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

#1  Descriptive Statistics
    file: 001_descriptive_pinus_brutia_provenance_trial.xlsx
  >> SENARYO (anlatim):
    Akdeniz Bölgesi'nin altı farklı orijininden (Antalya Düzlerçamı, Mut
    Karaman, Burdur Ağlasun, Kahramanmaraş Andırın, Muğla Marmaris, Adana Pos)
    toplanan kızılçam fidanlarıyla kurulan bir orijin denemesinde, 280 bireyin
    morfolojik ve odun özelliklerini genel hatlarıyla tanımlamak istiyoruz.
    Fidan boyu (height_cm), kök boğazı çapı (root_neck_diameter_mm), yıllık boy
    artımı (height_growth_annual_cm), yan dal sayısı, tomurcuk patlama günü,
    soğuk ve kuraklık hasar skorları ile odun özgül yoğunluğu
    (tree_specific_density_gcm3) gibi değişkenlerin ortalama, dağılım ve
    değişkenlik düzeylerini görmek istiyoruz. Bu aşamada amacımız hipotez test
    etmek değil, veri setinin yapısını ortaya koymak olduğundan, ortalama,
    standart sapma ve çeyreklikleri özetleyen tanımlayıcı istatistikler en uygun
    başlangıç yöntemidir.
  >> DEGISKEN SECIMI:
    - Orijin: provenance
    - Fidan yaşı: seedling_age_year
    - Fidan boyu: height_cm
    - Kök boğazı çapı: root_neck_diameter_mm
    - Yıllık boy artımı: height_growth_annual_cm
    - Yan dal sayısı: side_branch_count
    - Tomurcuk patlama günü: bud_fracture_day
    - Soğuk hasar skoru: cold_damage_score_1_5
    - Kuraklık hasar skoru: drought_damage_score_1_5
    - Odun özgül yoğunluğu: tree_specific_density_gcm3
    - Kuru madde yüzdesi: dry_item_percent

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n = 280 agac (Pinus brutia orijin denemesi)
    boy : ort = 120.4 cm   |   kok bogazi capi : ort = 17.6 mm   |   oduna ozgu yogunluk : ort = 0.485 g/cm3

>> YORUM (anlatim):
    Once orijin (provenance) denemesinin genel profilini cikardik: 280 kizilcam fidani, ortalama boy 120 cm, kok
    bogazi capi 17.6 mm, oduna ozgu yogunluk 0.485 g/cm3. Bu betimsel tablo, izleyen tum genetik analizlerin --
    orijinler arasi farklar, kalitsallik, G×E etkilesimi -- zeminini kuruyor. Orman genetiginde herhangi bir cikarimsal
    teste gecmeden once deneme materyalinin temel buyume ve kalite ozelliklerini ozetlemek, hem veri kalitesini
    denetlemek hem de islah hedeflerini belirlemek icin sarttir.

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

#2  Normality Tests
    file: 002_normality_wood_specific_gravity_PinusNigra.xlsx
  >> SENARYO (anlatim):
    Karaçam (Pinus nigra) populasyonunda yarım kardeş ailelerden alınan 220
    ağaçta ölçülen odun özgül ağırlığının (wsg_gcm3) istatistiksel dağılımını
    incelemek istiyoruz. İleride yapacağımız varyans analizi ve korelasyon
    çalışmalarının geçerliliği, bu sürekli değişkenin normal dağılıma uyup
    uymadığına bağlı olduğu için önce dağılım yapısını sınamamız gerekiyor. Odun
    özgül ağırlığının yanı sıra göğüs çapı (dbh_cm) ve ağaç yaşı (tree_age_year)
    değişkenlerinin de normalliğini kontrol ederek parametrik testlerin
    varsayımlarını doğrulamak amacımız. Bu nedenle değişkenlerin normal dağılıma
    uygunluğunu değerlendiren normallik testleri kullanmak en uygun yaklaşımdır.
  >> DEGISKEN SECIMI:
    - Odun özgül ağırlığı: wsg_gcm3
    - Göğüs çapı: dbh_cm
    - Ağaç yaşı: tree_age_year

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Karacam (Pinus nigra), 3 surekli degisken test edildi:
    wsg_gcm3 (odun yogunlugu) : Shapiro-Wilk = 0.998  p = 0.993   Normal
    dbh_cm (gogus capi)       : n = 200   ort = 29.06   carpiklik = 0.16   basiklik = -0.08
                                Shapiro-Wilk = 0.9954  p = 0.804   KS = 0.0343  p = 0.826   D'Agostino p = 0.643   NORMAL
    tree_age_year (yas)       : Shapiro-Wilk = 0.948  p < .001   NORMAL DEGIL

>> YORUM (anlatim):
    Karacam yarim-kardes ailelerinde uc surekli degiskenin -- odun ozgul agirligi, gogus capi (dbh) ve agac yasi --
    normal dagilip dagilmadigini test ettik. Sonuc ogretici biçimde ayrisiyor: odun yogunlugu ve dbh neredeyse
    kusursuz normal (her uc test de p > 0.05; dbh carpiklik 0.16, basiklik -0.08, sifira cok yakin), ama agac yasi
    normallikten anlamli sapiyor (p < .001). Bu beklenen bir oruntu -- buyume/kalite ozellikleri (cap, yogunluk) cok
    sayida kucuk genetik+cevresel etkinin toplami oldugu icin normale yakindir; yas ise denemenin tasarimina bagli
    (belirli yas siniflari, kesikli degerler) carpik/coklu-modlu olabilir. Pratik sonuc: dbh ve wsg uzerinde parametrik
    testleri (t-testi, ANOVA, Pearson, kalitsallik tahmini) guvenle kullanabiliriz; yas icin parametrik olmayan
    yontemler ya da donusum daha dogru olur. Normallik kontrolu, her degisken icin ayri ayri hangi test ailesinin
    uygun oldugunu belirleyen kritik bir on adimdir.

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

#3  One-Sample t-Test
    file: 003_one_sample_t_Liquidambar_He_vs_reference.xlsx
  >> SENARYO (anlatim):
    Sığla ağacının (Liquidambar) 30 farklı populasyonundan hesaplanan ortalama
    beklenen heterozigotluk (mean_heterozygosity_He) değerlerinin, literatürde
    bu tür için bildirilen referans heterozigotluk düzeyinden farklı olup
    olmadığını araştırıyoruz. Amacımız, incelediğimiz populasyonların genetik
    çeşitlilik düzeyinin bilinen bir standart değere göre yüksek mi yoksa düşük
    mü olduğunu belirlemek. Elimizde tek bir grup ölçümü ve karşılaştıracağımız
    sabit bir referans değer bulunduğundan, örneklem ortalamasını bilinen bir
    teorik değerle karşılaştıran tek örneklem t-testi bu soru için en uygun
    yöntemdir.
  >> DEGISKEN SECIMI:
    - Ortalama heterozigotluk (He): mean_heterozygosity_He
    - Referans He değeri: test_obtained_reference_He

  >> 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(29) = -4.9077   p < .001 ***   Cohen d = -0.896 (Buyuk)
    Ortalama He = 0.334   (test mu = 0.40, referans heterozigotluk)   H0 REDDEDILIR

>> YORUM (anlatim):
    Liquidambar (gunluk agaci) populasyonlarinin ortalama heterozigotlugunu (He, genetik cesitlilik olcusu), 0.40'lik
    bir referans degerle karsilastirdik. Sonuc kaygi verici: ortalama He 0.334, referansin anlamli sekilde altinda --
    t(29) = -4.91, p < .001, etki buyuklugu d = -0.90 ile buyuk. Yani bu populasyonlarin genetik cesitliligi referans
    duzeyin tesadufle aciklanamayacak kadar altinda. Koruma genetigi acisindan onemli: dusuk He, populasyonun darbogaz
    yasamis ya da kuculmus olabilecegine, gelecek adaptasyon potansiyelinin sinirli olabilecegine isaret eder. Tek
    orneklem t-testi, bir genetik gostergeyi bilinen bir referansla karsilastirmanin dogru yoludur.

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

#4  Independent Samples t-Test
    file: 004_independent_t_PinusBrutia_Toros_mediterranean_height.xlsx
  >> SENARYO (anlatim):
    Kızılçam fidanlarında, Toros kökenli orijinler ile Akdeniz kökenli
    orijinlerden gelen bireylerin üç yaşındaki boy gelişimi (height_cm_3yr)
    arasında fark olup olmadığını araştırıyoruz. Amacımız, iki büyük orijin
    grubunun fidanlık koşullarında hangisinin daha hızlı boylandığını ortaya
    koyarak tohum kaynağı seçimine katkı sağlamak. Karşılaştırdığımız grup
    değişkeni iki bağımsız kategoriden (Toros ve mediterranean) oluştuğu ve her
    bireyden tek ölçüm alındığı için, iki bağımsız grubun ortalamalarını
    karşılaştıran bağımsız örneklem t-testi bu durum için en uygun testtir.
  >> DEGISKEN SECIMI:
    - Orijin grubu: provenance_group
    - Üç yıllık boy: height_cm_3yr

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    t(118) = -4.030   p < .001 ***   Cohen d = -0.736 (Orta)
    Boy, orijin grubuna gore anlamli farkli.   H0 REDDEDILIR

>> YORUM (anlatim):
    Kizilcam fidanlarinin boyunu iki orijin grubu (Toros vs Akdeniz) arasinda bagimsiz t-testiyle karsilastirdik. Fark
    anlamli ve orta-buyuk (t(118) = -4.03, p < .001, d = -0.74): bir orijin grubunun fidanlari belirgin sekilde daha
    uzun. Bu, orijinler arasi genetik farkliligin dogrudan kaniti -- agacin nereden geldigi (tohum kaynagi) buyume
    performansini belirliyor. Orijin secimi, agaclandirmada en kritik karardir; bu sonuc bunun istatistiksel
    temelidir. Bagimsiz t-testi, iki orijin/grup ortalamasini karsilastirmanin temel yontemidir.

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

#5  Paired t-Test
    file: 005_paired_t_saffron_corm_dokukulturu_8wk.xlsx
  >> SENARYO (anlatim):
    Safran doku kültürü çalışmasında, 36 kavanozdaki eksplantlarda korm
    üretiminin sekiz haftalık süreçte nasıl değiştiğini araştırıyoruz. Her
    kavanozda işlem öncesi sayılan korm sayısı (control_before_corm_count) ile
    sekiz hafta sonrası korm sayısını (8wk_post_corm_count) karşılaştırarak
    çoğaltma protokolünün etkili olup olmadığını belirlemek istiyoruz. Aynı
    kavanozlardan önce ve sonra iki eşleşmiş ölçüm alındığı için, ölçümlerin
    bağımlı yapısını dikkate alan eşleştirilmiş örneklem t-testi bu
    karşılaştırma için en doğru yöntemdir.
  >> DEGISKEN SECIMI:
    - Eksplant tipi: explant_type
    - İşlem öncesi korm sayısı: control_before_corm_count
    - 8 hafta sonrası korm sayısı: 8wk_post_corm_count

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Eslestirilmis t(35) = -20.2701   p < .001 ***   Cohen d_z = -3.378 (Buyuk)
    Ort. fark (oncesi − 8 hafta sonrasi korm sayisi) = -3.47   H0 REDDEDILIR

>> YORUM (anlatim):
    Safran (Crocus) doku kulturunde, ayni kavanozlarda baslangic ve 8 hafta sonraki korm (yumru) sayisini eslestirilmis
    t-testiyle karsilastirdik. Sonuc carpici: korm sayisi 8 haftada ortalama 3.47 adet artmis, t(35) = -20.27,
    p < .001, etki buyuklugu d_z = -3.38 ile devasa. Doku kulturu protokolu cogalmayi cok guclu sekilde saglamis.
    Ayni kavanozlari iki kez olctugumuz icin esli test dogru secim -- kavanozlar arasi farki disar atarak yalnizca
    kendi degisimine odaklanir. Bitki doku kulturu/mikrocogaltim calismalarinda "oncesi-sonrasi" degerlendirmenin dogru yoludur.

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

#6  One-Way ANOVA
    file: 006_one_way_anova_PinusBrutia_5provenance_height.xlsx
  >> SENARYO (anlatim):
    Beş farklı orijinden (Antalya, Muğla, Mersin, Burdur, Kahramanmaraş) gelen
    kızılçam fidanlarının üç yaşındaki boy gelişiminin (height_cm_3yr) orijine
    göre anlamlı şekilde farklılaşıp farklılaşmadığını araştırıyoruz. Amacımız,
    hangi tohum kaynağının daha iyi büyüme performansı gösterdiğini belirleyerek
    ağaçlandırma için en uygun orijinleri seçmek. İkiden fazla bağımsız grubun
    ortalamasını aynı anda karşılaştırdığımız için, gruplar arası fark olup
    olmadığını sınayan tek yönlü varyans analizi (ANOVA) bu soru için en uygun
    yöntemdir.
  >> DEGISKEN SECIMI:
    - Orijin: provenance
    - Üç yıllık boy: height_cm_3yr

  >> 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(4, 145) = 12.9188   p < .001 ***   η² = 0.2627
    DECISION: H0 REDDEDILIR (5 orijin)

>> YORUM (anlatim):
    Bes kizilcam orijininin 3 yillik boyunu tek yonlu ANOVA ile karsilastirdik. Sonuc anlamli (F(4,145) = 12.92,
    p < .001), etki buyuklugu η² = 0.26 -- boy varyansinin dortte birinden fazlasi orijinle aciklaniyor, orman
    genetiginde guclu bir etki. ANOVA en az bir orijinin digerlerinden farkli oldugunu soyler; hangilerinin
    farklilastigini gormek icin post-hoc test gerekir. "Hangi orijin daha iyi buyuyor" sorusu orijin denemelerinin
    temel sorusudur ve tohum transfer bolgeleri/islah secimi icin belirleyicidir; ANOVA bunu cok gruplu olarak
    yanitlamanin standart yontemidir.

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

#7  Two-Way ANOVA
    file: 007_two_way_anova_provenance_site_GxE_height.xlsx
  >> SENARYO (anlatim):
    Dört kızılçam orijininin (Antalya, Muğla, Mersin, Burdur) üç farklı deneme
    alanında (Ankara, Eskişehir, Konya) gösterdiği boy gelişimini (height_cm)
    inceleyerek hem orijin hem de yetişme ortamı etkisini birlikte
    değerlendirmek istiyoruz. Asıl ilgimiz, orijinlerin farklı alanlarda farklı
    tepkiler verip vermediğini, yani genotip × çevre etkileşimini (GxE) ortaya
    koymak. İki kategorik faktörün hem temel etkilerini hem de etkileşimini aynı
    anda test edebildiği için iki yönlü varyans analizi bu tasarım için en uygun
    yöntemdir.
  >> DEGISKEN SECIMI:
    - Orijin: provenance
    - Deneme alanı: site
    - Boy: height_cm

  >> 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):
    provenance (ana etki) : F(3) = 12.17   p < .001 ***   η²p = 0.30
    site (ana etki)       : F(2) =  5.17   p = 0.008 **    η²p = 0.11

>> YORUM (anlatim):
    Boyu iki faktorle -- orijin (genotip) ve deneme alani (cevre) -- birlikte inceledik; bu, orman genetiginin kalbindeki
    Genotip×Cevre (G×E) sorusudur. Orijinin etkisi guclu (F = 12.17, η²p = 0.30), alanin etkisi de anlamli (F = 5.17,
    p = 0.008, η²p = 0.11). Yani hem genetik koken hem yetisme ortami boyu belirliyor. Iki yonlu ANOVA, bu iki faktorun
    hem ayri ayri hem birlikte (etkilesim) etkisini gosterir. Etkilesim onemli olursa "en iyi orijin her alanda ayni
    mi yoksa alana mi bagli" sorusu yanitlanir -- tohum transfer politikasinin temel cikarimi. G×E, iklim degisikligi
    altinda orijin secimi icin kritiktir.

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

#8  Repeated Measures ANOVA
    file: 008_RM_anova_4yil_height_PinusBrutia.xlsx
  >> SENARYO (anlatim):
    Dört farklı orijinden (Muğla Marmaris, Mersin Erdemli, Antalya Düzlerçamı,
    Kahramanmaraş Andırın) gelen 40 kızılçam fidanının boyunu dört yıl boyunca
    art arda ölçtük ve büyüme seyrini izledik. Amacımız, fidan boyunun yıllar
    içinde nasıl değiştiğini ve bu büyüme örüntüsünün orijinlere göre
    farklılaşıp farklılaşmadığını belirlemek. Aynı bireylerden dört ardışık
    zaman noktasında (year1-year4) tekrarlı ölçüm aldığımız için, ölçümler arası
    bağımlılığı dikkate alan tekrarlı ölçümler varyans analizi bu zaman serisi
    tasarımı için en uygun yöntemdir.
  >> DEGISKEN SECIMI:
    - Orijin: provenance
    - 1. yıl boy: year1_height_cm
    - 2. yıl boy: year2_height_cm
    - 3. yıl boy: year3_height_cm
    - 4. yıl boy: year4_height_cm

  >> 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, 117) = 506.6967   p < .001 ***   η²p = 0.9285   (n = 40)
    DECISION: H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni 40 fidanin dort ardisik yildaki boyunu tekrarli olcumler ANOVA ile karsilastirdik. Ayni fidanlar tekrar tekrar
    olculdugu icin gozlemler bagimli; RM-ANOVA bu bireyler-ici korelasyonu hesaba katar. Sonuc ezici (F(3,117) = 506.70,
    p < .001, η²p = 0.93): fidanlar yillar boyunca cok belirgin buyuyor -- ki bu beklenen ama nicelenmis bir gercek
    (etki buyuklugu %93!). RM-ANOVA, ayni agaclarin zaman icinde izlendigi boylamsal buyume denemeleri icin dogru
    yontemdir ve her yili bagimsiz saymaktan cok daha gucludur. Agac buyume egrilerini izleyen calismalarda idealdir.

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

#9  MANOVA
    file: 009_manova_provenance_4kantitatif_feature.xlsx
  >> SENARYO (anlatim):
    Dört kızılçam orijininin (Antalya, Muğla, Mersin, Burdur) birden fazla
    kantitatif özellik açısından birlikte nasıl farklılaştığını araştırıyoruz.
    Boy (height_cm), çap (diameter_mm), dal sayısı (branch_count) ve odun özgül
    ağırlığı (wsg_gcm3) gibi dört bağımlı değişkeni tek bir analizde
    değerlendirerek orijinler arasındaki çok değişkenli ayrımı ortaya koymak
    istiyoruz. Bağımlı değişkenler arası korelasyonları da hesaba katarak birden
    fazla sürekli değişken üzerindeki grup etkisini eş zamanlı test ettiği için
    çok değişkenli varyans analizi (MANOVA) bu durum için en uygun yöntemdir.
  >> DEGISKEN SECIMI:
    - Orijin: provenance
    - Boy: height_cm
    - Çap: diameter_mm
    - Dal sayısı: branch_count
    - Odun özgül ağırlığı: wsg_gcm3

  >> 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 = 0.572 -> F(12, 214) = 4.20   p < .001 ***   (n = 88)
    Bagimli: boy, cap, dal sayisi, odun yogunlugu   |   Faktor: orijin

>> YORUM (anlatim):
    Burada dort korelasyonlu nicel ozellik -- boy, cap, dal sayisi, odun yogunlugu -- ve bir orijin faktoru var. Dort
    ayri ANOVA yapmak hata oranini sisirir ve ozellikler arasi korelasyonu yok sayar. MANOVA dordunu birlikte test
    eder: Wilks Lambda F = 4.20, p < .001, yani orijin cok degiskenli fenotip profilini guclu sekilde degistiriyor.
    MANOVA, orijinlerin birden cok iliskili ozellikte birlikte farklilastigini gosterir -- agac islahinda secim
    cogu zaman tek ozellige degil, ozellikler bilesimine dayanir. Anlamli MANOVA'dan sonra hangi ozelligin ayrimi
    surukledigini univariate testler gosterir.

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

#10  ANCOVA
    file: 010_ancova_clone_wsg_dbh_covariance.xlsx
  >> SENARYO (anlatim):
    Farklı klonlara ait ağaçlarda odun özgül ağırlığının (wsg_gcm3) klonlara
    göre değişip değişmediğini araştırıyoruz; ancak odun özelliklerinin ağaç
    çapından etkilendiğini bildiğimiz için göğüs çapını (dbh_cm) kontrol altına
    almak istiyoruz. Amacımız, çapın etkisini istatistiksel olarak ayıkladıktan
    sonra klonlar arasında gerçek bir genetik fark kalıp kalmadığını görmek.
    Kategorik bir grup faktörünün etkisini sürekli bir ortak değişkene
    (kovaryata) göre düzelterek test ettiği için kovaryans analizi (ANCOVA) bu
    soru için en uygun yöntemdir.
  >> DEGISKEN SECIMI:
    - Klon: clone
    - Odun özgül ağırlığı: wsg_gcm3
    - Göğüs çapı (kovaryat): dbh_cm

  >> 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):
    clone (faktor): η²p = 0.325 (buyuk)   p < .001 ***
    Kovaryat: dbh_cm (govde capi icin duzeltildi)   |   DV: wsg_gcm3   H0 REDDEDILIR

>> YORUM (anlatim):
    Klonlarin odun yogunlugunu karsilastirirken govde capini (dbh) kontrol etmek sarttir -- cunku kalin agaclarda odun
    yogunlugu farkli olabilir, bu bir karistiricidir. ANCOVA, dbh'yi kovaryat olarak alip istatistiksel olarak
    sabitler. Sonuc: cap icin duzeltildikten sonra bile klonlar odun yogunlugu bakimindan anlamli farkli (η²p = 0.33,
    buyuk etki). Yani gozlenen fark cap farklarinin yan urunu degil; klonun gercek genetik etkisi. Odun kalitesi
    islahinda capi sabit tutarak klonlari karsilastirmak kritiktir -- ANCOVA bunu adil biçimde yapar.

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

#11  Bootstrap Confidence Interval
    file: 011_bootstrap_CI_Fst_small_N_population.xlsx
  >> SENARYO (anlatim):
    Küçük örneklem büyüklüğüyle çalışılan populasyonlarda genetik farklılaşma
    ölçütü Fst tahminlerinin ne kadar güvenilir olduğunu merak ediyoruz. Her
    populasyon için elde edilen Fst_paragon değerinin etrafında, kullanılan
    birey sayısı (sample_count) ve incelenen SSR lokus sayısı (SSR_locus_count)
    gibi sınırlı veriden kaynaklanan belirsizliği görmek istiyoruz. Örneklem
    küçük ve dağılım varsayımları zorlandığı için, gözlemlerden yeniden
    örnekleme yaparak güven aralığı kuran Bootstrap yöntemi burada en uygun
    yaklaşımdır. Böylece Fst tahminimizin gerçek değer etrafında ne kadar
    oynadığını dağılımdan bağımsız olarak kestirebiliriz.
  >> DEGISKEN SECIMI:
    - Grup: population
    - Bootstrap uygulanacak değişken: Fst_paragon
    - Yardımcı sayısal değişken: sample_count
    - Yardımcı sayısal değişken: SSR_locus_count

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gozlenen ortalama Fst = 0.195
    %95 Bootstrap Guven Araligi (yeniden ornekleme ile)   |   kucuk orneklem

>> YORUM (anlatim):
    Populasyonlar arasi genetik farklilasmayi olcen Fst degerinin ortalamasi icin bootstrap yontemiyle guven araligi
    cikardik: gozlenen ortalama Fst 0.195 (orta-yuksek farklilasma). Az sayida populasyon/lokus oldugunda klasik
    formuller guvenilmez; bootstrap, dagilim varsayimi yapmadan binlerce yeniden ornekleme ile araligi tahmin eder.
    Fst gibi populasyon genetigi parametrelerinin belirsizligini ifade etmenin saglam yoludur. Fst = 0.20 civari,
    populasyonlar arasinda belirgin genetik yapilanma (muhtemelen sinirli gen akisi) oldugunu gosterir -- koruma ve
    tohum transferi kararlari icin onemli.

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

#12  Permutation Test
    file: 012_permutasyon_AMOVA_Salix_populasyonlar.xlsx
  >> SENARYO (anlatim):
    Salix (söğüt) populasyonları arasında genetik varyasyonun nasıl dağıldığını,
    yani çeşitliliğin populasyonlar arasında mı yoksa birey içinde mi
    yoğunlaştığını araştırıyoruz. Marjinal ve merkez populasyonlardan
    (population) toplanan bireylerde A lokusundaki iki allel (allele1_locus_A ve
    allele2_locus_A) üzerinden bir AMOVA kurgusu değerlendiriyoruz. Allel
    verileri normal dağılım varsaymadığı ve grup etiketlerinin rastgele
    atanmasıyla anlamlılık sınanabildiği için, gözlemleri defalarca karıştırarak
    boş hipotez dağılımı üreten Permütasyon Testi bu durumda en doğru çözümdür.
    Bu sayede populasyonlar arası farkın şansa bağlı olup olmadığını ampirik
    olarak test edebiliriz.
  >> DEGISKEN SECIMI:
    - Grup: population
    - Sayısal değişken: allele1_locus_A
    - Sayısal değişken: allele2_locus_A

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    t = 3.14   p = 0.0021 **   H0 REDDEDILIR
    Populasyonlar arasinda allel dagiliminda anlamli fark var

>> YORUM (anlatim):
    Salix (sogut) populasyonlari arasinda allel/genetik farkliligi permutasyon testiyle (AMOVA mantigi) sinadik.
    Permutasyon, grup etiketlerini binlerce kez rastgele karip gozlenen farkin sansa bagli olup olmadigini olcer --
    hicbir dagilim varsayimi gerektirmez, bu yuzden molekuler genetik verilerinde (AMOVA) standarttir. Sonuc anlamli
    (p = 0.002): populasyonlar genetik olarak tesadufle aciklanamayacak kadar farkli. Bu, populasyonlar arasi gercek
    genetik yapilanma oldugunu dogrular. AMOVA/permutasyon, populasyon genetiginde genetik varyansin nasil bolundugunu
    (gruplar arasi vs ici) test etmenin temel yontemidir.

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

#13  Multiple Comparison Corrections
    file: 013_tukey_6Quercus_Hd_pairwise.xlsx
  >> SENARYO (anlatim):
    Altı farklı meşe türünde (Q_cerris, Q_robur, Q_ilex, Q_libani, Q_pubescens,
    Q_petraea) haplotip çeşitliliğinin (haplotype_diversity_Hd) birbirinden
    farklı olup olmadığını karşılaştırmak istiyoruz. Türler arasında ikili
    karşılaştırmalar yapacağımız için çok sayıda test çalıştıracağız ve bu da
    yanlış pozitif bulma olasılığını şişirir. Bu nedenle tür gruplarını (type)
    Hd değerleri üzerinden karşılaştırırken, ailesel hata oranını kontrol
    altında tutan Çoklu Karşılaştırma Düzeltmeleri (Tukey tipi) tam olarak
    ihtiyaç duyduğumuz yöntemdir. Böylece hangi meşe çiftlerinin gerçekten
    farklılaştığını güvenle belirleyebiliriz.
  >> DEGISKEN SECIMI:
    - Grup: type
    - Bağımlı değişken: haplotype_diversity_Hd

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Ham (duzeltmesiz): 4/5 anlamli   |   Duzeltme sonrasi (Bonferroni/Holm/FDR): 3/5 anlamli

>> YORUM (anlatim):
    Alti Quercus (mese) turunun haplotip cesitliligini (Hd) ikili karsilastirdigimizda cok sayida test yapariz -- her
    test yanlis-pozitif riski tasir. Coklu karsilastirma duzeltmesi bu riski kontrol eder. Burada duzeltmeden once
    5 karsilastirmanin 4'u anlamli gorunurken, duzeltme sonrasi 3'u anlamli kaliyor. Yani 1 "anlamli" sonuc aslinda
    yanlis-pozitifmis. Bu, filocografik/taksonomik karsilastirmalarda duzeltmenin neden kritik oldugunu gosterir;
    atlanirsa turler arasi sahte cesitlilik farklari rapor edilir.

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

#14  Mann-Whitney U Test
    file: 014_mann_whitney_marginal_center_allele_richness.xlsx
  >> SENARYO (anlatim):
    Bir türün yayılış sınırındaki marjinal populasyonlar ile dağılış
    merkezindeki merkez populasyonlar arasında allel zenginliğinin
    (allele_richness_Ar) farklı olup olmadığını araştırıyoruz. Marjinal
    populasyonların genellikle daha düşük genetik çeşitlilik taşıdığı hipotezini
    test etmek istiyoruz. Allel zenginliği değerleri normal dağılım
    göstermeyebileceği ve iki bağımsız grubu (population_type: marginal ve
    center) karşılaştırdığımız için, sıralamaya dayalı ve dağılımdan bağımsız
    olan Mann-Whitney U Testi bu karşılaştırma için en uygun seçimdir.
  >> DEGISKEN SECIMI:
    - Grup: population_type
    - Bağımlı değişken: allele_richness_Ar

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Mann-Whitney U = 453.00   p = 0.062 ns   r = .26
    Allel zenginligi marjinal/merkez populasyona gore ANLAMLI FARKLI DEGIL (sinirda).   H0 REDDEDILEMEZ

>> YORUM (anlatim):
    Allel zenginliginin (Ar -- genetik cesitlilik olcusu) marjinal (yayilis siniri) ve merkez populasyonlar arasinda
    farklilasip farklilasmadigini parametrik olmayan Mann-Whitney ile test ettik. Sonuc sinirda anlamsiz (U = 453,
    p = 0.062, r = 0.26): fark var gibi gorunuyor (etki orta) ama istatistiksel esigi (0.05) gecmiyor. "Merkez-marjinal
    hipotezi" -- merkez populasyonlarin daha cesitli olmasi beklentisi -- bu veride zayif desteklenmis; daha buyuk
    orneklem netlestirebilir. Sinirda sonuclari dikkatli yorumlamak gerekir. Sirali/kucuk orneklemli genetik veride
    Mann-Whitney, t-testinden daha guvenilirdir.

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

#15  Wilcoxon Signed-Rank Test
    file: 015_wilcoxon_bud_fracture_climate_5yr.xlsx
  >> SENARYO (anlatim):
    Aynı fidanları beş yıl boyunca izleyerek iklim değişiminin tomurcuk
    patlaması zamanlamasını öne çekip çekmediğini araştırıyoruz. Her fidanın
    2020 yılındaki tomurcuk patlama gününü (bud_fracture_2020_jd) ile 2024
    yılındaki gününü (bud_fracture_2024_jd) eşleştirilmiş olarak
    karşılaştırıyoruz. Aynı bireyler iki zamanda ölçüldüğü için
    bağımlı/eşleştirilmiş veri söz konusudur ve farkların dağılımı normal
    varsayılamayabilir; bu yüzden eşleştirilmiş farkları sıralamaya dayalı
    değerlendiren Wilcoxon İşaretli Sıra Testi bu fenolojik kayma analizi için
    doğru yöntemdir.
  >> DEGISKEN SECIMI:
    - Önceki ölçüm: bud_fracture_2020_jd
    - Sonraki ölçüm: bud_fracture_2024_jd

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Wilcoxon W = 0.00   p < .001 ***   r = 0.876   n (sifirsiz) = 26
    Tomurcuk patlama gunu 2020-2024 anlamli degisti.   H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni fidanlarda tomurcuk patlama gununu (bud fracture, fenoloji gostergesi) 2020 ve 2024 yillarinda eslestirilmis
    Wilcoxon testiyle karsilastirdik. Sonuc cok guclu: W = 0, p < .001, etki buyuklugu r = 0.88. Tomurcuk patlama
    zamani neredeyse tum fidanlarda ayni yonde ve buyuk olcude degisti -- iklim degisikliginin agac fenolojisine
    etkisinin dolaysiz kaniti. Esli olculerde ve sirali/carpik fenoloji verisinde Wilcoxon dogru secimdir. Fenolojik
    kaymalar, iklim degisikliginin orman ekosistemlerine etkisinin en hassas erken gostergelerinden biridir.

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

#16  Kruskal-Wallis Test
    file: 016_kruskal_wallis_Astragalus_4seksiyon_leaf.xlsx
  >> SENARYO (anlatim):
    Astragalus cinsinin dört farklı seksiyonunda (sect_Hypoglottidei,
    sect_Stipulati, sect_Onobrychoidei, sect_Acanthophace) yaprak uzunluğunun
    (leaf_length_mm) morfolojik olarak farklılaşıp farklılaşmadığını
    araştırıyoruz. Seksiyonlar arasındaki yaprak boyutu farklarının taksonomik
    ayrımı destekleyip desteklemediğini görmek istiyoruz. İkiden fazla bağımsız
    grubu (section) karşılaştırdığımız ve yaprak uzunluğu verisi normal dağılım
    varsayımını karşılamayabileceği için, dağılımdan bağımsız çok gruplu
    karşılaştırma yapan Kruskal-Wallis Testi bu analiz için en uygunudur.
  >> DEGISKEN SECIMI:
    - Grup: section
    - Bağımlı değişken: leaf_length_mm

  >> 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(3) = 43.92   p < .001 ***   eta-kare_H = 0.38
    Yaprak uzunlugu Astragalus seksiyonlarina gore anlamli farkli.   H0 REDDEDILIR

>> YORUM (anlatim):
    Yaprak uzunlugunun dort Astragalus (geven) taksonomik seksiyonu arasinda degisip degismedigini Kruskal-Wallis ile
    sinadik -- ucten fazla grubun parametrik olmayan ANOVA'si. Sonuc cok anlamli (H(3) = 43.92, p < .001), etki
    buyuklugu eta-kare = 0.38 ile buyuk: yaprak morfolojisi seksiyonlar arasinda belirgin farkli. Bu, morfolojik
    taksonominin temelidir -- seksiyonlar olculebilir morfolojik ozelliklerle ayrisiyor. Morfometrik veriler cogu
    zaman normal dagilmaz, bu yuzden Kruskal-Wallis klasik ANOVA'dan daha uygundur. Bitki sistematiginde tur/seksiyon
    ayrimini sayisallastiran temel testtir.

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

#17  Friedman Test
    file: 017_friedman_clone_4site_growth_same_clone.xlsx
  >> SENARYO (anlatim):
    Aynı klonları (clone_id) dört farklı deneme alanında (Antalya, Ankara,
    Eskişehir, Konya) yetiştirerek büyüme performanslarının çevreye göre değişip
    değişmediğini araştırıyoruz. Her klon dört alanın hepsinde temsil edildiği
    için, site_Antalya, site_Ankara, site_Eskisehir ve site_Konya ölçümleri
    tekrarlı/eşleştirilmiş yapıdadır. Aynı klonlar tüm alanlarda tekrar tekrar
    ölçüldüğünden ve büyüme verisi normallik varsaymadan değerlendirilmek
    istendiğinden, tekrarlı ölçümler için dağılımdan bağımsız olan Friedman
    Testi bu klon-çevre etkileşimi analizi için doğru tercihtir.
  >> DEGISKEN SECIMI:
    - Tekrarlı ölçüm: site_Antalya
    - Tekrarlı ölçüm: site_Ankara
    - Tekrarlı ölçüm: site_Eskisehir
    - Tekrarlı ölçüm: site_Konya

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Friedman chi-kare(3) = 11.88   p = 0.008 **   Kendall W = 0.198   n = 20
    Ayni klonlarin 4 alandaki buyumesi anlamli farkli.   H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni klonlarin dort farkli deneme alanindaki (Antalya, Ankara, Eskisehir, Konya) buyumesini Friedman testiyle
    karsilastirdik -- tekrarli olculerin parametrik olmayan karsiligi, ve aslinda bir G×E testi. Sonuc anlamli
    (chi-kare(3) = 11.88, p = 0.008), Kendall W = 0.20 ile alanlar arasi siralama tutarliligi dusuk -- bu onemli: ayni
    klon farkli alanlarda farkli siralaniyor, yani guclu Genotip×Cevre etkilesimi var. Ayni klonlar tum alanlarda
    oldugu icin gozlemler bagimli; Friedman bu bagimliligi dogru hesaba katar. Klonal ormancilikta alan-ozgu klon
    secimi gerektigini gosterir.

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

#18  Binomial Test
    file: 018_binomial_PopulusNigra_sex_ratio_vs_50_50.xlsx
  >> SENARYO (anlatim):
    Karakavak (Populus nigra) populasyonlarında cinsiyet oranının beklenen 50:50
    dengesinden sapıp sapmadığını araştırıyoruz. Farklı populasyonlardan
    (Goksu_delta, Goksun_valley, sakarya_Adapazari, yesilirmak_valley,
    Saros_gulf, Ceyhan_valley) toplanan bireylerin erkek mi dişi mi olduğu
    (sexual_male_1_female_0) ikili olarak kaydedilmiştir. Sonuç değişkeni
    yalnızca iki kategorili (erkek/dişi) olduğu ve gözlenen erkek oranını teorik
    0,5 beklentisiyle karşılaştırmak istediğimiz için, ikili sonuçların belirli
    bir orana uygunluğunu sınayan Binom Testi bu cinsiyet oranı analizi için en
    uygun yöntemdir.
  >> DEGISKEN SECIMI:
    - İkili sonuç (başarı=erkek): sexual_male_1_female_0

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gozlenen erkek orani = 0.6136   test orani = 0.50
    p = 0.0009 ***   H0 REDDEDILIR

>> YORUM (anlatim):
    Populus nigra (karakavak -- dioik, ayri eseyli bir tur) populasyonunda esey oraninin 50:50'den sapip sapmadigini
    binom testiyle sinadik. Gozlenen erkek orani 0.61 -- beklenen %50'den anlamli sekilde yuksek (p < .001). Yani bu
    populasyonda erkek bireyler baskin. Esey orani sapmasi, populasyon genetigi ve ureme biyolojisi acisindan onemli:
    dengesiz esey orani efektif populasyon buyuklugunu (Ne) dusurur ve uzun vadede genetik cesitliligi tehdit eder.
    Binom testi, tek bir ikili orani (erkek/disi) bilinen bir beklentiyle (50:50) karsilastirmanin en yalin yoludur.

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

#19  Sign Test
    file: 019_sign_test_bud_median_climate_kaymasi.xlsx
  >> SENARYO (anlatim):
    İklim kaymasının tomurcuk patlaması zamanlamasını iki kuşaklık bir aralıkta
    öne çekip çekmediğini araştırıyoruz. Aynı fidanlıklarda (nursery_id) 2000
    yılındaki tomurcuk patlama gününü (bud_jd_2000) ile 2020 yılındaki günü
    (bud_jd_2020) eşleştirerek karşılaştırıyoruz. Aynı birimler iki zamanda
    ölçüldüğü için eşleştirilmiş veridir; farkların yönüne (artış/azalış)
    odaklanıp büyüklük ve dağılım varsayımı yapmak istemediğimizden, yalnızca
    farkların işaretine dayanan Sign (İşaret) Testi bu medyan kayması
    değerlendirmesi için uygun ve sağlam bir seçimdir.
  >> DEGISKEN SECIMI:
    - Önceki ölçüm: bud_jd_2000
    - Sonraki ölçüm: bud_jd_2020

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Pozitif (2000 > 2020) = 35   (tomurcuk gunu cogunlukla ERKENE kaydi)   p < .001 ***   H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni fidanliklarda tomurcuk patlama gununu (julyen gun) 2000 ve 2020 yillarinda esli isaret testiyle
    karsilastirdik. Fidanliklarin cogunda (35'inde) 2000'deki gun 2020'dekinden daha buyuk -- yani tomurcuk patlama
    2020'de daha erken bir gune kaymis (p < .001). Bu, iklim isinmasinin agac fenolojisini erkene cektiginin guclu
    bir gostergesidir: ilkbahar daha erken geliyor, agaclar daha erken uyaniyor. Isaret testi yalnizca degisimin
    yonune (erken/gec) bakar; dayanikli ve varsayimsiz bir testtir. Fenolojik kayma, iklim degisikliginin en net
    biyolojik parmak izlerinden biridir.

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

#20  Runs Test
    file: 020_runs_test_bud_induction_daily.xlsx
  >> SENARYO (anlatim):
    Günlük olarak kaydedilen tomurcuk oluşumu sayılarının
    (new_bud_induction_count) zaman içinde rastgele mi dağıldığını yoksa
    kümeleşme/eğilim gösterip göstermediğini araştırıyoruz. Gün sırasına
    (day_no) göre dizilen sayımların, belirli dönemlerde yoğunlaşıp
    yoğunlaşmadığını yani bağımsız ve rastgele bir desen izleyip izlemediğini
    sınamak istiyoruz. Bir dizinin rastlantısallığını, ardışık değerlerin
    ortalama etrafındaki diziliş bloklarını sayarak test eden Runs (Diziler)
    Testi tam olarak bu zamansal rastgelelik sorusu için tasarlanmış yöntemdir.
  >> DEGISKEN SECIMI:
    - Test edilecek dizi: new_bud_induction_count

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gozlenen run = 58   Z = -0.11   (rastgele kabul edilir)
    H0 REDDEDILEMEZ

>> YORUM (anlatim):
    Gunluk tomurcuk surgun (bud induction) sayisi serisinin rastgele dagilip dagilmadigini -- ardisik gunlerde
    kumelenme/oruntu olup olmadigini -- Wald-Wolfowitz runs testiyle sinadik. Z = -0.11 ile gozlenen run sayisi
    beklenene cok yakin; seri rastgele kabul ediliyor, sistematik bir oruntu yok. Bu metodolojik olarak onemli: eger
    seri rastgele degilse (otokorelasyon varsa) bircok klasik test gecersizlesir. Burada rastgelelik saglandigi icin
    standart yontemler guvenle kullanilabilir. Runs testi, zaman-sirali fenoloji/buyume verilerinde bu on-kontrol icin idealdir.

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

#21  Chi-Square Test of Independence
    file: 021_chisquare_independence_rare_allele_population.xlsx
  >> SENARYO (anlatim):
    Dort farkli tohum kaynagindan (Kizilirmak, Sakarya, Coruh vadisi ve Goksu)
    toplanan 240 bireyde, SSR_07 lokusundaki nadir alelin varligi ile populasyon
    arasinda bir iliski olup olmadigini merak ediyoruz. Amacimiz nadir alelin
    belirli populasyonlarda yogunlasip yogunlasmadigini, yani aleli dagiliminin
    populasyondan bagimsiz mi yoksa populasyona bagli mi oldugunu ortaya koymak.
    Iki kategorik degisken (populasyon ve nadir alelin var/yok durumu)
    arasindaki bagimsizligi sinadigimiz icin Ki-kare bagimsizlik testi bu soruya
    en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Satir degiskeni (populasyon): population
    - Sutun degiskeni (nadir alel varligi): rare_allele_present

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    chi-kare(3) = 4.7028   p = 0.195 ns   Cramer V = 0.14 (Zayif)
    Nadir allel varligi ile populasyon ARASINDA anlamli iliski YOK.   H0 REDDEDILEMEZ

>> YORUM (anlatim):
    Nadir allel varligi ile populasyon arasinda iliski olup olmadigini ki-kare ile test ettik. Sonuc anlamsiz
    (chi-kare(3) = 4.70, p = 0.195, Cramer V = 0.14): nadir alleller populasyonlar arasinda farkli dagilmiyor --
    populasyondan bagimsiz olarak benzer siklikta gorunuyor. Anlamsiz sonuc da bilgidir: nadir alleller belirli bir
    populasyona ozgu degil, yayilis genelinde dagilmis (bu, gen akisinin nadir allelleri yaydigina ya da ortak ata
    polimorfizmine isaret edebilir). Iki kategorik degisken arasi iliski icin ki-kare bagimsizlik testi standart yontemdir.

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

#22  Chi-Square Goodness-of-Fit
    file: 022_chisquare_goodnessfit_HW_dengesi_genotype_frequency.xlsx
  >> SENARYO (anlatim):
    Bir mese populasyonundan toplanan 360 bireyde gozlenen genotip dagiliminin
    (AA, Aa, aa) Hardy-Weinberg dengesinin ongordugu beklenen oranlara uyup
    uymadigini test etmek istiyoruz. Amacimiz populasyonun genetik dengede olup
    olmadigini, yani secilim, akrabali yetisme ya da gocun dengeyi bozup
    bozmadigini anlamak. Tek bir kategorik degiskenin gozlenen frekanslarini
    teorik beklenen frekanslarla karsilastirdigimiz icin Ki-kare uyum iyiligi
    testi bu amac icin dogru secimdir.
  >> DEGISKEN SECIMI:
    - Kategorik degisken (genotip): genotype

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    chi-kare(2) = 64.0667   p < .001 ***   n = 360   k = 3 genotip (beklenen: HW oranlari)
    H0 REDDEDILIR (Hardy-Weinberg dengesinden sapma)

>> YORUM (anlatim):
    Bir lokustaki genotip sikliklarinin (AA, Aa, aa) Hardy-Weinberg (HW) dengesinde beklenen oranlara uyup uymadigini
    ki-kare uyum iyiligi testiyle sinadik. Gozlenen dagilim HW beklentisinden cok anlamli sapiyor (chi-kare(2) = 64.07,
    p < .001). Bu populasyon genetiginin en temel testidir: HW'den sapma, populasyonda bir seylerin "normal disi"
    oldugunu soyler -- akrabali ciftlesme (inbreeding), secilim, gen akisi, kucuk populasyon ya da Wahlund etkisi.
    Sapmanin yonu (heterozigot eksikligi/fazlasi) hangi surecin etkili oldugunu ipuclar. Uyum iyiligi testi, gozlenen
    genotip dagilimini teorik HW beklentisiyle karsilastirmanin dogru yoludur.

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

#23  Fisher's Exact Test
    file: 023_fisher_exact_QTL_haplotype_dbh_small_N.xlsx
  >> SENARYO (anlatim):
    Sadece 25 bireyden olusan kucuk bir orneklemde, belirli bir QTL haplotipinin
    (var/yok) yuksek cap (DBH) fenotipi ile iliskili olup olmadigini incelemek
    istiyoruz. Amacimiz bu haplotipi tasiyan agaclarin daha kalin govde
    gelistirip gelistirmedigini, yani markorun cap buyumesiyle baglantisini
    ortaya koymak. Orneklem cok kucuk oldugu ve hucre beklenen frekanslari dusuk
    kaldigi icin Ki-kare yerine Fisher'in kesin testi bu 2x2 iliskiyi guvenilir
    bicimde sinar.
  >> DEGISKEN SECIMI:
    - Satir degiskeni (QTL haplotip durumu): genotype_QTL_haplo_X
    - Sutun degiskeni (yuksek DBH fenotipi): high_dbh_phenotype

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Fisher Exact p = 0.0154 *   Odds Ratio = 11.25  (95% CI: 1.65 - 76.85)   Phi = 0.53 (Guclu)
    QTL haplotipi ile yuksek cap fenotipi iliskili.   H0 REDDEDILIR

>> YORUM (anlatim):
    Bir QTL (kantitatif ozellik lokusu) haplotipi ile yuksek govde capi (dbh) fenotipi arasindaki iliskiyi Fisher
    kesin testiyle sinadik -- cunku az gozlemli (kucuk hucreli) tablolarda ki-kare guvenilmezdir. Sonuc anlamli
    (p = 0.015), odds orani 11.25: bu haplotipe sahip agaclarin yuksek capli olma sansi 11 kat fazla. Phi = 0.53 ile
    iliski guclu. Bu, marker-destekli secim (MAS) icin cok degerli: haplotip, ustun fenotipin genetik isaretcisi
    olabilir. Kucuk orneklemli QTL/asosiyasyon calismalarinda Fisher kesin testi, ki-kareye gore daha dogru sonuc
    verir; genetik asosiyasyon taramalarinda sik gerekir.

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

#24  McNemar Test
    file: 024_mcnemar_marker_asset_yillara_gore.xlsx
  >> SENARYO (anlatim):
    Ayni 50 bireyde belirli bir genetik markorun 2010 ve 2024 yillarinda var
    olup olmadigini takip ettik ve markorun varliginda yillar icinde anlamli bir
    degisim olup olmadigini merak ediyoruz. Amacimiz ayni orneklemde zamana
    bagli olarak markor varlik oranindaki kaymayi, yani yonlu bir degisimi
    saptamak. Ayni bireyler uzerinde iki zaman noktasinda eslestirilmis ikili
    (var/yok) olcumler oldugu icin McNemar testi bu degisimi degerlendirmek icin
    uygundur.
  >> DEGISKEN SECIMI:
    - Once olcum (2010 markor varligi): marker_asset_2010
    - Sonra olcum (2024 markor varligi): marker_asset_2024

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    McNemar (kesin binom) min(b,c) = 3   p = 0.146 ns   uyumsuz: b = 9, c = 3
    H0 REDDEDILEMEZ (anlamli degisim yok)

>> YORUM (anlatim):
    Ayni bireylerde bir markerin varligini 2010 ve 2024'te karsilastirdik -- esli ikili veride McNemar testi kullanilir
    (genotipleme tekrarlanabilirligi/teknoloji degisimi baglaminda). Sonuc anlamsiz (p = 0.146): 9 bireyde marker
    durumu bir yonde, 3 bireyde ters yonde degismis -- denge yeterince bozulmamis, yani genel marker varliginda
    anlamli bir kayma yok. Kucuk uyumsuz hucre sayisi testin gucunu sinirliyor. Anlamsiz sonuc da bilgidir: iki tarih
    arasinda marker tespitinde sistematik fark yok (genotipleme tutarli). McNemar yalnizca degisen durumlara (uyumsuz
    hucrelere) bakar; esli ikili degisimi olcmenin dogru yoludur.

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

#25  Cohen's Kappa
    file: 025_cohen_kappa_morphological_Quercus_taksonom.xlsx
  >> SENARYO (anlatim):
    Iki bagimsiz uzmanin (A ve B) ayni 70 mese ornegini morfolojik ozelliklerine
    gore dort taksona (Q. petraea, Q. cerris, Q. pubescens, Q. robur) tani
    koyarken ne kadar tutarli olduklarini degerlendirmek istiyoruz. Amacimiz
    uzmanlar arasindaki uyumun sansla beklenenden ne kadar yuksek oldugunu
    olcerek morfolojik teshisin guvenilirligini ortaya koymak. Iki
    degerlendiricinin ayni kategorik siniflamasini sansa karsi duzelterek
    karsilastirdigimiz icin Cohen kappa katsayisi bu uyumu olcmek icin dogru
    yontemdir.
  >> DEGISKEN SECIMI:
    - Birinci degerlendirici (Uzman A tanisi): expert_A_morphological_diagnosis
    - Ikinci degerlendirici (Uzman B tanisi): expert_B_morphological_diagnosis

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cohen Kappa = 0.9237 (neredeyse mukemmel uyum)   p < .001 ***
    Iki uzmanin Quercus morfolojik teshisi

>> YORUM (anlatim):
    Iki uzmanin ayni Quercus (mese) orneklerini bagimsiz morfolojik teshisindeki uyumu Cohen Kappa ile olctuk. Kappa =
    0.92, "neredeyse mukemmel uyum" araliginda -- sans-duzeltilmis bir uyum olcusu, yani tesadufi uyumu ayikladiktan
    sonraki gercek tutarlilik. Bitki taksonomisinde bu cok onemli: mese turleri morfolojik olarak ayirt etmesi zor
    (yaygin melezlesme), eger uzmanlar tutarsiz teshis koysa tum tur kayitlari supheli olurdu. Kappa = 0.92, morfolojik
    teshislerin cok guvenilir ve tekrarlanabilir oldugunu gosteriyor. Gozlemciler-arasi guvenirligi raporlamak,
    taksonomik calismalarin kalite guvencesidir.

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

#26  Cochran-Mantel-Haenszel Test
    file: 026_cmh_sex_strata_marker_phenotype.xlsx
  >> SENARYO (anlatim):
    240 bireyde markor durumu (var/yok) ile yuksek cap (DBH) fenotipi arasindaki
    iliskiyi incelerken, cinsiyetin bu iliskiyi karistirici bir etki olarak
    gizleyebilecegini dusunuyoruz. Amacimiz markor ile fenotip arasindaki
    birlikteligi, erkek ve disi katmanlarini kontrol ederek, yani cinsiyetin
    etkisini ayikladiktan sonra degerlendirmek. Katmanli 2x2 tablolarda iki
    degisken arasindaki iliskiyi bir tabakalama degiskenini kontrol ederek
    sinadigimiz icin Cochran-Mantel-Haenszel testi bu durum icin uygundur.
  >> DEGISKEN SECIMI:
    - Tabaka degiskeni (cinsiyet): sex
    - Satir degiskeni (markor durumu): marker_status
    - Sutun degiskeni (yuksek DBH fenotipi): high_dbh_phenotype

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CMH chi-kare(1) = 21.34   p < .001 ***   Ortak OR (MH) = 3.57  (95% CI: 2.06 - 6.18)
    Breslow-Day chi-kare(1) = 1.46, p = 0.23 (OR homojen)   H0 REDDEDILIR

>> YORUM (anlatim):
    Marker durumu ile yuksek cap fenotipi arasindaki iliskiyi, esey (strata) icinde kontrol ederek CMH testiyle
    inceledik. Eseyi sabit tuttugumuzda bile iliski guclu: ortak odds orani 3.57 (p < .001) -- esey karistiricisindan
    arindirilmis halde, markeri tasiyan bireylerin yuksek capli olma sansi 3.6 kat fazla. Breslow-Day testi anlamsiz
    (p = 0.23), yani bu iliski her iki eseyde de tutarli (homojen OR). Bu, markerin esey-bagimsiz, gercek bir genetik
    isaretci oldugunu dogrular -- marker-destekli secim icin ek guven. CMH, ucuncu bir degiskeni (esey) katmanlayarak
    kontrol etmenin klasik yoludur.

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

#27  Log-Linear Analysis
    file: 027_log_lineer_type_season_reproduction.xlsx
  >> SENARYO (anlatim):
    P. brutia ve P. nigra turlerinde, ilkbahar ve yaz mevsimlerinde erkek ve
    disi kozalak uretiminin frekanslarini ozetleyen bir tablo uzerinde, tur,
    mevsim ve ureme organi degiskenleri arasindaki birlikte iliskileri
    cozumlemek istiyoruz. Amacimiz bu uc kategorik degisken arasinda hangi
    etkilesimlerin frekans desenini en iyi acikladigini ortaya koymak. Cok yonlu
    bir frekans tablosundaki kategorik degiskenlerin ana etki ve etkilesimlerini
    modellemek icin log-lineer analiz bu amaca uygundur.
  >> DEGISKEN SECIMI:
    - Birinci faktor (tur): type
    - Ikinci faktor (mevsim): season
    - Ucuncu faktor (ureme organi): reproduction_organi
    - Frekans (gozlem sayisi): frequency

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    En iyi model AIC = 50.91   Pearson chi-kare = 0.08 (model veriye cok iyi uyuyor)
    Faktorler: tur x mevsim x ureme organi

>> YORUM (anlatim):
    Uc kategorik degiskenin -- tur, mevsim ve ureme organi -- birlikte olusturdugu kontenjans yapisini log-lineer
    modelle cozumledik. Secilen modelin uyumu cok iyi (Pearson chi-kare = 0.08, cok dusuk), AIC = 50.91 ile en
    parsimonik model. Log-lineer analiz, ikiden fazla kategorik degisken arasi etkilesimleri (hangi degiskenler
    bagimli, hangi etkilesim anlamli) cozmemizi saglar -- ANOVA'nin kategorik veri icin karsiligi gibidir. Ureme
    fenolojisinin (hangi tur, hangi mevsimde, hangi ureme organiyla) cok-yonlu iliskilerini ozetlemede gucludur;
    ureme biyolojisi ve fenoloji calismalarinda kullanilir.

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

#28  Crosstabulation
    file: 028_cross_tablo_clone_region_distribution.xlsx
  >> SENARYO (anlatim):
    200 ornekte dort farkli klonun (clone_1, clone_2, clone_3, clone_4) Marmara
    ve Karadeniz bolgelerine gore nasil dagildigini bir capraz tabloda gormek
    istiyoruz. Amacimiz hangi klonun hangi bolgede daha yogun temsil edildigini,
    yani klon ile bolge arasindaki dagilim desenini betimlemek. Iki kategorik
    degiskenin birlikte frekans dagilimini satir-sutun tablosu halinde ozetlemek
    icin capraz tablolama bu amaca uygundur.
  >> DEGISKEN SECIMI:
    - Satir degiskeni (klon): clone
    - Sutun degiskeni (bolge): region

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    chi-kare(3) = 11.84   p = 0.008 **   Cramer V = 0.24 (Orta)
    Klon ile bolge dagilimi iliskili.   H0 REDDEDILIR

>> YORUM (anlatim):
    Klon ile bolge arasindaki iliskiyi capraz tablo ve ki-kare ile inceledik. Iliski anlamli ve orta duzeyde
    (chi-kare(3) = 11.84, p = 0.008, Cramer V = 0.24): klonlarin bolgelere dagilimi rastgele degil -- bazi klonlar
    belirli bolgelerde yogunlasiyor. Bu, klonal ormancilikta klon-bolge eslesmesinin (hangi klon nereye dikiliyor)
    bir desen gosterdigini ortaya koyar; bu desen, yerel adaptasyon ya da islah/dikim tercihlerinden kaynaklanabilir.
    Capraz tablo, iki kategorik degisken arasindaki birlikteligi gormenin en temel ve okunakli yoludur; Cramer V
    iliskinin gucunu olcer.

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

#29  MR Frequency
    file: 029_MR_frequency_breeding_target_secimleri.xlsx
  >> SENARYO (anlatim):
    Islah calismalarinda yer alan 100 katilimcinin (TARGEM, OGM, universite ve
    ozel sirket gibi farkli kurumlardan) cesitli islah hedefi onceliklerini
    birden fazla secenek olarak isaretledigi bir ankette, bu hedef secimlerinin
    sikligini cozumlemek istiyoruz. Amacimiz hangi islah onceliklerinin sektorde
    en cok tercih edildigini ortaya koymak. Her katilimcinin birden cok secenek
    isaretleyebildigi coklu yanit verisinde secim frekanslarini ozetlemek icin
    coklu yanit (MR) frekans analizi bu amaca uygundur.
  >> DEGISKEN SECIMI:
    - Coklu yanit degiskeni (islah hedefi oncelikleri): breeding_target_oncelikleri
    - Gruplama degiskeni (kurum): institution

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam vaka n = 100   Yanitlayan = 100 (%100)
    Islah hedefleri (buyume hizi, odun kalitesi, kuraklik direnci, hastalik direnci...) cok-secimli isaretlendi

>> YORUM (anlatim):
    Orman genetikcilerine/islahcilara islah programlarinda oncelikledikleri hedefler soruldu -- birden fazla secenek
    isaretleyebildikleri "coklu yanit" sorusu. 100 uzmanin tamami en az bir hedef sectigi icin yanit orani %100. Coklu
    yanit frekans analizi, her hedefin kac kez ve uzmanlarin yuzde kacinca secildigini gosterir; toplam yuzdeler 100'u
    asar cunku herkes birden cok kutu isaretleyebilir. Islah onceliklerinin (buyume mi, kalite mi, direnc mi) uzman
    gorusundeki dagilimini cikarmak, ulusal islah strateji belirlemede degerli bir aractir.

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

#30  MR Crosstab
    file: 030_MR_categorical_genetic_threats_institution.xlsx
  >> SENARYO (anlatim):
    Farkli kurumlardan (OGM, universite ve AGM) 130 uzmanin algiladigi genetik
    tehditleri birden fazla secenek olarak isaretledigi bir ankette, bu tehdit
    algilarinin kuruma gore nasil dagildigini capraz olarak incelemek istiyoruz.
    Amacimiz hangi kurumun hangi genetik tehditleri daha sik vurguladigini
    ortaya koymak. Her uzmanin birden cok tehdit secebildigi coklu yanit
    verisini bir kategorik degiskene (kuruma) gore capraz tablolastirmak icin
    coklu yanit (MR) capraz tablo analizi bu amaca uygundur.
  >> DEGISKEN SECIMI:
    - Coklu yanit degiskeni (algilanan genetik tehditler): perceived_genetic_threats
    - Sutun degiskeni (kurum): institution

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam vaka n = 130   Grup sutunu: kurum (institution)
    Algilanan genetik tehditler kuruma gore capraz

>> YORUM (anlatim):
    Uzmanlarin algiladigi genetik tehditleri (coklu secimli -- genetik erozyon, habitat kaybi, iklim, akrabali
    ciftlesme...) calistiklari kuruma gore capraz tabloladik. 130 uzmanin verisiyle, her tehdit algisinin kurumlar
    arasinda nasil dagildigini gorebiliyoruz. Coklu yanit capraz tablo, "hangi kurum hangi tehditleri daha cok
    vurguluyor" sorusunu yanitlar -- ornegin universite vs uygulama kurumu farkli oncelikler gosterebilir. Bu, orman
    genetik kaynaklarinin korunmasinda kurumlar arasi algi farklarini ortaya koyar ve ortak politika gelistirmeye yol gosterir.

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

#31  MR x MR Crosstab
    file: 031_MR_MR_target_tehdit.xlsx
  >> SENARYO (anlatim):
    Bir orman genetigi calistayinda, fidanlik ve gen kaynagi yoneticilerinin
    islah programi icin belirledikleri oncelikleri merak ediyoruz. Katilimcilara
    hem ulasmak istedikleri hedefleri (hedefler) hem de gen kaynaklarini tehdit
    eden unsurlari (threats) sorduk ve bu iki kategorik degisken arasinda bir
    iliski olup olmadigini incelemek istiyoruz. Belirli tehdit algilarinin
    belirli islah hedefleriyle birlikte mi gorundugunu anlamak icin, iki
    kategorik degiskenin frekans dagilimini capraz tablo halinde inceleyen MR x
    MR capraz tablo analizini kullanmak en uygunu, cunku katilimcilarin coklu
    yanitlarini ozetleyip iki boyut arasindaki ortakligi ortaya koyuyor.
  >> DEGISKEN SECIMI:
    - Hedef kategorisi: hedefler
    - Tehdit kategorisi: threats

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam vaka n = 80
    Islah hedefleri x algilanan tehditler (habitat, iklim, hastalik, akrabali ciftlesme) caprazlandi

>> YORUM (anlatim):
    Bu en gelismis coklu-yanit analizi: iki ayri cok-secimli soruyu birbiriyle caprazliyoruz -- uzmanin islah
    hedefleri ile algiladigi genetik tehditler. 80 uzmanda, hangi hedefleri onceleyenlerin hangi tehditleri one
    cikardigini gorebiliyoruz: ornegin kuraklik direncini onceleyenler iklim tehdidini, cesitlilik korumayi
    onceleyenler akrabali ciftlesme/habitat kaybini vurgulayabilir. Bu tablo, islah onceligi-tehdit algisi
    eslesmelerini ortaya cikararak orman genetik kaynaklari yonetim stratejisi icin guclu bir veri saglar.

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

#32  Cochran's Q Test
    file: 032_cochran_Q_seedling_survival_survival_4yil.xlsx
  >> SENARYO (anlatim):
    Bir kizilcam reforestasyon denemesinde, dikilen fidanlarin dort yil boyunca
    hayatta kalip kalmadigini izledik ve her yil icin sagkalimi 1/0 olarak
    kaydettik (year1, year2, year3, year4). Arastirma sorumuz, fidan sagkalim
    oraninin yillar arasinda anlamli sekilde degisip degismedigi, yani belli
    yillarda olum riskinin yogunlasip yogunlasmadigidir. Ayni fidanlar tekrar
    tekrar olculdugu ve sonuc ikili (sagkalim var/yok) oldugu icin,
    eslestirilmis ikili tekrarli olcumlerde oran farklarini test eden Cochran Q
    testi bu durum icin en dogru secimdir.
  >> DEGISKEN SECIMI:
    - 1. yil sagkalim: year1
    - 2. yil sagkalim: year2
    - 3. yil sagkalim: year3
    - 4. yil sagkalim: year4

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cochran Q = 44.64   p < .001 ***
    4 yilda fidan hayatta kalma (ikili) anlamli sekilde degisiyor.   H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni fidanlarda dort yil boyunca hayatta kalma durumunu (yasiyor/oldu ikili) Cochran Q testiyle karsilastirdik --
    ikiden cok tekrarli olcumun ikili karsiligi, McNemar'in coklu surumu. Sonuc cok anlamli (Q = 44.64, p < .001):
    hayatta kalma orani yillar arasinda belirgin degisiyor (azaliyor) -- fidanlarda yillik mortalite var. Bu,
    agaclandirma basarisinin izlenmesinde kritik: ilk yillardaki olum orani, dikim basarisini ve orijin/yetisme
    kosulu uygunlugunu gosterir. Cochran Q, ayni birimlerde tekrarlanan ikili (sagkalim) olcumlerdeki degisimi
    sinamanin dogru yoludur.

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

#33  Correlation Analysis
    file: 033_correlation_kantitatif_ozellikler_PinusBrutia.xlsx
  >> SENARYO (anlatim):
    Kizilcam (Pinus brutia) bireylerinde buyume ve odun ozellikleri arasindaki
    iliskileri anlamak istiyoruz. Her agac icin yas (age_year), gogus capi
    (dbh_cm), boy (height_m), odun yogunlugu (wsg_gcm3) ve dal sayisi
    (branch_count) gibi nicel ozellikleri olctuk ve bu degiskenlerin birbiriyle
    nasil iliskilendigini, ornegin capi artarken boyun ve odun yogunlugunun
    nasil degistigini gormek istiyoruz. Birden fazla surekli degisken arasindaki
    dogrusal birlikteligin yonunu ve gucunu eszamanli ortaya koymak icin
    korelasyon analizi ideal bir yaklasimdir.
  >> DEGISKEN SECIMI:
    - Yas: age_year
    - Gogus capi: dbh_cm
    - Boy: height_m
    - Odun ozgul agirligi: wsg_gcm3
    - Dal sayisi: branch_count

  >> 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):
    En guclu iliski: yas - boy   r = +0.869   p < .001 ***  (Guclu)
    5 degisken: yas, dbh, boy, odun yogunlugu, dal sayisi

>> YORUM (anlatim):
    Bes nicel agac ozelligi arasindaki tum ikili korelasyonlari cikardik. En guclu iliski yas ile boy arasinda
    (r = 0.87) -- beklenen bir sonuc, yasli agaclar daha uzun. Genelde boy ve cap yuksek korelasyonludur, odun
    yogunlugu ise bunlarla zayif iliskilidir (bu islah icin onemli: hizli buyumeyle yuksek odun yogunlugunu birlikte
    secmek mumkun olabilir ya da bir odunlesme gerekebilir). Korelasyon matrisi, regresyon/secim indeksi kurmadan
    once ozellikler arasi yapiyi gormenin ve es-dogrusalligi tespit etmenin ilk adimidir. Cok-ozellikli agac islahinda
    ozellikler arasi genetik/fenotipik korelasyonlar secim stratejisini belirler.

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

#34  Bland-Altman Analysis
    file: 034_bland_altman_RAPD_SSR_He_goodnessfit.xlsx
  >> SENARYO (anlatim):
    Ayni lokuslarda beklenen heterozigotlugu (He) iki farkli molekuler markor
    sistemiyle, RAPD ve SSR ile, hesapladik ve bu iki yontemin uyumlu sonuclar
    verip vermedigini sorguluyoruz. Her lokus icin RAPD ile elde edilen He
    degeri (RAPD_He) ile SSR ile elde edilen He degerini (SSR_He) karsilastirmak
    ve aralarinda sistematik bir sapma olup olmadigini gormek istiyoruz. Iki
    olcum yonteminin uyumunu, ortalama fark ve uyum sinirlari uzerinden
    degerlendiren Bland-Altman analizi bu metot karsilastirmasi icin en uygun
    aractir.
  >> DEGISKEN SECIMI:
    - RAPD heterozigotlugu: RAPD_He
    - SSR heterozigotlugu: SSR_He

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    RAPD He ort = 0.313   |   SSR He ort = 0.295   |   Bias ~ +0.018 (yontemler buyuk olcude uyumlu)

>> YORUM (anlatim):
    Genetik cesitliligi (He) olcmenin iki molekuler marker yontemini -- RAPD ve SSR (mikrosatellit) -- ayni lokuslarda
    Bland-Altman ile karsilastirdik. Bu yontem korelasyona bakmaz (yuksek korelasyon uyumu garanti etmez), iki
    olcumun farkini olcer. Ortalamalar yakin (0.313 vs 0.295), bias yaklasik 0.018 -- iki marker sistemi He'yi
    neredeyse ayni tahmin ediyor, pratikte karsilastirilabilir sonuc veriyor (RAPD biraz yuksek). Bland-Altman, iki
    molekuler yontemin (eski/yeni marker, iki platform) uyumunu degerlendirmenin standart yoludur; genetik
    cesitlilik calismalarinda yontem gecisi/karsilastirmasinda kullanilir.

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

#35  Effect Size
    file: 035_effect_size_marginal_center_He.xlsx
  >> SENARYO (anlatim):
    Bir agac turunun yayilis alaninin merkezindeki ve kenarindaki (marjinal)
    populasyonlarda genetik cesitliligin farklilastigi yonunde bir hipotezimiz
    var. Populasyon tipini merkez ve marjinal olarak kodladik (population_type)
    ve her populasyonun ortalama beklenen heterozigotlugunu (mean_He) olcerek bu
    iki grup arasindaki farkin sadece istatistiksel anlamliligini degil, pratik
    buyuklugunu de bilmek istiyoruz. Iki grup arasindaki farkin
    standartlastirilmis buyuklugunu ortaya koyan etki buyuklugu analizi, farkin
    biyolojik onemini degerlendirmek icin en dogru secimdir.
  >> DEGISKEN SECIMI:
    - Populasyon tipi (grup): population_type
    - Ortalama heterozigotluk: mean_He

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cohen d = 0.93  (buyuk etki)
    Marjinal vs merkez populasyonlarda He farki

>> YORUM (anlatim):
    Marjinal (yayilis siniri) ve merkez populasyonlar arasindaki heterozigotluk (He) farkini, sadece "anlamli mi"
    degil "ne kadar buyuk" sorusuyla -- etki buyuklugu olarak -- olctuk. Cohen d = 0.93 buyuk bir etki; iki grup
    belirgin sekilde ayrisiyor (merkez populasyonlar daha cesitli). Bu, populasyon genetiginin "merkez-marjinal
    hipotezi"ni destekler: yayilisin merkezindeki populasyonlar daha cok genetik cesitlilik tasir, sinir
    populasyonlari ise darbogaz/izolasyon nedeniyle daha fakir. d = 0.93 gibi buyuk bir etki, koruma onceliginin
    belirlenmesinde (hangi populasyonlar daha degerli) pratik onem tasir. Etki buyuklugu raporlamak yayinlarda standarttir.

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

#36  Canonical Correlation (CCA)
    file: 036_cca_environment_allele_frekansi_relationship.xlsx
  >> SENARYO (anlatim):
    Populasyonlarin yetistigi cevresel kosullarin, sahip olduklari allel
    frekanslariyla iliskili olup olmadigini arastiriyoruz. Bir tarafta enlem
    (lat), boylam (lon), yukseklik (elevation_m), yagis (precipitation_mm) ve
    sicaklik (temperature_C) gibi cevresel degiskenler, diger tarafta dort
    allelin frekanslari (freq_allele_A1, freq_allele_A2, freq_allele_B1,
    freq_allele_B2) yer aliyor ve bu iki cok degiskenli set arasindaki ortak
    yapiyi cozmek istiyoruz. Iki degisken grubu arasindaki maksimum korelasyonlu
    dogrusal bilesimleri bulan kanonik korelasyon analizi (CCA), cevre-genetik
    iliskisini incelemek icin tam olarak uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Cevre - enlem: lat
    - Cevre - boylam: lon
    - Cevre - yukseklik: elevation_m
    - Cevre - yagis: precipitation_mm
    - Cevre - sicaklik: temperature_C
    - Allel frekansi A1: freq_allele_A1
    - Allel frekansi A2: freq_allele_A2
    - Allel frekansi B1: freq_allele_B1
    - Allel frekansi B2: freq_allele_B2

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CC1: r = 0.925, chi-kare(20) = 276.07, p < .001   |   CC2: r = 0.903, p < .001
    X seti: cevre (lat/lon/yukselti/yagis/sicaklik)  |  Y seti: allel frekanslari (A1/A2/B1/B2)

>> YORUM (anlatim):
    Iki cok-degiskenli seti -- cevresel degiskenler (konum, yukselti, yagis, sicaklik) ile allel frekanslari --
    kanonik korelasyonla iliskilendirdik. Ilk kanonik eksen cok guclu (r = 0.93, p < .001), ikincisi de anlamli
    (r = 0.90): cevre ile genetik yapi siki bagli. Bu, populasyon genetiginin onemli bir desenidir -- allel
    frekanslari cevresel gradyan boyunca degisiyor, yani "cevreyle iliskili secilim" (local adaptation) ya da
    izolasyon-by-environment kaniti. CCA, "iki degisken bloku nasil birlikte degisir" sorusunun en dogrudan
    yanitidir; manzara genetiginde (landscape genetics) cevre-gen iliskisini incelemek icin guclu bir yontemdir.

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

#37  Correspondence Analysis (CA)
    file: 037_correspondence_clone_region_kontingenz.xlsx
  >> SENARYO (anlatim):
    Klonal ormancilik programinda hangi klonlarin hangi cografi bolgelerde
    yogunlastigini anlamak istiyoruz. Her kayitta bir bolge (region:
    mediterranean, Marmara, anatolia, black_sea, EgeIc) ve bir klon (clone)
    bilgisi var ve bu iki kategorik degisken arasindaki birlikteligi, yani
    belirli klonlarin belirli bolgelerle olan baglantisini gorsel bir harita
    uzerinde incelemek istiyoruz. Iki kategorik degiskenin kontenjans
    tablosundaki iliski yapisini dusuk boyutlu bir uzayda gosteren karsilik
    gelme analizi (CA), bolge-klon iliskisini ortaya cikarmak icin en uygun
    yontemdir.
  >> DEGISKEN SECIMI:
    - Bolge kategorisi: region
    - Klon kategorisi: clone

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam atalet (inertia) = 0.307   Boyut sayisi = 2
    Klon x bolge kontenjans tablosu

>> YORUM (anlatim):
    Klon ile bolge arasindaki kontenjans tablosunu uyum analizi ile iki boyutlu bir haritaya dusurduk. Toplam atalet
    0.307 ile orta-guclu bir iliski var; iki boyut bu yapinin buyuk kismini gorsellestiriyor. Haritada birbirine
    yakin dusen klon-bolge ciftleri, o klonun o bolgeyle ozdeslestigini gosterir. Bu, klonal ormancilikta hangi
    klonlarin hangi bolgelerde yogunlastigini -- klon-bolge adaptasyonunu ya da dikim desenini -- tek bakista okumayi
    saglar. Uyum analizi, kategorik iliskileri gorsellestirmenin guclu bir yoludur ve iliski gucunu (atalet) sayisal
    olarak da verir.

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

#38  Variable Clustering (VarClus)
    file: 038_varclus_15kantitatif_feature_clustering.xlsx
  >> SENARYO (anlatim):
    Genetik denemede her agac icin 15 farkli nicel ozellik olctuk; yillara gore
    boy artisi (height_year1, height_year2, height_year3, height_year4), cap
    (diameter_year3), kuraklik, soguk ve hastalik skorlari (drought_score,
    cold_score, disease_score), sagkalim (survival), odun yogunlugu (wsg),
    mikrofibril acisi (MFA_mikrofibril), dal ve yaprak acilari (branch_angle,
    leaf_angle), dal sayisi (branch_count) ve yari yas (age_half) gibi. Bu cok
    sayidaki degiskenin birbiriyle ne kadar ortustugunu gorerek benzer
    ozellikleri gruplara ayirmak ve secilecek temsili ozellikleri belirlemek
    istiyoruz. Degiskenleri birbirine benzeyen kumelere ayiran degisken kumeleme
    (VarClus) analizi bu boyut indirgeme amaci icin en uygunudur.
  >> DEGISKEN SECIMI:
    - 1. yil boy: height_year1
    - 2. yil boy: height_year2
    - 3. yil boy: height_year3
    - 4. yil boy: height_year4
    - 3. yil cap: diameter_year3
    - Kuraklik skoru: drought_score
    - Soguk skoru: cold_score
    - Hastalik skoru: disease_score
    - Sagkalim: survival
    - Odun yogunlugu: wsg
    - Mikrofibril acisi: MFA_mikrofibril
    - Dal acisi: branch_angle
    - Dal sayisi: branch_count
    - Yaprak acisi: leaf_angle
    - Yari yas: age_half

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kume sayisi = 3   (15 nicel agac ozelligi)
    Her kumeden bir temsilci ozellik secildi

>> YORUM (anlatim):
    On bes nicel agac ozelligini (yillik boylar, cap, kuraklik/soguk/hastalik skorlari, odun yogunlugu, dal acisi vb.)
    birbirine benzerliklerine gore kumeleyip uc gruba ayirdik. VarClus, gozlemleri degil ozellikleri kumeler: hangi
    ozelliklerin ayni "boyutu" olctugunu gosterir. Uc kume muhtemelen buyume (boylar/cap), stres direnci (kuraklik/
    soguk/hastalik) ve odun kalitesi gruplarini temsil ediyor. Bu, her gruptan bir temsilci ozellik secip cok sayida
    olcumu azaltma imkani verir -- agac islahinda secim indeksleri olustururken ve fenotipleme yukunu azaltirken son
    derece pratiktir.

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

#39  Multiple Linear Regression
    file: 039_multiple_linear_regression_height_env_BV.xlsx
  >> SENARYO (anlatim):
    Fidanlarin bes yillik boy buyumesinin hem cevresel kosullara hem de ebeveyn
    islah degerine bagli olup olmadigini modellemek istiyoruz. Bagimsiz
    degiskenler olarak yukseklik (elevation_m), yagis (precipitation_mm),
    sicaklik (temperature_C) ve ebeveynin genetik islah degerini temsil eden
    BLUP (parent_BLUP), bagimli degisken olarak ise bes yillik boy
    (height_cm_5yr) yer aliyor. Birden fazla surekli yordayicinin bir surekli
    sonuc uzerindeki ortak ve goreli etkisini ayni anda tahmin eden coklu
    dogrusal regresyon, buyumeyi etkileyen cevre ve genetik faktorleri
    ayristirmak icin en dogru yontemdir.
  >> DEGISKEN SECIMI:
    - Yukseklik: elevation_m
    - Yagis: precipitation_mm
    - Sicaklik: temperature_C
    - Ebeveyn islah degeri (BLUP): parent_BLUP
    - 5 yillik boy (bagimli): height_cm_5yr

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R2 = 0.890   Duzeltilmis R2 = 0.888
    Boy ~ yukselti + yagis + sicaklik + ebeveyn BLUP

>> YORUM (anlatim):
    Bes yillik boyu dort degiskenden -- yukselti, yagis, sicaklik ve ebeveyn islah degeri (BLUP) -- tahmin eden coklu
    dogrusal regresyon kurduk. Model cok guclu: degiskenler birlikte boy varyansinin %89'unu acikliyor (R2 = 0.89).
    Bu kritik bir orman genetigi sonucu: boy hem cevresel kosullarla hem de ebeveynin genetik degeriyle (BLUP) guclu
    sekilde belirleniyor -- yani hem "nereye dikildigi" hem "genetigi" onemli. BLUP'un modelde guclu olmasi, ebeveyn
    secimi yoluyla genetik kazanc saglanabilecegini gosterir. Coklu regresyon, surekli bir ozelligi cevresel ve
    genetik surukleyicilerle birlikte aciklamanin temel aracidir.

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

#40  Logistic Regression
    file: 040_logistic_5yr_survival_survival_site_provenance.xlsx
  >> SENARYO (anlatim):
    Farkli orijinlerden (provenans) toplanan tohumlardan yetisen fidanlarin bes
    yillik sagkaliminin, hem tohum kaynagina hem de dikim alaninin kosullarina
    bagli olup olmadigini arastiriyoruz. Yordayici olarak orijin (provenance:
    Mugla_Marmaris, Burdur_Aglasun, Mersin_Erdemli, Mut_Karaman,
    Kahramanmaras_Andirin, Adana_Pos), dikim alani yuksekligi (site_elevation_m)
    ve sicakligi (site_temperature_C), sonuc degiskeni olarak ise fidanin
    yasayip yasamadigini gosteren ikili sagkalim (5yr_survival_survival_1_0) yer
    aliyor. Ikili bir sonucun olasiligini surekli ve kategorik yordayicilarla
    modelleyen lojistik regresyon, sagkalimi etkileyen orijin ve saha
    faktorlerini belirlemek icin uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Orijin (provenans): provenance
    - Saha yuksekligi: site_elevation_m
    - Saha sicakligi: site_temperature_C
    - 5 yillik sagkalim (bagimli, ikili): 5yr_survival_survival_1_0

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Model: Lojistik Regresyon   Pseudo R2 = 0.118
    5 yillik hayatta kalma (1/0) ~ alan yuksekligi + alan sicakligi

>> YORUM (anlatim):
    Bir fidanin 5 yil sonra hayatta olup olmayacagini alan yuksekligi ve sicakligindan tahmin eden lojistik regresyon
    kurduk. Cikti ikili (yasiyor/oldu) oldugu icin lojistik regresyon dogru secim. Pseudo R2 = 0.118, modelin sagkalimi
    kismen acikladigini gosteriyor -- katsayilar genelde belirli yukselti/sicaklik kosullarinda sagkalimin arttigini
    soyler. Bu, agaclandirma alani secimi ve orijin-alan eslesmesi (assisted migration) icin degerli: hangi cevresel
    kosullarda fidanlarin daha cok yasadigini gosterir. Orman genetiginde sagkalim/adaptasyon tahmininde lojistik
    regresyon yaygin kullanilir.

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

#41  Poisson Regression
    file: 041_poisson_branch_count_age_site.xlsx
  >> SENARYO (anlatim):
    Bir orman fidanlığında ağaçların yan dal sayısının yaş ve yetişme ortamına
    göre nasıl değiştiğini araştırıyoruz. Her ağaç için kaydedilen
    side_branch_count yan dal sayısı bir sayım (count) verisi olduğundan ve
    age_year yaş ile site yetişme ortamı sınıfına bağlı olarak modellenmek
    istendiğinden, sayım verileri için en uygun yöntem olan Poisson regresyonu
    tercih ediyoruz. Amacımız yaş arttıkça ve farklı sahalarda yan dallanmanın
    nasıl şekillendiğini sayım dağılımına uygun biçimde ortaya koymaktır.
  >> DEGISKEN SECIMI:
    - Bağımlı sayım (yan dal sayısı): side_branch_count
    - Sayısal yordayıcı (yaş): age_year
    - Kategorik yordayıcı (saha): site

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 1321.10   Deviance = 362.69
    Yan dal sayisi ~ yas   (Poisson)

>> YORUM (anlatim):
    Agaclarin yan dal sayisini -- bir sayim degiskeni -- yastan tahmin eden Poisson regresyonu kurduk. Sayim verisi
    (0,1,2,...) normal dagilmaz, bu yuzden dogrusal degil Poisson kullaniriz. Model tipik olarak yas arttikca dal
    sayisinin arttigini gosterir. Sapma (deviance) ve AIC, model uyumunu degerlendirir. Dal sayisi agac formu/odun
    kalitesi acisindan onemli bir islah ozelligidir (az dal = duzgun govde). Orman genetiginde sayim ciktilarini
    (dal sayisi, kozalak sayisi, fidan sayisi) yordayicilarla iliskilendirmenin dogru yontemi sayim regresyonudur.

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

#42  Multinomial Logistic Regression
    file: 042_multinomial_3sinif_cold_zarari.xlsx
  >> SENARYO (anlatim):
    Farklı orijinlerden gelen fidanların soğuk zararı sınıfını tahmin etmeye
    çalışıyoruz. cold_damage_class soğuk zarar sınıfı düşük, orta ve yüksek
    olmak üzere üç sıralı olmayan kategoriye ayrıldığından ve bunu provenance
    tohum kaynağı, site_elevation_m saha yüksekliği ve min_temperature_C minimum
    sıcaklık değişkenleriyle açıklamak istediğimizden, üç sınıflı kategorik
    sonuç için en uygun yöntem olan multinomiyal lojistik regresyonu
    kullanıyoruz. Böylece orijin ve çevresel koşulların soğuk hasarı kategorisi
    üzerindeki etkisini birlikte değerlendiriyoruz.
  >> DEGISKEN SECIMI:
    - Bağımlı kategorik (soğuk zarar sınıfı): cold_damage_class
    - Kategorik yordayıcı (orijin): provenance
    - Sayısal yordayıcı (saha yüksekliği): site_elevation_m
    - Sayısal yordayıcı (minimum sıcaklık): min_temperature_C

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    3 soguk zarari sinifi (dusuk/orta/yuksek)   Referans sinif: 'high'
    Soguk zarari sinifi ~ alan yuksekligi + min sicaklik

>> YORUM (anlatim):
    Fidanlardaki soguk zararini uc sinifa ayirip (dusuk/orta/yuksek), bu sinifi alan yuksekligi ve minimum sicaklikta
    multinomial lojistik regresyonla modelledik. Ikiden cok siralamasiz kategori oldugu icin bu yontem uygundur:
    'yuksek zarar' referans alinir, her diger sinif icin ayri denklem kurulur. Katsayilar, "yukselti/sicaklik
    degistikce hangi zarar sinifinda yer alma sansinin nasil degistigi" seklinde yorumlanir. Bu, don zarari riskini
    cevresel kosullarla iliskilendirir -- orijin-alan eslesmesi ve don riski haritalamasi icin degerli. Iklim
    degisikligiyle artan gec don olaylarinda fidan adaptasyonunu degerlendirmede kullanilir.

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

#43  Ordinal Logistic Regression
    file: 043_ordinal_5sinif_cold_damage_score.xlsx
  >> SENARYO (anlatim):
    Çeşitli tohum kaynaklarından gelen fidanlarda soğuk hasar şiddetini sıralı
    bir puanla değerlendiriyoruz. cold_damage_5sinif değişkeni 1 düşükten 5
    yükseğe doğru sıralı beş kademeye ayrıldığından ve bunu provenance orijin
    ile elevation_m yükseklik değişkenleriyle açıklamak istediğimizden, sıralı
    kategorik bağımlı değişken için doğru yöntem olan ordinal lojistik
    regresyonu seçiyoruz. Amaç orijin ve yüksekliğin soğuk hasarının şiddet
    derecesi üzerindeki etkisini sıralamayı koruyarak modellemektir.
  >> DEGISKEN SECIMI:
    - Bağımlı sıralı (soğuk hasar puanı): cold_damage_5sinif
    - Kategorik yordayıcı (orijin): provenance
    - Sayısal yordayıcı (yükseklik): elevation_m

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 414.56
    Soguk zarari skoru (1-5, sirali) ~ alan yuksekligi

>> YORUM (anlatim):
    Soguk zarari skorunu (1-5, sirali sinif) alan yuksekliginden tahmin eden ordinal lojistik regresyon kurduk. Bu
    siniflar siralidir -- aralarinda dogal bir duzen var (1=hasarsiz ... 5=cok hasarli) -- ve ordinal model bu
    siralamayi kullanir, multinomial'dan daha guclu ve yorumlanabilir olur. Katsayilar, yukselti arttikca daha yuksek
    zarar sinifina kayma egilimini verir (yuksek rakimda don riski artar). Sirali kategorik ciktilar (zarar skoru,
    hastalik skoru, kalite kademesi) icin ordinal lojistik dogru yontemdir; orman genetiginde hasar/skor
    degerlendirmelerinde sik kullanilir.

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

#44  PLS Regression
    file: 044_pls_8marker_correlated_BV_height.xlsx
  >> SENARYO (anlatim):
    Sekiz adet birbiriyle ilişkili genetik markörden yola çıkarak fidanların üç
    yıllık boy büyümesini tahmin etmek istiyoruz. marker_1_correlated_BV'den
    marker_8_correlated_BV'ye kadar olan markörler birbirleriyle yüksek
    korelasyon gösterdiğinden ve height_cm_3yr boy değerini açıklamada çoklu
    bağlantı sorunu yaşandığından, ilişkili yordayıcıları gizli bileşenlere
    indirgeyen PLS regresyonu en uygun yöntemdir. Böylece korelasyonlu markör
    setinden boy büyümesi için güçlü ve kararlı bir tahmin elde ediyoruz.
  >> DEGISKEN SECIMI:
    - Bağımlı (3 yıllık boy): height_cm_3yr
    - Yordayıcı markör 1: marker_1_correlated_BV
    - Yordayıcı markör 2: marker_2_correlated_BV
    - Yordayıcı markör 3: marker_3_correlated_BV
    - Yordayıcı markör 4: marker_4_correlated_BV
    - Yordayıcı markör 5: marker_5_correlated_BV
    - Yordayıcı markör 6: marker_6_correlated_BV
    - Yordayıcı markör 7: marker_7_correlated_BV
    - Yordayıcı markör 8: marker_8_correlated_BV

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R2_train = 0.910   R2_CV (5-katli) = 0.874
    3 yillik boy ~ 8 marker (BV ile korelasyonlu)

>> YORUM (anlatim):
    Uc yillik boyu, islah degeriyle (BV) korelasyonlu 8 molekuler markerden PLS (Kismi En Kucuk Kareler) regresyonuyla
    tahmin ettik. Markerler birbiriyle korelasyonlu oldugunda klasik regresyon kararsizlasir; PLS bunu, markerleri az
    sayida ortogonal bilesene indirgeyerek cozer. Model hem egitimde (R2 = 0.91) hem capraz-dogrulamada (R2_CV = 0.87)
    cok guclu -- asiri uyum yok, genelleme iyi. Bu, genomik secim (genomic selection) mantigidir: cok sayida markerden
    fenotipi/islah degerini tahmin etmek. Yuksek boyutlu, es-dogrusal marker verisinde PLS, hem tahmin gucu hem
    yorumlanabilirligi koruyan tercih edilen yontemdir.

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

#45  Probit Regression
    file: 045_probit_bud_fracture_chill.xlsx
  >> SENARYO (anlatim):
    Fidanlarda tomurcuk kırılmasının soğuklama saati ve gövde çapına göre
    olasılığını araştırıyoruz. bud_fracture_1_0 tomurcuk kırılması var/yok
    şeklinde ikili bir sonuç olduğundan ve bunu chill_hour soğuklama saati ile
    dbh_cm çap değişkenleriyle açıklamak istediğimizden, ikili sonuç olasılığını
    normal dağılım bağ fonksiyonuyla modelleyen probit regresyonu uygun
    yöntemdir. Amacımız soğuklama ve çapın tomurcuk kırılma riskine etkisini
    olasılık temelli ortaya koymaktır.
  >> DEGISKEN SECIMI:
    - Bağımlı ikili (tomurcuk kırılması): bud_fracture_1_0
    - Sayısal yordayıcı (soğuklama saati): chill_hour
    - Sayısal yordayıcı (çap): dbh_cm

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 236.60   Pseudo R2 (McFadden) = 0.166
    Tomurcuk patlamasi (1/0) ~ soguklama saati (chill) + dbh

>> YORUM (anlatim):
    Bir fidanin tomurcuk patlatip patlatmayacagini soguklama saati (chill hour) ve govde capindan probit regresyonla
    tahmin ettik. Probit, lojistik gibi ikili sonuc modeller ama normal dagilim egrisi (kumulatif normal) varsayar.
    Pseudo R2 = 0.166: soguklama saati tomurcuk patlamasini kismen acikliyor -- yeterli soguklama biriktirmis fidanlar
    daha cok patlatiyor (bitki fenolojisinin temel mekanizmasi: kis dinlenmesini kirmak icin soguklama gerekir). Bu,
    iklim isinmasiyla azalan soguklama saatlerinin agac fenolojisine etkisini modellemede kritik. Probit ve lojistik
    genelde benzer sonuc verir; fenolojik esik calismalarinda kullanilir.

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

#46  Tobit Regression
    file: 046_tobit_SSR_allele_freq_LOD_censored.xlsx
  >> SENARYO (anlatim):
    SSR markörlerinde ölçülen allel frekanslarının LOD eşiği altında
    sansürlenmiş değerlerini analiz ediyoruz. LOD_under_censored değişkeni
    belirli bir tespit sınırının altında alt sınırdan sansürlendiğinden ve
    measured_frequency ile sample_count_N gibi açıklayıcılarla ilişkisini doğru
    tahmin etmek istediğimizden, sansürlü bağımlı değişkenler için tasarlanmış
    Tobit regresyonu en uygun yöntemdir. Böylece sansürlemeden kaynaklanan
    yanlılığı düzeltip allel frekansı ilişkisini sağlıklı modelliyoruz.
  >> DEGISKEN SECIMI:
    - Bağımlı sansürlü (LOD altı frekans): LOD_under_censored
    - Sayısal yordayıcı (ölçülen frekans): measured_frequency
    - Sayısal yordayıcı (örnek sayısı): sample_count_N

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 2.27   Tobit (sol-sansurlu: frekans tespit siniri LOD altinda)
    Olculen allel frekansi ~ orneklem buyuklugu

>> YORUM (anlatim):
    SSR (mikrosatellit) allel frekanslarinda sik karsilasilan bir sorun: cok nadir aller, tespit siniri (LOD) altinda
    kalir -- "olculemedi" olarak isaretlenir ama sifir degildir. Bu degerleri silmek ya da sifir saymak yanli sonuc
    verir. Tobit regresyon, sol-sansurlu bu veriyi dogru modeller. Genetik cesitlilik calismalarinda nadir allellerin
    frekansini tahmin ederken bu kritik: nadir alleller cogu zaman LOD civarindadir ve populasyonun benzersiz genetik
    mirasini tasir. Tobit, "tespit siniri altinda" frekanslarla calismanin istatistiksel olarak dogru cozumudur;
    ham silme/sifirlamadan ustundur.

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

#47  Bayesian Linear Regression
    file: 047_bayesian_linear_offspring_midparent_h2.xlsx
  >> SENARYO (anlatim):
    Yarım kardeş ailelerinde ebeveyn ortalaması ile döl performansı arasındaki
    kalıtsal ilişkiyi araştırıyoruz. midparent_dbh_cm orta-ebeveyn çapı ile
    half_sib_offspring_dbh döl çapı arasındaki regresyondan kalıtım derecesi
    (h2) tahmin etmek istediğimizden ve örneklem yalnızca 22 aile gibi küçük
    olduğundan, ön bilgiyi ve belirsizliği daha güvenilir biçimde yönetebilen
    Bayesçi doğrusal regresyon uygun yöntemdir. Böylece küçük örneklemde
    regresyon eğiminin posterior dağılımıyla kalıtımı daha sağlam kestiriyoruz.
  >> DEGISKEN SECIMI:
    - Bağımlı (döl çapı): half_sib_offspring_dbh
    - Sayısal yordayıcı (orta-ebeveyn çapı): midparent_dbh_cm

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Konjugat Normal-Inverse-Gamma prior   posterior sigma2 = 11.23
    Yarim-kardes doly dbh ~ orta-ebeveyn (midparent) dbh

>> YORUM (anlatim):
    Doly (offspring) capini orta-ebeveyn (midparent) capindan Bayesci dogrusal regresyonla tahmin ettik -- bu klasik
    bir kalitsallik (h2) tahmini kurgusudur: ebeveyn-doly regresyon egimi dar anlamli kalitsalligi verir. Bayesci
    yaklasimin avantaji: sonuc tek bir nokta degil, egim icin bir olasilik dagilimi (posterior) ve guvenilirlik
    araligi verir -- kalitsalligin belirsizligini durustce ifade eder. Posterior hata varyansi sigma2 = 11.23. Orman
    genetiginde kalitsallik, secimle saglanabilecek genetik kazanci belirler; Bayesci cerceve, ozellikle az aileli
    calismalarda h2 tahmininin belirsizligini gostermenin guclu yoludur.

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

#48  Nonlinear Regression
    file: 048_nonlinear_logistik_growth_curve_height_age.xlsx
  >> SENARYO (anlatim):
    Ağaçların yaşa bağlı boy büyümesinin tipik S biçimli seyrini modellemek
    istiyoruz. height_m boy değerinin age_year yaşa göre artışı doğrusal olmayıp
    belli bir tavana doğru yaklaşan lojistik büyüme eğrisi gösterdiğinden,
    parametreleri büyüme dinamiğini doğrudan yansıtan nonlineer (doğrusal
    olmayan) regresyon uygun yöntemdir. Amacımız büyüme hızını ve ulaşılan azami
    boyu biyolojik anlamlı bir eğriyle tanımlamaktır.
  >> DEGISKEN SECIMI:
    - Bağımlı (boy): height_m
    - Sayısal yordayıcı (yaş): age_year

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Model: y = K / (1 + exp(-r·(x-x0)))  (lojistik buyume)   R2 = 0.972
    Boy ~ yas

>> YORUM (anlatim):
    Agac boyunun yasa gore degisimini modelledik. Agac buyumesi dogrusal degildir: genc yasta hizli artar, sonra bir
    tavana (K -- asimptotik maksimum boy) dogru doygunlasir -- klasik bir S-egrisi (lojistik buyume). Bunu lojistik
    fonksiyonla modelledik ve uyum mukemmel (R2 = 0.97). Egri uc parametre verir: tavan (K, tur/orijinin ulasabilecegi
    maksimum boy), buyume hizi (r) ve donum noktasi (x0). Bu parametreler orijinler/klonlar arasinda karsilastirilarak
    "hangi genotip daha hizli/daha yuksek buyuyor" sorusu yanitlanir. Dogrusal olmayan regresyon, orman mensurasyonunda
    buyume-verim modellemenin temel aracidir; duz cizgi agac buyumesinin dogasini yanlis yansitirdi.

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

#49  Ridge Regression
    file: 049_ridge_multicollinear_SNP_BV_wsg.xlsx
  >> SENARYO (anlatim):
    Dokuz SNP markörünü kullanarak ağaçların odun özgül ağırlığı için hesaplanan
    ıslah değerini (BV BLUP) tahmin etmeye çalışıyoruz. SNP_1'den SNP_9'a kadar
    olan markörler birbirleriyle yüksek çoklu bağlantı gösterdiğinden ve
    BV_wsg_BLUP değerini kararlı biçimde açıklamak istediğimizden, katsayıları
    L2 cezasıyla küçülterek çoklu bağlantıyı dengeleyen Ridge regresyonu en
    uygun yöntemdir. Böylece ilişkili SNP setinden aşırı uyumdan kaçınan
    güvenilir bir tahmin elde ediyoruz.
  >> DEGISKEN SECIMI:
    - Bağımlı (odun özgül ağırlığı ıslah değeri): BV_wsg_BLUP
    - Yordayıcı SNP 1: SNP_1
    - Yordayıcı SNP 2: SNP_2
    - Yordayıcı SNP 3: SNP_3
    - Yordayıcı SNP 4: SNP_4
    - Yordayıcı SNP 5: SNP_5
    - Yordayıcı SNP 6: SNP_6
    - Yordayıcı SNP 7: SNP_7
    - Yordayıcı SNP 8: SNP_8
    - Yordayıcı SNP 9: SNP_9

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Ridge (alpha = 1.0): R2 = 0.890   Duz. R2 = 0.883   n = 150
    Odun yogunlugu islah degeri (BV) ~ 9 SNP (birbiriyle korelasyonlu)

>> YORUM (anlatim):
    Odun yogunlugu islah degerini (BV BLUP), birbiriyle yuksek korelasyonlu 9 SNP markerinden tahmin ederken klasik
    regresyon kararsizlasir (es-dogrusallik katsayilari sisirir -- SNP'ler baglanti dengesizligi/LD nedeniyle
    korelasyonludur). Ridge regresyon, tum katsayilari kuculterek bu sorunu cozer -- katsayilari sifirlamaz ama
    buyukluklerini sinirlar, boylece tahmin kararli kalir (R2 = 0.89). Ridge, "tum SNP'leri tutmak istiyorum ama
    es-dogrusallik var" durumunda idealdir. Genomik secimde, binlerce korelasyonlu SNP'den islah degeri tahmin
    ederken Ridge (ve benzeri rrBLUP) temel yontemlerdendir.

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

#50  Lasso Regression
    file: 050_lasso_QTL_choice_3gercek_12gurultu.xlsx
  >> SENARYO (anlatim):
    Çok sayıda markör arasından çapı gerçekten etkileyen QTL'leri seçmeye
    çalışıyoruz. phenotype_dbh_cm çap fenotipini açıklamada üç gerçek QTL ile on
    iki gürültü markörü bir arada bulunduğundan ve gereksiz değişkenleri elemek
    istediğimizden, katsayıları L1 cezasıyla sıfıra indirip değişken seçimi
    yapan Lasso regresyonu en uygun yöntemdir. Böylece gürültü markörlerini
    ayıklayıp çapı etkileyen gerçek QTL'leri öne çıkarıyoruz.
  >> DEGISKEN SECIMI:
    - Bağımlı (çap fenotipi): phenotype_dbh_cm
    - Yordayıcı gerçek QTL 1: QTL_1_actual
    - Yordayıcı gerçek QTL 2: QTL_2_actual
    - Yordayıcı gerçek QTL 3: QTL_3_actual
    - Gürültü markörü 1: marker_noise_1
    - Gürültü markörü 2: marker_noise_2
    - Gürültü markörü 3: marker_noise_3
    - Gürültü markörü 4: marker_noise_4
    - Gürültü markörü 5: marker_noise_5
    - Gürültü markörü 6: marker_noise_6
    - Gürültü markörü 7: marker_noise_7
    - Gürültü markörü 8: marker_noise_8
    - Gürültü markörü 9: marker_noise_9
    - Gürültü markörü 10: marker_noise_10
    - Gürültü markörü 11: marker_noise_11
    - Gürültü markörü 12: marker_noise_12

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Lasso (alpha = 0.1): R2 = 0.928   Duz. R2 = 0.920   n = 150
    15 markerden 12'sinin katsayisi sifira cekildi (otomatik QTL secimi)

>> YORUM (anlatim):
    Bu veride 3 gercek QTL (kantitatif ozellik lokusu) ile 12 gurultu markeri karisik haldeydi. Lasso regresyonun
    gucu burada gorulur: ceza terimi onemsiz markerlerin katsayilarini tam olarak sifira ceker -- otomatik QTL/marker
    secimi yapar. 15 markerden 12'si elendi (tam da gercek 3 QTL kaldi!), model R2 = 0.93 ile guclu. Lasso, cok sayida
    aday marker iciden fenotiple gercekten iliskili olanlari secmek istediginizde -- QTL haritalamasi ve genom-capli
    asosiyasyon (GWAS) calismalarinda -- son derece kullanislidir. Ridge tum markerleri kuculturken, Lasso
    onemsizleri tamamen eler.

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

#51  Mediation Analysis
    file: 051_mediation_temperature_bud_height_kaskad.xlsx
  >> SENARYO (anlatim):
    Orman fidanliklarinda iklim isinmasinin fidan buyumesine etkisinin hangi
    yoldan gerceklestigini merak ediyoruz. Ortalama sicakligin
    (X_mean_temperature_C) yillik boy artisini (Y_annual_height_growth_cm)
    dogrudan mi etkiledigini, yoksa bu etkinin tomurcuk patlama gun sayisi
    (M_bud_fracture_jd) uzerinden mi yuruyup yurumedigini cozumlemek istiyoruz.
    160 fidanda olculen bu degiskenlerde tomurcugun aracilik (mediation) rolunu
    test ediyoruz. Aracilik analizi, sicaklik etkisinin fenolojik bir asama
    uzerinden dolayli olarak iletilip iletilmedigini ayristirmak icin uygundur.
  >> DEGISKEN SECIMI:
    - Bagimsiz (X): X_mean_temperature_C
    - Araci (M): M_bud_fracture_jd
    - Bagimli (Y): Y_annual_height_growth_cm

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dolayli etki (Indirect) = 0.41   p < .001   %95 GA (0.24 , 0.61)   Anlamli
    Yol: sicaklik -> tomurcuk patlama gunu -> yillik boy buyumesi

>> YORUM (anlatim):
    Sicakligin boy buyumesine etkisinin tomurcuk patlama zamani uzerinden gecip gecmedigini aracilik analiziyle test
    ettik. Dolayli etki anlamli (0.41, p < .001, GA sifiri icermiyor): sicaklik tomurcuk patlama gununu one ceker,
    erken patlama daha uzun buyume sezonu saglar, bu da yillik boy buyumesini artirir. Yani sicaklik boyu dogrudan
    degil, fenoloji (tomurcuk patlama) "araciligiyla" etkiliyor. Bu, iklim-fenoloji-buyume kaskadinin -- iklim
    degisikliginin agac buyumesine etki mekanizmasinin -- nicel kanitidir. Aracilik analizi, "X neden Y'yi etkiler"
    sorusundaki ara mekanizmayi acar.

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

#52  Path Analysis
    file: 052_path_analysis_env_BV_survival_height.xlsx
  >> SENARYO (anlatim):
    Tohum kaynaklarinin yetistigi cevre kosullarinin fidanlarin hayatta kalmasi
    ve boyu uzerindeki dogrudan ve dolayli etkilerini bir butun olarak gormek
    istiyoruz. Yukselti (elevation_m) ve yagis (precipitation_mm) gibi cevresel
    degiskenlerin, BLUP ile tahmin edilen damizlik degeri (BV_BLUP) araciligiyla
    hayatta kalma oranina (survival_survival_ratio) ve 5 yillik boya
    (height_cm_5yr) nasil bir nedensel agla baglandigini cozumluyoruz. 200 birey
    uzerinde kurulan bu cok degiskenli iliskiler agi, yol analizi (path
    analysis) ile dogrudan ve dolayli katsayilarin ayni anda kestirilmesi icin
    uygundur.
  >> DEGISKEN SECIMI:
    - Dissal degisken: elevation_m
    - Dissal degisken: precipitation_mm
    - Aract/icsel degisken: BV_BLUP
    - Icsel sonuc: survival_survival_ratio
    - Icsel sonuc: height_cm_5yr

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CFI = 0.721   RMSEA = 0.388   (uyum zayif -- model gozden gecirilmeli)
    Model: yukselti/yagis/BV -> boy -> sagkalim orani

>> YORUM (anlatim):
    Yol analizi, birden cok neden-sonuc iliskisini ayni anda modelleyen genisletilmis regresyondur. Burada cevresel
    degiskenler ve islah degerinin (BV) boyu etkiledigini, boyun da sagkalimi belirledigini sinadik. CFI = 0.72 ve
    RMSEA = 0.39 -- uyum zayif, yani kurgulanan model veriyle tam ortusmuyor; bazi yollar eksik ya da iliskiler
    dogrusal degil olabilir. Bu da bilgi verir: kuramsal nedensel modelin gozden gecirilmesi gerektigini soyler. Yol
    analizi, dolayli ve dogrudan etkileri ayirmanin ve cevre-genetik-fenotip nedensel aglarini test etmenin guclu
    yoludur; iyi uyum kadar kotu uyum da modeli iyilestirmek icin yol gosterir.

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

#53  Linear Mixed Model (LMM)
    file: 053_lmm_mixed_provenance_random_site_fixed.xlsx
  >> SENARYO (anlatim):
    Farkli orijinlerden gelen fidanlarin deneme sitelerindeki 5 yillik boy
    performansini karsilastirmak istiyoruz. Burada orijin (provenance_random)
    populasyon havuzundan rastgele cekilmis kabul edildigi icin rastgele etki,
    deneme sitesi (site_fixed) ise sabit etki olarak modele giriyor; boy
    (height_cm_5yr) ise yanit degiskenimiz. 192 fidanda hem site farkliliklarini
    hem de orijinler arasi varyansi ayni modelde ele almak icin dogal secim
    dogrusal karma modeldir (LMM); bu sayede ic-grup baglantililik ve hiyerarsik
    yapi dogru sekilde hesaba katilir.
  >> DEGISKEN SECIMI:
    - Rastgele etki: provenance_random
    - Sabit etki: site_fixed
    - Bagimli: height_cm_5yr

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Grup varyansi (orijin random) = 0.0000   ICC = 0.0000
    Boy ~ alan (sabit etki)  +  (1 | orijin random)

>> YORUM (anlatim):
    Bes yillik boyu, alani (site) sabit etki, orijini (provenance) rastgele etki alarak karma modelle analiz ettik.
    Carpici sonuc: orijin rastgele varyansi sifir (ICC = 0) -- bu modelde orijinler arasi varyans neredeyse yok,
    boydaki degiskenlik orijinler-ici ve alan etkisinden geliyor. Bu da bilgilendiricidir: bu veri/model kombinasyonunda
    orijin, alan sabit tutulunca ek bir varyans katmiyor olabilir (ya da orijin etkisi alan etkisiyle ortusuyor). LMM,
    sabit ve rastgele etkileri ayiran dogru cercevedir; sifir varyans bilesi de gercek bir sonuctur ve rastgele
    etkinin gereksiz olabilecegine isaret eder. Orman denemelerinde orijin/aile rastgele etkilerini modellemenin standardidir.

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

#54  Multiple Imputation
    file: 054_multiple_imputation_SNP_call_missing_MAR.xlsx
  >> SENARYO (anlatim):
    Genotipleme sirasinda bazi SNP cagrilarinin eksik kaldigi bir veri setiyle
    calisiyoruz ve eksikligin rastgele (MAR) oldugunu varsayiyoruz. Uc SNP dozaj
    degiskeni (SNP_1_dosage, SNP_2_dosage, SNP_3_dosage) ile cap (dbh_cm)
    arasindaki iliskiyi analiz etmeden once, eksik degerleri yanli atmamak icin
    coklu atama (multiple imputation) uyguluyoruz. 140 bireyde, eksikligi tek
    bir degerle doldurmak yerine belirsizligi de yansitan coklu atama yontemi en
    uygun yaklasimdir.
  >> DEGISKEN SECIMI:
    - Atanacak degisken: SNP_1_dosage
    - Atanacak degisken: SNP_2_dosage
    - Atanacak degisken: SNP_3_dosage
    - Yardimci/sonuc degiskeni: dbh_cm

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    m (imputation sayisi) = 5
    Eksik SNP cagrilari (call, MAR) dbh ve diger SNP dozajlarindan tahmin edildi

>> YORUM (anlatim):
    Genotipleme verisinde eksik SNP cagrilari (missing genotype call) kacinilmazdir (dusuk kalite, teknik hata);
    eksikleri silmek hem bireyleri/markerleri kaybettirir hem yanli sonuc verir. Coklu atama, eksik SNP dozajlarini
    diger SNP'lerden ve fenotipten tahmin ederek 5 ayri tamamlanmis veri seti olusturur, her birinde analizi yapar ve
    sonuclari birlestirir -- boylece tahmin belirsizligini de hesaba katar. MAR (rastgele eksik) varsayimi altinda bu,
    modern eksik-veri standardidir. Genomik calismalarda eksik genotip imputasyonu (ozellikle referans panel temelli)
    rutin bir on-isleme adimidir; bu yontem onun istatistiksel temelini gosterir.

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

#55  GEE
    file: 055_gee_repeated_fidanlar_irrigation_annual.xlsx
  >> SENARYO (anlatim):
    Fidanlikta ayni fidanlarin yillar boyunca tekrarli olculdugu bir sulama
    denemesini degerlendiriyoruz. Sulanan ve kontrol gruplari (treatment)
    arasinda boyun (height_cm) zaman icinde (year) nasil farklilastigini, ayni
    fidandan alinan tekrarli olcumlerin birbirine bagimli oldugunu gozeterek
    incelemek istiyoruz. 250 gozlemde, birey ici korelasyonu populasyon
    duzeyinde dogru modelleyen genellestirilmis tahmin denklemleri (GEE) bu
    tekrarli olcum yapisi icin uygundur.
  >> DEGISKEN SECIMI:
    - Grup/Tekrar birimi: seedling_id
    - Zaman: year
    - Grup faktoru: treatment
    - Bagimli: height_cm

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    year katsayisi = 18.23   p < .001 ***   QIC = 254.49
    Boy ~ yil  (tekrarli olcum, fidan icinde kumelenmis)

>> YORUM (anlatim):
    Ayni fidanlardan tekrarli (yillik) boy olcumleri aldik -- ayni fidanin olcumleri birbirine bagimli. GEE, bu
    kumelenmis veride "populasyon ortalamasi" duzeyinde iliskiyi, korelasyon yapisini hesaba katarak tahmin eder. Yil
    katsayisi cok anlamli ve buyuk (18.23, p < .001): fidanlar her yil ortalama ~18 cm uzuyor -- guclu, beklenen bir
    buyume trendi. GEE, LMM'e alternatiftir: rastgele etkileri modellemek yerine gozlemler arasi korelasyonu duzeltir
    ve marjinal (ortalama) etkiyi verir. Boylamsal buyume/sulama denemelerinde tekrarli olcumleri analiz etmenin
    yaygin ve guclu bir yontemidir.

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

#56  GLMM
    file: 056_glmm_poisson_branch_count_provenance_site.xlsx
  >> SENARYO (anlatim):
    Farkli orijinlerden gelen agaclarin yan dal sayisinin orijin ve site
    etkilerine gore degisip degismedigini arastiriyoruz. Yan dal sayisi
    (side_branch_count) sayim verisi oldugu icin Poisson dagilimi varsayiyor;
    orijin (provenance) ve site sabit etkilerinin yani sira ayni site icindeki
    agaclarin (tree_id) bagimliligini da modele katiyoruz. 120 agacta, sayim
    yaniti ile hem sabit hem rastgele etkileri birlikte ele almak icin Poisson
    tabanli genellestirilmis dogrusal karma model (GLMM) uygundur.
  >> DEGISKEN SECIMI:
    - Sabit etki: provenance
    - Rastgele/gruplama etki: site
    - Sayim bagimli: side_branch_count

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    site[S3] katsayisi = -0.371, p < .001 ***
    Poisson GLMM: yan dal sayisi ~ alan  +  (1 | orijin)

>> YORUM (anlatim):
    Yan dal sayilarini (Poisson) hem alan sabit etkisi hem de orijin rastgele etkisiyle modelledik -- yani GLMM: karma
    model + sayim dagilimi. Bir alanin (S3) etkisi anlamli ve negatif (katsayi -0.37, p < .001): bu alanda fidanlar
    daha az yan dal uretiyor (cevre kosulu dal gelisimini etkiliyor -- az dal genelde daha duzgun govde demek, odun
    kalitesi icin olumlu). GLMM, "tekrarli/yuvalanmis sayim verisi" durumunda (LMM normal varsayar, GLM orijin
    kumelenmesini gormez) ikisinin gucunu birlestirir. Orijinlere yuvalanmis dal/kozalak sayimi gibi orman genetigi
    verisinin dogru analiz cercevesidir.

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

#57  Elastic Net
    file: 057_elastic_net_SNP_2grup_correlated_wsg.xlsx
  >> SENARYO (anlatim):
    Cok sayida ve birbiriyle korelasyonlu SNP degiskeni arasindan, odun ozgul
    agirligini (wsg_gcm3) en iyi aciklayanlari secmek istiyoruz. Iki
    korelasyonlu SNP grubu (SNP_group1_1...SNP_group2_4) ve sinyal tasimayan
    gurultu SNP'leri (SNP_noise_1...SNP_noise_6) ayni modelde bulundugundan, hem
    degisken secimi yapan hem de korelasyonlu degiskenleri birlikte koruyabilen
    bir yontem gerekir. 160 agacta, L1 ve L2 cezalarini birlestiren elastik ag
    (elastic net) bu yuksek boyutlu, multikolineer yapi icin uygundur.
  >> DEGISKEN SECIMI:
    - Yordayici: SNP_group1_1
    - Yordayici: SNP_group1_2
    - Yordayici: SNP_group1_3
    - Yordayici: SNP_group1_4
    - Yordayici: SNP_group2_1
    - Yordayici: SNP_group2_2
    - Yordayici: SNP_group2_3
    - Yordayici: SNP_group2_4
    - Yordayici: SNP_noise_1
    - Yordayici: SNP_noise_2
    - Yordayici: SNP_noise_3
    - Yordayici: SNP_noise_4
    - Yordayici: SNP_noise_5
    - Yordayici: SNP_noise_6
    - Bagimli: wsg_gcm3

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    alpha = 0.001   R2 (egitim) = 0.902
    Odun yogunlugu ~ 2 korelasyonlu SNP grubu + gurultu

>> YORUM (anlatim):
    Elastic Net, Ridge ile Lasso'nun melezidir: hem katsayilari kuculturur (Ridge gibi) hem onemsizleri sifirlar
    (Lasso gibi). Burada birbiriyle korelasyonlu iki SNP grubu + gurultu vardi; Lasso boyle durumda gruptan rastgele
    tek SNP secip digerlerini atar, Elastic Net ise korelasyonlu grubu birlikte tutma egilimindedir. Model R2 = 0.90
    ile guclu. Genomik secimde, baglanti dengesizligi (LD) nedeniyle SNP'ler bloklar halinde korelasyonludur; Elastic
    Net hem secim hem kararlilik saglayarak bu LD bloklarini birlikte degerlendirir. Korelasyonlu marker gruplari
    oldugunda dengeli bir tercihtir.

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

#58  Robust Regression
    file: 058_robust_outlier_tree_measurement_height_age.xlsx
  >> SENARYO (anlatim):
    Agac olcumlerinde yas ile boy arasindaki iliskiyi kestirmek istiyoruz, ancak
    veride hatali olcumlerden kaynaklanan birkac asiri uc deger bulunuyor. Yas
    (age_year) ile boy (height_m) arasindaki dogrusal egilimi, bu aykiri
    olcumlerin egim kestirimini bozmasini engelleyecek sekilde modellemek
    amacindayiz. 110 agacta, aykiri degerlere karsi dayanikli (robust)
    regresyon, sira disi olcumlerin etkisini sinirlandirdigi icin uygundur.
  >> DEGISKEN SECIMI:
    - Yordayici: age_year
    - Bagimli: height_m

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Robust kesim = -0.033   vs   OLS kesim = 0.042   (aykiri olcumler OLS'i etkilemis)
    Boy ~ yas

>> YORUM (anlatim):
    Bu veride birkac aykiri agac olcumu (outlier) vardi -- ornegin olcum hatasi ya da olaganustu (ezilmis/cift govdeli)
    agaclar. Klasik regresyon (OLS) aykirilari tum gucle dikkate alir ve cizgiyi onlara dogru ceker; robust ve OLS
    kesim degerleri farklilasiyor (-0.033 vs 0.042), aykirilarin etkisini gosteriyor. Robust regresyon (Huber-T),
    aykiri gozlemlere daha az agirlik vererek gercek boy-yas iliskisini korur. Saha olcumlerinde aykiri degerlerin
    kacinilmaz oldugu orman envanterinde, robust regresyon OLS'ten daha guvenilir egim tahmini verir.

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

#59  Quantile Regression
    file: 059_quantile_heteroskedastik_height_age_provenance.xlsx
  >> SENARYO (anlatim):
    Yas ilerledikce agac boyundaki degiskenligin (heteroskedastisite) arttigi
    bir veride, sadece ortalama boyu degil dagilimin farkli dilimlerini de
    incelemek istiyoruz. Yasin (age_year) ve orijinin (provenance) boy
    (height_m) uzerindeki etkisinin, kisa ve uzun boylu agaclarda (alt ve ust
    kantillerde) nasil degistigini gormek amacindayiz. 220 agacta, varyansin
    sabit olmadigi ve farkli kantillerin ayri ayri onemli oldugu bu durumda
    kantil regresyonu uygundur.
  >> DEGISKEN SECIMI:
    - Yordayici: age_year
    - Yordayici (kategorik): provenance
    - Bagimli: height_m

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    q = 0.10 egim = 0.750   |   q = 0.50 (medyan)   |   q = 0.90  (degisken sacilim)
    Boy ~ yas (heteroskedastik)

>> YORUM (anlatim):
    Klasik regresyon sadece ortalamayi modeller; ama yasin boya etkisinde sacilim, yas arttikca buyuyor
    (heteroskedastiklik) -- genc agaclar benzer boyda, yasli agaclar cok degisken (bazi orijinler cok uzun). Kantil
    regresyon, dagilimi alt (q=0.10, en kisa agaclar), orta (q=0.50) ve ust (q=0.90, en uzun agaclar) kantillerde
    ayri ayri modeller. Ust kantilde egimin farkli olmasi, "en hizli buyuyen agaclarin yasla iliskisinin farkli"
    oldugunu gosterir. Orman genetiginde ortalama degil ucler (en ustun/en zayif bireyler) onemli oldugunda --
    arti-agac (plus tree) secimi gibi -- kantil regresyon ortalama-tabanli modellerin goremedigini gosterir.

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

#60  ROC Curve Analysis
    file: 060_roc_drought_tolerance_siniflandirici.xlsx
  >> SENARYO (anlatim):
    Kuraklik fizyolojisi olcumlerinden hangisinin fidanlari kurakliga toleransli
    olarak ne kadar iyi siniflandirdigini degerlendirmek istiyoruz. Prolin skoru
    (proline_score), klorofil tutma (chlorophyll_retention) ve lipid
    peroksidasyon belirteci (MDA_lipid_perox) gibi belirteclerin, kurakliga
    toleransli olma durumunu (drought_tolerant_1_0) ayirt etme gucunu olcuyoruz.
    230 fidanda, esik degerlerine gore duyarlilik-ozgulluk dengesini gosteren
    ROC egrisi analizi, bu siniflandirici belirteclerin tani performansini
    degerlendirmek icin uygundur.
  >> DEGISKEN SECIMI:
    - Test/Belirtec: proline_score
    - Test/Belirtec: chlorophyll_retention
    - Test/Belirtec: MDA_lipid_perox
    - Durum (sinif): drought_tolerant_1_0

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AUC = 0.772 (kabul edilebilir ayirici guc)   n = 230 (pozitif 65, negatif 165)
    Kuraklik toleransi siniflandirici (prolin, klorofil, MDA)

>> YORUM (anlatim):
    Bir fidanin kuraklik-toleransli olup olmadigini fizyolojik biyobelirteclerden (prolin, klorofil retansiyonu, MDA
    lipid peroksidasyonu) tahmin eden bir siniflandiricinin ayirma gucunu ROC egrisiyle olctuk. AUC = 0.77 "kabul
    edilebilir" duzeyde: biyobelirtecler toleransli ve hassas fidanlari makul olcude ayiriyor (mukemmel degil --
    kuraklik toleransi cok-faktorlu, tek biyobelirtec yetmez). Veride pozitifler az (65/230) oldugu icin AUC,
    dogruluktan daha bilgilendiricidir. ROC/AUC, kuraklik dirençli genotip secimi ve iklim degisikligine dayanikli
    fidan uretimi icin biyobelirtec tabanli tarama modellerinin kalitesini degerlendirmede idealdir.

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

#61  True Skill Statistic (TSS)
    file: 061_tss_Salix_caprea_distribution_model.xlsx
  >> SENARYO (anlatim):
    Salix caprea (kecisogudu) turunun yayilis modelini olusturmak istiyoruz. Her
    lokasyon icin yukseklik (elevation_m), yagis (precipitation_mm) ve sicaklik
    (temperature_C) cevresel degiskenlerini topladik ve turun o noktada bulunup
    bulunmadigini (Salix_caprea_present) kaydettik. Amacimiz modelin
    tahminlerini gercek varlik-yokluk verisiyle karsilastirip True Skill
    Statistic (TSS) ile model performansini olcmek. TSS, varlik-yokluk tahmin
    modellerinde duyarlilik ve ozgullugu birlikte degerlendirdigi icin tur
    dagilim modelleri icin uygun bir metriktir.
  >> DEGISKEN SECIMI:
    - Yukseklik: elevation_m
    - Yagis: precipitation_mm
    - Sicaklik: temperature_C
    - Gercek varlik/yokluk: Salix_caprea_present

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    TSS = 0.426 (iyi)   Duyarlilik 0.60   Ozgulluk 0.83   n = 200
    Salix caprea tur dagilim modeli (SDM)

>> YORUM (anlatim):
    TSS (True Skill Statistic), tur dagilim modellerinde (SDM) yaygin bir basari olcusudur: duyarlilik + ozgulluk - 1.
    Salix caprea'nin (keci sogudu) varligini cevresel degiskenlerden (yukselti, yagis, sicaklik) tahmin eden model
    TSS = 0.43 ile "iyi" -- ozgulluk yuksek (0.83, turun olmadigi yerleri iyi ayiriyor), duyarlilik orta (0.60).
    TSS'nin avantaji, prevalansa (turun ne kadar yaygin oldugune) duyarli olmamasidir; bu yuzden ekolojide AUC'ye
    alternatif olarak tercih edilir. Iklim degisikligi altinda tur yayilis alaninin nasil degisecegini ongormek ve
    koruma onceligini belirlemek icin SDM ve TSS orman ekolojisinde vazgecilmezdir.

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

#62  Confusion Matrix Metrics
    file: 062_complexity_matrix_drought_2sinif.xlsx
  >> SENARYO (anlatim):
    Kuraklik stresi altindaki fidanlarda iki sinifli bir siniflandirma modelinin
    basarisini degerlendiriyoruz. Modelimiz prolin (proline_score) ve klorofil
    (chlorophyll) gibi biyokimyasal olcumlerden bir tahmin skoru
    (prediction_score) ve tahmin etiketi (prediction_label_0_1) uretti. Bu
    tahminleri gercek etiketlerle (actual_label_0_1) karsilastirarak karmasiklik
    matrisi metriklerini hesaplamak istiyoruz. Confusion Matrix Metrics analizi,
    dogru/yanlis pozitif ve negatifleri sayarak dogruluk, duyarlilik ve ozgulluk
    gibi olculeri verdigi icin bu siniflandirma degerlendirmesi icin uygundur.
  >> DEGISKEN SECIMI:
    - Tahmin skoru: prediction_score
    - Tahmin etiketi: prediction_label_0_1
    - Gercek etiket: actual_label_0_1

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dogruluk (Accuracy) = 0.70   F1 = 0.511
    Kuraklik 2 sinif tahmini -- gercek vs tahmin etiketi

>> YORUM (anlatim):
    Bir kuraklik-toleransi siniflandiricisinin tahminlerini karmasiklik matrisiyle parçaladik. Dogruluk %70 makul
    gorunse de F1 = 0.51 daha dusuk -- bu, kesinlik/duyarlilik dengesinin orta oldugunu, modelin bir sinifi (muhtemelen
    az olan toleransli sinifi) zorlandigini gosterir. Karmasiklik matrisi, "dogruluk" rakaminin gizledigi gercegi --
    hangi sinifin nerede yanlis siniflandigini -- gosterir. F1 skoru ozellikle dengesiz siniflarda dogruluktan daha
    bilgilendiricidir. Orman genetiginde fizyolojik tabanli tolerans/direnc siniflandirma modellerinin gercek
    performansini degerlendirmenin vazgecilmez aracidir.

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

#63  Random Forest
    file: 063_random_forest_clone_identity_prediction.xlsx
  >> SENARYO (anlatim):
    Farkli kavak klonlarinin (clone) kimligini buyume ve odun ozelliklerinden
    tahmin etmek istiyoruz. Her birey icin boy (height_cm), odun ozgul agirligi
    (wsg_gcm3), dal sayisi (branch_count), cap (dbh_cm) ve yas (age_year)
    olculerini kaydettik. Amacimiz bu ozelliklerden hareketle bireyin hangi
    klona ait oldugunu siniflandirmak. Random Forest, cok sayida ozelligi
    kullanarak dogrusal olmayan iliskileri yakaladigi ve siniflandirma
    probleminde guclu performans gosterdigi icin bu klon kimlik tahmininde
    uygundur.
  >> DEGISKEN SECIMI:
    - Hedef sinif (klon): clone
    - Boy: height_cm
    - Odun ozgul agirligi: wsg_gcm3
    - Dal sayisi: branch_count
    - Cap: dbh_cm
    - Yas: age_year

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dogruluk (Accuracy) = 0.483   (klon kimligi tahmini -- cok sinifli)
    5 fenotipik degiskenden tahmin

>> YORUM (anlatim):
    Agacin hangi klona ait oldugunu bes fenotipik degiskenden (boy, odun yogunlugu, dal sayisi, cap, yas) Random
    Forest ile tahmin etmeye calistik -- ama dogruluk yalnizca %48. Bu ogretici: klon kimligi cok sinifli (cok sayida
    klon) ve klonlar fenotipik olarak buyuk olcude ortusuyor -- yani sadece morfolojiyle klonlari ayirmak zor. Bu,
    klon tanimlamada neden molekuler markerlere (DNA parmak izi) ihtiyac duyuldugunu gosterir; fenotip tek basina
    yetmiyor. Random Forest'in dogrulugunun dusuk olmasi, problemin zorlugunu (yuksek fenotipik plastisite, klonlar
    arasi benzerlik) ortaya koyar -- bu da degerli bir bulgudur.

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

#64  SVM
    file: 064_svm_drought_tolerance_4ozellik.xlsx
  >> SENARYO (anlatim):
    Fidanlarin kuraklik toleransini fizyolojik olculerden tahmin etmek
    istiyoruz. Her fidan icin prolin (proline), klorofil (chlorophyll), lipid
    peroksidasyonu olarak MDA (MDA_perox) ve yaprak su potansiyeli
    (K_leaf_water) olcumlerini aldik ve fidanlari hassas veya toleransli
    (label_tolerance) olarak etiketledik. Amacimiz bu dort ozellikten kuraklik
    tolerans sinifini ayirt etmek. SVM, sinirli ornek sayisinda siniflar arasi
    optimal ayirma sinirini bulmada etkili oldugu icin bu iki sinifli tolerans
    siniflandirmasi icin uygundur.
  >> DEGISKEN SECIMI:
    - Hedef sinif (tolerans): label_tolerance
    - Prolin: proline
    - Klorofil: chlorophyll
    - MDA peroksidasyon: MDA_perox
    - Yaprak su potansiyeli: K_leaf_water

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dogruluk (Accuracy) = 0.818   (kuraklik toleransi var/yok)
    4 fizyolojik ozellikten tahmin (prolin, klorofil, MDA, yaprak su)

>> YORUM (anlatim):
    Kuraklik-toleransli ve hassas fidanlari ayiran en iyi siniri SVM ile bulduk. SVM, iki sinif arasinda mumkun olan
    en genis "marjli" ayirma yuzeyini arar ve kernel hilesiyle dogrusal olmayan sinirlari da modelleyebilir. Dogruluk
    %81.8 ile yuksek -- dort fizyolojik ozellik (prolin, klorofil, MDA, yaprak su potansiyeli) tolerans durumunu iyi
    ayiriyor. ROC (#60) ayni problemi olasilik/esik acisindan ele alirken, SVM dogrudan en iyi sinifi sinirini bulur.
    SVM, ozellikle az-orta orneklemli, yuksek boyutlu siniflandirmada gucludur ve marj maksimizasyonu sayesinde
    dayaniklidir. Kuraklik dirençli genotip taramasinda degerli bir aractir.

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

#65  Gradient Boosting
    file: 065_gradient_boosting_height_nonlinear_BVxEnv.xlsx
  >> SENARYO (anlatim):
    Kavak klonlarinin 5 yillik boy buyumesini (height_cm_5yr) cevresel ve
    genetik faktorlerle tahmin etmek istiyoruz. Her birey icin klon (clone),
    yukseklik (elevation_m), yagis (precipitation_mm), sicaklik (temperature_C)
    ve ebeveyn islah degeri (parent_BV) verilerini topladik. Amacimiz islah
    degeri ile cevre arasindaki dogrusal olmayan etkilesimleri yakalayarak boyu
    ongormek. Gradient Boosting, karmasik dogrusal olmayan iliskileri ve
    genotip-cevre etkilesimini ardisik agaclarla modelledigi icin bu buyume
    tahmininde uygundur.
  >> DEGISKEN SECIMI:
    - Hedef (5 yillik boy): height_cm_5yr
    - Klon: clone
    - Yukseklik: elevation_m
    - Yagis: precipitation_mm
    - Sicaklik: temperature_C
    - Ebeveyn islah degeri: parent_BV

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dogruluk (Accuracy) = 0.286   (boy 3-kademe sinifi: dusuk/orta/yuksek)
    Cevre + ebeveyn BV'den boy sinifi tahmini

>> YORUM (anlatim):
    Bes yillik boyu uc kademeye (dusuk/orta/yuksek) ayirip cevresel degiskenler ve ebeveyn islah degerinden (BV)
    Gradient Boosting ile tahmin ettik. Dogruluk yalnizca %28.6 -- uc sinifli problemde sans duzeyi (%33) civari, yani
    model boy kademesini zayif yorduyor. Bu ogretici bir sonuc: boy, cevre ve ebeveyn BV'nin BASIT toplamiyla
    aciklanamiyor; guclu Genotip×Cevre etkilesimi (#7, #17, #109'da gordugumuz) ve ölcüm gurultusu, kademe tahminini
    zorlastiriyor. Boosting agaclari ardisik ekleyip hatayi kovalayan guclu bir yontem olsa da, sinyal zayifsa
    yuksek dogruluk veremez -- bu da G×E'nin karmasikligini ve boyun cok-faktorlu dogasini ortaya koyar.

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

#66  K-Means Clustering
    file: 066_kmeans_population_yapilanmasi_3grup_allele.xlsx
  >> SENARYO (anlatim):
    Allel frekanslarina dayanarak populasyon yapilanmasini ortaya cikarmak
    istiyoruz. Her birey icin bes farkli allelin frekansini (freq_allele_A,
    freq_allele_B, freq_allele_C, freq_allele_D, freq_allele_E) olctuk ve gercek
    populasyon kimligini (actual_population) referans olarak tuttuk. Amacimiz
    onceden etiket kullanmadan bireyleri genetik benzerliklerine gore uc gruba
    ayirip bulunan kumeleri gercek populasyonlarla karsilastirmak. K-Means,
    denetimsiz olarak benzer allel profillerini onceden belirlenen sayida kumeye
    ayirdigi icin populasyon yapilanmasi kesfi icin uygundur.
  >> DEGISKEN SECIMI:
    - Allel A frekansi: freq_allele_A
    - Allel B frekansi: freq_allele_B
    - Allel C frekansi: freq_allele_C
    - Allel D frekansi: freq_allele_D
    - Allel E frekansi: freq_allele_E
    - Dogrulama etiketi (populasyon): actual_population

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kume sayisi = 3   Silhouette = 0.354 (orta kume yapisi)
    5 allel frekansindan populasyon yapilanmasi

>> YORUM (anlatim):
    Bireyleri allel frekanslarina gore uc gruba K-Means ile ayirdik -- bu, populasyon genetiginde "populasyon
    yapilanmasi" (population structure) tespitinin bir yoludur (STRUCTURE/ADMIXTURE mantigina benzer). Silhouette =
    0.35 orta duzeyde -- uc genetik grup ayrisiyor ama keskin sinirli degil, ki dogal populasyonlarda beklenir (gen
    akisi gruplari bulanik kilar). Uc kume, ornekleminde uc genetik soy/atayapi oldugunu gosterir. K-Means, etiketsiz
    genetik veride dogal gruplari bulur; populasyon yapisini, melezlesme bolgelerini ve koruma birimlerini (MU/ESU)
    belirlemede pratiktir. Orta silhouette, gruplar arasi gen akisina isaret edebilir.

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

#67  Hierarchical Clustering
    file: 067_hierarchical_Quercus_filogenetik_UPGMA.xlsx
  >> SENARYO (anlatim):
    Quercus (mese) bireyleri arasindaki filogenetik iliskileri kloroplast DNA
    dizilerinden cikarmak istiyoruz. Her birey icin sekiz kloroplast DNA
    pozisyonundaki nukleotidleri (cpDNA_pos_1 ile cpDNA_pos_8 arasi) ve yaprak
    uzunlugu (leaf_length_mm), yaprak genisligi (leaf_width_mm), petiol uzunlugu
    (petiol_length_mm), lob sayisi (lob_count), yaprak indeksi (leaf_index),
    gland yogunlugu (gland_density_mm2) gibi morfolojik olculeri topladik.
    Amacimiz bireyleri benzerliklerine gore basamakli bir dendrogramda
    gruplamak. Hierarchical Clustering (UPGMA), bireyler arasi uzaklik
    matrisinden agac yapisi kurarak filogenetik iliskileri gosterdigi icin
    uygundur.
  >> DEGISKEN SECIMI:
    - Tip: type
    - cpDNA pozisyon 1: cpDNA_pos_1_A_C_G_T
    - cpDNA pozisyon 2: cpDNA_pos_2_A_C_G_T
    - cpDNA pozisyon 3: cpDNA_pos_3_A_C_G_T
    - cpDNA pozisyon 4: cpDNA_pos_4_A_C_G_T
    - cpDNA pozisyon 5: cpDNA_pos_5_A_C_G_T
    - cpDNA pozisyon 6: cpDNA_pos_6_A_C_G_T
    - cpDNA pozisyon 7: cpDNA_pos_7_A_C_G_T
    - cpDNA pozisyon 8: cpDNA_pos_8_A_C_G_T
    - Yaprak uzunlugu: leaf_length_mm
    - Yaprak genisligi: leaf_width_mm
    - Petiol uzunlugu: petiol_length_mm
    - Lob sayisi: lob_count
    - Yaprak indeksi: leaf_index
    - Gland yogunlugu: gland_density_mm2

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kume sayisi = 6   Silhouette = 0.164 (zayif/orustusen yapi)
    Quercus cpDNA + morfoloji (UPGMA filogeni)

>> YORUM (anlatim):
    Quercus (mese) turlerini cpDNA dizileri ve morfolojik ozelliklerine gore hiyerarsik kumeleme (UPGMA) ile
    gruplandirdik -- sonuc bir dendrogram (filogenetik agac) verir. Alti kumeye boldugumuzde silhouette yalnizca 0.16:
    kumeler birbirine giriyor, keskin ayrim yok. Bu mese cinsinde cok tipiktir -- meseler yaygin melezlesme ve eksik
    soy ayirimi (incomplete lineage sorting) nedeniyle bulanik filogeniye sahiptir; turler genetik olarak tam ayrismaz.
    Dusuk silhouette, bu biyolojik gercegin yansimasidir (zayif gruplama = guclu melezlesme/gen akisi). Hiyerarsik
    kumeleme, filogenetik iliskileri ve turler arasi gecisliligi gormenin temel aracidir.

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

#68  DBSCAN Clustering
    file: 068_dbscan_population_cluster_koord_allele.xlsx
  >> SENARYO (anlatim):
    Populasyonlarin cografi konumu ve genetik yapisi arasindaki kumelenmeyi
    kesfetmek istiyoruz. Her populasyon icin enlem (lat), boylam (lon) ve A
    alleli frekansini (freq_allele_A) kaydettik. Amacimiz onceden kume sayisi
    belirtmeden yogun bolgeleri dogal kumeler olarak bulmak ve seyrek noktalari
    aykiri/gurultu olarak ayirmak. DBSCAN, yogunluk temelli calistigi icin keyfi
    sekilli kumeleri tespit edip izole noktalari gurultu olarak isaretledigi
    icin bu konum-allel kumeleme problemine uygundur.
  >> DEGISKEN SECIMI:
    - Enlem: lat
    - Boylam: lon
    - A alleli frekansi: freq_allele_A

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kume sayisi = 3   Silhouette = 0.864   (populasyon konumlari)
    Populasyonlar cografi yogunluga gore kumelendi

>> YORUM (anlatim):
    Populasyonlarin cografi konumlarini yogunluga gore DBSCAN ile kumeledik. K-Means'ten farki: kume sayisini onceden
    vermeyiz, ve yogun olmayan izole populasyonlari "gurultu" (aykiri) olarak isaretler. Uc yogun populasyon obegi
    bulundu (silhouette 0.86, cok guclu). Bu, populasyonlarin belirli cografi bolgelerde kumelendigini gosterir.
    Koruma genetiginde bu kritik: cografi olarak izole/seyrek populasyonlar (gurultu noktalari) genelde benzersiz
    genetik mirasa sahip ve oncelikli korunmalidir. DBSCAN, duzensiz sekilli kumeler ve izole noktalar iceren mekansal
    populasyon verisinde K-Means'ten daha uygundur.

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

#69  PCA
    file: 069_pca_PROC_PRINCOMP_10SSR_He.xlsx
  >> SENARYO (anlatim):
    On farkli SSR markorunden elde edilen beklenen heterozigotluk (He)
    degerleriyle populasyonlarin genetik cesitlilik yapisini ozetlemek
    istiyoruz. Her birey icin populasyon (population) bilgisi ve SSR_01_He'den
    SSR_10_He'ye kadar on markorun He degerleri mevcut. Amacimiz cok sayidaki
    markor degiskenini daha az sayida bilesene indirgeyerek populasyonlar arasi
    temel cesitlilik eksenlerini gorsellestirmek. PCA, yuksek boyutlu markor
    verisini iliskili degiskenleri bilesenlerde toplayarak indirgedigi icin
    genetik cesitlilik yapisini ozetlemede uygundur.
  >> DEGISKEN SECIMI:
    - Populasyon: population
    - SSR-01 He: SSR_01_He
    - SSR-02 He: SSR_02_He
    - SSR-03 He: SSR_03_He
    - SSR-04 He: SSR_04_He
    - SSR-05 He: SSR_05_He
    - SSR-06 He: SSR_06_He
    - SSR-07 He: SSR_07_He
    - SSR-08 He: SSR_08_He
    - SSR-09 He: SSR_09_He
    - SSR-10 He: SSR_10_He

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    PC1 = %50.0   PC2 = %41.6   (ilk iki bilesen toplam %91.6)
    10 SSR lokusu heterozigotlugu (He)

>> YORUM (anlatim):
    On SSR (mikrosatellit) lokusunun heterozigotlugunu PCA ile az sayida ozet eksene indirgedik. Ilk iki bilesen
    toplam varyansin %91.6'sini acikliyor (PC1 %50, PC2 %41.6) -- on lokusluk genetik cesitlilik bilgisini neredeyse
    iki eksende ozetleyebiliyoruz. PCA, populasyon genetiginde bireyleri/populasyonlari genetik benzerliklerine gore
    iki boyutlu bir uzayda gorsellestirmenin -- populasyon yapisini, melezlesmeyi, gen akisini gormenin -- en yaygin
    yontemidir (STRUCTURE'a hizli, varsayimsiz bir alternatif). Iki bilesenin bu kadar baskin olmasi, genetik
    cesitliligin guclu, az boyutlu bir yapida toplandigini gosterir.

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

#70  t-SNE
    file: 070_tsne_filogenetik_haplotype_16SNP.xlsx
  >> SENARYO (anlatim):
    On alti kloroplast DNA SNP markorune dayanarak haplotiplerin filogenetik
    kumelenmesini iki boyutta gorsellestirmek istiyoruz. Her birey icin
    populasyon grubu (population_group) ve cpDNA_SNP_01'den cpDNA_SNP_16'ya
    kadar on alti SNP degeri mevcut. Amacimiz yuksek boyutlu SNP profillerini
    iki boyuta indirgeyerek benzer haplotiplerin nasil kumelendigini gormek.
    t-SNE, yuksek boyutlu verideki yerel benzerlik yapisini koruyarak dusuk
    boyutta gosterdigi icin haplotip kumelerini gorsellestirmede uygundur.
  >> DEGISKEN SECIMI:
    - Populasyon grubu: population_group
    - cpDNA SNP-01: cpDNA_SNP_01
    - cpDNA SNP-02: cpDNA_SNP_02
    - cpDNA SNP-03: cpDNA_SNP_03
    - cpDNA SNP-04: cpDNA_SNP_04
    - cpDNA SNP-05: cpDNA_SNP_05
    - cpDNA SNP-06: cpDNA_SNP_06
    - cpDNA SNP-07: cpDNA_SNP_07
    - cpDNA SNP-08: cpDNA_SNP_08
    - cpDNA SNP-09: cpDNA_SNP_09
    - cpDNA SNP-10: cpDNA_SNP_10
    - cpDNA SNP-11: cpDNA_SNP_11
    - cpDNA SNP-12: cpDNA_SNP_12
    - cpDNA SNP-13: cpDNA_SNP_13
    - cpDNA SNP-14: cpDNA_SNP_14
    - cpDNA SNP-15: cpDNA_SNP_15
    - cpDNA SNP-16: cpDNA_SNP_16

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    KL Divergence (fit kalitesi) = 0.177 -> cok iyi
    16 cpDNA SNP haplotipi 2 boyuta indirgendi

>> YORUM (anlatim):
    t-SNE, yuksek boyutlu haplotip verisini (16 cpDNA SNP) iki boyutlu bir gorsele dusuren dogrusal olmayan bir
    yontemdir. PCA'dan farki: yerel komsuluklari korumaya odaklanir, yani benzer haplotipler haritada birbirine yakin
    dusurulur -- gizli filogenetik/soy yapisini gormek icin idealdir. KL divergence cok dusuk (0.18), indirgeme
    kalitesi cok iyi; haplotip gruplari haritada net kumeler olusturuyor. Onemli uyari: t-SNE ekseni ve kumeler arasi
    mesafe yorumlanmaz, sadece kumelenme deseni anlamlidir. Filocografya ve haplotip ag analizlerinde benzer soy
    gruplarini gorsel kesfetmek icin guclu bir aractir.

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

#71  MDS
    file: 071_mds_genetic_distance_population.xlsx
  >> SENARYO (anlatim):
    Otuz orman ağacı popülasyonunun genetik çeşitlilik profilini karşılaştırarak
    hangi popülasyonların birbirine genetik olarak yakın, hangilerinin uzak
    olduğunu görselleştirmek istiyoruz. Bunun için her popülasyonun beklenen
    heterozigotluk (He), gözlenen heterozigotluk (Ho), popülasyonlar arası
    farklılaşma (Fst), akrabalı yetişme katsayısı (Fis), allel zenginliği (AR)
    ve özel allel sayısı (PA) değerlerini kullanıyoruz. Çok boyutlu genetik
    benzerliği iki boyutlu bir haritaya indirgemek için MDS uygun bir tekniktir;
    çünkü popülasyonlar arası mesafeleri koruyarak çeşitlilik desenlerini gözle
    anlaşılır kılar. Böylece tohum kaynağı yönetiminde gruplanan popülasyonları
    belirleyebiliriz.
  >> DEGISKEN SECIMI:
    - Popülasyon: population
    - Beklenen heterozigotluk: He
    - Gözlenen heterozigotluk: Ho
    - Popülasyonlar arası farklılaşma: Fst
    - Akrabalı yetişme katsayısı: Fis
    - Allel zenginliği: AR
    - Özel allel sayısı: PA

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Stress (Kruskal-1) = 0.271 (cok zayif uyum)
    Populasyonlar arasi genetik uzaklik (He, Ho, Fst, Fis, AR, PA)

>> YORUM (anlatim):
    MDS, populasyonlar arasi genetik uzakligi (cesitlilik parametrelerinden -- He, Ho, Fst, Fis, allel zenginligi,
    ozel allel) iki boyutlu bir haritaya dokme yontemidir -- benzer genetik profilli populasyonlar yakin, farklilar
    uzak dusurulur. Stress = 0.27 ile uyum "cok zayif"; bu, populasyon genetik yapisinin iki boyuta tam sigmadigini,
    daha karmasik (cok boyutlu) oldugunu gosterir -- populasyon genetiginde sik gorulur. Yine de genel gradyan
    goruluyor. MDS, populasyon genetiginde genetik uzaklik (Nei, Fst) matrislerini gorsellestirmenin klasik
    yontemidir; stress degeri haritaya ne kadar guvenebilecegimizi durustce soyler.

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

#72  UMAP
    file: 072_umap_population_marginal_center_gradient.xlsx
  >> SENARYO (anlatim):
    Bir ağaç türünün yayılış alanı boyunca doğu marjinal, merkezi ve batı
    marjinal popülasyonlarının genetik yapısının nasıl farklılaştığını incelemek
    istiyoruz. Her bireyin üç farklı lokustaki allel frekansını (freq_locus_1,
    freq_locus_2, freq_locus_3) ve ortalama beklenen heterozigotluğunu (He_mean)
    kullanarak yüksek boyutlu genetik veriyi iki boyuta indirgiyoruz. UMAP bu
    amaç için uygundur; çünkü doğrusal olmayan yapıları koruyarak merkezden
    kenara doğru oluşan genetik gradyanı ve popülasyon tiplerinin kümelenmesini
    ortaya çıkarır. Böylece marjinal popülasyonların merkeze göre genetik olarak
    ayrışıp ayrışmadığını değerlendirebiliriz.
  >> DEGISKEN SECIMI:
    - Popülasyon tipi: population_type
    - Lokus 1 allel frekansı: freq_locus_1
    - Lokus 2 allel frekansı: freq_locus_2
    - Lokus 3 allel frekansı: freq_locus_3
    - Ortalama beklenen heterozigotluk: He_mean

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    UMAP boyut indirgeme (lokus frekanslari + He -> 2 boyut)
    n_neighbors ve min_dist ile yerel/global denge ayarlanir

>> YORUM (anlatim):
    UMAP, t-SNE'ye benzer modern bir boyut indirgeme yontemidir ama hem yerel hem global yapiyi daha iyi korur ve daha
    hizlidir. Lokus frekanslari ve heterozigotluktan olusan populasyon profillerini iki boyutlu bir haritaya
    dusurduk; benzer genetik profiller kumelenir, marjinal-merkez gradyani gorsellestirilebilir. n_neighbors yerel-
    global dengesini, min_dist kumelerin sikiligini ayarlar. UMAP, yuksek boyutlu genetik/genomik veride gizli
    populasyon yapisini ve gradyanlari kesfetmek icin giderek daha cok tercih ediliyor. Gorsellestirme amaclidir;
    kumelenme deseni yorumlanir, eksen degerleri degil.

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

#73  Cronbach's Alpha
    file: 073_cronbach_alpha_tree_form_quality_8madde.xlsx
  >> SENARYO (anlatim):
    Ağaç form kalitesini değerlendirmek için kullandığımız sekiz maddelik gözlem
    ölçeğinin iç tutarlılığını sınamak istiyoruz. Değerlendiriciler her ağaç
    için gövde düzgünlüğü (form_straight), dal açısının uygunluğu
    (branch_angle_suitable), gövde eğikliği (steep_trunk), tek tepe sürgünü
    (one_leader), silvikültürel yan dallanma (side_branch_silvik), yaş büyüklüğü
    (large_age), kabuk sağlığı (healthy_bark) ve yaprak yoğunluğu
    (leaflet_dense) maddelerini puanlamıştır. Bu maddelerin aynı yapıyı (form
    kalitesini) tutarlı biçimde ölçüp ölçmediğini belirlemek için Cronbach Alfa
    uygundur; çünkü bir ölçeğin maddeleri arasındaki güvenilirliği tek bir
    katsayıyla özetler.
  >> DEGISKEN SECIMI:
    - Gövde düzgünlüğü maddesi: form_straight
    - Dal açısı uygunluğu maddesi: branch_angle_suitable
    - Gövde eğikliği maddesi: steep_trunk
    - Tek tepe sürgünü maddesi: one_leader
    - Silvikültürel yan dal maddesi: side_branch_silvik
    - Yaş büyüklüğü maddesi: large_age
    - Kabuk sağlığı maddesi: healthy_bark
    - Yaprak yoğunluğu maddesi: leaflet_dense

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cronbach alpha = 0.945 (mukemmel ic tutarlilik)   8 madde
    Agac form kalitesi degerlendirme olcegi

>> YORUM (anlatim):
    Agac form kalitesini degerlendiren 8 maddelik bir olcegin (govde duzgunlugu, dal acisi, tek lider, saglikli kabuk
    vb.) ic tutarliligini Cronbach alfa ile sinadik. alpha = 0.95 mukemmel: sekiz madde ayni temel kavrami (agac form
    kalitesi) tutarli sekilde olcuyor, degerlendiriciler maddeler arasinda uyumlu puanliyor. Bir form-kalite skorlama
    olcegini kullanmadan once guvenirligini gostermek sarttir -- dusuk alpha, maddelerin ayni seyi olcmedigini ve
    toplam form-skorunun anlamsiz olabilecegini gosterir. 0.90 uzeri mukemmel sayilir. Artı-agac (plus tree) secimi
    ve form-kalite degerlendirmesinde skorlama olceginin guvenirligini kanitlamanin ilk adimidir.

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

#74  Likert Analysis
    file: 074_likert_breeding_oncelik_5li_10madde.xlsx
  >> SENARYO (anlatim):
    Islah çalışmalarında önceliklerin nasıl algılandığını ölçmek için ikiyüz
    katılımcıya beşli Likert tipi on maddelik bir anket uyguladık.
    Katılımcıların ıslah önceliği maddelerine (item_breeding_1 ile
    item_breeding_10) verdikleri yanıtların dağılımını, katılım ve kararsızlık
    desenlerini incelemek istiyoruz. Likert analizi bu amaçla uygundur; çünkü
    sıralı ölçek yanıtlarının madde bazında frekans ve eğilimlerini
    görselleştirir. Ayrıca katılımcıların kurumu (institution) ve yaş grubu
    (age_group) bilgisiyle yanıtların alt gruplara göre nasıl farklılaştığını
    değerlendirebiliriz.
  >> DEGISKEN SECIMI:
    - Islah önceliği maddesi 1: item_breeding_1
    - Islah önceliği maddesi 2: item_breeding_2
    - Islah önceliği maddesi 3: item_breeding_3
    - Islah önceliği maddesi 4: item_breeding_4
    - Islah önceliği maddesi 5: item_breeding_5
    - Islah önceliği maddesi 6: item_breeding_6
    - Islah önceliği maddesi 7: item_breeding_7
    - Islah önceliği maddesi 8: item_breeding_8
    - Islah önceliği maddesi 9: item_breeding_9
    - Islah önceliği maddesi 10: item_breeding_10
    - Kurum: institution
    - Yaş grubu: age_group

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cronbach alpha = 0.172 (KABUL EDILEMEZ)   10 madde
    Islah onceligi 5'li Likert olcegi

>> YORUM (anlatim):
    Islah onceliklerini olcen 10 maddelik 5'li Likert olceginde carpici bir sonuc cikti: Cronbach alpha yalnizca 0.17
    -- kabul edilemez derecede dusuk. Bu, maddelerin ortak bir kavrami OLCMEDIGINI gosterir; sanki birbiriyle ilgisiz
    10 ayri oncelik sorulmus gibi. Aslinda bu beklenebilir -- islah hedefleri (buyume, kalite, direnc) dogal olarak
    farkli, hatta rakip onceliklerdir; bunlari tek bir "oncelik" boyutuna toplamak yanlis olur. Bu bir ders niteliginde:
    her madde grubu tek bir olceg olusturmaz. Dusuk alpha, olcegin tek-boyutlu olmadigini, alt-boyutlara ayrilmasi ya
    da maddelerin ayri ayri degerlendirilmesi gerektigini soyler. Likert analizi tam da bu tanii erkenden ortaya kor.

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

#75  EFA
    file: 075_efa_PROC_FACTOR_3faktor_12madde.xlsx
  >> SENARYO (anlatim):
    Ağaçlarda ölçtüğümüz on iki gözlem maddesinin arkasında kaç temel boyutun
    yattığını ortaya çıkarmak istiyoruz. Büyüme maddeleri (growth_item_1 ile
    growth_item_4), adaptasyon maddeleri (adaptation_item_5 ile
    adaptation_item_8) ve odun kalitesi maddeleri (wood_quality_item_9 ile
    wood_quality_item_12) birbirleriyle nasıl gruplaştığını sınamak için
    açımlayıcı faktör analizi uygundur; çünkü çok sayıda ölçülen değişkeni daha
    az sayıda gizli faktöre indirger ve maddelerin hangi boyuta yüklendiğini
    gösterir. Böylece beklenen üç faktörlü yapının (büyüme, adaptasyon, odun
    kalitesi) verilerce desteklenip desteklenmediğini görebiliriz.
  >> DEGISKEN SECIMI:
    - Büyüme maddesi 1: growth_item_1
    - Büyüme maddesi 2: growth_item_2
    - Büyüme maddesi 3: growth_item_3
    - Büyüme maddesi 4: growth_item_4
    - Adaptasyon maddesi 5: adaptation_item_5
    - Adaptasyon maddesi 6: adaptation_item_6
    - Adaptasyon maddesi 7: adaptation_item_7
    - Adaptasyon maddesi 8: adaptation_item_8
    - Odun kalitesi maddesi 9: wood_quality_item_9
    - Odun kalitesi maddesi 10: wood_quality_item_10
    - Odun kalitesi maddesi 11: wood_quality_item_11
    - Odun kalitesi maddesi 12: wood_quality_item_12

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    KMO (genel) = 0.830 (Cok iyi)   -> faktor analizi uygun
    12 madde, beklenen 3 faktor (buyume / adaptasyon / odun kalitesi)

>> YORUM (anlatim):
    On iki agac ozelligi maddesinin altinda kac gizli boyut (faktor) yattigini Aciklayici Faktor Analizi ile
    arastirdik. KMO = 0.83 "cok iyi": veriler faktor analizi icin uygun, maddeler arasi ortak varyans yeterli. Maddeler
    beklendigi gibi uc faktore -- buyume, adaptasyon, odun kalitesi -- gruplaniyor. EFA, cok sayida ozelligi az sayida
    anlamli boyuta indirgeyerek hem degerlendirmeyi sadelestirir hem altta yatan yapilari ortaya kor. Agac islahinda
    secim indeksleri kurarken bu cok degerli: ozellikleri bagimsiz boyutlara (buyume vs kalite vs direnc) ayirmak,
    cok-ozellikli secim stratejisinin temelini olusturur.

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

#76  ICC
    file: 076_icc_3lab_dbh_measurement_reliability.xlsx
  >> SENARYO (anlatim):
    Üç farklı laboratuvarın aynı ağaçlarda yaptığı çap (DBH) ölçümlerinin
    birbiriyle ne kadar uyumlu olduğunu değerlendirmek istiyoruz. Otuz ağaç için
    birinci, ikinci ve üçüncü laboratuvarın santimetre cinsinden çap ölçümlerini
    (lab1_dbh_cm, lab2_dbh_cm, lab3_dbh_cm) karşılaştırıyoruz. Ölçüm
    güvenilirliğini belirlemek için sınıf içi korelasyon katsayısı (ICC)
    uygundur; çünkü aynı nesneyi ölçen birden fazla değerlendiricinin
    tutarlılığını ve ölçümlerin ne ölçüde değiştirilebilir olduğunu nicel olarak
    gösterir. Böylece laboratuvarlar arası çap ölçümünün güvenilir olup
    olmadığını ortaya koyarız.
  >> DEGISKEN SECIMI:
    - 1. laboratuvar çap ölçümü: lab1_dbh_cm
    - 2. laboratuvar çap ölçümü: lab2_dbh_cm
    - 3. laboratuvar çap ölçümü: lab3_dbh_cm

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    ICC(1,1) = 0.994   (Mukemmel)   3 laboratuvar/olcumcu   %95 GA ~ (0.99 , 1.00)

>> YORUM (anlatim):
    Ayni agaclarin govde capini (dbh) olcen uc laboratuvarin/olcumcunun ne kadar tutarli oldugunu ICC ile
    degerlendirdik. ICC = 0.994 "mukemmel": olcumcular arasi uyum neredeyse kusursuz, hangi olcumcu olcerse olcsun ayni
    sonuc cikiyor. Bu, orman envanteri ve genetik denemelerde kritik: eger cap olcumu olcumcuden olcumcuye degisseydi,
    tum buyume verisi ve genetik analizler supheli olurdu. ICC, surekli olcumlerde (cap, boy) olcumcular/laboratuvarlar
    arasi guvenirligi olcmenin standardidir (Cohen Kappa kategorik veri icinken, ICC surekli veri icindir). Dendrometrik
    olcum guvenirligini kanitlamanin standart yoludur.

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

#77  CFA
    file: 077_cfa_calis_SEM_growth_stress_2faktor.xlsx
  >> SENARYO (anlatim):
    Ağaçlarda büyüme ve stres tepkisinin iki ayrı gizli yapı olarak modellenip
    modellenemeyeceğini doğrulamak istiyoruz. Daha önce kurgulanan modele göre
    dört büyüme göstergesinin (growth_1 ile growth_4) bir büyüme faktörüne, dört
    stres göstergesinin (stress_1 ile stress_4) ayrı bir stres faktörüne
    yüklendiğini varsayıyoruz. Bu iki faktörlü yapıyı sınamak için doğrulayıcı
    faktör analizi (CFA) uygundur; çünkü önceden belirlenmiş ölçüm modelinin
    verilere uyumunu test eder. Analizi orijin (provenance) ve ağaç yaşı
    (age_year) bilgisiyle birlikte değerlendirerek farklı tohum kaynaklarındaki
    ağaçların yapısal geçerliliğini gözden geçiriyoruz.
  >> DEGISKEN SECIMI:
    - Büyüme göstergesi 1: growth_1
    - Büyüme göstergesi 2: growth_2
    - Büyüme göstergesi 3: growth_3
    - Büyüme göstergesi 4: growth_4
    - Stres göstergesi 1: stress_1
    - Stres göstergesi 2: stress_2
    - Stres göstergesi 3: stress_3
    - Stres göstergesi 4: stress_4
    - Orijin: provenance
    - Ağaç yaşı: age_year

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CFI = 0.998   RMSEA = 0.023   (mukemmel uyum)
    2 faktor: buyume (growth) + stres (stress)

>> YORUM (anlatim):
    EFA gizli yapiyi kesfederken, CFA onceden kurulmus bir kurami sinar: burada "buyume" ve "stres direnci" olmak uzere
    iki ayri ozellik boyutunun verilere uyup uymadigini test ettik. Uyum mukemmel (CFI = 0.998, RMSEA = 0.023):
    maddeler gercekten bu iki boyuta dusuyor, kurgulanan ozellik yapisi tam dogrulaniyor. CFA, yapisal esitlik
    modellemesinin (SEM) bir parcasidir ve olcek/yapi gecerligini kanitlamanin en guclu yoludur. Agac islahinda
    buyume ve stres-direnci gibi cok-boyutlu ozellik komplekslerinin yapisini dogrulamak, secim indekslerinin ve
    cok-ozellikli islah modellerinin gecerligi icin onemlidir.

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

#78  Survey Means
    file: 078_survey_means_regional_He_population.xlsx
  >> SENARYO (anlatim):
    Farklı coğrafi bölgelerdeki ağaç popülasyonlarının ortalama beklenen
    heterozigotluğunu (He_mean) ve allel zenginliğini (AR_allele_richness)
    tahmin etmek istiyoruz. Veriler bölgelere göre tabakalanmış ve kümelenmiş
    bir örnekleme tasarımıyla toplandığı için her gözlemin örnekleme ağırlığı
    (weight) bulunmaktadır. Tabaka bölgesi (stratum_region) ve küme (cluster_id)
    bilgisini dikkate alan ağırlıklı anket ortalaması yöntemi uygundur; çünkü
    karmaşık örnekleme tasarımından kaynaklanan yanlılığı düzeltir ve bölge
    geneli için geçerli genetik çeşitlilik ortalamaları ve güven aralıkları
    üretir.
  >> DEGISKEN SECIMI:
    - Tabaka bölgesi: stratum_region
    - Küme: cluster_id
    - Örnekleme ağırlığı: weight
    - Ortalama beklenen heterozigotluk: He_mean
    - Allel zenginliği: AR_allele_richness

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    He agirlikli ortalama = 0.327   SE = 0.020   %95 GA (0.288 , 0.366)   CV %5.96
    Tabakali + kumeli + agirlikli tasarim (Taylor SE)

>> YORUM (anlatim):
    Bolgesel bir genetik envanterde populasyonlar rastgele degil, tabakali ve kumeli bir tasarimla secilmis ve
    agirliklandirilmis. Boyle veride basit ortalama yanlis olur; karmasik orneklem analizi, tasarim agirliklarini ve
    kumelenmeyi hesaba katarak dogru ortalama heterozigotlugu (He) ve standart hatayi (Taylor linearization) verir.
    Bolgesel He agirlikli ortalamasi 0.327 (CV %5.96). Ulusal orman genetik kaynaklari envanterleri (genetik
    cesitlilik izleme) hep boyle tasarlanir; survey yontemleri, populasyona genellenebilir, tarafsiz genetik
    cesitlilik tahmini icin sarttir.

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

#79  Survey Frequencies
    file: 079_survey_frequency_haplotype_distribution.xlsx
  >> SENARYO (anlatim):
    Ağaç popülasyonlarındaki haplotiplerin (haplotype) coğrafi bölgelere göre
    dağılımının nasıl olduğunu kestirmek istiyoruz. Veriler bölge bazında
    tabakalanmış ve kümelenmiş örneklemeyle toplandığından her gözlemin
    örnekleme ağırlığı (weight) vardır. Tabaka bölgesi (stratum_region) ve küme
    (cluster_id) yapısını hesaba katan ağırlıklı anket frekans analizi uygundur;
    çünkü karmaşık tasarımlı örneklemde kategorik bir değişkenin oran
    tahminlerini yanlılığı düzelterek verir. Böylece her bölgede hangi
    haplotiplerin baskın olduğunu ve genetik markör çeşitliliğinin coğrafi
    desenini ortaya koyarız.
  >> DEGISKEN SECIMI:
    - Tabaka bölgesi: stratum_region
    - Küme: cluster_id
    - Örnekleme ağırlığı: weight
    - Haplotip: haplotype

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    H1 oran = 0.292 (SE 0.071)   |   H2 oran = 0.287 (SE 0.070)
    Haplotip dagilimi -- tabakali + kumeli + agirlikli tasarim

>> YORUM (anlatim):
    Populasyonlar arasinda haplotip (cpDNA soy isaretcileri) sikliklarini, karmasik orneklem tasarimini dikkate alarak
    tahmin ettik. H1 ve H2 haplotipleri benzer siklikta (~%29), tasarim-tabanli standart hatalarla. Basit yuzde hesabi,
    tabakalama ve kumelenmeyi yok saydigi icin yanlis standart hata verirdi; survey frekans analizi gercek belirsizligi
    yansitan guven araligi uretir. Haplotip frekanslari, filocografya ve gen koruma acisindan kritiktir (hangi soy
    nerede yaygin). Bir populasyondaki haplotip/genotip oranlarini tasarima uygun tahmin etmenin dogru yoludur.

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

#80  Survey Totals
    file: 080_survey_total_active_population_Ne_total.xlsx
  >> SENARYO (anlatim):
    Tabakalanmış örneklemeyle toplanan popülasyonlardan yola çıkarak ülke
    genelindeki toplam etkili popülasyon büyüklüğünü (active_population_Ne)
    tahmin etmek istiyoruz. Her gözlem belirli bir tabakaya (stratum) ve kümeye
    (cluster_id) aittir ve örnekleme ağırlığı (weight) ile temsil edilmektedir.
    Toplam (total) tahmini üreten ağırlıklı anket yöntemi bu amaca uygundur;
    çünkü tabakalı küme örnekleme tasarımını dikkate alarak alt örneklemden tüm
    popülasyona genellenebilir bir toplam etkili popülasyon büyüklüğü ve güven
    aralığı verir. Böylece korumaya yönelik genetik kaynak planlamasında toplam
    Ne hakkında karar verebiliriz.
  >> DEGISKEN SECIMI:
    - Tabaka: stratum
    - Küme: cluster_id
    - Örnekleme ağırlığı: weight
    - Etkili popülasyon büyüklüğü: active_population_Ne

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam etkin populasyon (Ne) = 91,756   SE = 5,672   %95 GA (80,563 , 102,948)
    Tabakali tasarim (Taylor SE)

>> YORUM (anlatim):
    Bir bolgedeki toplam etkin populasyon buyuklugunu (Ne -- genetik olarak ureyen birey sayisi), ornekleme tasarimini
    ve agirliklari kullanarak tahmin ettik: yaklasik 91,756 (%95 GA 80,563 - 102,948). Ne, koruma genetiginin en
    onemli parametresidir: dusuk Ne, genetik suruklenme ve akrabali ciftlesme riski demektir. Ornekledigimiz
    populasyonlardan tum bolgeye "olcekleyerek" toplam Ne'yi cikarmak, dogru agirliklandirma gerektirir. Survey toplam
    analizi tam bunu yapar ve belirsizligi standart hatayla ifade eder. Genetik kaynaklarin uzun vadeli
    surdurulebilirligini degerlendirmede kullanilan resmi yontemdir.

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

#81  Survey Regression
    file: 081_survey_regression_He_elevation_weighted.xlsx
  >> SENARYO (anlatim):
    Türkiye'deki mese populasyonlarinda beklenen heterozigotluk seviyesinin
    yukseklik ve yagis gradiyenti boyunca nasil degistigini merak ediyoruz. 200
    bireyin yer aldigi bu calismada populasyonlar dort yukseklik katmanina
    (stratum I-IV) ayrildi ve her kume (cluster) icin orneklem agirligi (weight)
    atandi. Amacimiz, rakim (elevation_m) ve yillik yagisin (precipitation_mm)
    ortalama beklenen heterozigotluk (He_mean) uzerindeki etkisini, tabakali
    orneklem tasariminin yarattigi esit olmayan secilme olasiliklarini gozardi
    etmeden kestirmek. Tabaka, kume ve agirlik bilgisini hesaba katan survey
    regresyon, bu karmasik ornekleme deseninde sapmasiz katsayilar verdigi icin
    en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Tabaka: stratum
    - Kume: cluster_id
    - Agirlik: weight
    - Yordayici (rakim): elevation_m
    - Yordayici (yagis): precipitation_mm
    - Yanit (beklenen heterozigotluk): He_mean

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R2 = 0.211   yukselti katsayisi = -0.0001   p < .001 ***
    He ~ yukselti + yagis   (tabakali + kumeli + agirlikli)

>> YORUM (anlatim):
    Heterozigotlugu (He) yukselti ve yagistan, karmasik orneklem tasarimini (tabaka, kume, agirlik) dikkate alarak
    modelledik. Yukseltinin etkisi anlamli ve negatif (katsayi -0.0001, p < .001): rakim arttikca genetik cesitlilik
    azaliyor -- yuksek rakim populasyonlari (genelde kucuk, izole, marjinal) daha az cesitli. Bu, koruma genetiginin
    onemli bir desenidir. Model varyansin %21'ini acikliyor. Tasarim-tabanli standart hatalar, basit OLS'in verecegi
    (cogu zaman fazla iyimser) hatalardan daha dogrudur. Ulusal genetik envanter verisiyle iliskileri tahmin ederken
    survey regresyonu, gecerli cikarim icin gereklidir.

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

#82  Survey Logistic Regression
    file: 082_survey_logistic_endemic_asset_elevation.xlsx
  >> SENARYO (anlatim):
    Endemik mese turunun bir lokasyonda bulunup bulunmamasinin rakimla
    iliskisini, tabakali alan ornekleme tasarimini dikkate alarak incelemek
    istiyoruz. 220 lokasyonun yer aldigi veride alanlar uc yukseklik tabakasina
    (stratum I-III) bolundu ve her kume icin orneklem agirligi (weight)
    tanimlandi. Arastirma sorumuz, rakim (elevation_m) arttikca endemik turun
    varlik olasiliginin (endemic_present_1_0) nasil degistigidir. Ikili sonuc
    degiskenini modellerken tabaka, kume ve agirliklari hesaba katan survey
    lojistik regresyon, karmasik ornekleme altinda dogru olasilik kestirimleri
    sagladigi icin tercih edildi.
  >> DEGISKEN SECIMI:
    - Tabaka: stratum
    - Kume: cluster_id
    - Agirlik: weight
    - Yordayici (rakim): elevation_m
    - Ikili yanit (endemik varligi): endemic_present_1_0

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    yukselti: OR = 1.0016   p < .001 ***
    Endemik tur varligi ~ yukselti   (tabakali + kumeli + agirlikli)

>> YORUM (anlatim):
    Bir lokalitede endemik tur bulunma olasiligini yukseltiden tahmin ederken, hem ikili sonucu (lojistik) hem
    karmasik orneklem tasarimini birlikte ele aldik. Yukselti icin odds orani 1.0016 (p < .001): rakim arttikca
    endemik tur bulunma odds'u artiyor -- yuksek dagi habitatlari endemizm sicak noktalaridir (izolasyon ve ozel
    kosullar endemik turleri besler). Tasarim agirliklari ve kumelenme hesaba katildigi icin OR ve guven araligi
    tasarima uygun ve gecerli. Karmasik biyocografik anketlerden ikili sonuclari (endemik var/yok) modellemenin dogru
    yolu survey lojistik regresyondur; biyocesitlilik sicak nokta belirlemede degerlidir.

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

#83  GAM
    file: 083_gam_smooth_age_elevation_height.xlsx
  >> SENARYO (anlatim):
    Agac boyunun yas ve rakimla iliskisinin dogrusal olmayan bir bicimde
    sekillenip sekillenmedigini arastiriyoruz. 240 agactan olusan bu veride bir
    agacin yasi (age_year) ile yetistigi rakimin (elevation_m) boy (height_m)
    uzerindeki ortak etkisini incelemek istiyoruz. Buyume genellikle genc
    yaslarda hizli, ileri yaslarda yavaslayan egrisel bir seyir izledigi ve
    rakimin etkisi de tek yonlu olmayabilecegi icin, bu iliskileri esnek
    puruzsuz fonksiyonlarla yakalayan Genellestirilmis Toplamsal Model (GAM) en
    uygun yaklasimdir.
  >> DEGISKEN SECIMI:
    - Puruzsuz yordayici (yas): age_year
    - Puruzsuz yordayici (rakim): elevation_m
    - Yanit (boy): height_m

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Pseudo R2 (aciklanan) = 0.956
    Boy ~ s(yas) + s(yukselti)  (duzgun/smooth fonksiyonlar)

>> YORUM (anlatim):
    GAM, dogrusal regresyonun esnek bir genellemesidir: degiskenlerin etkisini duz cizgi yerine "duzgun egriler"
    (splines) ile modeller. Boyun yas ve yukseltiyle iliskisi dogrusal degildir -- yas etkisi doygunlasir (buyume
    egrisi), yukselti etkisi optimum bir rakimda tepe yapabilir. GAM bu egrisel oruntuyu, sekli onceden varsaymadan
    veriden ogrenir; model varyansin %96'sini acikliyor (cok yuksek). Yorumlanabilirligi korurken esneklik saglar:
    boyun hangi yasta hizlandigini, hangi rakimda en iyi oldugunu egrilerden okuyabiliriz. Orman genetiginde dogrusal
    olmayan ama yorumlanabilir buyume-cevre iliskileri icin ideal bir yontemdir.

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

#84  Discriminant Analysis (LDA/QDA)
    file: 084_diskriminant_PROC_DISCRIM_Quercus_3tur.xlsx
  >> SENARYO (anlatim):
    Uc mese turunu (Q_robur, Q_petraea, Q_cerris) yaprak morfolojisine dayanarak
    birbirinden ayirt edebilmek istiyoruz. 240 bireyin yer aldigi veride her
    agacin yaprak uzunlugu (leaf_length_mm), yaprak genisligi (leaf_width_mm),
    sap orani (petiol_ratio) ve lob sayisi (lob_count) olculdu. Amacimiz, bu
    morfolojik olculerin tur (type) ayrimini ne kadar basariyla yaptigini
    belirlemek ve yeni bireyleri dogru ture siniflandiran bir kural elde etmek.
    Gruplari en iyi ayiran dogrusal/karesel birlesimleri bulan Diskriminant
    Analizi (LDA/QDA) bu siniflandirma amaci icin uygundur.
  >> DEGISKEN SECIMI:
    - Grup (tur): type
    - Ayirici degisken (yaprak uzunlugu): leaf_length_mm
    - Ayirici degisken (yaprak genisligi): leaf_width_mm
    - Ayirici degisken (sap orani): petiol_ratio
    - Ayirici degisken (lob sayisi): lob_count

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dogruluk = 0.904   (3 Quercus turu)
    4 yaprak ozelliginden ayirma (yaprak uzunlugu, genisligi, petiol orani, lob sayisi)

>> YORUM (anlatim):
    Diskriminant analizi, gruplari (uc mese turu) en iyi ayiran dogrusal degisken bilesimlerini bulur -- bir bakima
    siniflandirma odakli PCA gibi. Dogruluk %90.4: dort yaprak morfolojisi ozelligi uc Quercus turunu yuksek
    dogrulukla ayiriyor (mese gibi melezlesen bir cinste bu iyi bir sonuc). Diskriminant analizi hem siniflandirma
    yapar hem "hangi morfolojik ozellik ayrimda en etkili" sorusunu yanitlar (diskriminant fonksiyon yukleri).
    Morfometrik taksonomide -- yaprak olcumleriyle tur ayrimi -- klasik tercihtir. Yeni orneklerini var olan tur
    gruplarina atamada ve melez bireyleri tespit etmede kullanilir.

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

#85  Conditional Logit
    file: 085_conditional_logit_seedling_choice_grower.xlsx
  >> SENARYO (anlatim):
    Fidan yetistiricilerinin hangi fidan secenegini tercih ettigini belirleyen
    ozellikleri anlamak istiyoruz. 200 secim durumunda her yetistiriciye
    (grower_id) birden fazla fidan alternatifi (alternative) sunuldu ve her
    alternatif buyume orani (growth_ratio), odun yogunlugu skoru (wsg_score_1_5)
    ve fidan basina fiyat (price_TL_seedling) bakimindan farklilik gosterdi.
    Amacimiz, bu nitelikler degistikce bir alternatifin secilme (chosen)
    olasiliginin nasil degistigini kestirmek. Ayni secim setindeki alternatifler
    arasinda secim yapilan bu desende, kosullu lojit modeli alternatif-bazli
    nitelikleri dogru sekilde modelledigi icin uygundur.
  >> DEGISKEN SECIMI:
    - Secim seti: grower_id
    - Alternatif: alternative
    - Alternatif nitelik (buyume orani): growth_ratio
    - Alternatif nitelik (odun yogunlugu): wsg_score_1_5
    - Alternatif nitelik (fiyat): price_TL_seedling
    - Secim sonucu: chosen

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Pseudo R2 (McFadden) = 0.0014  (cok dusuk)
    Fidan secimi ~ buyume orani + odun skoru + fidan fiyati

>> YORUM (anlatim):
    Fidan yetistiricilerinin hangi fidani sececegini kosullu logit modeliyle inceledik -- her yetistirici bir secenek
    kumesinden birini seciyor. McFadden pseudo R2 = 0.0014 cok dusuk -- bu ogretici bir sonuc: secilen degiskenler
    (buyume orani, odun skoru, fiyat) yetistiricilerin secimini neredeyse hic aciklamiyor. Yani secim bu olculen
    faktorlerle degil, baska (olculmeyen) etmenlerle -- gelenek, marka, bulunabilirlik, kisisel tercih -- belirleniyor
    olabilir. Dusuk pseudo R2 da degerli bir bulgudur: "modeldeki degiskenler yetersiz" der. Kosullu logit, ayrik
    secim analizinin temelidir; dusuk uyum, secim davranisinin daha karmasik oldugunu gosterir.

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

#86  Kaplan-Meier
    file: 086_kaplan_meier_seedling_irrigation_survival_survival.xlsx
  >> SENARYO (anlatim):
    Sulama uygulamasinin fidan hayatta kalimi uzerindeki etkisini zaman boyunca
    karsilastirmak istiyoruz. 120 fidanin yer aldigi denemede fidanlar sulanan
    (irrigated) ve kontrol (control) gruplarina ayrildi; her fidanin izlendigi
    sure (duration_month) ve bu surenin sonunda olum gerceklesip gerceklesmedigi
    (death_event) kaydedildi. Ayrica fidanlar farkli tohum kaynaklarindan
    (provenance) geldi. Amacimiz iki uygulamanin sagkalim egrilerini
    karsilastirmak; sansurlu sagkalim verisi icin Kaplan-Meier yontemi uygundur.
  >> DEGISKEN SECIMI:
    - Sure (ay): duration_month
    - Olay (olum): death_event
    - Grup (uygulama): treatment
    - Tabaka (orijin): provenance

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Medyan sagkalim = 16.5 ay   (sulama uygulamasina gore gruplu)
    Log-rank testi gruplari karsilastirir

>> YORUM (anlatim):
    Fidanlarin hayatta kalma suresini -- sulama uygulamasina gore -- Kaplan-Meier ile analiz ettik. Medyan sagkalim
    16.5 ay. Kaplan-Meier, "olaya kadar gecen sure" verisini -- henuz olmemis (sansurlu) fidanlari da dogru kullanarak
    -- analiz eder ve log-rank testiyle uygulama gruplari arasi sagkalim farkini sinar. Orman genetiginde fidan
    sagkalimi, agaclandirma basarisinin ve orijin/uygulama uygunlugunun temel gostergesidir. Sulama gibi mudahalelerin
    fidan sagkalimina etkisini degerlendirmenin temel gorsel ve testidir.

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

#87  Cox Regression
    file: 087_cox_PROC_PHREG_seedling_death_env.xlsx
  >> SENARYO (anlatim):
    Fidan olum riskini etkileyen cevresel ve fenotipik faktorleri incelemek
    istiyoruz. 140 fidanin izlendigi calismada her fidan icin orijin
    (provenance), rakim (elevation_m), yagis (precipitation_mm) ve baslangic cap
    olcusu (dbh_baseline_cm) kaydedildi; izleme suresi (duration_month) ve olum
    olayi (death_event) takip edildi. Amacimiz bu degiskenlerin olum tehlike
    oranina (hazard) katkisini belirlemek. Dagilim varsayimi gerektirmeden coklu
    yordayicinin tehlike uzerindeki etkisini kestiren Cox regresyonu bu sagkalim
    verisi icin uygundur.
  >> DEGISKEN SECIMI:
    - Sure (ay): duration_month
    - Olay (olum): death_event
    - Yordayici (orijin): provenance
    - Yordayici (rakim): elevation_m
    - Yordayici (yagis): precipitation_mm
    - Yordayici (baslangic cap): dbh_baseline_cm

  >> 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):
    Olay = 102 (%72.9)   Concordance = 0.561
    yukselti: HR = 1.0005 p = 0.020 *   (yagis, baslangic cap kovaryatlariyla)

>> YORUM (anlatim):
    Fidanlarin olum riskini cevresel degiskenlerle (yukselti, yagis, baslangic capi) Cox regresyonuyla modelledik.
    Yukselti anlamli (HR = 1.0005, p = 0.020): rakim arttikca olum riski hafif artiyor (yuksek rakim stresi). Concordance
    0.56 ile model mutevazi ayirici -- fidan olumu cevresel degiskenlerle kismen aciklaniyor, baska faktorler de etkili.
    Cox regresyon, "olaya kadar gecen sureyi" birden cok yordayiciyla iliskilendiren altin standart sagkalim modelidir;
    risk oranlarini (HR) verir. Fidan olum riskini cevresel kosullarla iliskilendirmek, agaclandirma alani secimi ve
    iklim degisikligine dayanikli orijin secimi icin degerlidir.

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

#88  Parametric Survival (AFT)
    file: 088_parametrik_AFT_PROC_LIFEREG_Weibull.xlsx
  >> SENARYO (anlatim):
    Fidanlarin yasam suresini orijin ve kuraklik stresine bagli olarak
    modellemek istiyoruz. 100 fidanin yer aldigi calismada her fidan icin tohum
    kaynagi (provenance), rakim (elevation_m) ve kuraklik skoru (drought_score)
    kaydedildi; izleme suresi (duration_month) ve olum olayi (death_event) takip
    edildi. Amacimiz, bu faktorlerin hayatta kalma suresini ne kadar uzattigini
    ya da kisalttigini dogrudan kestirmek. Sagkalim suresini Weibull dagilimiyla
    modelleyen parametrik AFT yaklasimi, hizlanmis yasam suresi etkilerini
    yorumlamak icin uygundur.
  >> DEGISKEN SECIMI:
    - Sure (ay): duration_month
    - Olay (olum): death_event
    - Yordayici (orijin): provenance
    - Yordayici (rakim): elevation_m
    - Yordayici (kuraklik): drought_score

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dagilim = Weibull   Medyan sagkalim = 32.25 ay
    Sagkalim ~ yukselti + kuraklik skoru

>> YORUM (anlatim):
    Fidan sagkalim suresini parametrik Weibull modeliyle inceledik. Cox yaridan parametrik iken, Weibull tum sagkalim
    egrisini belirli bir matematiksel dagilimla modeller -- veri o dagilima uyuyorsa daha verimli tahmin verir ve
    gelecege ekstrapolasyon yapilabilir. Medyan sagkalim 32.25 ay. AFT (hizlandirilmis basarisizlik zamani) yorumu
    sezgiseldir: yukselti/kuraklik gibi bir faktor sagkalim suresini kac kat uzatir/kisaltir. Surenin dagilimi
    biliniyorsa parametrik modeller, Cox'a gore daha guclu ve ongorulebilir sonuc verir. Fidan sagkalim suresini
    modellemek, agaclandirma planlamasi ve maliyet ongorusunde degerlidir.

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

#89  Competing Risks
    file: 089_competing_risks_seedling_3sonuc.xlsx
  >> SENARYO (anlatim):
    Fidanlarin farkli sonlanma bicimlerini ayri ayri degerlendirerek kuraklik
    stresinin olum riskine etkisini incelemek istiyoruz. 110 fidanin izlendigi
    calismada her fidan icin orijin (provenance) ve kuraklik skoru
    (drought_score) kaydedildi; izleme suresi (duration_year) boyunca sonuc dort
    kategoride toplandi: sansurlu, olum, sokum/nakil ve hastalik
    (result_0_censored_1_death_2_transplant_3_disease). Amacimiz olum dahil her
    bir sonucun birikimli gorulme olasiligini, diger sonlanmalarin rakip risk
    olusturdugunu dikkate alarak kestirmek. Birden fazla birbirini dislayan
    sonucun bulundugu bu desende rekabet eden riskler analizi uygundur.
  >> DEGISKEN SECIMI:
    - Sure (yil): duration_year
    - Sonuc (cok durumlu olay): result_0_censored_1_death_2_transplant_3_disease
    - Yordayici (orijin): provenance
    - Yordayici (kuraklik): drought_score

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Sansurlu (0) = 38   |   3 farkli sonuc (1=olum, 2=transplant/sokum, 3=hastalik)
    Her olay tipi icin ayri kumulatif insidans (CIF) ve risk

>> YORUM (anlatim):
    Bir fidan birden fazla sonucla karsilasabilir: olum, transplant (sokulup baska yere dikilme), ya da hastalik --
    ve bunlar birbirini dislar (biri olunca digerleri olamaz). Klasik sagkalim bunu yanlis ele alir; yarisan riskler
    analizi her sonuc tipi icin ayri kumulatif insidans cikarir. Veride 38 fidan hala saglikli (sansurlu), digerleri
    farkli nedenlerle ayrilmis. Bu cerceve, "kuraklik hangi sonucun riskini artirir" gibi sorulari dogru yanitlar.
    Orman fidanligi denemelerinde farkli sonuc yollari (olum/sokum/hastalik) oldugunda yarisan riskler analizi dogru
    ve bilgilendirici yontemdir -- aksi halde bir sonucun riski abartilir.

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

#90  Time-Dependent Cox
    file: 090_time_dep_cox_dbh_time_variable.xlsx
  >> SENARYO (anlatim):
    Fidan capindaki degisimin olum riskini zaman icinde nasil etkiledigini
    incelemek istiyoruz. 138 fidanin yer aldigi bu veride her fidan icin ardisik
    izleme araliklari baslangic (start) ve bitis (stop) zamanlariyla tanimlandi;
    her aralikta o ana ait cap olcusu (dbh_t) ve kuraklik skoru (drought_score)
    kaydedildi, aralik sonunda olay (event) gerceklesip gerceklesmedigi
    belirlendi. Cap zamanla degisen bir yordayici oldugu icin, bu zaman-bagimli
    degiskenin tehlike uzerindeki etkisini araliklarla modelleyen zaman-bagimli
    Cox regresyonu uygundur.
  >> DEGISKEN SECIMI:
    - Baslangic zamani: start
    - Bitis zamani: stop
    - Olay: event
    - Zaman-bagimli yordayici (cap): dbh_t
    - Yordayici (kuraklik): drought_score

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    dbh_t: HR = 0.516   %95 GA (0.389 , 0.685)   p < .001 ***
    Zamanla degisen govde capi + kuraklik kovaryatlari

>> YORUM (anlatim):
    Fidanin govde capi zaman icinde buyur; standart Cox bunu sabit varsayar, zaman-bagimli Cox ise her zaman
    araliginda guncel capi kullanir (start-stop formati). Guncel cap cok anlamli ve koruyucu (HR = 0.516, p < .001):
    o anki capi buyuk olan fidanlarin olum riski yariya iniyor -- buyuk/saglikli fidanlar strese daha dayanikli.
    Bu kritik bir cikarimdir: anlik buyume durumu, baslangic capindan daha iyi bir sagkalim gostergesi. Zaman-bagimli
    Cox, "sadece baslangic degeri degil, surekli izlenen guncel durum onemli" durumlarinda dogru yontemdir; boylamsal
    fidan izlemede zamanla degisen buyume olcumlerini modellemenin standardidir.

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

#91  Survey-Weighted Cox
    file: 091_survey_phreg_complex_survey_survival.xlsx
  >> SENARYO (anlatim):
    Akdeniz kizilcam fidanlarinin sahada hayatta kalmasini, orneklemin tabakali
    kume tasarimini dikkate alarak incelemek istiyoruz. Farkli orijinlerden
    (provenance) gelen fidanlarin izlenme suresi (duration_year) ve olum durumu
    (death) uzerine, rakimin (elevation_m) etkisini arastiriyoruz. Ornekleme
    tabaka (stratum), kume (cluster_id) ve birey agirliklari (weight) ile
    yapildigindan, bu karmasik tasarimi hesaba katan anketle agirliklandirilmis
    Cox modeli uygundur. Boylece tohum kaynagi ve rakimin hayatta kalma riskine
    etkisini sapmasiz tahmin edebiliriz.
  >> DEGISKEN SECIMI:
    - Tabaka: stratum
    - Kume: cluster_id
    - Ornekleme agirligi: weight
    - Orijin/tohum kaynagi: provenance
    - Izlenme suresi: duration_year
    - Olay (olum): death
    - Rakim: elevation_m

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Concordance = 0.49   Agirlikli/kumeli sagkalim (yukselti kovaryati)
    Olum ~ yukselti

>> YORUM (anlatim):
    Sagkalim analizini karmasik orneklem tasarimiyla birlestirdik: fidanlar agirlikli ve kumeli olarak secilmis bir
    populasyondan geliyor. Survey-PHREG, Cox modelini tasarim agirliklari ve kume-dirayetli (cluster-robust) standart
    hatalarla calistirir, boylece risk oranlari ve guven araliklari populasyona genellenebilir olur. Concordance 0.49
    ile bu modelde yukselti tek basina zayif ayirici. Ulusal/bolgesel orman izleme verisinde "olaya kadar sure" verisi
    varsa, tasarimi yok saymak yanli tahmin verir; survey-PHREG dogru cikarimi saglar.

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

#92  Interval-Censored Survival
    file: 092_interval_censored_seedling_death_interval.xlsx
  >> SENARYO (anlatim):
    Fidan olumlerini sahada surekli izleyemediğimiz, sadece belirli araliklarla
    kontrol ettigimiz icin her fidanin olum zamanini kesin bilmiyoruz; yalnizca
    olumun hangi ay araligi (lower_bound_month ile upper_bound_month) icinde
    gerceklestigini biliyoruz. Farkli orijinlerin (provenance) hayatta kalma
    sureleri arasinda fark olup olmadigini sormak istiyoruz. Olum zamani iki
    sinir arasinda gizli kaldigi icin aralik-sansurlu sagkalim analizi bu veri
    yapisina tam olarak uygundur.
  >> DEGISKEN SECIMI:
    - Alt sinir (ay): lower_bound_month
    - Ust sinir (ay): upper_bound_month
    - Orijin/tohum kaynagi: provenance

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Olay sayisi = 69   Medyan sagkalim = 116.0 ay   (Turnbull algoritmasi)
    Olum zamani [alt sinir, ust sinir] araliginda biliniyor

>> YORUM (anlatim):
    Orman izlemesinde olayin (fidan olumu) tam zamanini nadiren biliriz: denemeyi periyodik ziyaret ederiz, bir
    ziyarette canli, sonrakinde olu buluruz -- olum bu iki tarih arasinda bir yerde oldu. Aralik-sansurlu sagkalim
    (Turnbull algoritmasi) tam bu belirsizligi dogru ele alir; olayi keyfi bir tarihe sabitlemekten kacinir. Medyan
    sagkalim 116 ay. Periyodik denetimin dogasi geregi (yillik/donemsel olcum) olay zamani hep bir araliktadir; bu
    veriyi tek bir noktaya zorlamak yanli sonuc verir. Aralik-sansurlu yontem, periyodik orman izleme verisinin
    gercegine uygundur.

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

#93  Frailty Cox
    file: 093_frailty_cox_provenance_random_frailty.xlsx
  >> SENARYO (anlatim):
    Ayni orijinden gelen fidanlarin hayatta kalmasinin birbirine benzeme
    egiliminde oldugunu, yani orijin duzeyinde paylasilan bir kirilganlik
    bulundugunu dusunuyoruz. Izlenme suresi (duration_year) ve olum durumu
    (death) uzerine rakimin (elevation_m) ve kuraklik siddetinin (drought_score)
    etkisini incelerken, orijini (provenance_frailty) rastgele kirilganlik
    terimi olarak modele aliyoruz. Orijin ici benzerligi ve grup bazli riski
    hesaba katmak icin kirilganlik (frailty) Cox modeli uygundur.
  >> DEGISKEN SECIMI:
    - Rastgele kirilganlik (orijin): provenance_frailty
    - Rakim: elevation_m
    - Kuraklik siddeti: drought_score
    - Izlenme suresi: duration_year
    - Olay (olum): death

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Concordance = 0.557   Orijin-kumeli paylasilan frailty (rastgele etki)
    Olum ~ yukselti + kuraklik  +  (orijin kirilganligi)

>> YORUM (anlatim):
    Fidanlar orijinlere kumelenmis; ayni orijindeki fidanlar olculmeyen ortak genetik faktorleri paylasir ve benzer
    olum riski tasir. Frailty Cox, her orijin icin paylasilan bir "kirilganlik" (rastgele etki) ekleyerek bu
    kumelenmeyi modeller -- sagkalim analizinin karma-model versiyonu. Concordance 0.56. Orijin-duzeyi gizli genetik
    farkliliklari hesaba katmak, hem dogru standart hatalar hem de "orijinler arasi sagkalimda ne kadar genetik
    heterojenlik var" bilgisini verir -- bu, sagkalim kalitsalligina isaret eder. Kumeli orman sagkalim verisinde
    (orijinler, aileler) dogru yontemdir.

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

#94  Time Series Description
    file: 094_time_series_25yil_clone_growth_trial.xlsx
  >> SENARYO (anlatim):
    Yirmi bes yillik bir klon buyume denemesinde, yillara gore (year) ortalama
    capin (mean_dbh_cm) ve ortalama boyun (mean_height_m) nasil degistigini ve
    bunlarin yillik yagis (annual_precipitation_mm) ile ortalama sicaklik
    (mean_temperature_C) ile birlikte seyrini betimlemek istiyoruz. Amac, buyume
    serilerinin zaman icindeki egilimini ve iklim degiskenleriyle olan kabaca
    gidisatini ozetlemektir. Bu nedenle once zaman serisini betimsel olarak
    tanitmak uygundur.
  >> DEGISKEN SECIMI:
    - Zaman (yil): year
    - Ortalama cap: mean_dbh_cm
    - Ortalama boy: mean_height_m
    - Yillik yagis: annual_precipitation_mm
    - Ortalama sicaklik: mean_temperature_C

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    25 gozlem (yillik)   ADF p = 0.988 -> duragan DEGIL   Trend = artan
    25 yillik klon buyume denemesi (ortalama dbh)

>> YORUM (anlatim):
    Yirmibes yillik klon buyume denemesinin ortalama govde capi (dbh) serisini inceledik. ADF testi seriyi duragan
    bulmuyor (p = 0.988) -- beklendigi gibi guclu artan bir trend var (agaclar yillar boyunca buyuyor). Bu on-teshis
    kritik: cogu zaman serisi modeli (ARIMA gibi) duraganlik gerektirir, bu yuzden once fark alma/donusum gerekebilir.
    Zaman serisi analizi, uzun donem buyume denemesinin yapisini -- trend, duraganlik -- ortaya cikarir. Orman
    genetiginde uzun soluklu (multi-decade) buyume denemeleri, klon/orijin performansinin zaman icindeki seyrini
    izlemenin temelidir; bu analiz o yapiyi nicelestirir.

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

#95  STL Decomposition
    file: 095_stl_ayrisma_chlorophyll_monthly_mevsimsel.xlsx
  >> SENARYO (anlatim):
    Fidan yapraklarinda aylik olcumlenen klorofil duzeyinin (chlorophyll_unit)
    on iki yillik (144 ay) seyrinde belirgin bir mevsimsel doru bulundugunu
    dusunuyoruz. Tarih (date), yil (year) ve ay (month) bilgisiyle bu seriyi
    egilim, mevsimsel bilesen ve artik olarak ayristirmak istiyoruz. Tekrarlayan
    mevsimsel oruntuyu trendden ve gurultuden ayirmak icin STL ayristirmasi bu
    aylik seri icin uygundur.
  >> DEGISKEN SECIMI:
    - Tarih: date
    - Yil: year
    - Ay: month
    - Olcum (klorofil): chlorophyll_unit

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Periyot (mevsim uzunlugu) = 12 (aylik -> yillik dongu)
    Seri: trend + mevsim + artik bilesenlerine ayristirildi

>> YORUM (anlatim):
    STL (Seasonal-Trend decomposition using Loess), aylik klorofil serisini uc bilesene ayirir: uzun donem trend,
    tekrarlayan mevsimsel dongu (12 aylik = yillik) ve geri kalan artik. Yillik periyot anlamli -- klorofil (fotosentez
    aktivitesi) mevsimsel dalgalaniyor (yazin yuksek, kisin dusuk; yaprak dokumu/donemsel aktivite). Bu ayristirma,
    "klorofil genel olarak artiyor mu yoksa sadece her yil mi dalgalaniyor" sorusunu netlestirir. STL, mevsimsel
    fizyolojik serileri (klorofil, fotosentez, fenoloji) yorumlamanin en sezgisel yoludur; trend ve mevsim etkisini
    ayirarak agacin uzun donem fizyolojik egilimini gormeyi saglar.

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

#96  ARIMA
    file: 096_arima_bud_flushing_monthly.xlsx
  >> SENARYO (anlatim):
    Tomurcuk patlamasi (bud flushing) fenolojik skorunun (bud_flushing_score)
    aylik olarak on bes yil boyunca (180 ay) nasil seyrettigini ve gelecekteki
    donemler icin nasil ongorulebilecegini merak ediyoruz. Tarih (date) ile
    sirali bu seride hem zaman icindeki bagimlilik hem de olasi mevsimsel yapi
    bulunuyor. Otokorelasyonlu yapiyi modelleyip ileriye dogru ongoru uretmek
    icin ARIMA bu zaman serisi icin uygundur.
  >> DEGISKEN SECIMI:
    - Tarih: date
    - Olcum (tomurcuk patlama skoru): bud_flushing_score

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    ARIMA modeli kuruldu   AIC = 1209.22
    Aylik tomurcuk patlama (bud flushing) skoru -- gelecek tahmini

>> YORUM (anlatim):
    Aylik tomurcuk patlama (bud flushing) skoru serisine ARIMA modeli uydurup gelecegi tahmin ettik. ARIMA, serinin
    kendi gecmis degerlerini (AR), gecmis hatalarini (MA) ve fark almayi (I, duraganlastirma icin) birlestirir. AIC =
    1209 ile en iyi model secildi. Tahminler, gozlemlenen trend ve mevsimsel otokorelasyon yapisina dayanir ve
    belirsizlik bandiyla gelir. Fenoloji tahmini, iklim degisikligi calismalarinda kritik: gelecekteki tomurcuk
    patlama zamanlamasini ongormek, don riski ve fenolojik uyumsuzluk (mismatch) degerlendirmesi saglar. ARIMA,
    mevsimsellik ve trend iceren fenolojik serilerde klasik tahmin yontemidir.

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

#97  Exponential Smoothing
    file: 097_ets_holt_winters_growth_monthly.xlsx
  >> SENARYO (anlatim):
    Fidanlarin aylik buyume olcumunun (growth_unit) on yillik (120 ay) seyrinde
    hem bir egilim hem de mevsimsel dalgalanma oldugunu dusunuyoruz ve kisa
    vadeli ongoru yapmak istiyoruz. Tarih (date) ile sirali bu seride seviye,
    egilim ve mevsimsellik bilesenlerini birlikte yumusatarak tahmin uretmeyi
    amacliyoruz. Trend ve mevsimsellik tasiyan bu seri icin Holt-Winters ustel
    duzlestirme uygundur.
  >> DEGISKEN SECIMI:
    - Tarih: date
    - Olcum (buyume): growth_unit

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Yontem = Holt-Winters (toplamsal mevsim, periyot 12)   AIC = 276.00
    Aylik buyume birimi tahmini

>> YORUM (anlatim):
    Holt-Winters ustel duzlestirme, seviye + trend + mevsimsellik bilesenlerini agirlikli olarak (yakin gecmise daha
    cok agirlik vererek) tahmin eder. Aylik buyume serisinin mevsimsel desenini yakaladi (AIC = 276, dusuk -- iyi uyum).
    Agac buyumesi tipik olarak guclu mevsimsellik gosterir (ilkbahar-yaz hizli, sonbahar-kis durgun); Holt-Winters
    boyle serilerde cogu zaman cok basarilidir ve ARIMA'ya gore daha sezgiseldir. Orman buyume tahmininde kurmasi
    kolay ve yorumlanabilir bir alternatiftir; mevsimsel buyume dinamigini ongormede degerlidir.

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

#98  Mann-Kendall Trend
    file: 098_mann_kendall_bud_fracture_40yil_trend.xlsx
  >> SENARYO (anlatim):
    Kirk yillik bir gozlem serisinde tomurcuk kirilma gununun (bud_fracture_jd,
    julyen gun) yillar (year) icinde erkene mi yoksa gece mi kaydigini, baska
    bir deyisle istatistiksel olarak anlamli bir egilim olup olmadigini
    sorguluyoruz. Ayrica yillik yagis (annual_precipitation_mm) ve ortalama
    sicaklik (mean_temperature_C) gibi iklim serilerinde de benzer yonlu
    degisimleri arastiriyoruz. Verinin normal dagilimina dayanmadan monoton
    egilimi sinamak icin Mann-Kendall trend testi uygundur.
  >> DEGISKEN SECIMI:
    - Zaman (yil): year
    - Olcum (tomurcuk kirilma gunu): bud_fracture_jd
    - Iklim degiskeni: annual_precipitation_mm
    - Iklim degiskeni: mean_temperature_C

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    p = 0.0014 **   Trend = AZALIS
    Tomurcuk patlama gunu 40 yillik trend

>> YORUM (anlatim):
    Tomurcuk patlama gununde (julyen gun, fenoloji) 40 yillik uzun donemli anlamli bir trend olup olmadigini
    Mann-Kendall testiyle sinadik -- parametrik olmayan, aykiri ve dagilima dayanikli bir trend testi. Sonuc anlamli
    (p = 0.001) ve yon azalis: tomurcuk patlama gunu yillar icinde tutarli sekilde dusuyor (erkene kayiyor). Bu, iklim
    isinmasinin agac fenolojisini her gecen on yil daha erkene cektiginin guclu kanitidir -- ilkbahar daha erken
    geliyor, agaclar daha erken uyaniyor. Mann-Kendall + Sen egimi, uzun donem fenolojik/iklim trendlerini tespit
    etmenin altin standardidir; agac fenolojisinin iklim degisikligine yanitini belgeleyen en hassas gostergelerden biridir.

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

#99  Anomaly Detection
    file: 099_anomali_tespiti_monthly_growth_outlier.xlsx
  >> SENARYO (anlatim):
    On bes yillik (180 ay) aylik ortalama boy buyumesi (mean_height_growth_cm)
    serisinde, beklenmedik sicrama ya da duslerin yani aykiri donemlerin bulunup
    bulunmadigini saptamak istiyoruz. Tarih (date) ile sirali bu seride normal
    mevsimsel seyirden sapan olagandisi gozlemleri isaretlemeyi amacliyoruz. Bu
    tur olagandisi noktalari yakalamak icin anomali tespiti uygundur.
  >> DEGISKEN SECIMI:
    - Tarih: date
    - Olcum (boy buyumesi): mean_height_growth_cm

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Anomali sayisi = 7   (IQR tabanli aykiri tespit)
    Aylik boy buyume serisindeki olaganustu degerler

>> YORUM (anlatim):
    Aylik boy buyume serisindeki olaganustu degerleri (anomalileri) tespit ettik -- 7 olaganustu ay bulundu. Bu
    anomaliler gercek olaylara isaret edebilir: olaganustu iyi bir buyume ayi (ideal yagis/sicaklik), bir stres olayi
    (kuraklik, don, bocek saldirisi nedeniyle buyume durmasi), ya da olcum hatasi. Anomali tespiti, surekli buyume
    izleme verisinde "ne zaman bir sey ters/farkli gitti" sorusunu otomatik yanitlar ve erken uyari sistemlerinin
    temelidir. Orman izlemede, binlerce olcum arasindan dikkat gerektiren az sayidaki kritik buyume olayini ayikalamak
    icin son derece pratiktir.

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

#100  Variance Components (VARCOMP)
    file: 100_varcomp_provenance_family_h2_NESTED.xlsx
  >> SENARYO (anlatim):
    Bes yaslik fidan boyundaki (height_cm_5yr) toplam degiskenligin ne kadarinin
    orijinden (provenance_random), ne kadarinin orijin icindeki aileden
    (family_id_random) ve ne kadarinin birey/agac (tree_random) duzeyinden
    kaynaklandigini ayristirmak istiyoruz. Bu ic ice (nested) yapidaki rastgele
    etkilerden varyans bilesenlerini cikararak kalitsallik (h2) tahmini yapmayi
    amacliyoruz. Hiyerarsik gruplara gore varyansi paylastirmak icin varyans
    bilesenleri (VARCOMP) analizi uygundur.
  >> DEGISKEN SECIMI:
    - Rastgele etki (orijin): provenance_random
    - Rastgele etki (aile): family_id_random
    - Rastgele etki (agac): tree_random
    - Bagimli olcum (boy): height_cm_5yr

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    orijin (provenance) = %63.2   aile (family, orijin icinde nested) = %14.2   artik = %22.6
    Yuvalanmis: orijin > aile > agac (REML)

>> YORUM (anlatim):
    Bes yillik boyun degiskenliginin hangi genetik duzeyden -- orijin, aile ya da birey -- kaynaklandigini varyans
    bilesenleri analiziyle ayristirdik: orijin ve aile yuvalanmis. Sonuc carpici: varyansin %63'u orijinler arasi
    farktan, %14'u (orijin icindeki) aileler arasi farktan, %23'u bireysel/artik varyasyondan geliyor. Bu, orman
    genetiginin KALBINDEKI sonuctur: genetik yapinin buyuk kismi orijin duzeyinde -- yani "tohum nereden gelir"
    sorusu boyu belirleyen en buyuk genetik faktor. Aile duzeyi de anlamli katki yapiyor (kalitsallik var). Bu varyans
    bilesenleri, dar/genis anlamli kalitsalligin (h2) ve genetik kazancin hesaplanmasinin temelidir -- islah
    stratejisinin (orijin secimi mi aile secimi mi) ve tohum transfer bolgelerinin bilimsel dayanagidir.

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

#101  Bayesian t-Test
    file: 101_bayesian_t_test_best_control_irrigated_BF10.xlsx
  >> SENARYO (anlatim):
    Bir orman fidanliginda sulamanin fidan buyumesini etkileyip etkilemedigini
    merak ediyoruz. Kontrol grubu ile sulanan (irrigated) grup arasinda ucuncu
    yil fidan boyu (height_cm_3yr) bakimindan gercek bir fark olup olmadigini
    Bayesci yaklasimla degerlendiriyoruz. Klasik p-degeri yerine BF10 ile
    lehte/aleyhte kaniti kantitatif olarak sunmak istedigimiz icin Bayesci
    t-testi burada en uygun yontem; ozellikle orta buyuklukteki orneklemde
    belirsizligi daha seffaf gosteriyor.
  >> DEGISKEN SECIMI:
    - Grup (kategorik): treatment
    - Olcum (bagimli): height_cm_3yr

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    BF10 = 2.28e+40 (kesin/decisive kanit)   Cohen d = 5.05
    Sulanan vs kontrol -- 3 yillik boy

>> YORUM (anlatim):
    Sulanan ve kontrol (sulanmayan) fidanlarin 3 yillik boyunu Bayesci t-testiyle karsilastirdik. Bayes Faktoru BF10 =
    2.28e+40 -- astronomik buyuklukte, "kesin kanit": veri, fark oldugu hipotezini fark olmadigi hipotezine gore
    katrilyonlarca kat daha cok destekliyor. Cohen d = 5.05 ile etki olaganustu buyuk. Sulama, fidan buyumesini ezici
    sekilde artirmis. Klasik p-degerinden farki: Bayes Faktoru hem H1 hem H0 lehine kanit gucunu dogrudan olcer ve
    "kanit yoklugu" ile "yokluk kaniti"ni ayirir. Sulamanin etkisi yalnizca istatistiksel degil, pratik olarak da
    ezici -- Bayesci cerceve bunu ikna edici sekilde gosteriyor.

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

#102  Bayesian Correlation
    file: 102_bayesian_correlation_midparent_offspring_h2.xlsx
  >> SENARYO (anlatim):
    Cap kalitiminin ne olcude irsi oldugunu anlamak icin ebeveyn ile yavru
    kuagaklarin cap iliskisine bakiyoruz. Aile bazinda orta-ebeveyn capi
    (midparent_dbh_cm) ile yavrularin ortalama capi (mean_offspring_dbh)
    arasindaki korelasyonu Bayesci yontemle tahmin ederek dar anlamda kalitim
    derecesi (h2) hakkinda fikir edinmek istiyoruz. Bayesci korelasyon,
    posterior dagilim ve guvenilir aralik vererek kalitim tahminindeki
    belirsizligi daha iyi yansittigi icin tercih edildi.
  >> DEGISKEN SECIMI:
    - Degisken 1: midparent_dbh_cm
    - Degisken 2: mean_offspring_dbh

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    r = 0.750 (cok guclu)   BF10 = 3.32e+07 (kesin kanit)
    Orta-ebeveyn (midparent) dbh - doly dbh iliskisi

>> YORUM (anlatim):
    Orta-ebeveyn (midparent) capi ile doly (offspring) capi arasindaki iliskiyi Bayesci korelasyonla degerlendirdik:
    r = 0.75 cok guclu ve Bayes Faktoru BF10 = 3.32e+07 ile iliskinin varligina dair kanit kesin. Bu klasik bir
    kalitsallik (h2) kurgusudur: ebeveyn-doly korelasyonu, ozelligin ne kadarinin kalitsal oldugunu gosterir -- yuksek
    korelasyon yuksek kalitsallik demektir (cap buyuk olcude genetik kontrolde). Bayesci korelasyon, iliskinin gucunu
    bir olasilik dagilimi ve kanit faktoruyle ifade eder. Kalitsallik, agac islahinin temelidir: yuksek h2, secimle
    hizli genetik kazanc saglanabilecegini gosterir. Bu sonuc, cap ozelliginin islaha cok uygun oldugunu kanitlar.

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

#103  Bayesian ANOVA
    file: 103_bayesian_anova_provenance_site_2yonlu.xlsx
  >> SENARYO (anlatim):
    Farkli orijinlerden (provenance) gelen fidanlarin farkli deneme alanlarinda
    (site) nasil performans gosterdigini arastiriyoruz. Orijin ile alan
    faktorlerinin ve bunlarin etkilesiminin ucuncu yil boy (height_cm_3yr)
    uzerindeki etkisini iki yonlu Bayesci ANOVA ile inceliyoruz. Bayesci
    yaklasim, orijin x alan etkilesimine dair model kanitini (genotip-cevre
    etkilesimi) acikca degerlendirmemizi sagladigi icin uygun.
  >> DEGISKEN SECIMI:
    - Faktor 1 (kategorik): provenance
    - Faktor 2 (kategorik): site
    - Olcum (bagimli): height_cm_3yr

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    provenance: BF10 = 6.23e+19 (kesin kanit)
    Orijin x alan -> 3 yillik boy

>> YORUM (anlatim):
    Orijin ve alan faktorlerinin boya etkisini Bayesci ANOVA ile inceledik. Orijin etkisi ezici: Bayes Faktoru
    6.23e+19 -- "kesin kanit". Yani farkli orijinler boy bakimindan belirgin farkli (orijinler arasi guclu genetik
    farklilasma). Bayesci ANOVA, her etki ve etkilesim icin ayri bir Bayes Faktoru vererek "hangi faktor gercekten
    onemli" sorusunu klasik ANOVA'dan daha bilgilendirici yanitlar -- anlamli olmayan etkiler icin de "yokluk kaniti"
    sunabilir. Orijin denemelerinde (orijin x alan) faktor etkilerini kanit gucuyle birlikte degerlendirmenin guclu
    bir yontemidir; tohum transfer kararlarinin Bayesci kanit temelini saglar.

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

#104  Bayesian Hierarchical
    file: 104_hierarchical_bayesian_3seviye_region_provenance_family.xlsx
  >> SENARYO (anlatim):
    Genetik cesitliligin cografi olarak nasil yapilandigini uc duzeyli bir
    hiyerarsiyle cozumluyoruz: bolge (region) icinde orijin (provenance), orijin
    icinde aile (family_id) ve aile icinde bireysel agaclar. Besinci yil boy
    (height_cm_5yr) varyansinin bu duzeyler arasinda nasil dagildigini Bayesci
    hiyerarsik model ile tahmin ediyoruz. Ic ice yuvalanmis varyans
    bilesenlerini ayristirmada ve kucuk aile gruplarinda kismi havuzlama
    saglamada Bayesci hiyerarsik yapi en dogru cozumdur.
  >> DEGISKEN SECIMI:
    - Ust duzey (kategorik): region
    - Orta duzey (kategorik): provenance
    - Alt duzey grup (kategorik): family_id
    - Olcum (bagimli): height_cm_5yr

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Grup (bolge) random varyansi = 72.84 (%61.2)   artik = 46.10 (%38.8)   ICC = 0.612
    Boy ~ orijin  +  (1 | bolge)   (Bayesci)

>> YORUM (anlatim):
    Yuvalanmis genetik veriyi (bolge > orijin > aile > agac) Bayesci hiyerarsik modelle analiz ettik -- LMM'in Bayesci
    karsiligi. Bolge duzeyi varyans toplamin %61'i (ICC = 0.612); degiskenligin buyuk kismi bolgeler arasi farktan
    kaynaklaniyor. Yani boy, hangi bolgeden gelindigine guclu sekilde bagli (cografi-genetik yapilanma). Bayesci
    hiyerarsik modelin gucu: hem grup-ici hem gruplar-arasi belirsizligi tam olasilik dagilimlariyla ifade eder ve az
    gozlemli gruplari "kismi havuzlama" (partial pooling) ile dengeler -- bu, az aileli orman denemelerinde cok
    degerlidir. Cok-duzeyli genetik yapiyi (bolge/orijin/aile) modellemenin modern yoludur.

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

#105  Spatial Lag (SAR)
    file: 105_spatial_sar_population_IBD_He.xlsx
  >> SENARYO (anlatim):
    Populasyonlar arasi beklenen heterozigotlugun (He_mean) cografi uzaklikla
    iliskili olup olmadigini, yani izolasyon-by-distance (IBD) deseni olup
    olmadigini arastiriyoruz. Enlem (lat), boylam (lon), yukseklik
    (elevation_m), yagis (precipitation_mm) ve sicaklik (temperature_C) gibi
    cevresel degiskenlerle He arasindaki iliskiyi modellerken komsu
    populasyonlarin mekansal bagimliligini dikkate almamiz gerekiyor. Mekansal
    gecikme (SAR) modeli, He uzerindeki mekansal yayilma etkisini acikca
    modelledigi icin uygun.
  >> DEGISKEN SECIMI:
    - Enlem: lat
    - Boylam: lon
    - Aciklayici: elevation_m
    - Aciklayici: precipitation_mm
    - Aciklayici: temperature_C
    - Bagimli: He_mean

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    rho (mekansal gecikme) = 0.76   z = 12.11   p < .001   Pseudo R2 = 0.62
    He ~ yukselti + yagis + sicaklik  +  komsu He

>> YORUM (anlatim):
    Populasyonlarin heterozigotlugunu (He) modellerken mekansal bagimliligi -- yakin populasyonlarin benzer olma
    egilimini -- hesaba kattik. SAR (mekansal otoregresif) model, bir populasyonun He'sini komsularinin He'sine de
    baglar (rho). Burada rho = 0.76, cok guclu pozitif (z = 12.11, p < .001): komsu populasyonlarin genetik
    cesitliligi birbirine cok benziyor. Bu, populasyon genetiginin temel deseni IBD'dir -- "Isolation By Distance"
    (mesafeyle izolasyon): yakin populasyonlar gen akisiyla benzer, uzaklar farklilasir. Mekansal model kullanmak
    kritik, cunku siradan regresyon mekansal otokorelasyon varken sahte sonuc verir. SAR, gen akisi ve IBD surecini
    modellemenin dogru yoludur.

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

#106  Spatial Error
    file: 106_spatial_error_gene_akisi_residual_autocorr.xlsx
  >> SENARYO (anlatim):
    Gen akisinin (gene akisi) populasyonlar arasi heterozigotluk deseninde
    mekansal otokorelasyona yol acip acmadigini inceliyoruz. Yukseklik
    (elevation_m), yagis (anavar_precipitation_mm) ve yas yapilanmasi
    (age_structuring_year) ile He_mean arasindaki iliskiyi kurarken artiklarda
    kalan mekansal otokorelasyonu ele almamiz gerekiyor. Mekansal hata (Spatial
    Error) modeli, otokorelasyonu hata teriminde modelledigi icin gen akisina
    bagli artik bagimliligini gidermede en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Enlem: lat
    - Boylam: lon
    - Aciklayici: elevation_m
    - Aciklayici: anavar_precipitation_mm
    - Aciklayici: age_structuring_year
    - Bagimli: He_mean

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    lambda (mekansal hata) = 0.50   z = 4.45   p < .001   Pseudo R2 = 0.08
    He ~ cevresel degiskenler  +  mekansal hata yapisi

>> YORUM (anlatim):
    Mekansal hata modeli, SAR'dan farkli bir mekansal bagimlilik turunu ele alir: komsu degerlerin dogrudan etkisi
    degil, modelde gozlenmeyen (atlanmis) mekansal faktorlerin artiklar uzerinden yarattigi korelasyon. Lambda = 0.50
    (z = 4.45, p < .001) bu mekansal hata yapisinin guclu oldugunu gosterir -- olculmeyen ortak mekansal etmenler
    (gen akisi koridorlari, tarihsel yayilis, gozlenmeyen cevre) var. Hangi mekansal model (SAR mi SEM mi) uygundur
    sorusu, etkinin komsu degerlerden mi yoksa olculmeyen faktorlerden mi geldigine baglidir. SEM, bu olculmeyen
    mekansal karistiricilari temizleyerek cevresel degiskenlerin He uzerindeki gercek etkisini daha dogru tahmin eder.

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

#107  GWR
    file: 107_gwr_local_He_elevation_relationship.xlsx
  >> SENARYO (anlatim):
    Beklenen heterozigotluk (He_mean) ile yukseklik (elevation_m) arasindaki
    iliskinin cografyada sabit mi yoksa yere gore degisken mi oldugunu merak
    ediyoruz. Enlem (lat) ve boylam (lon) ile konumlandirilmis populasyonlarda,
    yagisin (precipitation_mm) da etkisini hesaba katarak He-yukseklik
    iliskisinin yerel olarak nasil degistigini gormek istiyoruz. Cografi
    agirlikli regresyon (GWR), katsayilarin mekansal degisimini yerel olarak
    tahmin ettigi icin bu mekansal heterojenligi yakalamada uygundur.
  >> DEGISKEN SECIMI:
    - Enlem: lat
    - Boylam: lon
    - Aciklayici: elevation_m
    - Aciklayici: precipitation_mm
    - Bagimli: He_mean

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R2 = 0.276   (yerel/konuma ozgu regresyon)
    He-yukselti iliskisinin mekansal degisimi

>> YORUM (anlatim):
    Siradan regresyon tum bolge icin TEK bir He-yukselti iliskisi varsayar; ama bu iliski mekanda degisebilir -- bir
    bolgede yukselti genetik cesitliligi guclu etkilerken digerinde zayif olabilir. GWR (Cografi Agirlikli Regresyon),
    her konum icin ayri bir yerel regresyon kurarak bu mekansal heterojenligi yakalar (R2 = 0.28). Cikti, katsayilarin
    haritasidir: yukseltinin He'ye etkisinin nerede guclu nerede zayif oldugunu gosteren bir yuzey. Bu, "iliski her
    yerde ayni mi" sorusunu test eder ve yerel koruma onceliklerini belirler. Manzara genetiginde (landscape genetics)
    cevre-gen iliskisinin mekansal degisimini haritalamada GWR, kuresel modelin gizledigini ortaya kor.

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

#108  Nested LMM
    file: 108_nested_lmm_R_P_F_P_agnostik.xlsx
  >> SENARYO (anlatim):
    Bir saha denemesinde besinci yil boy (height_cm_5yr) varyasyonunu deneme
    yapisindaki ic ice yuvalanmis faktorlerle aciklamak istiyoruz: bloklar
    (block), bloklar icinde populasyonlar (population) ve populasyonlar icinde
    aileler (family_no). Bu hiyerarsik tasarimda rastgele etkilerin dogru
    biciminde yuvalanmasi gerektigi icin yuvalanmis (nested) karma model en
    uygun yontemdir; boylece her duzeyin varyans katkisi ve aileler arasi
    genetik fark ayristirilabilir.
  >> DEGISKEN SECIMI:
    - Blok (rastgele): block
    - Populasyon (rastgele, yuvalanmis): population
    - Aile (rastgele, yuvalanmis): family_no
    - Bagimli: height_cm_5yr

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    populasyon (P): F = 58.84, p < .001 ***   |   aile x populasyon (RxP): F = 13.05, p < .001 ***
    aile [populasyon icinde] (R): F = 10.38, p < .001 ***

>> YORUM (anlatim):
    Bu tasarimda olcumler ic ice yuvalanmis: populasyon > aile > agac. Yuvalanmis karma model, her duzeyin varyansa
    katkisini ayri ayri test eder. Sonuclar tum duzeylerde anlamli: populasyonlar arasi fark en buyuk (F = 58.84),
    ama aile ve aile×populasyon duzeyinde de gercek farklar var. Bu, orman genetigi denemelerinin klasik yuvalanmis
    yapisidir (populasyon/aile/birey) ve kalitsallik bilesenlerini ayirmanin temelidir. Yuvalanmis veride duzeyleri
    karistirmak (ornegin populasyonu gormezden gelmek) sahte anlamlilik ya da yanlis standart hata uretir. Nested LMM,
    hiyerarsik genetik tasarimlarda her olcegin gercek katkisini ayiran dogru cercevedir.

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

#109  Crossed LMM
    file: 109_crossed_lmm_clone_site_diallel_tipli.xlsx
  >> SENARYO (anlatim):
    Klonlarin farkli deneme alanlarindaki performansini, klon ve alan
    faktorlerinin caprazlandigi bir diallel benzeri tasarimla degerlendiriyoruz.
    Her klonun (clone) birden fazla alanda (site) tekrarli olarak gozlemlendigi
    besinci yil boy (height_cm_5yr) verisinde, klon ve alan birbirine
    yuvalanmadigi icin caprazlanmis (crossed) karma model uygundur. Bu sayede
    klon genetik etkisi ile alan cevre etkisi ayni anda ve dogru sekilde tahmin
    edilebilir.
  >> DEGISKEN SECIMI:
    - Klon (rastgele, caprazlanmis): clone
    - Alan (rastgele, caprazlanmis): site
    - Bagimli: height_cm_5yr

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    klon (A): F = 8.75, p < .001 ***   |   alan (site, B): F = 0.84, p = 0.482 ns
    klon x alan etkilesimi: F = 11.35, p < .001 *** (ANLAMLI -- guclu G×E)

>> YORUM (anlatim):
    Yuvalanmanin aksine burada iki faktor caprazlanmis: her klon her alanda denenmis (tam faktoriyel). Carpici ve cok
    onemli sonuc: klon ana etkisi anlamli (F = 8.75), alan ana etkisi anlamsiz (F = 0.84), AMA klon×alan etkilesimi
    cok anlamli (F = 11.35, p < .001). Bu guclu bir Genotip×Cevre (G×E) etkilesimidir: klonlarin siralamasi alandan
    alana degisiyor -- bir alanda en iyi klon, baska alanda en iyi olmayabilir. Bu, orman genetiginin en kritik
    cikarimlarindan biri: "her yere uygun tek bir ustun klon yoktur"; klon secimi alana-ozgu yapilmalidir. Caprazlanmis
    karma model, G×E etkilesimini yakalamanin dogru yontemidir ve klonal ormancilik/tohum transfer politikasinin temelidir.

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

#110  KDE Density Map
    file: 110_KDE_population_sample_density.xlsx
  >> SENARYO (anlatim):
    Orneklenen populasyon noktalarinin cografi olarak nerelerde yogunlastigini
    ve bu yogunlugun beklenen heterozigotluk (He_mean) ile mekansal olarak nasil
    ortustugunu gormek istiyoruz. Enlem (lat) ve boylam (lon) koordinatlari
    kullanilarak ornekleme noktalarinin mekansal dagilimini surekli bir yogunluk
    yuzeyi olarak haritalamak icin cekirdek yogunluk tahmini (KDE) uygundur; bu,
    ornekleme bosluklarini ve cesitlilik sicak noktalarini gorsellestirmemizi
    saglar.
  >> DEGISKEN SECIMI:
    - Enlem: lat
    - Boylam: lon
    - Agirlik (deger): He_mean

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    95 populasyon noktasi   ortalama He = 0.404
    Cekirdek yogunluk tahmini ile ornekleme yogunlugu haritasi

>> YORUM (anlatim):
    Harita sekmesinde, populasyon ornekleme noktalarinin cografi yogunlugunu KDE (Cekirdek Yogunluk Tahmini) ile bir
    isi haritasina dokuyoruz. KDE, noktalari yumusak bir yogunluk yuzeyine cevirir: nerede yogun ornekleme/populasyon
    var, nerede bosluk var gorulebilir. 95 populasyonun dagilimi, genetik ornekleme cabasinin cografi olarak nasil
    yogunlastigini gosterir. Bu, hem ornekleme bosluklarini (hangi bolgeler az temsil ediliyor -- gelecek ornekleme
    onceligi) hem de populasyon yogunlugu yuksek bolgeleri gormek icin kullanilir. Mekansal genetik veriyi
    gorsellestirmenin temel haritalama aracidir; gen koruma alani planlamasinda degerlidir.

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

#111  Hexbin Map
    file: 111_Hexbin_provenance_distribution.xlsx
  >> SENARYO (anlatim):
    Bu çalışmada farklı tohum kaynaklarından (orijin) elde edilen meşcere
    birimlerinin coğrafi dağılımını ve yoğunluğunu görselleştirmek istiyoruz.
    Her birimin lat ve lon koordinatlarını kullanarak altıgen hücreli bir
    yoğunluk haritası oluşturuyoruz; böylece düşük, orta ve yüksek yoğunluk
    (density_interval) sınıflarının mekânda nasıl kümelendiğini görüyoruz. Nokta
    verisi çok kalabalık olduğunda örtüşmeyi engellediği ve mekânsal yoğunluğu
    net biçimde özetlediği için Hexbin haritası bu amaç için uygundur. Amacımız
    tohum kaynaklarının hangi bölgelerde yoğunlaştığını ortaya koymaktır.
  >> DEGISKEN SECIMI:
    - Enlem: lat
    - Boylam: lon
    - Yoğunluk sınıfı: density_interval

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

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

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

#112  Moran's I
    file: 112_Morans_I_He_IBD_autocorrelation.xlsx
  >> SENARYO (anlatim):
    Bu analizde popülasyonlardaki beklenen heterozigotluk (He_mean) değerlerinin
    mekânda rastgele mi dağıldığını yoksa komşu birimlerin benzer genetik
    çeşitliliğe mi sahip olduğunu araştırıyoruz. Her birimin lat ve lon
    konumlarına göre He_mean değerleri arasındaki mekânsal otokorelasyonu
    Moran's I istatistiği ile ölçüyoruz. İzolasyon-mesafe (IBD) örüntüsünü ve
    genetik çeşitliliğin coğrafi kümelenmesini sınamak için Moran's I global
    mekânsal otokorelasyon testi tam olarak uygundur. Amacımız He değerinin
    coğrafi olarak yapılanıp yapılanmadığını belirlemektir.
  >> DEGISKEN SECIMI:
    - Enlem: lat
    - Boylam: lon
    - Beklenen heterozigotluk: He_mean

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Moran's I = 0.239   z = 4.37   p < .001
    Heterozigotlugun (He) mekansal otokorelasyonu (pozitif -- IBD)

>> YORUM (anlatim):
    Moran's I, "yakin populasyonlar benzer genetik cesitlilige mi sahip" sorusunu olcen kuresel mekansal otokorelasyon
    istatistigidir. Sonuc anlamli pozitif (I = 0.24, z = 4.37, p < .001): He mekansal olarak kumeleniyor -- yuksek
    cesitlilikli populasyonlar birbirine yakin, dusuk olanlar da. Bu, populasyon genetiginin temel deseni Isolation By
    Distance'in (IBD -- mesafeyle izolasyon) imzasidir: gen akisi yakin populasyonlari benzer kilar, mesafe arttikca
    farklilasma artar. Bu bulgu metodolojik olarak da onemli: mekansal otokorelasyon varsa siradan istatistik yanlis
    olur (bu yuzden #105-107 mekansal modelleri gerekli). Moran's I, manzara genetiginin baslangic teshisidir.

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

#113  Getis-Ord Hotspot
    file: 113_Getis_Ord_high_He_hotspot.xlsx
  >> SENARYO (anlatim):
    Bu çalışmada yüksek beklenen heterozigotluğa (He_mean) sahip popülasyonların
    belirli bölgelerde istatistiksel olarak anlamlı sıcak noktalar (hotspot)
    oluşturup oluşturmadığını belirlemek istiyoruz. Birimlerin lat ve lon
    koordinatları ile He_mean değerlerini kullanarak yerel kümelenmeleri tespit
    ediyoruz. Yüksek değerlerin nerede anlamlı biçimde kümelendiğini ve düşük
    değerli soğuk noktaları ayırt etmek için Getis-Ord Gi* sıcak nokta analizi
    uygundur. Amacımız genetik çeşitlilik açısından korunmaya değer öncelikli
    alanları haritalamaktır.
  >> DEGISKEN SECIMI:
    - Enlem: lat
    - Boylam: lon
    - Beklenen heterozigotluk: He_mean

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    29 sicak nokta (yuksek He kumesi)   26 soguk nokta (dusuk He kumesi)   n = 68
    Getis-Ord Gi* yerel istatistigi (z > 1.96 anlamli)

>> YORUM (anlatim):
    Moran's I tum bolgenin genel kumelenmesini soylerken, Getis-Ord Gi* NEREDE sicak/soguk noktalar oldugunu tek tek
    konumlar icin gosterir. 29 populasyon istatistiksel olarak anlamli "sicak nokta" (yuksek genetik cesitliligin
    yuksek cesitlilikle cevrelendigi kumeler -- genetik cesitlilik merkezleri), 26 populasyon "soguk nokta" (dusuk
    cesitlilik kumeleri -- darbogaz/izole bolgeler). Bu, gen koruma icin dogrudan yol gosterir: sicak noktalar genetik
    cesitlilik rezervuarlari olarak korunmali, soguk noktalar ise genetik kurtarma (genetic rescue) ihtiyaci olabilir.
    Gi* sicak nokta analizi, "genetik cesitliligin cografi olarak nerede yogunlastigini" bulmanin standart mekansal
    yontemidir -- koruma onceliklendirmesinin temelidir.

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

#114  DBSCAN Spatial
    file: 114_DBSCAN_izole_populasyonlar.xlsx
  >> SENARYO (anlatim):
    Bu analizde tohum meşcerelerinin coğrafi konumlarına bakarak hangilerinin
    yoğun kümeler oluşturduğunu, hangilerinin ise izole popülasyonlar olduğunu
    belirlemek istiyoruz. Her birimin lat ve lon koordinatlarını kullanarak
    yoğunluk tabanlı DBSCAN kümeleme uyguluyoruz; bu yöntem küme sayısını
    önceden belirtmeyi gerektirmediği ve yoğunluğa göre gürültü/izole noktaları
    doğal biçimde ayırdığı için uygundur. Amacımız izole kalmış ve genetik
    açıdan risk altındaki popülasyonları mekânsal olarak tespit etmektir.
  >> DEGISKEN SECIMI:
    - Enlem: lat
    - Boylam: lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kume sayisi = 4   gurultu (izole) = 8   n = 115
    Populasyon konumlari yogunluk tabanli kumelendi

>> YORUM (anlatim):
    Haritada populasyonlarin cografi konumlarini DBSCAN ile yogunluk tabanli kumeledik: dort yogun populasyon obegi
    bulundu, 8 populasyon ise hicbir kumeye girmeyen "izole/gurultu" noktasi olarak isaretlendi. DBSCAN'in gucu, kume
    sayisini onceden istememesi ve duzensiz sekilli kumeleri yakalayabilmesidir -- ayrica seyrek/uzak populasyonlari
    otomatik ayirir. Koruma genetiginde bu son derece degerli: izole (gurultu) populasyonlar genelde benzersiz genetik
    mirasa sahip, gen akisindan kopuk ve darbogaz/akrabali ciftlesme riski altinda -- yani oncelikli koruma adaylari.
    Dort kume ise gen akisiyla bagli populasyon gruplarini gosterir. Bu mekansal kumeleme, koruma birimleri tanimlamak
    ve izole populasyonlari tespit etmek icin pratik bir aractir. Boylece Orman Genetigi paketinin 114 analizlik tam
    turunu tamamlamis oluyoruz.

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

#115  ?
    file: 115_seed_mescereleri_maps_analysis.xlsx
  >> SENARYO (anlatim):
    Bu çalışmada tescilli tohum meşcerelerinin peyzaj üzerindeki mekânsal
    yoğunluğunu kesintisiz bir yüzey olarak haritalamak istiyoruz. Her
    meşcerenin X ve Y projeksiyon koordinatlarını kullanarak çekirdek yoğunluk
    tahmini (KDE) ile meşcerelerin nerede yoğunlaştığını gösteren sıcaklık
    haritası üretiyoruz. Ayrık noktalardan pürüzsüz bir yoğunluk yüzeyi
    oluşturup tohum kaynaklarının coğrafi yoğunlaşma odaklarını ortaya koyduğu
    için KDE yoğunluk haritası bu amaç için uygundur. Amacımız tohum
    meşcerelerinin mekânsal yoğunlaşma desenini görselleştirmektir.
  >> DEGISKEN SECIMI:
    - Boylam (X koordinatı): X
    - Enlem (Y koordinatı): Y

  ----- SONUC & YORUM -----

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

#116  Karma Desen (Split-Plot) ANOVA
    dosya: 116_mixed_anova_seedling_height_cm.xlsx
  >> SENARYO (anlatim):
    40 seedlings uc year duzeyinde (year1, year2, year3) olculur; her biri iki provenance grubundan birine (northern / southern) aittir. Karma (split-plot) desen; seedling height uzerinde denekler-arasi ana etki,
    denek-ici ana etki ve etkilesimi sinar.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: seedling_height_cm
    - Denek kimligi: tree_id
    - Denekler-arasi faktor: provenance
    - Denek-ici faktor: year

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Between (provenance): F(1,38) = 37.78  p < .001  np2 = 0.499
    Within (year):  F(2,76) = 659.51  p < .001  np2 = 0.946
    Interaction:         F(2,76) = 10.84  p < .001  np2 = 0.222
    Mauchly W = 0.671  p = 0.001   n_subjects = 40   n_obs = 120

>> YORUM (anlatim):
    provenance x year karma deseninde 40 seedlings icin seedling height incelendi (120 gozlem). Etkilesim anlamli (F(2,76) = 10.84, p < .001, np2 = 0.222) *** -- iki grubun year boyunca degisimi farkli buyukluktedir. Denekler-arasi ana etki (northern vs southern) F = 37.78, p < .001; denek-ici ana etki (year1/year2/year3) F = 659.51, p < .001. Mauchly p = 0.001, yani kurelik ihlal edilir, Greenhouse-Geisser duzeltmeli denek-ici p okunur. Once etkilesime bakilir: anlamliysa grup etkisi her year duzeyinde ayri yorumlanmalidir. Orman genetiğinde karma desen, orijin denemelerinde büyümenin yıllar boyunca izlenmesi icin standart analizdir.

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