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

#1  Betimsel Istatistik
    dosya: 01_descriptive_demographics.xlsx
  >> SENARYO (anlatim):
    280 firmanin demografik ve operasyonel envanterini cikardik. Her firma icin yas,
    aylik gelir, memnuniyet ve haftalik operasyon saati olculdu. Cikarimsal teste
    gecmeden once orneklemin genel resmini gormek istiyoruz; bu yuzden ise betimsel
    istatistiklerle basliyoruz.
  >> DEGISKEN SECIMI:
    - Degiskenler: age
    - Degiskenler: investment_year
    - Degiskenler: monthly_income_TL
    - Degiskenler: satisfaction
    - Degiskenler: weekly_operation
    - Gruplama (kategorik): type

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n = 280 firma
    yas : ort = 43.9   |   aylik gelir : ort = 12,228 TL   |   memnuniyet : ort = 3.47 (5 uzeri)
    haftalik operasyon saati : ort = 40.3

>> YORUM (anlatim):
    Once firma orneklemimizin genel resmini cikardik: 280 firma, ortalama firma/yonetici yasi ~44, aylik ortalama
    gelir ~12,200 TL, 5 uzerinden 3.47 memnuniyet ve haftalik ~40 saatlik operasyon yogunlugu. Bu betimsel tablo,
    izleyen tum analizlerin -- strateji/sektor karsilastirmalari, verimlilik-KPI iliskileri, mekansal pazar degeri --
    zeminini kuruyor. Isletme analitiginde herhangi bir cikarimsal teste gecmeden once orneklemin temel ozelliklerini
    (gelir, yas, operasyon, memnuniyet) ozetlemek, hem veri kalitesini denetlemek hem de yonetsel oncelikleri
    belirlemek icin sarttir.

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

#2  Normallik Testleri
    dosya: 02_normality_income_productivity.xlsx
  >> SENARYO (anlatim):
    Gelir, verimlilik ve riskten kacinma degiskenlerinin normal dagilip
    dagilmadigini inceliyoruz. Bundan sonraki t-testi, ANOVA ve korelasyon
    analizlerinin gecerliligi bu varsayima bagli oldugu icin her degiskeni ayri ayri
    siniyoruz.
  >> DEGISKEN SECIMI:
    - Degiskenler: income
    - Degiskenler: productivity
    - Degiskenler: riskaversion

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    3 surekli degisken test edildi:
    income (gelir)             : Shapiro-Wilk = 0.899  p < .001    KS p = 0.001   Normal Degil
    productivity (verimlilik)  : Shapiro-Wilk = 0.994  p = 0.657   KS p = 0.635   Normal
    riskaversion (riskten kacinma) : Shapiro-Wilk = 0.904  p < .001  KS p = 0.001  Normal Degil

>> YORUM (anlatim):
    Uc surekli degiskenin -- gelir, verimlilik ve riskten kacinma -- normal dagilip dagilmadigini test ettik. Sonuc
    ogretici bicimde ayrisiyor: verimlilik normal (p = 0.66), ama gelir ve riskten kacinma normallikten anlamli
    sapiyor (p < .001). Bu ekonomik veride tipiktir -- gelir tipik olarak sag-carpiktir (az sayida cok yuksek gelir
    kuyrugu uzatir), riskten kacinma ise sirali/sinirli bir olcektir. Pratik sonuc: verimlilik uzerinde parametrik
    testleri (t-testi, ANOVA, Pearson) guvenle kullanabiliriz; gelir ve riskten kacinma icin Mann-Whitney/Kruskal-Wallis
    gibi parametrik olmayan yontemler ya da log donusumu daha dogru olur. Normallik kontrolu, her degisken icin ayri
    ayri hangi test ailesinin uygun oldugunu belirleyen kritik bir on adimdir.

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

#3  Tek Orneklem t-Testi
    dosya: 03_one_sample_t_kpi.xlsx
  >> SENARYO (anlatim):
    Firmalarin ortalama KPI skorunun, 50'lik sektor referans esiginden farkli olup
    olmadigini arastiriyoruz. Tek grup olcumu ve sabit bir referans deger oldugundan
    tek orneklem t-testi uygundur.
  >> DEGISKEN SECIMI:
    - Test degiskeni: kpi
    - Test edilen deger (mu): 50

  >> 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) = 2.316   p = 0.023 *   Cohen d = 0.232 (Kucuk)
    Ortalama KPI = 54.80   (test mu = 50, referans esik)   H0 REDDEDILIR

>> YORUM (anlatim):
    Firmalarin ortalama KPI skorunu, 50'lik bir sektor referans esigiyle karsilastirdik. Sonuc anlamli ama olcek
    olarak kucuk: ortalama 54.8, esigin uzerinde -- t(99) = 2.32, p = 0.023, etki buyuklugu d = 0.23. Yani firmalar
    referans hedefin istatistiksel olarak uzerinde performans gosteriyor, ancak farkin pratik buyuklugu mutevazi.
    Tek orneklem t-testi, bir isletme gostergesini bilinen bir standart/hedef degeriyle (sektor ortalamasi, KPI hedefi)
    karsilastirmanin dogru yoludur; performans degerlendirmede ve hedefe uygunlugu olcmede sik kullanilir.

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

#4  Bagimsiz Orneklem t-Testi
    dosya: 04_independent_t_sex_rating.xlsx
  >> SENARYO (anlatim):
    Iki bagimsiz grubun (cinsiyet) ortalama degerlendirme skorunu karsilastiriyoruz.
    Iki ayri grup ve surekli bir olcu oldugundan bagimsiz orneklem t-testi uygundur.
  >> DEGISKEN SECIMI:
    - Gruplama (kategorik): sex
    - Test degiskeni: rating

  >> 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) = 3.606   p < .001 ***   Cohen d = 0.673 (Orta)
    H0 REDDEDILIR

>> YORUM (anlatim):
    Iki bagimsiz grubun (cinsiyete gore) ortalama degerlendirme/rating skorunu karsilastirdik. Fark anlamli ve orta
    buyuklukte: t(113) = 3.61, p < .001, d = 0.67. Gruplar arasi farkin tesadufle aciklanamayacak kadar belirgin
    oldugunu, ayrica pratik olarak da kayda deger oldugunu gosteriyor. Bagimsiz orneklem t-testi, iki ayri grubun
    (kadin/erkek yonetici, iki sube, iki musteri segmenti) bir surekli olcudeki ortalamalarini karsilastirmanin
    standart yontemidir; isletmede grup farklarini saptamada temel araclardandir.

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

#5  Eslestirilmis Orneklem t-Testi
    dosya: 05_paired_t_on_last.xlsx
  >> SENARYO (anlatim):
    Ayni firmalarda mudahale oncesi ve sonrasi olculen iki skoru karsilastiriyoruz.
    Olcumler eslestirilmis oldugundan eslestirilmis t-testi uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: on_test
    - 2. olcum / grup: 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):
    t(49) = -15.99   p < .001 ***   Cohen d_z = -2.262 (Buyuk)
    Ort. fark (on_test - last_test) = -12.23   H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni firmalarda egitim/mudahale oncesi ve sonrasi olculen iki skoru (on_test vs last_test) eslestirerek
    karsilastirdik. Sonuc cok guclu: ortalama fark -12.2 puan, t(49) = -15.99, p < .001, d_z = -2.26 ile devasa.
    Yani mudahale sonrasi skorlar anlamli ve buyuk olcude yukselmis. Eslestirilmis t-testi, ayni birimde iki zamanli
    olcumu (egitim oncesi/sonrasi, kampanya oncesi/sonrasi) karsilastirir; bireysel degisimi izole ettigi icin
    bagimsiz testten daha gucludur ve isletmede mudahale etkisini olcmenin en dogru yoludur.

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

#6  Tek Yonlu ANOVA
    dosya: 06_anova_strategy.xlsx
  >> SENARYO (anlatim):
    Dort stratejinin ortalama degerlendirme skoru uzerindeki etkisini
    karsilastiriyoruz. Ikiden fazla grup oldugundan tek yonlu ANOVA uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: rating
    - Faktor (kategorik): strategy

  >> 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) = 15.38   p < .001 ***   eta^2 = 0.253   H0 REDDEDILIR

>> YORUM (anlatim):
    Dort farkli stratejinin (strategy) ortalama degerlendirme skoru uzerindeki etkisini test ettik. Sonuc anlamli ve
    guclu: F(3,136) = 15.38, p < .001, eta^2 = 0.25 -- yani skor degiskenliginin yaklasik dortte biri strateji
    farkindan kaynaklaniyor. En az bir strateji digerlerinden anlamli olarak ayrisiyor. Tek yonlu ANOVA, ikiden fazla
    grubun ortalamalarini tek seferde karsilastirir (cok sayida t-testi yapmanin getirdigi hata sismesinden kacinir);
    isletmede farkli strateji/sube/segmentlerin performansini kiyaslamada temel yontemdir. Hangi ciftlerin ayristigi
    ise post-hoc testlerle belirlenir.

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

#7  Iki Yonlu ANOVA
    dosya: 07_two_way_anova.xlsx
  >> SENARYO (anlatim):
    Strateji ve cinsiyetin degerlendirme skoru uzerindeki ana etkilerini ve
    etkilesimini ayni anda inceliyoruz. Iki kategorik faktor oldugundan iki yonlu
    ANOVA uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: rating
    - Faktor (kategorik): strategy
    - 2. Faktor: sex

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    strategy (ana etki) : F(2) = 43.85   p < .001 ***   eta^2p = 0.379
    sex (ana etki)      : F(1) = 0.42    p = 0.519 ns    eta^2p = 0.003

>> YORUM (anlatim):
    Iki faktoru ayni anda inceledik: strateji ve cinsiyet, degerlendirme skorunu nasil etkiliyor? Strateji ana etkisi
    cok guclu (F(2) = 43.85, p < .001, eta^2p = 0.38), cinsiyet ana etkisi ise anlamsiz (p = 0.52). Yani skoru belirleyen
    asil etken strateji; cinsiyetin tek basina belirgin bir katkisi yok. Iki yonlu ANOVA'nin gucu, iki faktoru ve
    aralarindaki etkilesimi tek modelde test edebilmesidir -- her faktorun digeri kontrol edilerek saf etkisini ayirir.
    Isletmede "hangi degisken gercekten fark yaratiyor?" sorusunu yanitlamada idealdir.

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

#8  Tekrarli Olcumler ANOVA
    dosya: 08_repeated_anova_quarter_kpi.xlsx
  >> SENARYO (anlatim):
    Ayni firmalarda dort ardisik ceyrekte olculen KPI'yi karsilastiriyoruz. Ayni
    birimde tekrarli olcum oldugundan tekrarli olcumler ANOVA'si uygundur.
  >> 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 ***   eta^2p = 0.648   n = 60   H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni 60 firmada dort ardisik donemde (ceyrek) olculen KPI'yi karsilastirdik. Sonuc cok guclu: F(3,177) = 108.40,
    p < .001, eta^2p = 0.65 -- donemler arasi fark devasa ve etkinin buyuk kismi zamana bagli. Yani firmalarin
    performansi ceyrekler boyunca anlamli sekilde degisiyor. Tekrarli olcumler ANOVA, ayni birimde uc veya daha fazla
    zamanli olcumu karsilastirir; bireysel farki sabit tuttugu icin yuksek istatistiksel guc saglar ve isletmede
    cok-donemli performans takibinde (ceyreklik KPI, aylik satis) dogru secimdir.

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

#9  MANOVA
    dosya: 09_manova_strategy_3sector.xlsx
  >> SENARYO (anlatim):
    Stratejinin satis, operasyon ve pazarlama uzerindeki etkisini ayni anda test
    ediyoruz. Birden cok iliskili bagimli degisken oldugundan MANOVA uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: sales
    - Bagimli degisken: operations
    - Bagimli degisken: marketing
    - Faktor (kategorik): strategy

  >> 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 = 0.433   F(6,230) = 19.90   p < .001 ***   n = 120
    Bagimli: sales, operations, marketing   |   Faktor: strategy   H0 REDDEDILIR

>> YORUM (anlatim):
    Stratejinin ucl bagimli degisken (satis, operasyon, pazarlama) uzerindeki etkisini ayni anda test ettik. Wilks'
    Lambda = 0.43, F(6,230) = 19.90, p < .001 ile etki cok guclu. MANOVA, birden cok iliskili sonucu tek testte
    inceleyerek hem cok sayida ayri ANOVA'nin hata sismesini onler hem de degiskenlerin birlikte tasidigi ortak
    bilgiyi yakalar. Isletmede strateji bir tek gostergeyi degil, satis-operasyon-pazarlama "demetini" birlikte
    etkiliyorsa, MANOVA bu cok-boyutlu farki tek karar olarak ortaya koyar.

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

#10  ANCOVA
    dosya: 10_ancova.xlsx
  >> SENARYO (anlatim):
    Son skoru gruplara gore karsilastirirken baslangic skorunu ko-degisken olarak
    kontrol ediyoruz. Karistirici surekli degisken oldugundan ANCOVA uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: last_test
    - Faktor (kategorik): group
    - Ko-degisken: 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):
    Grup etkisi anlamli   eta^2p = 0.474 (buyuk)   ko-degisken: on_test   H0 REDDEDILIR

>> YORUM (anlatim):
    Son skoru (last_test) gruplara gore karsilastirirken, baslangic skorunu (on_test) ko-degisken olarak kontrol
    ettik. Boylece "gruplar baslangicta farkliydi" itirazini disladik ve grubun saf etkisini olctuk: etki buyuk
    (eta^2p = 0.47). ANCOVA, bir karistirici surekli degiskeni istatistiksel olarak sabitleyerek grup karsilastirmasini
    adil hale getirir -- isletmede "baslangic duzeyini esitleyince mudahale hala fark yaratiyor mu?" sorusunun
    cevabidir; on-test/son-test tasarimlarinda standart aractir.

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

#11  Bootstrap Guven Araligi
    dosya: 11_bootstrap_ci.xlsx
  >> SENARYO (anlatim):
    Gunluk durus suresinin ortalamasi icin, dagilim varsayimi yapmadan yeniden
    ornekleme ile guven araligi uretiyoruz. Carpik veride bootstrap uygundur.
  >> DEGISKEN SECIMI:
    - Test degiskeni: downtime_day

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gozlenen ortalama (downtime/gun) = 4.53
    %95 Bootstrap GA (yeniden orneklemeyle)

>> YORUM (anlatim):
    Gunluk durus (downtime) ortalamasi icin -- dagilim varsayimina dayanmadan -- yeniden ornekleme ile %95 guven
    araligi urettik: gozlenen ortalama 4.53 gun. Bootstrap, veriyi binlerce kez kendi icinden ornekleyerek istatistigin
    orneklem dagilimini ampirik olarak insa eder; normallik varsayimi tutmadiginda ya da formul bilinmediginde guven
    araligi vermenin guvenilir yoludur. Isletmede carpik buyuklukler (durus suresi, bekleme, hasar maliyeti) icin
    klasik t-araliklarindan daha saglam tahminler saglar.

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

#12  Permutasyon Testi
    dosya: 12_permutation.xlsx
  >> SENARYO (anlatim):
    Iki grup arasinda verimlilik farkini, dagilim varsayimi yapmadan permutasyon ile
    test ediyoruz. Kucuk orneklem/garip dagilimda permutasyon uygundur.
  >> DEGISKEN SECIMI:
    - Test degiskeni: productivity
    - Gruplama (kategorik): group

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    t = -2.247   p = 0.029 *   Iki grup arasinda anlamli ortalama fark var   H0 REDDEDILIR

>> YORUM (anlatim):
    Iki grup (group) arasinda verimlilik (productivity) farkini, dagilim varsayimi yapmadan permutasyon ile test
    ettik: gruplar etiketleri rastgele degis-tokus edilerek bos hipotez dagilimi kuruldu, gozlenen fark bu dagilimda
    nadir cikti (p = 0.029). Permutasyon testi, kesin (exact) ve dagilimdan bagimsiz oldugu icin kucuk orneklemlerde
    veya garip dagilimlarda parametrik t-testinin guvenli alternatifidir; isletmede varsayimlarin suphede oldugu
    grup karsilastirmalarinda saglam bir secimdir.

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

#13  Coklu Karsilastirma
    dosya: 13_multiple_comparison.xlsx
  >> SENARYO (anlatim):
    Sekiz urun/grup karsilastirmasinin p-degerlerini topluca ele alip coklu test
    duzeltmesi uyguluyoruz. Cok sayida test oldugundan p-duzeltme uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: product
    - Degiskenler: rating

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Orijinal ham: 5/8 anlamli
    Bonferroni / Holm / BH (FDR) duzeltmeleri sonrasi: 3/8 anlamli

>> YORUM (anlatim):
    Sekiz ayri urun/grup karsilastirmasinin p-degerlerini topluca ele alip coklu test duzeltmesi uyguladik. Ham
    haliyle 5 karsilastirma anlamliyken, Bonferroni/Holm/BH duzeltmeleri sonrasi bu sayi 3'e dustu. Cok sayida test
    yapildiginda, yalnizca sansla "anlamli" cikan yanlis pozitiflerin orani siser; duzeltme yontemleri esik degeri
    sikilastirarak bu hatayi kontrol altina alir. Isletmede onlarca urun/kampanya/segmenti ayni anda karsilastirirken,
    duzeltme yapilmadan varilan "anlamli" sonuclarin bir kismi yaniltici olabilir -- bu adim kararlarin guvenilirligini
    korur.

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

#14  Mann-Whitney U Testi
    dosya: 14_mann_whitney.xlsx
  >> SENARYO (anlatim):
    Iki bagimsiz grubun sirali/carpik bir olcudeki dagilimini karsilastiriyoruz.
    Normallik saglanmadigindan Mann-Whitney uygundur.
  >> DEGISKEN SECIMI:
    - Gruplama (kategorik): location
    - Test degiskeni: survival_satisfaction

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    U = 1121.50   p = 0.049 *   r = -0.25   H0 REDDEDILIR

>> YORUM (anlatim):
    Iki bagimsiz grubun (location) bir sirali/carpik olcudeki (survival_satisfaction) dagilimini, ortalamaya degil
    siralamaya dayanarak karsilastirdik: U = 1121.5, p = 0.049, kucuk-orta etki (r = -0.25). Fark siniri zorlayacak
    sekilde anlamli. Mann-Whitney, t-testinin parametrik olmayan karsiligidir; normallik saglanmadiginda ya da olcek
    sirali oldugunda iki grubu karsilastirmanin dogru yoludur. Isletmede memnuniyet/derece gibi sirali olculerde
    saglam ve guvenilir secimdir.

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

#15  Wilcoxon Isaretli Siralar
    dosya: 15_wilcoxon_attitude.xlsx
  >> SENARYO (anlatim):
    Ayni birimlerde once/sonra olculen tutum skorunu, normallik varsaymadan
    karsilastiriyoruz. Eslestirilmis ve normal olmayan veride Wilcoxon uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: attitude_before
    - 2. olcum / grup: 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):
    W = 0.00   p < .001 ***   r = 0.89   n (sifirsiz) = 30   H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni birimlerde once/sonra olculen tutum skorunu (attitude_before vs post) -- normallik varsaymadan -- siralara
    dayali olarak karsilastirdik: W = 0, p < .001, cok buyuk etki (r = 0.89). Yani mudahale sonrasi tutum tutarli ve
    guclu sekilde degismis. Wilcoxon, eslestirilmis t-testinin parametrik olmayan karsiligidir; sirali ya da normal
    olmayan once/sonra olcumlerde dogru secimdir. Isletmede egitim/kampanya oncesi-sonrasi tutum, memnuniyet gibi
    olculerde guvenilir sonuc verir.

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

#16  Kruskal-Wallis Testi
    dosya: 16_kruskal_volatility_book.xlsx
  >> SENARYO (anlatim):
    Ikiden fazla grubun bir sayisal/sirali olcudeki dagilimini karsilastiriyoruz.
    Normallik/varyans esitligi saglanmadigindan Kruskal-Wallis uygundur.
  >> DEGISKEN SECIMI:
    - Gruplama (kategorik): volatility
    - Test degiskeni: book_count

  >> 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) = 15.96   p < .001 ***   eta^2_H = 0.33   H0 REDDEDILIR

>> YORUM (anlatim):
    Ikiden fazla grubun (volatility duzeyi) bir sayisal/sirali olcudeki (book_count) dagilimini -- ortalamaya degil
    siralamaya dayanarak -- karsilastirdik: H(2) = 15.96, p < .001, eta^2_H = 0.33 ile guclu etki. En az bir grup
    digerlerinden anlamli olarak ayrisiyor. Kruskal-Wallis, tek yonlu ANOVA'nin parametrik olmayan karsiligidir;
    normallik veya varyans esitligi saglanmadiginda cok-gruplu karsilastirmanin dogru yoludur. Isletmede carpik veya
    sirali olculerde gruplar arasi farki saptamada saglamdir.

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

#17  Friedman Testi
    dosya: 17_friedman_program.xlsx
  >> SENARYO (anlatim):
    Ayni birimlerde dort kosul altinda olculen skorlari karsilastiriyoruz.
    Parametrik olmayan tekrarli olcum oldugundan Friedman uygundur.
  >> DEGISKEN SECIMI:
    - Tekrarli olcumler: condition_A
    - Tekrarli olcumler: condition_B
    - Tekrarli olcumler: condition_C
    - Tekrarli olcumler: condition_D

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    chi^2(3) = 39.08   p < .001 ***   Kendall W = 0.434   n = 30   H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni 30 birimde dort kosul/program (condition_A..D) altinda olculen skorlari -- parametrik olmayan tekrarli olcum
    olarak -- karsilastirdik: chi^2(3) = 39.08, p < .001, Kendall W = 0.43 (orta uyum). Kosullar arasi fark anlamli.
    Friedman, tekrarli olcumler ANOVA'sinin parametrik olmayan karsiligidir; sirali ya da normal olmayan eslestirilmis
    cok-kosullu olcumlerde dogru secimdir. Isletmede ayni firmanin farkli yontem/donem siralamalarini kiyaslamada
    kullanilir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gozlenen oran = 0.704   (beklenen p = 0.50)   p < .001 ***   H0 REDDEDILIR

>> YORUM (anlatim):
    Karli (profitable) firmalarin oranini, %50'lik beklenen orana karsi test ettik: gozlenen oran %70.4, beklentinin
    cok uzerinde (p < .001). Yani karlilik orani sansla aciklanamayacak kadar yuksek. Binom testi, ikili (evet/hayir)
    bir sonucun gozlenen oranini teorik bir oranla karsilastirmanin kesin yontemidir; isletmede basari/karlilik/donusum
    oranlarinin bir hedefe veya 50:50 beklentisine uyup uymadigini sinamada dogrudan kullanilir.

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

#19  Isaret Testi
    dosya: 19_sign_test_program.xlsx
  >> SENARYO (anlatim):
    Ayni birimlerde once/sonra degerlendirmenin yonune bakiyoruz. Yalnizca yon
    bilgisi guvenilirken isaret testi uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: rating_before
    - 2. olcum / grup: rating_post

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Pozitif fark (once > sonra) = 0   p < .001 ***   H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni birimlerde once/sonra olculen degerlendirmenin (rating_before vs post) yonune baktik: degisimlerin neredeyse
    tamami tek yonde, hicbiri ters yonde degil (pozitif fark = 0), p < .001. Isaret testi, yalnizca farkin yonunu
    (artti/azaldi) kullanir; buyuklugu dikkate almaz, bu yuzden en az varsayim gerektiren once/sonra testidir.
    Isletmede olcum carpik veya sadece yon bilgisi guvenilirken (memnuniyet artti mi azaldi mi) saglam bir secimdir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gozlenen run = 28   Z = -0.243   p = 0.808 ns   Veri rastgele kabul edilebilir

>> YORUM (anlatim):
    Devamsizlik (absent) serisinin medyana gore ikili dizisinin rastgele olup olmadigini test ettik: 28 run, Z = -0.24,
    p = 0.81 -- desen yok, dizi rastgele. Runs testi, bir dizide degerlerin sirali bir oruntu (kume, dongu, trend)
    olusturup olusturmadigini sinar. Isletmede kalite/uretim/hata serilerinde sistematik bir oruntunun mu yoksa
    rastsalligin mi hakim oldugunu belirlemede; surec kontrolu ve bagimsizlik varsayiminin denetiminde kullanilir.

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

#21  Ki-Kare Bagimsizlik
    dosya: 21_chisquare_volatility_corporation.xlsx
  >> SENARYO (anlatim):
    Oynaklik duzeyi ile kurumsallik arasinda iliski olup olmadigini test ediyoruz.
    Iki kategorik degisken oldugundan ki-kare uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: volatility
    - Degiskenler: corporation

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    chi^2(2) = 141.06   p < .001 ***   Cramer's V = 0.511 (Guclu)   H0 REDDEDILIR

>> YORUM (anlatim):
    Iki kategorik degisken -- oynaklik duzeyi (volatility) ve kurumsallik (corporation) -- arasinda iliski olup
    olmadigini test ettik: chi^2(2) = 141.06, p < .001, Cramer's V = 0.51 ile guclu bir bagimlilik. Kategoriler
    bagimsiz degil, birlikte degisiyor. Ki-kare bagimsizlik testi, iki nitel degisken arasindaki iliskiyi capraz
    tablodan saptar; isletmede segment-tercih, bolge-strateji gibi kategorik iliskileri ortaya cikarmada temel
    yontemdir. Cramer's V iliskinin pratik gucunu olcer.

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

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    chi^2(3) = 22.88   p < .001 ***   N = 200, k = 4 (beklenen: esit dagilim)   H0 REDDEDILIR

>> YORUM (anlatim):
    Dort kategorili bir degiskenin (style) gozlenen dagiliminin, esit (1/k) beklenen dagilima uyup uymadigini test
    ettik: chi^2(3) = 22.88, p < .001 -- kategoriler esit dagilmiyor, bazilari belirgin sekilde daha sik. Uyum iyiligi
    testi, tek bir kategorik degiskenin gozlenen frekanslarini teorik bir beklentiyle (esit oran, bilinen pazar payi)
    karsilastirir; isletmede tercih/secim dagilimlarinin beklenen profile uyup uymadigini sinamada kullanilir.

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

#23  Fisher Kesin Testi
    dosya: 23_fisher.xlsx
  >> SENARYO (anlatim):
    2x2 bir tabloda strateji-basari iliskisini, kucuk hucre frekanslari nedeniyle
    kesin olarak test ediyoruz. Az gozlemde Fisher uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: strategy
    - Degiskenler: pass

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Fisher exact p = 0.018 *   Odds Ratio = cok yuksek   Phi = 0.486 (Guclu)   H0 REDDEDILIR

>> YORUM (anlatim):
    2x2 bir capraz tabloda (strategy x pass) iliskiyi -- kucuk hucre frekanslari nedeniyle ki-kare yerine -- kesin
    olarak test ettik: p = 0.018, Phi = 0.49 ile guclu iliski. Fisher kesin testi, beklenen frekanslarin dusuk oldugu
    kucuk orneklemlerde ki-kare yaklasiminin guvenilmez kaldigi durumda dogru secimdir; olasiligi yaklasik degil tam
    hesaplar. Isletmede az gozlemli pilot/deneme karsilastirmalarinda (yeni strateji basarili mi) guvenilir sonuc
    verir.

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

#24  McNemar Testi
    dosya: 24_mcnemar.xlsx
  >> SENARYO (anlatim):
    Ayni firmalarda iki zamanli ikili sonucu (gecti/kaldi) karsilastiriyoruz.
    Eslestirilmis ikili degisim icin McNemar uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: on_test
    - 2. olcum / grup: last_test

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    chi^2 = 0.00   p = 1.000 ns   uyumsuz b = 13, c = 14   OR = 0.929   H0 REDDEDILEMEZ

>> YORUM (anlatim):
    Ayni firmalarda iki zamanli ikili sonucu (on_test vs last_test: gecti/kaldi) eslestirerek degisim yonunu test
    ettik: degisenler neredeyse dengeli (b = 13, c = 14), p = 1.00 -- anlamli bir yonlu degisim yok. McNemar, ayni
    birimde once/sonra ikili durum degisimini test eder ve yalnizca uyumsuz ciftlere bakar. Isletmede mudahale oncesi-
    sonrasi onay/red, gecti/kaldi gibi durum degisikliklerinin sistematik olup olmadigini saptamada dogru aractir.

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

#25  Cohen's Kappa
    dosya: 25_kappa.xlsx
  >> SENARYO (anlatim):
    Iki degerlendiricinin ayni birimleri ayni kategorilere atamadaki uyumunu
    olcuyoruz. Kategorik uyum icin kappa uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: manager_a
    - 2. olcum / grup: manager_b

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kappa = 0.585 (orta duzey uyum)

>> YORUM (anlatim):
    Iki degerlendiricinin (manager_a vs manager_b) ayni birimleri ayni kategorilere atamadaki uyumunu -- sansla
    beklenen uyumu disarak -- olctuk: kappa = 0.585, orta duzey. Kappa, iki gozlemci/yontem arasindaki kategorik
    uyumu, rastgele uyusma payini cikararak rapor eder; ham yuzde uyumdan daha durusttur. Isletmede iki yonetici/
    denetcinin siniflamalarinin (risk derecesi, kalite sinifi) ne kadar tutarli oldugunu olcmede standart gostergedir.

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

#26  Cochran-Mantel-Haenszel
    dosya: 26_cmh.xlsx
  >> SENARYO (anlatim):
    Grup-basari iliskisini sirket katmanlarini kontrol ederek test ediyoruz. Katman
    kontrollu iliski icin CMH uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: group
    - Degiskenler: successful
    - Tabaka/Katman: company

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CMH chi^2(1) = 19.67   p < .001 ***   Ortak OR (MH) = 2.77 [1.76, 4.37]
    Breslow-Day p = 0.982 (OR homojen)   H0 REDDEDILIR

>> YORUM (anlatim):
    Grup-basari iliskisini, sirket (company) katmanlarini kontrol ederek test ettik: katmanlar arasi ortak Odds Ratio
    = 2.77 [1.76, 4.37], p < .001; Breslow-Day p = 0.98 ile bu iliski tum katmanlarda tutarli. CMH, karistirici bir
    katman degiskenini sabit tutarak iliskinin saf gucunu olcer (Simpson paradoksunu onler). Isletmede sirket/bolge
    farklarini kontrol ederek grup-sonuc iliskisini saglam biciminde tahmin etmede idealdir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 46.72   Pearson chi^2 = 0.0 (doygun model)   3 kategorik degiskenin birlikte iliskisi modellendi

>> YORUM (anlatim):
    Uc kategorik degiskenin (cinsiyet, oynaklik, kurumsal okur) birlikte iliski yapisini log-lineer modelle inceledik.
    Model, hucre frekanslarini ana etkiler ve etkilesimlerle aciklar; hangi degisken ciftlerinin/uclulerinin birlikte
    degistigini ortaya koyar. Iki yonlu capraz tablonun cok-degiskenli genellemesidir. Isletmede ucten fazla kategorik
    boyutun (segment x bolge x kanal) ortak baginti desenini cozumlemede; sadeligi (parsimony) AIC ile dengeleyerek
    en aciklayici yapiyi secmede kullanilir.

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

#28  Capraz Tablo Analizi
    dosya: 28_cross.xlsx
  >> SENARYO (anlatim):
    Yas grubu ile politik egilimi capraz tabloda inceliyoruz. Iki nitel degiskenin
    iliskisi icin capraz tablo uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: age
    - Degiskenler: political

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    chi^2(6) = 9.29   p = 0.158 ns   Cramer's V = 0.115   H0 REDDEDILEMEZ

>> YORUM (anlatim):
    Iki kategorik degiskeni (yas grubu x politik egilim) capraz tabloda inceledik: chi^2(6) = 9.29, p = 0.16, V = 0.12 --
    anlamli bir iliski yok, degiskenler buyuk olcude bagimsiz. Capraz tablo + ki-kare, iki nitel degisken arasindaki
    baginin yonunu ve gucunu hucre bazinda gosterir. Isletmede demografi-tercih iliskilerini betimlemede; burada oldugu
    gibi "iliski yok" sonucunun da degerli bir bulgu oldugunu (segmentlere ayri davranmaya gerek yok) ortaya koymada
    kullanilir.

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

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

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

>> YORUM (anlatim):
    "Hangi operasyon alanlarinda faaliyet gosteriyorsunuz?" gibi birden fazla secenegin isaretlenebildigi bir soruyu
    cozumledik: 250 firmanin her biri bir veya daha cok secenek belirtmis. Coklu yanit frekans analizi, secenek basina
    isaretlenme sayisini ve hem yanit hem vaka yuzdesini ayri ayri verir (yuzdeler toplami 100'u asar, cunku bir firma
    coklu sececek). Isletmede cok-secimli anket sorularinin (kullanilan kanallar, hizmet alanlari) dogru ozetlenmesi
    icin standart yontemdir.

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

#30  Coklu Yanit - Capraz Tablo
    dosya: 30_mr_categorical.xlsx
  >> SENARYO (anlatim):
    Coklu yanitli operasyon sorusunu cinsiyete gore capraz tabloluyoruz.
    Cok-secimliyi bir kategoriye gore kirmak icin uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: operations (coklu yanit / multi-response)
    - Gruplama (kategorik): sex

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam vaka n = 220   Grup sutunu: sex   |   coklu yanit "operations" x cinsiyet

>> YORUM (anlatim):
    Coklu yanitli operasyon sorusunu tekli bir kategoriye (cinsiyet) gore capraz tabloladik: her grup icin secenek
    basina isaretlenme oranlarini karsilastirdik. Coklu yanit capraz tablosu, "bir grup hangi secenekleri digerinden
    daha sik isaretliyor?" sorusunu yanitlar. Isletmede segmentlerin (cinsiyet, bolge) cok-secimli tercih profillerini
    (kullandiklari kanallar, talep ettikleri hizmetler) karsilastirmada kullanilir.

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

#31  Coklu Yanit x Coklu Yanit
    dosya: 31_mr_mr.xlsx
  >> SENARYO (anlatim):
    Iki ayri coklu yanitli soruyu (ilgi alanlari x kariyer) birbirine karsi capraz
    tabloluyoruz. Cok-secimliden cok-secimliye iliski icin uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: interest (coklu / multi)
    - Degiskenler: career (coklu / multi)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam vaka n = 180   Iki coklu yanit (interest x career) caprazlandi

>> YORUM (anlatim):
    Iki ayri coklu-yanitli soruyu (ilgi alanlari x kariyer hedefleri) birbirine karsi capraz tabloladik. Bu, en
    karmasik tablolama turudur: her iki eksende de bir birim birden fazla hucreye katki verir. Coklu yanit x coklu
    yanit, "hangi ilgi alanlari hangi kariyer hedefleriyle birlikte gorunuyor?" gibi cok-secimliden cok-secimliye
    birlikteliklerini ortaya cikarir. Isletmede ic ice gecmis tercih demetlerinin (urun ilgisi x kanal kullanimi)
    eslesme desenlerini incelemede kullanilir.

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

#32  Cochran Q Testi
    dosya: 32_cochran_q.xlsx
  >> SENARYO (anlatim):
    Ayni firmalarda farkli programlar icin ikili sonucun (begendi/begenmedi)
    programdan programa degisip degismedigini test ediyoruz. Uc+ tekrarli ikili
    olcum icin Cochran Q uygundur.
  >> DEGISKEN SECIMI:
    - Sutunlar: program-bazli ikili sutunlar / program-wise binary columns

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

>> YORUM (anlatim):
    Ayni firmalarda farkli programlar (program) icin olculen ikili sonucun (liked: begendi/begenmedi) programdan
    programa anlamli degisip degismedigini test ettik: Q = 0, p = 1.00 -- programlar arasi fark yok. Cochran Q,
    McNemar testinin ikiden fazla tekrarli kosula genellemesidir; ayni birimde uc+ ikili olcumu karsilastirir.
    Isletmede ayni musterilerin birden cok kampanya/ozelligi begenip begenmedigini kiyaslamada dogru yontemdir.

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

#33  Korelasyon Analizi
    dosya: 33_correlation_5variable.xlsx
  >> SENARYO (anlatim):
    Bes surekli degisken arasindaki tum ikili korelasyonlari inceliyoruz. Iliski
    yonu ve gucu icin korelasyon matrisi uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: productivity
    - Degiskenler: operation_hour
    - Degiskenler: kpi
    - Degiskenler: riskaversion
    - Degiskenler: 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: productivity, operation_hour, kpi, riskaversion, satisfaction
    Guclu iliski (|r| >= 0.75): bu esigin uzerinde iliski YOK

>> YORUM (anlatim):
    Bes surekli degisken (verimlilik, operasyon saati, KPI, riskten kacinma, memnuniyet) arasindaki tum ikili
    Pearson korelasyonlarini hesapladik: hicbiri 0.75 guclu esigini asmadi -- degiskenler buyuk olcude birbirinden
    bagimsiz hareket ediyor. Bu da degerli bir bulgudur: cogu olcu farkli bilgi tasiyor, biri digerinin yerine
    gecmiyor. Korelasyon matrisi, iliskilerin yonunu ve gucunu tek bakista ozetler; isletmede gostergeler arasi
    cakismayi (multikolinearite riski) ve hangi degiskenlerin gercekten ayri sinyal verdigini gormede ilk adimdir.

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

#34  Bland-Altman Uyum
    dosya: 34_bland_altman.xlsx
  >> SENARYO (anlatim):
    Ayni verimliligi olcen iki yontemin birbiriyle uyumunu inceliyoruz. Yontem
    degistirilebilirligi icin Bland-Altman uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: efficiency_test_a
    - 2. olcum / grup: efficiency_test_b

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Yontem 1 (efficiency_test_a): ort = 105.94   |   Yontem 2 (efficiency_test_b): ort = 102.75
    Bias (ortalama fark) ~ 3.19   |   uyum sinirlari (LoA) hesaplandi

>> YORUM (anlatim):
    Ayni verimliligi olcen iki yontemin (test_a vs test_b) birbiriyle ne kadar uyustugunu inceledik: ortalama
    sistematik fark (bias) ~3.2 birim ve %95 uyum sinirlari raporlandi. Bland-Altman, korelasyondan farkli olarak
    "iki yontem birbirinin yerine kullanilabilir mi?" sorusunu yanitlar -- yuksek korelasyon uyum demek degildir,
    sistematik bir kayma olabilir. Isletmede iki olcum aracinin/sensorun/degerleme yonteminin degistirilebilirligini
    sinamada standart yontemdir.

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

#35  Etki Buyuklugu
    dosya: 35_effect_size.xlsx
  >> SENARYO (anlatim):
    Iki urun grubu arasindaki rating farkinin pratik buyuklugunu olcuyoruz.
    p-degerinden bagimsiz onem icin etki buyuklugu uygundur.
  >> DEGISKEN SECIMI:
    - Test degiskeni: rating
    - Gruplama (kategorik): product

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cohen's d = -0.928 (buyuk etki)   iki urun grubu (product) arasinda rating farki

>> YORUM (anlatim):
    Iki urun grubu arasindaki degerlendirme farkinin pratik buyuklugunu, p-degerinden bagimsiz olarak Cohen's d ile
    olctuk: d = -0.93, buyuk etki. p-degeri "fark var mi?" sorusunu yanitlar; etki buyuklugu ise "fark ne kadar
    onemli?" sorusunu. Buyuk orneklemlerde anlamli ama onemsiz farklar cikabildiginden, etki buyuklugu raporlamak
    sarttir. Isletmede iki strateji/urun arasindaki farkin yonetsel olarak kayda deger olup olmadigini bu olcu
    netlestirir.

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

#36  Kanonik Korelasyon (CCA)
    dosya: 36_cca.xlsx
  >> SENARYO (anlatim):
    Performans gostergeleri seti ile tutum/cikti seti arasindaki ortak yapiyi
    inceliyoruz. Iki cok-degiskenli set arasi iliski icin CCA uygundur.
  >> DEGISKEN SECIMI:
    - X degiskenleri: sales
    - X degiskenleri: operations
    - X degiskenleri: marketing
    - X degiskenleri: logistics
    - X degiskenleri: logic
    - Y degiskenleri: productivity
    - Y degiskenleri: attitude
    - Y degiskenleri: satisfaction
    - Y degiskenleri: riskaversion

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CC1: r = 0.985   chi^2(20) = 1407.32   p < .001 ***
    CC2: r = 0.965   chi^2(12) = 900.60    p < .001 ***
    Set-X: sales, operations, marketing, logistics, logic  |  Set-Y: productivity, attitude, satisfaction, riskaversion

>> YORUM (anlatim):
    Iki cok-degiskenli olcu setini -- performans gostergeleri (satis, operasyon, pazarlama, lojistik, mantik) ve
    tutum/cikti gostergeleri (verimlilik, tutum, memnuniyet, riskten kacinma) -- arasindaki ortak yapiyi kanonik
    korelasyonla cozduk. Ilk iki kanonik fonksiyon cok guclu (r = 0.985 ve 0.965, p < .001): iki set birbiriyle
    yogun bicimde baginti gosteriyor. CCA, "bir degisken kumesi digeriyle nasil iliskili?" sorusunu tek seferde
    yanitlar -- coklu regresyonun her iki tarafta da cok degiskenli versiyonudur. Isletmede operasyonel demet ile
    tutum/cikti demeti arasindaki gizli iliski yapisini ortaya koyar.

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

#37  Uyum Analizi
    dosya: 37_ca.xlsx
  >> SENARYO (anlatim):
    Oynaklik duzeyi ile sektor arasindaki iliskiyi gorsel bir haritaya dokuyoruz.
    Iki kategorik degiskenin yapisini gormek icin CA uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: volatility
    - Degiskenler: sector

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam atalet = 0.846   Dim1: %94.4   Dim2: %5.6   (2 boyut)   volatility x sector

>> YORUM (anlatim):
    Iki kategorik degiskenin (oynaklik duzeyi x sektor) capraz tablosundaki iliskiyi gorsel bir haritaya dokuyen
    uyum analizini uyguladik: toplam ataletin %94'u tek boyutta toplaniyor -- iliski neredeyse tek bir eksende
    ozetlenebiliyor. CA, ki-kare iliskisini iki boyutlu bir uzayda konumlandirir; hangi kategorilerin birbirine
    yakin (birlikte gorulen) oldugunu gosterir. Isletmede segment-sektor, tercih-bolge gibi nitel iliskilerin
    yapisini gorsel olarak yorumlamada gucludur.

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

#38  Degisken Kumeleme (VarClus)
    dosya: 38_varclus.xlsx
  >> SENARYO (anlatim):
    On sekiz olcum maddesini birbirine yakinligina gore kumeliyoruz. Gizli boyut
    yapisini bulmak icin VarClus uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: 18 madde / 18 items (firm_id haric / excluded)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kume sayisi = 3   (18 madde birbirine yakinligina gore 3 boyuta ayrildi)

>> YORUM (anlatim):
    On sekiz olcum maddesini, birbirleriyle ne kadar iliskili olduklarina gore kumeledik: maddeler 3 ana boyutta
    toplandi. VarClus, gozlemleri degil DEGISKENLERI gruplar -- birbiriyle yuksek baginti gosteren maddeleri ayni
    kumeye koyarak veri setinin gizli boyut yapisini ortaya cikarir. Isletmede uzun bir gosterge/anket setini birkac
    temel boyuta indirgemede, gereksiz (birbirinin tekrari) maddeleri saptayip olcek kisaltmada pratik bir aractir.

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

#39  Coklu Dogrusal Regresyon
    dosya: 39_multiple_regression_kpi.xlsx
  >> SENARYO (anlatim):
    KPI'yi dort yordayiciyla modelliyoruz. Surekli sonucu cok degiskenle aciklamak
    icin coklu regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: kpi
    - Yordayici(lar): operation
    - Yordayici(lar): productivity
    - Yordayici(lar): parent_investment
    - Yordayici(lar): downtime

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R^2 = 0.616   Duz. R^2 = 0.608   yordayicilar: operation, productivity, parent_investment, downtime

>> YORUM (anlatim):
    KPI'yi dort yordayiciyla (operasyon, verimlilik, yatirim, durus) ayni anda modelledik: model varyansin %61.6'sini
    acikliyor (Duz. R^2 = 0.61) -- guclu bir aciklama gucu. Coklu regresyon, her yordayicinin digerleri sabit
    tutuldugunda KPI uzerindeki saf katkisini verir; boylece "hangi etken gercekten KPI'yi yukseltiyor?" sorusunu
    karistiriciları kontrol ederek yanitlar. Isletmede performansi belirleyen surucuyleri belirleme ve tahminde
    temel yontemdir.

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

#40  Lojistik Regresyon
    dosya: 40_logistic.xlsx
  >> SENARYO (anlatim):
    Kurumsal performansi (basarili/basarisiz) dort surekli yordayiciyla
    modelliyoruz. Ikili sonuc icin lojistik regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: corporation_performance
    - Yordayici(lar): kpi
    - Yordayici(lar): operation
    - Yordayici(lar): productivity
    - Yordayici(lar): volatility

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Pseudo R^2 = 0.171   ikili sonuc: corporation_performance   yordayicilar: kpi, operation, productivity, volatility

>> YORUM (anlatim):
    Ikili bir sonucu (kurumsal performans: basarili/basarisiz) dort surekli yordayiciyla modelledik: model orta
    duzeyde aciklama gucu tasiyor (pseudo R^2 = 0.17) ve her yordayicinin odds (sans) uzerindeki etkisini verir.
    Lojistik regresyon, sonuc ikili oldugunda dogrusal regresyonun yerini alir; katsayilar Odds Ratio'ya cevrilerek
    "bu degisken 1 birim artinca basari sansi kac kat degisir?" diye yorumlanir. Isletmede karlilik, basari, terk
    gibi evet/hayir ciktilarini ongormede temel modeldir.

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

#41  Sayim (Poisson) Regresyonu
    dosya: 41_poisson.xlsx
  >> SENARYO (anlatim):
    Uyum/ihlal sayisini yas ve verimlilikle modelliyoruz. Sayim sonucu icin Poisson
    regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: compliance_count
    - Yordayici(lar): age
    - Yordayici(lar): productivity

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 180.91   Deviance = 113.68   McFadden R^2 = 0.014   Overdispersion = 0.64
    sayim sonucu: compliance_count   yordayicilar: age, productivity

>> YORUM (anlatim):
    Bir sayim degiskenini (uyum/ihlal sayisi) yas ve verimlilikle modelledik. Yordayicilarin etkisi zayif (McFadden
    R^2 = 0.01) ve asiri yayilim yok (0.64 < 1), yani Poisson varsayimi makul. Poisson regresyon, sonuc bir sayim
    (0,1,2,... olay adedi) oldugunda dogru modeldir; dogrusal regresyon negatif/kesirli tahmin uretebilecegi icin
    uygunsuzdur. Isletmede sikayet sayisi, ariza adedi, islem frekansi gibi sayim ciktilarini aciklamada kullanilir.

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

#42  Multinomial Lojistik
    dosya: 42_multinomial.xlsx
  >> SENARYO (anlatim):
    Ikiden fazla kategorili sektoru iki yordayiciyla modelliyoruz. Nominal
    cok-sinifli sonuc icin multinomial lojistik uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: sector
    - Yordayici(lar): sales
    - Yordayici(lar): art

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 252.96   Referans sinif: 'artist'   sonuc: sector (>2 kategori)   yordayicilar: sales, art

>> YORUM (anlatim):
    Ikiden fazla kategorili bir sonucu (sektor) iki yordayiciyla (satis, sanat) modelledik. Multinomial lojistik, her
    kategoriyi bir referans sinifa (burada 'artist') karsi ayri lojistik denklemle karsilastirir; katsayilar "X
    artinca bu sektorde olma sansi referansa gore nasil degisir?" diye yorumlanir. Sonuc nominal ve ikiden fazla
    sinifliysa (segment, tercih turu, kategori secimi) dogru secimdir. Isletmede cok-secenekli sinif tahmininde
    standart modeldir.

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

#43  Ordinal Lojistik
    dosya: 43_ordinal.xlsx
  >> SENARYO (anlatim):
    Sirali verimlilik duzeyini yonetici destegi ve sirket firsatlariyla
    modelliyoruz. Sirali sonuc icin ordinal lojistik uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: productivity_level
    - Yordayici(lar): manager_support
    - Yordayici(lar): company_opportunity

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 466.81   sirali sonuc: productivity_level   yordayicilar: manager_support, company_opportunity

>> YORUM (anlatim):
    Sirali bir sonucu (verimlilik duzeyi: dusuk/orta/yuksek) yonetici destegi ve sirket firsatlariyla modelledik.
    Ordinal lojistik, kategoriler arasindaki SIRA bilgisini kullanir (multinomial bunu yok sayar); "orantili odds"
    varsayimiyla tek bir katsayi setiyle tum esikleri aciklar. Isletmede memnuniyet duzeyi, risk derecesi, performans
    sinifi gibi dogal sirali ciktilari modellemede dogru ve daha guclu secimdir.

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

#44  PLS Regresyon
    dosya: 44_pls.xlsx
  >> SENARYO (anlatim):
    Performansi 12 iliskili davranis maddesinden yordiyoruz. Yuksek bagintili cok
    yordayici icin PLS uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: performance
    - Yordayici(lar): behavior_01..12

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R^2 (egitim) = 0.877   R^2 (5-kat CV) = 0.860   yordayici: behavior_01..12 (12 madde)

>> YORUM (anlatim):
    Performansi 12 iliskili davranis maddesinden yordadik. Maddeler birbiriyle yuksek bagintili (multikolinearite)
    oldugundan klasik regresyon kararsizlasir; PLS bunlari az sayida gizli bilesene indirgeyip uzerine regresyon
    kurar. Capraz dogrulanmis R^2 = 0.86 ile model hem guclu hem genellenebilir. PLS, yordayici sayisi cok ya da
    aralarinda yuksek baginti varken idealdir; isletmede cok sayida iliskili gostergeden cikti tahmininde sik
    kullanilir.

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

#45  Probit Regresyon
    dosya: 45_probit.xlsx
  >> SENARYO (anlatim):
    Karliligi operasyon saatiyle probit modelle tahmin ediyoruz. Ikili sonuc icin
    probit (normal baglanti) uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: profitable
    - Yordayici(lar): operation_hour

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 97.53   Pseudo R^2 (McFadden) = 0.603   ikili sonuc: profitable   yordayici: operation_hour

>> YORUM (anlatim):
    Karlilik (profitable: evet/hayir) olasiligini operasyon saatiyle probit modelle tahmin ettik: model cok guclu
    (pseudo R^2 = 0.60). Probit, lojistik gibi ikili sonuclara uygulanir; fark, baglanti fonksiyonunun normal dagilim
    olmasidir (lojistikte logistik). Sonuclar genelde benzer cikar; probit, ardisik bir gizli normal degisken
    varsayiminin dogal oldugu durumlarda tercih edilir. Isletmede ikili karar/sonuc modellemede lojistige alternatif
    saglam bir secimdir.

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

#46  Tobit Regresyon
    dosya: 46_tobit.xlsx
  >> SENARYO (anlatim):
    Sifirda yigilan bir yatirim degiskenini gelir ve cocuk sayisiyla modelliyoruz.
    Sansurlu sonuc icin tobit uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: investment_tuition
    - Yordayici(lar): income
    - Yordayici(lar): child_count

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 475.35   Sol kesim = 0   income katsayisi = 0.152 (p < .001), child_count = -1051.8 (p < .001)
    sonuc: investment_tuition (sansurlu)   yordayicilar: income, child_count

>> YORUM (anlatim):
    Bir alttan sinirli (sifirda yigilan) harcama/yatirim degiskenini income ve child_count ile modelledik. Gelir
    yatirimi anlamli artiriyor, cocuk sayisi anlamli azaltiyor. Tobit, gozlemlerin bir esikte (burada 0) yigildigi
    "sansurlu" bagimli degiskenler icindir; siradan regresyon bu yigilmayi yok sayarak yanli tahmin verir. Isletmede
    sifir harcama/sifir yatirim gibi taban etkili ciktilarda dogru modeldir.

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

#47  Bayesci Dogrusal Regresyon
    dosya: 47_bayesian.xlsx
  >> SENARYO (anlatim):
    Degerlendirme skorunu operasyon ve yasla Bayesci cerceyede modelliyoruz.
    Belirsizligi olasilikla ifade etmek icin Bayesci regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: rating
    - Yordayici(lar): operation
    - Yordayici(lar): age

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    sigma^2 sonsal ort = 16.95 (sd = 2.42)   sonuc: rating   yordayicilar: operation, age
    katsayilarin sonsal dagilimi + P(beta>0) raporlandi

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

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

#48  Dogrusal Olmayan Regresyon
    dosya: 48_nonlinear.xlsx
  >> SENARYO (anlatim):
    Bir ciktinin yasla S-bicimli iliskisini lojistik buyume egrisiyle modelliyoruz.
    Egrisel iliski icin dogrusal olmayan regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: word_count
    - Yordayici(lar): age
    - Deger: fonksiyon/function: logistic

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Fonksiyon: y = K / (1 + exp(-r*(x-x0)))  (lojistik buyume)   R^2 = 0.966

>> YORUM (anlatim):
    Bir ciktinin (word_count) yas ile iliskisini, duz cizgiyle degil S-bicimli lojistik buyume egrisiyle modelledik:
    uyum cok yuksek (R^2 = 0.97). Dogrusal olmayan regresyon, iliski egrisel oldugunda (doyma, esik, ustel buyume)
    teorik fonksiyon formunu dogrudan veriye uydurur ve parametreleri (tavan K, hiz r, donum noktasi x0) yorumlanabilir
    kilar. Isletmede benimseme egrileri, doyum noktasi olan buyume ve oğrenme egrileri gibi S-seyirli surecleri
    modellemede dogru aractir.

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

#49  Ridge Regresyon
    dosya: 49_ridge.xlsx
  >> SENARYO (anlatim):
    Verimliligi 15 iliskili maddeden ridge ile tahmin ediyoruz. Multikolinearite
    icin ridge uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: productivity
    - Yordayici(lar): item_p01..15

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    alpha = 1.0   R^2 = 0.617   yordayici: item_p01..15 (15 madde)

>> YORUM (anlatim):
    Verimliligi 15 iliskili maddeden ridge regresyonla tahmin ettik (R^2 = 0.62). Ridge, katsayilara ceza (L2)
    ekleyerek hepsini buyukluk olarak kuculturur ama sifirlamaz; boylece yordayicilar arasi yuksek bagintinin
    (multikolinearite) yol actigi kararsizligi engeller. Klasik regresyonun katsayilarinin sisip isaret degistirdigi
    durumda daha kararli ve genellenebilir tahmin verir. Isletmede cok sayida ortak-degisen gostergeyle tahmin
    yaparken tercih edilir.

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

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    alpha = 0.1   R^2 = 0.726   30 ozellikten 18'i sifire cekildi (otomatik degisken secimi)

>> YORUM (anlatim):
    Performansi 30 aday ozellikten lasso regresyonla modelledik: R^2 = 0.73 ve lasso, 30 ozellikten 18'inin
    katsayisini tam sifira cekerek yalnizca 12 etkili degiskeni sectı. Ridge'den farki budur: lasso katsayilari
    sifirlayabildigi icin ayni anda hem tahmin yapar hem degisken secer. Isletmede cok sayida aday gosterge arasindan
    "gercekten onemli olan az sayida etkeni" otomatik ayiklamada (sade, yorumlanabilir model) cok kullanislidir.

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

#51  Aracilik Analizi
    dosya: 51_mediation.xlsx
  >> SENARYO (anlatim):
    Destek -> verimlilik -> performans zincirini test ediyoruz. Ara mekanizmayi
    cozmek icin aracilik analizi uygundur.
  >> DEGISKEN SECIMI:
    - Yordayici(lar): parent_support
    - Deger: M (aracі/mediator): productivity
    - Bagimli degisken: performance

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dolayli etki (indirect) = 5.64   %95 GA [3.91, 7.57]   (sifiri icermiyor -> anlamli)
    X: parent_support  M: productivity  Y: performance

>> YORUM (anlatim):
    "Destek (X) -> verimlilik (M) -> performans (Y)" zincirini test ettik: dolayli etki 5.64, %95 guven araligi
    sifiri icermiyor -- yani destegin performansa etkisi onemli olcude verimlilik uzerinden gerceklesiyor. Aracilik
    analizi, "X neden/nasil Y'yi etkiliyor?" sorusunu bir ara mekanizma uzerinden cozer. Isletmede bir mudahalenin
    etkisinin hangi ara surec (motivasyon, verimlilik, surec kalitesi) uzerinden aktigini anlamada gucludur.

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

#52  Yol Analizi
    dosya: 52_path.xlsx
  >> SENARYO (anlatim):
    Degiskenler arasi dogrudan/dolayli iliskileri tek nedensel diyagram olarak test
    ediyoruz. Iliski agi icin yol analizi uygundur.
  >> DEGISKEN SECIMI:
    - Deger: performance ~ self_efficacy + productivity + effort
    - Deger: productivity ~ self_efficacy

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CFI = 0.866   RMSEA = 0.243   model: performance ~ self_efficacy + productivity + effort; productivity ~ self_efficacy

>> YORUM (anlatim):
    Birden cok degisken arasindaki dogrudan ve dolayli iliskileri tek bir nedensel diyagram olarak test ettik. Uyum
    indeksleri (CFI = 0.87, RMSEA = 0.24) modelin verilere kismen uydugunu, iyilestirmeye acik oldugunu gosteriyor.
    Yol analizi, ayri ayri regresyonlar yerine tum iliski agini ayni anda tahmin eder; degiskenlerin hem birbirini
    hem ortak sonucu nasil etkiledigini gosterir. Isletmede teori temelli iliski modellerini (oz-yeterlik ->
    verimlilik -> performans) sinamada kullanilir.

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

#53  Dogrusal Karma Model (LMM)
    dosya: 53_lmm.xlsx
  >> SENARYO (anlatim):
    Ayni firmalarda tekrarli olculen KPI'yi, firmayi rastgele etki alarak
    modelliyoruz. Tekrarli/ic ice veride LMM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: kpi
    - Yordayici(lar): quarter
    - Kume: firm_id (random)

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    ICC = 0.943   Grup varyansi (random intercept) = 356.66   sonuc: kpi   sabit: quarter   grup: firm_id

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

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

#54  Coklu Atfetme
    dosya: 54_multiple_imputation.xlsx
  >> SENARYO (anlatim):
    Eksik veriyi silmek yerine 5 makul deger setiyle dolduruyoruz. Eksik veriyi
    yansiz ele almak icin coklu atfetme uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: kpi
    - Yordayici(lar): operation
    - Yordayici(lar): productivity
    - Yordayici(lar): riskaversion
    - Yordayici(lar): parent_investment

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    m (imputation) = 5   sonuc: kpi   yordayicilar: operation, productivity, riskaversion, parent_investment

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

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

#55  GEE
    dosya: 55_gee.xlsx
  >> SENARYO (anlatim):
    Ayni firmalarin tekrarli ziyaret olcumlerinde verimligi modelliyoruz.
    Populasyon-ortalamasi etki icin GEE uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: productivity
    - Yordayici(lar): visit
    - Kume: firm_id

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    visit katsayisi = 0.779   p = 0.042 *   QIC = 305.56   sonuc: productivity   grup: firm_id

>> YORUM (anlatim):
    Ayni firmalarin tekrarli ziyaret olcumlerinde verimligi modelledik; ziyaret etkisi anlamli (b = 0.78, p = 0.042).
    GEE, tekrarli/kumelenmis veride bireysel etkilerden cok POPULASYON-ORTALAMASI etkiyi tahmin eder ve grup ici
    korelasyonu "calisma korelasyon yapisi" ile duzeltir. LMM bireysel random etkiye odaklanirken, GEE ortalama
    egilime odaklanir. Isletmede "ortalama firmada ziyaretin etkisi nedir?" gibi populasyon duzeyi sorularda
    tercih edilir.

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

#56  GLMM
    dosya: 56_glmm.xlsx
  >> SENARYO (anlatim):
    Ayni firmalarda tekrarli olculen sayim ciktisini ay ve politikayla, firmayi
    rastgele etki alarak modelliyoruz. Tekrarli sayim icin GLMM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: compliance
    - Yordayici(lar): month
    - Yordayici(lar): policy
    - Kume: firm_id (Poisson)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    policy katsayisi = -0.206   p = 0.077 ns   sonuc: compliance (sayim, Poisson)   grup: firm_id

>> YORUM (anlatim):
    Ayni firmalarda tekrarli olculen bir SAYIM ciktisini (uyum sayisi) ay ve politika ile, firmayi rastgele etki
    alarak modelledik; politika etkisi siniri zorluyor ama anlamli degil (p = 0.077). GLMM, LMM'i normal olmayan
    ciktilara (sayim, ikili) genisletir: hem dagilimi (Poisson) hem de kumelenmeyi (random etki) ayni anda dogru ele
    alir. Isletmede tekrarli olculen ikili/sayim ciktilarinda (aylik ihlal sayisi, terk) dogru modeldir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    alpha = 0.0746   L1 orani = 0.50   R^2 (egitim) = 0.604   R^2 (CV) = 0.473   40 yordayici

>> YORUM (anlatim):
    Bir endeksi (index) 40 yordayicidan elastik ag ile modelledik. Elastic Net, ridge (L2) ve lasso (L1) cezalarini
    harmanlar (L1 orani = 0.5): hem birbiriyle bagintili degisken gruplarini birlikte tutar (ridge ozelligi) hem de
    gereksizleri sifirlar (lasso ozelligi). Capraz dogrulanmis R^2 = 0.47 ile model genellenebilirligi olculmus.
    Isletmede cok sayida ve aralarinda kumelenmis yordayici varken, lasso veya ridge'in tek basina yetmedigi
    durumlarda dengeli secimdir.

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

#58  Saglam Regresyon
    dosya: 58_robust.xlsx
  >> SENARYO (anlatim):
    Degerlendirmeyi operasyonla, aykiri degerlerin etkisini azaltarak modelliyoruz.
    Uc degerli veri icin saglam regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: rating
    - Yordayici(lar): operation

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Robust Intercept = 51.24   OLS Intercept = 49.14   sonuc: rating   yordayici: operation

>> YORUM (anlatim):
    Degerlendirmeyi operasyonla modellerken, aykiri degerlerin tahmini saptirmasini onlemek icin saglam regresyon
    kullandik. Robust ve OLS kesim noktalarinin farki (51.24'e karsi 49.14), birkac aykiri gozlemin klasik tahmini
    cektigini gosteriyor; robust yontem bu gozlemlere daha az agirlik vererek "tipik" iliskiyi yansitir. Isletmede
    uc degerlerin (anormal islem, hatali kayit) bulundugu veride, onlari silmeden saglam tahmin almanin dogru yoludur.

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

#59  Kantil Regresyon
    dosya: 59_quantile.xlsx
  >> SENARYO (anlatim):
    KPI'nin dagilimin farkli noktalarini (alt %10, medyan, ust %90) ayri ayri
    modelliyoruz. Degisken etki icin kantil regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: kpi
    - Yordayici(lar): operation
    - Yordayici(lar): productivity
    - Kantiller: 0.10 / 0.50 / 0.90

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    q=0.10, q=0.50, q=0.90 icin ayri egimler raporlandi   sonuc: kpi   yordayici: operation, productivity

>> YORUM (anlatim):
    KPI'nin yalnizca ortalamasini degil, dagilimin farkli noktalarini (alt %10, medyan, ust %90) ayri ayri modelledik.
    Yordayicilarin etkisi kantillere gore degisebilir -- bir etken dusuk performansli firmalarda guclu, yuksek
    performanslilarda zayif olabilir. Kantil regresyon, "ortalama etki" yaniltici oldugunda (etki dagilim boyunca
    degisken) gercek resmi verir. Isletmede esitsizligi ve uc-grup davranisini incelemede klasik regresyonun
    gormedigini gosterir.

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

#60  ROC Egrisi
    dosya: 60_roc.xlsx
  >> SENARYO (anlatim):
    Bir surekli skorun ikili sonucu ne kadar iyi ayirdigini ROC ile
    degerlendiriyoruz. Ayirma gucu ve esik secimi icin ROC uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: successful
    - Yordayici(lar): composite

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AUC = 0.921 (mukemmel ayirici)   Youden optimum esik = 0.710   Duyarlilik = 0.787, 1-Ozgulluk = 0.080
    n = 250 (pozitif 150, negatif 100)

>> YORUM (anlatim):
    Bir surekli skorun (composite) ikili sonucu (successful) ne kadar iyi ayirdigini ROC egrisiyle degerlendirdik:
    AUC = 0.92 ile mukemmel ayirici guc; Youden ile optimum karar esigi 0.71 olarak belirlendi. ROC, tum olasi
    esiklerde duyarlilik-ozgulluk dengesini gosterir ve modeli tek esige bagli kalmadan degerlendirir. Isletmede
    bir skorlama/risk modelinin ayirma gucunu olcmede ve en uygun karar esigini secmede standart aractir.

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

#61  True Skill Statistic (TSS)
    dosya: 61_tss.xlsx
  >> SENARYO (anlatim):
    Bir siniflama modelinin ayirma basarisini TSS ile olcuyoruz. Dengesiz siniflarda
    adil olcum icin TSS uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: pass
    - Yordayici(lar): kpi
    - Yordayici(lar): downtime

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    TSS = 0.34 (kabul edilebilir)   Duyarlilik = 0.74   Ozgulluk = 0.60   N = 200
    ikili sonuc: pass   yordayicilar: kpi, downtime

>> YORUM (anlatim):
    Bir siniflama modelinin (gecti/kaldi) ayirma basarisini TSS ile olctuk: TSS = 0.34 (duyarlilik 0.74, ozgulluk
    0.60). TSS = duyarlilik + ozgulluk - 1; sansla beklenen basariyi disar ve dengesiz siniflarda dahi adil bir
    performans olcusu verir. Accuracy yanli olabilirken (cogunluk sinifa baglanir), TSS hem pozitifleri hem
    negatifleri yakalama gucunu birlikte degerlendirir. Isletmede risk/basari siniflandirma modellerinin gercek
    ayirma gucunu raporlamada saglamdir.

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

#62  Karmasiklik Matrisi Metrikleri
    dosya: 62_complexity.xlsx
  >> SENARYO (anlatim):
    Bir siniflandiricinin tahminlerini gercek etiketlere karsi degerlendiriyoruz.
    Detayli performans icin karmasiklik matrisi uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: actual_label
    - 2. olcum / grup: prediction_label

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Accuracy = 0.93   F1 = 0.918   (gercek etiket vs tahmin etiketi)

>> YORUM (anlatim):
    Bir siniflandiricinin tahminlerini gercek etiketlere karsi karmasiklik matrisi uzerinden degerlendirdik:
    dogruluk %93, F1 = 0.92. Karmasiklik matrisi, dogru/yanlis pozitif ve negatifleri tek tabloda toplar; buradan
    duyarlilik, ozgulluk, kesinlik ve F1 turetilir. Tek bir accuracy sayisi yaniltici olabilecegi icin (ozellikle
    dengesiz siniflarda) bu metrik seti modelin nerede yanildigini gosterir. Isletmede tahmin/siniflandirma
    modellerinin performansini detayli raporlamada temeldir.

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

#63  Rastgele Orman
    dosya: 63_rf.xlsx
  >> SENARYO (anlatim):
    Sektoru bes ozellikten rastgele ormanla siniflandiriyoruz. Dogrusal olmayan
    tahmin icin random forest uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: sector
    - Yordayici(lar): sales
    - Yordayici(lar): marketing
    - Yordayici(lar): kpi
    - Yordayici(lar): logistics
    - Yordayici(lar): age

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Accuracy = 0.757   sonuc: sector   yordayicilar: sales, marketing, kpi, logistics, age

>> YORUM (anlatim):
    Sektoru bes ozellikten rastgele ormanla siniflandirdik: dogruluk %75.7. Random forest, yuzlerce karar agacinin
    oyunu birlestirir; dogrusal olmayan iliskileri ve etkilesimleri otomatik yakalar, ayrica degisken onem siralamasi
    verir. Tek bir agacin asiri uyumunu (overfit) ortalama alarak azaltir. Isletmede karmasik, dogrusal olmayan
    tahmin problemlerinde (segment tahmini, terk riski) hem yuksek dogruluk hem de "hangi degisken onemli" bilgisi
    sundugu icin yaygin kullanilir.

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

#64  Destek Vektor Makineleri (SVM)
    dosya: 64_svm.xlsx
  >> SENARYO (anlatim):
    Karli/karsiz siniflamasini dort ozellikten SVM ile yapiyoruz. Iyi ayrilabilen
    siniflar icin SVM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: corporation_profitable
    - Yordayici(lar): kpi
    - Yordayici(lar): sales
    - Yordayici(lar): trial
    - Yordayici(lar): operation

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Accuracy = 1.00   sonuc: corporation_profitable   yordayicilar: kpi, sales, trial, operation

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

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

#65  Gradyan Artirma
    dosya: 65_gradient_boosting.xlsx
  >> SENARYO (anlatim):
    Terk riskini dort yordayicidan gradyan artirma ile siniflandiriyoruz. En yuksek
    dogruluk icin gradient boosting uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: churn_risk
    - Yordayici(lar): kpi
    - Yordayici(lar): downtime
    - Yordayici(lar): volatility
    - Yordayici(lar): parent_joint

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Accuracy = 0.982   sonuc: churn_risk   yordayicilar: kpi, downtime, volatility, parent_joint

>> YORUM (anlatim):
    Terk riskini (churn_risk) dort yordayicidan gradyan artirma ile siniflandirdik: dogruluk %98.2. Gradient boosting,
    zayif agaclari ardisik olarak ekler -- her yeni agac onceki modelin hatalarini duzeltir; bu yuzden cogu tahmin
    yarismasinin kazanan yontemidir. Random forest paralel "oy" verirken, boosting hatayi adim adim azaltir. Isletmede
    en yuksek tahmin dogrulugunun arandigi (risk skorlama, terk ongorusu) durumlarda tercih edilir; asiri uyuma karsi
    ayarlama gerektirir.

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

#66  K-Ortalamalar Kumeleme
    dosya: 66_kmeans.xlsx
  >> SENARYO (anlatim):
    Firmalari dort ozellige gore kumeliyoruz. Segmentasyon icin k-means uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: kpi
    - Degiskenler: operation
    - Degiskenler: sales
    - Degiskenler: trial
    - Kume sayisi: 4

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n_clusters = 4   Silhouette = 0.459   degiskenler: kpi, operation, sales, trial

>> YORUM (anlatim):
    Firmalari dort ozellige gore (KPI, operasyon, satis, deneme) 4 kumeye ayirdik: silhouette = 0.46, makul-orta
    ayrisma. K-means, gozlemleri en yakin kume merkezine atar ve merkezleri iteratif olarak gunceller; benzer
    firmalari dogal gruplara ayirir. Onceden etiket gerekmez (gozetimsiz). Isletmede musteri/firma segmentasyonunda,
    pazar bolumlemede temel yontemdir; silhouette kume sayisinin uygunlugunu denetler.

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

#67  Hiyerarsik Kumeleme
    dosya: 67_hierarchic.xlsx
  >> SENARYO (anlatim):
    On davranis maddesine gore firmalari hiyerarsik kumeliyoruz. Ic-ice segment
    yapisi icin hiyerarsik kumeleme uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: behavior_01..10
    - Kume sayisi: 5

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n_clusters = 5   Silhouette = 0.123   degiskenler: behavior_01..10 (10 madde)

>> YORUM (anlatim):
    On davranis maddesine gore firmalari hiyerarsik kumelemeyle 5 gruba ayirdik (silhouette = 0.12, zayif ayrisma --
    gruplar kismen ic ice). Hiyerarsik kumeleme, gozlemleri adim adim birlestirerek bir agac (dendrogram) kurar;
    k-means'ten farki, kume sayisini onceden belirlemek zorunda olmamak ve ic-ice yapiyi gormektir. Isletmede
    segmentlerin hiyerarsisini (ana grup -> alt grup) kesfetmede ve dogal kume sayisini dendrogramdan okumada
    kullanilir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n_clusters = 4   Silhouette = 0.916   degiskenler: lat, lon (konum)

>> YORUM (anlatim):
    Firmalarin konumlarini (lat, lon) yogunluk temelli DBSCAN ile kumeledik: 4 yogun kume, silhouette = 0.92 ile cok
    iyi ayrisma. DBSCAN, k-means'ten farkli olarak kume sayisini onceden istemez, herhangi bir bicimde kume bulabilir
    ve seyrek noktalari "gurultu" olarak isaretler. Isletmede mekansal yogunlasmalari (sube kumeleri, musteri
    sicaklik bolgeleri) saptamada ve aykiri konumlari ayiklamada idealdir.

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

#69  Temel Bilesenler (PCA)
    dosya: 69_pca.xlsx
  >> SENARYO (anlatim):
    Alti iliskili gostergeyi PCA ile az sayida bilesene indirgiyoruz. Boyut
    indirgeme icin PCA uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: sales
    - Degiskenler: operations
    - Degiskenler: marketing
    - Degiskenler: logistics
    - Degiskenler: logic
    - Degiskenler: art

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    PC1 varyansin %88.3'unu acikliyor   degiskenler: sales, operations, marketing, logistics, logic, art

>> YORUM (anlatim):
    Alti iliskili gostergeyi PCA ile az sayida bilesene indirgedik: ilk bilesen tek basina varyansin %88'ini
    acikliyor -- yani bu alti olcu buyuk olcude tek bir gizli boyutu (genel performans/buyukluk) yansitiyor. PCA,
    bagintili degiskenleri birbirinden bagimsiz bilesenlere donusturur; boyut indirger, gorsellestirmeyi
    kolaylastirir ve multikolinariteyi cozer. Isletmede cok-gostergeli verileri ozetlemede ve bir "bilesik endeks"
    olusturmada temeldir.

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

#70  t-SNE
    dosya: 70_tsne.xlsx
  >> SENARYO (anlatim):
    12 boyutlu veriyi gorsellestirme icin 2 boyuta t-SNE ile indiriyoruz. Dogrusal
    olmayan kume kesfi icin t-SNE uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: item_01..12

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    KL Iraksamasi = 0.544 (iyi)   yuksek boyutlu 12 madde 2 boyuta gomuldu

>> YORUM (anlatim):
    On iki boyutlu veriyi, gorsellestirme icin 2 boyuta t-SNE ile indirdik (KL = 0.54, iyi kalite). t-SNE, yuksek
    boyutlu komsulukları korumaya calisarak benzer gozlemleri yakin, farkliları uzak konumlandirir; PCA'nin gormedigi
    dogrusal olmayan kume yapilarini gorsel olarak ac- ortaya cikarir. Yorum gorseldir (eksenlerin mutlak anlami
    yoktur). Isletmede yuksek boyutlu segment/davranis verisindeki gizli kumeleri kesfetmeden once kesifsel
    gorsellestirme icin kullanilir.

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

#71  Cok Boyutlu Olcekleme (MDS)
    dosya: 71_mds.xlsx
  >> SENARYO (anlatim):
    Firmalar arasi benzerlik yapisini 2 boyutlu haritaya yerlestiriyoruz.
    Algi/benzerlik haritasi icin MDS uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: kpi
    - Degiskenler: operation
    - Degiskenler: sales
    - Degiskenler: operations
    - Degiskenler: marketing

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Stress (Kruskal-1) = 0.052 (kabul edilebilir)   degiskenler: kpi, operation, sales, operations, marketing

>> YORUM (anlatim):
    Firmalar arasi uzaklik/benzerlik yapisini, dusuk stress (0.05) ile 2 boyutlu bir haritaya yerlestirdik: dusuk
    stress, haritanin gercek uzakliklari iyi temsil ettigini gosteriyor. MDS, gozlemler arasi mesafeleri koruyarak
    onlari yorumlanabilir bir uzayda konumlandirir; t-SNE'den farki, kuresel mesafe yapisini koruma amacidir.
    Isletmede urun/firma/marka benzerlik haritalarini (algi haritasi) cizmede ve rekabet konumlandirmasinda
    kullanilir.

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

#72  UMAP
    dosya: 72_umap.xlsx
  >> SENARYO (anlatim):
    25 boyutlu davranis verisini UMAP ile 2 boyuta indiriyoruz. Hem yerel hem
    kuresel yapi icin UMAP uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: behavior_01..25

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

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

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cronbach alpha = 0.972 (mukemmel ic tutarlilik)   21 madde

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

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

#74  Likert Olcek Analizi
    dosya: 74_likert.xlsx
  >> SENARYO (anlatim):
    Uc alt-olcekten olusan 15 maddelik Likert setini cozumluyoruz. Sirali olcek
    ozeti ve guvenilirligi icin Likert analizi uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: productivity_1..5 / self_efficacy_1..5 / riskaversion_1..5

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Madde sayisi k = 15   Cronbach alpha = 0.776 (kabul edilebilir)

>> YORUM (anlatim):
    Uc alt-olcekten (verimlilik, oz-yeterlik, riskten kacinma) olusan 15 maddelik Likert setini cozumledik:
    guvenilirlik kabul edilebilir (alpha = 0.78), madde dagilimlari ve merkezi egilimler raporlandi. Likert analizi,
    sirali olcek yanitlarini (1-5) uygun ozetlerle (medyan, dagilim, yigilma) betimler ve olcek guvenilirligini
    denetler. Isletmede tutum/algi anketlerinin (memnuniyet, baglilik) dogru ozetlenmesi ve yorumlanmasi icin
    kullanilir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    KMO = 0.908 (mukemmel)   faktor analizi uygun   18 madde (q01..18)

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

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

#76  Sinif Ici Korelasyon (ICC)
    dosya: 76_icc.xlsx
  >> SENARYO (anlatim):
    Uc yoneticinin verdigi surekli puanlarin tutarliligini olcuyoruz. Surekli puanda
    gozlemci guvenirligi icin ICC uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: manager_a
    - Degiskenler: manager_b
    - Degiskenler: manager_c

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    ICC(1,1) = 0.961 (Mukemmel)   %95 GA [0.940, 0.980]   3 degerlendirici (manager_a/b/c)

>> YORUM (anlatim):
    Uc yoneticinin ayni birimlere verdigi puanlarin tutarliligini ICC ile olctuk: ICC = 0.96, mukemmel -- degerlendi-
    riciler neredeyse ozdes puanliyor. ICC, kappa'dan farkli olarak SUREKLI puanlarda gozlemciler arasi guvenirligi
    olcer ve hem tutarliligi hem mutlak uyumu degerlendirebilir. Isletmede performans/kalite degerlendirmelerinde
    farkli denetcilerin puanlarinin ne kadar guvenilir/degistirilebilir oldugunu saptamada standart gostergedir.

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

#77  Dogrulayici Faktor Analizi (CFA)
    dosya: 77_cfa.xlsx
  >> SENARYO (anlatim):
    Onceden tanimli uc faktorlu yapinin verilere uyup uymadigini siniyoruz. Olcek
    yapi gecerligi icin CFA uygundur.
  >> DEGISKEN SECIMI:
    - Deger: self: self_1..4
    - Deger: financial: financial_1..4
    - Deger: social: social_1..4

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CFI = 1.001   RMSEA = 0.000   3 faktor: self / financial / social (her biri 4 madde)

>> YORUM (anlatim):
    EFA'nin aksine, onceden tanimladigimiz uc faktorlu yapinin (oz/finansal/sosyal) verilere uyup uymadigini CFA ile
    SINADIK: uyum indeksleri mukemmel (CFI = 1.00, RMSEA = 0.00). CFA, teorik olcek modelini test eder -- her maddenin
    hangi faktore yuklendigi onceden bellidir, soru "model veriye uyuyor mu?"dur. Isletmede gelistirilmis bir olcegin
    yapi gecerligini dogrulamada (memnuniyet/baglilik boyutlari teoriye uyuyor mu) zorunlu adimdir.

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

#78  Anket Ortalamasi
    dosya: 78_survey_means.xlsx
  >> SENARYO (anlatim):
    Tabakali/agirlikli anket tasariminda lojistik gostergesinin ortalamasini tahmin
    ediyoruz. Karmasik orneklem icin tasarim-temelli ortalama uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: survey_logistics
    - Agirlik: weight
    - Tabaka/Katman: region

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    survey_logistics: M_hat = 458.99   SE = 3.99   %95 GA [451.14, 466.83]   CV %0.87
    agirlik: weight, tabaka: region

>> YORUM (anlatim):
    Tabakali/agirlikli bir anket tasariminda lojistik gostergesinin ortalamasini, tasarimi dikkate alarak tahmin
    ettik: M = 458.99, Taylor lineerleme SE'si ile %95 GA [451, 467]. Karmasik orneklem yontemleri, esit olmayan
    secilme olasiliklarini (agirlik) ve tabakalamayi hesaba katar; bunlar yok sayilirsa standart hatalar yanli cikar.
    Isletmede ulusal/bolgesel temsili anketlerden (tabakali, agirlikli) dogru nokta tahmini ve guven araligi
    uretmenin dogru yoludur.

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

#79  Anket Frekansi
    dosya: 79_survey_freq.xlsx
  >> SENARYO (anlatim):
    Bir kategorik anket sorusunun kategori oranlarini tasarimi dikkate alarak tahmin
    ediyoruz. Karmasik orneklem icin tasarim-temelli frekans uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: corporation_intention
    - Agirlik: weight
    - Tabaka/Katman: region

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    corporation_intention kategorileri icin agirlikli oranlar + Taylor SE + %95 GA
    (or. 'maybe' p_hat = 0.363, 'certain' p_hat = 0.095)

>> YORUM (anlatim):
    Bir kategorik anket sorusunun (kurumsallasma niyeti) kategori oranlarini, orneklem agirliklari ve tabakalama
    altinda tahmin ettik; her oran icin tasarima dayali SE ve guven araligi verildi. Karmasik anket frekans analizi,
    basit yuzde hesabinin aksine, orneklem tasarimini dikkate alarak populasyon oranlarini yanli olmadan kestirir.
    Isletmede temsili anketlerden kategori dagilimlarini (niyet, tercih) dogru raporlamada kullanilir.

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

#80  Anket Toplami
    dosya: 80_survey_total.xlsx
  >> SENARYO (anlatim):
    Orneklemden populasyon toplamini (toplam yonetici) tahmin ediyoruz. Karmasik
    orneklem icin tasarim-temelli toplam uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: manager_count
    - Agirlik: weight
    - Tabaka/Katman: stratum

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    manager_count: T_hat = 67,866   SE = 1,314.75   %95 GA [65,278, 70,454]   tabaka: stratum

>> YORUM (anlatim):
    Orneklemden populasyon TOPLAMINI (toplam yonetici sayisi) tahmin ettik: T = 67,866, %95 GA [65,278, 70,454].
    Agirliklar her gozlemin populasyonda kac birimi temsil ettigini soyler; toplam tahmini bu agirliklarin
    toplamiyla yapilir ve Taylor SE ile belirsizligi raporlanir. Isletmede orneklemden tum populasyona olceklenmis
    toplamlar (toplam ciro, toplam istihdam) uretmede dogru yontemdir.

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

#81  Anket Regresyonu
    dosya: 81_survey_reg.xlsx
  >> SENARYO (anlatim):
    Bir anket cikti degiskenini tasarimi dikkate alarak regresyona sokuyoruz.
    Karmasik orneklemde iliski icin tasarim-temelli regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: survey
    - Yordayici(lar): age
    - Yordayici(lar): volatility
    - Agirlik: weight
    - Tabaka/Katman: region

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R^2 = 0.185   age katsayisi = 14.12 (p < .001)   sonuc: survey   yordayicilar: age, volatility   agirlik: weight

>> YORUM (anlatim):
    Bir anket cikti degiskenini, orneklem tasarimini (agirlik, tabaka) dikkate alarak regresyona soktuk: yas anlamli
    bir yordayici (b = 14.12, p < .001), model varyansin %18.5'ini acikliyor. Tasarim-temelli regresyon, agirliklari
    ve kume/tabaka yapisini katsayi ve standart hata hesabina dahil eder; siradan regresyon bunlari yok sayarak yanli
    cikarim verir. Isletmede temsili anket verisinde iliski modellemenin dogru yoludur.

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

#82  Anket Lojistik Regresyonu
    dosya: 82_survey_logistic.xlsx
  >> SENARYO (anlatim):
    Ikili bir anket sonucunu (karli mi) tasarim-agirlikli lojistikle modelliyoruz.
    Karmasik orneklemde ikili sonuc icin uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: corporation_profitable
    - Yordayici(lar): kpi
    - Yordayici(lar): volatility
    - Agirlik: weight
    - Tabaka/Katman: region

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    kpi: OR = 1.053   p < .001 ***   ikili sonuc: corporation_profitable   yordayicilar: kpi, volatility   agirlik: weight

>> YORUM (anlatim):
    Ikili bir anket sonucunu (karli mi) tasarim-agirlikli lojistik regresyonla modelledik: KPI'nin her bir birim
    artisi karlilik oddsunu ~%5.3 artiriyor (OR = 1.053, p < .001). Bu yontem, lojistik regresyonu karmasik orneklem
    tasarimina genisletir -- agirlik ve tabaka standart hatalara yansir. Isletmede temsili anketlerden ikili sonuc
    (karli/zararda, memnun/degil) olasiligini dogru tahmin etmede kullanilir.

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

#83  Genellestirilmis Toplamsal Model (GAM)
    dosya: 83_gam.xlsx
  >> SENARYO (anlatim):
    Degerlendirmeyi operasyonla, iliskiyi esnek bir egriyle modelliyoruz. Dogrusal
    olmayan etki icin GAM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: rating
    - Yordayici(lar): operation (smooth)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Pseudo R^2 (aciklanan) = 0.756   sonuc: rating   yordayici: operation (duzgun/smooth terim)

>> YORUM (anlatim):
    Degerlendirmeyi operasyonla, iliskinin bicimini onceden duz cizgi varsaymadan, esnek bir egri (smooth) ile
    modelledik: aciklanan varyans yuksek (pseudo R^2 = 0.76). GAM, dogrusal regresyonu genisletir -- her yordayicinin
    etkisini veriden ogrenilen duzgun bir fonksiyon olarak modeller, boylece egrisel iliskileri yorumlanabilirligi
    kaybetmeden yakalar. Isletmede etkinin dogrusal olmadigi (doyma, esik) iliskilerde, kara-kutu modellere gore
    daha aciklayici bir secimdir.

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

#84  Diskriminant Analizi
    dosya: 84_diskriminant.xlsx
  >> SENARYO (anlatim):
    Firma segmentini bes surekli olcuden siniflandiriyoruz. Onceden tanimli gruplara
    atama icin diskriminant uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: segment
    - Yordayici(lar): sales
    - Yordayici(lar): operations
    - Yordayici(lar): kpi
    - Yordayici(lar): downtime
    - Yordayici(lar): operation

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dogruluk = 1.00   sonuc: segment   yordayicilar: sales, operations, kpi, downtime, operation

>> YORUM (anlatim):
    Firma segmentini bes surekli olcuden diskriminant analiziyle siniflandirdik: dogruluk %100 -- segmentler bu
    olculerle tam ayrisiyor (asiri uyum riski capraz dogrulamayla kontrol edilmeli). Diskriminant analizi, gruplari
    en iyi ayiran dogrusal bilesimleri bulur; hem siniflandirma yapar hem hangi degiskenin ayrimda en etkili oldugunu
    gosterir. Isletmede onceden tanimli segmentlere yeni firmalari atamada ve ayirici ozellikleri belirlemede
    kullanilir.

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

#85  Kosullu Lojit
    dosya: 85_conditional_logit.xlsx
  >> SENARYO (anlatim):
    Firmalarin alternatifler arasindan secimlerini secenek ozellikleriyle
    modelliyoruz. Ayrik secim verisi icin kosullu lojit uygundur.
  >> DEGISKEN SECIMI:
    - Secici: firm_id
    - Secim: chosen
    - Secenek ozellikleri: fee
    - Secenek ozellikleri: distance_km

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    McFadden pseudo R^2 = 1.00   secici: firm_id   secim: chosen   ozellikler: fee, distance_km

>> YORUM (anlatim):
    Firmalarin alternatifler arasindan yaptigi secimleri, secenek ozelliklerine (ucret, mesafe) gore kosullu lojitle
    modelledik. Bu model, her bireyin bir secenek kumesinden birini sectigi "ayrik secim" verisi icindir; secenegin
    ozelliklerinin secilme olasiligini nasil etkiledigini tahmin eder. Standart lojistikten farki, secimin birey ici
    secenek kumesine kosullu olmasidir. Isletmede tuketici/firma tercih modellemede (fiyat-mesafe-ozellik etkisi)
    temel yontemdir.

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

#86  Kaplan-Meier Sagkalim
    dosya: 86_km.xlsx
  >> SENARYO (anlatim):
    Firmalarin bir olaya kadar gecen suresini ve gruplar arasi farki inceliyoruz.
    Sansurlu sure verisi icin Kaplan-Meier uygundur.
  >> DEGISKEN SECIMI:
    - Sure: duration_quarter
    - Olay: graduate
    - Gruplama (kategorik): department

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Medyan sagkalim = 8.4 ceyrek   Log-rank chi^2(2) = 1.17, p = 0.557 ns   sure: duration_quarter, olay: graduate, grup: department

>> YORUM (anlatim):
    Firmalarin bir olaya (graduate/cikis) kadar gecen suresini Kaplan-Meier ile inceledik: medyan sagkalim 8.4 ceyrek;
    departmanlar arasi sagkalim egrileri log-rank ile karsilastirildi (p = 0.56, fark yok). KM, sansurlu sure verisini
    (olay henuz gerceklesmeyenler) dogru ele alir; siradan ortalama bu gozlemleri yok sayip yanli cikarir. Isletmede
    musteri/calisan/sozlesme "yasam suresi" ve terk zamanlamasi analizinde temeldir.

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

#87  Cox Orantili Tehlike
    dosya: 87_cox.xlsx
  >> SENARYO (anlatim):
    Terk riskini surekli ve kategorik yordayicilarla Cox modeliyle inceliyoruz.
    Sansurlu surede cok yordayici icin Cox uygundur.
  >> DEGISKEN SECIMI:
    - Sure: duration_quarter
    - Olay: churn
    - Yordayici(lar): age
    - Yordayici(lar): kpi
    - Yordayici(lar): scholarship
    - Yordayici(lar): 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):
    kpi: HR = 0.983   p = 0.002 **   (her birim KPI ~ %1.7 dusuk olay riski)
    sure: duration_quarter, olay: churn   yordayicilar: age, kpi, scholarship, family_support

>> YORUM (anlatim):
    Terk (churn) riskini, surekli ve kategorik yordayicilarla Cox modeliyle inceledik: KPI'nin her birim artisi olay
    (terk) tehlikesini ~%1.7 azaltiyor (HR = 0.983, p = 0.002). Cox regresyonu, sansurlu sure verisinde birden cok
    yordayicinin "olay zamani" uzerindeki etkisini tehlike orani (HR) olarak verir; temel tehlikenin sekli hakkinda
    varsayim yapmaz. Isletmede terk/iflas/ariza riskini belirleyen etkenleri saptamada altin standarttir.

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

#88  Parametrik Sagkalim (AFT)
    dosya: 88_aft.xlsx
  >> SENARYO (anlatim):
    Sagkalim suresini Weibull dagilimi varsayarak modelliyoruz. Surenin acik tahmini
    icin AFT uygundur.
  >> DEGISKEN SECIMI:
    - Sure: duration_quarter
    - Olay: graduate
    - Yordayici(lar): scholarship

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dagilim: Weibull   Medyan sagkalim = 6.91 ceyrek   sure: duration_quarter, olay: graduate, yordayici: scholarship

>> YORUM (anlatim):
    Sagkalim suresini parametrik (Weibull) bir dagilim varsayarak modelledik: medyan sagkalim ~6.9 ceyrek. AFT
    (hizlandirilmis basarisizlik zamani) modelleri, Cox'tan farkli olarak tehlikenin sekli icin acik bir dagilim
    secer ve yordayicilarin sureyi nasil "hizlandirdigi/yavaslattigini" dogrudan yorumlar. Veri varsayilan dagilima
    uyuyorsa Cox'tan daha gucludur. Isletmede surenin acik tahmini ve ekstrapolasyonu gerektiginde tercih edilir.

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

#89  Rekabet Eden Riskler
    dosya: 89_competing.xlsx
  >> SENARYO (anlatim):
    Firmanin birden fazla farkli sonla karsilasabildigi durumu modelliyoruz.
    Birbirini dislayan olaylar icin rekabet eden riskler uygundur.
  >> DEGISKEN SECIMI:
    - Sure: duration_quarter
    - Olay: separation -> olay tipi / event type
    - Yordayici(lar): kpi

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Sansurlu (0) = 49   farkli ayrilma turleri (separation) ayri olay tipleri olarak modellendi

>> YORUM (anlatim):
    Firmanin birden fazla farkli sonla (ayrilma turleri) karsilasabildigi durumu rekabet eden riskler cercevesinde
    inceledik: 49 gozlem sansurlu, kalanlar farkli olay tiplerine ayrildi. Standart sagkalim her olayi ayni sayarken,
    rekabet eden riskler yontemi "biri gerceklesince digerleri artik olamaz" gercegini hesaba katar ve her olay tipi
    icin ayri kumulatif insidans verir. Isletmede ayni firmanin birbirini dislayan farkli sonlarini (iflas, devir,
    birlesme) dogru modellemede gereklidir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    kpi: HR = 1.001   p = 0.944 ns   (zamanla degisen kovaryat)   id: firm_id, baslangic/bitis araliklari

>> YORUM (anlatim):
    Yordayicinin (KPI) zaman icinde DEGISTIGI bir Cox modeli kurduk: her firma icin baslangic-bitis araliklariyla
    KPI'nin guncel degeri kullanildi; etki burada anlamli degil (HR = 1.001, p = 0.94). Zamana bagli Cox, sabit
    olmayan kovaryatlari (degisen KPI, degisen fiyat) dogru ele alir -- olay aninda yordayicinin guncel degerini
    kullanir. Isletmede zamanla degisen risk faktorlerinin (degisken performans, degisen kosul) olay uzerindeki
    etkisini modellemede dogru yontemdir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Concordance = 0.50   region_n: p = 0.863 ns   sure: duration_quarter, olay: churn   agirlik: weight, kume: company_id

>> YORUM (anlatim):
    Sagkalim/terk analizini karmasik anket tasarimina (agirlik + kume) tasiyarak Cox modeli kurduk: bolge etkisi
    anlamli degil (p = 0.86), concordance 0.50 (ayirma gucu zayif). survey_phreg, orantili tehlike modelini tabaka/
    kume/agirlik yapisina genisletir -- standart hatalar tasarima gore duzeltilir. Isletmede temsili panel/anket
    verisinde olay zamani (terk, iflas) modellemenin tasarima sadik yoludur.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Olay sayisi = 48   Medyan sagkalim = 12.0   (alt sinir: left_censor, ust sinir: survival_censor)

>> YORUM (anlatim):
    Olayin tam zamani bilinmeyip yalnizca bir ARALIK icinde gerceklestigi bilinen veriyi modelledik: medyan sagkalim
    12 birim, 48 olay. Aralik sansurlu yontemler, olayin "iki gozlem arasinda bir yerde" oldugu durumlar (periyodik
    denetimler arasi) icindir; olayi aralik orta/uc noktasina sabitlemek yanli sonuc verirken bu yontem belirsizligi
    dogru tasir. Isletmede periyodik incelemeler arasinda gerceklesen olaylari (iki denetim arasi bozulma) dogru
    modellemede kullanilir.

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

#93  Kirilganlik (Frailty) Cox
    dosya: 93_frailty.xlsx
  >> SENARYO (anlatim):
    Kumelenmis sagkalim verisinde sirkete ozgu gizli riski frailty olarak
    modelliyoruz. Paylasilan gizli risk icin frailty Cox uygundur.
  >> DEGISKEN SECIMI:
    - Sure: duration_quarter
    - Olay: churn
    - Yordayici(lar): clinical_group (faktorize/factorized)
    - Kume: company_id

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Concordance = 0.50   cg_n: p = 0.216 ns   sure: duration_quarter, olay: churn   kume: company_id (frailty)

>> YORUM (anlatim):
    Kumelenmis sagkalim verisinde (ayni sirket icindeki firmalar) sirkete ozgu gozlenmeyen riski "frailty" (rastgele
    etki) olarak modelledik; klinik grup etkisi anlamli degil (p = 0.22). Frailty Cox, ayni kumedeki birimlerin
    paylastigi gizli riski hesaba katar -- standart Cox'un ihlal ettigi bagimsizlik varsayimini cozer. Isletmede
    sube/sirket/bolge icinde kumelenmis olay verisinde (paylasilan gizli risk) dogru secimdir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    60 gozlem (aylik)   ADF p = 0.858 (duragan degil)   Trend: artan   Mevsimsellik tespit edildi

>> YORUM (anlatim):
    Aylik bir seriyi (record) inceledik: ADF testi durağan olmadigini gosteriyor (p = 0.86), seride artan trend ve
    mevsimsellik var. Zaman serisi analizi, gozlemlerin zaman sirasina bagli yapisini (trend, mevsim, otokorelasyon)
    ortaya cikarir; siradan istatistikler bu bagimlilik nedeniyle yaniltici olur. Duraganlik, ARIMA gibi modellerin on
    kosuludur; durağan degilse fark alma gerekir. Isletmede satis/talep/ciro serilerini cozumlemenin baslangic
    adimidir.

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

#95  STL Ayristirmasi
    dosya: 95_stl.xlsx
  >> SENARYO (anlatim):
    Verimlilik serisini trend, mevsim ve artik bilesenlerine ayiriyoruz.
    Mevsimsellik ayristirma icin STL uygundur.
  >> DEGISKEN SECIMI:
    - Tarih: date
    - Deger: productivity

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

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

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

#96  ARIMA Tahmin
    dosya: 96_arima.xlsx
  >> SENARYO (anlatim):
    Seriyi ARIMA ile modelleyip gelecege yonelik tahmin uretiyoruz. Talep/satis
    ongorusu icin ARIMA uygundur.
  >> DEGISKEN SECIMI:
    - Tarih: date
    - Deger: graduate

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    ARIMA modeli secildi   AIC = 2512.56   gelecege yonelik tahmin + guven araligi

>> YORUM (anlatim):
    Seriyi (graduate) ARIMA ile modelleyip gelecege yonelik tahmin urettik (AIC = 2512.56 ile model secimi). ARIMA,
    serinin kendi gecmis degerleri (AR), trendi (I - fark alma) ve gecmis hatalari (MA) uzerinden gelecegi ongorur;
    duragan hale getirilmis seride guclu kisa-orta vadeli tahmin saglar. Isletmede talep/satis/stok ongorusunde en
    yaygin klasik yontemdir; guven araligi tahmin belirsizligini gosterir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Yontem: Holt-Winters (mevsimsel toplamsal, period = 12)   AIC = 965.83

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

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

#98  Mann-Kendall Trend
    dosya: 98_mann_kendall.xlsx
  >> SENARYO (anlatim):
    Lojistik degerlendirme serisinde anlamli egilimi dagilim varsaymadan test
    ediyoruz. Saglam trend tespiti icin Mann-Kendall uygundur.
  >> DEGISKEN SECIMI:
    - Deger: logistics_rating

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

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

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

#99  Anomali Tespiti
    dosya: 99_anomali.xlsx
  >> SENARYO (anlatim):
    Cok-degiskenli verideki olagandisi gozlemleri tespit ediyoruz. Bilesik aykiri
    tespiti icin anomali tespiti uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: kpi
    - Degiskenler: operation
    - Degiskenler: absent
    - Degiskenler: rating

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Anomali sayisi = 18   degiskenler: kpi, operation, absent, rating

>> YORUM (anlatim):
    Cok-degiskenli verideki olagandisi gozlemleri otomatik tespit ettik: 18 firma anomali olarak isaretlendi. Anomali
    tespiti, normalden belirgin sapan gozlemleri (hatali kayit, dolandiricilik, istisnai durum) cok degiskeni birlikte
    degerlendirerek bulur; tek degiskenli esiklerin kacirdigi "bilesik" aykiriliklari yakalar. Isletmede kalite
    kontrol, dolandiricilik/hata tespiti ve istisnai firma davranislarinin erken saptanmasinda kullanilir.

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

#100  Varyans Bilesenleri
    dosya: 100_varcomp_3level_h2.xlsx
  >> SENARYO (anlatim):
    Ciro degiskenligini ic ice duzeylere (bolge, sube) ayristiriyoruz. Hiyerarsik
    degiskenlik icin varyans bilesenleri uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: revenue
    - Faktor (kategorik): region_branch
    - Faktor (kategorik): branch_branch (nested)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Random faktorler: region_branch + branch_branch (region icinde nested)   her bilesenin % katkisi + artik

>> YORUM (anlatim):
    Ciro (revenue) degiskenligini, ic ice (nested) duzeylere -- bolge ve bolge icindeki sube -- ayristirdik: her
    duzeyin toplam degiskenlige yuzde katkisi ve artik raporlandi. Varyans bilesenleri analizi, "degiskenligin ne
    kadari bolgeler arasi, ne kadari subeler arasi, ne kadari sube ici?" sorusunu yanitlar. Isletmede hiyerarsik
    yapilarda (bolge>sube>islem) belirsizligin nerede yogunlastigini gormede ve orneklem/izleme tasariminda
    kullanilir.

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

#101  Bayesci t-Testi
    dosya: 101_bayesian_t_test_new_old.xlsx
  >> SENARYO (anlatim):
    Iki grubun ciro farkini Bayesci t-testiyle, kanit gucunu Bayes faktoru olarak
    inceliyoruz. Sezgisel kanit orani icin uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: revenue
    - Gruplama (kategorik): group

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    BF10 = 3.55e+29   Cohen's d = 2.250   (H1 lehine ezici kanit)   sonuc: revenue, grup: group

>> YORUM (anlatim):
    Iki grubun (yeni/eski) ciro farkini Bayesci t-testiyle inceledik: Bayes faktoru ezici (BF10 ~ 3.6e29), etki cok
    buyuk (d = 2.25) -- veri, fark oldugu hipotezini fark olmadigina karsi astronomik oranda destekliyor. Bayes
    faktoru, p-degerinden farkli olarak iki hipotezin GORELI kanit gucunu verir ve "kanit yok" ile "fark yok"u ayirt
    edebilir. Isletmede kararin kanit guucunu sezgisel bir oranla ifade etmek istendiginde tercih edilir.

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

#102  Bayesci Korelasyon
    dosya: 102_bayesian_correlation_BF10.xlsx
  >> SENARYO (anlatim):
    Iki degisken arasindaki iliskiyi Bayesci cerceyede degerlendiriyoruz. Iliskinin
    kanit gucu icin Bayesci korelasyon uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: X_variable
    - 2. olcum / grup: Y_variable

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    r = 0.780 (cok guclu)   BF10 = 4.50e+14   (iliski var hipotezine ezici kanit)

>> YORUM (anlatim):
    Iki degisken arasindaki iliskiyi Bayesci cerceyede degerlendirdik: r = 0.78 ve BF10 ~ 4.5e14, yani iliski oldugu
    hipotezine cok guclu kanit. Bayesci korelasyon, klasik p-degeri yerine iliskinin kanit gucunu Bayes faktoru olarak
    ve katsayinin sonsal dagilimini sunar. Isletmede iki gosterge arasindaki iliskinin yalnizca "anlamli mi" degil
    "ne kadar guclu kanitli" oldugunu raporlamada degerlidir.

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

#103  Bayesci ANOVA
    dosya: 103_bayesian_anova_2way.xlsx
  >> SENARYO (anlatim):
    Cironun iki faktore gore farkini Bayesci ANOVA ile inceliyoruz. Faktor
    etkilerinin kanit gucu icin uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: revenue
    - Faktor (kategorik): factor1
    - 2. Faktor: factor2

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    factor1: BF10 = 76099 (cok guclu kanit)   sonuc: revenue, faktorler: factor1, factor2

>> YORUM (anlatim):
    Cironun iki faktore gore farkini Bayesci ANOVA ile inceledik: factor1 icin BF10 ~ 76,000 ile cok guclu kanit.
    Bayesci ANOVA, faktorlerin ve etkilesimlerinin etkisini Bayes faktorleriyle karsilastirir; hangi modelin (hangi
    etkilerin) veriyi en iyi acikladigini olasilikli olarak siralar. Klasik ANOVA'nin "reddet/reddetme" kararindan
    farkli olarak, modeller arasi goreli destegi nicelestirir. Isletmede faktor etkilerinin kanit gucunu
    karsilastirmada kullanilir.

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

#104  Bayesci Hiyerarsik Model
    dosya: 104_hierarchical_bayesian_LMM.xlsx
  >> SENARYO (anlatim):
    Gruplara yuvalanmis veriyi Bayesci hiyerarsik modelle cozumluyoruz. Kucuk
    gruplarda kararli tahmin icin uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: Y_response
    - Kume: group_id
    - Yordayici(lar): X_covariate

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    sigma^2_u (grup) = 2.90 (%8.6)   sigma^2_eps (artik) = 30.79 (%91.4)   sonuc: Y_response, grup: group_id

>> YORUM (anlatim):
    Gruplara yuvalanmis veriyi Bayesci hiyerarsik (cok duzeyli) modelle cozumledik: degiskenligin %8.6'si gruplar
    arasi, %91.4'u grup ici (ICC ~ 0.09). Bayesci hiyerarsik model, LMM'nin Bayesci versiyonudur -- grup etkilerini
    sonsal dagilimlarla tahmin eder, az gozlemli gruplari "kismi havuzlama" (partial pooling) ile dengeler. Isletmede
    cok duzeyli (bolge/sube/firma) verilerde, kucuk gruplarda dahi kararli tahminler uretmede gucludur.

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

#105  Mekansal SAR
    dosya: 105_spatial_sar_spatial.xlsx
  >> SENARYO (anlatim):
    Ciroyu modellerken mekansal yayilmayi SAR ile ele aliyoruz. Komsuluk etkisi icin
    SAR uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: Y_revenue
    - Yordayici(lar): X1
    - Yordayici(lar): X2
    - Enlem: lat
    - Boylam: lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    rho = 0.336   z = 4.94   p < .001 ***   Pseudo R^2 = 0.87   (N = 100, k-NN W, k = 5)
    sonuc: Y_revenue, yordayicilar: X1, X2

>> YORUM (anlatim):
    Ciroyu (Y_revenue) modellerken mekansal yayilmayi (komsu birimlerin etkisi) SAR ile ele aldik: mekansal gecikme
    parametresi anlamli ve pozitif (rho = 0.34, p < .001) -- bir birimin cirosu komsularinin cirosuyla iliskili,
    "kume/yayilma" deseni var. SAR, mekansal bagimliligi modele dahil eder; goz ardi edilirse standart hatalar yanli
    cikar. Isletmede sube/pazar performansinin cografi yayilmasini (komsuluk etkisi) modellemede dogru yontemdir.

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

#106  Mekansal Hata Modeli
    dosya: 106_spatial_error_residual.xlsx
  >> SENARYO (anlatim):
    Mekansal bagimliligi hata teriminde modelliyoruz. Olculmemis cografi etken icin
    SEM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: Y_revenue
    - Yordayici(lar): X1
    - Yordayici(lar): X2
    - Enlem: lat
    - Boylam: lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    lambda = 0.590   z = 6.38   p < .001 ***   Pseudo R^2 = 0.84   (N = 100, k-NN W, k = 5)

>> YORUM (anlatim):
    Bu kez mekansal bagimliligi HATA teriminde modelledik: mekansal hata otokorelasyonu anlamli (lambda = 0.59,
    p < .001) -- modele girmemis cografi degiskenlerin (omitted spatial variables) etkisi komsu hatalari iliskili
    kiliyor. SEM, SAR'dan farkli olarak yayilmayi sonuca degil hataya yukler. Isletmede mekansal otokorelasyonun
    kaynagi olculmemis cografi etkenlerse (iklim, altyapi) dogru spesifikasyon SEM'dir; SAR ile karsilastirilarak
    secilir.

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

#107  Cografi Agirlikli Regresyon (GWR)
    dosya: 107_gwr_local.xlsx
  >> SENARYO (anlatim):
    Iliskinin mekanda sabit olmadigi varsayimiyla her konum icin ayri katsayilar
    tahmin ediyoruz. Mekansal heterojenlik icin GWR uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: Y_revenue
    - Yordayici(lar): X1
    - Yordayici(lar): X2
    - Enlem: lat
    - Boylam: lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R^2 = 0.887   yerel katsayilar konuma gore degisiyor   sonuc: Y_revenue, yordayicilar: X1, X2

>> YORUM (anlatim):
    Iliskinin mekanda SABIT olmadigi varsayimiyla, her konum icin AYRI katsayilar tahmin ettik (R^2 = 0.89). GWR,
    "global" regresyonun aksine yerel ortusme/agirliklarla her noktada ayri model kurar; boylece "bu degiskenin etkisi
    bolgeye gore nasil degisiyor?" sorusunu yanitlar ve mekansal heterojenligi haritalar. Isletmede pazar
    dinamiklerinin bolgeye gore farklilastigi (fiyat duyarliligi merkezde/cevrede farkli) durumlarda gucludur.

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

#108  Ic Ice (Nested) Karma Model
    dosya: 108_nested_lmm_R_P_F.xlsx
  >> SENARYO (anlatim):
    Ic ice yuvalanmis tasarimda (bolge>sube/blok) ciroyu modelliyoruz. Yuvalanmis
    hiyerarsi icin nested LMM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: revenue
    - Faktor (kategorik): branch_group_no
    - Faktor (kategorik): region_group
    - Faktor (kategorik): block

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    block [region_group icinde] etkisi: F = 2.20, p = 0.023 *   ic ice varyans bilesenleri

>> YORUM (anlatim):
    Ic ice yuvalanmis bir tasarimda (bolge > sube/blok) ciroyu modelledik: ic gruplama duzeyi (block) anlamli katki
    veriyor (F = 2.20, p = 0.023). Nested LMM, alt birimlerin ust birimler icinde yuvalandigi (her blok yalnizca bir
    bolgeye ait) hiyerarsileri dogru ele alir; varyansi duzeylere bolerek her katmanin payini gosterir. Isletmede
    cografi/orgutsel hiyerarsilerde (bolge>sube>ekip) etkileri dogru ayristirmada kullanilir.

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

#109  Caprazlanmis (Crossed) Karma Model
    dosya: 109_crossed_lmm_A_B.xlsx
  >> SENARYO (anlatim):
    Iki random faktorun caprazlandigi bir tasarimi modelliyoruz. Iki bagimsiz
    siniflama ekseni icin crossed LMM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: revenue
    - Faktor (kategorik): factor_a
    - 2. Faktor: factor_b

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    iki caprazlanmis random faktor (factor_a x factor_b)   her bilesenin varyans katkisi   sonuc: revenue

>> YORUM (anlatim):
    Iki random faktorun ic ice DEGIL caprazlanmis oldugu (her A duzeyi her B duzeyiyle eslesir) bir tasariimi
    modelledik: her faktorun ciro degiskenligine katkisi ayri tahmin edildi. Crossed LMM, nested'in aksine bagimsiz
    iki gruplama eksenini (or. urun x bolge, her urun her bolgede) ayni anda ele alir. Isletmede iki bagimsiz
    siniflama ekseninin (degerlendirici x birim, urun x pazar) etkilerini birlikte cozumlemede dogru secimdir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n = 95 firma   gelir/buyukluk agirlikli mekansal yogunluk yuzeyi (surekli sicaklik haritasi)

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

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

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

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

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

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Moran's I = 0.467   z = 8.31   p < .001 ***   (komsu k-NN, k = 6)   degisken: monthly_income_TL

>> YORUM (anlatim):
    Gelirin mekanda rastgele mi yoksa kumelenmis mi dagildigini Moran's I ile test ettik: I = 0.47, z = 8.31, p < .001
    -- guclu pozitif mekansal otokorelasyon, yani benzer gelir duzeyleri cografi olarak kumeleniyor (zenginler
    zenginlerle, dusuk gelirliler birlikte). Moran's I, "Tobler'in ilk yasasi"ni (yakin seyler benzer) nicelestirir.
    Isletmede sosyoekonomik degiskenlerin cografi kumelenmesini saptamada ve mekansal model gerekip gerekmedigine
    karar vermede ilk testtir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Sicak nokta = 27   Soguk nokta = 27   n = 68   (k-NN k = 8, ikili agirlik)   degisken: monthly_income_TL

>> YORUM (anlatim):
    Gelirin NEREDE yuksek/dusuk kumelendigini Getis-Ord Gi* ile yerel olarak haritaladik: 27 anlamli sicak nokta
    (yuksek gelir kumesi) ve 27 soguk nokta (dusuk gelir kumesi). Moran's I genel kumelenmeyi soylerken, Gi* bunun
    konumunu gosterir -- her nokta icin "etrafi yuksek mi dusuk mu?" testidir. Isletmede yuksek deger/firsat
    bolgelerini (sicak noktalar) ve geri kalan bolgeleri (soguk noktalar) hedefli yatirim/planlama icin tam yerinde
    belirlemede kullanilir.

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

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

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

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

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

#115  Karma Desen (Split-Plot) ANOVA
    dosya: 115_mixed_anova_revenue_growth_pct.xlsx
  >> SENARYO (anlatim):
    40 firms uc quarter duzeyinde (Q1, Q2, Q3) olculur; her biri iki sector grubundan birine (manufacturing / service) aittir. Karma (split-plot) desen; revenue growth (%) uzerinde denekler-arasi ana etki,
    denek-ici ana etki ve etkilesimi sinar.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: revenue_growth_pct
    - Denek kimligi: firm_id
    - Denekler-arasi faktor: sector
    - Denek-ici faktor: quarter

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Between (sector): F(1,38) = 2.34  p = 0.135  np2 = 0.058
    Within (quarter):  F(2,76) = 19.74  p < .001  np2 = 0.342
    Interaction:         F(2,76) = 2.22  p = 0.116  np2 = 0.055
    Mauchly W = 0.828  p = 0.027   n_subjects = 40   n_obs = 120

>> YORUM (anlatim):
    sector x quarter karma deseninde 40 firms icin revenue growth (%) incelendi (120 gozlem). Etkilesim anlamsiz (F(2,76) = 2.22, p = 0.116, np2 = 0.055) ns -- iki grubun quarter boyunca degisimi istatistiksel olarak paraleldir. Denekler-arasi ana etki (manufacturing vs service) F = 2.34, p = 0.135; denek-ici ana etki (Q1/Q2/Q3) F = 19.74, p < .001. Mauchly p = 0.027, yani kurelik ihlal edilir, Greenhouse-Geisser duzeltmeli denek-ici p okunur. Once etkilesime bakilir: anlamliysa grup etkisi her quarter duzeyinde ayri yorumlanmalidir. Işletme ve ekonomide karma desen, firma performansını sektöre göre çeyrekler boyunca izleme icin standart analizdir.

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