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

#1  Betimsel Istatistik
    dosya: 01_descriptive_site_inventory.xlsx
  >> SENARYO (anlatim):
    280 saha/parselin envanterini cikardik. Her parsel icin alan, verim, kalite, yas
    ve maliyet olculdu. Cikarimsal teste gecmeden once parsel stokunun genel resmini
    gormek istiyoruz; bu yuzden betimsel istatistiklerle basliyoruz.
  >> DEGISKEN SECIMI:
    - Degiskenler: area_m2
    - Degiskenler: yield_unit
    - Degiskenler: quality_score
    - Degiskenler: age_year
    - Degiskenler: cost_TL
    - Gruplama (kategorik): category

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n = 280 saha/parsel
    alan : ort = 3,222 m2   |   verim birimi : ort = 49.9   |   kalite skoru : ort = 3.38
    yas : ort = 30.4 yil   |   maliyet : ort = 9,272 TL

>> YORUM (anlatim):
    Once saha envanterinin genel resmini cikardik: 280 parsel, ortalama alan ~3,200 m2, verim birimi ~50, kalite skoru
    5 uzerinden 3.38, ortalama yas 30 yil ve parsel basina ~9,300 TL maliyet. Bu betimsel tablo, izleyen tum
    analizlerin -- tur/bolge karsilastirmalari, verim-girdi iliskileri, mekansal saha deseni -- zeminini kuruyor.
    Saha/tarim muhendisliginde herhangi bir cikarimsal teste gecmeden once parsel stokunun temel ozelliklerini (alan,
    verim, kalite, maliyet) ozetlemek, hem veri kalitesini denetlemek hem de planlama onceliklerini belirlemek icin
    sarttir.

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

#2  Normallik Testleri
    dosya: 02_normality_yield_biomass.xlsx
  >> SENARYO (anlatim):
    Verim, biyokutle ve dayanim degiskenlerinin normal dagilip dagilmadigini
    inceliyoruz. Sonraki t-testi, ANOVA ve korelasyonun gecerliligi bu varsayima
    bagli oldugu icin her degiskeni ayri siniyoruz.
  >> DEGISKEN SECIMI:
    - Degiskenler: yield_kg_da
    - Degiskenler: biomass_kg
    - Degiskenler: strength_MPa

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    3 surekli degisken test edildi:
    yield_kg_da (verim)     : Shapiro-Wilk = 0.996  p = 0.928   KS p = 0.963   Normal
    biomass_kg (biyokutle)  : Shapiro-Wilk = 0.875  p < .001    KS p = 0.001   Normal Degil
    strength_MPa (dayanim)  : Shapiro-Wilk = 0.902  p < .001    KS p = 0.001   Normal Degil

>> YORUM (anlatim):
    Uc surekli degiskenin -- verim, biyokutle ve dayanim -- normal dagilip dagilmadigini test ettik. Sonuc ogretici
    bicimde ayrisiyor: verim normal (p = 0.93), ama biyokutle ve dayanim normallikten anlamli sapiyor (p < .001). Bu
    saha verisinde tipiktir -- biyokutle ve dayanim olcumleri sik sik sag-carpik olur. Pratik sonuc: verim uzerinde
    parametrik testleri (t-testi, ANOVA, Pearson) guvenle kullanabiliriz; biyokutle ve dayanim 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_yield.xlsx
  >> SENARYO (anlatim):
    Parsellerin ortalama veriminin 400 kg/da hedef esikten farkli olup olmadigini
    arastiriyoruz. Tek grup ve sabit referans deger oldugundan tek orneklem t-testi
    uygundur.
  >> DEGISKEN SECIMI:
    - Test degiskeni: yield_kg_da
    - Test edilen deger (mu): 400

  >> 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) = 3.077   p = 0.003 **   Cohen d = 0.308 (Kucuk)
    Ortalama verim = 415.4 kg/da   (test mu = 400, hedef esik)   H0 REDDEDILIR

>> YORUM (anlatim):
    Parsellerin ortalama verimini, 400 kg/da'lik bir hedef esikle karsilastirdik. Sonuc anlamli ama kucuk olcekte:
    ortalama 415.4 kg/da, hedefin uzerinde -- t(99) = 3.08, p = 0.003, etki kucuk (d = 0.31). Yani parseller hedef
    verimin istatistiksel olarak uzerinde, ancak farkin pratik buyuklugu mutevazi. Tek orneklem t-testi, bir saha
    gostergesini bilinen bir standart/hedef degerle (verim hedefi, norm degeri) karsilastirmanin dogru yoludur;
    tarimsal verim degerlendirmede ve hedefe uygunlugu olcmede sik kullanilir.

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

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

  >> 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):
    Welch t(113) = -6.438   p < .001 ***   Cohen d = -1.187 (Buyuk)   H0 REDDEDILIR

>> YORUM (anlatim):
    Iki gubre grubunun ortalama verimini karsilastirdik (varyanslar esit olmadigindan Welch duzeltmesi kullanildi).
    Fark anlamli ve buyuk: t(113) = -6.44, p < .001, d = -1.19. Gruplar arasi farkin tesadufle aciklanamayacak kadar
    belirgin, ayrica pratik olarak da kayda deger oldugunu gosteriyor. Bagimsiz orneklem t-testi, iki ayri grubun (iki
    gubre, iki yontem, iki parsel turu) bir surekli olcudeki ortalamalarini karsilastirmanin standart yontemidir;
    sahada mudahale/uygulama farklarini saptamada temel araclardandir.

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

#5  Eslestirilmis Orneklem t-Testi
    dosya: 05_paired_t_dbh.xlsx
  >> SENARYO (anlatim):
    Ayni agaclarda iki donemde olculen capi karsilastiriyoruz. Olcumler
    eslestirilmis oldugundan eslestirilmis t-testi uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: dbh_before_cm
    - 2. olcum / grup: dbh_post_cm

  >> 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) = -19.10   p < .001 ***   Cohen d_z = -2.701 (Buyuk)
    Ort. fark (oncesi - sonrasi) = -2.70 cm   H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni agaclarda iki olcum doneminde olculen capi (dbh, gogus capi) eslestirerek karsilastirdik. Sonuc cok guclu:
    ortalama fark -2.7 cm, t(49) = -19.10, p < .001, d_z = -2.70 ile devasa. Yani agaclar iki donem arasinda anlamli
    ve buyuk olcude capa kazanmis. Eslestirilmis t-testi, ayni birimde iki zamanli olcumu (oncesi/sonrasi)
    karsilastirir; bireysel degisimi izole ettigi icin bagimsiz testten daha gucludur ve sahada buyume/mudahale
    etkisini olcmenin en dogru yoludur.

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

#6  Tek Yonlu ANOVA
    dosya: 06_anova_type_dbh.xlsx
  >> SENARYO (anlatim):
    Dort turun ortalama capi uzerindeki etkisini karsilastiriyoruz. Ikiden fazla
    grup oldugundan tek yonlu ANOVA uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: dbh_cm
    - 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) = 16.54   p < .001 ***   eta^2 = 0.267   H0 REDDEDILIR

>> YORUM (anlatim):
    Dort tur (type) arasinda ortalama capi karsilastirdik. Sonuc anlamli ve guclu: F(3,136) = 16.54, p < .001, eta^2 =
    0.27 -- yani cap degiskenliginin yaklasik dortte biri 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); sahada farkli tur/bolge/uygulama performansini kiyaslamada temel
    yontemdir. Hangi ciftlerin ayristigi post-hoc testlerle belirlenir.

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

#7  Iki Yonlu ANOVA
    dosya: 07_two_way_anova_type_region.xlsx
  >> SENARYO (anlatim):
    Tur ve bolgenin cap uzerindeki ana etkilerini ve etkilesimini ayni anda
    inceliyoruz. Iki kategorik faktor oldugundan iki yonlu ANOVA uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: dbh_cm
    - Faktor (kategorik): type
    - 2. Faktor: region

  >> 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) = 149.27   p < .001 ***   eta^2p = 0.636
    region (ana etki) : F(2) = 9.56     p < .001 ***   eta^2p = 0.101

>> YORUM (anlatim):
    Iki faktoru ayni anda inceledik: tur ve bolge (region), capi nasil etkiliyor? Her iki ana etki de anlamli (tur:
    F(2) = 149.27, eta^2p = 0.64; bolge: F(2) = 9.56, eta^2p = 0.10). Capi belirleyen baskin etken tur olmakla birlikte
    bolgenin 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. Sahada "hangi degisken gercekten fark
    yaratiyor?" sorusunu yanitlamada idealdir.

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

#8  Tekrarli Olcumler ANOVA
    dosya: 08_repeated_anova_year_dbh.xlsx
  >> SENARYO (anlatim):
    Ayni agaclarda dort ardisik yilda olculen capi 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 agacta dort ardisik yilda olculen capi karsilastirdik. Sonuc cok guclu: F(3,177) = 108.40, p < .001,
    eta^2p = 0.65 -- yillar arasi fark devasa ve etkinin buyuk kismi zamana bagli. Yani agaclarin capi yillar boyunca
    anlamli sekilde artiyor. Tekrarli olcumler ANOVA, ayni birimde uc veya daha fazla zamanli olcumu karsilastirir;
    bireysel farki sabit tuttugu icin yuksek istatistiksel guc saglar ve sahada cok-donemli buyume takibinde (yillik
    cap, periyodik olcum) dogru secimdir.

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

#9  MANOVA
    dosya: 09_manova_type_3DV.xlsx
  >> SENARYO (anlatim):
    Turun boy, cap ve biyokutle uzerindeki etkisini ayni anda test ediyoruz. Birden
    cok iliskili bagimli degisken oldugundan MANOVA uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: height_m
    - Bagimli degisken: dbh_cm
    - Bagimli degisken: biomass_kg
    - 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 = 0.164   F(6,230) = 56.37   p < .001 ***   n = 120
    Bagimli: height_m, dbh_cm, biomass_kg   |   Faktor: type   H0 REDDEDILIR

>> YORUM (anlatim):
    Turun uc bagimli degisken (boy, cap, biyokutle) uzerindeki etkisini ayni anda test ettik. Wilks' Lambda = 0.16,
    F(6,230) = 56.37, 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. Sahada
    tur bir tek gostergeyi degil, boy-cap-biyokutle "demetini" birlikte etkiliyorsa, MANOVA bu cok-boyutlu farki tek
    karar olarak ortaya koyar.

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

#10  ANCOVA
    dosya: 10_ancova_treatment_dbh.xlsx
  >> SENARYO (anlatim):
    Mudahale sonrasi capi gruplara gore karsilastirirken baslangic capini
    ko-degisken olarak kontrol ediyoruz. Karistirici surekli degisken oldugundan
    ANCOVA uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: dbh_after
    - Faktor (kategorik): treatment
    - Ko-degisken: dbh_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 = 0.906 (cok buyuk)   ko-degisken: dbh_baseline   H0 REDDEDILIR

>> YORUM (anlatim):
    Mudahale sonrasi capi (dbh_after) gruplara gore karsilastirirken, baslangic capini (dbh_baseline) ko-degisken
    olarak kontrol ettik. Boylece "gruplar baslangicta farkliydi" itirazini disladik ve grubun saf etkisini olctuk:
    etki cok buyuk (eta^2p = 0.91). ANCOVA, bir karistirici surekli degiskeni istatistiksel olarak sabitleyerek grup
    karsilastirmasini adil hale getirir -- sahada "baslangic capini esitleyince uygulama hala fark yaratiyor mu?"
    sorusunun cevabidir; baz/son-olcum tasarimlarinda standart aractir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gozlenen ortalama (biyokutle, kg) = 151.03
    %95 Bootstrap GA (yeniden orneklemeyle)

>> YORUM (anlatim):
    Biyokutle (kg) ortalamasi icin -- dagilim varsayimina dayanmadan -- yeniden ornekleme ile %95 guven araligi
    urettik: gozlenen ortalama 151.03 kg. Bootstrap, veriyi binlerce kez kendi icinden ornekleyerek istatistigin
    orneklem dagilimini ampirik olarak insa eder; normallik varsayimi tutmadiginda (biyokutle carpiktir) ya da formul
    bilinmediginde guven araligi vermenin guvenilir yoludur. Sahada carpik buyukluklerde klasik t-araliklarindan daha
    saglam tahminler saglar.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    t = -6.348   p < .001 ***   Iki grup arasinda anlamli ortalama fark var   H0 REDDEDILIR

>> YORUM (anlatim):
    Iki yontem (method) 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; sahada varsayimlarin suphede oldugu yontem
    karsilastirmalarinda saglam bir secimdir.

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

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

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

>> YORUM (anlatim):
    Sekiz ayri yontem karsilastirmasinin p-degerlerini topluca ele alip coklu test duzeltmesi uyguladik. Ham haliyle 6
    karsilastirma anlamliyken, Bonferroni/Holm/BH duzeltmeleri sonrasi 6'si da anlamli kaldi -- yani bu farklar
    duzeltmeye dayanacak kadar guclu. Cok sayida test yapildiginda, yalnizca sansla "anlamli" cikan yanlis pozitiflerin
    orani siser; duzeltme yontemleri esik degeri sikilastirarak bu hatayi kontrol altina alir. Sahada onlarca
    yontem/parseli ayni anda karsilastirirken bu adim cikarimlarin guvenilirligini korur; burada sonuclarin saglam
    oldugunu da gosterir.

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

#14  Mann-Whitney U Testi
    dosya: 14_mann_whitney_agriculture_quality.xlsx
  >> SENARYO (anlatim):
    Iki tarim turunun kalite skoru dagilimini karsilastiriyoruz. Normallik
    saglanmadigindan Mann-Whitney uygundur.
  >> DEGISKEN SECIMI:
    - Gruplama (kategorik): agriculture_type
    - Test degiskeni: quality_score

  >> 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 = 1161.00   p = 0.020 *   r = -0.29   H0 REDDEDILIR

>> YORUM (anlatim):
    Iki tarim turunun (agriculture_type) kalite skoru dagilimini, ortalamaya degil siralamaya dayanarak
    karsilastirdik: U = 1161, p = 0.020, kucuk-orta etki (r = -0.29). Fark anlamli. Mann-Whitney, t-testinin parametrik
    olmayan karsiligidir; normallik saglanmadiginda ya da olcek sirali oldugunda iki grubu karsilastirmanin dogru
    yoludur. Sahada kalite/derece gibi sirali olculerde saglam ve guvenilir secimdir.

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

#15  Wilcoxon Isaretli Siralar
    dosya: 15_wilcoxon_tree_health.xlsx
  >> SENARYO (anlatim):
    Ayni agaclarda once/sonra olculen saglik skorunu, normallik varsaymadan
    karsilastiriyoruz. Eslestirilmis ve normal olmayan veride Wilcoxon uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: health_before
    - 2. olcum / grup: health_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 agaclarda once/sonra olculen saglik skorunu -- normallik varsaymadan -- siralara dayali olarak
    karsilastirdik: W = 0, p < .001, cok buyuk etki (r = 0.89). Yani mudahale sonrasi saglik tutarli ve guclu sekilde
    degismis. Wilcoxon, eslestirilmis t-testinin parametrik olmayan karsiligidir; sirali ya da normal olmayan
    once/sonra olcumlerde dogru secimdir. Sahada tedavi/bakim oncesi-sonrasi saglik olcumlerinde guvenilir sonuc
    verir.

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

#16  Kruskal-Wallis Testi
    dosya: 16_kruskal_soil_yield.xlsx
  >> SENARYO (anlatim):
    Uc toprak tipinin verim dagilimini karsilastiriyoruz. Normallik/varyans esitligi
    saglanmadigindan Kruskal-Wallis uygundur.
  >> DEGISKEN SECIMI:
    - Gruplama (kategorik): soil
    - Test degiskeni: yield_ton_ha

  >> 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) = 17.06   p < .001 ***   eta^2_H = 0.36   H0 REDDEDILIR

>> YORUM (anlatim):
    Uc toprak tipinin (soil) verim (ton/ha) dagilimini -- ortalamaya degil siralamaya dayanarak -- karsilastirdik:
    H(2) = 17.06, p < .001, eta^2_H = 0.36 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. Sahada carpik veya sirali olculerde gruplar arasi farki saptamada
    saglamdir.

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

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

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

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

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

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gozlenen oran = 0.739   (beklenen p = 0.50)   p < .001 ***   H0 REDDEDILIR

>> YORUM (anlatim):
    Yasayan fidanlarin oranini, %50'lik beklenen orana karsi test ettik: gozlenen oran %73.9, beklentinin cok uzerinde
    (p < .001). Yani fidan tutma orani sansla aciklanamayacak kadar yuksek. Binom testi, ikili (yasiyor/yasamiyor) bir
    sonucun gozlenen oranini teorik bir oranla karsilastirmanin kesin yontemidir; sahada fidan tutma/cimlenme/basari
    oranlarinin bir hedefe veya 50:50 beklentisine uyup uymadigini sinamada dogrudan kullanilir.

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

#19  Isaret Testi
    dosya: 19_sign_test_nitrogen.xlsx
  >> SENARYO (anlatim):
    Ayni birimlerde once/sonra azot degerinin yonune bakiyoruz. Yalnizca yon bilgisi
    guvenilirken isaret testi uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: nitrogen_before
    - 2. olcum / grup: nitrogen_post

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Pozitif fark (oncesi > sonrasi) = 28   p < .001 ***   H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni birimlerde once/sonra olculen azot (nitrogen) degerinin 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. Sahada olcum carpik veya sadece
    yon bilgisi guvenilirken (azot artti mi azaldi mi) saglam bir secimdir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gozlenen run = 27   Z = -1.042   p = 0.298 ns   Veri rastgele kabul edilebilir

>> YORUM (anlatim):
    Verim serisinin (yield_mean) medyana gore ikili dizisinin rastgele olup olmadigini test ettik: 27 run, Z = -1.04,
    p = 0.30 -- desen yok, dizi rastgele. Runs testi, bir dizide degerlerin sirali bir oruntu (kume, dongu, trend)
    olusturup olusturmadigini sinar. Sahada verim/olcum 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_health.xlsx
  >> SENARYO (anlatim):
    Tur ile saglik durumu arasinda iliski olup olmadigini test ediyoruz. Iki
    kategorik degisken oldugundan ki-kare uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: type
    - Degiskenler: health_status

  >> 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) = 13.23   p = 0.001 **   Cramer's V = 0.135 (Orta)   H0 REDDEDILIR

>> YORUM (anlatim):
    Iki kategorik degisken -- tur (type) ve saglik durumu (health_status) -- arasinda iliski olup olmadigini test
    ettik: chi^2(2) = 13.23, p = 0.001, Cramer's V = 0.13 ile anlamli ama orta-zayif bir bagimlilik. Kategoriler
    tamamen bagimsiz degil. Ki-kare bagimsizlik testi, iki nitel degisken arasindaki iliskiyi capraz tablodan saptar;
    sahada tur-saglik, bolge-uygulama gibi kategorik iliskileri ortaya cikarmada temel yontemdir. Cramer's V iliskinin
    pratik gucunu olcer.

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

#22  Ki-Kare Uyum Iyiligi
    dosya: 22_chisquare_goodnessfit_quality.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: quality

  >> 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) = 37.00   p < .001 ***   N = 200, k = 4 (beklenen: esit dagilim)   H0 REDDEDILIR

>> YORUM (anlatim):
    Dort kategorili bir degiskenin (quality) gozlenen dagiliminin, esit (1/k) beklenen dagilima uyup uymadigini test
    ettik: chi^2(3) = 37.00, 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; sahada kalite/sinif dagilimlarinin beklenen profile uyup uymadigini sinamada kullanilir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Fisher exact p = 0.009 **   Odds Ratio = 0.091   Phi = 0.517 (Guclu)   H0 REDDEDILIR

>> YORUM (anlatim):
    2x2 bir capraz tabloda (method x retention) iliskiyi -- kucuk hucre frekanslari nedeniyle ki-kare yerine -- kesin
    olarak test ettik: p = 0.009, Phi = 0.52 ile guclu iliski. Fisher kesin testi, beklenen frekanslarin dusuk oldugu
    kucuk orneklemlerde ki-kare yaklasiminin guvenilmez kaldigi durumda dogru secimdir; olasiligi yaklasik degil tam
    hesaplar. Sahada az gozlemli pilot/deneme karsilastirmalarinda (yeni yontem tutuyor mu) guvenilir sonuc verir.

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

#24  McNemar Testi
    dosya: 24_mcnemar_test.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) = 2   p = 0.004 **   uyumsuz b = 14, c = 2   OR = 7.00   H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni birimlerde iki yontemin (test_a vs test_b) ikili sonucunu eslestirerek degisim yonunu test ettik: degisimler
    belirgin sekilde tek yone egilimli (b = 14, c = 2), p = 0.004 ile anlamli. McNemar, ayni birimde once/sonra (ya da
    iki yontem) ikili durum degisimini test eder ve yalnizca uyumsuz ciftlere bakar. Sahada 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_expert.xlsx
  >> SENARYO (anlatim):
    Iki uzmanin ayni birimleri ayni kategorilere atamadaki uyumunu olcuyoruz.
    Kategorik uyum icin kappa uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: expert_a
    - 2. olcum / grup: expert_b

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kappa = 0.724 (onemli/substantial uyum)

>> YORUM (anlatim):
    Iki uzmanin (expert_a vs expert_b) ayni birimleri ayni kategorilere atamadaki uyumunu -- sansla beklenen uyumu
    disarak -- olctuk: kappa = 0.72, onemli (substantial) duzey. Kappa, iki gozlemci/yontem arasindaki kategorik uyumu,
    rastgele uyusma payini cikararak rapor eder; ham yuzde uyumdan daha durusttur. Sahada iki uzmanin siniflamalarinin
    (tur tayini, kalite sinifi, hasar derecesi) ne kadar tutarli oldugunu olcmede standart gostergedir.

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

#26  Cochran-Mantel-Haenszel
    dosya: 26_cmh_region_method.xlsx
  >> SENARYO (anlatim):
    Yontem-yuksek verim iliskisini bolge katmanlarini kontrol ederek test ediyoruz.
    Katman kontrollu iliski icin CMH uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: method
    - Degiskenler: high_yield
    - Tabaka/Katman: region

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CMH chi^2(1) = 31.88   p < .001 ***   Ortak OR (MH) = 0.277 [0.176, 0.437]
    Breslow-Day p = 0.478 (OR homojen)   H0 REDDEDILIR

>> YORUM (anlatim):
    Yontem-yuksek verim iliskisini, bolge (region) katmanlarini kontrol ederek test ettik: katmanlar arasi ortak Odds
    Ratio = 0.28 [0.18, 0.44], p < .001; Breslow-Day p = 0.48 ile bu iliski tum katmanlarda tutarli. (OR < 1 yontem
    grubunun yuksek verim sansini azalttigini gosterir.) CMH, karistirici bir katman degiskenini sabit tutarak
    iliskinin saf gucunu olcer (Simpson paradoksunu onler). Sahada bolge farklarini kontrol ederek yontem-sonuc
    iliskisini saglam biciminde tahmin etmede idealdir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 48.91   Pearson chi^2 = 0.407   3 kategorik degiskenin (type, region, disease) birlikte iliskisi modellendi

>> YORUM (anlatim):
    Uc kategorik degiskenin (tur, bolge, hastalik) 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. Sahada ucten fazla kategorik boyutun (tur x
    bolge x hastalik) ortak baginti desenini cozumlemede; sadeligi AIC ile dengeleyerek en aciklayici yapiyi secmede
    kullanilir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    chi^2(6) = 14.75   p = 0.022 *   Cramer's V = 0.145 (Orta)   H0 REDDEDILIR

>> YORUM (anlatim):
    Iki kategorik degiskeni (yas grubu x yanit) capraz tabloda inceledik: chi^2(6) = 14.75, p = 0.022, V = 0.15 --
    anlamli ama orta-zayif bir iliski var. Capraz tablo + ki-kare, iki nitel degisken arasindaki baginin yonunu ve
    gucunu hucre bazinda gosterir. Sahada demografi/grup-yanit iliskilerini betimlemede; anlamli ama pratik olarak
    mutevazi (V = 0.15) iliskileri dogru yorumlamada kullanilir.

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

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

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

>> YORUM (anlatim):
    Birden fazla secenegin isaretlenebildigi bir soruyu (uygulanan tarimsal islemler) cozumledik: 250 ciftcinin her
    biri bir veya daha cok uygulama 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 ciftci coklu uygulama yapar).
    Sahada cok-secimli uygulama sorularinin (kullanilan yontemler, girdiler) dogru ozetlenmesi icin standart
    yontemdir.

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

#30  Coklu Yanit - Capraz Tablo
    dosya: 30_mr_categorical_region.xlsx
  >> SENARYO (anlatim):
    Coklu yanitli uygulama sorusunu bolgeye gore capraz tabloluyoruz. Cok-secimliyi
    bir kategoriye gore kirmak icin uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: applications (coklu yanit / multi-response)
    - Gruplama (kategorik): region

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam vaka n = 220   Grup sutunu: region   |   coklu yanit "applications" x bolge

>> YORUM (anlatim):
    Coklu yanitli uygulama sorusunu tekli bir kategoriye (bolge) gore capraz tabloladik: her bolge icin uygulama basina
    isaretlenme oranlarini karsilastirdik. Coklu yanit capraz tablosu, "bir grup hangi secenekleri digerinden daha sik
    yapiyor?" sorusunu yanitlar. Sahada bolgelerin/gruplarin cok-secimli uygulama profillerini (kullandiklari yontemler,
    girdiler) karsilastirmada kullanilir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam vaka n = 180   Iki coklu yanit (group_a x group_b) 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. Sahada ic ice gecmis
    uygulama demetlerinin (kullanilan yontem x hedeflenen sonuc) eslesme desenlerini incelemede kullanilir.

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

#32  Cochran Q Testi
    dosya: 32_cochran_q_season.xlsx
  >> SENARYO (anlatim):
    Ayni sahalarda farkli mevsimler icin ikili sonucun mevsimden mevsime degisip
    degismedigini test ediyoruz. Uc+ tekrarli ikili olcum icin Cochran Q uygundur.
  >> DEGISKEN SECIMI:
    - Sutunlar: mevsim-bazli ikili sutunlar / season-wise binary columns

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

>> YORUM (anlatim):
    Ayni sahalarda farkli mevsimler (season) icin olculen ikili sonucun (iyi verim var/yok) mevsimden mevsime anlamli
    degisip degismedigini test ettik: Q = 0, p = 1.00 -- mevsimler arasi fark yok. Cochran Q, McNemar testinin ikiden
    fazla tekrarli kosula genellemesidir; ayni birimde uc+ ikili olcumu karsilastirir. Sahada ayni parsellerin birden
    cok mevsim/kosulda iyi verim verip vermedigini kiyaslamada dogru yontemdir.

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

#33  Korelasyon Analizi
    dosya: 33_correlation_5degisken.xlsx
  >> SENARYO (anlatim):
    Bes saha degiskeni arasindaki tum ikili korelasyonlari inceliyoruz. Iliski yonu
    ve gucu icin korelasyon matrisi uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: irrigation_mm
    - Degiskenler: fertilizer_kg_da
    - Degiskenler: temperature_C
    - Degiskenler: moisture_pct
    - Degiskenler: yield_kg_da

  >> 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: irrigation_mm, fertilizer_kg_da, temperature_C, moisture_pct, yield_kg_da
    Guclu iliski (|r| >= 0.75): 1 cift -> fertilizer_kg_da ile yield_kg_da: r = +0.847 (p < .001)

>> YORUM (anlatim):
    Bes saha degiskeni arasindaki tum ikili Pearson korelasyonlarini hesapladik: en guclu iliski gubre ile verim
    arasinda (r = 0.85, p < .001); digerleri daha zayif. Yani gubre arttikca verim belirgin sekilde artiyor, geri
    kalan olculer daha bagimsiz hareket ediyor. Korelasyon matrisi, iliskilerin yonunu ve gucunu tek bakista ozetler;
    sahada girdiler arasi cakismayi (multikolinearite riski) ve hangi degiskenlerin verimle gercekten iliskili oldugunu
    gormede ilk adimdir.

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

#34  Bland-Altman Uyum
    dosya: 34_bland_altman_dbh.xlsx
  >> SENARYO (anlatim):
    Ayni capi olcen iki yontemin (klinometre/lazer) birbiriyle uyumunu inceliyoruz.
    Yontem degistirilebilirligi icin Bland-Altman uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: dbh_clinometer
    - 2. olcum / grup: dbh_laser

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Klinometre (dbh_clinometer): ort = 26.23   |   Lazer (dbh_laser): ort = 25.55
    Bias (ortalama fark) ~ 0.68 cm   |   uyum sinirlari (LoA) hesaplandi

>> YORUM (anlatim):
    Ayni capi olcen iki yontemin (klinometre vs lazer) birbiriyle ne kadar uyustugunu inceledik: ortalama sistematik
    fark (bias) ~0.7 cm ve %95 uyum sinirlari raporlandi. Bland-Altman, korelasyondan farkli olarak "iki yontem
    birbirinin yerine kullanilabilir mi?" sorusunu yanitlar -- yuksek korelasyon uyum demek degildir, sistematik bir
    kayma olabilir. Sahada iki olcum aletinin/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 = -1.498 (buyuk 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 = -1.50, cok buyuk etki. p-degeri "fark var mi?" sorusunu yanitlar; etki buyuklugu ise "fark ne kadar onemli?"
    sorusunu. Buyuk orneklemlerde anlamli ama onemsiz farklar cikabildiginden, etki buyuklugu raporlamak sarttir.
    Sahada iki yontem/uygulama arasindaki farkin pratik olarak kayda deger olup olmadigini bu olcu netlestirir; d=1.5
    ile buyuk bir fark var.

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

#36  Kanonik Korelasyon (CCA)
    dosya: 36_cca_physical_bio.xlsx
  >> SENARYO (anlatim):
    Fiziksel/yapisal olcumler seti ile biyolojik olcumler seti arasindaki ortak
    yapiyi inceliyoruz. Iki cok-degiskenli set arasi iliski icin CCA uygundur.
  >> DEGISKEN SECIMI:
    - X degiskenleri: dbh
    - X degiskenleri: height_m
    - X degiskenleri: age
    - X degiskenleri: crown_diameter
    - X degiskenleri: bark_thick
    - Y degiskenleri: biomass
    - Y degiskenleri: leaf_area
    - Y degiskenleri: chlorophyll
    - Y degiskenleri: health_score

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CC1: r = 0.986   chi^2(20) = 1129.08   p < .001 ***
    CC2: r = 0.958   chi^2(12) = 610.30    p < .001 ***
    Set-X (fiziksel): dbh, height_m, age, crown_diameter, bark_thick  |  Set-Y (bio): biomass, leaf_area, chlorophyll, health_score

>> YORUM (anlatim):
    Iki cok-degiskenli olcu setini -- fiziksel/yapisal olcumler (cap, boy, yas, tac capi, kabuk kalinligi) ve
    biyolojik olcumler (biyokutle, yaprak alani, klorofil, saglik skoru) -- arasindaki ortak yapiyi kanonik
    korelasyonla cozduk. Ilk iki kanonik fonksiyon cok guclu (r = 0.986 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. Sahada fiziksel demet ile biyolojik demet
    arasindaki gizli iliski yapisini ortaya koyar.

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

#37  Uyum Analizi
    dosya: 37_ca_plant_season.xlsx
  >> SENARYO (anlatim):
    Bitki ile ekim mevsimi arasindaki iliskiyi gorsel bir haritaya dokuyoruz. Iki
    kategorik degiskenin yapisini gormek icin CA uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: plant
    - Degiskenler: planting_season

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam atalet = 0.556   (2 boyut)   plant x planting_season

>> YORUM (anlatim):
    Iki kategorik degiskenin (bitki x ekim mevsimi) capraz tablosundaki iliskiyi gorsel bir haritaya dokuyen uyum
    analizini uyguladik: toplam atalet 0.556 (orta-guclu iliski) iki boyutta cozumlendi. CA, ki-kare iliskisini iki
    boyutlu bir uzayda konumlandirir; hangi kategorilerin birbirine yakin (birlikte gorulen) oldugunu gosterir. Sahada
    bitki-mevsim, tur-bolge gibi nitel iliskilerin yapisini gorsel olarak yorumlamada gucludur.

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

#38  Degisken Kumeleme (VarClus)
    dosya: 38_varclus_18madde.xlsx
  >> SENARYO (anlatim):
    On sekiz olcum maddesini (toprak/iklim/genetik) birbirine yakinligina gore
    kumeliyoruz. Gizli boyut yapisini bulmak icin VarClus uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: soil_m1..6, climate_m1..6, genetic_m1..6 (18 madde / items)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kume sayisi = 3   (18 madde: soil_m1..6, climate_m1..6, genetic_m1..6)

>> YORUM (anlatim):
    On sekiz olcum maddesini (toprak, iklim, genetik 6'sar madde), birbirleriyle ne kadar iliskili olduklarina gore
    kumeledik: maddeler 3 ana boyutta toplandi -- buyuk olasilikla toprak/iklim/genetik dogal gruplarina karsilik
    geliyor. VarClus, gozlemleri degil DEGISKENLERI gruplar -- birbiriyle yuksek baginti gosteren maddeleri ayni kumeye
    koyarak veri setinin gizli boyut yapisini ortaya cikarir. Sahada 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 (sulama, azot, fosfor, ekim yili) modelliyoruz. Surekli
    sonucu cok degiskenle aciklamak icin coklu regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: yield_kg_da
    - Yordayici(lar): irrigation_mm
    - Yordayici(lar): nitrogen_kg_ha
    - Yordayici(lar): phosphorus_kg_ha
    - Yordayici(lar): planting_year

  >> 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 = 0.945   Duz. R^2 = 0.944   yordayicilar: irrigation_mm, nitrogen_kg_ha, phosphorus_kg_ha, planting_year

>> YORUM (anlatim):
    Verimi (yield_kg_da) dort yordayiciyla (sulama, azot, fosfor, ekim yili) ayni anda modelledik: model varyansin
    %94.5'ini acikliyor (Duz. R^2 = 0.94) -- olaganustu guclu bir aciklama gucu. Coklu regresyon, her yordayicinin
    digerleri sabit tutuldugunda verim uzerindeki saf katkisini verir; boylece "hangi girdi gercekten verimi
    yukseltiyor?" sorusunu karistiriciları kontrol ederek yanitlar. Sahada verimi belirleyen surucuyleri belirleme ve
    tahminde temel yontemdir.

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

#40  Lojistik Regresyon
    dosya: 40_logistic_disease.xlsx
  >> SENARYO (anlatim):
    Hastaligi (var/yok) uc yordayiciyla modelliyoruz. Ikili sonuc icin lojistik
    regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: disease
    - Yordayici(lar): age
    - Yordayici(lar): moisture_pct
    - Yordayici(lar): temperature_C

  >> 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 = 0.142   ikili sonuc: disease   yordayicilar: age, moisture_pct, temperature_C

>> YORUM (anlatim):
    Ikili bir sonucu (hastalik var/yok) uc yordayiciyla modelledik: model orta-zayif aciklama gucu tasiyor (pseudo
    R^2 = 0.14) 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 hastalik sansi
    kac kat degisir?" diye yorumlanir. Sahada hastalik/zarar gibi evet/hayir ciktilarini ongormede temel modeldir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 985.77   Deviance = 184.65   sayim sonucu: insect_count   yordayicilar: temperature_C, moisture_pct

>> YORUM (anlatim):
    Bir sayim degiskenini (bocek 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. Sahada/ekolojide bocek sayisi, koloni adedi, zararli yogunlugu gibi sayim
    ciktilarini cevresel kosullarla aciklamada kullanilir.

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

#42  Multinomial Lojistik
    dosya: 42_multinomial_type.xlsx
  >> SENARYO (anlatim):
    Ikiden fazla kategorili tur tercihini iki yordayiciyla modelliyoruz. Nominal
    cok-sinifli sonuc icin multinomial lojistik uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: type_preference
    - Yordayici(lar): humidity
    - Yordayici(lar): pH

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 243.69   Referans sinif: 'beech'   sonuc: type_preference (>2 kategori)   yordayicilar: humidity, pH

>> YORUM (anlatim):
    Ikiden fazla kategorili bir sonucu (tur tercihi) iki yordayiciyla (nem, pH) modelledik. Multinomial lojistik, her
    kategoriyi bir referans sinifa (burada 'beech'/kayin) karsi ayri lojistik denklemle karsilastirir; katsayilar "X
    artinca bu turde olma sansi referansa gore nasil degisir?" diye yorumlanir. Sonuc nominal ve ikiden fazla
    sinifliysa (tur, faz, kategori) dogru secimdir. Sahada cok-secenekli sinif tahmininde standart modeldir.

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

#43  Ordinal Lojistik
    dosya: 43_ordinal_quality.xlsx
  >> SENARYO (anlatim):
    Sirali kaliteyi sulama ve gubre ile modelliyoruz. Sirali sonuc icin ordinal
    lojistik uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: quality
    - Yordayici(lar): irrigation
    - Yordayici(lar): fertilizer

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 378.80   sirali sonuc: quality   yordayicilar: irrigation, fertilizer

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

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

#44  PLS Regresyon
    dosya: 44_pls_spectral_NDVI.xlsx
  >> SENARYO (anlatim):
    NDVI'yi 12 spektral banttan yordiyoruz. Yuksek bagintili cok yordayici icin PLS
    uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: NDVI
    - Yordayici(lar): band_01..12

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R^2 (egitim) = 0.934   R^2 (5-kat CV) = 0.925   sonuc: NDVI   yordayici: band_01..12 (12 spektral bant)

>> YORUM (anlatim):
    NDVI'yi 12 spektral banttan yordadik. Bantlar birbiriyle yuksek bagintili (multikolinearite) oldugundan klasik
    regresyon kararsizlasir; PLS bunlari az sayida gizli bilesene indirgeyip uzerine regresyon kurar. Capraz dogrulanmis
    R^2 = 0.93 ile model hem guclu hem genellenebilir. PLS, yordayici sayisi cok ya da aralarinda yuksek baginti varken
    idealdir; uzaktan algilama/kemometride (spektral banttan NDVI/indeks 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_lt_ha

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 133.0   Pseudo R^2 (McFadden) = 0.482   ikili sonuc: death   yordayici: dose_lt_ha

>> YORUM (anlatim):
    Doz-yanit iliskisini -- olum (death) olasiligini doz (lt/ha) ile -- probit modelle tahmin ettik: model guclu
    (pseudo R^2 = 0.48). Probit, lojistik gibi ikili sonuclara uygulanir; fark, baglanti fonksiyonunun normal dagilim
    olmasidir. Doz-yanit calismalarinda probit klasik bir aractir (LD50 tahmini). Sahada ilac/pestisit doz-yanit
    iliskisini modellemede saglam secimdir.

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

#46  Tobit Regresyon
    dosya: 46_tobit_investment.xlsx
  >> SENARYO (anlatim):
    Esikte yigilan bir yatirim degiskenini alan ve destek varligiyla modelliyoruz.
    Sansurlu sonuc icin tobit uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: investment_TL
    - Yordayici(lar): area_m2
    - Yordayici(lar): support_present

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 2353.77   Sol kesim   sonuc: investment_TL (sansurlu)   yordayicilar: area_m2, support_present

>> YORUM (anlatim):
    Bir alttan sinirli (esikte yigilan) yatirim degiskenini alan ve destek varligiyla modelledik. Tobit, gozlemlerin
    bir esikte yigildigi "sansurlu" bagimli degiskenler icindir; siradan regresyon bu yigilmayi yok sayarak yanli
    tahmin verir. Sahada sifir yatirim/esik alti harcama gibi taban etkili ciktilarda dogru modeldir; katsayilar gercek
    (sansursuz) iliskiyi yansitir.

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

#47  Bayesci Dogrusal Regresyon
    dosya: 47_bayesian_NPK.xlsx
  >> SENARYO (anlatim):
    Verimi NPK girdileriyle Bayesci cerceyede modelliyoruz. Belirsizligi olasilikla
    ifade etmek icin Bayesci regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: yield_kg
    - Yordayici(lar): N_kg_ha
    - Yordayici(lar): P_kg_ha
    - Yordayici(lar): K_kg_ha

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    sigma^2 sonsal ort = 18.88 (sd = 2.70)   sonuc: yield_kg   yordayicilar: N_kg_ha, P_kg_ha, K_kg_ha
    katsayilarin sonsal dagilimi + P(beta>0) raporlandi

>> YORUM (anlatim):
    Verimi NPK (azot, fosfor, potasyum) girdileriyle 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. Sahada kucuk orneklem veya onceki
    sezon bilgisinin kiymetli oldugu durumlarda, "girdi etkisi olasilikla pozitif" gibi sezgisel yorumlar sunar.

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

#48  Dogrusal Olmayan Regresyon
    dosya: 48_nonlinear_growth.xlsx
  >> SENARYO (anlatim):
    Agac boyunun yasla S-bicimli buyumesini lojistik egriyle modelliyoruz. Egrisel
    iliski icin dogrusal olmayan regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: height_m
    - Yordayici(lar): age_year
    - Deger: fonksiyon/function: logistic

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Fonksiyon: y = K / (1 + exp(-r*(x-x0)))  (lojistik buyume)   R^2 = 0.982

>> YORUM (anlatim):
    Agac boyunun (height_m) yasla (age_year) iliskisini, 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. Sahada agac buyume egrileri, doyma noktali buyume ve verim-zaman sureclerini modellemede
    dogru aractir.

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

#49  Ridge Regresyon
    dosya: 49_ridge_soil_yield.xlsx
  >> SENARYO (anlatim):
    Verimi 15 toprak parametresinden ridge ile tahmin ediyoruz. Multikolinearite
    icin ridge uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: yield
    - Yordayici(lar): soil_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 = 0.774   sonuc: yield   yordayici: soil_p01..15 (15 toprak parametresi)

>> YORUM (anlatim):
    Verimi 15 toprak parametresinden ridge regresyonla tahmin ettik (R^2 = 0.77). Ridge, katsayilara ceza (L2)
    ekleyerek hepsini buyukluk olarak kuculturur ama sifirlamaz; boylece toprak parametreleri arasi yuksek bagintinin
    (multikolinearite) yol actigi kararsizligi engeller. Toprak/cevre olcumleri dogasi geregi bagintili oldugundan
    ridge bu tur veride kararli sonuc verir. Sahada cok sayida ortak-degisen olcumle tahmin yaparken tercih edilir.

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

#50  Lasso Regresyon
    dosya: 50_lasso.xlsx
  >> SENARYO (anlatim):
    Kaliteyi 30 aday ozellikten lasso ile modelleyip onemli olanlari seciyoruz.
    Otomatik degisken secimi icin lasso uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: quality
    - 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 = 0.712   30 ozellikten 16'si sifire cekildi (otomatik degisken secimi)

>> YORUM (anlatim):
    Kaliteyi 30 aday ozellikten lasso regresyonla modelledik: R^2 = 0.71 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. Sahada cok sayida aday gosterge/parametre arasindan "gercekten
    onemli olan az sayida etkeni" otomatik ayiklamada (sade, yorumlanabilir model) cok kullanislidir.

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

#51  Aracilik Analizi
    dosya: 51_mediation_nitrogen_yield.xlsx
  >> SENARYO (anlatim):
    Azot -> klorofil -> verim zincirini test ediyoruz. Ara mekanizmayi cozmek icin
    aracilik analizi uygundur.
  >> DEGISKEN SECIMI:
    - Yordayici(lar): nitrogen_kg_ha
    - Deger: M (araci/mediator): chlorophyll_idx
    - Bagimli degisken: yield_kg

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dolayli etki (indirect) = 0.178   %95 GA [0.063, 0.291]   (sifiri icermiyor -> anlamli)
    X: nitrogen_kg_ha  M: chlorophyll_idx  Y: yield_kg

>> YORUM (anlatim):
    "Azot (X) -> klorofil (M) -> verim (Y)" zincirini test ettik: dolayli etki 0.178, %95 guven araligi sifiri
    icermiyor -- yani azotun verime etkisi onemli olcude klorofil uzerinden gerceklesiyor. Aracilik analizi, "X
    neden/nasil Y'yi etkiliyor?" sorusunu bir ara mekanizma uzerinden cozer. Sahada bir girdinin (azot) etkisinin hangi
    ara surec (klorofil, fotosentez) uzerinden aktigini anlamada gucludur.

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

#52  Yol Analizi
    dosya: 52_path_climate_yield.xlsx
  >> SENARYO (anlatim):
    Degiskenler arasi dogrudan/dolayli iliskileri tek nedensel diyagram olarak test
    ediyoruz. Iliski agi icin yol analizi uygundur.
  >> DEGISKEN SECIMI:
    - Deger: yield_score ~ climate_score + soil_quality + maintenance_score
    - Deger: soil_quality ~ climate_score

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CFI = 0.869   RMSEA = 0.273   model: yield_score ~ climate + soil + maintenance; soil_quality ~ climate_score

>> YORUM (anlatim):
    Birden cok degisken arasindaki dogrudan ve dolayli iliskileri tek bir nedensel diyagram olarak test ettik. Uyum
    indeksleri (CFI = 0.87, RMSEA = 0.27) 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. Sahada teori temelli iliski zincirlerini (iklim -> toprak -> verim)
    sinamada kullanilir.

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

#53  Dogrusal Karma Model (LMM)
    dosya: 53_lmm_plot_year.xlsx
  >> SENARYO (anlatim):
    Ayni parsellerde yillar boyunca tekrarli olculen verimi, parseli rastgele etki
    alarak modelliyoruz. Tekrarli/ic ice veride LMM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: yield
    - Yordayici(lar): year
    - Kume: plot_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 = 0.832   Grup varyansi (random intercept) = 437.11   sonuc: yield   sabit: year   grup: plot_id

>> YORUM (anlatim):
    Ayni parsellerde yillar boyunca tekrar tekrar olculen verimi, parsel kimligini rastgele etki olarak alarak
    modelledik. ICC = 0.83 yuksek: verim degiskenliginin buyuk kismi parseller ARASI farktan kaynaklaniyor, parsel ici
    yillar benzer. LMM, ic ice/tekrarli (parsel icinde olcumler) verideki bagimliligi dogru ele alir; siradan
    regresyonun ihlal ettigi "bagimsizlik" varsayimini random etkilerle cozer. Sahada panel/tekrarli olcum verisinde
    dogru secimdir.

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

#54  Coklu Atfetme
    dosya: 54_multiple_imputation.xlsx
  >> SENARYO (anlatim):
    Eksik veriyi silmek yerine 5 makul deger setiyle dolduruyoruz. Eksik veriyi
    yansiz ele almak icin coklu atfetme uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: yield
    - Yordayici(lar): area_m2
    - Yordayici(lar): irrigation_mm
    - Yordayici(lar): fertilizer_kg_ha

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    m (imputation) = 5   sonuc: yield   yordayicilar: area_m2, irrigation_mm, fertilizer_kg_ha

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

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

#55  GEE
    dosya: 55_gee_drug_yield.xlsx
  >> SENARYO (anlatim):
    Ayni parsellerin tekrarli ziyaret olcumlerinde verimi modelliyoruz.
    Populasyon-ortalamasi etki icin GEE uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: yield
    - Yordayici(lar): visit
    - Kume: plot_id

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    visit katsayisi = 5.086   p < .001 ***   QIC = 306.33   sonuc: yield   grup: plot_id

>> YORUM (anlatim):
    Ayni parsellerin tekrarli ziyaret olcumlerinde verimi modelledik; ziyaret etkisi anlamli (b = 5.09, 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.
    Sahada "ortalama parselde ziyaret/zaman etkisi nedir?" gibi populasyon duzeyi sorularda tercih edilir.

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

#56  GLMM
    dosya: 56_glmm_insect.xlsx
  >> SENARYO (anlatim):
    Ayni sahalarda tekrarli olculen bocek sayisini zaman ve ilacla, sahayi rastgele
    etki alarak modelliyoruz. Tekrarli sayim icin GLMM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: insect_count
    - Yordayici(lar): month
    - Yordayici(lar): drug
    - Kume: site_id (Poisson)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    drug katsayisi = -0.749   p < .001 ***   sonuc: insect_count (sayim, Poisson)   grup: site_id

>> YORUM (anlatim):
    Ayni sahalarda tekrarli olculen bir SAYIM ciktisini (bocek sayisi) zaman ve ilac (drug) uygulamasiyla, sahayi
    rastgele etki alarak modelledik; ilac etkisi anlamli ve negatif (b = -0.75, p < .001) -- ilac bocek sayisini
    azaltiyor. GLMM, LMM'i normal olmayan ciktilara (sayim, ikili) genisletir: hem dagilimi (Poisson) hem de
    kumelenmeyi (random etki) ayni anda dogru ele alir. Sahada/ekolojide tekrarli olculen sayim ciktilarinda (saha
    bazli zararli sayisi) dogru modeldir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    alpha = 0.135   L1 orani = 0.50   R^2 (egitim) = 0.454   40 yordayici

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

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

#58  Saglam Regresyon
    dosya: 58_robust_area_yield.xlsx
  >> SENARYO (anlatim):
    Verimi alanla, aykiri degerlerin etkisini azaltarak modelliyoruz. Uc degerli
    veri icin saglam regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: yield_kg
    - Yordayici(lar): area_m2

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Robust Intercept = 55.88   OLS Intercept = 110.25   sonuc: yield_kg   yordayici: area_m2

>> YORUM (anlatim):
    Verimi alanla modellerken, aykiri degerlerin tahmini saptirmasini onlemek icin saglam regresyon kullandik. Robust
    ve OLS kesim noktalari arasindaki buyuk fark (55.88'e karsi 110.25), birkac aykiri parselin klasik tahmini ciddi
    sekilde cektigini gosteriyor; robust yontem bu gozlemlere daha az agirlik vererek "tipik" iliskiyi yansitir. Sahada
    uc degerlerin (anormal parsel, hatali kayit) bulundugu 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): irrigation
    - Yordayici(lar): fertilizer
    - 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: irrigation, fertilizer

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

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AUC = 0.970 (mukemmel ayirici)   Youden optimum esik = 0.361   Duyarlilik = 0.964, 1-Ozgulluk = 0.100
    n = 250 (pozitif 110, negatif 140)

>> YORUM (anlatim):
    Bir kalite skorunun ikili sonucu (good_quality) ne kadar iyi ayirdigini ROC egrisiyle degerlendirdik: AUC = 0.97
    ile mukemmel ayirici guc; Youden ile optimum karar esigi 0.36 olarak belirlendi. ROC, tum olasi esiklerde
    duyarlilik-ozgulluk dengesini gosterir ve modeli tek esige bagli kalmadan degerlendirir. Sahada bir kalite/sinif
    modelinin 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 tur dagilim/varlik modelinin ayirma basarisini TSS ile olcuyoruz. Dengesiz
    siniflarda adil olcum icin TSS uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: type_present
    - Yordayici(lar): f1
    - Yordayici(lar): f2

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    TSS = 0.31 (kabul edilebilir)   Duyarlilik = 0.74   Ozgulluk = 0.57   N = 200
    ikili sonuc: type_present   yordayicilar: f1, f2

>> YORUM (anlatim):
    Bir tur dagilim/varlik modelinin ayirma basarisini TSS ile olctuk: TSS = 0.31 (duyarlilik 0.74, ozgulluk 0.57).
    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. Sahada/ekolojide varlik-yokluk modellerinin
    gercek ayirma gucunu raporlamada saglamdir.

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

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

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

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

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

#63  Rastgele Orman
    dosya: 63_rf_tree_type.xlsx
  >> SENARYO (anlatim):
    Agac turunu bes ozellikten rastgele ormanla siniflandiriyoruz. Dogrusal olmayan
    tahmin icin random forest uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: type
    - Yordayici(lar): dbh_cm
    - Yordayici(lar): height_m
    - Yordayici(lar): biomass
    - Yordayici(lar): age
    - Yordayici(lar): health

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Accuracy = 1.00   sonuc: type   yordayicilar: dbh_cm, height_m, biomass, age, health

>> YORUM (anlatim):
    Agac turunu (type) bes ozellikten rastgele ormanla siniflandirdik: dogruluk %100 -- turler bu olculerle mukemmel
    ayrilabiliyor (cok yuksek dogruluk asiri uyum riskine karsi capraz dogrulamayla teyit edilmelidir). Random forest,
    yuzlerce karar agacinin oyunu birlestirir; dogrusal olmayan iliskileri ve etkilesimleri otomatik yakalar, ayrica
    degisken onem siralamasi verir. Sahada karmasik siniflandirma problemlerinde (tur tayini) hem yuksek dogruluk hem
    de "hangi degisken onemli" bilgisi sundugu icin yaygin kullanilir.

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

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

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

>> YORUM (anlatim):
    Saglikli/sagliksiz 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. Sahada 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 = 0.857   sonuc: risk   yordayicilar: x1, x2, x3, x4

>> YORUM (anlatim):
    Risk sinifini dort yordayicidan gradyan artirma ile siniflandirdik: dogruluk %85.7. 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. Sahada 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):
    Parselleri iki ozellige gore kumeliyoruz. Parsel gruplama icin k-means uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: green_ratio
    - Degiskenler: biomass
    - Kume sayisi: 4

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n_clusters = 4   Silhouette = 0.591   degiskenler: green_ratio, biomass

>> YORUM (anlatim):
    Parselleri iki ozellige gore (yesil oran, biyokutle) 4 kumeye ayirdik: silhouette = 0.59, iyi bir ayrisma. K-means,
    gozlemleri en yakin kume merkezine atar ve merkezleri iteratif olarak gunceller; benzer parselleri dogal gruplara
    ayirir. Onceden etiket gerekmez (gozetimsiz). Sahada parsel/saha gruplamada, ornutu kesfetmede temel yontemdir;
    silhouette kume sayisinin uygunlugunu denetler.

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

#67  Hiyerarsik Kumeleme
    dosya: 67_hierarchic_5tur.xlsx
  >> SENARYO (anlatim):
    On ozellige gore parselleri 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 = 0.112   degiskenler: feat_01..10 (10 ozellik)

>> YORUM (anlatim):
    On ozellige gore parselleri hiyerarsik kumelemeyle 5 gruba ayirdik (silhouette = 0.11, 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. Sahada turlerin/gruplarin
    hiyerarsisini (ana grup -> alt grup) kesfetmede ve dogal kume sayisini dendrogramdan okumada kullanilir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n_clusters = 4   Silhouette = 0.909   degiskenler: lat, lon (konum)

>> YORUM (anlatim):
    Saha konumlarini (lat, lon) yogunluk temelli DBSCAN ile kumeledik: 4 yogun kume, silhouette = 0.91 ile cok iyi
    ayrisma. DBSCAN, k-means'ten farkli olarak kume sayisini onceden istemez, herhangi bir bicimde kume bulabilir ve
    seyrek noktalari "gurultu" olarak isaretler. Sahada mekansal yogunlasmalari (parsel kumeleri, ekim bolgeleri)
    saptamada ve aykiri konumlari ayiklamada idealdir.

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

#69  Temel Bilesenler (PCA)
    dosya: 69_pca_6ozellik.xlsx
  >> SENARYO (anlatim):
    Alti iliskili gostergeyi PCA ile az sayida bilesene indirgiyoruz. Boyut
    indirgeme icin PCA uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: area
    - Degiskenler: yield
    - Degiskenler: nitrogen
    - Degiskenler: phosphorus
    - Degiskenler: potassium
    - Degiskenler: ph

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    PC1 varyansin %91.7'sini acikliyor   degiskenler: area, yield, nitrogen, phosphorus, potassium, ph

>> YORUM (anlatim):
    Alti iliskili gostergeyi PCA ile az sayida bilesene indirgedik: ilk bilesen tek basina varyansin %91.7'sini
    acikliyor -- yani bu alti olcu buyuk olcude tek bir gizli boyutu (genel verimlilik/buyukluk) yansitiyor. PCA,
    bagintili degiskenleri birbirinden bagimsiz bilesenlere donusturur; boyut indirger, gorsellestirmeyi kolaylastirir
    ve multikolinariteyi cozer. Sahada cok-gostergeli olcumleri ozetlemede ve bir "bilesik endeks" olusturmada
    temeldir.

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

#70  t-SNE
    dosya: 70_tsne_5tur.xlsx
  >> SENARYO (anlatim):
    12 boyutlu veriyi gorsellestirme icin 2 boyuta t-SNE ile indiriyoruz. Dogrusal
    olmayan kume kesfi icin t-SNE uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: measurement_01..12

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    KL Iraksamasi = 0.571 (iyi)   yuksek boyutlu 12 olcum 2 boyuta gomuldu

>> YORUM (anlatim):
    On iki boyutlu veriyi, gorsellestirme icin 2 boyuta t-SNE ile indirdik (KL = 0.57, 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).
    Sahada yuksek boyutlu olcum verisindeki gizli tur/grup kumelerini kesifsel gorsellestirmede kullanilir.

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

#71  Cok Boyutlu Olcekleme (MDS)
    dosya: 71_mds_3grup.xlsx
  >> SENARYO (anlatim):
    Agaclar arasi benzerlik yapisini 2 boyutlu haritaya yerlestiriyoruz. Benzerlik
    haritasi icin MDS uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: dbh
    - Degiskenler: height
    - Degiskenler: biomass
    - Degiskenler: age

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Stress (Kruskal-1) = 0.042 (iyi)   degiskenler: dbh, height, biomass, age

>> YORUM (anlatim):
    Agaclar arasi uzaklik/benzerlik yapisini, dusuk stress (0.04) 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. Sahada
    agac/parsel 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. Sahada yuksek boyutlu olcum verisini
    gorsellestirmede ve dogal kume yapisini kesfetmede modern bir secimdir.

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

#73  Cronbach Alfa
    dosya: 73_cronbach_21.xlsx
  >> SENARYO (anlatim):
    Yirmi bir maddelik bir olcegin ic tutarliligini olcuyoruz. Olcek guvenilirligi
    icin Cronbach alfa uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: item_01..21

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

>> YORUM (anlatim):
    Yirmi bir maddelik bir olcegin 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.)
    Sahada derecelendirme/degerlendirme olceklerinin guvenilirligini raporlamada standart gostergedir.

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

#74  Likert Olcek Analizi
    dosya: 74_likert_3boyut.xlsx
  >> SENARYO (anlatim):
    Uc boyuttan (toprak/iklim/genetik) olusan 15 maddelik Likert setini
    cozumluyoruz. Sirali olcek ozeti ve guvenilirligi icin Likert analizi uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: soil_1..5 / climate_1..5 / genetic_1..5

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Madde sayisi k = 15   Cronbach alpha = 0.767 (kabul edilebilir)

>> YORUM (anlatim):
    Uc boyuttan (toprak, iklim, genetik) olusan 15 maddelik Likert setini cozumledik: guvenilirlik kabul edilebilir
    (alpha = 0.77), madde dagilimlari ve merkezi egilimler raporlandi. Likert analizi, sirali olcek yanitlarini (1-5)
    uygun ozetlerle (medyan, dagilim, yigilma) betimler ve olcek guvenilirligini denetler. Sahada degerlendirme/algi
    olceklerinin dogru ozetlenmesi ve yorumlanmasi icin kullanilir.

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

#75  Acimlayici Faktor Analizi (EFA)
    dosya: 75_efa_18.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 = 0.905 (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. Sahada 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_3uzman.xlsx
  >> SENARYO (anlatim):
    Uc uzmanin verdigi surekli puanlarin tutarliligini olcuyoruz. Surekli puanda
    gozlemci guvenirligi icin ICC uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: expert_a
    - Degiskenler: expert_b
    - Degiskenler: expert_c

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    ICC(1,1) = 0.881 (Mukemmel)   %95 GA [0.820, 0.930]   3 uzman (expert_a/b/c)

>> YORUM (anlatim):
    Uc uzmanin ayni birimlere verdigi surekli puanlarin tutarliligini ICC ile olctuk: ICC = 0.88, mukemmel -- uzmanlar
    neredeyse ozdes puanliyor. ICC, kappa'dan farkli olarak SUREKLI puanlarda gozlemciler arasi guvenirligi olcer ve
    hem tutarliligi hem mutlak uyumu degerlendirebilir. Sahada uzman/denetci puanlarinin (kalite, hasar, tur derecesi)
    ne kadar guvenilir/degistirilebilir oldugunu saptamada standart gostergedir.

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

#77  Dogrulayici Faktor Analizi (CFA)
    dosya: 77_cfa_12_3.xlsx
  >> SENARYO (anlatim):
    Onceden tanimli uc faktorlu yapinin verilere uyup uymadigini siniyoruz. Olcek
    yapi gecerligi icin CFA uygundur.
  >> DEGISKEN SECIMI:
    - Deger: f1: f1_1..4
    - Deger: f2: f2_1..4
    - Deger: f3: f3_1..4

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CFI = 0.999   RMSEA = 0.011   3 faktor: f1 / f2 / f3 (her biri 4 madde)

>> YORUM (anlatim):
    EFA'nin aksine, onceden tanimladigimiz uc faktorlu yapinin verilere uyup uymadigini CFA ile SINADIK: uyum
    indeksleri mukemmel (CFI = 1.00, RMSEA = 0.01). CFA, teorik olcek modelini test eder -- her maddenin hangi faktore
    yuklendigi onceden bellidir, soru "model veriye uyuyor mu?"dur. Sahada gelistirilmis bir olcegin/olcum modelinin
    yapi gecerligini dogrulamada zorunlu adimdir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    yield: M_hat = 183.32   SE = 1.59   %95 GA [180.19, 186.44]   CV %0.87   agirlik: weight, tabaka: region

>> YORUM (anlatim):
    Tabakali/agirlikli bir orneklem tasariminda verim ortalamasini, tasarimi dikkate alarak tahmin ettik: M = 183.32,
    Taylor lineerleme SE'si ile %95 GA [180, 186]. Karmasik orneklem yontemleri, esit olmayan secilme olasiliklarini
    (agirlik) ve tabakalamayi hesaba katar; bunlar yok sayilirsa standart hatalar yanli cikar. Sahada bolgesel temsili
    orneklemlerden 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: yield_category
    - Agirlik: weight
    - Tabaka/Katman: region

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    yield_category kategorileri icin agirlikli oranlar + Taylor SE + %95 GA
    (or. 'high' p_hat = 0.173, 'high high' p_hat = 0.074)

>> YORUM (anlatim):
    Bir kategorik degiskenin (verim kategorisi) 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. Sahada bolgesel
    temsili orneklemlerden kategori dagilimlarini dogru raporlamada kullanilir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    production_ton: T_hat = 265,922   SE = 3,738.63   %95 GA [258,562, 273,282]   tabaka: stratum

>> YORUM (anlatim):
    Orneklemden populasyon TOPLAMINI (toplam uretim, ton) tahmin ettik: T = 265,922, %95 GA [258,562, 273,282].
    Agirliklar her gozlemin populasyonda kac birimi temsil ettigini soyler; toplam tahmini bu agirliklarin toplamiyla
    yapilir ve Taylor SE ile belirsizligi raporlanir. Sahada orneklemden tum populasyona olceklenmis toplamlar (toplam
    uretim, toplam alan) uretmede dogru yontemdir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R^2 = 0.737   age katsayisi = 70.48 (p < .001)   sonuc: annual_income_TL   yordayicilar: age, education_year

>> YORUM (anlatim):
    Bir cikti degiskenini (yillik gelir), orneklem tasarimini (agirlik, tabaka) dikkate alarak regresyona soktuk: yas
    anlamli bir yordayici (b = 70.48, p < .001), model varyansin %74'unu acikliyor. Tasarim-temelli regresyon,
    agirliklari ve kume/tabaka yapisini katsayi ve standart hata hesabina dahil eder; siradan regresyon bunlari yok
    sayarak yanli cikarim verir. Sahada temsili ciftci/parsel orneklem verisinde iliski modellemenin dogru yoludur.

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

#82  Anket Lojistik Regresyonu
    dosya: 82_survey_logistic.xlsx
  >> SENARYO (anlatim):
    Modern yontem kullanimini tasarim-agirlikli lojistikle modelliyoruz. Karmasik
    orneklemde ikili sonuc icin uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: modern_method
    - Yordayici(lar): age
    - Yordayici(lar): education
    - Agirlik: weight
    - Tabaka/Katman: region

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    age: OR = 0.966   p = 0.042 *   ikili sonuc: modern_method   yordayicilar: age, education   agirlik: weight

>> YORUM (anlatim):
    Ikili bir sonucu (modern yontem kullanimi var/yok) tasarim-agirlikli lojistik regresyonla modelledik: yasin her
    birim artisi modern yontem kullanma oddsunu ~%3.4 azaltiyor (OR = 0.966, p = 0.042) -- genc ciftciler modern yontemi
    daha cok benimsiyor. Bu yontem, lojistik regresyonu karmasik orneklem tasarimina genisletir -- agirlik ve tabaka
    standart hatalara yansir. Sahada temsili orneklemlerden ikili benimseme/tercih olasiligini dogru tahmin etmede
    kullanilir.

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

#83  Genellestirilmis Toplamsal Model (GAM)
    dosya: 83_gam_temperature_yield.xlsx
  >> SENARYO (anlatim):
    Verimi sicaklikla, iliskiyi esnek bir egriyle modelliyoruz. Dogrusal olmayan
    etki icin GAM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: yield
    - Yordayici(lar): temperature (smooth)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Pseudo R^2 (aciklanan) = 0.897   sonuc: yield   yordayici: temperature (duzgun/smooth terim)

>> YORUM (anlatim):
    Verimi sicaklikla, iliskinin bicimini onceden duz cizgi varsaymadan, esnek bir egri (smooth) ile modelledik:
    aciklanan varyans cok yuksek (pseudo R^2 = 0.90). GAM, dogrusal regresyonu genisletir -- her yordayicinin etkisini
    veriden ogrenilen duzgun bir fonksiyon olarak modeller, boylece egrisel iliskileri yorumlanabilirligi kaybetmeden
    yakalar. Sahada etkinin dogrusal olmadigi (optimum sicaklik, doyma) 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): dbh
    - Yordayici(lar): biomass
    - Yordayici(lar): quality
    - Yordayici(lar): age
    - Yordayici(lar): biochemical

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dogruluk = 1.00   sonuc: class   yordayicilar: dbh, biomass, quality, age, biochemical

>> 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.
    Sahada onceden tanimli siniflara yeni numuneleri/agaclari atamada ve ayirici ozellikleri belirlemede kullanilir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    McFadden pseudo R^2 = 0.049   secici: farmer_id   secim: chosen   ozellikler: cost, yield

>> YORUM (anlatim):
    Ciftcilerin alternatifler arasindan yaptigi secimleri, secenek ozelliklerine (maliyet, verim) gore kosullu lojitle
    modelledik (pseudo R^2 = 0.05, zayif aciklama). 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. Sahada ciftci tercih modellemede
    (maliyet-verim etkisi) temel yontemdir.

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

#86  Kaplan-Meier Sagkalim
    dosya: 86_km_tree.xlsx
  >> SENARYO (anlatim):
    Agaclarin bir olaya kadar gecen suresini ve gruplar arasi farki inceliyoruz.
    Sansurlu sure verisi icin Kaplan-Meier uygundur.
  >> DEGISKEN SECIMI:
    - Sure: duration_year
    - Olay: death
    - Gruplama (kategorik): type

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Medyan sagkalim = 8.11   Log-rank chi^2(1) = 4.02, p = 0.045 *   sure: duration_year, olay: death, grup: type

>> YORUM (anlatim):
    Agaclarin bir olaya (death/olum) kadar gecen suresini Kaplan-Meier ile inceledik: medyan sagkalim 8.11 yil; turler
    (type) arasi sagkalim egrileri log-rank ile karsilastirildi (p = 0.045, anlamli fark var). KM, sansurlu sure
    verisini (olay henuz gerceklesmeyenler) dogru ele alir; siradan ortalama bu gozlemleri yok sayip yanli cikarir.
    Sahada/ormancilikta agac "yasam suresi", dayaniklilik ve olum zamanlamasi analizinde temeldir.

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

#87  Cox Orantili Tehlike
    dosya: 87_cox_hazard.xlsx
  >> SENARYO (anlatim):
    Olum riskini surekli yordayicilarla Cox modeliyle inceliyoruz. Sansurlu surede
    cok yordayici icin Cox uygundur.
  >> DEGISKEN SECIMI:
    - Sure: duration_year
    - Olay: death
    - Yordayici(lar): age
    - Yordayici(lar): moisture_pct
    - Yordayici(lar): healthy

  >> 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 = 0.689   age: HR = 1.025   p < .001 ***   (her yas birimi ~ %2.5 yuksek olum riski)
    sure: duration_year, olay: death   yordayicilar: age, moisture_pct, healthy

>> YORUM (anlatim):
    Olum riskini surekli ve kategorik yordayicilarla Cox modeliyle inceledik: yasin her birim artisi olay (olum)
    tehlikesini ~%2.5 artiriyor (HR = 1.025, p < .001), concordance 0.69 (makul ayirma). Cox regresyonu, sansurlu sure
    verisinde birden cok yordayicinin "olay zamani" uzerindeki etkisini tehlike orani (HR) olarak verir; temel
    tehlikenin sekli hakkinda varsayim yapmaz. Sahada/ormancilikta olum/bozulma riskini belirleyen etkenleri saptamada
    altin standarttir.

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

#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: death
    - Yordayici(lar): type

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dagilim: Weibull   Medyan sagkalim = 13.19   sure: duration_year, olay: death, yordayici: type

>> YORUM (anlatim):
    Sagkalim suresini parametrik (Weibull) bir dagilim varsayarak modelledik: medyan sagkalim ~13.2 yil. 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. Sahada surenin acik tahmini ve ekstrapolasyonu gerektiginde tercih edilir.

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

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

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

>> YORUM (anlatim):
    Agacin birden fazla farkli sonla (olum nedenleri) karsilasabildigi 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. Sahada/ormancilikta ayni agacin birbirini dislayan farkli sonlarini (hastalik,
    yangin, kuraklik kaynakli olum) dogru modellemede gereklidir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    stress_score: HR = 1.006   p = 0.591 ns   (zamanla degisen kovaryat)   id: tree_id, baslangic/bitis araliklari

>> YORUM (anlatim):
    Yordayicinin (stres skoru) zaman icinde DEGISTIGI bir Cox modeli kurduk: her agac icin baslangic-bitis araliklariyla
    stresin guncel degeri kullanildi; etki burada anlamli degil (HR = 1.006, p = 0.59). Zamana bagli Cox, sabit olmayan
    kovaryatlari (degisen stres, degisen kosul) dogru ele alir -- olay aninda yordayicinin guncel degerini kullanir.
    Sahada zamanla degisen risk faktorlerinin (degisken stres, kuraklik) 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 = 0.534   region_n: p = 0.967 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 = 0.97), concordance 0.53 (ayirma gucu zayif). survey_phreg, orantili tehlike modelini tabaka/kume/agirlik
    yapisina genisletir -- standart hatalar tasarima gore duzeltilir. Sahada temsili proje/parsel 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 = 35   Medyan sagkalim = 6.0   (alt sinir: left_censor, ust sinir: survival_censor)

>> YORUM (anlatim):
    Olayin tam zamani bilinmeyip yalnizca bir ARALIK icinde gerceklestigi bilinen veriyi modelledik: medyan sagkalim 6
    birim, 35 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. Sahada periyodik denetimler arasinda gerceklesen olaylari (iki olcum arasi bozulma) dogru modellemede
    kullanilir.

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

#93  Kirilganlik (Frailty) Cox
    dosya: 93_frailty_cox.xlsx
  >> SENARYO (anlatim):
    Kumelenmis sagkalim verisinde sahaya 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: site_id

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Concordance = 0.488   cg_n: p = 0.466 ns   sure: duration_year, olay: event   kume: site_id (frailty)

>> YORUM (anlatim):
    Kumelenmis sagkalim verisinde (ayni saha icindeki birimler) sahaya ozgu gozlenmeyen riski "frailty" (rastgele etki)
    olarak modelledik; klinik grup etkisi anlamli degil (p = 0.47). Frailty Cox, ayni kumedeki birimlerin paylastigi
    gizli riski hesaba katar -- standart Cox'un ihlal ettigi bagimsizlik varsayimini cozer. Sahada saha/parsel icinde
    kumelenmis olay verisinde (paylasilan gizli risk) dogru secimdir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    60 gozlem (aylik)   ADF p = 0.991 (duragan degil)   Trend: artan   Mevsimsellik tespit edildi

>> YORUM (anlatim):
    Aylik bir verim serisini inceledik: ADF testi durağan olmadigini gosteriyor (p = 0.99), 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. Sahada urun/verim serilerini cozumlemenin baslangic adimidir.

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

#95  STL Ayristirmasi
    dosya: 95_stl.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) 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. Sahada urun/verim serilerinden mevsimselligi
    arindirip altta yatan trendi gormede ve anomali tespitinde temeldir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    ARIMA modeli secildi   AIC = 2452.45   gelecege yonelik tahmin + guven araligi

>> YORUM (anlatim):
    Uretim serisini ARIMA ile modelleyip gelecege yonelik tahmin urettik (AIC = 2452.45 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. Sahada uretim/talep ongorusunde en yaygin
    klasik yontemdir; guven araligi tahmin belirsizligini gosterir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Yontem: Holt-Winters (mevsimsel toplamsal, period = 12)   AIC = 842.69

>> YORUM (anlatim):
    Satis 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. Sahada duzenli
    mevsimsel desenli uretim/satis ongorusunde hizli ve guvenilir sonuc verir.

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

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

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

>> YORUM (anlatim):
    Sicaklik 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. Sahada/cevre izlemede uzun donemli olcum egilimlerini (artan/azalan trend)
    saglam bicimde saptamada kullanilir.

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

#99  Anomali Tespiti
    dosya: 99_anomali.xlsx
  >> SENARYO (anlatim):
    Cok-degiskenli verideki olagandisi gozlemleri tespit ediyoruz. Bilesik aykiri
    tespiti icin anomali tespiti uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: area
    - Degiskenler: yield
    - Degiskenler: fertilizer
    - Degiskenler: irrigation

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Anomali sayisi = 14   degiskenler: area, yield, fertilizer, irrigation

>> YORUM (anlatim):
    Cok-degiskenli verideki olagandisi gozlemleri otomatik tespit ettik: 14 parsel anomali olarak isaretlendi. Anomali
    tespiti, normalden belirgin sapan gozlemleri (hatali kayit, istisnai parsel) cok degiskeni birlikte degerlendirerek
    bulur; tek degiskenli esiklerin kacirdigi "bilesik" aykiriliklari yakalar. Sahada kalite kontrol, hatali olcum
    tespiti ve istisnai parsel 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. Sahada hiyerarsik
    yapilarda (bolge>parsel>tekrar) belirsizligin nerede yogunlastigini gormede ve orneklem 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 uygulama) 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. Sahada 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. Sahada 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. Sahada 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. Sahada cok
    duzeyli (bolge/parsel/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. Sahada parsel/saha olcumlerinin 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. Sahada mekansal otokorelasyonun kaynagi
    olculmemis cografi etkenlerse (toprak, iklim, egim) 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. Sahada verim-girdi iliskisinin
    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. Sahada parsel/blok/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 tasarimi
    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
    blok, her yontem her blokta) ayni anda ele alir. Sahada iki bagimsiz siniflama ekseninin etkilerini ve etkilesimini
    birlikte cozumlemede dogru secimdir.

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

#110  Cekirdek Yogunluk (KDE) Haritasi
    dosya: 110_KDE_traffic_density.xlsx
  >> SENARYO (anlatim):
    Olcum noktalarinin konumlarindan surekli bir yogunluk yuzeyi uretiyoruz.
    Yogunluk haritasi icin KDE uygundur.
  >> DEGISKEN SECIMI:
    - Deger: traffic_density
    - Enlem: lat
    - Boylam: lon

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

>> YORUM (anlatim):
    Olcum noktalarinin (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. Sahada/altyapida olcum/yogunluk
    dagilimlarini gorsel olarak haritalamada ve bos/yogun bolgeleri belirlemede temel mekansal aractir.

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

#111  Hexbin Yogunluk Haritasi
    dosya: 111_Hexbin_measurement_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. Sahada/altyapida yogun nokta bulutlarini (olcum/sensor konumlari) okunabilir yogunluk
    haritasina cevirmede ve mekansal yogunlasmalari karsilastirmada kullanilir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Moran's I = 0.765   z = 13.52   p < .001 ***   (komsu k-NN, k = 6)   degisken: structure_quality

>> YORUM (anlatim):
    Yapi kalitesinin (structure_quality) mekanda rastgele mi yoksa kumelenmis mi dagildigini Moran's I ile test ettik:
    I = 0.77, z = 13.52, p < .001 -- cok guclu pozitif mekansal otokorelasyon, yani benzer kalite degerleri cografi
    olarak kumeleniyor. Moran's I, "Tobler'in ilk yasasi"ni (yakin seyler benzer) nicelestirir. Sahada/altyapida
    olcumlerin cografi kumelenmesini saptamada ve mekansal model gerekip gerekmedigine karar vermede ilk testtir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Sicak nokta = 31   Soguk nokta = 27   n = 68   (k-NN k = 8, ikili agirlik)   degisken: traffic_density

>> YORUM (anlatim):
    Trafik yogunlugunun (traffic_density) NEREDE yuksek/dusuk kumelendigini Getis-Ord Gi* ile yerel olarak haritaladik:
    31 anlamli sicak nokta (yuksek yogunluk kumesi) ve 27 soguk nokta (dusuk yogunluk kumesi). Moran's I genel
    kumelenmeyi soylerken, Gi* bunun konumunu gosterir -- her nokta icin "etrafi yuksek mi dusuk mu?" testidir.
    Sahada/altyapida yuksek/dusuk deger bolgelerini (sicak/soguk noktalar) hedefli planlama icin tam yerinde
    belirlemede kullanilir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kume = 4   Gurultu (aykiri) = 10   n = 115   (konum: lat, lon)

>> YORUM (anlatim):
    Yapi/olcum konumlarini (n = 115) yogunluk temelli DBSCAN ile kumeledik: 4 dogal cografi kume ve 10 "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. Sahada/altyapida bolge bazli dogal
    yogunlasmalari (yapi/olcum kumeleri) saptamada ve izole konumlari ayiklamada kullanilir; betimsel mekansal analiz
    dizimizi tamamlar.

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

#115  Karma Desen (Split-Plot) ANOVA
    dosya: 115_mixed_anova_tensile_strength_MPa.xlsx
  >> SENARYO (anlatim):
    40 specimens uc aging duzeyinde (0h, 100h, 200h) olculur; her biri iki alloy grubundan birine (alloy_A / alloy_B) aittir. Karma (split-plot) desen; tensile strength uzerinde denekler-arasi ana etki,
    denek-ici ana etki ve etkilesimi sinar.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: tensile_strength_MPa
    - Denek kimligi: specimen_id
    - Denekler-arasi faktor: alloy
    - Denek-ici faktor: aging

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Between (alloy): F(1,38) = 32.51  p < .001  np2 = 0.461
    Within (aging):  F(2,76) = 96.84  p < .001  np2 = 0.718
    Interaction:         F(2,76) = 4.70  p = 0.012  np2 = 0.110
    Mauchly W = 0.999  p = 0.980   n_subjects = 40   n_obs = 120

>> YORUM (anlatim):
    alloy x aging karma deseninde 40 specimens icin tensile strength incelendi (120 gozlem). Etkilesim anlamli (F(2,76) = 4.70, p = 0.012, np2 = 0.110) * -- iki grubun aging boyunca degisimi farkli buyukluktedir. Denekler-arasi ana etki (alloy_A vs alloy_B) F = 32.51, p < .001; denek-ici ana etki (0h/100h/200h) F = 96.84, p < .001. Mauchly p = 0.980, yani kurelik saglanir, denek-ici p duzeltmesiz okunur. Once etkilesime bakilir: anlamliysa grup etkisi her aging duzeyinde ayri yorumlanmalidir. Mühendislikte karma desen, alaşımları hızlandırılmış yaşlandırma çevrimlerinde karşılaştırma icin standart analizdir.

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