deneylerde (yontem x duzey gibi) faktor etkilerini
    kanit gucuyle birlikte degerlendirmenin guclu bir yontemidir.

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

#104  Bayesian Hierarchical Model
    dosya: 104_hierarchical_bayesian_LMM.xlsx
  >> SENARYO (anlatim):
    Bes farkli okuldan (G1-G5) toplanan ogrenci verisinde, bir on degiskenin
    basariyi nasil yordadigini incelerken okullar arasi farkliliklari da hesaba
    katmak istedik. group_id okul kimligini, X_covariate ogrenciye ait surekli
    ortak degiskeni (orn. calisma saati), Y_response ise basari puanini
    gosteriyor. Egimin ve kesim noktasinin okuldan okula degisebilecegini
    dusundugumuz icin, gruplari rastgele etki olarak modelleyen hiyerarsik
    Bayesci karma modeli kullandik.
  >> DEGISKEN SECIMI:
    - Gruplama (rastgele etki): group_id (G1, G2, G3, G4, G5)
    - Ongorucu (kovaryant): X_covariate
    - Bagimli degisken: Y_response

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Grup random varyansi = 2.90 (%8.6)   artik = 30.79 (%91.4)   ICC = 0.086
    Y ~ X kovaryati  +  (1 | grup)   (Bayesci)

>> YORUM (anlatim):
    Yuvalanmis veriyi (gruplar icinde gozlemler) Bayesci hiyerarsik modelle analiz ettik -- LMM'in Bayesci karsiligi.
    Grup duzeyi varyans toplamin yalnizca %8.6'si (ICC = 0.086); degiskenligin buyuk kismi (%91) birey/grup-ici. Yani
    bu veride gruplar arasi fark kucuk, gozlemler buyuk olcude bagimsiz davraniyor. Bayesci hiyerarsik modelin gucu: hem
    grup-ici hem gruplar-arasi belirsizligi tam olasilik dagilimlariyla ifade eder ve az gozlemli gruplari "kismi
    havuzlama" (partial pooling) ile dengeler. Cok-merkezli ya da yuvalanmis egitim verilerinde modern bir yontemdir.

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

#105  Spatial Lag (SAR) Model
    dosya: 105_spatial_sar_spatial.xlsx
  >> SENARYO (anlatim):
    Okullarin uzamsal konumlarini da dikkate alarak basari puanlarini modellemek
    istedik. Her okulun konumunu lat ve lon koordinatlariyla belirledik, X1 ve
    X2 ile iki aciklayici degiskeni (orn. calisma saati ve sosyoekonomik
    gosterge) aldik, Y_value ise okul basari puanini temsil ediyor. Komsu
    okullarin basarisinin birbirini etkiledigini, yani uzamsal bagimlilik
    oldugunu dusundugumuz icin bu yayilim etkisini dogrudan modele katan Uzamsal
    Gecikme (SAR) modelini sectik.
  >> DEGISKEN SECIMI:
    - Koordinatlar: lat, lon
    - Ongoruculer: X1, X2
    - Bagimli degisken: Y_value

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    rho (mekansal gecikme) = 0.34   z = 4.94   p < .001   Pseudo R2 = 0.87
    Y ~ X1 + X2  +  komsu Y

>> YORUM (anlatim):
    Mekansal bir ciktiyi (ornegin bolgesel okul basarisi) modellerken mekansal bagimliligi -- yakin birimlerin benzer
    olma egilimini -- hesaba kattik. SAR (mekansal otoregresif) model, bir birimin ciktisini komsularinin ciktisina da
    baglar (rho parametresi). Burada rho = 0.34, anlamli pozitif (z = 4.94, p < .001): komsuluk etkisi gercek ve orta
    duzeyde -- bir bolgenin basarisi komsu bolgelerden etkileniyor. Model varyansin %87'sini acikliyor. Mekansal model
    kullanmak kritik, cunku siradan regresyon "mekansal otokorelasyon" varken sahte anlamli sonuc verir. SAR, yayilim
    ve komsu etkisi olan mekansal egitim verilerinde dogru yontemdir.

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

#106  Spatial Error Model
    dosya: 106_spatial_error_residual.xlsx
  >> SENARYO (anlatim):
    Okul basarisini cevreleyen konumsal etkenlerle aciklarken, modelin
    aciklayamadigi hata teriminde uzamsal kumelenme olup olmadigini arastirdik.
    Okul konumlarini lat ve lon ile, aciklayici degiskenleri X1 ve X2 ile,
    basari puanini ise Y_value ile tanimladik. Bagimliligin sonucta degil de
    artiklarda (hata teriminde) yogunlastigini dusundugumuz icin Uzamsal Hata
    modelini kullanarak konuma bagli gizli etkenleri kontrol altina almak
    istedik.
  >> DEGISKEN SECIMI:
    - Koordinatlar: lat, lon
    - Ongoruculer: X1, X2
    - Bagimli degisken: Y_value

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    lambda (mekansal hata) = 0.59   z = 6.38   p < .001   Pseudo R2 = 0.84
    Y ~ X1 + X2  +  mekansal hata yapisi

>> YORUM (anlatim):
    Mekansal hata modeli, SAR'dan farkli bir mekansal bagimlilik turunu ele alir: komsu degerlerin dogrudan etkisi
    degil, modelde gozlenmeyen (atlanmis) mekansal faktorlerin artiklar uzerinden yarattigi korelasyon. Lambda = 0.59
    (z = 6.38, p < .001) bu mekansal hata yapisinin guclu oldugunu gosterir -- olculmeyen ortak mekansal etmenler
    (bolgesel politika, sosyo-ekonomik arka plan) var. Hangi mekansal model (SAR mi SEM mi) uygundur sorusu, etkinin
    komsu degerlerden mi yoksa olculmeyen faktorlerden mi geldigine baglidir. SEM, bu olculmeyen mekansal karistiricilari
    temizleyerek degiskenlerin gercek etkisini daha dogru tahmin eder.

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

#107  Geographically Weighted Regression (GWR)
    dosya: 107_gwr_local.xlsx
  >> SENARYO (anlatim):
    Calisma saati ve sosyoekonomik gostergenin basari uzerindeki etkisinin her
    bolgede ayni olmadigini, konumdan konuma degisebildigini dusunduk. Okullarin
    konumunu lat ve lon ile belirledik, X1 ve X2 aciklayici degiskenleri,
    Y_value ise basari puanini temsil ediyor. Tek bir kuresel katsayi yerine her
    konum icin yerel katsayilar uretmek istedigimiz icin Cografi
    Agirliklandirilmis Regresyon (GWR) ile etkilerin mekansal degisimini
    haritalandirdik.
  >> DEGISKEN SECIMI:
    - Koordinatlar: lat, lon
    - Ongoruculer: X1, X2
    - Bagimli degisken: Y_value

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R2 = 0.887   (yerel/konuma ozgu regresyon)
    Iliskinin mekansal degisimi

>> YORUM (anlatim):
    Siradan regresyon tum bolge icin TEK bir iliski varsayar; ama bu iliski mekanda degisebilir -- bir degiskenin etkisi
    bir bolgede guclu, digerinde zayif olabilir. GWR (Cografi Agirlikli Regresyon), her konum icin ayri bir yerel
    regresyon kurarak bu mekansal heterojenligi yakalar (R2 = 0.89). Cikti, katsayilarin haritasidir: bir degiskenin
    etkisinin nerede guclu nerede zayif oldugunu gosteren bir yuzey. Bu, "iliski her yerde ayni mi" sorusunu test eder
    ve yerel politika onceliklerini belirler. Egitimde bolgesel esitsizlikleri ve mudahale onceliklerini haritalamada
    GWR, kuresel modelin gizledigini ortaya kor.

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

#108  Nested Mixed Model (Nested LMM)
    dosya: 108_nested_lmm_R_P_F.xlsx
  >> SENARYO (anlatim):
    Egitim verimizde hiyerarsik bir yerlesim vardi: ogrenciler alt gruplara, alt
    gruplar ust gruplara, onlar da bloklara ic ice yerlesmisti. block dort
    calisma blogunu (R1-R4), upper_group dort ust sinifi (P1-P4), lower_group_no
    ise her ust grup icindeki alt subeleri (F01-F06) gosteriyor; value
    olctugumuz basari puanidir. Faktorlerin biri digerinin icine yuvalandigi bu
    ic ice yapida varyansi dogru ayristirmak icin Ic Ice (Nested) karma modeli
    kullandik.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: value
    - Blok (rastgele): block (R1, R2, R3, R4)
    - Ust grup (rastgele): upper_group (P1, P2, P3, P4)
    - Alt grup (ic ice, rastgele): lower_group_no (F01-F06)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    ust grup (P): F = 27.44, p < .001 ***   |   alt x ust (RxP): F = 14.34, p < .001 ***
    blok [ust grup icinde] (F): F = 2.20, p = 0.023 *

>> YORUM (anlatim):
    Bu tasarimda olcumler ic ice yuvalanmis: ust grup > blok > alt birim. Yuvalanmis karma model, her duzeyin varyansa
    katkisini ayri ayri test eder. Sonuclar tum duzeylerde anlamli: ust gruplar arasi fark en buyuk (F = 27.44), ama
    blok ve alt birim duzeyinde de gercek farklar var. Yuvalanmis veride duzeyleri karistirmak (ornegin ust grubu
    gormezden gelmek) sahte anlamlilik ya da yanlis standart hata uretir. Nested LMM, hiyerarsik orneklem tasarimlarinda
    (okul/sinif/ogrenci, bolge/okul/sinif) her olcegin gercek katkisini ayiran dogru cercevedir.

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

#109  Crossed Mixed Model (Crossed LMM)
    dosya: 109_crossed_lmm_A_B.xlsx
  >> SENARYO (anlatim):
    Iki faktorun ic ice degil, capraz biçimde tum kombinasyonlariyla birlikte
    etkidigi bir tasarimi inceledik. factor_a dort ogretim yontemini (A1-A4),
    factor_b ise dort ogretmeni veya zaman dilimini (B1-B4) temsil ediyor ve her
    ogrenci her iki faktorun bir kombinasyonunda yer aliyor; value basari
    puanidir. Iki faktorun tam capraz olarak kesistigi bu yapida her ikisini
    rastgele etki olarak ele alan Capraz (Crossed) karma modeli en uygun
    yontemdi.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: value
    - Capraz faktor A (rastgele): factor_a (A1, A2, A3, A4)
    - Capraz faktor B (rastgele): factor_b (B1, B2, B3, B4)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    faktor A: F = 0.38, p = 0.77 (anlamsiz)   |   faktor B: F = 0.90, p = 0.48 (anlamsiz)
    A x B etkilesimi: F = 14.67, p < .001 *** (ANLAMLI)

>> YORUM (anlatim):
    Yuvalanmanin aksine burada iki faktor caprazlanmis: her A duzeyi her B duzeyiyle kombine edilmis (tam faktoriyel).
    Carpici sonuc: iki ana etki de anlamsiz (A: p = 0.77, B: p = 0.48), ama etkilesim cok anlamli (F = 14.67, p < .001).
    Bu klasik bir "saf etkilesim" ornegi: tek baslarina A ve B bir sey soylemiyor, ama BIRLIKTE -- belirli A-B
    kombinasyonlari -- guclu etki yaratiyor. Ana etkilere bakip "hicbir sey anlamli degil" demek buyuk hata olurdu;
    etkilesim her seyi degistiriyor. Caprazlanmis karma model, faktorlerin birlikte sinendiginde ortaya cikan etkilesimleri
    yakalamanin dogru yontemidir -- egitsel deneylerde (yontem x icerik gibi) kritik bir cikarimdir.

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

#110  KDE Density Map
    dosya: 110_KDE_school_distribution_density.xlsx
  >> SENARYO (anlatim):
    Bir bolgedeki okullarin cografi dagilimini ve basari yogunlugunu
    gorsellestirmek istedik. Her okulun konumunu lat ve lon koordinatlariyla,
    basari duzeyini ise school_achievement degiskeniyle aldik. Okullarin mekanda
    nerelerde kumelendigini ve yuksek basarinin hangi bolgelerde yogunlastigini
    surekli bir yuzey olarak gormek istedigimiz icin Cekirdek Yogunluk Tahmini
    (KDE) yogunluk haritasini olusturduk.
  >> DEGISKEN SECIMI:
    - Koordinatlar: lat, lon
    - Agirlik (yogunluk degeri): school_achievement

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    95 okul noktasi   ortalama basari = 74.6
    Cekirdek yogunluk tahmini ile okul dagilim yogunlugu haritasi

>> YORUM (anlatim):
    Harita sekmesinde, okullarin cografi yogunlugunu KDE (Cekirdek Yogunluk Tahmini) ile bir isi haritasina dokuyoruz.
    KDE, noktalari yumusak bir yogunluk yuzeyine cevirir: nerede yogun okul kumelenmesi var, nerede bosluk var gorulebilir.
    95 okulun dagilimi, egitim altyapisinin cografi olarak nasil yogunlastigini gosterir. Bu, hem erisim bosluklarini
    (hangi bolgeler az okula sahip) tespit etmek hem de yogun bolgeleri gormek icin kullanilir. Mekansal noktasal veriyi
    gorsellestirmenin temel haritalama aracidir; egitim planlamasinda okul dagiliminin esitligini degerlendirir.

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

#111  Hexbin Map
    dosya: 111_Hexbin_student_distribution.xlsx
  >> SENARYO (anlatim):
    Bir egitim bolgesindeki ogrenci dagilimini cografi olarak incelemek
    istiyoruz. Elimizde 150 farkli noktanin enlem (lat) ve boylam (lon)
    koordinatlari ile o bolgedeki ogrenci yogunlugunu gosteren density_interval
    kategorisi var; bu kategori low, medium ve high duzeylerinden olusuyor.
    Amacimiz, ogrencilerin hangi cografi alanlarda yogunlastigini, noktasal
    dagilimin yarattigi gorsel karmasayi azaltarak altigen hucreler halinde
    haritalamak. Cok sayida ust uste binen nokta oldugunda, Hexbin Map yontemi
    yogunluk oruntulerini net bicimde ortaya koydugu icin bu analiz icin
    uygundur.
  >> DEGISKEN SECIMI:
    - Koordinat (boylam X): lon
    - Koordinat (enlem Y): lat
    - Yogunluk/agirlik: density_interval (low, medium, high)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    150 ogrenci/birim noktasi   altigen hucrelere toplulastirildi
    Her hucre, icindeki nokta yogunlugunu renkle gosterir

>> YORUM (anlatim):
    Hexbin haritasi, cok sayida noktayi altigen (hexagon) hucrelere toplayip her hucredeki yogunlugu renkle gosterir --
    binlerce noktanin ust uste binip okunamaz hale geldigi durumlarda KDE'ye alternatif, net bir cozumdur. 150 ogrenci/
    birim noktasini altigen izgaraya dokerek hangi bolgelerde yogunluk oldugunu gorsellestirdik. Altigen hucreler kareye
    gore daha az kenar-yanliligi tasir ve komsuluk iliskilerini daha esit temsil eder. Yogun noktasal egitim verisini
    (ogrenci dagilimi, okul konumu) okunabilir bir yogunluk haritasina cevirmenin pratik yoludur.

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

#112  Moran's I (Spatial Autocorrelation)
    dosya: 112_Morans_I_achievement_autocorrelation.xlsx
  >> SENARYO (anlatim):
    Okullarin akademik basarisinin cografi olarak rastgele mi dagildigini yoksa
    birbirine yakin okullarin benzer basari duzeyleri mi gosterdigini merak
    ediyoruz. Bu amacla 80 okulun enlem (lat) ve boylam (lon) konumlarini ve her
    okulun school_achievement basari puanini olctuk. Komsu okullarin
    basarilarinin birbirine benzeyip benzemedigini, yani mekansal kumelenme olup
    olmadigini test etmek istiyoruz. Genel bir mekansal otokorelasyon olcusu
    sundugu icin Moran's I bu arastirma sorusu icin en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Koordinat (boylam X): lon
    - Koordinat (enlem Y): lat
    - Analiz degiskeni: school_achievement

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Moran's I = 0.530   z = 9.40   p < .001
    Okul basarisinin mekansal otokorelasyonu (guclu pozitif)

>> YORUM (anlatim):
    Moran's I, "yakin okullar benzer basariya mi sahip" sorusunu olcen kuresel mekansal otokorelasyon istatistigidir.
    Sonuc guclu pozitif (I = 0.53, z = 9.40, p < .001): okul basarisi mekansal olarak kumeleniyor -- yuksek basarili
    okullar birbirine yakin, dusuk olanlar da. Bu tesaduf degil; ortak bolge, sosyo-ekonomik cevre ve kaynak dagilimi
    komsu okullari benzer kiliyor. Bu bulgu egitimde mekansal esitsizligin somut gostergesidir ve metodolojik onem tasir:
    mekansal otokorelasyon varsa siradan istatistik yanlis olur (bu yuzden #105-107 mekansal modelleri gerekli). Moran's I,
    mekansal analizin baslangic teshisidir.

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

#113  Getis-Ord Hotspot
    dosya: 113_Getis_Ord_high_achievement_hotspot.xlsx
  >> SENARYO (anlatim):
    Yuksek akademik basariya sahip okullarin belirli bolgelerde sicak noktalar
    olusturup olusturmadigini belirlemek istiyoruz. 68 okulun enlem (lat) ve
    boylam (lon) koordinatlari ile school_achievement basari puanlarini
    kullaniyoruz. Amacimiz, istatistiksel olarak anlamli yuksek basari
    kumelerini (hotspot) ve dusuk basari kumelerini (coldspot) tek tek konumlar
    bazinda saptamak. Getis-Ord Gi* istatistigi yerel duzeyde sicak ve soguk
    noktalari ayirt edebildigi icin bu analiz icin uygundur.
  >> DEGISKEN SECIMI:
    - Koordinat (boylam X): lon
    - Koordinat (enlem Y): lat
    - Analiz degiskeni: school_achievement

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    29 sicak nokta (yuksek basari kumesi)   31 soguk nokta (dusuk basari kumesi)   n = 68
    Getis-Ord Gi* yerel istatistigi (z > 1.96 anlamli)

>> YORUM (anlatim):
    Moran's I tum bolgenin genel kumelenmesini soylerken, Getis-Ord Gi* NEREDE sicak/soguk noktalar oldugunu tek tek
    konumlar icin gosterir. 29 okul istatistiksel olarak anlamli "sicak nokta" (yuksek basarinin yuksek basariyla
    cevrelendigi kumeler), 31 okul "soguk nokta" (dusuk basari kumeleri). Bu, egitim politikasi icin dogrudan yol
    gosterir: kaynak ve mudahaleyi soguk nokta kumelerine (dezavantajli bolgelere) odaklamak en verimlisidir. Gi* sicak
    nokta analizi, "sorunun/basarinin cografi olarak nerede yogunlastigini" bulmanin standart mekansal yontemidir --
    egitsel esitsizligin haritasini cikarir.

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

#114  DBSCAN Spatial Clustering
    dosya: 114_DBSCAN_school_kumeleri.xlsx
  >> SENARYO (anlatim):
    Bir bolgedeki okullarin cografi olarak dogal kumeler olusturup
    olusturmadigini, herhangi bir kume sayisi onceden belirlemeden kesfetmek
    istiyoruz. Elimizde 115 okulun yalnizca enlem (lat) ve boylam (lon) konum
    bilgileri var. Amacimiz, yogunluk temelli bir yaklasimla birbirine yakin
    okullari ayni kumeye atamak ve izole konumlari gurultu olarak ayirmak. Kume
    sayisini varsaymadan, dusuk yogunluklu noktalari ayikladigi icin DBSCAN bu
    mekansal kumeleme problemi icin uygundur.
  >> DEGISKEN SECIMI:
    - Koordinat (boylam X): lon
    - Koordinat (enlem Y): lat

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kume sayisi = 3   gurultu (izole) = 6   n = 115
    Okul konumlari yogunluk tabanli kumelendi

>> YORUM (anlatim):
    Haritada okullarin cografi konumlarini DBSCAN ile yogunluk tabanli kumeledik: uc yogun okul obegi bulundu, 6 okul
    ise hicbir kumeye girmeyen "izole/gurultu" noktasi olarak isaretlendi. DBSCAN'in gucu, kume sayisini onceden
    istememesi ve duzensiz sekilli kumeleri yakalayabilmesidir -- ayrica seyrek/uzak okullari otomatik ayirir. Uc kume,
    okullarin belirli sehir merkezlerinde/bolgelerde gruplandigini gosterir; izole okullar ise kirsal/uzak birimler
    olabilir. Bu mekansal kumeleme, egitim hizmet bolgeleri tanimlamak, kaynak dagitimini planlamak ve cografi olarak
    benzer okullari birlikte degerlendirmek icin pratik bir aractir. Boylece Egitim Bilimleri paketinin 114 analizlik
    tam turunu tamamlamis oluyoruz.

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

#115  Karma Desen (Split-Plot) ANOVA
    dosya: 115_mixed_anova_achievement_score.xlsx
  >> SENARYO (anlatim):
    40 students uc test duzeyinde (pretest, posttest, retention) olculur; her biri iki method grubundan birine (experimental / control) aittir. Karma (split-plot) desen; achievement score uzerinde denekler-arasi ana etki,
    denek-ici ana etki ve etkilesimi sinar.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: achievement_score
    - Denek kimligi: student_id
    - Denekler-arasi faktor: method
    - Denek-ici faktor: test

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Between (method): F(1,38) = 7.91  p = 0.008  np2 = 0.172
    Within (test):  F(2,76) = 157.82  p < .001  np2 = 0.806
    Interaction:         F(2,76) = 17.95  p < .001  np2 = 0.321
    Mauchly W = 0.928  p = 0.244   n_subjects = 40   n_obs = 120

>> YORUM (anlatim):
    method x test karma deseninde 40 students icin achievement score incelendi (120 gozlem). Etkilesim anlamli (F(2,76) = 17.95, p < .001, np2 = 0.321) *** -- iki grubun test boyunca degisimi farkli buyukluktedir. Denekler-arasi ana etki (experimental vs control) F = 7.91, p = 0.008; denek-ici ana etki (pretest/posttest/retention) F = 157.82, p < .001. Mauchly p = 0.244, yani kurelik saglanir, denek-ici p duzeltmesiz okunur. Once etkilesime bakilir: anlamliysa grup etkisi her test duzeyinde ayri yorumlanmalidir. Eğitim bilimlerinde karma desen, öğretim yöntemlerini karşılaştıran ön test-son test-kalıcılık desenleri icin standart analizdir.

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