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

#1  Betimsel Istatistik
    dosya: 01_descriptive_mikrobiyoloji.xlsx
  >> SENARYO (anlatim):
    280 numunenin laboratuvar envanterini cikardik. Her numune icin pH, sicaklik,
    derisim, absorbans ve buyume orani olculdu. Cikarimsal teste gecmeden once
    olcumlerin genel resmini gormek istiyoruz; bu yuzden betimsel istatistiklerle
    basliyoruz.
  >> DEGISKEN SECIMI:
    - Degiskenler: pH
    - Degiskenler: temperature_C
    - Degiskenler: concentration_mM
    - Degiskenler: absorbance
    - Degiskenler: growth_ratio
    - Gruplama (kategorik): type

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n = 280 numune
    pH : ort = 7.01   |   sicaklik : ort = 36.8 C   |   derisim : ort = 10.11 mM
    absorbans : ort = 0.587   |   buyume orani : ort = 0.453

>> YORUM (anlatim):
    Once numune setinin genel resmini cikardik: 280 numune, ortalama pH ~7.0, sicaklik ~37 C, derisim ~10 mM,
    absorbans 0.59 ve buyume orani 0.45. Bu betimsel tablo, izleyen tum analizlerin -- tur/ortam karsilastirmalari,
    fizikokimyasal iliskiler, mekansal numune deseni -- zeminini kuruyor. Laboratuvar analitiginde herhangi bir
    cikarimsal teste gecmeden once olcumlerin temel ozelliklerini (pH, sicaklik, derisim, tepki) ozetlemek, hem veri
    kalitesini denetlemek hem de deney onceliklerini belirlemek icin sarttir.

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

#2  Normallik Testleri
    dosya: 02_normality_chemical.xlsx
  >> SENARYO (anlatim):
    Derisim, tepki hizi ve molekul agirligi degiskenlerinin normal dagilip
    dagilmadigini inceliyoruz. Sonraki t-testi, ANOVA ve korelasyonun gecerliligi bu
    varsayima bagli oldugu icin her degiskeni ayri siniyoruz.
  >> DEGISKEN SECIMI:
    - Degiskenler: concentration_mM
    - Degiskenler: reaction_rate
    - Degiskenler: molecule_weight

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    3 surekli degisken test edildi:
    concentration_mM (derisim) : Shapiro-Wilk = 0.994  p = 0.542   KS p = 0.647   Normal
    reaction_rate (tepki hizi) : Shapiro-Wilk = 0.900  p < .001    KS p = 0.001   Normal Degil
    molecule_weight (mol. agirlik) : Shapiro-Wilk = 0.842  p < .001  KS p = 0.001  Normal Degil

>> YORUM (anlatim):
    Uc surekli degiskenin -- derisim, tepki hizi ve molekul agirligi -- normal dagilip dagilmadigini test ettik.
    Sonuc ogretici bicimde ayrisiyor: derisim normal (p = 0.54), ama tepki hizi ve molekul agirligi normallikten
    anlamli sapiyor (p < .001). Bu kimyasal veride tipiktir -- tepki hizlari ve agirlik dagilimlari sik sik sag-carpik
    olur. Pratik sonuc: derisim uzerinde parametrik testleri (t-testi, ANOVA, Pearson) guvenle kullanabiliriz; tepki
    hizi ve molekul agirligi icin Mann-Whitney/Kruskal-Wallis gibi parametrik olmayan yontemler ya da donusum daha
    dogru olur. Normallik kontrolu, her degisken icin ayri ayri hangi test ailesinin uygun oldugunu belirleyen kritik
    bir on adimdir.

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

#3  Tek Orneklem t-Testi
    dosya: 03_one_sample_t_pH.xlsx
  >> SENARYO (anlatim):
    Numunelerin ortalama pH'sinin notr referans deger 7.0'dan farkli olup olmadigini
    arastiriyoruz. Tek grup ve sabit bir referans deger oldugundan tek orneklem
    t-testi uygundur.
  >> DEGISKEN SECIMI:
    - Test degiskeni: pH
    - Test edilen deger (mu): 7.0

  >> 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) = -1.863   p = 0.066 ns   Cohen d = -0.186 (Onemsiz)
    Ortalama pH = 6.96   (test mu = 7.0, notr referans)   H0 REDDEDILEMEZ

>> YORUM (anlatim):
    Numunelerin ortalama pH'sini, notr referans deger olan 7.0 ile karsilastirdik. Sonuc anlamli degil: ortalama 6.96,
    7.0'dan istatistiksel olarak ayirt edilemiyor -- t(99) = -1.86, p = 0.066, etki onemsiz (d = -0.19). Yani numuneler
    ortalamada notr kabul edilebilir; gozlenen kucuk sapma tesadufle aciklanabilir. Tek orneklem t-testi, bir olcumu
    bilinen bir referans/standart degerle (notr pH, hedef derisim) karsilastirmanin dogru yoludur; burada oldugu gibi
    "fark yok" sonucu da kalibrasyon ve kalite denetimi acisindan degerli bir bulgudur.

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

#4  Bagimsiz Orneklem t-Testi
    dosya: 04_independent_t_catalyst.xlsx
  >> SENARYO (anlatim):
    Iki katalizor grubunun ortalama verimini karsilastiriyoruz. Iki ayri grup ve
    surekli bir olcu oldugundan bagimsiz orneklem t-testi uygundur.
  >> DEGISKEN SECIMI:
    - Gruplama (kategorik): catalyst
    - Test degiskeni: yield_pct

  >> 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) = 6.060   p < .001 ***   Cohen d = 1.131 (Buyuk)   H0 REDDEDILIR

>> YORUM (anlatim):
    Iki katalizor grubunun ortalama verim (%) degerini karsilastirdik. Fark anlamli ve buyuk: t(113) = 6.06, p < .001,
    d = 1.13. Gruplar arasi farkin tesadufle aciklanamayacak kadar belirgin, ayrica pratik olarak da kayda deger
    oldugunu gosteriyor. Bagimsiz orneklem t-testi, iki ayri grubun (iki katalizor, iki yontem, iki kosul) bir surekli
    olcudeki ortalamalarini karsilastirmanin standart yontemidir; laboratuvarda mudahale/kosul farklarini saptamada
    temel araclardandir.

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

#5  Eslestirilmis Orneklem t-Testi
    dosya: 05_paired_t_cell_growth.xlsx
  >> SENARYO (anlatim):
    Ayni hucrelerde mudahale oncesi ve sonrasi olculen buyumeyi karsilastiriyoruz.
    Olcumler eslestirilmis oldugundan eslestirilmis t-testi uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: growth_before_um
    - 2. olcum / grup: growth_post_um

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    t(49) = -18.19   p < .001 ***   Cohen d_z = -2.573 (Buyuk)
    Ort. fark (oncesi - sonrasi) = -2.23 um   H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni hucrelerde mudahale oncesi ve sonrasi olculen buyume (um) degerini eslestirerek karsilastirdik. Sonuc cok
    guclu: ortalama fark -2.2 um, t(49) = -18.19, p < .001, d_z = -2.57 ile devasa. Yani mudahale sonrasi buyume
    anlamli ve buyuk olcude artmis. Eslestirilmis t-testi, ayni birimde iki zamanli olcumu (oncesi/sonrasi)
    karsilastirir; bireysel degisimi izole ettigi icin bagimsiz testten daha gucludur ve laboratuvarda mudahale
    etkisini olcmenin en dogru yoludur.

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

#6  Tek Yonlu ANOVA
    dosya: 06_anova_type_reproduction.xlsx
  >> SENARYO (anlatim):
    Dort turun ortalama ureme hizi uzerindeki etkisini karsilastiriyoruz. Ikiden
    fazla grup oldugundan tek yonlu ANOVA uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: reproduction_rate
    - Faktor (kategorik): type

  >> 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) = 45.47   p < .001 ***   eta^2 = 0.501   H0 REDDEDILIR

>> YORUM (anlatim):
    Dort tur (type) arasinda ortalama ureme hizini karsilastirdik. Sonuc anlamli ve cok guclu: F(3,136) = 45.47,
    p < .001, eta^2 = 0.50 -- yani ureme hizi degiskenliginin yarisi tur farkindan kaynaklaniyor. En az bir tur
    digerlerinden anlamli olarak ayrisiyor. Tek yonlu ANOVA, ikiden fazla grubun ortalamalarini tek seferde
    karsilastirir (cok sayida t-testinin getirdigi hata sismesinden kacinir); laboratuvarda farkli tur/ortam/kosul
    performansini kiyaslamada temel yontemdir. Hangi ciftlerin ayristigi post-hoc testlerle belirlenir.

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

#7  Iki Yonlu ANOVA
    dosya: 07_two_way_anova_type_medium.xlsx
  >> SENARYO (anlatim):
    Tur ve besiyerinin verim uzerindeki ana etkilerini ve etkilesimini ayni anda
    inceliyoruz. Iki kategorik faktor oldugundan iki yonlu ANOVA uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: yield
    - Faktor (kategorik): type
    - 2. Faktor: medium

  >> 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):
    type (ana etki)   : F(2) = 219.69   p < .001 ***   eta^2p = 0.720
    medium (ana etki) : F(2) = 28.16    p < .001 ***   eta^2p = 0.248

>> YORUM (anlatim):
    Iki faktoru ayni anda inceledik: tur ve besiyeri (medium), verimi nasil etkiliyor? Her iki ana etki de cok guclu
    ve anlamli (tur: F(2) = 219.69, eta^2p = 0.72; besiyeri: F(2) = 28.16, eta^2p = 0.25). Verimi belirleyen baskin
    etken tur olmakla birlikte besiyerinin de bagimsiz katkisi var. Iki yonlu ANOVA'nin gucu, iki faktoru ve
    aralarindaki etkilesimi tek modelde test edebilmesidir -- her faktorun digeri kontrol edilerek saf etkisini ayirir.
    Laboratuvarda "hangi degisken gercekten fark yaratiyor?" sorusunu yanitlamada idealdir.

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

#8  Tekrarli Olcumler ANOVA
    dosya: 08_repeated_anova_enzyme_temperature.xlsx
  >> SENARYO (anlatim):
    Ayni birimlerde dort ardisik kosulda olculen enzim olcumunu 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 birimde dort ardisik kosulda (or. artan sicaklik) olculen enzim olcumunu karsilastirdik. Sonuc cok guclu:
    F(3,177) = 108.40, p < .001, eta^2p = 0.65 -- kosullar arasi fark devasa ve etkinin buyuk kismi kosula bagli.
    Yani olcum kosul boyunca anlamli sekilde degisiyor. Tekrarli olcumler ANOVA, ayni birimde uc veya daha fazla
    olcumu karsilastirir; bireysel farki sabit tuttugu icin yuksek istatistiksel guc saglar ve laboratuvarda
    cok-kosullu/cok-zamanli olcum takibinde (sicaklik serisi, zaman noktalari) dogru secimdir.

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

#9  MANOVA
    dosya: 09_manova_type_3DV.xlsx
  >> SENARYO (anlatim):
    Turun molekul agirligi, pH ve absorbans uzerindeki etkisini ayni anda test
    ediyoruz. Birden cok iliskili bagimli degisken oldugundan MANOVA uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: molecule_weight
    - Bagimli degisken: pH
    - Bagimli degisken: absorbance
    - Faktor (kategorik): type

  >> 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 = 0.237   F(6,230) = 40.39   p < .001 ***   n = 120
    Bagimli: molecule_weight, pH, absorbance   |   Faktor: type   H0 REDDEDILIR

>> YORUM (anlatim):
    Turun uc bagimli degisken (molekul agirligi, pH, absorbans) uzerindeki etkisini ayni anda test ettik. Wilks'
    Lambda = 0.24, F(6,230) = 40.39, 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. Laboratuvarda tur bir tek gostergeyi degil, fizikokimyasal "demeti" birlikte etkiliyorsa, MANOVA
    bu cok-boyutlu farki tek karar olarak ortaya koyar.

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

#10  ANCOVA
    dosya: 10_ancova_dose_activity.xlsx
  >> SENARYO (anlatim):
    Mudahale sonrasi aktiviteyi gruplara gore karsilastirirken baslangic
    aktivitesini ko-degisken olarak kontrol ediyoruz. Karistirici surekli degisken
    oldugundan ANCOVA uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: activity_after
    - Faktor (kategorik): group
    - Ko-degisken: activity_baseline

  >> 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 = 0.867 (cok buyuk)   ko-degisken: activity_baseline   H0 REDDEDILIR

>> YORUM (anlatim):
    Mudahale sonrasi aktiviteyi (activity_after) gruplara gore karsilastirirken, baslangic aktivitesini
    (activity_baseline) ko-degisken olarak kontrol ettik. Boylece "gruplar baslangicta farkliydi" itirazini disladik
    ve grubun saf etkisini olctuk: etki cok buyuk (eta^2p = 0.87). ANCOVA, bir karistirici surekli degiskeni
    istatistiksel olarak sabitleyerek grup karsilastirmasini adil hale getirir -- laboratuvarda "baslangic duzeyini
    esitleyince doz/mudahale hala fark yaratiyor mu?" sorusunun cevabidir; baz/son-olcum tasarimlarinda standart
    aractir.

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

#11  Bootstrap Guven Araligi
    dosya: 11_bootstrap_ci_half_life.xlsx
  >> SENARYO (anlatim):
    Izotop yari omru ortalamasi icin dagilim varsayimi yapmadan yeniden ornekleme
    ile guven araligi uretiyoruz. Carpik veride bootstrap uygundur.
  >> DEGISKEN SECIMI:
    - Test degiskeni: half_life_minute

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gozlenen ortalama (yari omur, dk) = 37.64
    %95 Bootstrap GA (yeniden orneklemeyle)

>> YORUM (anlatim):
    Izotop yari omru (dk) ortalamasi icin -- dagilim varsayimina dayanmadan -- yeniden ornekleme ile %95 guven araligi
    urettik: gozlenen ortalama 37.64 dk. 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. Laboratuvarda carpik buyukluklerde (yari omur, bekleme suresi, hasar)
    klasik t-araliklarindan daha saglam tahminler saglar.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    t = -4.897   p < .001 ***   Iki grup arasinda anlamli ortalama fark var   H0 REDDEDILIR

>> YORUM (anlatim):
    Iki grup arasinda verim (%) farkini, dagilim varsayimi yapmadan permutasyon ile test ettik: gruplar etiketleri
    rastgele degis-tokus edilerek bos hipotez dagilimi kuruldu, gozlenen fark bu dagilimda cok nadir cikti (p < .001).
    Permutasyon testi, kesin (exact) ve dagilimdan bagimsiz oldugu icin kucuk orneklemlerde veya garip dagilimlarda
    parametrik t-testinin guvenli alternatifidir; laboratuvarda varsayimlarin suphede oldugu grup karsilastirmalarinda
    saglam bir secimdir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Orijinal ham: 6/8 anlamli
    Bonferroni / Holm / BH (FDR) duzeltmeleri sonrasi: 5/8 anlamli

>> YORUM (anlatim):
    Sekiz ayri katalizor karsilastirmasinin p-degerlerini topluca ele alip coklu test duzeltmesi uyguladik. Ham
    haliyle 6 karsilastirma anlamliyken, Bonferroni/Holm/BH duzeltmeleri sonrasi bu sayi 5'e dustu. Cok sayida test
    yapildiginda, yalnizca sansla "anlamli" cikan yanlis pozitiflerin orani siser; duzeltme yontemleri esik degeri
    sikilastirarak bu hatayi kontrol altina alir. Laboratuvarda onlarca kosul/katalizoru ayni anda karsilastirirken,
    duzeltme yapilmadan varilan sonuclarin bir kismi yaniltici olabilir -- bu adim cikarimlarin guvenilirligini korur.

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

#14  Mann-Whitney U Testi
    dosya: 14_mann_whitney_habitat_richness.xlsx
  >> SENARYO (anlatim):
    Iki habitatin tur zenginligi dagilimini karsilastiriyoruz. Normallik
    saglanmadigindan Mann-Whitney uygundur.
  >> DEGISKEN SECIMI:
    - Gruplama (kategorik): habitat
    - Test degiskeni: type_richness

  >> 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 = 1062.00   p = 0.149 ns   r = -0.18   H0 REDDEDILEMEZ

>> YORUM (anlatim):
    Iki bagimsiz habitatin tur zenginligi (type_richness) dagilimini, ortalamaya degil siralamaya dayanarak
    karsilastirdik: U = 1062, p = 0.149, kucuk etki (r = -0.18) -- anlamli bir fark yok. Mann-Whitney, t-testinin
    parametrik olmayan karsiligidir; normallik saglanmadiginda ya da olcek sayim/sirali oldugunda iki grubu
    karsilastirmanin dogru yoludur. Burada "fark yok" sonucu, iki habitatin tur zenginligi bakimindan benzer oldugu
    bilgisini verir.

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

#15  Wilcoxon Isaretli Siralar
    dosya: 15_wilcoxon_quality.xlsx
  >> SENARYO (anlatim):
    Ayni birimlerde once/sonra olculen kalite skorunu, normallik varsaymadan
    karsilastiriyoruz. Eslestirilmis ve normal olmayan veride Wilcoxon uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: quality_before
    - 2. olcum / grup: quality_post

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

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

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

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

#16  Kruskal-Wallis Testi
    dosya: 16_kruskal_pH_activity.xlsx
  >> SENARYO (anlatim):
    Uc pH duzeyinin enzim aktivitesi dagilimini karsilastiriyoruz. Normallik/varyans
    esitligi saglanmadigindan Kruskal-Wallis uygundur.
  >> DEGISKEN SECIMI:
    - Gruplama (kategorik): ph_level
    - Test degiskeni: enzyme_activity

  >> 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) = 18.80   p < .001 ***   eta^2_H = 0.40   H0 REDDEDILIR

>> YORUM (anlatim):
    Uc pH duzeyinin enzim aktivitesi (enzyme_activity) dagilimini -- ortalamaya degil siralamaya dayanarak --
    karsilastirdik: H(2) = 18.80, p < .001, eta^2_H = 0.40 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. Laboratuvarda carpik veya sirali olculerde gruplar
    arasi farki saptamada saglamdir.

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

#17  Friedman Testi
    dosya: 17_friedman_method_quality.xlsx
  >> SENARYO (anlatim):
    Ayni birimlerde dort kosul altinda olculen kalite skorlarini 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 (condition_A..D) altinda olculen kalite skorlarini -- 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. Laboratuvarda ayni numunenin farkli yontem/kosul
    siralamalarini kiyaslamada kullanilir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gozlenen oran = 0.736   (beklenen p = 0.50)   p < .001 ***   H0 REDDEDILIR

>> YORUM (anlatim):
    Basarili deneylerin oranini, %50'lik beklenen orana karsi test ettik: gozlenen oran %73.6, beklentinin cok
    uzerinde (p < .001). Yani basari orani sansla aciklanamayacak kadar yuksek. Binom testi, ikili (evet/hayir) bir
    sonucun gozlenen oranini teorik bir oranla karsilastirmanin kesin yontemidir; laboratuvarda deney basari/pozitif
    sonuc oranlarinin bir hedefe veya 50:50 beklentisine uyup uymadigini sinamada dogrudan kullanilir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Pozitif fark (oncesi > sonrasi) = 27   p < .001 ***   H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni birimlerde once/sonra olculen viskozitenin yonune baktik: degisimlerin buyuk cogunlugu tek yonde
    yogunlasiyor, p < .001 ile yonlu degisim anlamli. Isaret testi, yalnizca farkin yonunu (artti/azaldi) kullanir;
    buyuklugu dikkate almaz, bu yuzden en az varsayim gerektiren once/sonra testidir. Laboratuvarda olcum carpik veya
    sadece yon bilgisi guvenilirken (viskozite artti mi azaldi mi) saglam bir secimdir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gozlenen run = 28   Z = -0.781   p = 0.435 ns   Veri rastgele kabul edilebilir

>> YORUM (anlatim):
    Olcum (measurement) serisinin medyana gore ikili dizisinin rastgele olup olmadigini test ettik: 28 run, Z = -0.78,
    p = 0.44 -- desen yok, dizi rastgele. Runs testi, bir dizide degerlerin sirali bir oruntu (kume, dongu, trend)
    olusturup olusturmadigini sinar. Laboratuvarda olcum/kalite/uretim 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_type_color.xlsx
  >> SENARYO (anlatim):
    Tur ile renk arasinda iliski olup olmadigini test ediyoruz. Iki kategorik
    degisken oldugundan ki-kare uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: type
    - Degiskenler: color

  >> 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) = 43.20   p < .001 ***   Cramer's V = 0.40 (Guclu)   H0 REDDEDILIR

>> YORUM (anlatim):
    Iki kategorik degisken -- tur (type) ve renk (color) -- arasinda iliski olup olmadigini test ettik: chi^2(2) =
    43.20, p < .001, Cramer's V = 0.40 ile guclu bir bagimlilik. Kategoriler bagimsiz degil, birlikte degisiyor.
    Ki-kare bagimsizlik testi, iki nitel degisken arasindaki iliskiyi capraz tablodan saptar; laboratuvarda
    tur-ozellik, kosul-sonuc gibi kategorik iliskileri ortaya cikarmada temel yontemdir. Cramer's V iliskinin pratik
    gucunu olcer.

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

#22  Ki-Kare Uyum Iyiligi
    dosya: 22_chisquare_goodnessfit_category.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: category

  >> 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) = 58.68   p < .001 ***   N = 200, k = 4 (beklenen: esit dagilim)   H0 REDDEDILIR

>> YORUM (anlatim):
    Dort kategorili bir degiskenin (category) gozlenen dagiliminin, esit (1/k) beklenen dagilima uyup uymadigini test
    ettik: chi^2(3) = 58.68, 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 oran)
    karsilastirir; laboratuvarda sinif/kategori dagilimlarinin beklenen profile uyup uymadigini sinamada kullanilir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Fisher exact p = 0.655 ns   Odds Ratio = 0.50   Phi = 0.137   H0 REDDEDILEMEZ

>> YORUM (anlatim):
    2x2 bir capraz tabloda (method x achievement) iliskiyi -- kucuk hucre frekanslari nedeniyle ki-kare yerine --
    kesin olarak test ettik: p = 0.655, anlamli iliski yok (Phi = 0.14). Fisher kesin testi, beklenen frekanslarin
    dusuk oldugu kucuk orneklemlerde ki-kare yaklasiminin guvenilmez kaldigi durumda dogru secimdir; olasiligi
    yaklasik degil tam hesaplar. Burada "iliski yok" sonucu, yontemin basariyla bagimsiz oldugu bilgisini verir.

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

#24  McNemar Testi
    dosya: 24_mcnemar_test_comparison.xlsx
  >> SENARYO (anlatim):
    Ayni birimlerde iki yontemin ikili sonucunu eslestirerek karsilastiriyoruz.
    Eslestirilmis ikili degisim icin McNemar uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: test_a
    - 2. olcum / grup: test_b

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    McNemar (kesin) min(b,c) = 5   p = 0.096 ns   uyumsuz b = 13, c = 5   OR = 2.60   H0 REDDEDILEMEZ

>> YORUM (anlatim):
    Ayni birimlerde iki yontemin (test_a vs test_b) ikili sonucunu eslestirerek degisim yonunu test ettik: degisenler
    dengesiz olsa da (b = 13, c = 5) p = 0.096 ile anlamli degil. McNemar, ayni birimde once/sonra (ya da iki yontem)
    ikili durum degisimini test eder ve yalnizca uyumsuz ciftlere bakar. Laboratuvarda iki olcum/yontemin ikili
    sonuclarinin sistematik farki olup olmadigini saptamada dogru aractir; kucuk uyumsuz sayilarda kesin (binom)
    surum kullanilir.

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

#25  Cohen's Kappa
    dosya: 25_kappa_observer.xlsx
  >> SENARYO (anlatim):
    Iki gozlemcinin ayni numuneleri ayni kategorilere atamadaki uyumunu olcuyoruz.
    Kategorik uyum icin kappa uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: observer_a
    - 2. olcum / grup: observer_b

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kappa = 0.760 (onemli/substantial uyum)

>> YORUM (anlatim):
    Iki gozlemcinin (observer_a vs observer_b) ayni numuneleri ayni kategorilere atamadaki uyumunu -- sansla beklenen
    uyumu disarak -- olctuk: kappa = 0.76, onemli (substantial) duzey. Kappa, iki gozlemci/yontem arasindaki kategorik
    uyumu, rastgele uyusma payini cikararak rapor eder; ham yuzde uyumdan daha durusttur. Laboratuvarda iki gozlemcinin
    siniflamalarinin (tur tayini, kalite sinifi) ne kadar tutarli oldugunu olcmede standart gostergedir.

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

#26  Cochran-Mantel-Haenszel
    dosya: 26_cmh_medium_group_death.xlsx
  >> SENARYO (anlatim):
    Grup-olum iliskisini besiyeri katmanlarini kontrol ederek test ediyoruz. Katman
    kontrollu iliski icin CMH uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: group
    - Degiskenler: death
    - Tabaka/Katman: medium

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CMH chi^2(1) = 25.63   p < .001 ***   Ortak OR (MH) = 3.01 [1.95, 4.62]
    Breslow-Day p = 0.520 (OR homojen)   H0 REDDEDILIR

>> YORUM (anlatim):
    Grup-olum (death) iliskisini, besiyeri (medium) katmanlarini kontrol ederek test ettik: katmanlar arasi ortak Odds
    Ratio = 3.01 [1.95, 4.62], p < .001; Breslow-Day p = 0.52 ile bu iliski tum katmanlarda tutarli. CMH, karistirici
    bir katman degiskenini sabit tutarak iliskinin saf gucunu olcer (Simpson paradoksunu onler). Laboratuvarda
    besiyeri/parti farklarini kontrol ederek grup-sonuc iliskisini saglam biciminde tahmin etmede idealdir.

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

#27  Log-Lineer Analiz
    dosya: 27_log_linear_3yollu.xlsx
  >> SENARYO (anlatim):
    Uc kategorik degiskenin birlikte iliski yapisini modelliyoruz. Ucten fazla
    kategorik boyut icin log-lineer uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: F1
    - Degiskenler: F2
    - Degiskenler: F3

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 71.97   Pearson chi^2 = 0.506   3 kategorik degiskenin (F1, F2, F3) birlikte iliskisi modellendi

>> YORUM (anlatim):
    Uc kategorik degiskenin (F1, F2, F3) 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. Laboratuvarda ucten fazla kategorik boyutun
    (tur x kosul x sonuc) ortak baginti desenini cozumlemede; sadeligi AIC ile dengeleyerek en aciklayici yapiyi
    secmede kullanilir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    chi^2(6) = 19.58   p = 0.003 **   Cramer's V = 0.167 (Orta)   H0 REDDEDILIR

>> YORUM (anlatim):
    Iki kategorik degiskeni (yas grubu x kategori) capraz tabloda inceledik: chi^2(6) = 19.58, p = 0.003, V = 0.17 --
    anlamli ama orta-zayif bir iliski var. Capraz tablo + ki-kare, iki nitel degisken arasindaki baginin yonunu ve
    gucunu hucre bazinda gosterir. Laboratuvarda demografi/sinif-kategori iliskilerini betimlemede; anlamli ama pratik
    olarak mutevazi (V = 0.17) iliskileri dogru yorumlamada kullanilir.

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

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

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

>> YORUM (anlatim):
    Birden fazla secenegin isaretlenebildigi bir soruyu (numunede bulunan elementler) cozumledik: 250 numunenin her
    biri bir veya daha cok element 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 numune coklu icerir).
    Laboratuvarda cok-secimli icerik sorularinin (icerikteki bilesenler, tespit edilen turler) dogru ozetlenmesi icin
    standart yontemdir.

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

#30  Coklu Yanit - Capraz Tablo
    dosya: 30_mr_categorical_type_element.xlsx
  >> SENARYO (anlatim):
    Coklu yanitli element sorusunu ture gore capraz tabloluyoruz. Cok-secimliyi bir
    kategoriye gore kirmak icin uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: elements (coklu yanit / multi-response)
    - Gruplama (kategorik): type

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam vaka n = 220   Grup sutunu: type   |   coklu yanit "elements" x tur

>> YORUM (anlatim):
    Coklu yanitli element sorusunu tekli bir kategoriye (tur) gore capraz tabloladik: her tur icin element basina
    isaretlenme oranlarini karsilastirdik. Coklu yanit capraz tablosu, "bir grup hangi secenekleri digerinden daha sik
    iceriyor?" sorusunu yanitlar. Laboratuvarda turlerin/gruplarin cok-bilesenli profillerini (icerdikleri elementler,
    tespit edilen bilesenler) karsilastirmada kullanilir.

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

#31  Coklu Yanit x Coklu Yanit
    dosya: 31_mr_mr_two_group.xlsx
  >> SENARYO (anlatim):
    Iki ayri coklu yanitli soruyu birbirine karsi capraz tabloluyoruz.
    Cok-secimliden cok-secimliye iliski icin uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: group_1 (coklu / multi)
    - Degiskenler: group_2 (coklu / multi)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam vaka n = 180   Iki coklu yanit (group_1 x group_2) caprazlandi

>> YORUM (anlatim):
    Iki ayri coklu-yanitli soruyu 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 secenekler hangi
    seceneklerle birlikte gorunuyor?" gibi cok-secimliden cok-secimliye birlikteliklerini ortaya cikarir.
    Laboratuvarda ic ice gecmis bilesen demetlerinin (icerik x ozellik) eslesme desenlerini incelemede kullanilir.

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

#32  Cochran Q Testi
    dosya: 32_cochran_q_condition.xlsx
  >> SENARYO (anlatim):
    Ayni birimlerde farkli kosullar icin ikili sonucun kosuldan kosula degisip
    degismedigini test ediyoruz. Uc+ tekrarli ikili olcum icin Cochran Q uygundur.
  >> DEGISKEN SECIMI:
    - Sutunlar: kosul-bazli ikili sutunlar / condition-wise binary columns

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

>> YORUM (anlatim):
    Ayni birimlerde farkli kosullar (condition) icin olculen ikili sonucun (pozitif yanit var/yok) kosuldan kosula
    anlamli degisip degismedigini test ettik: Q = 0, p = 1.00 -- kosullar arasi fark yok. Cochran Q, McNemar testinin
    ikiden fazla tekrarli kosula genellemesidir; ayni birimde uc+ ikili olcumu karsilastirir. Laboratuvarda ayni
    numunelerin birden cok kosul/yontemde pozitif sonuc verip vermedigini kiyaslamada dogru yontemdir.

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

#33  Korelasyon Analizi
    dosya: 33_correlation_5fizikokimyasal.xlsx
  >> SENARYO (anlatim):
    Bes fizikokimyasal degisken arasindaki tum ikili korelasyonlari inceliyoruz.
    Iliski yonu ve gucu icin korelasyon matrisi uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: pH
    - Degiskenler: temperature_C
    - Degiskenler: concentration_mM
    - Degiskenler: activity
    - Degiskenler: yield_pct

  >> 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: pH, temperature_C, concentration_mM, activity, yield_pct
    Guclu iliski (|r| >= 0.75): 1 cift -> pH ile temperature_C: r = +0.789 (p < .001)

>> YORUM (anlatim):
    Bes fizikokimyasal degisken arasindaki tum ikili Pearson korelasyonlarini hesapladik: yalnizca pH ile sicaklik
    arasinda guclu pozitif iliski cikti (r = 0.79, p < .001); diger ciftler daha zayif. Yani pH ve sicaklik birlikte
    artiyor, geri kalan olculer buyuk olcude ayri bilgi tasiyor. Korelasyon matrisi, iliskilerin yonunu ve gucunu tek
    bakista ozetler; laboratuvarda gostergeler arasi cakismayi (multikolinearite riski) ve hangi degiskenlerin
    gercekten ayri sinyal verdigini gormede ilk adimdir.

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

#34  Bland-Altman Uyum
    dosya: 34_bland_altman_device.xlsx
  >> SENARYO (anlatim):
    Ayni buyuklugu olcen iki cihazin birbiriyle uyumunu inceliyoruz. Cihaz
    degistirilebilirligi icin Bland-Altman uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: device_A_measurement
    - 2. olcum / grup: device_B_measurement

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cihaz A (device_A): ort = 51.85   |   Cihaz B (device_B): ort = 50.33
    Bias (ortalama fark) ~ 1.52   |   uyum sinirlari (LoA) hesaplandi

>> YORUM (anlatim):
    Ayni buyuklugu olcen iki cihazin (device_A vs device_B) birbiriyle ne kadar uyustugunu inceledik: ortalama
    sistematik fark (bias) ~1.5 birim ve %95 uyum sinirlari raporlandi. Bland-Altman, korelasyondan farkli olarak "iki
    cihaz birbirinin yerine kullanilabilir mi?" sorusunu yanitlar -- yuksek korelasyon uyum demek degildir, sistematik
    bir kayma olabilir. Laboratuvarda iki olcum cihazinin/yonteminin degistirilebilirligini sinamada standart
    yontemdir.

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

#35  Etki Buyuklugu
    dosya: 35_effect_size_method.xlsx
  >> SENARYO (anlatim):
    Iki yontem arasindaki verim farkinin pratik buyuklugunu olcuyoruz. p-degerinden
    bagimsiz onem icin etki buyuklugu uygundur.
  >> DEGISKEN SECIMI:
    - Test degiskeni: yield
    - Gruplama (kategorik): method

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cohen's d = -0.536 (orta etki)   iki yontem (method) arasinda verim (yield) farki

>> YORUM (anlatim):
    Iki yontem arasindaki verim farkinin pratik buyuklugunu, p-degerinden bagimsiz olarak Cohen's d ile olctuk:
    d = -0.54, orta etki. p-degeri "fark var mi?" sorusunu yanitlar; etki buyuklugu ise "fark ne kadar onemli?"
    sorusunu. Buyuk orneklemlerde anlamli ama onemsiz farklar cikabildiginden, etki buyuklugu raporlamak sarttir.
    Laboratuvarda iki yontem/protokol arasindaki farkin pratik olarak kayda deger olup olmadigini bu olcu netlestirir.

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

#36  Kanonik Korelasyon (CCA)
    dosya: 36_cca_physical_chemistry.xlsx
  >> SENARYO (anlatim):
    Fiziksel ozellikler seti ile kimyasal ozellikler seti arasindaki ortak yapiyi
    inceliyoruz. Iki cok-degiskenli set arasi iliski icin CCA uygundur.
  >> DEGISKEN SECIMI:
    - X degiskenleri: density
    - X degiskenleri: viscosity
    - X degiskenleri: conductivity
    - X degiskenleri: color
    - X degiskenleri: stability
    - Y degiskenleri: ph
    - Y degiskenleri: purity
    - Y degiskenleri: yield
    - Y degiskenleri: activity

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CC1: r = 0.976   chi^2(20) = 1233.62   p < .001 ***
    CC2: r = 0.958   chi^2(12) = 795.90    p < .001 ***
    Set-X (fiziksel): density, viscosity, conductivity, color, stability  |  Set-Y (kimyasal): ph, purity, yield, activity

>> YORUM (anlatim):
    Iki cok-degiskenli olcu setini -- fiziksel ozellikler (yogunluk, viskozite, iletkenlik, renk, kararlilik) ve
    kimyasal ozellikler (pH, saflik, verim, aktivite) -- arasindaki ortak yapiyi kanonik korelasyonla cozduk. Ilk iki
    kanonik fonksiyon cok guclu (r = 0.976 ve 0.958, 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. Laboratuvarda fiziksel demet ile kimyasal demet arasindaki gizli iliski
    yapisini ortaya koyar.

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

#37  Uyum Analizi
    dosya: 37_ca_acidity_appearance.xlsx
  >> SENARYO (anlatim):
    Asitlik ile gorunum arasindaki iliskiyi gorsel bir haritaya dokuyoruz. Iki
    kategorik degiskenin yapisini gormek icin CA uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: acidity
    - Degiskenler: appearance

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam atalet = 0.109   (2 boyut)   acidity x appearance

>> YORUM (anlatim):
    Iki kategorik degiskenin (asitlik x gorunum) capraz tablosundaki iliskiyi gorsel bir haritaya dokuyen uyum
    analizini uyguladik: toplam atalet 0.109 (gorece zayif iliski) iki boyutta cozumlendi. CA, ki-kare iliskisini iki
    boyutlu bir uzayda konumlandirir; hangi kategorilerin birbirine yakin (birlikte gorulen) oldugunu gosterir.
    Laboratuvarda asitlik-gorunum, tur-ozellik gibi nitel iliskilerin yapisini gorsel olarak yorumlamada gucludur.

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

#38  Degisken Kumeleme (VarClus)
    dosya: 38_varclus_18degisken.xlsx
  >> SENARYO (anlatim):
    On sekiz olcum maddesini (fiziksel/kimyasal/biyolojik) birbirine yakinligina
    gore kumeliyoruz. Gizli boyut yapisini bulmak icin VarClus uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: physical_m1..6, chemistry_m1..6, bio_m1..6 (18 madde / items)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kume sayisi = 3   (18 madde: physical_m1..6, chemistry_m1..6, bio_m1..6)

>> YORUM (anlatim):
    On sekiz olcum maddesini (fiziksel, kimyasal, biyolojik 6'sar madde), birbirleriyle ne kadar iliskili olduklarina
    gore kumeledik: maddeler 3 ana boyutta toplandi -- buyuk olasilikla fiziksel/kimyasal/biyolojik dogal gruplarina
    karsilik geliyor. VarClus, gozlemleri degil DEGISKENLERI gruplar -- birbiriyle yuksek baginti gosteren maddeleri
    ayni kumeye koyarak veri setinin gizli boyut yapisini ortaya cikarir. Laboratuvarda uzun bir gosterge setini
    birkac temel boyuta indirgemede ve gereksiz maddeleri saptamada pratiktir.

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

#39  Coklu Dogrusal Regresyon
    dosya: 39_multiple_regression_yield.xlsx
  >> SENARYO (anlatim):
    Verimi dort yordayiciyla modelliyoruz. Surekli sonucu cok degiskenle aciklamak
    icin coklu regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: yield_pct
    - Yordayici(lar): pH
    - Yordayici(lar): temperature_C
    - Yordayici(lar): concentration_mM
    - Yordayici(lar): catalyst_g_L

  >> 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 = 0.773   Duz. R^2 = 0.768   yordayicilar: pH, temperature_C, concentration_mM, catalyst_g_L

>> YORUM (anlatim):
    Verimi (yield_pct) dort yordayiciyla (pH, sicaklik, derisim, katalizor) ayni anda modelledik: model varyansin
    %77.3'unu acikliyor (Duz. R^2 = 0.77) -- cok guclu bir aciklama gucu. Coklu regresyon, her yordayicinin digerleri
    sabit tutuldugunda verim uzerindeki saf katkisini verir; boylece "hangi etken gercekten verimi yukseltiyor?"
    sorusunu karistiriciları kontrol ederek yanitlar. Laboratuvarda verimi belirleyen surucuyleri belirleme ve
    tahminde temel yontemdir.

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

#40  Lojistik Regresyon
    dosya: 40_logistic_reaction_achievement.xlsx
  >> SENARYO (anlatim):
    Tepki basarisini (basarili/basarisiz) uc yordayiciyla modelliyoruz. Ikili sonuc
    icin lojistik regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: reaction_successful
    - Yordayici(lar): temperature_C
    - Yordayici(lar): catalyst
    - Yordayici(lar): pH_deviation

  >> 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 = 0.202   ikili sonuc: reaction_successful   yordayicilar: temperature_C, catalyst, pH_deviation

>> YORUM (anlatim):
    Ikili bir sonucu (tepki basarili/basarisiz) uc yordayiciyla modelledik: model orta duzeyde aciklama gucu tasiyor
    (pseudo R^2 = 0.20) 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. Laboratuvarda tepki/deney basarisi gibi evet/hayir ciktilarini
    ongormede temel modeldir.

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

#41  Sayim (Poisson) Regresyonu
    dosya: 41_poisson_type_count.xlsx
  >> SENARYO (anlatim):
    Tur sayisini sicaklik ve nem ile modelliyoruz. Sayim sonucu icin Poisson
    regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: type_count
    - Yordayici(lar): temperature_C
    - Yordayici(lar): moisture_pct

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 849.61   Deviance = 175.03   sayim sonucu: type_count   yordayicilar: temperature_C, moisture_pct

>> YORUM (anlatim):
    Bir sayim degiskenini (tur sayisi) sicaklik ve nem ile modelledik. Poisson regresyon, sonuc bir sayim (0,1,2,...
    adet) oldugunda dogru modeldir; dogrusal regresyon negatif/kesirli tahmin uretebilecegi icin uygunsuzdur.
    Katsayilar sayim oranina etkiyi verir. Laboratuvarda alandaki tur sayisi, koloni adedi, olay frekansi gibi sayim
    ciktilarini cevresel kosullarla aciklamada kullanilir.

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

#42  Multinomial Lojistik
    dosya: 42_multinomial_crystal.xlsx
  >> SENARYO (anlatim):
    Ikiden fazla kategorili kristal yapisini iki yordayiciyla modelliyoruz. Nominal
    cok-sinifli sonuc icin multinomial lojistik uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: crystal_structure
    - Yordayici(lar): pH
    - Yordayici(lar): temperature_C

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 367.86   Referans sinif: 'structure-A'   sonuc: crystal_structure (>2 kategori)   yordayicilar: pH, temperature_C

>> YORUM (anlatim):
    Ikiden fazla kategorili bir sonucu (kristal yapisi) iki yordayiciyla (pH, sicaklik) modelledik. Multinomial
    lojistik, her kategoriyi bir referans sinifa (burada 'structure-A') karsi ayri lojistik denklemle karsilastirir;
    katsayilar "X artinca bu yapida olma sansi referansa gore nasil degisir?" diye yorumlanir. Sonuc nominal ve
    ikiden fazla sinifliysa (kristal tipi, faz, kategori) dogru secimdir. Laboratuvarda cok-secenekli sinif tahmininde
    standart modeldir.

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

#43  Ordinal Lojistik
    dosya: 43_ordinal_quality.xlsx
  >> SENARYO (anlatim):
    Sirali kalite duzeyini enerji ve saflik ile modelliyoruz. Sirali sonuc icin
    ordinal lojistik uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: quality_level
    - Yordayici(lar): energy_kJ
    - Yordayici(lar): purity_pct

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 344.52   sirali sonuc: quality_level   yordayicilar: energy_kJ, purity_pct

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

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

#44  PLS Regresyon
    dosya: 44_pls_sensor_concentration.xlsx
  >> SENARYO (anlatim):
    Derisimi 12 sensor okumasindan yordiyoruz. Yuksek bagintili cok yordayici icin
    PLS uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: concentration_mM
    - Yordayici(lar): sensor_01..12

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R^2 (egitim) = 0.865   R^2 (5-kat CV) = 0.848   sonuc: concentration_mM   yordayici: sensor_01..12 (12 sensor)

>> YORUM (anlatim):
    Derisimi 12 sensor okumasindan yordadik. Sensor okumalari birbiriyle yuksek bagintili (multikolinearite)
    oldugundan klasik regresyon kararsizlasir; PLS bunlari az sayida gizli bilesene indirgeyip uzerine regresyon kurar.
    Capraz dogrulanmis R^2 = 0.85 ile model hem guclu hem genellenebilir. PLS, yordayici sayisi cok ya da aralarinda
    yuksek baginti varken idealdir; kemometride/spektroskopide (cok sensorlu olcumden derisim tahmini) sik kullanilir.

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

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 120.01   Pseudo R^2 (McFadden) = 0.433   ikili sonuc: death   yordayici: dose_mg_L

>> YORUM (anlatim):
    Doz-yanit iliskisini -- olum (death) olasiligini doz (dose_mg_L) ile -- probit modelle tahmin ettik: model guclu
    (pseudo R^2 = 0.43). Probit, lojistik gibi ikili sonuclara uygulanir; fark, baglanti fonksiyonunun normal dagilim
    olmasidir. Doz-yanit calismalarinda probit klasik bir aractir (toksikolojide LD50 tahmini). Laboratuvarda ikili
    yanitin sürekli bir uyaranla (doz, derisim) iliskisini modellemede saglam secimdir.

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

#46  Tobit Regresyon
    dosya: 46_tobit_production.xlsx
  >> SENARYO (anlatim):
    Esikte yigilan bir uretim degiskenini saflik ve fiyatla modelliyoruz. Sansurlu
    sonuc icin tobit uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: production_kg
    - Yordayici(lar): purity_pct
    - Yordayici(lar): price_TL

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 2354.12   Sol kesim   sonuc: production_kg (sansurlu)   yordayicilar: purity_pct, price_TL

>> YORUM (anlatim):
    Bir alttan sinirli (esikte yigilan) uretim degiskenini saflik ve fiyat ile modelledik. Tobit, gozlemlerin bir
    esikte yigildigi "sansurlu" bagimli degiskenler icindir; siradan regresyon bu yigilmayi yok sayarak yanli tahmin
    verir. Laboratuvarda/uretimde alt-sinira dayanan ciktilar (sifir uretim, esik alti olcum) icin dogru modeldir;
    katsayilar gercek (sansursuz) iliskiyi yansitir.

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

#47  Bayesci Dogrusal Regresyon
    dosya: 47_bayesian_reagent_yield.xlsx
  >> SENARYO (anlatim):
    Verimi iki reaktif derisimiyle Bayesci cerceyede modelliyoruz. Belirsizligi
    olasilikla ifade etmek icin Bayesci regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: yield
    - Yordayici(lar): reagent_A_mM
    - Yordayici(lar): reagent_B_mM

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    sigma^2 sonsal ort = 9.39 (sd = 1.34)   sonuc: yield   yordayicilar: reagent_A_mM, reagent_B_mM
    katsayilarin sonsal dagilimi + P(beta>0) raporlandi

>> YORUM (anlatim):
    Verimi iki reaktif derisimiyle 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. Laboratuvarda kucuk orneklem veya onceki
    deney bilgisinin kiymetli oldugu durumlarda, "etki olasilikla pozitif" gibi sezgisel yorumlar sunar.

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

#48  Dogrusal Olmayan Regresyon
    dosya: 48_nonlinear_kinetik.xlsx
  >> SENARYO (anlatim):
    Urun derisiminin zamanla S-bicimli kinetigini lojistik buyume egrisiyle
    modelliyoruz. Egrisel iliski icin dogrusal olmayan regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: product_concentration_mM
    - Yordayici(lar): time_min
    - Deger: fonksiyon/function: logistic

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Fonksiyon: y = K / (1 + exp(-r*(x-x0)))  (lojistik buyume)   R^2 = 0.978

>> YORUM (anlatim):
    Urun derisimi (product_concentration_mM) ile zaman (time_min) arasindaki kinetik iliskiyi, duz cizgiyle degil
    S-bicimli lojistik buyume egrisiyle modelledik: uyum cok yuksek (R^2 = 0.98). 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. Laboratuvarda reaksiyon kinetigi, buyume egrisi ve
    doyma sureclerini modellemede dogru aractir.

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

#49  Ridge Regresyon
    dosya: 49_ridge_spectrum.xlsx
  >> SENARYO (anlatim):
    Derisimi 15 spektral noktadan ridge ile tahmin ediyoruz. Multikolinearite icin
    ridge uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: concentration
    - Yordayici(lar): spectrum_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 = 0.789   sonuc: concentration   yordayici: spectrum_p01..15 (15 spektral nokta)

>> YORUM (anlatim):
    Derisimi 15 spektral noktadan ridge regresyonla tahmin ettik (R^2 = 0.79). Ridge, katsayilara ceza (L2) ekleyerek
    hepsini buyukluk olarak kuculturur ama sifirlamaz; boylece komsu spektral noktalar arasi yuksek bagintinin
    (multikolinearite) yol actigi kararsizligi engeller. Spektral veriler dogasi geregi yuksek bagintili oldugundan
    ridge kemometride sik kullanilir. Laboratuvarda cok sayida ortak-degisen olcumle tahmin yaparken tercih edilir.

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

#50  Lasso Regresyon
    dosya: 50_lasso_30pred_5aktif.xlsx
  >> SENARYO (anlatim):
    Biyolojik aktiviteyi 30 aday ozellikten lasso ile modelleyip onemli olanlari
    seciyoruz. Otomatik degisken secimi icin lasso uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: biological_activity
    - 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 = 0.715   30 ozellikten 16'si sifire cekildi (otomatik degisken secimi)

>> YORUM (anlatim):
    Biyolojik aktiviteyi 30 aday ozellikten lasso regresyonla modelledik: R^2 = 0.72 ve lasso, 30 ozellikten 16'sinin
    katsayisini tam sifira cekerek yalnizca etkili degiskenleri secti. Ridge'den farki budur: lasso katsayilari
    sifirlayabildigi icin ayni anda hem tahmin yapar hem degisken secer. Laboratuvarda cok sayida aday gosterge/
    ozellik arasindan "gercekten onemli olan az sayida etkeni" otomatik ayiklamada (sade, yorumlanabilir model) cok
    kullanislidir.

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

#51  Aracilik Analizi
    dosya: 51_mediation_chemical.xlsx
  >> SENARYO (anlatim):
    Katalizor -> ara urun -> son urun zincirini test ediyoruz. Ara mekanizmayi
    cozmek icin aracilik analizi uygundur.
  >> DEGISKEN SECIMI:
    - Yordayici(lar): catalyst
    - Deger: M (araci/mediator): intermediate_product_mM
    - Bagimli degisken: last_product_mM

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dolayli etki (indirect) = 1.093   %95 GA [0.832, 1.346]   (sifiri icermiyor -> anlamli)
    X: catalyst  M: intermediate_product_mM  Y: last_product_mM

>> YORUM (anlatim):
    "Katalizor (X) -> ara urun (M) -> son urun (Y)" zincirini test ettik: dolayli etki 1.09, %95 guven araligi sifiri
    icermiyor -- yani katalizorun son urune etkisi onemli olcude ara urun uzerinden gerceklesiyor. Aracilik analizi,
    "X neden/nasil Y'yi etkiliyor?" sorusunu bir ara mekanizma uzerinden cozer. Laboratuvarda bir reaksiyon
    basamaginin etkisinin hangi ara urun/asama uzerinden aktigini anlamada gucludur.

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

#52  Yol Analizi
    dosya: 52_path_chemical_zincir.xlsx
  >> SENARYO (anlatim):
    Degiskenler arasi dogrudan/dolayli iliskileri tek nedensel diyagram olarak test
    ediyoruz. Iliski agi icin yol analizi uygundur.
  >> DEGISKEN SECIMI:
    - Deger: yield ~ temperature_C + concentration_mM + activity
    - Deger: activity ~ temperature_C

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CFI = 0.917   RMSEA = 0.216   model: yield ~ temperature + concentration + activity; activity ~ temperature

>> YORUM (anlatim):
    Birden cok degisken arasindaki dogrudan ve dolayli iliskileri tek bir nedensel diyagram olarak test ettik. Uyum
    indeksleri (CFI = 0.92, RMSEA = 0.22) 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. Laboratuvarda teori temelli iliski zincirlerini (sicaklik -> aktivite
    -> verim) sinamada kullanilir.

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

#53  Dogrusal Karma Model (LMM)
    dosya: 53_lmm_sample_time.xlsx
  >> SENARYO (anlatim):
    Ayni numunelerde tekrarli olculen absorbansi, numuneyi rastgele etki alarak
    modelliyoruz. Tekrarli/ic ice veride LMM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: absorbance
    - Yordayici(lar): time_hour
    - Kume: sample_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 = 0.761   Grup varyansi (random intercept) = 0.0084   sonuc: absorbance   sabit: time_hour   grup: sample_id

>> YORUM (anlatim):
    Ayni numunelerde tekrar tekrar olculen absorbansi, numune kimligini rastgele etki olarak alarak modelledik.
    ICC = 0.76 yuksek: absorbans degiskenliginin buyuk kismi numuneler ARASI farktan kaynaklaniyor, numune ici
    tekrarlar benzer. LMM, ic ice/tekrarli (numune icinde olcumler) verideki bagimliligi dogru ele alir; siradan
    regresyonun ihlal ettigi "bagimsizlik" varsayimini random etkilerle cozer. Laboratuvarda tekrarli/zaman serili
    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: yield
    - Yordayici(lar): pH
    - Yordayici(lar): temperature_C
    - Yordayici(lar): concentration

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    m (imputation) = 5   sonuc: yield   yordayicilar: pH, temperature_C, concentration

>> 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. Laboratuvarda olcum kacaklari/eksik
    okumalari, orneklemi daraltmadan ve sonuclari saptirmadan ele almanin modern standardidir.

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

#55  GEE
    dosya: 55_gee_measurement.xlsx
  >> SENARYO (anlatim):
    Ayni numunelerin tekrarli olcumlerinde olcumu modelliyoruz.
    Populasyon-ortalamasi etki icin GEE uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: measurement
    - Yordayici(lar): visit
    - Kume: sample_id

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    visit katsayisi = 0.052   p < .001 ***   QIC = 307.67   sonuc: measurement   grup: sample_id

>> YORUM (anlatim):
    Ayni numunelerin tekrarli ziyaret/zaman olcumlerinde olcumu modelledik; ziyaret etkisi anlamli (b = 0.052,
    p < .001). 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. Laboratuvarda "ortalama numunede zaman etkisi nedir?" gibi populasyon duzeyi sorularda tercih
    edilir.

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

#56  GLMM
    dosya: 56_glmm_type_count.xlsx
  >> SENARYO (anlatim):
    Ayni sahalarda tekrarli olculen tur sayisini zaman ve mudahaleyle, sahayi
    rastgele etki alarak modelliyoruz. Tekrarli sayim icin GLMM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: type_count
    - Yordayici(lar): time
    - Yordayici(lar): intervention
    - Kume: site_id (Poisson)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    intervention katsayisi = -0.661   p < .001 ***   sonuc: type_count (sayim, Poisson)   grup: site_id

>> YORUM (anlatim):
    Ayni sahalarda tekrarli olculen bir SAYIM ciktisini (tur sayisi) zaman ve mudahale ile, sahayi rastgele etki
    alarak modelledik; mudahale etkisi anlamli ve negatif (b = -0.66, p < .001). GLMM, LMM'i normal olmayan ciktilara
    (sayim, ikili) genisletir: hem dagilimi (Poisson) hem de kumelenmeyi (random etki) ayni anda dogru ele alir.
    Laboratuvarda/ekolojide tekrarli olculen sayim ciktilarinda (saha bazli tur sayisi) dogru modeldir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    alpha = 0.097   L1 orani = 0.50   R^2 (egitim) = 0.538   40 yordayici

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

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

#58  Saglam Regresyon
    dosya: 58_robust_outlier.xlsx
  >> SENARYO (anlatim):
    Yogunlugu sicaklikla, aykiri degerlerin etkisini azaltarak modelliyoruz. Uc
    degerli veri icin saglam regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: density_g_cm3
    - Yordayici(lar): temperature_C

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Robust Intercept = 1.010   OLS Intercept = 0.997   sonuc: density_g_cm3   yordayici: temperature_C

>> YORUM (anlatim):
    Yogunlugu (density) sicaklikla modellerken, aykiri degerlerin tahmini saptirmasini onlemek icin saglam regresyon
    kullandik. Robust ve OLS kesim noktalari yakin (1.010'a karsi 0.997), bu da bu veride aykirilarin etkisinin sinirli
    oldugunu gosteriyor; yine de robust yontem uc gozlemlere daha az agirlik vererek "tipik" iliskiyi guvenceye alir.
    Laboratuvarda olcum hatasi/uc deger riski olan veride, onlari silmeden saglam tahmin almanin dogru yoludur.

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

#59  Kantil Regresyon
    dosya: 59_quantile_yield.xlsx
  >> SENARYO (anlatim):
    Verimin dagilimin farkli noktalarini (alt %10, medyan, ust %90) ayri ayri
    modelliyoruz. Degisken etki icin kantil regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: yield
    - Yordayici(lar): concentration
    - Yordayici(lar): temperature_C
    - 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: yield   yordayici: concentration, temperature_C

>> YORUM (anlatim):
    Verimin yalnizca ortalamasini degil, dagilimin farkli noktalarini (alt %10, medyan, ust %90) ayri ayri modelledik.
    Yordayicilarin etkisi kantillere gore degisebilir -- bir etken dusuk verimli kosullarda guclu, yuksek verimlilerde
    zayif olabilir. Kantil regresyon, "ortalama etki" yaniltici oldugunda (etki dagilim boyunca degisken) gercek
    resmi verir. Laboratuvarda uc-kosul davranisini ve verim degiskenligini incelemede klasik regresyonun gormedigini
    gosterir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AUC = 0.964 (mukemmel ayirici)   Youden optimum esik = 0.621   Duyarlilik = 0.920, 1-Ozgulluk = 0.136
    n = 250 (pozitif 162, negatif 88)

>> YORUM (anlatim):
    Bir biyobelirtecin (biomarker) ikili sonucu (positive_label) ne kadar iyi ayirdigini ROC egrisiyle degerlendirdik:
    AUC = 0.96 ile mukemmel ayirici guc; Youden ile optimum karar esigi 0.62 olarak belirlendi. ROC, tum olasi
    esiklerde duyarlilik-ozgulluk dengesini gosterir ve modeli tek esige bagli kalmadan degerlendirir. Laboratuvarda
    bir tani/belirtec testinin ayirma gucunu olcmede ve en uygun karar esigini secmede standart aractir.

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

#61  True Skill Statistic (TSS)
    dosya: 61_tss_type_distribution.xlsx
  >> SENARYO (anlatim):
    Bir siniflama/dagilim modelinin ayirma basarisini TSS ile olcuyoruz. Dengesiz
    siniflarda adil olcum icin TSS uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: asset
    - Yordayici(lar): feature_1
    - Yordayici(lar): feature_2

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    TSS = 0.35 (kabul edilebilir)   Duyarlilik = 0.53   Ozgulluk = 0.82   N = 200
    ikili sonuc: asset   yordayicilar: feature_1, feature_2

>> YORUM (anlatim):
    Bir siniflama/dagilim modelinin ayirma basarisini TSS ile olctuk: TSS = 0.35 (duyarlilik 0.53, ozgulluk 0.82).
    TSS = duyarlilik + ozgulluk - 1; sansla beklenen basariyi disar ve dengesiz siniflarda dahi adil bir performans
    olcusu verir. Tur dagilim modellemesinde (SDM) ve ekolojide TSS yaygin bir gostergedir. Accuracy yanli olabilirken,
    TSS hem varligi hem yoklugu yakalama gucunu birlikte degerlendirir. Laboratuvarda/ekolojide siniflandirma
    modellerinin gercek ayirma gucunu raporlamada saglamdir.

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

#62  Karmasiklik Matrisi Metrikleri
    dosya: 62_complexity_3sinif.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. Laboratuvarda tahmin/siniflandirma
    modellerinin performansini detayli raporlamada temeldir.

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

#63  Rastgele Orman
    dosya: 63_rf_class.xlsx
  >> SENARYO (anlatim):
    Sinifi dort ozellikten rastgele ormanla siniflandiriyoruz. Dogrusal olmayan
    tahmin icin random forest uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: class
    - Yordayici(lar): feature_a
    - Yordayici(lar): feature_b
    - Yordayici(lar): feature_c
    - Yordayici(lar): feature_d

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Accuracy = 0.986   sonuc: class   yordayicilar: feature_a, feature_b, feature_c, feature_d

>> YORUM (anlatim):
    Sinifi (class) dort ozellikten rastgele ormanla siniflandirdik: dogruluk %98.6. Random forest, yuzlerce karar
    agacinin oyunu birlestirir; dogrusal olmayan iliskileri ve etkilesimleri otomatik yakalar, ayrica degisken onem
    siralamasi verir. Tek bir agacin asiri uyumunu ortalama alarak azaltir. Laboratuvarda karmasik, dogrusal olmayan
    siniflandirma problemlerinde (tur/faz tahmini) hem yuksek dogruluk hem de "hangi degisken onemli" bilgisi sundugu
    icin yaygin kullanilir.

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

#64  Destek Vektor Makineleri (SVM)
    dosya: 64_svm_binary.xlsx
  >> SENARYO (anlatim):
    Ikili siniflamasini dort ozellikten SVM ile yapiyoruz. Iyi ayrilabilen siniflar
    icin SVM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: label
    - Yordayici(lar): x1
    - Yordayici(lar): x2
    - Yordayici(lar): x3
    - Yordayici(lar): x4

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Accuracy = 1.00   sonuc: label   yordayicilar: x1, x2, x3, x4

>> YORUM (anlatim):
    Ikili 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. Laboratuvarda iyi ayrilabilen sinif problemlerinde, ozellikle az-orta boyutlu veride, guclu ve kararli
    bir siniflandiricidir.

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

#65  Gradyan Artirma
    dosya: 65_gradient_boosting.xlsx
  >> SENARYO (anlatim):
    Risk sinifini dort yordayicidan gradyan artirma ile siniflandiriyoruz. En yuksek
    dogruluk icin gradient boosting uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: risk
    - Yordayici(lar): x1
    - Yordayici(lar): x2
    - Yordayici(lar): x3
    - Yordayici(lar): x4

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Accuracy = 0.875   sonuc: risk   yordayicilar: x1, x2, x3, x4

>> YORUM (anlatim):
    Risk sinifini dort yordayicidan gradyan artirma ile siniflandirdik: dogruluk %87.5. 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.
    Laboratuvarda en yuksek tahmin dogrulugunun arandigi (risk siniflama, sonuc ongorusu) durumlarda tercih edilir;
    asiri uyuma karsi ayarlama gerektirir.

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

#66  K-Ortalamalar Kumeleme
    dosya: 66_kmeans_4kume.xlsx
  >> SENARYO (anlatim):
    Numuneleri iki ozellige gore kumeliyoruz. Numune gruplama icin k-means uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: feature_a
    - Degiskenler: feature_b
    - Kume sayisi: 4

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n_clusters = 4   Silhouette = 0.627   degiskenler: feature_a, feature_b

>> YORUM (anlatim):
    Numuneleri iki ozellige gore 4 kumeye ayirdik: silhouette = 0.63, iyi bir ayrisma. K-means, gozlemleri en yakin
    kume merkezine atar ve merkezleri iteratif olarak gunceller; benzer numuneleri dogal gruplara ayirir. Onceden
    etiket gerekmez (gozetimsiz). Laboratuvarda numune/orneklem gruplamada, ornutu kesfetmede temel yontemdir;
    silhouette kume sayisinin uygunlugunu denetler.

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

#67  Hiyerarsik Kumeleme
    dosya: 67_hierarchic_5tur.xlsx
  >> SENARYO (anlatim):
    On ozellige gore numuneleri hiyerarsik kumeliyoruz. Ic-ice grup yapisi icin
    hiyerarsik kumeleme uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: feat_01..10
    - Kume sayisi: 5

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n_clusters = 5   Silhouette = 0.136   degiskenler: feat_01..10 (10 ozellik)

>> YORUM (anlatim):
    On ozellige gore numuneleri hiyerarsik kumelemeyle 5 gruba ayirdik (silhouette = 0.14, 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. Laboratuvarda turlerin/
    gruplarin hiyerarsisini (ana grup -> alt grup) kesfetmede ve dogal kume sayisini dendrogramdan okumada kullanilir.

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

#68  DBSCAN Kumeleme
    dosya: 68_dbscan_location.xlsx
  >> SENARYO (anlatim):
    Numune 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 = 5   Silhouette = 0.887   degiskenler: lat, lon (konum)

>> YORUM (anlatim):
    Numune konumlarini (lat, lon) yogunluk temelli DBSCAN ile kumeledik: 5 yogun kume, silhouette = 0.89 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. Laboratuvarda/saha calismasinda mekansal yogunlasmalari (orneklem
    kumeleri, sicaklik bolgeleri) saptamada ve aykiri konumlari ayiklamada idealdir.

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

#69  Temel Bilesenler (PCA)
    dosya: 69_pca_6ozellik.xlsx
  >> SENARYO (anlatim):
    Alti iliskili ozelligi PCA ile az sayida bilesene indirgiyoruz. Boyut indirgeme
    icin PCA uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: f1
    - Degiskenler: f2
    - Degiskenler: f3
    - Degiskenler: f4
    - Degiskenler: f5
    - Degiskenler: f6

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    PC1 varyansin %92.7'sini acikliyor   degiskenler: f1..f6 (6 ozellik)

>> YORUM (anlatim):
    Alti iliskili ozelligi PCA ile az sayida bilesene indirgedik: ilk bilesen tek basina varyansin %92.7'sini
    acikliyor -- yani bu alti olcu buyuk olcude tek bir gizli boyutu yansitiyor. PCA, bagintili degiskenleri
    birbirinden bagimsiz bilesenlere donusturur; boyut indirger, gorsellestirmeyi kolaylastirir ve multikolinariteyi
    cozer. Laboratuvarda cok-gostergeli olcumleri ozetlemede ve bir "bilesik endeks" olusturmada temeldir.

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

#70  t-SNE
    dosya: 70_tsne_5tip.xlsx
  >> SENARYO (anlatim):
    12 sensor boyutlu veriyi gorsellestirme icin 2 boyuta t-SNE ile indiriyoruz.
    Dogrusal olmayan kume kesfi icin t-SNE uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: sensor_01..12

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    KL Iraksamasi = 0.506 (iyi)   yuksek boyutlu 12 sensor 2 boyuta gomuldu

>> YORUM (anlatim):
    On iki sensor boyutlu veriyi, gorsellestirme icin 2 boyuta t-SNE ile indirdik (KL = 0.51, iyi kalite). t-SNE,
    yuksek boyutlu komsuluklari korumaya calisarak benzer gozlemleri yakin, farklilari uzak konumlandirir; PCA'nin
    gormedigi dogrusal olmayan kume yapilarini gorsel olarak ortaya cikarir. Yorum gorseldir (eksenlerin mutlak
    anlami yoktur). Laboratuvarda yuksek boyutlu sensor/olcum verisindeki gizli tip kumelerini kesifsel
    gorsellestirmede kullanilir.

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

#71  Cok Boyutlu Olcekleme (MDS)
    dosya: 71_mds_3grup.xlsx
  >> SENARYO (anlatim):
    Numuneler arasi benzerlik yapisini 2 boyutlu haritaya yerlestiriyoruz. Benzerlik
    haritasi icin MDS uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: f1
    - Degiskenler: f2
    - Degiskenler: f3
    - Degiskenler: f4

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Stress (Kruskal-1) = 0.053 (kabul edilebilir)   degiskenler: f1..f4

>> YORUM (anlatim):
    Numuneler 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.
    Laboratuvarda numune/grup benzerlik haritalarini cizmede ve gruplar arasi konumlandirmada kullanilir.

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

#72  UMAP
    dosya: 72_umap_5tip.xlsx
  >> SENARYO (anlatim):
    25 boyutlu ozellik verisini UMAP ile 2 boyuta indiriyoruz. Hem yerel hem kuresel
    yapi icin UMAP uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: feat_01..25

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

>> YORUM (anlatim):
    Yirmi bes boyutlu ozellik 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. Laboratuvarda yuksek boyutlu olcum verisini
    gorsellestirmede ve dogal kume yapisini kesfetmede modern bir secimdir.

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

#73  Cronbach Alfa
    dosya: 73_cronbach_21madde.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 = 0.967 (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
    gosterir; 0.70 ustu kabul edilebilir sayilir. (Cok yuksek deger ayni zamanda madde fazlaligina da isaret edebilir.)
    Laboratuvarda derecelendirme/degerlendirme olceklerinin guvenilirligini raporlamada standart gostergedir.

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

#74  Likert Olcek Analizi
    dosya: 74_likert_3boyut.xlsx
  >> SENARYO (anlatim):
    Uc boyuttan olusan 15 maddelik Likert setini cozumluyoruz. Sirali olcek ozeti ve
    guvenilirligi icin Likert analizi uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: dimension1_1..5 / dimension2_1..5 / dimension3_1..5

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Madde sayisi k = 15   Cronbach alpha = 0.820 (iyi)

>> YORUM (anlatim):
    Uc boyuttan olusan 15 maddelik Likert setini cozumledik: guvenilirlik iyi (alpha = 0.82), madde dagilimlari ve
    merkezi egilimler raporlandi. Likert analizi, sirali olcek yanitlarini (1-5) uygun ozetlerle (medyan, dagilim,
    yigilma) betimler ve olcek guvenilirligini denetler. Laboratuvarda degerlendirme/algi olceklerinin dogru
    ozetlenmesi ve yorumlanmasi icin kullanilir.

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

#75  Acimlayici Faktor Analizi (EFA)
    dosya: 75_efa_18madde.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 = 0.907 (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. Laboratuvarda yeni bir olcek gelistirirken (yapinin kesfi) ve madde gruplarini
    teorik boyutlara eslemede temeldir; KMO ve Bartlett on-kosul testleridir.

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

#76  Sinif Ici Korelasyon (ICC)
    dosya: 76_icc_3olcum.xlsx
  >> SENARYO (anlatim):
    Uc tekrarli olcumun tutarliligini olcuyoruz. Surekli olcumde tekrar guvenirligi
    icin ICC uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: measurement_a
    - Degiskenler: measurement_b
    - Degiskenler: measurement_c

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    ICC(1,1) = 0.938 (Mukemmel)   %95 GA [0.900, 0.960]   3 olcum (measurement_a/b/c)

>> YORUM (anlatim):
    Uc tekrarli olcumun (measurement_a/b/c) tutarliligini ICC ile olctuk: ICC = 0.94, mukemmel -- olcumler neredeyse
    ozdes. ICC, kappa'dan farkli olarak SUREKLI olcumlerde gozlemciler/tekrarlar arasi guvenirligi olcer ve hem
    tutarliligi hem mutlak uyumu degerlendirebilir. Laboratuvarda ayni numunenin tekrarli olcumlerinin (cihaz
    tekrarlanabilirligi, gozlemci guvenirligi) ne kadar tutarli/degistirilebilir oldugunu saptamada standart
    gostergedir.

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

#77  Dogrulayici Faktor Analizi (CFA)
    dosya: 77_cfa_12madde_3faktor.xlsx
  >> SENARYO (anlatim):
    Onceden tanimli uc faktorlu yapinin verilere uyup uymadigini siniyoruz. Olcek
    yapi gecerligi icin CFA uygundur.
  >> DEGISKEN SECIMI:
    - Deger: dimension1: dimension1_1..4
    - Deger: dimension2: dimension2_1..4
    - Deger: dimension3: dimension3_1..4

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CFI = 0.993   RMSEA = 0.027   3 faktor: dimension1/2/3 (her biri 4 madde)

>> YORUM (anlatim):
    EFA'nin aksine, onceden tanimladigimiz uc faktorlu yapinin (3 boyut) verilere uyup uymadigini CFA ile SINADIK:
    uyum indeksleri cok iyi (CFI = 0.99, RMSEA = 0.03). CFA, teorik olcek modelini test eder -- her maddenin hangi
    faktore yuklendigi onceden bellidir, soru "model veriye uyuyor mu?"dur. Laboratuvarda gelistirilmis bir olcegin/
    olcum modelinin yapi gecerligini dogrulamada zorunlu adimdir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    measurement: M_hat = 45.35   SE = 0.42   %95 GA [44.52, 46.17]   CV %0.92
    agirlik: weight, tabaka: region

>> YORUM (anlatim):
    Tabakali/agirlikli bir orneklem tasariminda olcum ortalamasini, tasarimi dikkate alarak tahmin ettik: M = 45.35,
    Taylor lineerleme SE'si ile %95 GA [44.5, 46.2]. Karmasik orneklem yontemleri, esit olmayan secilme olasiliklarini
    (agirlik) ve tabakalamayi hesaba katar; bunlar yok sayilirsa standart hatalar yanli cikar. Laboratuvarda/saha
    calismalarinda tabakali, agirlikli orneklemelerden dogru nokta tahmini ve guven araligi uretmenin dogru yoludur.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    category kategorileri icin agirlikli oranlar + Taylor SE + %95 GA
    (or. 'low' p_hat = 0.281, 'high' p_hat = 0.077)

>> YORUM (anlatim):
    Bir kategorik degiskenin (category) kategori oranlarini, orneklem agirliklari ve tabakalama altinda tahmin ettik;
    her oran icin tasarima dayali SE ve guven araligi verildi. Karmasik orneklem frekans analizi, basit yuzde hesabinin
    aksine, orneklem tasarimini dikkate alarak populasyon oranlarini yanli olmadan kestirir. Laboratuvarda/saha
    calismasinda tabakali orneklemlerden kategori dagilimlarini dogru raporlamada kullanilir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    amount: T_hat = 266,166   SE = 3,389.61   %95 GA [259,493, 272,839]   tabaka: stratum

>> YORUM (anlatim):
    Orneklemden populasyon TOPLAMINI (toplam miktar) tahmin ettik: T = 266,166, %95 GA [259,493, 272,839]. Agirliklar
    her gozlemin populasyonda kac birimi temsil ettigini soyler; toplam tahmini bu agirliklarin toplamiyla yapilir ve
    Taylor SE ile belirsizligi raporlanir. Laboratuvarda/saha calismasinda orneklemden tum populasyona olceklenmis
    toplamlar (toplam stok, toplam miktar) uretmede dogru yontemdir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R^2 = 0.752   age katsayisi = 79.86 (p < .001)   sonuc: result   yordayicilar: age, education   agirlik: weight

>> YORUM (anlatim):
    Bir cikti degiskenini, orneklem tasarimini (agirlik, tabaka) dikkate alarak regresyona soktuk: yas anlamli bir
    yordayici (b = 79.86, p < .001), model varyansin %75'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. Laboratuvarda/saha calismasinda temsili orneklem verisinde iliski modellemenin dogru yoludur.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    age: OR = 0.995   p = 0.540 ns   ikili sonuc: binary_result   yordayicilar: age, measurement   agirlik: weight

>> YORUM (anlatim):
    Ikili bir sonucu (binary_result) tasarim-agirlikli lojistik regresyonla modelledik: yasin etkisi anlamli degil
    (OR = 0.995, p = 0.54). Bu yontem, lojistik regresyonu karmasik orneklem tasarimina genisletir -- agirlik ve
    tabaka standart hatalara yansir. Burada "anlamli etki yok" sonucu da degerlidir. Laboratuvarda/saha calismasinda
    temsili orneklemlerden ikili sonuc olasiligini dogru tahmin etmede kullanilir.

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

#83  Genellestirilmis Toplamsal Model (GAM)
    dosya: 83_gam_measurement_temperature.xlsx
  >> SENARYO (anlatim):
    Bir olcumu sicaklikla, iliskiyi esnek bir egriyle modelliyoruz. Dogrusal olmayan
    etki icin GAM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: measurement
    - Yordayici(lar): temperature_C (smooth)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Pseudo R^2 (aciklanan) = 0.609   sonuc: measurement   yordayici: temperature_C (duzgun/smooth terim)

>> YORUM (anlatim):
    Bir olcumu (measurement) sicaklikla, iliskinin bicimini onceden duz cizgi varsaymadan, esnek bir egri (smooth) ile
    modelledik: aciklanan varyans yuksek (pseudo R^2 = 0.61). GAM, dogrusal regresyonu genisletir -- her yordayicinin
    etkisini veriden ogrenilen duzgun bir fonksiyon olarak modeller, boylece egrisel iliskileri yorumlanabilirligi
    kaybetmeden yakalar. Laboratuvarda etkinin dogrusal olmadigi (doyma, esik, optimum) iliskilerde, kara-kutu
    modellere gore daha aciklayici bir secimdir.

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

#84  Diskriminant Analizi
    dosya: 84_diskriminant_3sinif.xlsx
  >> SENARYO (anlatim):
    Sinifi bes surekli olcuden siniflandiriyoruz. Onceden tanimli siniflara atama
    icin diskriminant uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: class
    - Yordayici(lar): f1
    - Yordayici(lar): f2
    - Yordayici(lar): f3
    - Yordayici(lar): f4
    - Yordayici(lar): f5

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dogruluk = 1.00   sonuc: class   yordayicilar: f1, f2, f3, f4, f5

>> YORUM (anlatim):
    Sinifi (class) bes surekli olcuden diskriminant analiziyle siniflandirdik: dogruluk %100 -- siniflar 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. Laboratuvarda onceden tanimli siniflara yeni numuneleri atamada ve ayirici ozellikleri belirlemede
    kullanilir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    McFadden pseudo R^2 = 0.516   secici: participant_id   secim: chosen   ozellikler: price, quality

>> YORUM (anlatim):
    Katilimcilarin alternatifler arasindan yaptigi secimleri, secenek ozelliklerine (fiyat, kalite) gore kosullu
    lojitle modelledik (pseudo R^2 = 0.52). 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. Tercih/secim deneylerinde temel yontemdir.

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

#86  Kaplan-Meier Sagkalim
    dosya: 86_km_survival.xlsx
  >> SENARYO (anlatim):
    Bir olaya kadar gecen sureyi ve gruplar arasi farki inceliyoruz. Sansurlu sure
    verisi icin Kaplan-Meier uygundur.
  >> DEGISKEN SECIMI:
    - Sure: duration_year
    - Olay: event
    - Gruplama (kategorik): category

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Medyan sagkalim = 8.36   Log-rank chi^2(1) = 0.013, p = 0.911 ns   sure: duration_year, olay: event, grup: category

>> YORUM (anlatim):
    Bir olaya kadar gecen sureyi Kaplan-Meier ile inceledik: medyan sagkalim 8.36 birim; gruplar (category) arasi
    sagkalim egrileri log-rank ile karsilastirildi (p = 0.91, fark yok). KM, sansurlu sure verisini (olay henuz
    gerceklesmeyenler) dogru ele alir; siradan ortalama bu gozlemleri yok sayip yanli cikarir. Laboratuvarda/biyolojide
    "yasam suresi", dayaniklilik ve bozulma zamanlamasi analizinde temeldir.

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

#87  Cox Orantili Tehlike
    dosya: 87_cox_event.xlsx
  >> SENARYO (anlatim):
    Olay riskini surekli yordayicilarla Cox modeliyle inceliyoruz. Sansurlu surede
    cok yordayici icin Cox uygundur.
  >> DEGISKEN SECIMI:
    - Sure: duration_year
    - Olay: event
    - Yordayici(lar): age
    - Yordayici(lar): risk_1
    - Yordayici(lar): risk_2
    - Yordayici(lar): risk_3

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Concordance = 0.577   yordayicilar (HR): age=1.004 (p=0.53), risk_1=0.995 (p=0.86), risk_2=0.777 (p=0.14), risk_3=1.007 (p=0.12)
    sure: duration_year, olay: event   (hicbiri tek basina anlamli degil)

>> YORUM (anlatim):
    Olay riskini surekli yordayicilarla (yas, risk_1..3) Cox modeliyle inceledik: bu orneklemde hicbir yordayici tek
    basina anlamli cikmadi (en yakini risk_2: HR = 0.78, p = 0.14), concordance 0.58 (zayif-orta ayirma). Cox
    regresyonu, sansurlu sure verisinde birden cok yordayicinin "olay zamani" uzerindeki etkisini tehlike orani (HR)
    olarak verir; temel tehlikenin sekli hakkinda varsayim yapmaz. Laboratuvarda/biyolojide olay riskini belirleyen
    etkenleri saptamada altin standarttir; burada belirleyici etken bulunamadi.

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

#88  Parametrik Sagkalim (AFT)
    dosya: 88_aft_weibull.xlsx
  >> SENARYO (anlatim):
    Sagkalim suresini Weibull dagilimi varsayarak modelliyoruz. Surenin acik tahmini
    icin AFT uygundur.
  >> DEGISKEN SECIMI:
    - Sure: duration_year
    - Olay: event
    - Yordayici(lar): age_covariate

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dagilim: Weibull   Medyan sagkalim = 12.25   sure: duration_year, olay: event, yordayici: age_covariate

>> YORUM (anlatim):
    Sagkalim suresini parametrik (Weibull) bir dagilim varsayarak modelledik: medyan sagkalim ~12.3 birim. 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. Laboratuvarda surenin acik tahmini ve ekstrapolasyonu gerektiginde tercih edilir.

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

#89  Rekabet Eden Riskler
    dosya: 89_competing_risks.xlsx
  >> SENARYO (anlatim):
    Birden fazla farkli sonla karsilasilabilen durumu modelliyoruz. Birbirini
    dislayan olaylar icin rekabet eden riskler uygundur.
  >> DEGISKEN SECIMI:
    - Sure: duration_year
    - Olay: event_cause -> olay tipi / event type
    - Yordayici(lar): age_covariate

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Sansurlu (0) = 60   farkli olay nedenleri (event_cause) ayri olay tipleri olarak modellendi

>> YORUM (anlatim):
    Birden fazla farkli sonla karsilasilabilen durumu rekabet eden riskler cercevesinde inceledik: 60 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. Laboratuvarda/biyolojide ayni birimin birbirini dislayan farkli sonlarini (farkli bozulma/olum nedenleri)
    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): sample_id
    - Baslangic: start
    - Bitis: end
    - Olay: event
    - Yordayici(lar): measurement

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    measurement: HR = 1.015   p = 0.300 ns   (zamanla degisen kovaryat)   id: sample_id, baslangic/bitis araliklari

>> YORUM (anlatim):
    Yordayicinin (measurement) zaman icinde DEGISTIGI bir Cox modeli kurduk: her birim icin baslangic-bitis
    araliklariyla olcumun guncel degeri kullanildi; etki burada anlamli degil (HR = 1.015, p = 0.30). Zamana bagli
    Cox, sabit olmayan kovaryatlari (degisen olcum, degisen kosul) dogru ele alir -- olay aninda yordayicinin guncel
    degerini kullanir. Laboratuvarda zamanla degisen risk faktorlerinin 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_month
    - Olay: event
    - Yordayici(lar): region (faktorize/factorized)
    - Agirlik: weight
    - Kume: cluster_id

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Concordance = 0.51   region_n: p = 0.696 ns   sure: duration_month, olay: event   agirlik: weight, kume: cluster_id

>> YORUM (anlatim):
    Sagkalim analizini karmasik anket tasarimina (agirlik + kume) tasiyarak Cox modeli kurduk: bolge etkisi anlamli
    degil (p = 0.70), concordance 0.51 (ayirma gucu zayif). survey_phreg, orantili tehlike modelini tabaka/kume/agirlik
    yapisina genisletir -- standart hatalar tasarima gore duzeltilir. Laboratuvarda/saha calismasinda temsili panel/
    orneklem verisinde olay zamani modellemenin tasarima sadik yoludur.

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

#92  Aralik Sansurlu Sagkalim
    dosya: 92_interval_censored.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 = 29   Medyan sagkalim = 10.0   (alt sinir: left_censor, ust sinir: survival_censor)

>> YORUM (anlatim):
    Olayin tam zamani bilinmeyip yalnizca bir ARALIK icinde gerceklestigi bilinen veriyi modelledik: medyan sagkalim
    10 birim, 29 olay. Aralik sansurlu yontemler, olayin "iki gozlem arasinda bir yerde" oldugu durumlar (periyodik
    olcumler arasi) icindir; olayi aralik orta/uc noktasina sabitlemek yanli sonuc verirken bu yontem belirsizligi
    dogru tasir. Laboratuvarda periyodik incelemeler arasinda gerceklesen olaylari (iki olcum arasi bozulma) dogru
    modellemede kullanilir.

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

#93  Kirilganlik (Frailty) Cox
    dosya: 93_frailty_cox.xlsx
  >> SENARYO (anlatim):
    Kumelenmis sagkalim verisinde gruba ozgu gizli riski frailty olarak
    modelliyoruz. Paylasilan gizli risk icin frailty Cox uygundur.
  >> DEGISKEN SECIMI:
    - Sure: duration_year
    - Olay: event
    - Yordayici(lar): clinical_group (faktorize/factorized)
    - Kume: group_id

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Concordance = 0.556   cg_n: p = 0.236 ns   sure: duration_year, olay: event   kume: group_id (frailty)

>> YORUM (anlatim):
    Kumelenmis sagkalim verisinde (ayni grup icindeki birimler) gruba ozgu gozlenmeyen riski "frailty" (rastgele etki)
    olarak modelledik; klinik grup etkisi anlamli degil (p = 0.24). Frailty Cox, ayni kumedeki birimlerin paylastigi
    gizli riski hesaba katar -- standart Cox'un ihlal ettigi bagimsizlik varsayimini cozer. Laboratuvarda/biyolojide
    parti/grup icinde kumelenmis olay verisinde (paylasilan gizli risk) dogru secimdir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    60 gozlem (aylik)   ADF p = 0.866 (duragan degil)   Trend: artan   Mevsimsellik tespit edildi

>> YORUM (anlatim):
    Aylik bir olcum serisini inceledik: ADF testi durağan olmadigini gosteriyor (p = 0.87), 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. Laboratuvarda/cevre olcumlerinde zaman serili olcumleri cozumlemenin
    baslangic adimidir.

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

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

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

>> YORUM (anlatim):
    Olcum serisini STL ile uc bilesene ayirdik: trend, mevsimsel deseni (period = 7, haftalik) 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. Laboratuvarda/cevre
    olcumlerinde serilerden mevsimselligi arindirip altta yatan trendi gormede ve anomali tespitinde temeldir.

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

#96  ARIMA Tahmin
    dosya: 96_arima_monthly.xlsx
  >> SENARYO (anlatim):
    Olcum serisini ARIMA ile modelleyip gelecege yonelik tahmin uretiyoruz. Seri
    ongorusu icin ARIMA uygundur.
  >> DEGISKEN SECIMI:
    - Tarih: date
    - Deger: measurement

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    ARIMA modeli secildi   AIC = 2450.18   gelecege yonelik tahmin + guven araligi

>> YORUM (anlatim):
    Seriyi ARIMA ile modelleyip gelecege yonelik tahmin urettik (AIC = 2450.18 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. Laboratuvarda/cevre izlemede olcum serisi ongorusunde en
    yaygin klasik yontemdir; guven araligi tahmin belirsizligini gosterir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Yontem: Holt-Winters (mevsimsel toplamsal, period = 12)   AIC = 830.58

>> YORUM (anlatim):
    Olcum serisini 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. Laboratuvarda/cevre
    izlemede duzenli mevsimsel desenli serilerin ongorusunde hizli ve guvenilir sonuc verir.

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

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

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

>> YORUM (anlatim):
    Olcum 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 ve zaman serisi
    calismalarinda yaygindir. Laboratuvarda/cevre izlemede uzun donemli olcum egilimlerini (artan/azalan trend) saglam
    bicimde saptamada kullanilir.

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

#99  Anomali Tespiti
    dosya: 99_anomali_measurements.xlsx
  >> SENARYO (anlatim):
    Cok-degiskenli verideki olagandisi gozlemleri tespit ediyoruz. Bilesik aykiri
    tespiti icin anomali tespiti uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: f1
    - Degiskenler: f2
    - Degiskenler: f3
    - Degiskenler: f4

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Anomali sayisi = 11   degiskenler: f1, f2, f3, f4

>> YORUM (anlatim):
    Cok-degiskenli verideki olagandisi gozlemleri otomatik tespit ettik: 11 numune anomali olarak isaretlendi. Anomali
    tespiti, normalden belirgin sapan gozlemleri (hatali kayit, kontaminasyon, istisnai durum) cok degiskeni birlikte
    degerlendirerek bulur; tek degiskenli esiklerin kacirdigi "bilesik" aykiriliklari yakalar. Laboratuvarda kalite
    kontrol, hatali olcum tespiti ve istisnai numune davranislarinin erken saptanmasinda kullanilir.

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

#100  Varyans Bilesenleri
    dosya: 100_varcomp_3seviye_h2.xlsx
  >> SENARYO (anlatim):
    Olcum degiskenligini ic ice duzeylere (ust/alt birim) ayristiriyoruz. Hiyerarsik
    degiskenlik icin varyans bilesenleri uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: value
    - Faktor (kategorik): upper_unit
    - Faktor (kategorik): lower_unit (nested)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Random faktorler: upper_unit + lower_unit (upper icinde nested)   her bilesenin % katkisi + artik

>> YORUM (anlatim):
    Bir olcum degiskenligini, ic ice (nested) duzeylere -- ust birim ve ust birim icindeki alt birim -- ayristirdik:
    her duzeyin toplam degiskenlige yuzde katkisi ve artik raporlandi. Varyans bilesenleri analizi, "degiskenligin ne
    kadari ust birimler arasi, ne kadari alt birimler arasi, ne kadari birim ici?" sorusunu yanitlar. Laboratuvarda
    hiyerarsik yapilarda (parti>numune>tekrar) belirsizligin nerede yogunlastigini gormede ve orneklem/olcum tasariminda
    kullanilir; kalitim (h2) gibi oran tahminlerinin temelidir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    BF10 = 3.36e+46   Cohen's d = 3.939   (H1 lehine ezici kanit)   sonuc: value, grup: group

>> YORUM (anlatim):
    Iki grubun (yeni/eski yontem) olcum farkini Bayesci t-testiyle inceledik: Bayes faktoru ezici (BF10 ~ 3.4e46),
    etki cok buyuk (d = 3.94) -- veri, fark oldugu hipotezini fark olmadigina karsi astronomik oranda destekliyor.
    Bayes faktoru, p-degerinden farkli olarak iki hipotezin GORELI kanit gucunu verir ve "kanit yok" ile "fark yok"u
    ayirt edebilir. Laboratuvarda 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. Laboratuvarda iki olcum arasindaki iliskinin yalnizca "anlamli mi" degil
    "ne kadar guclu kanitli" oldugunu raporlamada degerlidir.

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

#103  Bayesci ANOVA
    dosya: 103_bayesian_anova_2yonlu.xlsx
  >> SENARYO (anlatim):
    Bir olcumun iki faktore gore farkini Bayesci ANOVA ile inceliyoruz. Faktor
    etkilerinin kanit gucu icin uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: value
    - Faktor (kategorik): factor1
    - 2. Faktor: factor2

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

>> YORUM (anlatim):
    Bir olcumun 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. Laboratuvarda 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.
    Laboratuvarda cok duzeyli (parti/numune/tekrar) verilerde, kucuk gruplarda dahi kararli tahminler uretmede
    gucludur.

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

#105  Mekansal SAR
    dosya: 105_spatial_sar_spatial.xlsx
  >> SENARYO (anlatim):
    Bir olcumu modellerken mekansal yayilmayi SAR ile ele aliyoruz. Komsuluk etkisi
    icin SAR uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: Y_value
    - 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_value, yordayicilar: X1, X2

>> YORUM (anlatim):
    Bir olcumu (Y_value) modellerken mekansal yayilmayi (komsu birimlerin etkisi) SAR ile ele aldik: mekansal gecikme
    parametresi anlamli ve pozitif (rho = 0.34, p < .001) -- bir birimin degeri komsularinin degeriyle iliskili,
    "kume/yayilma" deseni var. SAR, mekansal bagimliligi modele dahil eder; goz ardi edilirse standart hatalar yanli
    cikar. Laboratuvarda/cevre calismasinda olcumlerin 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_value
    - 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. Laboratuvarda/cevre calismasinda
    mekansal otokorelasyonun kaynagi olculmemis cografi etkenlerse (iklim, zemin) 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_value
    - 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_value, 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. Laboratuvarda/cevre
    calismasinda iliskinin bolgeye gore farklilastigi durumlarda gucludur.

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

#108  Ic Ice (Nested) Karma Model
    dosya: 108_nested_lmm_R_P_F.xlsx
  >> SENARYO (anlatim):
    Ic ice yuvalanmis tasarimda (ust grup>alt grup>blok) bir degeri modelliyoruz.
    Yuvalanmis hiyerarsi icin nested LMM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: value
    - Faktor (kategorik): lower_group_no
    - Faktor (kategorik): upper_group
    - Faktor (kategorik): block

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    upper_group (P) etkisi: F = 27.44, p < .001 ***   lower_group_no (R) etkisi: F = 6.11, p < .001 ***
    ic ice varyans bilesenleri (block, P icinde)

>> YORUM (anlatim):
    Ic ice yuvalanmis bir tasarimda (ust grup > alt grup > blok) bir degeri modelledik: hem ust seviye (F = 27.44,
    p < .001) hem alt/replikasyon seviyesi (F = 6.11, p < .001) anlamli katki veriyor. Nested LMM, alt birimlerin ust
    birimler icinde yuvalandigi (her blok yalnizca bir gruba ait) hiyerarsileri dogru ele alir; varyansi duzeylere
    bolerek her katmanin payini gosterir. Laboratuvarda parti/numune/tekrar hiyerarsilerinde 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: value
    - Faktor (kategorik): factor_a
    - 2. Faktor: factor_b

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    A x B etkilesimi: F = 14.67, p < .001 ***   ana etkiler ns (A: p=0.767, B: p=0.480)   sonuc: value

>> YORUM (anlatim):
    Iki random faktorun ic ice DEGIL caprazlanmis oldugu (her A duzeyi her B duzeyiyle eslesir) bir tasariimi
    modelledik: ana etkiler anlamli degilken (A: p=0.77, B: p=0.48) A x B etkilesimi cok guclu (F = 14.67, p < .001) --
    yani etki faktorlerin BIRLESIMINE bagli. Crossed LMM, nested'in aksine bagimsiz iki gruplama eksenini (or. yontem
    x parti, her yontem her partide) ayni anda ele alir. Laboratuvarda iki bagimsiz siniflama ekseninin etkilerini ve
    etkilesimini birlikte cozumlemede dogru secimdir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n = 95 numune   olcum agirlikli mekansal yogunluk yuzeyi (surekli sicaklik haritasi)

>> YORUM (anlatim):
    Numunelerin (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. Laboratuvarda/saha calismasinda
    orneklem/olcum yogunlasmalarini gorsel olarak haritalamada ve bos/yogun bolgeleri belirlemede temel mekansal
    aractir.

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

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

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

>> YORUM (anlatim):
    Olcum noktalarini (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. Laboratuvarda/saha calismasinda yogun nokta bulutlarini (orneklem konumlari)
    okunabilir yogunluk haritasina cevirmede ve mekansal yogunlasmalari karsilastirmada kullanilir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Moran's I = 0.777   z = 13.83   p < .001 ***   (komsu k-NN, k = 6)   degisken: measurement_value

>> YORUM (anlatim):
    Olcum degerinin mekanda rastgele mi yoksa kumelenmis mi dagildigini Moran's I ile test ettik: I = 0.78, z = 13.83,
    p < .001 -- cok guclu pozitif mekansal otokorelasyon, yani benzer olcum degerleri cografi olarak kumeleniyor.
    Moran's I, "Tobler'in ilk yasasi"ni (yakin seyler benzer) nicelestirir. Laboratuvarda/cevre calismasinda
    olcumlerin cografi kumelenmesini saptamada ve mekansal model gerekip gerekmedigine karar vermede ilk testtir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Sicak nokta = 29   Soguk nokta = 28   n = 68   (k-NN k = 8, ikili agirlik)   degisken: measurement_value

>> YORUM (anlatim):
    Olcum degerinin NEREDE yuksek/dusuk kumelendigini Getis-Ord Gi* ile yerel olarak haritaladik: 29 anlamli sicak
    nokta (yuksek deger kumesi) ve 28 soguk nokta (dusuk deger kumesi). Moran's I genel kumelenmeyi soylerken, Gi*
    bunun konumunu gosterir -- her nokta icin "etrafi yuksek mi dusuk mu?" testidir. Laboratuvarda/cevre calismasinda
    yuksek/dusuk deger bolgelerini (sicak/soguk noktalar) hedefli orneklem/izleme icin tam yerinde belirlemede
    kullanilir.

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

#114  DBSCAN Mekansal Kumeleme
    dosya: 114_DBSCAN_sample_kumeleri.xlsx
  >> SENARYO (anlatim):
    Numune 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 = 5   Gurultu (aykiri) = 9   n = 115   (konum: lat, lon)

>> YORUM (anlatim):
    Numune konumlarini (n = 115) yogunluk temelli DBSCAN ile kumeledik: 5 dogal cografi kume ve 9 "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. Laboratuvarda/saha calismasinda bolge bazli
    dogal yogunlasmalari (orneklem kumeleri) saptamada ve izole konumlari ayiklamada kullanilir; betimsel mekansal
    analiz dizimizi tamamlar.

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

#115  Karma Desen (Split-Plot) ANOVA
    dosya: 115_mixed_anova_reaction_yield_pct.xlsx
  >> SENARYO (anlatim):
    40 samples uc temperature duzeyinde (low, medium, high) olculur; her biri iki catalyst grubundan birine (catalyst_A / catalyst_B) aittir. Karma (split-plot) desen; reaction yield (%) uzerinde denekler-arasi ana etki,
    denek-ici ana etki ve etkilesimi sinar.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: reaction_yield_pct
    - Denek kimligi: sample_id
    - Denekler-arasi faktor: catalyst
    - Denek-ici faktor: temperature

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Between (catalyst): F(1,38) = 6.10  p = 0.018  np2 = 0.138
    Within (temperature):  F(2,76) = 218.68  p < .001  np2 = 0.852
    Interaction:         F(2,76) = 7.19  p = 0.001  np2 = 0.159
    Mauchly W = 0.962  p = 0.478   n_subjects = 40   n_obs = 120

>> YORUM (anlatim):
    catalyst x temperature karma deseninde 40 samples icin reaction yield (%) incelendi (120 gozlem). Etkilesim anlamli (F(2,76) = 7.19, p = 0.001, np2 = 0.159) ** -- iki grubun temperature boyunca degisimi farkli buyukluktedir. Denekler-arasi ana etki (catalyst_A vs catalyst_B) F = 6.10, p = 0.018; denek-ici ana etki (low/medium/high) F = 218.68, p < .001. Mauchly p = 0.478, yani kurelik saglanir, denek-ici p duzeltmesiz okunur. Once etkilesime bakilir: anlamliysa grup etkisi her temperature duzeyinde ayri yorumlanmalidir. Fen bilimlerinde karma desen, katalizörleri sıcaklık koşulları boyunca karşılaştırma icin standart analizdir.

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