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

#1  Descriptive Statistics
    dosya: 01_descriptive_demographics.xlsx
  >> SENARYO (anlatim):
    Bu calismada farkli meslek gruplarindan 280 katilimcinin sosyoekonomik ve
    yasam profilini betimlemek istiyoruz. type degiskeniyle katilimcilari
    participant, worker, retired, employer ve civil_servant olarak ayirdik;
    ayrica yaslarini (age), egitim yillarini (education_year), aylik gelirlerini
    (monthly_income_TL), yasam doyumu puanlarini (satisfaction) ve haftalik
    aktivite duzeylerini (weekly_activity) olctuk. Amacimiz ortalama, standart
    sapma, minimum ve maksimum gibi temel ozet istatistiklerle orneklemin genel
    egilimini ve dagilimini gormek. Bu nedenle herhangi bir hipotez testi yerine
    betimsel istatistikler en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Degiskenler (sayisal): age
    - Degiskenler (sayisal): education_year
    - Degiskenler (sayisal): monthly_income_TL
    - Degiskenler (sayisal): satisfaction
    - Degiskenler (sayisal): weekly_activity
    - Gruplama degiskeni: type (participant, worker, retired, employer, civil_servant)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n = 280 katilimci
    yas      : ort = 43.9        |   egitim yili : ort = 13.1        |   aylik gelir : ort = 12,228 TL
    yasam memnuniyeti : ort = 3.47

>> YORUM (anlatim):
    Once katilimci orneklemimizin genel sosyo-demografik profilini cikardik: 280 katilimci, ortalama yas 44, 13 yil
    egitim, aylik ortalama gelir 12,228 TL, yasam memnuniyeti 3.47 (5 uzerinden orta-iyi). Bu betimsel tablo, izleyen
    tum analizlerin -- grup karsilastirmalari, iyi olus iliskileri, gelir-memnuniyet baglantilari -- zeminini kuruyor.
    Sosyal bilimlerde herhangi bir cikarimsal teste gecmeden once orneklemin temel demografik ozelliklerini ozetlemek,
    hem veri kalitesini denetlemek hem de bulgulari dogru baglama oturtmak icin sarttir.

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

#2  Normality Tests
    dosya: 02_normality_income_motivation.xlsx
  >> SENARYO (anlatim):
    Bu analizde 200 katilimcidan toplanan gelir (income), motivasyon
    (motivation) ve kaygi (anxiety) puanlarinin normal dagilima uyup uymadigini
    incelemek istiyoruz. Daha sonra uygulayacagimiz parametrik testlerin
    (t-testi, ANOVA gibi) varsayimlarini kontrol etmek icin bu degiskenlerin
    dagilim bicimini bilmemiz gerekiyor. Bu amacla Shapiro-Wilk ve Kolmogorov-
    Smirnov gibi normallik testlerini kullaniyoruz; bu testler her bir surekli
    degiskenin normalden sapip sapmadigini degerlendirmek icin uygundur.
  >> DEGISKEN SECIMI:
    - Test edilecek degiskenler: income
    - Test edilecek degiskenler: motivation
    - Test edilecek degiskenler: anxiety

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    income     : Shapiro-Wilk = 0.899  p < .001    KS p = 0.001   Normal Degil
    motivation : Shapiro-Wilk = 0.994  p = 0.657   KS p = 0.636   Normal
    anxiety    : Shapiro-Wilk = 0.904  p < .001    KS p = 0.001   Normal Degil

>> YORUM (anlatim):
    Uc degiskenin -- gelir, motivasyon ve kaygi -- normal dagilip dagilmadigini test ettik. Sonuc ayrisiyor:
    motivasyon normal (p = 0.657 > 0.05), ama gelir ve kaygi normallikten anlamli sapiyor (p < .001). Bu sosyal
    bilimlerde cok tipiktir: gelir neredeyse her zaman sag-carpiktir (cogu dusuk-orta gelirli, az sayida cok yuksek);
    kaygi gibi olcekler de carpik olabilir. Pratik sonuc: motivasyon uzerinde parametrik testleri (t-testi, ANOVA)
    guvenle kullanabiliriz; gelir ve kaygi icin Mann-Whitney/Kruskal-Wallis gibi parametrik olmayan yontemler ya da
    log-donusum daha dogru olur. Normallik kontrolu, her degisken icin ayri ayri hangi test ailesinin uygun oldugunu
    belirleyen kritik bir on adimdir.

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

#3  One-Sample t-Test
    dosya: 03_one_sample_t_wellbeing.xlsx
  >> SENARYO (anlatim):
    Bu calismada bir kamu toplulugundan (community degiskeni public duzeyi)
    secilen 100 kisinin iyi olus (wellbeing) puanlarinin, literaturde kabul
    edilen belirli bir referans degerinden farkli olup olmadigini test etmek
    istiyoruz. Yani tek bir grubun ortalamasini bilinen bir norm degeriyle
    karsilastiriyoruz. Tek orneklem soz konusu oldugu ve karsilastirmayi sabit
    bir test degerine karsi yaptigimiz icin tek orneklem t-testi en uygun
    yontemdir.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: wellbeing

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Hipotez yonu (cift / sag / sol): yon onceden biliniyorsa tek yonlu daha gucludur.
    - Hedges g: kucuk orneklem icin yanli-duzeltilmis Cohen d.
    - Etki buyuklugu %GA: d icin guven araligi.
    - Shapiro-Wilk / K-S: normallik varsayim kontrolu.
    - Betimsel: ortalama/SS/SH/medyan/min/maks/carpiklik/basiklik.
    - Bootstrap %GA: yeniden orneklemeyle dagilimsiz ortalama GA'si.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    t(99) = 2.3164   p = 0.023 *   Cohen d = 0.232 (Kucuk)
    Ortalama iyi olus = 54.80   (test mu = 50, olcek orta noktasi)   H0 REDDEDILIR

>> YORUM (anlatim):
    Bir toplulugun ortalama iyi olus (wellbeing) puanini, olcegin orta noktasi olan 50 ile karsilastirdik. Sonuc:
    ortalama 54.80, orta noktanin anlamli sekilde uzerinde -- t(99) = 2.32, p = 0.023, ama etki buyuklugu d = 0.23
    ile kucuk. Yani topluluk orta noktanin biraz uzerinde ama fark mutevazi. Bu ayrim onemli: kucuk etki, istatistiksel
    anlamliligin pratik onemle ayni sey olmadigini hatirlatir. Tek orneklem t-testi, bir grup ortalamasini bilinen bir
    referansla (olcek orta noktasi, norm degeri) karsilastirmanin dogru yoludur -- psikolojik olcek arastirmalarinda yaygindir.

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

#4  Independent Samples t-Test
    dosya: 04_independent_t_sex_score.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada kadin ve erkek katilimcilarin (sex degiskeni female ve male
    duzeyleri) basari puanlari (score) arasinda anlamli bir fark olup olmadigini
    incelemek istiyoruz. Toplam 115 katilimciyi cinsiyetlerine gore iki bagimsiz
    gruba ayirdik ve her grubun puan ortalamasini karsilastiracagiz. Iki
    bagimsiz grubun ortalamasini karsilastirdigimiz icin bagimsiz orneklem
    t-testi bu durum icin dogru secimdir.
  >> DEGISKEN SECIMI:
    - Faktor (grup): sex (female, male)
    - Bagimli degisken: score

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    t(113) = 3.606   p < .001 ***   Cohen d = 0.673 (Orta)
    Puan cinsiyete gore anlamli farkli.   H0 REDDEDILIR

>> YORUM (anlatim):
    Bir psikolojik olcek puaninin cinsiyete gore farklilasip farklilasmadigini bagimsiz t-testiyle inceledik. Fark
    anlamli ve orta buyuklukte (t(113) = 3.61, p < .001, d = 0.67): iki cinsiyetin puanlari belirgin sekilde farkli.
    Etki buyuklugu orta -- bu, farkin hem istatistiksel hem pratik olarak kayda deger oldugunu gosterir. Bagimsiz
    t-testi, iki bagimsiz grubun (cinsiyet, topluluk, grup) ortalamalarini karsilastirmanin temel yontemidir; p-degeri
    ile etki buyuklugunu birlikte raporlamak sosyal bilimlerde standarttir.

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

#5  Paired t-Test
    dosya: 05_paired_t_on_last.xlsx
  >> SENARYO (anlatim):
    Bu calismada 50 katilimciya uygulanan bir mudahale programinin etkisini
    olcmek icin ayni kisilerin program oncesi (on_test) ve sonrasi (last_test)
    puanlarini karsilastiriyoruz. Mudahale belirli bir hafta boyunca uygulandi
    (intervention_week). Olcumler ayni bireylerden iki kez alindigi yani
    eslestirilmis oldugu icin, oncesi ve sonrasi ortalamalar arasindaki farki
    test etmek uzere eslestirilmis orneklem t-testi en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Eslestirilmis M1: on_test
    - Eslestirilmis M2: last_test

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Eslestirilmis t(49) = -15.99   p < .001 ***   Cohen d_z = -2.262 (Buyuk)
    Ort. fark (on test − son test) = -12.23   H0 REDDEDILIR

>> YORUM (anlatim):
    Bir mudahalenin (terapi, program) etkisini, ayni katilimcilarin on-test ve son-test puanlarini eslestirilmis
    t-testiyle karsilastirarak olctuk. Sonuc carpici: son-test puanlari on-testten ortalama 12.23 puan yuksek,
    t(49) = -15.99, p < .001, etki buyuklugu d_z = -2.26 ile devasa. Mudahale belirgin bir iyilesme saglamis. Ayni
    katilimcilari iki kez olctugumuz icin esli test dogru secim -- bireyler arasi farki disar atarak, yalnizca bireyin
    kendi degisimine odaklanir. Psikolojide "oncesi-sonrasi" mudahale degerlendirmesinin altin standart yoludur.

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

#6  One-Way ANOVA
    dosya: 06_anova_therapy.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada dort farkli terapi yaklasiminin (therapy degiskeni standard,
    cooperative, project ve mixed duzeyleri) katilimcilarin basari puani (score)
    uzerindeki etkisini karsilastirmak istiyoruz. Toplam 140 katilimci bu dort
    gruba dagilmis durumda ve hangi yaklasimin daha yuksek puan saglagini merak
    ediyoruz. Ikiden fazla bagimsiz grubun ortalamasini ayni anda
    karsilastirdigimiz icin tek yonlu ANOVA bu durum icin uygundur.
  >> DEGISKEN SECIMI:
    - Faktor (grup): therapy (standard, cooperative, project, mixed)
    - Bagimli degisken: score

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - ANOVA varyanti: Klasik (Fisher) veya Welch (esit olmayan varyansa dayanikli).
    - Etki buyuklukleri: omega-kare ve epsilon-kare (eta-kareden daha az yanli).
    - Varsayimlar: Levene, Bartlett, grup basina Shapiro.
    - Grup betimseli; post-hoc (Tukey/Duncan/Bonferroni/Scheffe/Games-Howell).

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    F(3, 136) = 15.3770   p < .001 ***   η² = 0.2533
    DECISION: H0 REDDEDILIR (4 terapi turu)

>> YORUM (anlatim):
    Dort farkli terapi turunun puan uzerindeki etkisini tek yonlu ANOVA ile karsilastirdik. Sonuc anlamli (F(3,136) =
    15.38, p < .001), etki buyuklugu η² = 0.25 -- puanin dortte biri terapi turuyle aciklaniyor, klinik psikolojide
    guclu bir etkidir. ANOVA en az bir terapinin digerlerinden farkli oldugunu soyler; hangi terapilerin farklilastigini
    gormek icin post-hoc test gerekir. "Hangi terapi/mudahale daha etkili" sorusu klinik psikolojinin temel arastirma
    sorularindandir; ANOVA bunu cok gruplu olarak yanitlamanin standart yontemidir.

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

#7  Two-Way ANOVA
    dosya: 07_two_way_anova.xlsx
  >> SENARYO (anlatim):
    Bu calismada hem ogretim/uygulama yonteminin (method degiskeni standard,
    project, mixed) hem de cinsiyetin (sex degiskeni female, male) basari puani
    (score) uzerindeki etkisini ayni anda incelemek istiyoruz. Ayrica bu iki
    faktorun birbiriyle etkilesip etkilesmedigini de gormek istiyoruz. 150
    katilimci ile iki kategorik faktorun temel etkilerini ve etkilesim etkisini
    test etmek icin iki yonlu ANOVA en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Faktor 1: method (standard, project, mixed)
    - Faktor 2: sex (female, male)
    - Bagimli degisken: score

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    method (ana etki) : F(2) = 43.85   p < .001 ***   η²p = 0.38
    sex (ana etki)    : F(1) =  0.42   p = 0.519 ns    η²p = 0.003

>> YORUM (anlatim):
    Puani iki faktorle -- yontem ve cinsiyet -- birlikte inceledik. Yontemin etkisi cok guclu (F = 43.85, η²p = 0.38),
    cinsiyetin etkisi ise anlamsiz (F = 0.42, p = 0.519). Yani sonucu belirleyen tek faktor yontem; cinsiyetin hicbir
    etkisi yok. Anlamsiz cinsiyet etkisi de bilgidir: mudahale her iki cinsiyette de benzer ise yariyor, cinsiyete
    gore uyarlama gerekmiyor. Iki yonlu ANOVA'nin gucu, iki faktorun hem ayri ayri hem birlikte (etkilesim) etkisini
    ayni anda gormesidir -- "yontem etkisi cinsiyete gore degisiyor mu" sorusunu yanitlar.

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

#8  Repeated Measures ANOVA
    dosya: 08_repeated_anova_wave_wellbeing.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada 60 katilimcinin iyi olus duzeyini farkli zaman noktalarinda
    dort kez (measurement_1, measurement_2, measurement_3, measurement_4)
    olcerek zaman icindeki degisimi incelemek istiyoruz. Ayni bireyler tekrar
    tekrar olculdugu icin olcumler birbirine bagimli. Ayni deneklerden alinan
    tekrarli olcumlerin ortalamalari arasindaki farki test etmek icin tekrarli
    olcumler ANOVA yontemi uygundur.
  >> DEGISKEN SECIMI:
    - Tekrarli olcumler: measurement_1
    - Tekrarli olcumler: measurement_2
    - Tekrarli olcumler: measurement_3
    - Tekrarli olcumler: measurement_4

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Kurelik duzeltmesi: Mauchly ihlal edilince Greenhouse-Geisser.
    - Mauchly kurelik testi (W, p).
    - Genellestirilmis eta-kare (ges) etki buyuklugu.
    - Ikili post-hoc (Bonferroni/Holm); duzey basina betimsel.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    F(3, 177) = 108.40   p < .001 ***   η²p = 0.6475   (n = 60)
    DECISION: H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni 60 katilimcinin dort ardisik dalgada (wave) iyi olus puanini tekrarli olcumler ANOVA ile karsilastirdik.
    Ayni kisiler tekrar tekrar olculdugu icin gozlemler bagimli; RM-ANOVA bu bireyler-ici korelasyonu hesaba katar.
    Sonuc cok guclu (F(3,177) = 108.40, p < .001, η²p = 0.65): iyi olus dalgalar boyunca anlamli degisiyor -- guclu
    bir zamansal egilim. RM-ANOVA, ayni kisilerin zaman icinde izlendigi boylamsal (panel) calismalar icin dogru
    yontemdir ve her dalgayi bagimsiz saymaktan cok daha gucludur. Sosyal degisimi izleyen panel arastirmalarda idealdir.

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

#9  MANOVA
    dosya: 09_manova_method_3domain.xlsx
  >> SENARYO (anlatim):
    Bu calismada uc farkli ogretim yonteminin (method degiskeni standard, mixed,
    project) katilimcilarin matematik (math), fen (science) ve dil (language)
    alanlarindaki performansi uzerindeki ortak etkisini incelemek istiyoruz. 120
    katilimci ile birden fazla bagimli degiskeni ayni anda ele aliyoruz.
    Birbiriyle iliskili coklu bagimli degiskeni tek bir faktore gore
    karsilastirdigimiz icin MANOVA en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Faktor (grup): method (standard, mixed, project)
    - Bagimli degiskenler: math
    - Bagimli degiskenler: science
    - Bagimli degiskenler: language

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Genel karar icin referans test: Wilks / Pillai (en saglam) / Hotelling-Lawley / Roy.
    - Box's M: gruplarin kovaryans matrislerinin esitligi.
    - Tek-degiskenli takip ANOVA'lari (her bagimli degisken icin).
    - Cok-degiskenli kismi eta-kare; grup betimsel ortalamalari.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Wilks' Lambda = 0.433 -> F(6, 230) = 19.90   p < .001 ***   (n = 120)
    Bagimli: 3 alan (math, science, language)   |   Faktor: yontem

>> YORUM (anlatim):
    Burada uc korelasyonlu bagimli degisken (uc beceri alani) ve bir yontem faktoru var. Uc ayri ANOVA yapmak hata
    oranini sisirir ve alanlar arasi korelasyonu yok sayar. MANOVA uçunu birlikte test eder: Wilks Lambda F = 19.90,
    p < .001, yani yontem cok degiskenli profili guclu sekilde degistiriyor. MANOVA, bir mudahale birden cok iliskili
    sonucu ayni anda etkilediginde dogru yaklasimdir -- genel hata oranini kontrol eder. Anlamli MANOVA'dan sonra
    hangi alanin etkiyi surukledigini izleyen univariate testler gosterir.

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

#10  ANCOVA
    dosya: 10_ancova.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada kontrol ve iki mudahale grubunun (group degiskeni control,
    intervention-A, intervention-B) son test puanlari (last_test) arasinda fark
    olup olmadigini incelemek istiyoruz. Ancak gruplarin baslangic duzeyleri
    farkli olabileceginden, on test puanini (on_test) kovaryant olarak modele
    dahil ederek bu baslangic farkliliklarini kontrol ediyoruz. Grup etkisini
    bir surekli kovaryanttan arindirarak test ettigimiz icin ANCOVA bu durum
    icin uygundur.
  >> DEGISKEN SECIMI:
    - Faktor (grup): group (control, intervention-A, intervention-B)
    - Bagimli degisken: last_test
    - Ortak degisken (kovaryant): on_test

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Kareler toplami turu (I/II/III).
    - Regresyon egim homojenligi testi (faktor x kovaryans — ANCOVA'nin kilit varsayimi).
    - Etki buyuklukleri: omega-kare, epsilon-kare.
    - Levene & artik Shapiro; duzeltilmis (EMM) ortalamalarda Bonferroni post-hoc.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    group (faktor): η²p = 0.474 (buyuk)   p < .001 ***
    Kovaryat: on_test (baslangic duzeyi)   |   DV: last_test   H0 REDDEDILIR

>> YORUM (anlatim):
    Bir mudahalenin etkisini degerlendirirken, katilimcilarin baslangic (on-test) duzeylerini kontrol etmek sarttir --
    cunku gruplar baslangicta farkliysa son-test farki yaniltici olur. ANCOVA, on-testi kovaryat olarak alip
    istatistiksel olarak sabitler. Sonuc: baslangic duzeyi icin duzeltildikten sonra bile gruplar son-test bakimindan
    anlamli farkli (η²p = 0.47, buyuk etki). Yani gozlenen fark baslangic farklarinin yan urunu degil; mudahalenin
    gercek etkisi. ANCOVA, on-test/son-test mudahale calismalarinda baslangic farkliliklarini adil kontrol etmenin --
    psikolojide cok yaygin -- standart yontemidir.

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

#11  Bootstrap Confidence Interval
    dosya: 11_bootstrap_ci.xlsx
  >> SENARYO (anlatim):
    Bir danismanlik merkezinden ayrilan katilimcilarin kac gunde program disi
    kaldigini, yani withdrawal_day degiskenini inceledik. Orneklemimiz yalnizca
    30 kisiden olustugu ve bu surenin dagilimi normalden uzaklasti icin,
    ortalama ayrilma gununun guven araligini klasik formullerle degil, yeniden
    orneklemeye dayali Bootstrap yontemiyle kestirmek istedik. Boylece kucuk ve
    carpik bir orneklemde bile ortalama icin saglam bir yuzde 95 guven araligi
    elde edebiliyoruz.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: withdrawal_day

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gozlenen ortalama (geri cekilme/withdrawal gunu) = 4.53
    %95 Bootstrap Guven Araligi (yeniden ornekleme ile)

>> YORUM (anlatim):
    Geri cekilme (sosyal cekilme/withdrawal) gun sayisinin ortalamasi icin bootstrap yontemiyle guven araligi
    cikardik: gozlenen ortalama 4.53. Bu tur sayim/davranis verileri tipik olarak sag-carpiktir ve klasik
    normal-dagilim varsayan formuller boyle veride guvenilmez olabilir. Bootstrap, dagilim varsayimi yapmadan binlerce
    yeniden ornekleme ile araligi tahmin eder. Bu, carpik psikososyal verilerde (geri cekilme, davranis sayisi)
    ortalamanin belirsizligini dogru ifade etmenin saglam bir yoludur.

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

#12  Permutation Test
    dosya: 12_permutation.xlsx
  >> SENARYO (anlatim):
    Bir motivasyon mudahalesinin etkili olup olmadigini test etmek icin
    katilimcilari control ve experiment gruplarina ayirdik ve her birinin
    motivation puanini olctuk. Iki grubun motivasyon ortalamalari arasindaki
    farkin sansa bagl1 olup olmadigini, dagilim varsayimlarina takilmadan
    dogrudan verinin kendisinden anlamak istedik. Bu nedenle grup etiketlerini
    binlerce kez rastgele karistirarak gercek farkin ne kadar olasi oldugunu
    hesaplayan Permutasyon Testini kullaniyoruz.
  >> DEGISKEN SECIMI:
    - Faktor (grup): group (control, experiment)
    - Bagimli degisken: motivation

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    t = -2.25   p = 0.029 *   H0 REDDEDILIR
    Motivasyon iki gruba gore anlamli farkli

>> YORUM (anlatim):
    Iki grup arasinda motivasyon farkini permutasyon testiyle sinadik. Permutasyon, grup etiketlerini binlerce kez
    rastgele karip gozlenen farkin sansa bagli olup olmadigini olcer -- hicbir dagilim varsayimi gerektirmez. Sonuc
    anlamli (p = 0.029): gruplarin motivasyonu tesadufle aciklanamayacak kadar farkli. Kucuk orneklemlerde ya da
    normallik supheli oldugunda permutasyon, t-testinin saglam ve varsayimsiz alternatifidir. Psikolojik deneylerde
    grup karsilastirmalari icin guvenilir bir yedek yontemdir.

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

#13  Multiple Comparison Corrections
    dosya: 13_multiple_comparison.xlsx
  >> SENARYO (anlatim):
    Dokuz farkli ogrenme materyaliyle calisan toplam 180 katilimcinin score
    puanlarini karsilastirdik. Bu kadar cok grubu ikiserli olarak test ederken
    yanlis pozitif bulma riski hizla artiyor; yani gercekte olmayan farklari
    anlamli sanmak kolaylasiyor. Bu sahte anlamliliklari onlemek icin coklu
    karsilastirma duzeltmeleri uygulayarak p-degerlerini Bonferroni gibi
    yontemlerle kontrol altina aliyoruz.
  >> DEGISKEN SECIMI:
    - Faktor (grup): material
    - Bagimli degisken: score

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Ham (duzeltmesiz): 5/8 anlamli   |   Duzeltme sonrasi (Bonferroni/Holm/FDR): 3/8 anlamli

>> YORUM (anlatim):
    Farkli materyalleri puan uzerinden ikili karsilastirdigimizda cok sayida test yapariz -- her test yanlis-pozitif
    riski tasir. Coklu karsilastirma duzeltmesi bu riski kontrol eder. Burada onemli bir ders var: duzeltmeden once
    8 karsilastirmanin 5'i anlamli gorunurken, duzeltme sonrasi yalnizca 3'u anlamli kaliyor. Yani 2 "anlamli"
    sonuc aslinda yanlis-pozitifmis. Bu, coklu test yaparken duzeltmenin neden kritik oldugunu cok net gosterir;
    atlanirsa sahte farklar rapor edilir -- psikoloji literaturunde tekrarlanabilirlik krizinin bir nedenidir.

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

#14  Mann-Whitney U Test
    dosya: 14_mann_whitney.xlsx
  >> SENARYO (anlatim):
    Kentsel ve kirsal bolgelerde yasayan bireylerin yasam doyumunu, yani
    survival_satisfaction degiskenini karsilastirdik; location degiskeni urban
    ve rural duzeylerinden olusuyor. Doyum puanlari sirali ve normal dagilmayan
    bir yapida oldugu icin ortalamalar yerine siralamalari karsilastirmak daha
    dogru. Bu yuzden iki bagimsiz grup arasindaki farki Mann-Whitney U testiyle
    inceliyoruz.
  >> DEGISKEN SECIMI:
    - Faktor (grup): location (urban, rural)
    - Bagimli degisken: survival_satisfaction

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Mann-Whitney U = 1121.50   p = 0.049 *   r = -0.25
    Yasam memnuniyeti konuma gore anlamli farkli (sinirda).   H0 REDDEDILIR

>> YORUM (anlatim):
    Yasam memnuniyetinin konuma (sehir/kir) gore farklilasip farklilasmadigini parametrik olmayan Mann-Whitney ile
    test ettik -- cunku memnuniyet puanlari siralidir ve normal dagilmayabilir. Sonuc sinirda anlamli (U = 1121.5,
    p = 0.049), etki buyuklugu r = 0.25 ile kucuk-orta. p degeri 0.05'e cok yakin -- yani kanit zayif, dikkatli
    yorumlanmali. Sirali/carpik memnuniyet verisinde Mann-Whitney, t-testinden daha guvenilirdir ve yasam kalitesi/
    tutum calismalarinda yaygin kullanilir. Sinirda sonuclar, daha buyuk orneklemle dogrulanmali.

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

#15  Wilcoxon Signed-Rank Test
    dosya: 15_wilcoxon_attitude.xlsx
  >> SENARYO (anlatim):
    Bir egitim programina katilan danismanlarin tutumlarini program oncesi ve
    sonrasi olarak attitude_before ve attitude_post degiskenleriyle olctuk. Ayni
    kisilerin iki olcumu eslesti oldugu ve tutum puanlari sirali bir yapida
    oldugu icin parametrik t testi yerine, fark puanlarinin yonunu ve
    buyuklugunu dikkate alan Wilcoxon Isaretli Siralar testini kullaniyoruz.
    Boylece egitimin tutum uzerinde anlamli bir degisim yaratip yaratmadigini
    gorebiliriz.
  >> DEGISKEN SECIMI:
    - Eslestirilmis M1: attitude_before
    - Eslestirilmis M2: attitude_post

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Wilcoxon W = 0.00   p < .001 ***   r = 0.891   n (sifirsiz) = 30
    Danisman tutumu egitim oncesi-sonrasi anlamli degisti.   H0 REDDEDILIR

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

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

#16  Kruskal-Wallis Test
    dosya: 16_kruskal_sound_book.xlsx
  >> SENARYO (anlatim):
    Calisma ortamindaki ses duzeyinin okuma aliskanligina etkisini merak ettik;
    sound degiskeni low sound, medium sound ve high sound olmak uzere uc
    duzeyden olusuyor ve okunan kitap sayisini book_count ile olctuk. Uc
    bagimsiz grubu karsilastiriyoruz ve kitap sayisi sayim verisi olup normal
    dagilmadigindan, ortalamalar yerine siralamalara dayanan Kruskal-Wallis
    testini tercih ediyoruz.
  >> DEGISKEN SECIMI:
    - Faktor (grup): sound (low sound, medium sound, high sound)
    - Bagimli degisken: book_count

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Epsilon-kare etki buyuklugu.
    - Dunn ikili post-hoc (bag-duzeltmeli, Bonferroni/Holm).
    - Grup basina betimsel.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    H(2) = 15.96   p < .001 ***   eta-kare_H = 0.33
    Kitap okuma sayisi sosyo-ekonomik duzeye gore anlamli farkli.   H0 REDDEDILIR

>> YORUM (anlatim):
    Okunan kitap sayisinin sosyo-ekonomik duzey gruplarina gore degisip degismedigini Kruskal-Wallis ile sinadik --
    ucten fazla grubun parametrik olmayan ANOVA'si, sayim verisi normal dagilmadigi icin uygun. Sonuc cok anlamli
    (H(2) = 15.96, p < .001), etki buyuklugu eta-kare = 0.33 ile buyuk: kitap okuma sosyo-ekonomik duzeyle guclu
    iliskili. Bu, kulturel sermaye ve esitsizlik tartismalarinin somut bir gostergesidir. Sayim/sirali veride
    Kruskal-Wallis, klasik ANOVA'dan daha uygundur.

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

#17  Friedman Test
    dosya: 17_friedman_program.xlsx
  >> SENARYO (anlatim):
    Otuz katilimciya A, B, C ve D olmak uzere dort farkli mudahale kosulunu
    uyguladik ve her kosulda aldiklari puanlari condition_A, condition_B,
    condition_C ve condition_D degiskenleriyle kaydettik. Ayni kisiler tum
    kosullari deneyimledigi icin bu tekrarli olcumlerdir ve veriler sirali
    yapidadir. Dort iliskili kosul arasindaki farki incelemek icin Friedman
    testini kullaniyoruz.
  >> DEGISKEN SECIMI:
    - Maddeler (items): condition_A
    - Maddeler (items): condition_B
    - Maddeler (items): condition_C
    - Maddeler (items): condition_D

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

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

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

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

#18  Binomial Test
    dosya: 18_binomial_attainment.xlsx
  >> SENARYO (anlatim):
    Sekiz yuz kisilik bir grupta katilimcilarin bir yeterlilik sinavini gecip
    gecmedigini passed degiskeniyle ikili olarak kaydettik; 1 gecti, 0 kaldi
    anlamina geliyor. Geçme oraninin beklenen belirli bir oranla, ornegin yuzde
    50 ile anlamli sekilde farkli olup olmadigini test etmek istiyoruz. Sonuc
    iki kategorili oldugu icin bu durum tam olarak Binom Testine uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: passed

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gozlenen basari orani = 0.7037   test orani = 0.50
    p < .001 ***   H0 REDDEDILIR

>> YORUM (anlatim):
    Bir kazanim/basari oraninin sansa esit (%50) olup olmadigini binom testiyle sinadik. Gozlenen oran 0.70 --
    katilimcilarin yaklasik dortte ucu basariya ulasmis. Bu, %50'den anlamli sekilde yuksek (p < .001). Binom testi,
    tek bir ikili orani (basarili/basarisiz, var/yok) bilinen bir referans oranla karsilastirmanin en yalin yoludur.
    Sosyal bilimlerde basari/kazanim oranlarini bir hedef ya da sans duzeyiyle karsilastirmak icin pratik bir aractir.

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

#19  Sign Test
    dosya: 19_sign_test_program.xlsx
  >> SENARYO (anlatim):
    Bir mudahale programina katilan 28 kisinin program oncesi ve sonrasi
    puanlarini score_before ve score_post degiskenleriyle olctuk. Ayni
    bireylerin iki olcumunu karsilastiriyoruz, ancak farklarin buyuklugu yerine
    yalnizca artis mi yoksa azalis mi oldugu yonune odaklanmak istiyoruz. Bu en
    az varsayim gerektiren durumda, eslestirilmis farklarin isaretine dayanan
    Isaret (Sign) testini kullaniyoruz.
  >> DEGISKEN SECIMI:
    - Eslestirilmis M1: score_before
    - Eslestirilmis M2: score_post

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Pozitif (oncesi > sonrasi) = 0   (TUM katilimcilarda puan ARTTI)   p < .001 ***   H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni katilimcilarin bir program oncesi ve sonrasi puanlarini esli isaret testiyle karsilastirdik. Carpici sonuc:
    hicbir katilimcida puan dusmemis -- tum katilimcilarda artmis (0 pozitif, yani oncesi hicbirinde daha yuksek
    degil), p < .001. Yani program istisnasiz herkeste puani yukseltti. Isaret testi yalnizca degisimin yonune
    (artti/azaldi) bakar, buyuklugune degil; dayanikli ve varsayimsiz bir testtir. Degisimin yonu (kac kisi ilerledi)
    onemli oldugunda ya da dagilim cok carpik oldugunda, kaba ama saglam bir oncesi-sonrasi gostergesidir.

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

#20  Runs Test
    dosya: 20_runs_test.xlsx
  >> SENARYO (anlatim):
    Altmis gun boyunca bir katilimcinin gunluk devamsizlik durumunu absent
    degiskeniyle kaydettik; her gun icin devamsiz ya da degil seklinde ikili bir
    dizi olustu. Bu devamsizliklarin gunler boyunca rastgele mi dagildigini
    yoksa belirli bir oruntu mu, ornegin pes pese kumelenme mi gosterdigini
    merak ediyoruz. Bir dizideki gozlemlerin rasgeleligini test etmek icin Runs
    (Diziler) testini kullaniyoruz.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: absent
    - Zaman: day

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gozlenen run = 28   Z = -0.24   (rastgele kabul edilir)
    H0 REDDEDILEMEZ

>> YORUM (anlatim):
    Gunluk devamsizlik serisinin rastgele dagilip dagilmadigini -- ardisik gunlerde kumelenme/oruntu olup olmadigini --
    Wald-Wolfowitz runs testiyle sinadik. Z = -0.24 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 davranis verilerinde bu on-kontrol icin idealdir.

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

#21  Chi-Square Test of Independence
    dosya: 21_chisquare_sound_institution.xlsx
  >> SENARYO (anlatim):
    Bireylerin gurultu duzeyine olan duyarliligi ile calistiklari kurum turu
    arasinda bir iliski olup olmadigini merak ettik. Bu amacla 540 katilimcinin
    ses/gurultu hassasiyetini (sound) dusuk, orta ve yuksek (low, medium, high)
    olarak siniflandirdik ve her birinin kamu mu yoksa ozel sektorde mi
    (institution: public, private) calistigini kaydettik. Iki kategorik degisken
    arasindaki iliskiyi sinamak istedigimiz icin, satir ve sutun degiskenlerinin
    birbirinden bagimsiz olup olmadigini test eden Ki-Kare Bagimsizlik Testi bu
    durum icin en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Satir degiskeni (Faktor): sound (low, medium, high)
    - Sutun degiskeni (Faktor): institution (public, private)

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    chi-kare(2) = 141.06   p < .001 ***   Cramer V = 0.51 (Guclu)
    Sosyo-ekonomik duzey ile kurum tercihi iliskili.   H0 REDDEDILIR

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

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

#22  Chi-Square Goodness-of-Fit
    dosya: 22_chisquare_goodnessfit_style.xlsx
  >> SENARYO (anlatim):
    Katilimcilarin tercih ettikleri ogrenme/algilama stillerinin esit dagilip
    dagilmadigini incelemek istedik. 200 katilimcinin baskin stilini kinestetik,
    isitsel, gorsel ve kayitli (kinesthetic, auditory, visual, enrolled)
    kategorilerinden birine atadik. Beklentimiz her stilin esit oranda
    gozlenmesiydi; gozlenen frekanslarin bu beklenen teorik dagilima uyup
    uymadigini tek bir kategorik degisken uzerinden sinamak icin Ki-Kare Uyum
    Iyiligi Testi en dogru secimdir.
  >> DEGISKEN SECIMI:
    - Test degiskeni (kategorik): style (kinesthetic, auditory, visual, enrolled)

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    chi-kare(3) = 22.88   p < .001 ***   n = 200   k = 4 stil (beklenen: esit 1/k)
    H0 REDDEDILIR

>> YORUM (anlatim):
    Katilimcilarin stillerinin (ornegin baglanma/bilis stilleri) esit dagilip dagilmadigini ki-kare uyum iyiligi
    testiyle sinadik. Gozlenen dagilim esit beklentiden anlamli sapiyor (chi-kare(3) = 22.88, p < .001): bazi stiller
    bekleneninden yaygin, bazilari nadir. Yani stiller populasyonda dengeli degil. Uyum iyiligi testi, gozlenen bir
    kategori dagilimini teorik bir beklentiyle (esit ya da belirli oranlar) karsilastirmanin dogru yoludur; psikolojik
    tipoloji ve populasyon dagilim calismalarinda kullanilir.

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

#23  Fisher's Exact Test
    dosya: 23_fisher.xlsx
  >> SENARYO (anlatim):
    Uyguladigimiz yeni karma danismanlik yonteminin, standart yonteme kiyasla
    basari oranini artirip artirmadigini arastirdik. Sadece 28 katilimciyla
    calistik; her katilimcinin standart mi yoksa karma yontemle mi (method:
    standard, mixed) calistigini ve degerlendirmeyi gecip gecmedigini (pass: no,
    yes) kaydettik. Ornek hacmi kucuk ve beklenen hucre frekanslari dusuk oldugu
    icin, Ki-Kare yerine kesin olasilik hesaplayan Fisher'in Kesin Testi bu 2x2
    tablo icin en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Satir degiskeni (Faktor): method (standard, mixed)
    - Sutun degiskeni (Faktor): pass (no, yes)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Fisher Exact p = 0.0178 *   Phi = 0.49 (Guclu)
    Yontem ile gecme/basari iliskili.   H0 REDDEDILIR

>> YORUM (anlatim):
    Yontem ile gecme/basari arasindaki iliskiyi Fisher kesin testiyle sinadik -- cunku az gozlemli (kucuk hucreli)
    tablolarda ki-kare guvenilmezdir. Sonuc anlamli (p = 0.018), Phi = 0.49 ile iliski guclu (odds orani bir hucrenin
    bos olmasi nedeniyle uc deger almis -- guclu ama tam ayrismaya yakin bir iliski). Fisher kesin testi, kucuk
    orneklemli pilot calismalarda ya da nadir sonuclarda (kucuk hucreli 2x2 tablolar) ki-kareye gore daha dogru sonuc
    verir. Sosyal bilimlerin kucuk orneklemli deneylerinde sik gerekir.

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

#24  McNemar Test
    dosya: 24_mcnemar.xlsx
  >> SENARYO (anlatim):
    Bir mudahale programinin ayni bireyler uzerinde tutum degisikligi yaratip
    yaratmadigini incelemek istedik. 90 katilimciya program oncesi ve sonrasi
    ayni testi uyguladik; her katilimcinin ilk olcumdeki (on_test) ve son
    olcumdeki (last_test) yanitini Bsr ve Bsm kategorileri olarak kaydettik.
    Ayni bireylerden alinan eslestirilmis (tekrarli) kategorik olcumlerdeki
    degisimi sinamak istedigimiz icin, McNemar Testi bu oncesi-sonrasi tasarim
    icin uygundur.
  >> DEGISKEN SECIMI:
    - Eslestirilmis olcum 1 (oncesi): on_test (Bsr, Bsm)
    - Eslestirilmis olcum 2 (sonrasi): last_test (Bsm, Bsr)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    McNemar chi-kare = 0.00   p = 1.000   uyumsuz: b = 13, c = 14
    H0 REDDEDILEMEZ (anlamli degisim yok)

>> YORUM (anlatim):
    Ayni katilimcilarin on-test ve son-test gecme durumlarini (gecti/kaldi ikili) McNemar testiyle karsilastirdik.
    Sonuc anlamsiz (chi-kare = 0, p = 1.0): 13 kisi olumlu yonde, 14 kisi olumsuz yonde degismis -- denge neredeyse
    tam esit, yani genel gecme durumunda anlamli bir kayma yok. Anlamsiz sonuc da bilgi verir: bu mudahale ikili gecme
    durumunu degistirmemis (puanlari etkilese bile esigi gectirememis olabilir). McNemar yalnizca degisen durumlara
    (uyumsuz hucrelere) bakar; oncesi-sonrasi kategorik degisimi olcmenin dogru yoludur.

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

#25  Cohen's Kappa
    dosya: 25_kappa.xlsx
  >> SENARYO (anlatim):
    Iki bagimsiz danismanin ayni vakalari degerlendirirken ne olcude tutarli
    oldugunu, yani gozlemciler arasi uyumu olcmek istedik. 70 katilimcinin
    durumunu iki ayri danismanin (counselor_a ve counselor_b) yuksek-iyi, iyi,
    orta, dusuk (high good, good, medium, low) kategorilerine gore bagimsizca
    siniflandirmasini saglarik. Iki degerlendirici arasindaki uyumu, sansa bagli
    uyumu disladiktan sonra olcmek icin Cohen'in Kappa katsayisi en uygun
    yontemdir.
  >> DEGISKEN SECIMI:
    - Degerlendirici 1: counselor_a (high good, good, medium, low)
    - Degerlendirici 2: counselor_b (high good, good, medium, low)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cohen Kappa = 0.5845 (orta uyum)   p < .001 ***
    Iki danismanin degerlendirmesi

>> YORUM (anlatim):
    Iki danismanin (counselor) ayni katilimcilari bagimsiz degerlendirmesindeki uyumu Cohen Kappa ile olctuk. Kappa =
    0.58, "orta uyum" araliginda -- sans-duzeltilmis bir uyum olcusu, yani tesadufi uyumu ayikladiktan sonraki gercek
    tutarlilik. Bu deger, danismanlarin degerlendirmelerinde kismi tutarlilik oldugunu ama iyilestirme alani
    bulundugunu gosterir (0.60 altinda olmasi dikkat ister). Klinik/danismanlik degerlendirmesinde bu onemli: dusuk
    uyum, degerlendirme olcutlerinin netlestirilmesi gerektigini soyler. Gozlemciler-arasi guvenirligi raporlamak,
    psikolojik degerlendirmenin kalite guvencesidir.

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

#26  Cochran-Mantel-Haenszel Test
    dosya: 26_cmh.xlsx
  >> SENARYO (anlatim):
    Bir mudahale programinin basari uzerindeki etkisini, farkli topluluklarin
    etkisini kontrol altinda tutarak degerlendirmek istedik. 360 katilimciyi A,
    B ve C topluluklarina (community) ayirdik; her birinin kontrol mu yoksa
    mudahale grubunda mi (group: control, intervention) oldugunu ve basarili
    olup olmadigini (successful: yes, no) kaydettik. Topluluk katmanlari boyunca
    grup-basari iliskisini bir butun olarak sinamak istedigimiz icin, katmanli
    kategorik veriyi ele alan Cochran-Mantel-Haenszel Testi uygundur.
  >> DEGISKEN SECIMI:
    - Satir degiskeni (Faktor): group (control, intervention)
    - Sutun degiskeni (Sonuc): successful (yes, no)
    - Katman (tabakalama): community (A, B, C)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CMH chi-kare(1) = 19.67   p < .001 ***   Ortak OR (MH) = 2.77  (95% CI: 1.76 - 4.37)
    Breslow-Day chi-kare(2) = 0.04, p = 0.98 (OR homojen)   H0 REDDEDILIR

>> YORUM (anlatim):
    Mudahale grubu ile basari arasindaki iliskiyi, topluluklar (strata) icinde kontrol ederek CMH testiyle inceledik.
    Toplulugu sabit tuttugumuzda bile iliski anlamli: ortak odds orani 2.77 (p < .001) -- topluluk karistiricisindan
    arindirilmis halde, mudahale grubundakilerin basarili olma sansi kontrol grubunun 2.8 kati. Breslow-Day testi
    anlamsiz (p = 0.98), yani bu etki tum topluluklarda tutarli (homojen OR). CMH, ucuncu bir degiskenin (topluluk,
    bolge) etkisini katmanlayarak kontrol etmenin -- sosyal arastirmada cok degerli -- klasik yoludur.

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

#27  Log-Linear Analysis
    dosya: 27_log_linear.xlsx
  >> SENARYO (anlatim):
    Cinsiyet, gurultu hassasiyeti ve kurum okuru olma durumu arasindaki olasi
    etkilesimleri es zamanli olarak incelemek istedik. 90 katilimcinin
    cinsiyetini (sex: female, male), ses hassasiyetini (sound: low, high) ve
    kurum okuru olup olmadigini (institution_reader: no, yes) kaydettik. Ikiden
    fazla kategorik degisken arasindaki temel etkileri ve etkilesim oruntulerini
    cok yonlu bir kontenjans tablosunda modellemek istedigimiz icin, Log-Lineer
    Analiz bu durum icin en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Faktor 1: sex (female, male)
    - Faktor 2: sound (low, high)
    - Faktor 3: institution_reader (no, yes)

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

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

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

#28  Crosstabulation
    dosya: 28_cross.xlsx
  >> SENARYO (anlatim):
    Katilimcilarin yas gruplari ile siyasi egilimleri arasindaki dagilimi
    betimsel olarak ozetlemek istedik. 350 katilimciyi yas gruplarina (age:
    18-30, 31-50, 51+) ayirdik ve her birinin siyasi egilimini muhafazakar,
    liberal, kararsiz ve bagimsiz (conservative, liberal, uncertain, soloist)
    olarak kaydettik. Iki kategorik degiskenin birlikte dagilimini satir ve
    sutun yuzdeleriyle gormek istedigimiz icin, Capraz Tablo (Crosstabulation)
    bu betimsel ozet icin uygundur.
  >> DEGISKEN SECIMI:
    - Satir degiskeni: age (18-30, 31-50, 51+)
    - Sutun degiskeni: political (conservative, liberal, uncertain, soloist)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    chi-kare(6) = 9.29   p = 0.158   Cramer V = 0.12 (Zayif)
    Yas grubu ile siyasi tutum ARASINDA anlamli iliski YOK.   H0 REDDEDILEMEZ

>> YORUM (anlatim):
    Yas grubu ile siyasi tutum arasindaki iliskiyi capraz tablo ve ki-kare ile inceledik. Bu kez sonuc anlamsiz
    (chi-kare(6) = 9.29, p = 0.158, Cramer V = 0.12): yas ile siyasi tutum arasinda anlamli iliski yok. Anlamsiz
    sonuclar da degerlidir -- her zaman iliski beklemek hatadir. Burada yas, siyasi tutumu ayirt eden bir faktor degil;
    tutumu muhtemelen baska etmenler (egitim, sinif, cevre) belirliyor. Capraz tablo, iki kategorik degisken arasindaki
    birlikteligi gormenin en temel ve okunakli yoludur; Cramer V iliskinin gercek gucunu verir.

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

#29  Multiple Response (MR) Frequency
    dosya: 29_mr_frequency.xlsx
  >> SENARYO (anlatim):
    Katilimcilarin bos zamanlarinda hangi sosyal ve rekreasyonel etkinliklere
    katildiklarini incelemek istedik. 250 katilimcidan, birden fazla secenegi
    ayni anda isaretleyebildikleri 93 farkli etkinligi (activities) kapsayan
    coklu yanit sorusuna yanit vermelerini istedik; ayrica yaslarini da (age)
    kaydettik. Her katilimcinin birden cok secenegi isaretleyebildigi bu coklu
    yanit setinde her etkinligin secilme sikligini ozetlemek icin Coklu Yanit
    Frekans analizi uygundur.
  >> DEGISKEN SECIMI:
    - Coklu yanit seti (Maddeler): activities
    - Yardimci degisken: age

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam vaka n = 250   Yanitlayan = 250 (%100)
    Sosyal etkinlikler (spor, gonulluluk, sanat, dernek...) cok-secimli isaretlendi

>> YORUM (anlatim):
    Katilimcilara katildiklari sosyal etkinlikler soruldu -- birden fazla secenek isaretleyebildikleri "coklu yanit"
    sorusu. 250 katilimcinin tamami en az bir etkinlik sectigi icin yanit orani %100. Coklu yanit frekans analizi, her
    etkinligin kac kez ve katilimcilarin yuzde kacinca secildigini gosterir; toplam yuzdeler 100'u asar cunku herkes
    birden cok kutu isaretleyebilir. Sosyal katilim, bos zaman ve sivil toplum aktivitelerini olcen sosyolojik
    calismalarda vazgecilmez bir analizdir.

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

#30  Multiple Response Crosstab
    dosya: 30_mr_categorical.xlsx
  >> SENARYO (anlatim):
    Cinsiyete gore tercih edilen etkinliklerin farklilasip farklilasmadigini
    incelemek istedik. 220 katilimcinin cinsiyetini (sex: female, male)
    kaydettik ve birden fazla secenegi isaretleyebildikleri 15 farkli etkinligi
    (activities) kapsayan coklu yanit sorusuna yanitlarini topladik. Coklu yanit
    setini cinsiyet degiskeniyle capraz tablolayarak gruplara gore etkinlik
    oruntulerini karsilastirmak icin Coklu Yanit Capraz Tablo analizi uygundur.
  >> DEGISKEN SECIMI:
    - Satir degiskeni (Faktor): sex (female, male)
    - Coklu yanit seti (Maddeler): activities

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

>> YORUM (anlatim):
    Sosyal etkinlikleri (coklu secimli) katilimcinin cinsiyetine gore capraz tabloladik. 220 katilimcinin verisiyle,
    her etkinligin cinsiyetler arasinda nasil dagildigini gorebiliyoruz. Coklu yanit capraz tablo, "hangi grup hangi
    secenekleri daha cok isaretliyor" sorusunu yanitlar -- ornegin bir etkinlikte kadinlar, digerinde erkekler one
    cikabilir. Bu, sosyal katilimdaki toplumsal cinsiyet desenlerini ortaya koyar ve kapsayici sosyal politika
    tasarimi icin yol gosterir.

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

#31  MR x MR Crosstab
    dosya: 31_mr_mr.xlsx
  >> SENARYO (anlatim):
    Bu calismamizda 180 katilimcinin hem ilgi alanlarini hem de kariyer
    tercihlerini cok yanitli (multiple response) olarak topladik. Her katilimci
    interest degiskeninde birden fazla ilgi alanini, career degiskeninde ise
    birden fazla kariyer secenegini isaretleyebiliyordu. Amacimiz ilgi alanlari
    ile kariyer tercihleri arasinda anlamli bir iliski olup olmadigini gormekti;
    ornegin belirli ilgilere sahip kisilerin hangi meslek gruplarina yoneldigini
    incelemek istedik. Iki coklu yanit setini capraz tablo halinde
    karsilastirdigimiz icin MR x MR Crosstab analizi tam olarak bu amaca
    uygundur.
  >> DEGISKEN SECIMI:
    - Coklu yanit seti 1 (satir): interest
    - Coklu yanit seti 2 (sutun): career

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

>> YORUM (anlatim):
    Bu en gelismis coklu-yanit analizi: iki ayri cok-secimli soruyu birbiriyle caprazliyoruz -- katilimcinin ilgi
    alanlari ile kariyer hedefleri. 180 katilimcida, hangi ilgi alanlarina sahip olanlarin hangi meslekleri
    hedefledigini gorebiliyoruz: ornegin sosyal-ilgili katilimcilar danismanlik/sosyal hizmet, analitik-ilgili
    katilimcilar muhendislik/doktorluk. Bu tablo, ilgi-meslek eslesmelerini ortaya cikararak kariyer rehberligi ve
    meslek sosyolojisi calismalari icin guclu bir veri saglar.

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

#32  Cochran's Q Test
    dosya: 32_cochran_q.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada 150 katilimciya uc farkli danismanlik programini (program_M,
    program_F ve program_D) sunduk ve her program icin katilimcinin programi
    begenip begenmedigini liked degiskeniyle (no/yes) kaydettik. Ayni kisilerin
    uc programa verdigi ikili (evet/hayir) tepkiler arasinda anlamli bir fark
    olup olmadigini merak ettik. Uc veya daha fazla eslestirilmis kosulda ikili
    sonuclari karsilastirdigimiz icin Cochran Q testi bu tasarim icin en uygun
    yontemdir.
  >> DEGISKEN SECIMI:
    - Faktor (kosullar): program (program_M, program_F, program_D)
    - Ikili yanit: liked (no/yes)

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

>> YORUM (anlatim):
    Ayni katilimcilarin farkli programlari "begenme" (evet/hayir) oranlarini Cochran Q testiyle karsilastirdik --
    ikili tekrarli olcumun coklu karsiligi. Sonuc anlamsiz (Q = 0, p = 1.0): programlar arasinda begenme orani
    bakimindan fark yok, katilimcilar programlari esit oranda begeniyor. Anlamsiz sonuc da degerlidir -- bu veride
    program tercihi bakimindan bir ayrim olmadigini soyluyor. Cochran Q, ayni kisilerde tekrarlanan ikili (evet/hayir)
    olcumlerdeki degisimi sinamanin dogru yoludur; beklenen farki bulamamasi gercek bir bulgudur.

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

#33  Correlation Analysis
    dosya: 33_correlation_5variable.xlsx
  >> SENARYO (anlatim):
    Bu calismada 180 katilimcida psikolojik iyi olus ile iliskili olabilecek bes
    degiskeni olctuk: motivasyon (motivation), gunluk aktivite suresi
    (activity_hour), iyi olus (wellbeing), kaygi (anxiety) ve yasam doyumu
    (satisfaction). Amacimiz bu surekli degiskenlerin ikili olarak birbiriyle ne
    yonde ve ne kadar guclu iliskili oldugunu gormekti; ornegin motivasyon
    arttikca iyi olus ve doyumun artip artmadigini, kaygiyla ise ters yonlu bir
    iliski olup olmadigini incelemek istedik. Birden fazla surekli degisken
    arasindaki dogrusal iliskileri ayni anda degerlendirmek icin korelasyon
    analizi uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: motivation
    - Degiskenler: activity_hour
    - Degiskenler: wellbeing
    - Degiskenler: anxiety
    - Degiskenler: satisfaction

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - p-degerleri artik TUM yontemler icin uretiliyor (Pearson/Spearman/Kendall), yalniz Pearson degil.
    - Hipotez yonu (cift / sag / sol).
    - Ciftler arasi coklu-karsilastirma p-duzeltmesi: Bonferroni / Holm / FDR (Benjamini-Hochberg).
    - r icin guven araligi: Fisher z (Pearson/Spearman) veya Kendall SE.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    5 degisken (motivasyon, etkinlik saati, iyi olus, kaygi, memnuniyet)
    GUCLU iliski (|r| >= 0.75) YOK -- iliskiler orta/zayif duzeyde

>> YORUM (anlatim):
    Bes anahtar psikososyal degisken arasindaki tum ikili korelasyonlari cikardik. Hicbir cift |r| >= 0.75 esigini
    gecmiyor -- iliskiler orta ya da zayif duzeyde. Bu psikolojide tipiktir: motivasyon, iyi olus, kaygi gibi
    degiskenler birbiriyle iliskili ama hicbiri otekini tek basina belirlemiyor; psikolojik sonuclar cok-faktorludur.
    Guclu iliski olmamasi, regresyon kurarken es-dogrusallik (collinearity) riskinin dusuk oldugunu da gosterir.
    Korelasyon matrisi, modelleme oncesi degiskenler arasi yapiyi gormenin ilk adimidir.

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

#34  Bland-Altman Analysis
    dosya: 34_bland_altman.xlsx
  >> SENARYO (anlatim):
    Bu calismada 60 katilimcinin biliscel becerisini iki farkli olcum
    yontemiyle, cognitive_test_a ve cognitive_test_b ile degerlendirdik.
    Amacimiz bu iki olcum aracinin birbiriyle ne kadar uyumlu oldugunu, yani
    birinin digerinin yerine kullanilip kullanilamayacagini belirlemekti. Iki
    yontemin sadece korele olmasi degil, sistematik bir yanlilik (bias) ve uyum
    sinirlari acisindan tutarli olmasi onemli oldugu icin Bland-Altman analizini
    sectik.
  >> DEGISKEN SECIMI:
    - Eslestirilmis olcum M1: cognitive_test_a
    - Eslestirilmis olcum M2: cognitive_test_b

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Bilissel test A ort = 103.57   |   test B ort = 101.65   |   Bias ~ +1.9 (yontemler buyuk olcude uyumlu)

>> YORUM (anlatim):
    Iki bilissel/psikolojik testi ayni katilimcilara uygulayip Bland-Altman ile karsilastirdik. Bu yontem korelasyona
    bakmaz (yuksek korelasyon uyumu garanti etmez), iki olcumun farkini olcer. Ortalamalar cok yakin (103.6 vs 101.7),
    bias yaklasik 2 puan -- iki test sistematik olarak neredeyse ayni sonucu veriyor, pratikte birbirinin yerine
    kullanilabilir. Bland-Altman, iki olcme aracinin (iki test, iki gozlemci, eski/yeni form) uyumunu degerlendirmenin
    standart yoludur; psikometride test esdegerligini gostermek icin idealdir.

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

#35  Effect Size
    dosya: 35_effect_size.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada 60 katilimciyi iki ogrenme materyali grubuna ayirdik: bir
    grup kitap (book), diger grup video ile calisti ve ardindan bir basari puani
    (score) aldi. Amacimiz iki materyal turu arasindaki farkin yalnizca
    istatistiksel olarak anlamli olup olmadigini degil, bu farkin pratik
    buyuklugunu de ortaya koymakti. Gruplar arasi farkin standartlastirilmis
    buyuklugunu (orn. Cohen d) raporlamak istedigimiz icin etki buyuklugu
    analizi uygundur.
  >> DEGISKEN SECIMI:
    - Faktor (grup): material (book, video)
    - Bagimli degisken: score

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cohen d = -0.93  (buyuk etki)
    Iki materyal grubu arasinda puan farki

>> YORUM (anlatim):
    Iki mudahale/materyal grubu arasindaki puan farkini, sadece "anlamli mi" degil "ne kadar buyuk" sorusuyla -- etki
    buyuklugu olarak -- olctuk. Cohen d = -0.93 buyuk bir etki; iki grubun dagilimlari belirgin sekilde ayrisiyor.
    p-degeri orneklem buyukluguyle siser, ama etki buyuklugu orneklemden bagimsiz, gercek farkin pratik onemini verir.
    Psikolojide "bu mudahale ne kadar fark yaratiyor" sorusu, klinik ve uygulama kararlari icin kritiktir; d = 0.93
    gibi buyuk bir etki, mudahalenin guclu bir fayda sagladigini soyler. Yayinlarda etki buyuklugu raporlamak standarttir.

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

#36  Canonical Correlation (CCA)
    dosya: 36_cca.xlsx
  >> SENARYO (anlatim):
    Bu calismada 150 katilimcinin hem akademik yetenek hem de psikolojik
    degiskenlerini olctuk. Bir tarafta math, science, language, verbal ve logic
    puanlarindan olusan biliscel yetenek seti; diger tarafta motivation,
    attitude, satisfaction ve anxiety degiskenlerinden olusan psikolojik set yer
    aliyordu. Amacimiz bu iki cok degiskenli set arasindaki ortak iliski
    yapisini, yani biliscel yeteneklerin psikolojik degiskenlerle bir butun
    olarak nasil iliskilendigini ortaya cikarmakti. Iki degisken kumesi
    arasindaki kanonik iliskiyi incelemek icin Kanonik Korelasyon Analizi (KKA)
    en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Set X: math
    - Set X: science
    - Set X: language
    - Set X: verbal
    - Set X: logic
    - Set Y: motivation
    - Set Y: attitude
    - Set Y: satisfaction
    - Set Y: anxiety

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CC1: r = 0.985, chi-kare(20) = 1407.32, p < .001   |   CC2: r = 0.965, p < .001
    X seti: bilissel (math/science/language/verbal/logic)  |  Y seti: duyussal (motivasyon/tutum/memnuniyet/kaygi)

>> YORUM (anlatim):
    Iki cok-degiskenli seti -- bilissel beceriler ile duyussal degiskenler (motivasyon, tutum, memnuniyet, kaygi) --
    kanonik korelasyonla iliskilendirdik. Ilk kanonik eksen son derece guclu (r = 0.99, p < .001), ikincisi de anlamli
    (r = 0.97): bilissel ve duyussal alanlar birbirine cok siki bagli. Yani bilissel beceriler ile motivasyon/tutum
    birlikte hareket ediyor. CCA, "iki degisken bloku nasil birlikte degisir" sorusunun en dogrudan yanitidir;
    psikolojide bilissel-duyussal etkilesimi incelemek icin guclu bir yontemdir.

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

#37  Correspondence Analysis (CA)
    dosya: 37_ca.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada 380 katilimcinin calisma ortamindaki ses duzeyini (sound:
    low, medium, high) ve mesleklerini (occupation: engineer, counselor,
    civil_servant, doctor, psychological) kaydettik. Amacimiz iki kategorik
    degiskenin kategorileri arasindaki iliski oruntusunu gorsellestirmekti;
    ornegin hangi meslek gruplarinin hangi ses duzeyleriyle daha cok bir araya
    geldigini bir harita uzerinde incelemek istedik. Iki nitel degiskenin
    kategorileri arasindaki yakinliklari iki boyutlu uzayda haritalamak icin
    Uyum Analizi (CA) uygundur.
  >> DEGISKEN SECIMI:
    - Satir degiskeni: sound (low, medium, high)
    - Sutun degiskeni: occupation (engineer, counselor, civil_servant, doctor, psychological)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam atalet (inertia) = 0.846   Boyut sayisi = 2
    Sosyo-ekonomik duzey x meslek tercihi kontenjans tablosu

>> YORUM (anlatim):
    Sosyo-ekonomik duzey ile meslek tercihi arasindaki kontenjans tablosunu uyum analizi ile iki boyutlu bir haritaya
    dusurduk. Toplam atalet 0.846 ile cok guclu bir iliski var; iki boyut bu yapinin buyuk kismini gorsellestiriyor.
    Haritada birbirine yakin dusen duzey-meslek ciftleri, o sosyo-ekonomik grubun o meslege yoneldigini gosterir. Bu,
    sosyolojide sosyo-ekonomik kokenin meslek beklentilerini nasil sekillendirdigini -- sosyal hareketlilik ve
    yeniden uretim tartismasini -- tek bakista okumayi saglar. Kategorik iliskileri gorsellestirmenin en guclu yoludur.

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

#38  Variable Clustering (VarClus)
    dosya: 38_varclus.xlsx
  >> SENARYO (anlatim):
    Bu calismada 180 katilimciya oz-yeterlik, motivasyon ve kaygiyi olcen toplam
    18 madde uyguladik: self_efficacy_1 ile self_efficacy_6 arasinda alti oz-
    yeterlik maddesi, motivation_1 ile motivation_6 arasinda alti motivasyon
    maddesi ve anxiety_1 ile anxiety_6 arasinda alti kaygi maddesi. Amacimiz bu
    maddelerin hangilerinin birbirine yakin gruplar olusturdugunu, yani olcegin
    altinda yatan degisken kumelerini veriden hareketle kesfetmekti. Cok sayida
    surekli maddeyi benzerliklerine gore otomatik kumelere ayirmak icin Degisken
    Kumeleme (VarClus) yontemini sectik.
  >> DEGISKEN SECIMI:
    - Maddeler (items): self_efficacy_1
    - Maddeler (items): self_efficacy_2
    - Maddeler (items): self_efficacy_3
    - Maddeler (items): self_efficacy_4
    - Maddeler (items): self_efficacy_5
    - Maddeler (items): self_efficacy_6
    - Maddeler (items): motivation_1
    - Maddeler (items): motivation_2
    - Maddeler (items): motivation_3
    - Maddeler (items): motivation_4
    - Maddeler (items): motivation_5
    - Maddeler (items): motivation_6
    - Maddeler (items): anxiety_1
    - Maddeler (items): anxiety_2
    - Maddeler (items): anxiety_3
    - Maddeler (items): anxiety_4
    - Maddeler (items): anxiety_5
    - Maddeler (items): anxiety_6

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

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

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

#39  Multiple Linear Regression
    dosya: 39_multiple_regression_wellbeing.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada 200 katilimcinin psikolojik iyi olusunu (wellbeing) yordayan
    etkenleri inceledik. Ongorucu olarak gunluk aktivite duzeyi (activity),
    motivasyon (motivation), ebeveyn egitim duzeyi (parent_education) ve sosyal
    geri cekilme (withdrawal) degiskenlerini ele aldik. Amacimiz bu
    degiskenlerin iyi olus uzerindeki bagimsiz katkilarini ayni modelde birlikte
    degerlendirmek ve hangisinin daha guclu bir yordayici oldugunu belirlemekti.
    Surekli bir bagimli degiskeni birden cok surekli ongorucuyle aciklamak icin
    Coklu Dogrusal Regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: wellbeing
    - Ongoruculer: activity
    - Ongoruculer: motivation
    - Ongoruculer: parent_education
    - Ongoruculer: withdrawal

  >> 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 = 0.616   Duzeltilmis R2 = 0.608
    Iyi olus ~ etkinlik + motivasyon + ebeveyn egitimi + geri cekilme

>> YORUM (anlatim):
    Iyi olusu (wellbeing) dort degiskenden -- sosyal etkinlik, motivasyon, ebeveyn egitimi, geri cekilme -- tahmin
    eden coklu dogrusal regresyon kurduk. Model orta-guclu: degiskenler birlikte iyi olus varyansinin %62'sini
    acikliyor (R2 = 0.62). Bu psikolojide iyi bir aciklama orani -- iyi olus cok-faktorludur ve %62 anlamli bir
    kismini yakaliyor. Boyle bir model, hangi degiskenin iyi olusa en cok katki yaptigini gosterir ve mudahale
    onceliklerini belirler. Coklu regresyon, surekli bir psikolojik ciktiyi birden cok surukleyiciyle aciklamanin
    temel aracidir.

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

#40  Logistic Regression
    dosya: 40_logistic.xlsx
  >> SENARYO (anlatim):
    Bu calismada 300 katilimcinin ikili iyi olus durumunu (wellbeing) yordamak
    istedik. Ongorucu olarak gunluk aktivite duzeyi (activity), motivasyon
    (motivation), maruz kalinan ses duzeyi (sound) ve kurumsal egitim kazanimi
    (institution_attainment) degiskenlerini kullandik. Amacimiz bu degiskenlerin
    iyi olus olasiligini ne yonde ve ne olcude etkiledigini, odds oranlari
    uzerinden yorumlamakti. Bagimli degisken ikili oldugu icin Lojistik
    Regresyon bu tasarim icin uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (ikili): wellbeing
    - Ongoruculer: activity
    - Ongoruculer: motivation
    - Ongoruculer: sound
    - Ongoruculer: institution_attainment

  >> 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 = 0.171
    Kuruma kabul/kazanim (1/0) ~ iyi olus + etkinlik + motivasyon + sosyo-ekonomik

>> YORUM (anlatim):
    Bir katilimcinin kuruma kabul/kazanim olasiligini iyi olus, etkinlik, motivasyon ve sosyo-ekonomik duzeyden
    tahmin eden lojistik regresyon kurduk. Cikti ikili (kazandi/kazanamadi) oldugu icin lojistik regresyon dogru
    secim. Pseudo R2 = 0.17, modelin sonucu kismen acikladigini gosteriyor -- katsayilar genelde iyi olus ve motivasyon
    arttikca kazanma sansinin yukseldigini soyler. Sosyal bilimlerde bir sonucu (kabul, kazanim, basari) risk/koruyucu
    faktorlerden tahmin etmek icin lojistik regresyon en yaygin yontemdir; her faktorun odds uzerindeki etkisini verir.

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

#41  Poisson / Negative Binomial Regression
    dosya: 41_poisson.xlsx
  >> SENARYO (anlatim):
    Bu calismada ergenlerde davranis problemlerinin sikligini hangi etkenlerin
    yordadigini inceledik. Her katilimcinin yasini (age) ve motivasyon duzeyini
    (motivation) olcup, belirli bir donemde gozlenen davranis ihlali sayisini
    (conduct_count) saydim olarak kaydettik. Bagimli degisken bir sayim oldugu
    icin ve dagilimi sifir agirlikli ve sagdan carpik oldugundan, normal
    regresyon yerine Poisson / Negatif Binom regresyonu kullaniyoruz. Boylece
    asiri yayilim durumunu da kontrol ederek motivasyon ve yasin davranis sayimi
    uzerindeki etkisini saglikli sekilde tahmin edebiliyoruz.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (sayim): conduct_count
    - Ongorucu: age
    - Ongorucu: motivation

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 180.91   Deviance = 113.68
    Davranis/olay sayisi (conduct) ~ yas + motivasyon   (Poisson)

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

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

#42  Multinomial Logistic Regression
    dosya: 42_multinomial.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada bireylerin akademik yetenek profillerinin meslek tercihlerini
    nasil ayirt ettigini ele aldik. Katilimcilarin matematik (math) ve sanat
    (art) performans puanlarini olctuk; sonuc degiskeni olarak da uc kategorili
    meslegi (occupation: doctor, engineer, artist) belirledik. Bagimli degisken
    ikiden fazla ve siralamasiz kategori icerdigi icin Multinom Lojistik
    Regresyon en uygun yontemdir. Bu sayede matematik ve sanat puanlarinin
    doktor, muhendis ve sanatci olma olasiligini nasil degistirdigini
    karsilastirabiliyoruz.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (kategorik): occupation (doctor, engineer, artist)
    - Ongorucu: math
    - Ongorucu: art

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 252.96   Referans sinif: 'artist' (sanatci)
    Meslek tercihi ~ matematik + sanat puani

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

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

#43  Ordinal Logistic Regression
    dosya: 43_ordinal.xlsx
  >> SENARYO (anlatim):
    Bu calismada bireylerin motivasyon duzeyinin hangi sosyal kaynaklarla
    iliskili oldugunu inceledik. Katilimcilarin aldigi danismanlik destegini
    (counselor_support) ve icinde bulunduklari toplulukta algiladiklari
    firsatlari (community_opportunity) olctuk; sonuc degiskeni olan motivasyon
    duzeyi (motivation_level) dusukten yuksege siralanan kategorilerden
    olusuyor. Bagimli degisken sirali bir yapida oldugu icin Sirali (Ordinal)
    Lojistik Regresyon kullaniyoruz. Boylece danismanlik destegi ve topluluk
    firsatlarinin daha yuksek motivasyon kategorisine gecme olasiligini nasil
    artirdigini tahmin edebiliyoruz.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (sirali): motivation_level (low, medium, high)
    - Ongorucu: counselor_support
    - Ongorucu: community_opportunity

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 466.81
    Motivasyon duzeyi (dusuk<orta<yuksek) ~ danisman destegi + topluluk olanaklari

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

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

#44  PLS Regression
    dosya: 44_pls.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada cok sayida birbiriyle iliskili davranissal gostergeden
    hareketle bireysel kazanimi yordamayi amacladik. Katilimcilarin on iki ayri
    davranis maddesini (behavior_01'den behavior_12'ye kadar) olctuk ve bunlarin
    tamami birbirine yuksek oranda korele. Cikti degiskenimiz ise genel kazanim
    puani (attainment). Ongoruculer arasinda guclu coklu dogrusal baglanti
    bulundugundan, gizil bilesenler uzerinden calisan PLS Regresyonu en uygun
    yontemdir. Bu yöntem, on iki davranis maddesini birkac latent bilesene
    indirgeyerek kazanimi kararli sekilde tahmin etmemizi saglar.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: attainment
    - Ongorucu: behavior_01
    - Ongorucu: behavior_02
    - Ongorucu: behavior_03
    - Ongorucu: behavior_04
    - Ongorucu: behavior_05
    - Ongorucu: behavior_06
    - Ongorucu: behavior_07
    - Ongorucu: behavior_08
    - Ongorucu: behavior_09
    - Ongorucu: behavior_10
    - Ongorucu: behavior_11
    - Ongorucu: behavior_12

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R2_train = 0.877   R2_CV (5-katli) = 0.860
    Kazanim (attainment) ~ 12 davranis maddesi

>> YORUM (anlatim):
    Kazanimi, birbiriyle iliskili 12 davranis maddesinden PLS (Kismi En Kucuk Kareler) regresyonuyla tahmin ettik.
    Davranis maddeleri birbiriyle korelasyonlu oldugunda klasik regresyon kararsizlasir; PLS bunu, maddeleri az
    sayida ortogonal bilesene indirgeyerek cozer. Model hem egitimde (R2 = 0.88) hem capraz-dogrulamada (R2_CV = 0.86)
    cok guclu -- asiri uyum yok, genelleme iyi. Cok sayida iliskili madde/davranis oldugunda (gozlem olcekleri, anket
    bataryalari) PLS, hem tahmin gucu hem yorumlanabilirligi koruyan tercih edilen yontemdir.

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

#45  Probit Regression
    dosya: 45_probit.xlsx
  >> SENARYO (anlatim):
    Bu calismada bir gelisim programina ayrilan etkinlik suresinin basari
    olasiligini nasil etkiledigini inceledik. Her katilimci icin gunluk etkinlik
    saatini (activity_hour) kaydettik ve sonuc olarak programi gecip gecmedigini
    (passed: 0/1) ikili olarak olctuk. Bagimli degisken ikili oldugu ve hata
    teriminin normal dagilim varsayimina dayanmasini tercih ettigimiz icin
    Probit Regresyon kullaniyoruz. Bu sayede etkinlik suresindeki artisin
    basariyi gecme olasiligini ne olcude yukselttigini tahmin edebiliyoruz.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (ikili): passed
    - Ongorucu: activity_hour

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 97.53   Pseudo R2 (McFadden) = 0.603
    Gecme (1/0) ~ etkinlik saati

>> YORUM (anlatim):
    Bir katilimcinin gecip gecmeyecegini etkinlik saatinden probit regresyonla tahmin ettik. Probit, lojistik gibi
    ikili sonuc modeller ama normal dagilim egrisi (kumulatif normal) varsayar. Pseudo R2 = 0.60 ile cok guclu:
    etkinlik saati gecme olasiligini buyuk olcude acikliyor. Probit ve lojistik genelde benzer sonuc verir; secim
    cogu zaman gelenek ve yorum tercihine baglidir. Sosyal bilimlerde basari/gecme olasiligini surekli bir
    yordayicidan tahmin etmek icin uygundur.

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

#46  Tobit Regression
    dosya: 46_tobit.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada hanelerin egitim icin ayirdigi harcamalari yordayan etkenleri
    inceledik. Her hane icin gelir (income) ve cocuk sayisini (child_count)
    olctuk; bagimli degiskenimiz ise egitime ayrilan ders ucreti harcamasi
    (education_tuition). Bu harcama degiskeni cok sayida hanede sifirda
    yiginlanmis, yani alttan sansurlenmis bir yapida. Bu nedenle siradan
    regresyon yanli olur ve sansurlenmis verilere uygun Tobit Regresyon
    kullaniyoruz. Boylece gelir ve cocuk sayisinin egitim harcamasi uzerindeki
    gercek etkisini sapmasiz tahmin edebiliyoruz.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (sansurlu): education_tuition
    - Ongorucu: income
    - Ongorucu: child_count

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 475.35   Tobit (sol-sansurlu: harcama tabandan kesik)
    Egitim harcamasi (tuition) ~ gelir + cocuk sayisi

>> YORUM (anlatim):
    Ailelerin egitim harcamasini gelir ve cocuk sayisindan modelledik. Sorun: bazi aileler hic egitim harcamasi
    yapmiyor (sifir) ya da harcama bir taban deger altinda kumeleniyor -- bu sansurlu (censored) veridir, siradan
    regresyon yanli sonuc verir. Tobit regresyon bu sol-sansurlu yapiyi dogru modeller (AIC = 475.35). Tipik olarak
    gelir arttikca, cocuk sayisi azaldikca egitim harcamasi artar. Sansurlu/yiginli verilerle (harcama, sure, baris)
    calismanin istatistiksel olarak dogru cozumu Tobit modelidir.

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

#47  Bayesian Linear Regression
    dosya: 47_bayesian.xlsx
  >> SENARYO (anlatim):
    Bu calismada bireylerin iyilik hali puanini yordamak icin etkinlik katilimi
    ve yas degiskenlerini kullandik. Her katilimci icin etkinlik duzeyini
    (activity) ve yasi (age) olctuk; sonuc degiskenimiz genel iyilik puani
    (score). Orneklem gorece kucuk oldugu ve parametreler hakkindaki
    belirsizligi olasiliksal olarak ifade etmek istedigimiz icin Bayesci
    Dogrusal Regresyon kullaniyoruz. Bu yaklasim, on bilgiyi de katarak
    katsayilar icin nokta tahmin yerine guvenilirlik araliklari ureterek daha
    zengin bir yorum saglar.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: score
    - Ongorucu: activity
    - Ongorucu: age

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Konjugat Normal-Inverse-Gamma prior   posterior sigma2 = 16.95
    Puan ~ etkinlik + yas

>> YORUM (anlatim):
    Puani etkinlik ve yastan tahmin ederken Bayesci dogrusal regresyon kullandik. Bayesci yaklasimin avantaji: sonuc
    tek bir p-degeri degil, parametreler icin bir olasilik dagilimi (posterior) verir -- her katsayi icin bir
    guvenilirlik araligi ve "etkinin pozitif olma olasiligi" elde ederiz. Posterior hata varyansi sigma2 = 16.95.
    Bayesci yontem, belirsizligi durustce ifade eder ve onceki bilgiyi (prior) modele dahil edebilir. Kucuk
    orneklemli ya da onceki calismalardan bilgi tasinmasi gereken psikolojik arastirmalarda degerlidir.

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

#48  Nonlinear Regression
    dosya: 48_nonlinear.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada cocuklarda dil gelisiminin yasa bagli olarak nasil
    ilerledigini inceledik. Her cocugun yasini (age) ve sahip oldugu kelime
    sayisini (word_count) olctuk. Kelime dagarciginin yasla birlikte artisi
    dogrusal degil; baslangicta hizla yukselip sonra doygunluga ulasan egrisel
    bir yapida. Bu nedenle dogrusal modeller yetersiz kalir ve buyume egrisini
    esnek bir fonksiyonla modelleyen Dogrusal Olmayan (Nonlinear) Regresyon
    kullaniyoruz. Boylece yasa gore kelime sayisindaki egrisel buyume
    orunutusunu dogru bicimde tahmin edebiliyoruz.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: word_count
    - Ongorucu: age

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Model: y = K / (1 + exp(-r·(x-x0)))  (lojistik buyume)   R2 = 0.966
    Dil (kelime sayisi) ~ yas

>> YORUM (anlatim):
    Cocuklarin kelime dagarcigi gelisimini yasa gore modelledik. Dil edinimi dogrusal degildir: yavas baslar, hizla
    artar, sonra bir tavana (K) dogru doygunlasir -- klasik bir S-egrisi (lojistik buyume). Bunu lojistik fonksiyonla
    modelledik ve uyum mukemmel (R2 = 0.97). Egri, gelisimin hangi yasta hizlandigini ve tavana ne zaman yaklastigini
    gosterir. Dogrusal olmayan regresyon, gelisim psikolojisinde buyume/ogrenme egrilerini -- dil edinimi, beceri
    kazanimi -- dogru modellemenin yoludur; duz cizgi zorlamak gelisimin dogasini yanlis yansitirdi.

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

#49  Ridge Regression
    dosya: 49_ridge.xlsx
  >> SENARYO (anlatim):
    Bu calismada bir olcekteki cok sayida maddeden hareketle motivasyonu
    yordamayi amacladik. Katilimcilarin on bes ayri olcek maddesini
    (item_p01'den item_p15'e kadar) olctuk; bu maddeler birbirleriyle yuksek
    oranda korele oldugundan ciddi coklu dogrusal baglanti var. Cikti
    degiskenimiz ise motivasyon puani (motivation). Coklu baglanti katsayilari
    kararsiz hale getirdigi icin, katsayilara ceza terimi ekleyen Ridge
    Regresyonu kullaniyoruz. Bu yontem katsayilari kuculterek daha kararli ve
    genellenebilir tahminler uretmemizi saglar.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: motivation
    - Ongorucu: item_p01
    - Ongorucu: item_p02
    - Ongorucu: item_p03
    - Ongorucu: item_p04
    - Ongorucu: item_p05
    - Ongorucu: item_p06
    - Ongorucu: item_p07
    - Ongorucu: item_p08
    - Ongorucu: item_p09
    - Ongorucu: item_p10
    - Ongorucu: item_p11
    - Ongorucu: item_p12
    - Ongorucu: item_p13
    - Ongorucu: item_p14
    - Ongorucu: item_p15

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Ridge (alpha = 1.0): R2 = 0.618   Duz. R2 = 0.586   n = 200
    Motivasyon ~ 15 olcek maddesi (birbiriyle korelasyonlu)

>> YORUM (anlatim):
    Motivasyonu, birbiriyle yuksek korelasyonlu 15 olcek maddesinden tahmin ederken klasik regresyon kararsizlasir
    (es-dogrusallik katsayilari sisirir). Ridge regresyon, tum katsayilari kuculterek bu sorunu cozer -- katsayilari
    sifirlamaz ama buyukluklerini sinirlar, boylece tahmin kararli kalir (R2 = 0.62). Ridge, "tum maddeleri tutmak
    istiyorum ama es-dogrusallik var" durumunda idealdir. Olcek maddeleri gibi dogal olarak iliskili degisken
    setlerinde, asiri uyumu onleyip kararli tahmin saglar.

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

#50  Lasso Regression
    dosya: 50_lasso.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada cok sayida aday degiskenden hangilerinin bireysel kazanimi
    gercekten yordadigini belirlemeyi amacladik. Katilimcilar icin otuz farkli
    ongorucu degisken (x01'den x30'a kadar) olctuk ve bunlarin cogunun kazanimla
    iliskisiz olabilecegini dusunuyoruz. Cikti degiskenimiz kazanim puani
    (attainment). Bu kadar cok ongorucu icinden onemlileri secip gerisini elemek
    istedigimiz icin, gereksiz katsayilari sifira indiren Lasso Regresyonu
    kullaniyoruz. Bu sayede hem otomatik degisken secimi yapip hem de
    yorumlanabilir, sade bir model elde ediyoruz.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: attainment
    - Ongorucu: x01
    - Ongorucu: x02
    - Ongorucu: x03
    - Ongorucu: x04
    - Ongorucu: x05
    - Ongorucu: x06
    - Ongorucu: x07
    - Ongorucu: x08
    - Ongorucu: x09
    - Ongorucu: x10
    - Ongorucu: x11
    - Ongorucu: x12
    - Ongorucu: x13
    - Ongorucu: x14
    - Ongorucu: x15
    - Ongorucu: x16
    - Ongorucu: x17
    - Ongorucu: x18
    - Ongorucu: x19
    - Ongorucu: x20
    - Ongorucu: x21
    - Ongorucu: x22
    - Ongorucu: x23
    - Ongorucu: x24
    - Ongorucu: x25
    - Ongorucu: x26
    - Ongorucu: x27
    - Ongorucu: x28
    - Ongorucu: x29
    - Ongorucu: x30

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Lasso (alpha = 0.1): R2 = 0.726   Duz. R2 = 0.688   n = 250
    30 yordayicidan 18'inin katsayisi sifira cekildi (otomatik ozellik secimi)

>> YORUM (anlatim):
    Bu veride az sayida gercek yordayici ile cok sayida onemsiz degisken karisik haldeydi. Lasso regresyonun gucu
    burada gorulur: ceza terimi onemsiz degiskenlerin katsayilarini tam olarak sifira ceker -- otomatik degisken
    secimi yapar. 30 yordayicidan 18'i elendi, model R2 = 0.73 ile guclu kaldi. Lasso, cok sayida aday degisken
    iciden gercek surukleyicileri secmek istediginizde -- yuksek boyutlu psikometri/sosyal veride -- son derece
    kullanislidir. Ridge tum degiskenleri kuculturken, Lasso onemsizleri tamamen eler.

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

#51  Mediation Analysis
    dosya: 51_mediation.xlsx
  >> SENARYO (anlatim):
    Lise ogrencilerinde ailenin saglamis oldugu destegin akademik basariya nasil
    yansidigini merak ettik. parent_support degiskeniyle olctugumuz ebeveyn
    destegi, ogrencinin basarisini dogrudan mi etkiliyor, yoksa bu etki
    ogrencinin motivation duzeyi uzerinden mi gerceklesiyor? attainment olarak
    olctugumuz akademik kazanim son cikti degiskenimiz. Bir on degiskenin sonuca
    giden yolda araci bir mekanizmadan gectigini test etmek istedigimiz icin
    aracilik (mediation) analizi tam da bu sorunun cevabi icin uygundur.
  >> DEGISKEN SECIMI:
    - Bagimsiz degisken (X): parent_support
    - Araci degisken (M): motivation
    - Bagimli degisken (Y): attainment

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dolayli etki (Indirect) = 5.64   p < .001   %95 GA (3.91 , 7.57)   Anlamli
    Yol: ebeveyn destegi -> motivasyon -> kazanim

>> YORUM (anlatim):
    Ebeveyn desteginin kazanima etkisinin motivasyon uzerinden gecip gecmedigini aracilik analiziyle test ettik.
    Dolayli etki anlamli (5.64, p < .001, GA sifiri icermiyor): ebeveyn destegi motivasyonu artirir, artan motivasyon
    da kazanimi yukseltir. Yani ebeveyn destegi kazanimi dogrudan degil, motivasyon "araciligiyla" etkiliyor. Bu,
    gelisim ve egitim psikolojisinin temel sorularindan birini -- aile etkisinin hangi mekanizmayla isledigini --
    ortaya kor. Aracilik analizi, "X neden Y'yi etkiler" sorusundaki ara mekanizmayi acar ve mudahale noktalarini gosterir.

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

#52  Path Analysis
    dosya: 52_path.xlsx
  >> SENARYO (anlatim):
    Ogrencilerin akademik basarisini etkileyen ic ice gecmis surecleri tek bir
    model icinde gostermek istedik. self_efficacy yani oz-yeterlik algisinin
    once motivation duzeyini, motivasyonun da ogrencinin gosterdigi effort yani
    caba miktarini etkiledigini, sonucta tum bu zincirin attainment olarak
    olctugumuz akademik kazanimi belirledigini dusunuyoruz. Birden fazla
    dogrudan ve dolayli iliskiyi ayni anda sinamak istedigimiz icin yol analizi
    (path analysis) bu degisken zincirini modellemek icin en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Ongorucu: self_efficacy
    - Araci/Ongorucu: motivation
    - Araci/Ongorucu: effort
    - Bagimli degisken: attainment

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CFI = 0.866   RMSEA = 0.243   (uyum zayif -- model gozden gecirilmeli)
    Model: oz-yeterlik/motivasyon/caba -> kazanim; oz-yeterlik -> motivasyon

>> YORUM (anlatim):
    Yol analizi, birden cok neden-sonuc iliskisini ayni anda modelleyen genisletilmis regresyondur. Burada oz-yeterlik,
    motivasyon ve cabanin kazanimi etkiledigini ve oz-yeterligin motivasyonu beslediğini sinadik. CFI = 0.87 ve RMSEA
    = 0.24 -- uyum zayif, yani kurgulanan model veriyle tam ortusmuyor, bazi yollar eksik ya da fazla olabilir. Bu da
    bilgi verir: kuramsal modelin gozden gecirilmesi gerektigini soyler. Yol analizi, dolayli ve dogrudan etkileri
    ayirmanin ve psikolojik kuramlari test etmenin guclu yoludur; iyi uyum kadar kotu uyum da modeli iyilestirmek icin yol gosterir.

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

#53  Linear Mixed Model (LMM)
    dosya: 53_lmm.xlsx
  >> SENARYO (anlatim):
    Bir danismanlik programina katilan bireylerin iyi olus duzeyini dort farkli
    zaman noktasinda izledik. wave degiskeni D1, D2, D3 ve D4 olarak kodlanan
    olcum dalgalarini, wellbeing ise her dalgada olculen iyi olus puanini
    gosteriyor. Ayni kisiler tekrar tekrar olculdugu icin gozlemler birbirinden
    bagimsiz degil; participant_id ile tanimlanan bireysel farkliliklari
    rastgele etki olarak modele katmamiz gerekiyor. Bu tekrarli olcum yapisi
    nedeniyle dogrusal karma model (LMM) en uygun yaklasimdir.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (DV): wellbeing
    - Sabit etki (zaman/faktor): wave (D1, D2, D3, D4)
    - Rastgele etki (gruplama): participant_id

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Grup varyansi (random intercept) = 356.66   ICC = 0.943
    Iyi olus ~ dalga (wave)  +  (1 | katilimci)

>> YORUM (anlatim):
    Ayni katilimcilarin farkli dalgalardaki iyi olus puanini modellerken, kisi-ici tekrarli olcumler bagimsiz
    degildir. Dogrusal karma model, katilimciyi rastgele etki olarak ekleyerek bunu cozer. ICC = 0.94 cok yuksek: iyi
    olus varyansinin %94'u kisiler arasi farktan kaynaklaniyor; dalgalar-ici degisim gorece az. Yani kisiler kendi
    icinde tutarli, asil fark bireyler arasinda. LMM, yuvalanmis/tekrarli olcum verisi (katilimci>dalga) icin dogru
    ve vazgecilmez yontemdir -- her kisinin kendi izleme cizgisini modelleyerek bagimsizlik ihlalini cozer.

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

#54  Multiple Imputation
    dosya: 54_multiple_imputation.xlsx
  >> SENARYO (anlatim):
    Psikolojik iyi olus calismamizda bazi katilimcilarin olceklerinde eksik
    yanitlar oldugunu fark ettik ve bu eksikleri yok saymak yerine duzgun bir
    sekilde ele almak istedik. wellbeing, activity, motivation, anxiety ve
    parent_education degiskenleri arasinda gozlenen iliskileri kullanarak eksik
    degerleri istatistiksel olarak tahmin etmeyi amacliyoruz. Eksik verinin
    tahmindeki belirsizligini de hesaba katabilmek icin coklu atama (multiple
    imputation) yontemi bu durum icin en uygun cozumdur.
  >> DEGISKEN SECIMI:
    - Atanacak/analiz degiskenleri: wellbeing
    - Atanacak/analiz degiskenleri: activity
    - Atanacak/analiz degiskenleri: motivation
    - Atanacak/analiz degiskenleri: anxiety
    - Atanacak/analiz degiskenleri: parent_education

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    m (imputation sayisi) = 5
    Iyi olustaki eksikler etkinlik/motivasyon/kaygi/ebeveyn egitiminden tahmin edildi

>> YORUM (anlatim):
    Sosyal veride eksik gozlem kacinilmazdir (cevapsiz madde, kayip takip); eksikleri silmek hem veri kaybettirir hem
    yanli sonuc verir. Coklu atama, eksik iyi olus degerlerini diger degiskenlerden tahmin ederek 5 ayri tamamlanmis
    veri seti olusturur, her birinde analizi yapar ve sonuclari birlestirir -- boylece tahmin belirsizligini de
    hesaba katar. MAR (rastgele eksik) varsayimi altinda bu, modern eksik-veri standardidir. Boylamsal psikolojik/
    panel calismalarda kayip katilimci verisiyle bas etmenin en saglikli yoludur.

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

#55  Generalized Estimating Equations (GEE)
    dosya: 55_gee.xlsx
  >> SENARYO (anlatim):
    Bir psikososyal mudahale programinin motivasyon uzerindeki etkisini
    incelemek icin katilimcilari birden fazla ziyaret boyunca takip ettik. group
    degiskeni intervention ve control olarak iki kosulu, visit her bireyin
    tekrarli olcum zamanini, motivation ise her ziyarette olculen motivasyon
    duzeyini gosteriyor. Ayni katilimcidan alinan tekrarli olcumler birbiriyle
    iliskili oldugundan ve biz bireysel egriler yerine grup ortalamasi
    duzeyindeki etkiyle ilgilendigimizden, genellestirilmis tahmin denklemleri
    (GEE) bu korelasyonlu boylamsal veri icin uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (DV): motivation
    - Faktor (grup): group (intervention, control)
    - Zaman: visit
    - Denek/gruplama (id): participant_id

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    visit katsayisi = 0.032   p = 0.042 *   QIC = 305.56
    Motivasyon ~ ziyaret  (tekrarli olcum, kisi icinde kumelenmis)

>> YORUM (anlatim):
    Ayni katilimcilardan tekrarli (cok ziyaretli) motivasyon olcumleri aldik -- ayni kisinin olcumleri birbirine
    bagimli. GEE, bu kumelenmis veride "populasyon ortalamasi" duzeyinde iliskiyi, korelasyon yapisini hesaba katarak
    tahmin eder. Ziyaret etkisi sinirda anlamli (0.032, p = 0.042): motivasyon zaman icinde hafif artiyor. GEE, LMM'e
    alternatiftir: rastgele etkileri modellemek yerine gozlemler arasi korelasyonu duzeltir ve marjinal (ortalama)
    etkiyi verir. Boylamsal/tekrarli psikolojik olcum verisinde yaygin ve guclu bir yontemdir.

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

#56  Generalized Linear Mixed Model (GLMM)
    dosya: 56_glmm.xlsx
  >> SENARYO (anlatim):
    Davranis problemleri olan cocuklara yonelik bir mudahalenin zaman icindeki
    etkisini degerlendirdik. intervention degiskeni mudahale alip almama
    durumunu, month her cocugun izlendigi ay sayisini, conduct ise olumsuz
    davranisin gorulup gorulmedigini gosteren ikili sonuctur. Sonuc degiskeni
    ikili oldugu ve ayni cocuktan tekrarli olcumler alindigi icin hem ikili
    dagilimi hem de participant_id ile tanimlanan bireysel rastgele etkileri
    birlikte ele alabilen genellestirilmis dogrusal karma model (GLMM) en uygun
    yontemdir.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (DV): conduct
    - Sabit etki (ongorucu): intervention
    - Sabit etki (zaman): month
    - Rastgele etki (gruplama): participant_id

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    intervention: katsayi = -0.206, p = 0.077 (sinirda anlamsiz)
    Poisson GLMM: davranis sayisi ~ ay + mudahale  +  (1 | katilimci)

>> YORUM (anlatim):
    Davranis olayi sayilarini (Poisson) hem ay/mudahale sabit etkileri hem de katilimci rastgele etkisiyle modelledik
    -- yani GLMM: karma model + sayim dagilimi. Mudahalenin etkisi sinirda anlamsiz (katsayi -0.21, p = 0.077): negatif
    yonde bir egilim var (mudahale davranis olaylarini azaltma yonunde) ama istatistiksel esigi gecmiyor. Anlamsiz/
    sinirda sonuc da bilgidir -- daha buyuk orneklem netlestirebilir. GLMM, "tekrarli/yuvalanmis sayim ya da ikili
    veri" durumunda (LMM normal varsayar, GLM kumelenmeyi gormez) ikisinin gucunu birlestirir. Davranis mudahalesi
    izlemenin dogru analiz cercevesidir.

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

#57  Regularized Regression (Elastic Net)
    dosya: 57_elasticnet.xlsx
  >> SENARYO (anlatim):
    Bireylerin bir psikolojik cikti puanini cok sayida potansiyel yordayiciyla
    aciklamaya calistik; elimizde x01'den x40'a kadar uzanan kirk adet aday
    degisken bulunuyor. Bu kadar cok ongorucu birbiriyle iliskili oldugunda
    klasik regresyon kararsiz hale gelir ve asiri ogrenme riski dogar. index
    degiskenini sonuc olarak alip, hem gereksiz degiskenleri eleyen hem de
    iliskili degiskenleri birlikte tutan elastik ag (elastic net)
    duzenlilestirilmis regresyon bu yuksek boyutlu durum icin idealdir.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (DV): index
    - Ongoruculer: x01
    - Ongoruculer: x02
    - Ongoruculer: x03
    - Ongoruculer: x04
    - Ongoruculer: x05
    - Ongoruculer: x06
    - Ongoruculer: x07
    - Ongoruculer: x08
    - Ongoruculer: x09
    - Ongoruculer: x10
    - Ongoruculer: x11
    - Ongoruculer: x12
    - Ongoruculer: x13
    - Ongoruculer: x14
    - Ongoruculer: x15
    - Ongoruculer: x16
    - Ongoruculer: x17
    - Ongoruculer: x18
    - Ongoruculer: x19
    - Ongoruculer: x20
    - Ongoruculer: x21
    - Ongoruculer: x22
    - Ongoruculer: x23
    - Ongoruculer: x24
    - Ongoruculer: x25
    - Ongoruculer: x26
    - Ongoruculer: x27
    - Ongoruculer: x28
    - Ongoruculer: x29
    - Ongoruculer: x30
    - Ongoruculer: x31
    - Ongoruculer: x32
    - Ongoruculer: x33
    - Ongoruculer: x34
    - Ongoruculer: x35
    - Ongoruculer: x36
    - Ongoruculer: x37
    - Ongoruculer: x38
    - Ongoruculer: x39
    - Ongoruculer: x40

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    alpha = 0.075   R2 (egitim) = 0.604
    Indeks (index) ~ 40 yordayici

>> YORUM (anlatim):
    Elastic Net, Ridge ile Lasso'nun melezidir: hem katsayilari kuculturur (Ridge gibi) hem onemsizleri sifirlar
    (Lasso gibi). Burada 40 yordayicidan bir psikososyal indeksi tahmin ettik; Elastic Net, korelasyonlu degisken
    gruplarini birlikte tutarken onemsizleri eler. Model R2 = 0.60. Cok sayida es-dogrusal yordayici oldugunda --
    madde bataryalari, davranis olcekleri, demografik degiskenler -- Elastic Net hem secim hem kararlilik saglayan
    dengeli bir tercihtir. Lasso'nun "korelasyonlu gruptan rastgele birini secme" sorununu yumusatir.

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

#58  Robust Regression
    dosya: 58_robust.xlsx
  >> SENARYO (anlatim):
    Gunluk fiziksel ve sosyal aktivite duzeyinin psikolojik puan uzerindeki
    etkisini incelerken, veri setinde birkac asiri uc deger bulundugunu fark
    ettik. activity degiskeni katilimcinin aktivite duzeyini, score ise
    olctugumuz sonuc puanini gosteriyor. Bu birkac aykiri gozlem klasik en kucuk
    kareler regresyonunu kolayca carpitabilecegi icin, uc degerlere karsi
    dayanikli tahminler ureten saglam (robust) regresyon bu durum icin en uygun
    yontemdir.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (DV): score
    - Ongorucu: activity

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Robust kesim = 51.24   vs   OLS kesim = 49.14   (aykiri degerler OLS'i sapttirmis)
    Puan ~ etkinlik

>> YORUM (anlatim):
    Bu veride birkac aykiri deger (outlier) vardi. Klasik regresyon (OLS) aykirilari tum gucle dikkate alir ve cizgiyi
    onlara dogru ceker: kesim degeri OLS'te 49.14, robust modelde 51.24; fark belirgin, yani aykirilar OLS'i
    sapttirmis. Robust regresyon (Huber-T), aykiri gozlemlere daha az agirlik vererek gercek egilimi korur. Aykiri
    katilimci degerlerinin kacinilmaz oldugu psikolojik veride, robust regresyon OLS'ten daha guvenilir egim tahmini verir.

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

#59  Quantile Regression
    dosya: 59_quantile.xlsx
  >> SENARYO (anlatim):
    Aktivite ve motivasyonun iyi olus uzerindeki etkisinin, herkes icin ayni mi
    yoksa dusuk ve yuksek iyi olus duzeylerinde farkli mi oldugunu merak ettik.
    activity ve motivation ongorucularimiz, wellbeing ise sonuc degiskenimiz.
    Yalnizca ortalama etkiye degil, dagilimin alt ve ust dilimlerine yani farkli
    yuzdeliklerine olan etkiye bakmak istedigimiz icin kantil (quantile)
    regresyon bu sorunun cevabi icin uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken (DV): wellbeing
    - Ongorucu: activity
    - Ongorucu: motivation

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    q = 0.10 egim = 0.221   |   q = 0.50 (medyan)   |   q = 0.90  (degisken etki)
    Iyi olus ~ etkinlik + motivasyon

>> YORUM (anlatim):
    Klasik regresyon sadece ortalamayi modeller; ama etkinligin iyi olusa etkisi dusuk ve yuksek iyi olusu olan
    kisilerde farkli olabilir. Kantil regresyon, dagilimi alt (q=0.10, dusuk iyi olus), orta (q=0.50) ve ust (q=0.90,
    yuksek iyi olus) kantillerde ayri ayri modeller. Farkli kantillerde egimin degismesi, "etkinlik herkese ayni mi
    yariyor" sorusunu yanitlar -- ornegin etkinlik en dusuk iyi olusu olanlara daha cok yarayabilir. Psikolojide
    ortalama degil dagilimin farkli noktalari (en kirilgan/en iyi durumda olanlar) onemli oldugunda, kantil regresyon
    ortalama-tabanli modellerin goremedigini gosterir.

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

#60  ROC Curve Analysis
    dosya: 60_roc.xlsx
  >> SENARYO (anlatim):
    Olusturdugumuz bir psikolojik risk/yeterlik bilesik puaninin, bireyin bir
    sonuca ulasip ulasamayacagini ne kadar iyi ayirt ettigini degerlendirmek
    istedik. composite degiskeni surekli tani puanini, successful ise basari
    durumunu gosteren ikili sonuc degiskenidir. Bu surekli puanin ikili sonucu
    ayirt etme gucunu ve en uygun kesme noktasini bulmak icin ROC egrisi analizi
    en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Test/olasilik degiskeni (score): composite
    - Durum/olay (positive sinif): successful

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AUC = 0.921 (mukemmel ayirici guc)   Youden optimum esik: 0.71 -> Duyarlilik 0.79
    n = 250 (pozitif 150, negatif 100)   basari siniflandirici

>> YORUM (anlatim):
    Bir bilesik puanin basariyi ne kadar iyi yordadigini ROC egrisiyle olctuk. AUC = 0.92 "mukemmel" duzeyde: puan,
    basarili ve basarisiz katilimcilari buyuk olcude dogru ayiriyor. Youden indeksi en iyi kesme noktasini (esik)
    verir -- duyarlilik ve ozgulluk dengesini optimize eder; burada 0.71 esiginde duyarlilik 0.79. ROC/AUC, bir tani/
    sinif modelinin ayirma gucunu raporlamanin standardidir; sosyal bilimlerde risk tarama ve yordama araclarinin
    kalitesini degerlendirmek icin idealdir.

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

#61  True Skill Statistic (TSS)
    dosya: 61_tss.xlsx
  >> SENARYO (anlatim):
    Bir psikolojik danismanlik merkezinde, danisanlarin terapiyi yarida birakip
    birakmayacagini ongormeye calistik. Her katilimci icin iyi olus duzeyini
    (wellbeing) ve gozlemledigimiz gercek terapiden ayrilma durumunu
    (withdrawal) kaydettik; ayrica modelimizin urettigi tahmin degerini
    (prediction) ve nihai gecme/kalma sonucunu (pass) elimizde tuttuk. Amacimiz,
    kurdugumuz sinifllandirma modelinin ne kadar isabetli oldugunu
    degerlendirmek. True Skill Statistic, hem dogru pozitifleri hem dogru
    negatifleri dengeli bicimde olcen bir beceri istatistigi oldugu icin, ikili
    tahmin performansini adil sekilde ozetlemede uygun bir secimdir.
  >> DEGISKEN SECIMI:
    - Gozlenen (gercek) sonuc: withdrawal
    - Tahmin: prediction

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    TSS = 0.338 (kabul edilebilir)   Duyarlilik 0.74   Ozgulluk 0.60   n = 200
    Gecme/basari tahmini

>> YORUM (anlatim):
    TSS (True Skill Statistic), bir ikili siniflandirma modelinin sansa gore ne kadar iyi oldugunu olcer: duyarlilik +
    ozgulluk - 1. Basariyi yordayan model TSS = 0.34 ile "kabul edilebilir" -- duyarlilik 0.74 (basarililari yakalama
    iyi), ozgulluk 0.60 (basarisizlari ayirma orta). TSS'nin avantaji, prevalansa (basari oraninin yaygiligina)
    duyarli olmamasidir; bu yuzden dengesiz siniflarda guvenilir bir olcudur. Sosyal bilimlerde basari/risk yordama
    modellerinin gercek becerisini, dogrulugun gizledigi yanliligi asarak ozetler.

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

#62  Confusion Matrix Metrics
    dosya: 62_complexity.xlsx
  >> SENARYO (anlatim):
    Bir ruh sagligi tarama calismasinda, gelistirdigimiz risk siniflandirma
    modelinin gercek durumla ne kadar ortustugunu incelemek istedik. Her birim
    icin gercek etiketi (actual_label), modelin urettigi tahmin etiketini
    (prediction_label) ve modelin verdigi olasilik skorunu (prediction_score)
    kaydettik. Amacimiz; dogruluk, duyarlilik ve ozgulluk gibi metrikleri
    hesaplayarak modelin nerede yanildigini gormek. Confusion Matrix metrikleri,
    gercek ve tahmin edilen siniflari karsi karsiya getirerek bu performans
    olculerini dogrudan urettigi icin burada en uygun yaklasimdir.
  >> DEGISKEN SECIMI:
    - Gercek etiket: actual_label
    - Tahmin etiketi: prediction_label
    - Tahmin skoru: prediction_score

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

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

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

#63  Random Forest
    dosya: 63_rf.xlsx
  >> SENARYO (anlatim):
    Farkli mesleklerden katilimcilarda iyi olus duzeyini (wellbeing) hangi
    bilissel ve demografik degiskenlerin yordadigini merak ettik. Matematik
    (math), dil (language), sozel yetenek (verbal), yas (age) ve meslek grubu
    (occupation: doctor, engineer, counselor, artist) degiskenlerini kullanarak
    iyi olusu tahmin etmeyi amacliyoruz. Degiskenler arasinda dogrusal olmayan
    etkilesimler ve karmasik iliskiler beklediğimiz icin, cok sayida karar
    agacini birlestirerek saglam tahminler ureten Random Forest yontemi bu veri
    yapisi icin uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: wellbeing
    - Ongoruculer: math
    - Ongoruculer: language
    - Ongoruculer: verbal
    - Ongoruculer: age
    - Ongoruculer: occupation (doctor, engineer, counselor, artist)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dogruluk (Accuracy) = 0.914   (meslek tercihi siniflandirma)
    5 degiskenden tahmin (matematik, dil, iyi olus, sozel, yas)

>> YORUM (anlatim):
    Katilimcilarin meslek tercihini bes degiskenden (matematik, dil, iyi olus, sozel, yas) Random Forest ile tahmin
    ettik -- yuzlerce karar agacinin oyu. Dogruluk %91: degiskenler meslek tercihini buyuk olcude dogru
    siniflandirabiliyor. Random Forest'in en degerli ciktilarindan biri "degisken onem siralamasi"dir: hangi
    degiskenin tercihte en etkili oldugunu soyler. Dogrusal olmayan, etkilesimli iliskilerde guclu, kurmasi kolay bir
    makine ogrenmesi yontemidir; meslek/kariyer yonelimi tahmininde degerlidir.

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

#64  Support Vector Machine (SVM)
    dosya: 64_svm.xlsx
  >> SENARYO (anlatim):
    Bir egitim-psikolojisi calismasinda, katilimcilarin bir kuruma kabul edilip
    edilmediklerini (institution_passed) ongormeye calistik. Yordayici olarak
    iyi olus duzeyi (wellbeing), matematik basarisi (math), deneme sayisi
    (trial) ve etkinlik duzeyi (activity) degiskenlerini kullandik. Amacimiz, bu
    ozellikler temelinde iki grubu en iyi ayiran siniri bulmak. Destek Vektor
    Makinesi, siniflar arasindaki marji en buyukleyen optimal ayirma sinirini
    bulmada guclu oldugu icin bu ikili siniflandirma problemi icin uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: institution_passed
    - Ongoruculer: wellbeing
    - Ongoruculer: math
    - Ongoruculer: trial
    - Ongoruculer: activity

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dogruluk (Accuracy) = 1.000   (kuruma kabul var/yok)
    4 degiskenden tahmin (iyi olus, matematik, deneme, etkinlik)

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

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

#65  Gradient Boosting
    dosya: 65_gradient_boosting.xlsx
  >> SENARYO (anlatim):
    Universite danismanlik biriminde, ogrencilerin okulu birakma riskini
    (attrition_risk: medium, low) ongormeye calistik. Yordayici olarak iyi olus
    duzeyi (wellbeing), terapiden ayrilma egilimi (withdrawal), ses/uyaran
    duyarliligi (sound) ve ebeveyn ortak katilimi (parent_joint) degiskenlerini
    kullandik. Amacimiz dusuk ve orta riskli ogrencileri ayirt eden bir tahmin
    modeli kurmak. Gradient Boosting, zayif ogrenicileri asamali olarak
    birlestirip hatalari kademeli duzelterek yuksek dogruluk sagladigi icin bu
    siniflandirma gorevi icin uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: attrition_risk (medium, low)
    - Ongoruculer: wellbeing
    - Ongoruculer: withdrawal
    - Ongoruculer: sound
    - Ongoruculer: parent_joint

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dogruluk (Accuracy) = 0.982   (ayrilma/terk riski siniflandirma)
    iyi olus + geri cekilme + sosyo-ekonomik + ebeveyn birlikteligi

>> YORUM (anlatim):
    Ayrilma/terk (attrition) riskini psikososyal degiskenlerden Gradient Boosting ile tahmin ettik. Boosting, agaclari
    ardisik olarak ekleyip her yeni agacin onceki hatalari duzeltmesini saglayan guclu bir yontemdir; dogruluk %98.2
    ile cok yuksek. Bu, erken uyari sistemleri icin kritik: terk riski yuksek kisileri onceden belirleyip mudahale
    edilebilir. Random Forest agaclari paralel kurarken, Boosting onlari ardisik (hatayi kovalayarak) kurar; genelde
    daha yuksek dogruluk verir ama dikkatli ayar ister. Sosyal hizmet ve program devamliligi yonetiminde degerli bir aractir.

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

#66  K-Means Clustering
    dosya: 66_kmeans.xlsx
  >> SENARYO (anlatim):
    Genc yetiskinlerden olusan bir orneklemde, katilimcilari benzer psikolojik
    profillerine gore dogal gruplara ayirmak istedik. Iyi olus duzeyi
    (wellbeing), etkinlik duzeyi (activity), matematik basarisi (math) ve deneme
    sayisi (trial) degiskenlerini kullanarak birbirine benzeyen bireyleri ayni
    kumede toplamayi amacliyoruz. Onceden tanimli bir etiketimiz olmadigi ve
    verideki gizli yapilari kesfetmek istedigimiz icin, gozlemleri merkezlere
    yakinliga gore kumeleyen K-Means yontemi bu amac icin uygundur.
  >> DEGISKEN SECIMI:
    - Maddeler (kumeleme degiskenleri): wellbeing
    - Maddeler (kumeleme degiskenleri): activity
    - Maddeler (kumeleme degiskenleri): math
    - Maddeler (kumeleme degiskenleri): trial

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kume sayisi = 4   Silhouette = 0.459 (orta kume yapisi)
    4 degiskenle katilimci tipolojisi (iyi olus, etkinlik, matematik, deneme)

>> YORUM (anlatim):
    Katilimcilari psikososyal ozelliklerine gore dort dogal gruba (tipolojiye) K-Means ile ayirdik. Silhouette = 0.46
    orta duzeyde -- kumeler ayrisiyor ama keskin sinirli degil, ki psikolojik veride beklenir (ozellikler surekli bir
    gradyandir). Dort grup muhtemelen farkli katilimci profillerini temsil ediyor: ornegin yuksek iyi olus-aktif,
    dusuk iyi olus-cekilmis, ve ara tipler. K-Means, etiketsiz veride dogal gruplari bulur; katilimci profilleme,
    hedefli mudahale tasarlama ve risk grubu belirlemede pratiktir. Silhouette skoru kume sayisinin makul oldugunu gosterir.

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

#67  Hierarchical Clustering
    dosya: 67_hierarchic.xlsx
  >> SENARYO (anlatim):
    Kucuk bir orneklemde (40 kisi), katilimcilarin on farkli davranis olcumunu
    (behavior_01 ... behavior_10) kullanarak ic ice gecmis dogal gruplasmalarini
    incelemek istedik. Ayrica her bireyin ogrenme/etkilesim stilini (style:
    visual, auditory, kinesthetic, enrolled, mixed) referans olarak kaydettik.
    Amacimiz, bireyler arasi benzerlikleri kademeli birlestirerek bir kumeleme
    agaci (dendrogram) elde etmek. Hiyerarsik Kumeleme, kume sayisini onceden
    belirlemeden ic ice yapilari gosterdigi ve kucuk orneklemler icin uygun
    oldugu icin bu calismada tercih edilmistir.
  >> DEGISKEN SECIMI:
    - Maddeler (kumeleme degiskenleri): behavior_01
    - Maddeler (kumeleme degiskenleri): behavior_02
    - Maddeler (kumeleme degiskenleri): behavior_03
    - Maddeler (kumeleme degiskenleri): behavior_04
    - Maddeler (kumeleme degiskenleri): behavior_05
    - Maddeler (kumeleme degiskenleri): behavior_06
    - Maddeler (kumeleme degiskenleri): behavior_07
    - Maddeler (kumeleme degiskenleri): behavior_08
    - Maddeler (kumeleme degiskenleri): behavior_09
    - Maddeler (kumeleme degiskenleri): behavior_10

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kume sayisi = 5   Silhouette = 0.123 (zayif/orustusen yapi)
    10 davranis maddesine gore 5 stil

>> YORUM (anlatim):
    Katilimcilari davranis profillerine gore hiyerarsik kumeleme ile gruplandirdik -- sonuc bir dendrogram (agac)
    verir. Bes kumeye boldugumuzde silhouette yalnizca 0.12: kumeler birbirine giriyor, keskin ayrim yok. Bu
    psikolojide sik gorulur -- davranis stilleri cogu zaman keskin kategoriler yerine surekli bir yelpazedir. Dusuk
    silhouette, "veride dogal gruplama zayif" demektir; bu da bilgi verir (belki 5 yerine daha az stil vardir).
    Hiyerarsik kumeleme, gruplarin ic ice yapisini ve uygun kume sayisini kesfetmek icin K-Means'ten daha aciklayicidir.

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

#68  DBSCAN Clustering
    dosya: 68_dbscan.xlsx
  >> SENARYO (anlatim):
    Sosyoekonomik bir saha calismasinda, topluluklarin cografi konumlarini
    kullanarak mekansal yogunlasma desenlerini incelemek istedik. Her topluluk
    icin enlem (lat) ve boylam (lon) koordinatlarini kaydettik. Amacimiz,
    birbirine yakin konumlanan toplulukları yogunluk temelli kumelere ayirmak ve
    izole/aykiri konumlari gurultu olarak belirlemek. DBSCAN, kume sayisini
    onceden gerektirmeden yogunluk temelli gruplari bulabildigi ve aykiri
    noktalari ayirt edebildigi icin bu mekansal veri icin uygundur.
  >> DEGISKEN SECIMI:
    - Koordinatlar: lat
    - Koordinatlar: lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kume sayisi = 4   Silhouette = 0.916   (topluluk konumlari)
    Topluluklar cografi yogunluga gore kumelendi

>> YORUM (anlatim):
    Topluluklarin (community) cografi konumlarini yogunluga gore DBSCAN ile kumeledik. K-Means'ten farki: kume sayisini
    onceden vermeyiz, ve yogun olmayan izole noktalari "gurultu" (aykiri) olarak isaretler. Dort yogun topluluk obegi
    bulundu (silhouette 0.92, cok guclu). Bu, topluluklarin belirli bolgelerde/mahallelerde kumelendigini gosterir.
    DBSCAN, duzensiz sekilli kumeler ve aykiri noktalar iceren mekansal veride (topluluk konumlari, hane adresleri)
    K-Means'ten daha uygundur; sosyal cografya ve toplum yapisini analiz etmede kullanilir.

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

#69  Principal Component Analysis (PCA)
    dosya: 69_pca.xlsx
  >> SENARYO (anlatim):
    Bilissel yetenekleri olcen bir bataryada, alti farkli alandaki puanlarin
    (math, science, language, verbal, logic, art) altinda yatan ortak boyutlari
    kesfetmek istedik. Bu degiskenler arasinda yuksek korelasyonlar bekledigimiz
    icin, bilgi kaybini en aza indirerek veriyi daha az sayida bilesene
    indirgemeyi amacliyoruz. Temel Bilesenler Analizi, birbiriyle iliskili
    degiskenleri birbirinden bagimsiz bilesenlere donusturup toplam varyansin
    buyuk kismini koruyarak boyut indirgeme sagladigi icin bu amac icin
    uygundur.
  >> DEGISKEN SECIMI:
    - Maddeler (degiskenler): math
    - Maddeler (degiskenler): science
    - Maddeler (degiskenler): language
    - Maddeler (degiskenler): verbal
    - Maddeler (degiskenler): logic
    - Maddeler (degiskenler): art

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    PC1 = %88.3   (ilk bilesen tek basina varyansin buyuk kismini acikliyor)
    6 beceri alani (matematik, fen, dil, sozel, mantik, sanat)

>> YORUM (anlatim):
    Alti beceri alanini PCA ile az sayida ozet eksene indirgedik. Ilk bilesen tek basina varyansin %88.3'unu
    acikliyor -- carpici derecede yuksek. Anlami: alanlar birbiriyle cok yuksek korelasyonlu, hepsi tek bir "genel
    yetenek" boyutunu (g faktoru benzeri) olcuyor. Yani bir alanda iyi olan kisi genelde digerlerinde de iyi. PCA,
    cok-degiskenli veriyi ozetlemenin, es-dogrusalligi azaltmanin ve gizli boyutlari (genel yetenek gibi) ortaya
    cikarmanin temel aracidir. Tek bir bilesenin bu kadar baskin olmasi, psikolojideki "genel zeka" (g) tartismasinin somut yansimasidir.

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

#70  t-SNE
    dosya: 70_tsne.xlsx
  >> SENARYO (anlatim):
    Bir kisilik/tutum olceginde, katilimcilarin on iki maddeden (item_01 ...
    item_12) olusan yanit profillerini gorsellestirmek istedik. Ayrica her
    bireyin onceden tanimli tipini (type: A, B, C, D, E) referans olarak
    kaydettik. Amacimiz, yuksek boyutlu yanit uzayini iki boyuta indirerek
    benzer bireylerin nasil kumelendigini gormek. t-SNE, yerel komsuluk
    yapilarini koruyarak karmasik yuksek boyutlu verileri iki boyutlu bir
    haritada gorsellestirmede ustun oldugu icin bu kesifsel amac icin uygundur.
  >> DEGISKEN SECIMI:
    - Maddeler (degiskenler): item_01
    - Maddeler (degiskenler): item_02
    - Maddeler (degiskenler): item_03
    - Maddeler (degiskenler): item_04
    - Maddeler (degiskenler): item_05
    - Maddeler (degiskenler): item_06
    - Maddeler (degiskenler): item_07
    - Maddeler (degiskenler): item_08
    - Maddeler (degiskenler): item_09
    - Maddeler (degiskenler): item_10
    - Maddeler (degiskenler): item_11
    - Maddeler (degiskenler): item_12
    - Renklendirme/Etiket (referans): type (A, B, C, D, E)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    KL Divergence (fit kalitesi) = 0.544 -> iyi
    12 maddelik profil (katilimci tipleri) 2 boyuta indirgendi

>> YORUM (anlatim):
    t-SNE, yuksek boyutlu katilimci profil verisini (12 madde) iki boyutlu bir gorsele dusuren dogrusal olmayan bir
    yontemdir. PCA'dan farki: yerel komsuluklari korumaya odaklanir, yani benzer katilimcilar haritada birbirine yakin
    dusurulur -- gizli grup yapisini gormek icin idealdir. KL divergence 0.54 ile indirgeme kalitesi iyi; katilimci
    tipleri haritada gorulebilir kumeler olusturuyor. Onemli uyari: t-SNE ekseni ve kumeler arasi mesafe yorumlanmaz,
    sadece kumelenme deseni anlamlidir. Psikolojik tipleri/profilleri gorsel olarak kesfetmek icin guclu bir aractir.

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

#71  Multidimensional Scaling (MDS)
    dosya: 71_mds.xlsx
  >> SENARYO (anlatim):
    Bu calismada 51 katilimcinin esenlik (wellbeing), gunluk aktivite duzeyi
    (activity) ve uc temel beceri alanindaki performanslarini (math, science,
    language) ele aldik. Amacimiz bu bes degisken uzerinden katilimcilar
    arasindaki benzerlik ve farklilik oruntusunu iki boyutlu bir haritada
    gorsellestirmekti; yani birbirine psikolojik ve performans acisindan yakin
    olan bireyler haritada da yan yana dussun istedik. Cok boyutlu olcekleme
    (MDS), tam da bu tur uzaklik temelli yapilari dusuk boyutlu bir uzayda
    temsil etmek icin uygun bir tekniktir. Boylece katilimci profillerinin dogal
    kumelenmesini cizel uzerinde okuyabiliriz.
  >> DEGISKEN SECIMI:
    - Koordinatlar (degiskenler): wellbeing
    - Koordinatlar (degiskenler): activity
    - Koordinatlar (degiskenler): math
    - Koordinatlar (degiskenler): science
    - Koordinatlar (degiskenler): language

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Stress (Kruskal-1) = 0.052 (kabul edilebilir/iyi uyum)
    Katilimcilar arasi benzerlik haritasi (iyi olus, etkinlik, 3 beceri)

>> YORUM (anlatim):
    MDS, katilimcilar arasi benzerligi iki boyutlu bir haritaya dokme yontemidir -- benzer profilli katilimcilar yakin,
    farklilar uzak dusurulur. Stress = 0.052 ile uyum "iyi"; bu, katilimci benzerlik yapisinin iki boyuta basariyla
    sigdigini gosterir (dusuk stress = guvenilir harita). Haritada birbirine yakin katilimcilar benzer psikososyal
    profile sahip. MDS, cok-degiskenli benzerlik/uzaklik verisini gorsellestirmenin klasik yontemidir; stress degeri
    haritaya ne kadar guvenebilecegimizi durustce soyler. Katilimci gruplamasini ve profil benzerligini gormek icin kullanilir.

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

#72  UMAP
    dosya: 72_umap.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada 200 katilimcinin 25 ayri davranis olcumunu (behavior_01'den
    behavior_25'e kadar) topladik ve katilimcilari ayrica bes sosyoekonomik alt
    tipe (lower_type: S1, S2, S3, S4, S5) ayirdik. Yuksek boyutlu bu davranis
    verisini iki boyuta indirgeyerek bireylerin dogal gruplasmalarini gormek
    istedik; ozellikle alt tip etiketlerinin bu davranissal uzayda anlamli
    kumeler olusturup olusturmadigini merak ettik. UMAP, yerel komsuluk yapisini
    koruyarak yuksek boyutlu veriyi gorsellestirmede guclu bir boyut indirgeme
    yontemidir. Renklendirmeyi lower_type duzeyleri uzerinden yaparak alt
    tiplerin ayrisip ayrismadigini inceleyebiliriz.
  >> DEGISKEN SECIMI:
    - Ongoruculer (ozellikler): behavior_01 ... behavior_25 (25 davranis degiskeni)
    - Faktor (renk/grup etiketi): lower_type (S1,S2,S3,S4,S5)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    UMAP boyut indirgeme (25 davranis maddesi -> 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. Yirmibes davranis maddesinden olusan katilimci profillerini iki boyutlu bir haritaya dusurduk; benzer
    davranis profilleri kumelenir. n_neighbors parametresi yerel-global dengesini, min_dist ise kumelerin sikiligini
    ayarlar. UMAP, yuksek boyutlu davranis/anket verisinde gizli grup yapisini kesfetmek icin giderek daha cok tercih
    ediliyor. Gorsellestirme amacli kullanilir; kumelenme deseni yorumlanir, eksen degerleri degil.

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

#73  Cronbach's Alpha
    dosya: 73_cronbach.xlsx
  >> SENARYO (anlatim):
    Bu calismada gelistirdigimiz 21 maddelik (item_01'den item_21'e) bir
    psikolojik olcegi 200 katilimciya uyguladik. Olcegin ic tutarliligini, yani
    tum maddelerin ayni temel yapiyi olcup olcmadigini degerlendirmek istedik.
    Cronbach alfa katsayisi, bir olcegin guvenirligini madde-puanlari arasindaki
    korelasyonlar uzerinden ozetleyen standart bir gostergedir. Bu sayede
    olcegin saglam ve tutarli bir olcum araci olup olmadigini ortaya
    koyabiliriz.
  >> DEGISKEN SECIMI:
    - Maddeler (items): item_01 ... item_21 (21 madde)

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

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

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

#74  Likert Analysis
    dosya: 74_likert.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada katilimcilarin motivasyon (motivation_1-5), oz-yeterlik
    (self_efficacy_1-5) ve kaygi (anxiety_1-5) duzeylerini bes basamakli Likert
    maddeleriyle 220 katilimcida olctuk. Her bir madde icin katilma
    derecelerinin dagilimini, yuzdelerini ve merkezi egilimlerini ozetleyerek
    katilimcilarin bu uc yapi hakkindaki tutumlarini betimlemek istedik. Likert
    analizi, sirali olcekli anket maddelerinin frekans ve dagilim oruntusunu
    uygun bicimde gosteren bir yontemdir. Boylece her madde ve alt boyut icin
    yanit egilimlerini net bir sekilde sunabiliriz.
  >> DEGISKEN SECIMI:
    - Maddeler (Likert): motivation_1 ... motivation_5
    - Maddeler (Likert): self_efficacy_1 ... self_efficacy_5
    - Maddeler (Likert): anxiety_1 ... anxiety_5

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cronbach alpha = 0.769 (kabul edilebilir)   15 madde (3 boyut: motivasyon/oz-yeterlik/kaygi)

>> YORUM (anlatim):
    On bes maddelik, uc boyutlu (motivasyon, oz-yeterlik, kaygi) bir Likert olceginin genel guvenirligini ve madde
    istatistiklerini inceledik. Cronbach alpha = 0.77, "kabul edilebilir" duzeyde -- olcek genel olarak tutarli, ama
    uc farkli boyut bir arada oldugu icin tek bir alpha biraz dusuk cikabilir (alt-boyutlar ayri analiz edilmeli).
    Likert analizi, madde ortalamalari, dagilimlari ve madde-toplam korelasyonlarini vererek olcegin saglikli olup
    olmadigini gosterir. Psikolojide tutum/motivasyon olceklerinin temel kalite kontrolu icin kullanilir.

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

#75  Exploratory Factor Analysis (EFA)
    dosya: 75_efa.xlsx
  >> SENARYO (anlatim):
    Bu calismada 250 katilimciya uyguladigimiz 18 maddelik (q01-q18) bir anketin
    altinda yatan gizil faktor yapisini kesfetmek istedik. Maddelerin hangi
    gruplar halinde birbiriyle iliskili oldugunu ve kac temel boyutta
    toplandigini onceden bir varsayim koymadan ortaya cikarmayi amacladik.
    Acimlayici faktor analizi (EFA), maddeler arasindaki ortak varyansi az
    sayida gizil faktore indirgeyerek olcegin yapisini kesfetmek icin uygundur.
    Boylece olcegin boyutlulugunu ve madde-faktor iliskilerini belirleyebiliriz.
  >> DEGISKEN SECIMI:
    - Maddeler (items): q01 ... q18 (18 madde)

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

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

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

#76  Intraclass Correlation (ICC)
    dosya: 76_icc.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada 50 danisani ucu ayri uc danismanin (counselor_a, counselor_b,
    counselor_c) bagimsiz olarak puanlamasini sagladik. Amacimiz, farkli
    danismanlarin verdigi puanlarin birbiriyle ne olcude tutarli oldugunu, yani
    degerlendirmeler arasi guvenirligi belirlemekti. Siniflar arasi korelasyon
    katsayisi (ICC), ayni nesnelere birden fazla degerlendirici tarafindan
    verilen surekli puanlarin uyumunu olcen uygun bir tekniktir. Boylece
    danismanlarin puanlamalarinin ne kadar guvenilir ve birbiriyle uyumlu
    oldugunu ortaya koyabiliriz.
  >> DEGISKEN SECIMI:
    - Degerlendiriciler (puanlar): counselor_a
    - Degerlendiriciler (puanlar): counselor_b
    - Degerlendiriciler (puanlar): counselor_c

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    ICC(1,1) = 0.961   (Mukemmel)   3 danisman   %95 GA ~ (0.94 , 0.98)

>> YORUM (anlatim):
    Ayni katilimcilari puanlayan uc danismanin (counselor) ne kadar tutarli oldugunu ICC ile degerlendirdik. ICC =
    0.96 "mukemmel": danismanlar arasi puanlama uyumu cok yuksek, hangi danisman puanlarsa puanlasin benzer sonuc
    cikiyor. Bu, psikolojik degerlendirmede kritik: eger puanlama danismandan danismana degisseydi, degerlendirmeler
    guvenilmez olurdu. ICC, surekli olcumlerde (puan, derecelendirme) degerlendiriciler arasi guvenirligi olcmenin
    standardidir (Cohen Kappa kategorik veri icinken, ICC surekli veri icindir). Klinik degerlendirme guvenirligi icin sarttir.

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

#77  Confirmatory Factor Analysis (CFA)
    dosya: 77_cfa.xlsx
  >> SENARYO (anlatim):
    Bu calismada 280 katilimcida esenligin uc kuramsal boyutunu olctuk: oz-
    esenlik (self_1-4), psikolojik esenlik (psychological_1-4) ve sosyal esenlik
    (social_1-4). Onceki literature dayanarak hangi maddenin hangi gizil faktore
    yuklenecegini onceden belirledik ve bu uc faktorlu yapinin verimize uyup
    uymadigini sinamak istedik. Dogrulayici faktor analizi (CFA), kuramsal
    olarak tanimlanmis bir olcum modelinin veriye uyumunu test etmek icin
    uygundur. Boylece olcegin onerilen uc boyutlu yapisinin gecerligini
    degerlendirebiliriz.
  >> DEGISKEN SECIMI:
    - Faktor 1 maddeleri: self_1, self_2, self_3, self_4
    - Faktor 2 maddeleri: psychological_1, psychological_2, psychological_3, psychological_4
    - Faktor 3 maddeleri: social_1, social_2, social_3, social_4

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

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

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

#78  Survey Means
    dosya: 78_survey_means.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada 350 katilimciya uygulanan bir sozel olcekten alinan surekli
    puani (survey_verbal) farkli bolgeler (region: east, Marmara, G.east, inner
    anatolia) baginda degerlendirdik. Orneklem tasariminin temsil gucunu
    yansitmak icin her katilimcinin bir orneklem agirligi (weight) bulunuyor; bu
    nedenle basit ortalama yerine agirlikli ortalama hesaplamak istedik. Anket
    ortalamalari (Survey Means) yontemi, tabakali/agirlikli anket verisinde
    dogru nokta tahminleri ve standart hatalar uretmek icin uygundur. Boylece
    bolgelere gore sozel puan ortalamalarini gecerli bicimde
    karsilastirabiliriz.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: survey_verbal
    - Grup (bolge): region (east, Marmara, G.east, inner anatolia)
    - Agirlik: weight

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Sozel puan agirlikli ortalama = 458.99   SE = 3.99   %95 GA (451.14 , 466.83)   CV %0.87
    Tabakali + agirlikli tasarim (Taylor SE)

>> YORUM (anlatim):
    Buyuk olcekli sosyal anketler katilimcilari rastgele degil, tabakali ve agirliklandirilmis bir tasarimla secer.
    Boyle veride basit ortalama yanlis olur; karmasik orneklem analizi, tasarim agirliklarini ve tabakalamayi hesaba
    katarak dogru ortalamayi ve standart hatayi (Taylor linearization) verir. Sozel puan agirlikli ortalamasi 459,
    cok dar bir guven araligiyla (CV %0.87). Ulusal sosyal arastirmalar (degerler arastirmasi, hanehalki anketi) hep
    boyle tasarlanir; survey yontemleri, populasyona genellenebilir, tarafsiz tahmin icin sarttir.

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

#79  Survey Frequencies
    dosya: 79_survey_freq.xlsx
  >> SENARYO (anlatim):
    Bu calismada 400 katilimciya kentsel/kirsal yerlesim (region: rural, urban)
    ve bir kuruma basvurma niyetlerini (institution_intention: maybe, probable,
    none, certain) sorduk. Orneklem agirliklarini (weight) dikkate alarak bu
    kategorik degiskenlerin agirlikli frekans ve yuzde dagilimlarini, ozellikle
    de yerlesim turune gore niyet dagilimini incelemek istedik. Anket
    frekanslari (Survey Frequencies) yontemi, agirlikli anket verisinde
    kategorik degiskenlerin dagilimini ve capraz tablolarini dogru sekilde
    ozetlemek icin uygundur. Boylece kentsel ve kirsal kesimde basvuru niyetinin
    nasil farklilastigini gosterebiliriz.
  >> DEGISKEN SECIMI:
    - Kategorik degisken: region (rural, urban)
    - Kategorik degisken: institution_intention (maybe, probable, none, certain)
    - Agirlik: weight

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    "kesinlikle" oran = 0.095 (SE 0.015)   |   "belki" oran = 0.363 (SE 0.024)
    Kurum niyeti -- tabakali + agirlikli tasarim

>> YORUM (anlatim):
    Katilimcilar arasinda kuruma yonelme niyeti kategorilerinin oranini, karmasik orneklem tasarimini dikkate alarak
    tahmin ettik. "Belki" diyenler %36, "kesinlikle" diyenler %10 (tasarim-tabanli standart hatalarla). Basit yuzde
    hesabi, tabakalama ve agirliklari yok saydigi icin yanlis standart hata verirdi; survey frekans analizi gercek
    belirsizligi yansitan guven araligi uretir. Bir populasyondaki kategori oranlarini (niyet, tutum, davranis
    dagilimi) tasarima uygun tahmin etmenin dogru yoludur -- sosyal politika izlemenin temelidir.

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

#80  Survey Totals
    dosya: 80_survey_total.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada 280 toplulugu (community_id) kapsayan bir orneklemde her
    toplulugun danisman sayisini (counselor_count) topladik ve topluluklari
    buyukluk tabakalarina (stratum: M orta, L buyuk, S kucuk) ayirdik. Orneklem
    agirliklarini (weight) kullanarak hedef evrendeki toplam danisman sayisini,
    ozellikle de tabakalara gore toplamlari tahmin etmek istedik. Anket
    toplamlari (Survey Totals) yontemi, agirlikli/tabakali orneklemde evren
    toplamlarini ve bunlarin standart hatalarini dogru bicimde kestirmek icin
    uygundur. Boylece danisman kapasitesinin tabakalar genelindeki toplam
    dagilimini gecerli sekilde raporlayabiliriz.
  >> DEGISKEN SECIMI:
    - Toplami alinacak degisken: counselor_count
    - Tabaka (grup): stratum (M, L, S)
    - Agirlik: weight

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam danisman sayisi = 67,866   SE = 1,315   %95 GA (65,278 , 70,454)
    Tabakali tasarim (Taylor SE)

>> YORUM (anlatim):
    Bir bolgedeki toplam danisman sayisini, ornekleme tasarimini ve agirliklari kullanarak tahmin ettik: yaklasik
    67,866 (%95 GA 65,278 - 70,454). Ornekledigimiz topluluklardan tum populasyona "olcekleyerek" toplami cikarmak,
    dogru agirliklandirma gerektirir -- her ornek birim, temsil ettigi populasyon parcasi kadar agirlik tasir. Survey
    toplam analizi tam bunu yapar ve belirsizligi standart hatayla ifade eder. Toplam personel, toplam hane, toplam
    nufus gibi populasyon toplamlarinin orneklemden tahmininde kullanilan resmi istatistik yontemidir.

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

#81  Survey Regression
    dosya: 81_survey_reg.xlsx
  >> SENARYO (anlatim):
    Bu calismada Marmara ve dogu (east) bolgelerinden toplam 320 katilimcinin
    esenlik ve gunluk yasam verilerini topladik. Katilimcilarin yasini (age),
    maruz kaldiklari gurultu/ses duzeyini (sound) ve yasadiklari bolgeyi
    (region: east, Marmara) kullanarak ankette aldiklari toplam puani (survey)
    ongormeyi amacliyoruz. Ornekleme tasariminda her bireyin temsil agirligi
    (weight) farkli oldugu icin, bu agirliklari hesaba katan bir survey (anket
    tabanli) regresyon analizi en uygun yontemdir. Boylece tahminlerimiz tum
    hedef kitleye genellenebilir olur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: survey
    - Ongoruculer: age
    - Ongoruculer: sound
    - Ongoruculer: region (east, Marmara)
    - Agirlik: weight

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R2 = 0.185   age katsayisi = 14.12   p < .001 ***
    Sozel puan ~ yas + sosyo-ekonomik   (tabakali + agirlikli)

>> YORUM (anlatim):
    Sozel puani yas ve sosyo-ekonomik duzeyden, karmasik orneklem tasarimini (tabaka, agirlik) dikkate alarak
    modelledik. Yasin etkisi anlamli (katsayi 14.12, p < .001). Model varyansin %18'ini acikliyor -- mutevazi, demek
    ki sozel puani belirleyen baska faktorler de var. Tasarim-tabanli standart hatalar, basit OLS'in verecegi (cogu
    zaman fazla iyimser) hatalardan daha dogrudur. Ulusal sosyal arastirma verisiyle iliskileri tahmin ederken
    (orneklem rastgele degilse) survey regresyonu, gecerli cikarim icin gereklidir; aksi halde p-degerleri yaniltici olur.

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

#82  Survey Logistic Regression
    dosya: 82_survey_logistic.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada 320 katilimciyla, bireylerin bir kuruma kabul edilip
    edilmedigini (institution_passed: gectiyse 1, gecmediyse 0) etkileyen
    psikososyal faktorleri inceliyoruz. Katilimcilarin esenlik duzeyini
    (wellbeing), maruz kaldiklari ses/gurultu duzeyini (sound) ve yasadiklari
    bolgeyi (region: east, Marmara) ongorucu olarak kullaniyoruz. Sonuc
    degiskeni iki kategorili (basarili/basarisiz) oldugu ve ornekleme
    agirliklari (weight) bulundugu icin, agirlikli bir survey lojistik
    regresyonu en dogru yaklasimdir. Amacimiz her bir faktorun kabul olasiligi
    uzerindeki etkisini odds orani olarak yorumlamaktir.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: institution_passed
    - Ongoruculer: wellbeing
    - Ongoruculer: sound
    - Ongoruculer: region (east, Marmara)
    - Agirlik: weight

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    wellbeing: OR = 1.053   p < .001 ***
    Kuruma kabul ~ iyi olus + sosyo-ekonomik   (tabakali + agirlikli)

>> YORUM (anlatim):
    Bir katilimcinin kuruma kabul olasiligini iyi olustan tahmin ederken, hem ikili sonucu (lojistik) hem karmasik
    orneklem tasarimini birlikte ele aldik. Iyi olus icin odds orani 1.053 (p < .001): iyi olus bir birim arttiginda
    kabul odds'u yaklasik %5 artiyor. Tasarim agirliklari ve tabakalama hesaba katildigi icin OR ve guven araligi
    tasarima uygun ve gecerli. Karmasik sosyal anketlerden ikili sonuclari (kabul, kazanim, evet/hayir) modellemenin
    dogru yolu survey lojistik regresyondur.

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

#83  Generalized Additive Model (GAM)
    dosya: 83_gam.xlsx
  >> SENARYO (anlatim):
    Bu calismada 200 katilimcida, gunluk fiziksel/sosyal aktivite duzeyi
    (activity) ile psikolojik iyilik puani (score) arasindaki iliskinin dogasini
    merak ediyoruz. Iliskinin duz bir cizgi olmayabilecegini, belirli aktivite
    duzeylerinden sonra etkinin degisebilecegini dusunuyoruz. Bu egrisel,
    dogrusal olmayan iliskiyi onceden bir kalip dayatmadan esnek bicimde
    modellemek icin Genellestirilmis Toplamsal Model (GAM) en uygun yontemdir.
    Boylece activity ile score arasindaki yumusak egriyi ortaya cikarabiliriz.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: score
    - Ongorucu (yumusatici): activity

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Pseudo R2 (aciklanan) = 0.756
    Puan ~ s(etkinlik)  (duzgun/smooth fonksiyon)

>> YORUM (anlatim):
    GAM, dogrusal regresyonun esnek bir genellemesidir: degiskenlerin etkisini duz cizgi yerine "duzgun egriler"
    (splines) ile modeller. Etkinligin puana etkisi cogu zaman dogrusal degildir -- belirli bir noktadan sonra azalan
    getiri gosterebilir. GAM bu egrisel oruntuyu, sekli onceden varsaymadan veriden ogrenir; model varyansin %76'sini
    acikliyor. Yorumlanabilirligi korurken esneklik saglar: etkinligin nerede en cok ise yaradigini egriden
    okuyabiliriz. Psikolojide dogrusal olmayan ama yorumlanabilir iliskiler icin ideal bir yontemdir.

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

#84  Discriminant Analysis (LDA/QDA)
    dosya: 84_diskriminant.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada 105 katilimciyi dusuk, orta ve yuksek olmak uzere uc kohorta
    (cohort: low, medium, high) ayirdik ve bu gruplari psikolojik ve akademik
    olculerle ayirt etmek istiyoruz. Matematik (math) ve fen (science)
    performansi, esenlik (wellbeing), geri cekilme/icine kapanma egilimi
    (withdrawal) ve aktivite duzeyi (activity) degiskenlerini kullaniyoruz.
    Amacimiz bu surekli degiskenlerin kohort uyeligini ne kadar dogru
    siniflandirdigini bulmaktir; gruplari en iyi ayiran dogrusal bilesimi elde
    etmek icin Diskriminant Analizi (LDA/QDA) en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Faktor (grup): cohort (low, medium, high)
    - Ongoruculer: math
    - Ongoruculer: science
    - Ongoruculer: wellbeing
    - Ongoruculer: withdrawal
    - Ongoruculer: activity

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dogruluk = 1.000   (kohort/grup siniflandirmasi)
    5 degiskenden ayirma (matematik, fen, iyi olus, geri cekilme, etkinlik)

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

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

#85  Conditional Logit (Choice Model)
    dosya: 85_conditional_logit.xlsx
  >> SENARYO (anlatim):
    Bu calismada 480 gozlemle, katilimcilarin bir egitim/danismanlik kurumu
    secerken hangi ozelliklere onem verdigini inceliyoruz. Her katilimci, dort
    secenek arasindan (institution: public-near, public-far, private-near,
    private-far) birini seciyor ve hangi alternatifi sectigi (chosen)
    kaydediliyor. Her secenegin ucreti (fee) ve uzakligi (distance_km) degisken
    olarak sunuluyor. Bireyin secim kumesi icinden alternatif ozelliklerine gore
    tercih olasiligini modellemek icin Kosullu Lojit (Choice Model) en uygun
    yontemdir; boylece ucret ve mesafenin secim uzerindeki etkisini olcebiliriz.
  >> DEGISKEN SECIMI:
    - Olay (secilen): chosen
    - Gruplama (secim kumesi): choice_id
    - Alternatif kimligi: institution (public-near, public-far, private-near, private-far)
    - Ongoruculer: fee
    - Ongoruculer: distance_km

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Pseudo R2 (McFadden) = 1.000  (mukemmel)
    Kurum tercihi ~ ucret (fee) + mesafe (km)

>> YORUM (anlatim):
    Katilimcilarin hangi kurumu sececegini kosullu logit modeliyle inceledik -- her katilimci bir secenek kumesinden
    birini seciyor. McFadden pseudo R2 = 1.0 mukemmel (secim modellerinde 0.2-0.4 zaten guclu sayilir): ucret ve
    mesafe, tercihi tam acikliyor. Model, katilimcilarin yakin ve dusuk ucretli kurumlari tercih ettigini gosterir.
    Bu yontem, sosyal bilimlerde ve ekonomide "ayrik secim" analizinin temelidir; kurum/hizmet secimini, erisim ve
    maliyet etkilerini modellemek icin gucludur.

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

#86  Kaplan-Meier Survival Analysis
    dosya: 86_km.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada 200 katilimciyi izleyerek, mezun olma/programi tamamlama
    olayina (graduate) kadar gecen dalga sayisini (duration_wave) takip
    ediyoruz. Katilimcilari bagli olduklari bolume gore (department: social,
    eng, health) gruplara ayiriyoruz ve bu gruplarin mezuniyete kadar gecen
    surelerini karsilastirmak istiyoruz. Bazi katilimcilar izlem sonunda hala
    mezun olmadigi (sansurlu gozlem) icin, sagkalim egrilerini tahmin etmeye
    uygun Kaplan-Meier sagkalim analizini kullaniyoruz. Boylece bolumler arasi
    tamamlanma surelerini gorsel ve istatistiksel olarak kiyaslayabiliriz.
  >> DEGISKEN SECIMI:
    - Zaman: duration_wave
    - Olay: graduate
    - Faktor (grup): department (social, eng, health)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Medyan sagkalim = 8.4 dalga   (departmana gore gruplu)
    Log-rank testi gruplari karsilastirir

>> YORUM (anlatim):
    Katilimcilarin programda kalma/tamamlama suresini -- departmana gore -- Kaplan-Meier ile analiz ettik. Medyan
    sure 8.4 dalga (wave). Kaplan-Meier, "olaya kadar gecen sure" verisini -- henuz olay yasamamis (sansurlu)
    katilimcilari de dogru kullanarak -- analiz eder ve log-rank testiyle gruplar arasi sure farkini sinar. Sosyal
    bilimlerde program tamamlama, terk zamani, mezuniyet gibi "zaman-olay" verilerini incelemenin temel gorsel ve
    testidir; katilimci surekliligi analizinin merkezindedir.

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

#87  Cox Proportional Hazards Regression
    dosya: 87_cox.xlsx
  >> SENARYO (anlatim):
    Bu calismada 250 katilimciyi izleyerek, programdan ayrilma/birakma olayina
    (attrition) kadar gecen sureyi (duration_wave) etkileyen faktorleri
    arastiriyoruz. Katilimcilarin yasini (age), esenlik duzeyini (wellbeing),
    burs alip almadigini (scholarship) ve aile destegini (family_support)
    ongorucu olarak kullaniyoruz. Bazi katilimcilar izlem suresince ayrilmadigi
    icin (sansurleme) ve bu surekli ongoruculerin riziko uzerindeki etkisini
    olcmek istedigimiz icin Cox oransal tehlikeler regresyonu en uygun
    yontemdir. Boylece her faktorun ayrilma riskini ne yonde degistirdigini
    tehlike orani olarak yorumlariz.
  >> DEGISKEN SECIMI:
    - Zaman: duration_wave
    - Olay: attrition
    - Ongoruculer: age
    - Ongoruculer: wellbeing
    - Ongoruculer: scholarship
    - Ongoruculer: family_support

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Olay = 77 (%30.8)   Concordance = 0.650
    wellbeing: HR = 0.983   %95 GA (0.973 , 0.994)   p = 0.002 **

>> YORUM (anlatim):
    Bir katilimcinin programdan ayrilma (attrition) riskini psikososyal degiskenlerle Cox regresyonuyla modelledik.
    Iyi olus anlamli ve koruyucu (HR = 0.983 < 1, p = 0.002): iyi olus arttikca ayrilma riski azaliyor -- yuksek iyi
    olus programda kalmayi tesvik ediyor. Cox regresyon, "olaya kadar gecen sureyi" birden cok yordayiciyla
    iliskilendiren altin standart sagkalim modelidir; risk oranlarini (HR) verir. Sosyal hizmet ve program
    devamliligini ongormek -- erken mudahale icin -- cok degerlidir. HR < 1 koruyucu, HR > 1 risk artirici demektir.

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

#88  Parametric Survival (AFT) Model
    dosya: 88_aft.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada 200 katilimciyi izleyerek, mezun olma olayina (graduate)
    kadar gecen dalga sayisini (duration_wave) ve burs durumunun (scholarship)
    bu sureyi nasil degistirdigini inceliyoruz. Yalnizca riski degil, dogrudan
    hayatta kalma/tamamlanma suresinin kendisini modellemek istedigimiz icin
    parametrik bir yaklasim tercih ediyoruz. Sansurlu gozlemleri de kapsayan ve
    sureyi dogrudan bir dagilimla modelleyen Parametrik Sagkalim (AFT) modeli en
    uygun yontemdir. Boylece bursun mezuniyet suresini hizlandirip
    yavaslatmadigini hizlandirma faktoru olarak yorumlariz.
  >> DEGISKEN SECIMI:
    - Zaman: duration_wave
    - Olay: graduate
    - Ongoruculer: scholarship

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dagilim = Weibull   Medyan sagkalim = 6.91 dalga
    Sagkalim ~ burs

>> YORUM (anlatim):
    Katilimcilarin programda kalma 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 sure 6.91 dalga. AFT (hizlandirilmis basarisizlik
    zamani) yorumu sezgiseldir: burs gibi bir faktor sureyi kac kat uzatir/kisaltir. Surenin dagilimi biliniyorsa
    parametrik modeller, Cox'a gore daha guclu ve ongorulebilir sonuc verir.

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

#89  Competing Risks
    dosya: 89_competing.xlsx
  >> SENARYO (anlatim):
    Bu calismada 220 katilimciyi izleyerek, programdan ayrilis bicimlerini
    farkli sonuc turleri olarak ele aliyoruz: mezuniyet (graduate), devam
    (continuation), birakma (attrition) ve baska kuruma gecis (transfer). Her
    katilimci icin olayin gerceklesip gerceklesmedigi (event) ve gecen dalga
    sayisi (duration_wave) kaydedildi. Bu sonuclar birbirini dislayan, yani biri
    gerceklesince digerlerinin olamayacagi rakip olaylar oldugu icin standart
    sagkalim yerine Rakip Riskler (Competing Risks) analizi en uygun yontemdir.
    Boylece her sonuc turunun kumulatif gorulme olasiligini ayri ayri tahmin
    ederiz.
  >> DEGISKEN SECIMI:
    - Zaman: duration_wave
    - Olay: event
    - Olay turu (rakip riskler): separation (graduate, continuation, attrition, transfer)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Sansurlu (0) = 49   |   3 farkli ayrilma turu (mezuniyet, terk, transfer)
    Her olay tipi icin ayri kumulatif insidans (CIF) ve risk

>> YORUM (anlatim):
    Bir katilimci programdan birden fazla nedenle ayrilabilir: mezuniyet (olumlu), terk, ya da transfer -- ve bunlar
    birbirini dislar (biri olunca digerleri olamaz). Klasik sagkalim bunu yanlis ele alir; yarisan riskler analizi
    her ayrilma turu icin ayri kumulatif insidans cikarir. Veride 49 katilimci hala programda (sansurlu), digerleri
    farkli nedenlerle ayrilmis. Bu cerceve, "hangi faktor hangi ayrilma turunun riskini artirir" gibi sorulari dogru
    yanitlar. Sosyal bilimlerde farkli sonuc yollari (mezuniyet/terk/transfer) oldugunda yarisan riskler analizi
    dogru ve bilgilendirici yontemdir.

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

#90  Time-Dependent Cox Model
    dosya: 90_tvcox.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada 457 izlem araligi uzerinden, katilimcilarin esenlik duzeyinin
    (wellbeing) zaman icinde degistigini ve bu degisken degerin olay riskini
    etkiledigini dusunuyoruz. Her katilimci icin izlem aralarinin baslangic
    (start) ve bitis (end) zamanlarini ve o aralikta olayin gerceklesip
    gerceklesmedigini (event) kaydettik. Ongorucu degerinin sabit olmayip
    zamanla degistigi durumlarda klasik Cox yetersiz kaldigi icin, baslangic-
    bitis formatiyla calisan Zaman-Bagimli Cox modeli en uygun yontemdir.
    Boylece degisen esenligin anlik riziko uzerindeki etkisini olcebiliriz.
  >> DEGISKEN SECIMI:
    - Baslangic zamani: start
    - Bitis zamani: end
    - Olay: event
    - Ongorucu (zaman-bagimli): wellbeing

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    wellbeing: HR = 1.001   %95 GA (0.983 , 1.019)   p = 0.944 (anlamsiz)
    Zamanla degisen iyi olus kovaryati

>> YORUM (anlatim):
    Katilimcinin iyi olusu zaman icinde dalgadan dalgaya degisir; standart Cox bunu sabit varsayar, zaman-bagimli Cox
    ise her zaman araliginda guncel degeri kullanir (start-stop formati). Bu modelde guncel iyi olusun ayrilma
    riskine etkisi anlamsiz cikti (HR = 1.001, p = 0.944) -- bu veride anlik iyi olus degisimi, ayrilma zamanlamasini
    yordamiyor. Anlamsiz sonuc da bilgidir. Zaman-bagimli Cox, "sadece baslangic degeri degil, surekli izlenen guncel
    durum onemli" durumlarinda dogru yontemdir; boylamsal psikolojik izlemede zamanla degisen faktorleri modellemenin standardidir.

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

#91  Survey-Weighted Cox Regression
    dosya: 91_survey_phreg.xlsx
  >> SENARYO (anlatim):
    Bu calismada, farkli bolgelerden (region duzeyleri A, B ve C) gelen
    katilimcilarin bir danismanlik programindan ne kadar surede ayrildigini
    (attrition) inceledik. Her katilimci icin programda gecirdikleri dalga
    suresini (duration_wave) takip ettik ve community_id ile ayni topluluga ait
    bireyleri grupladik. Orneklemimiz tum nufusu temsil etsin diye her
    katilimciya bir tarama agirligi (weight) atadik. Anketten gelen orneklem
    agirliklarini dikkate alarak olay zamanini modellemek istedigimiz icin
    Anket-Agirlikli Cox Regresyonu en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Zaman (sure): duration_wave
    - Olay: attrition
    - Ongoruculer: region (A, B, C)
    - Agirlik: weight
    - Kume/grup (community): community_id

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Concordance = 0.50   Agirlikli/kumeli sagkalim (bolge kovaryati, topluluk kumesi)
    Ayrilma ~ bolge

>> YORUM (anlatim):
    Sagkalim analizini karmasik orneklem tasarimiyla birlestirdik: katilimcilar agirlikli ve topluluklara 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 0.50 ile bu modelde bolge tek basina ayirma gucu zayif. Ulusal sosyal anketlerde
    "olaya kadar sure" verisi varsa, tasarimi yok saymak yanli tahmin verir; survey-PHREG dogru cikarimi saglar.

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

#92  Interval-Censored Survival Analysis
    dosya: 92_interval.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada, iki farkli bolumden (department duzeyleri A ve B) gelen
    katilimcilarda belirli bir psikolojik iyilesme olayinin tam ne zaman
    gerceklestigini gozlemleyemedik; sadece olayin iki olcum dalgasi arasinda
    bir araliga (left_censor ve survival_censor) dustugunu biliyoruz. Bu nedenle
    olay zamani kesin bir noktada degil, bir alt ve ust sinir arasinda
    sansurlenmistir. Boyle aralik-sansurlu verilerde olay zamanini dogru tahmin
    etmek icin Aralik-Sansurlu Sagkalim Analizi en uygun yontemdir. Departman
    gruplari arasinda olay suresinin farkli olup olmadigini da degerlendirdik.
  >> DEGISKEN SECIMI:
    - Zaman baslangici (sol sansur): left_censor
    - Zaman bitisi (sag sansur): survival_censor
    - Faktor (grup): department (A, B)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Olay sayisi = 48   Medyan sagkalim = 12.0 dalga   (Turnbull algoritmasi)
    Olay zamani [alt sinir, ust sinir] araliginda biliniyor

>> YORUM (anlatim):
    Sosyal izlemede olayin tam zamanini nadiren biliriz: katilimciyi periyodik dalgalarda gozleriz, bir dalgada bir
    durumda, sonraki dalgada baska durumda buluruz -- olay bu iki olcum arasinda bir yerde oldu. Aralik-sansurlu
    sagkalim (Turnbull algoritmasi) tam bu belirsizligi dogru ele alir; olayi keyfi bir noktaya sabitlemekten kacinir.
    Medyan sagkalim 12 dalga. Periyodik panel olcumun dogasi geregi (yillik dalga, donemsel olcum) olay zamani hep
    bir araliktadir; bu veriyi tek bir noktaya zorlamak yanli sonuc verir. Aralik-sansurlu yontem, panel verisinin gercegine uygundur.

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

#93  Frailty Cox Model
    dosya: 93_frailty.xlsx
  >> SENARYO (anlatim):
    Bu calismada, ayni toplulukta (community_id) yer alan katilimcilarin bir
    terapi surecinden ayrilma (attrition) riskini, programda gecirdikleri dalga
    suresine (duration_wave) gore inceledik. Ayrica katilimcilarin klinik
    gruplarini (clinical_group: K1, K2, K3, K4) ongorucu olarak ele aldik. Ayni
    topluluga ait bireyler birbirine benzedigi icin gozlenmeyen toplulukic
    dusunda korelasyon olusur; bu yapiyi rastgele bir kirilganlik (frailty)
    terimiyle modellemek gerekir. Bu nedenle Frailty Cox Modeli en uygun
    yontemdir.
  >> DEGISKEN SECIMI:
    - Zaman (sure): duration_wave
    - Olay: attrition
    - Ongoruculer: clinical_group (K1, K2, K3, K4)
    - Kirilganlik kumesi (frailty/community): community_id

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Concordance = 0.50   Topluluk-kumeli paylasilan frailty (rastgele etki)
    Ayrilma ~ klinik grup  +  (topluluk kirilganligi)

>> YORUM (anlatim):
    Katilimcilar topluluklara kumelenmis; ayni topluluktaki katilimcilar olculmeyen ortak faktorleri (sosyal cevre,
    kaynak, kultur) paylasir ve benzer ayrilma riski tasir. Frailty Cox, her topluluk icin paylasilan bir
    "kirilganlik" (rastgele etki) ekleyerek bu kumelenmeyi modeller -- sagkalim analizinin karma-model versiyonu.
    Topluluk-duzeyi gizli farkliliklari hesaba katmak, hem dogru standart hatalar hem de "topluluklar arasi ne kadar
    heterojenlik var" bilgisini verir. Kumeli sosyal sagkalim verisinde (topluluklar, mahalleler) dogru yontemdir.

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

#94  Time Series Description
    dosya: 94_ts.xlsx
  >> SENARYO (anlatim):
    Bu calismada, 60 ardisik zaman noktasinda (date) olculen bir psikolojik
    gosterge kaydini (record) ele aldik. Amacimiz bu zaman serisinin temel
    ozelliklerini, yani ortalama duzeyini, degiskenligini, otokorelasyon
    yapisini ve genel egilimini betimsel olarak tanitmaktir. Modelleme yapmadan
    once serinin davranisini anlamak istedigimiz icin Zaman Serisi Betimlemesi
    en uygun ilk adimdir.
  >> DEGISKEN SECIMI:
    - Zaman: date
    - Deger (seri): record

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

>> YORUM (anlatim):
    Aylik kayit serisini inceledik. ADF testi seriyi duragan bulmuyor (p = 0.858) -- ortalama zamanla degisiyor, bir
    trend var (artan) ve mevsimsellik mevcut. Bu on-teshis kritik: cogu zaman serisi modeli (ARIMA gibi) duraganlik
    gerektirir, bu yuzden once fark alma/donusum gerekebilir. Zaman serisi analizi, uzun izleme verisinin yapisini --
    trend, mevsim, duraganlik -- ortaya cikararak hangi modelleme adimlarinin gerektigini soyler. Sosyal olgularin
    (basvuru, kayit, olay sayisi) zaman icindeki seyrini analiz etmenin temelidir.

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

#95  STL Decomposition
    dosya: 95_stl.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada, gunluk olarak 1095 gun (yaklasik 3 yil) boyunca olculen
    motivasyon (motivation) degerlerinin zaman icindeki yapisini inceledik. Her
    olcum bir tarihe (date) baglidir. Serideki uzun donemli egilim, mevsimsel
    dalgalanma ve artik bilesenleri ayristirip gormek istedigimiz icin STL
    Ayristirmasi (Mevsimsel-Trend ayristirmasi) en uygun yontemdir. Boylece
    motivasyonun tekrarlayan mevsimsel oruntusunu ve genel trendini ayri ayri
    degerlendirebiliriz.
  >> DEGISKEN SECIMI:
    - Zaman: date
    - Deger (seri): motivation

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

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

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

#96  ARIMA Forecasting
    dosya: 96_arima.xlsx
  >> SENARYO (anlatim):
    Bu calismada, 120 ardisik ay boyunca kaydedilen mezun sayisi/orani
    (graduate) verisini her tarih (date) icin ele aldik. Amacimiz gecmis
    gozlemlerin otoregresif ve hareketli ortalama yapisini kullanarak
    gelecekteki degerleri ongormektir. Durağanlik ve gecikme yapilarini
    modelleyerek ileriye donuk tahmin uretmek istedigimiz icin ARIMA
    Ongorulemesi en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Zaman: date
    - Deger (seri): graduate

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    ARIMA modeli kuruldu   AIC = 2512.56
    Aylik mezun/tamamlama sayisi -- gelecek tahmini

>> YORUM (anlatim):
    Aylik mezun/tamamlama sayisi serisine ARIMA modeli uydurup gelecegi tahmin ettik. ARIMA, serinin kendi gecmis
    degerlerini (AR), gecmis hatalarini (MA) ve fark almayi (I, duraganlastirma icin) birlestirir. AIC = 2513 ile en
    iyi model secildi. Tahminler, gozlemlenen trend ve otokorelasyon yapisina dayanir ve belirsizlik bandiyla gelir.
    Zaman serisi tahmini, sosyal program planlamasi icin onemli: gelecek tamamlama/basvuru sayisini ongormek, kaynak
    ve kapasite planlamasi saglar. ARIMA, mevsimsellik ve trend iceren sosyal serilerde klasik tahmin yontemidir.

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

#97  Exponential Smoothing (Holt-Winters)
    dosya: 97_ets.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada, 84 ay boyunca aylik olarak kaydedilen basvuru sayisini
    (application) her tarih (date) icin inceledik. Seride hem genel bir egilim
    hem de yila bagli tekrarlayan mevsimsel oruntu oldugunu dusunuyoruz. Duzey,
    trend ve mevsimsellik bilesenlerini agirlikli olarak guncelleyip ongoru
    uretmek istedigimiz icin Ustel Duzlestirme (Holt-Winters) en uygun
    yontemdir.
  >> DEGISKEN SECIMI:
    - Zaman: date
    - Deger (seri): application

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Yontem = Holt-Winters (toplamsal mevsim, periyot 12)   AIC = 965.83
    Aylik basvuru sayisi tahmini

>> YORUM (anlatim):
    Holt-Winters ustel duzlestirme, seviye + trend + mevsimsellik bilesenlerini agirlikli olarak (yakin gecmise daha
    cok agirlik vererek) tahmin eder. Aylik basvuru sayisinin mevsimsel desenini yakaladi (AIC = 966). Basvurular
    tipik olarak guclu mevsimsellik gosterir; Holt-Winters boyle serilerde cogu zaman cok basarilidir ve ARIMA'ya
    gore daha sezgiseldir. Sosyal hizmet talep tahmininde (basvuru, kayit, katilim) kurmasi kolay ve yorumlanabilir
    bir alternatiftir; ozellikle duzenli mevsimsel dalgalanan degiskenler icin tercih edilir.

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

#98  Mann-Kendall Trend and Sen's Slope
    dosya: 98_mann_kendall.xlsx
  >> SENARYO (anlatim):
    Bu calismada, 40 yil boyunca (year) olculen sozel beceri puanlarinin
    (verbal_score) zaman icinde artan ya da azalan bir egilim gosterip
    gostermedigini inceledik. Veriler normallik varsayimini karsilamayabilecegi
    icin parametrik olmayan, monotonik trendi sinayan Mann-Kendall Trend testi
    ve egimin buyuklugunu Sen Egimi ile tahmin etmek en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Zaman: year
    - Deger (seri): verbal_score

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

>> YORUM (anlatim):
    Sozel puanlarda uzun donemli anlamli bir trend olup olmadigini Mann-Kendall testiyle sinadik -- parametrik
    olmayan, aykiri ve dagilima dayanikli bir trend testi. Sonuc cok anlamli (p < .001) ve yon artis: sozel puan
    yillar icinde tutarli sekilde yukseliyor. Bu, egitim/sosyal politikalarin olumlu kumulatif etkisini gosterebilir.
    Mann-Kendall + Sen egimi, demografiden egitime uzun donem sosyal trendleri tespit etmenin altin standardidir;
    Sen egimi trendin buyuklugunu aykiri degerlerden etkilenmeden verir.

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

#99  Anomaly Detection
    dosya: 99_anomali.xlsx
  >> SENARYO (anlatim):
    Bu arastirmada, 200 katilimcinin coklu psikolojik ve davranissal olcumlerini
    (wellbeing iyilik hali, activity etkinlik duzeyi, absent devamsizlik, score
    genel puan) bir arada inceledik. Amacimiz bu cok degiskenli uzayda diger
    katilimcilardan belirgin sekilde sapan, olagandisi profile sahip bireyleri
    tespit etmektir. Normalden farkli aykiri gozlemleri ortaya cikarmak
    istedigimiz icin Anomali Tespiti en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Degiskenler (ozellikler): wellbeing
    - Degiskenler (ozellikler): activity
    - Degiskenler (ozellikler): absent
    - Degiskenler (ozellikler): score

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Anomali sayisi = 18   (IQR tabanli coklu-degisken aykiri tespit)
    Katilimci kayitlarindaki olaganustu profiller

>> YORUM (anlatim):
    Katilimci kayitlarindaki (iyi olus, etkinlik, devamsizlik, puan) olaganustu profilleri anomali tespitiyle bulduk
    -- 18 katilimci normal desenden saparak isaretlendi. Bu anomaliler gercek durumlara isaret edebilir: olaganustu
    bir psikososyal profil, ozel destek gerektiren bir vaka, ya da veri giris hatasi. Anomali tespiti, buyuk sosyal
    veritabanlarinda dikkat gerektiren az sayidaki ozel durumu otomatik ayikalar. Psikolojide erken uyari, ozel
    yonlendirme ve veri kalitesi kontrolu icin son derece pratiktir.

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

#100  Variance Components Analysis
    dosya: 100_varcomp_3level_h2.xlsx
  >> SENARYO (anlatim):
    Bu calismada, uc duzeyli ic ice yerlesik bir veri yapisiyla calistik: en ust
    birimler (upper_unit: L_A, L_B, L_C, L_D), bunlarin altindaki alt birimler
    (lower_unit) ve en alt duzeydeki tekil olcumler (measurement_id). Olculen
    degerin (value) toplam degiskenliginin ne kadarinin ust birim, alt birim ve
    olcum duzeyinden kaynaklandigini ayristirmak istiyoruz. Hiyerarsik duzeyler
    arasi varyans paylarini ve kalitsallik benzeri oranlari kestirmek icin
    Varyans Bilesenleri Analizi en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: value
    - Ust duzey faktor (upper): upper_unit (L_A, L_B, L_C, L_D)
    - Alt duzey faktor (lower): lower_unit
    - Olcum duzeyi: measurement_id

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

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

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

#101  Bayesian t-Test
    dosya: 101_bayesian_t_test_new_old.xlsx
  >> SENARYO (anlatim):
    Yeni gelistirdigimiz online bilissel davranisci terapi programinin, kaygi
    duzeyini geleneksel yontemden daha cok dusurup dusurmedigini merak ettik.
    Danisanlari iki gruba ayirdik: group degiskeninde 'old' duzeyi klasik yuz
    yuze terapiyi, 'new' duzeyi ise yeni dijital programi temsil ediyor. Her
    danisanin terapi sonrasi well-being puanini value sutununda olctuk. Iki
    bagimsiz grubun ortalamalarini klasik p-degeri yerine kanit gucuyle (Bayes
    faktoru) karsilastirmak istedigimiz icin Bayesian t-Testi en uygun yontem.
  >> DEGISKEN SECIMI:
    - Faktor (grup): group (old, new)
    - Bagimli degisken: value

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

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

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

#102  Bayesian Correlation
    dosya: 102_bayesian_correlation_BF10.xlsx
  >> SENARYO (anlatim):
    Bireylerin oz-yeterlik (self-efficacy) algisi ile yasam doyumu arasinda
    gercek bir iliski var mi diye sorduk. Katilimcilarin oz-yeterlik puanini
    X_variable, yasam doyumu puanini ise Y_variable sutununda topladik. Iki
    surekli degisken arasindaki dogrusal iliskinin gucunu, sadece anlamli mi
    degil mi demek yerine, korelasyonun lehine ve aleyhine kaniti BF10 ile
    tartmak istedik. Bu yuzden Bayesian Korelasyon analizini sectik.
  >> DEGISKEN SECIMI:
    - X degiskeni: X_variable
    - Y degiskeni: Y_variable

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

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

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

#103  Bayesian ANOVA
    dosya: 103_bayesian_anova_2way.xlsx
  >> SENARYO (anlatim):
    Motivasyon duzeyinin hem terapi turune hem de cinsiyete gore degisip
    degismedigini incelemek istedik. factor1 degiskeni uc terapi yaklasimini (A,
    B, C), factor2 degiskeni ise iki sosyodemografik grubu (X, Y) temsil ediyor;
    her katilimcinin motivasyon puanini value sutununda olctuk. Iki faktorun
    temel etkilerini ve aralarindaki etkilesimi Bayesci cerceveyle, model
    karsilastirmasi uzerinden degerlendirmek icin iki yonlu Bayesian ANOVA en
    dogru secim.
  >> DEGISKEN SECIMI:
    - Faktor 1: factor1 (A, B, C)
    - Faktor 2: factor2 (X, Y)
    - Bagimli degisken: value

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    factor1: BF10 = 76,099 (kesin kanit)
    Iki faktorlu tasarim -> puan

>> YORUM (anlatim):
    Iki faktorun puana etkisini Bayesci ANOVA ile inceledik. Birinci faktorun etkisi guclu: Bayes Faktoru 76,099 --
    "kesin kanit". Bayesci ANOVA, her etki ve etkilesim icin ayri bir Bayes Faktoru vererek "hangi faktor gercekten
    onemli" sorusunu klasik ANOVA'dan daha bilgilendirici yanitlar -- anlamli olmayan etkiler icin de "yokluk kaniti"
    sunabilir. Sosyal/psikolojik deneylerde faktor etkilerini kanit gucuyle birlikte degerlendirmenin guclu bir
    yontemidir; ozellikle "etki yok" sonucunu da kanitlayabilmesi onemlidir.

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

#104  Bayesian Hierarchical Model
    dosya: 104_hierarchical_bayesian_LMM.xlsx
  >> SENARYO (anlatim):
    Farkli danismanlik merkezlerinde calisilan sosyoekonomik destegin,
    bireylerin iyi olus duzeyine etkisini arastirdik. group_id degiskeni bes
    ayri merkezi (G1-G5) gosteriyor ve her merkezin kendi baslangic duzeyi
    farkli olabilir. Katilimcinin aldigi destek miktarini X_covariate, iyi olus
    puanini ise Y_response sutununda olctuk. Merkezler arasi degiskenligi
    rastgele etki olarak modelleyip ortak egimi Bayesci yaklasimla kestirmek
    icin Hiyerarsik Bayesian model uygun.
  >> DEGISKEN SECIMI:
    - Gruplama (rastgele etki): group_id (G1, G2, G3, G4, G5)
    - Ongorucu (kovaryant): X_covariate
    - Bagimli degisken: Y_response

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

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

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

#105  Spatial Lag (SAR) Model
    dosya: 105_spatial_sar_spatial.xlsx
  >> SENARYO (anlatim):
    Kentsel mahallelerdeki ortalama kaygi duzeyinin komsu mahallelerden
    etkilenip etkilenmedigini, yani mekansal yayilim olup olmadigini merak
    ettik. Her mahallenin merkez koordinatlarini lat ve lon ile kaydettik; X1
    gelir duzeyini, X2 egitim duzeyini, Y_value ise mahallenin ortalama kaygi
    puanini gosteriyor. Bir mahallenin kaygisinin komsularinin kaygisina bagimli
    olabilecegini dusundugumuz icin, bagimli degiskende mekansal gecikme iceren
    Spatial Lag (SAR) modelini sectik.
  >> DEGISKEN SECIMI:
    - Koordinatlar: lat, lon
    - Ongoruculer: X1, X2
    - Bagimli degisken: Y_value

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

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

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

#106  Spatial Error Model
    dosya: 106_spatial_error_residual.xlsx
  >> SENARYO (anlatim):
    Hane halki refahini bolgesel olarak modellerken, olcemedigimiz bazi mekansal
    faktorlerin hatalara sizmasindan suphelendik. Her gozlem biriminin konumunu
    lat ve lon ile belirledik; X1 gelir, X2 sosyoekonomik statu, Y_value ise
    hane refah puani. Komsu birimler arasindaki mekansal otokorelasyon bagimli
    degiskende degil de hata teriminde yogunlastigi icin, bunu dogru ele alan
    Spatial Error (mekansal hata) modelini kullandik.
  >> DEGISKEN SECIMI:
    - Koordinatlar: lat, lon
    - Ongoruculer: X1, X2
    - Bagimli degisken: Y_value

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

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

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

#107  Geographically Weighted Regression (GWR)
    dosya: 107_gwr_local.xlsx
  >> SENARYO (anlatim):
    Gelir ve egitimin yasam doyumu uzerindeki etkisinin ulkenin her yerinde ayni
    mi olduğunu, yoksa bolgeden bolgeye degisip degismedigini arastirdik. Her
    ilcenin konumunu lat ve lon ile aldik; X1 gelir, X2 egitim duzeyi, Y_value
    ise yasam doyumu puani. Tek bir genel katsayi yerine her konumda yerel
    katsayilar kestirip iliskinin mekansal degisimini haritalamak istedigimiz
    icin Cografi Agirlikli Regresyon (GWR) ideal yontem.
  >> DEGISKEN SECIMI:
    - Koordinatlar: lat, lon
    - Ongoruculer: X1, X2
    - Bagimli degisken: Y_value

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

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

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

#108  Nested Mixed Model (Nested LMM)
    dosya: 108_nested_lmm_R_P_F.xlsx
  >> SENARYO (anlatim):
    Genis bir saha arastirmasinda danisanlarin stres puanlarini ic ice gecmis
    bir yapida topladik. block degiskeni dort calisma bolgesini (R1-R4),
    upper_group dort danismanlik merkezini (P1-P4), lower_group_no ise her
    merkezin altindaki alti terapist ekibini (F01-F06) temsil ediyor; her
    bireyin stres puani value sutununda. Ekipler merkezlerin, merkezler de
    bloklarin icine yuvalandigi icin bu hiyerarsiyi dogru cozumlemek adina
    Yuvali Karma Model (Nested LMM) kullandik.
  >> DEGISKEN SECIMI:
    - Blok (rastgele etki): block (R1, R2, R3, R4)
    - Ust grup (rastgele etki): upper_group (P1, P2, P3, P4)
    - Alt grup (rastgele etki, yuvali): lower_group_no (F01-F06)
    - Bagimli degisken: value

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

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

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

#109  Crossed Mixed Model (Crossed LMM)
    dosya: 109_crossed_lmm_A_B.xlsx
  >> SENARYO (anlatim):
    Tutum (attitude) puanini etkileyen iki faktorun birbirine yuvalanmadigi,
    capraz bir tasarimla calistik. factor_a dort farkli mesaj turunu (A1-A4),
    factor_b ise dort farkli katilimci profilini (B1-B4) gosteriyor ve her
    profil her mesaj turuyle eslesiyor; tutum puani value sutununda. Iki faktor
    tam capraz oldugu ve ikisini de rastgele etki olarak ele almak istedigimiz
    icin Caprazlanmis Karma Model (Crossed LMM) en uygun analiz.
  >> DEGISKEN SECIMI:
    - Faktor A (rastgele etki): factor_a (A1, A2, A3, A4)
    - Faktor B (rastgele etki): factor_b (B1, B2, B3, B4)
    - Bagimli degisken: value

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

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

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

#110  KDE Density Map
    dosya: 110_KDE_population_density.xlsx
  >> SENARYO (anlatim):
    Bir kentteki hanelerin aylik gelirinin mekansal olarak nasil yogunlastigini,
    hangi bolgelerde dusuk gelirli hanelerin kumelendigini gormek istedik. Her
    hanenin konumunu lat ve lon koordinatlariyla, aylik gelirini ise
    monthly_income_TL sutunuyla kaydettik. Noktasal gelir verisini surekli bir
    yogunluk yuzeyine donusturup sicak ve soguk bolgeleri haritalamak icin
    Cekirdek Yogunluk Tahmini (KDE) yogunluk haritasini olusturduk.
  >> DEGISKEN SECIMI:
    - Koordinatlar: lat, lon
    - Agirlik (yogunluk degeri): monthly_income_TL

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    95 birim noktasi   ortalama aylik gelir = 26,569 TL
    Cekirdek yogunluk tahmini ile nufus/gelir yogunlugu haritasi

>> YORUM (anlatim):
    Harita sekmesinde, nufus/hane birimlerinin cografi yogunlugunu KDE (Cekirdek Yogunluk Tahmini) ile bir isi
    haritasina dokuyoruz. KDE, noktalari yumusak bir yogunluk yuzeyine cevirir: nerede yogun yerlesim var, nerede
    bosluk var gorulebilir. 95 birimin dagilimi, nufusun/gelirin cografi olarak nasil yogunlastigini gosterir. Bu,
    hem yogun bolgeleri hem de hizmet bosluklarini tespit etmek icin kullanilir. Mekansal sosyal veriyi
    gorsellestirmenin temel haritalama aracidir; sosyal politika ve kentsel planlamada nufus/gelir dagiliminin
    esitligini degerlendirir.

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

#111  Hexbin Map
    dosya: 111_Hexbin_household_distribution.xlsx
  >> SENARYO (anlatim):
    Bir kentteki hane halki yogunlugunun mekansal dagilimini incelemek istedik.
    Calisma alanindaki 150 birim icin her hanenin enlem (lat) ve boylam (lon)
    koordinatlarini topladik; ayrica her bolgeyi density_interval degiskeniyle
    dusuk (low), orta (medium) ve yuksek (high) yogunluk seviyelerine ayirdik.
    Amacimiz noktalarin ust uste binip okunmaz hale geldigi klasik nokta
    haritalari yerine, alani altigen hucrelere bolerek yogunlasma desenlerini
    net gormekti. Bu nedenle cok sayida konum noktasini sezgisel sekilde
    ozetleyen Hexbin haritasi en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Koordinatlar (enlem): lat
    - Koordinatlar (boylam): lon
    - Yogunluk/kategori degiskeni: density_interval (low, medium, high)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    150 hane/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 hane
    noktasini altigen izgaraya dokerek hangi bolgelerde yogunluk oldugunu gorsellestirdik. Altigen hucreler kareye
    gore daha az kenar-yanliligi tasir ve komsuluk iliskilerini daha esit temsil eder. Yogun mekansal sosyal veriyi
    (hane dagilimi, nufus konumu) okunabilir bir yogunluk haritasina cevirmenin pratik yoludur.

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

#112  Moran's I (Spatial Autocorrelation)
    dosya: 112_Morans_I_socioeconomic_autocorrelation.xlsx
  >> SENARYO (anlatim):
    Sosyoekonomik durumun mekanda rastgele mi dagildigini yoksa benzer gelir
    duzeyindeki birimlerin birbirine yakin mi kumelendigini sorgulamak istedik.
    Bunun icin 80 mekansal birimin enlem (lat) ve boylam (lon) koordinatlari ile
    aylik gelir degiskenini (monthly_income_TL) kullandik. Amacimiz yuksek
    gelirin belirli bolgelerde toplanip toplanmadigini, yani mekansal
    otokorelasyon olup olmadigini test etmekti. Komsu birimler arasindaki
    benzerligi tek bir genel istatistikle ozetledigi icin Moran's I bu soru icin
    en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Koordinatlar (enlem): lat
    - Koordinatlar (boylam): lon
    - Analiz degiskeni: monthly_income_TL

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Moran's I = 0.467   z = 8.31   p < .001
    Aylik gelirin mekansal otokorelasyonu (guclu pozitif)

>> YORUM (anlatim):
    Moran's I, "yakin bolgeler benzer gelire mi sahip" sorusunu olcen kuresel mekansal otokorelasyon istatistigidir.
    Sonuc guclu pozitif (I = 0.47, z = 8.31, p < .001): gelir mekansal olarak kumeleniyor -- yuksek gelirli bolgeler
    birbirine yakin, dusuk olanlar da. Bu tesaduf degil; sosyal tabakalasma, konut piyasasi ve mekansal ayrismsa komsu
    bolgeleri benzer kiliyor. Bu bulgu sosyolojide mekansal esitsizligin ve gelir segregasyonunun somut gostergesidir
    ve metodolojik onem tasir: mekansal otokorelasyon varsa siradan istatistik yanlis olur (bu yuzden #105-107 mekansal
    modelleri gerekli). Moran's I, mekansal analizin baslangic teshisidir.

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

#113  Getis-Ord Hotspot
    dosya: 113_Getis_Ord_high_income_hotspot.xlsx
  >> SENARYO (anlatim):
    Yuksek gelirin sicak nokta olusturdugu, yani istatistiksel olarak anlamli
    zengin kumelerin nerede yogunlastigini belirlemek istedik. Calisma
    alanindaki 68 birimin enlem (lat) ve boylam (lon) koordinatlari ile aylik
    gelir (monthly_income_TL) degerlerini topladik. Amacimiz hangi mahallelerin
    yuksek gelirli sicak noktalar, hangilerinin dusuk gelirli soguk noktalar
    oldugunu ortaya cikarmakti. Her konumu komsulariyla karsilastirip yerel
    kumelenmeyi gosteren Getis-Ord Gi* istatistigi bu amac icin en uygun
    yontemdir.
  >> DEGISKEN SECIMI:
    - Koordinatlar (enlem): lat
    - Koordinatlar (boylam): lon
    - Analiz degiskeni: monthly_income_TL

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    27 sicak nokta (yuksek gelir kumesi)   27 soguk nokta (dusuk gelir 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. 27 bolge istatistiksel olarak anlamli "sicak nokta" (yuksek gelirin yuksek gelirle
    cevrelendigi zengin kumeler), 27 bolge "soguk nokta" (dusuk gelir/yoksulluk kumeleri). Bu, sosyal politika icin
    dogrudan yol gosterir: kaynak ve mudahaleyi soguk nokta (dezavantajli) kumelerine odaklamak en verimlisidir. Gi*
    sicak nokta analizi, "yoksullugun/zenginligin cografi olarak nerede yogunlastigini" bulmanin standart mekansal
    yontemidir -- mekansal esitsizligin haritasini cikarir.

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

#114  DBSCAN Spatial Clustering
    dosya: 114_DBSCAN_neighborhood_clusters.xlsx
  >> SENARYO (anlatim):
    Hane konumlarinin dogal mahalle kumeleri olusturup olusturmadigini ve hangi
    noktalarin yalitilmis gurultu oldugunu kesfetmek istedik. Bunun icin onceden
    kume sayisi belirlemeden, 115 hanenin yalnizca enlem (lat) ve boylam (lon)
    koordinatlarini kullandik. Amacimiz yogun noktalardan olusan komsuluk
    kumelerini otomatik bulmak ve seyrek/aykiri konumlari gurultu olarak
    ayirmakti. Kume sayisini onceden istemeyen, dusuk yogunluklu noktalari
    ayikleyen DBSCAN bu tur mekansal kumeleme icin en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Koordinatlar (enlem): lat
    - Koordinatlar (boylam): lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kume sayisi = 4   gurultu (izole) = 11   n = 115
    Mahalle/birim konumlari yogunluk tabanli kumelendi

>> YORUM (anlatim):
    Haritada mahalle/birim konumlarini DBSCAN ile yogunluk tabanli kumeledik: dort yogun mahalle obegi bulundu, 11
    birim ise hicbir kumeye girmeyen "izole/gurultu" noktasi olarak isaretlendi. DBSCAN'in gucu, kume sayisini
    onceden istememesi ve duzensiz sekilli kumeleri yakalayabilmesidir -- ayrica seyrek/uzak birimleri otomatik ayirir.
    Dort kume, mahallelerin belirli bolgelerde gruplandigini gosterir; izole birimler ise kirsal/uzak yerlesimler
    olabilir. Bu mekansal kumeleme, sosyal hizmet bolgeleri tanimlamak, kaynak dagitimini planlamak ve cografi olarak
    benzer mahalleleri birlikte degerlendirmek icin pratik bir aractir. Boylece Psikoloji/Sosyoloji paketinin 114
    analizlik tam turunu tamamlamis oluyoruz.

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

#115  Karma Desen (Split-Plot) ANOVA
    dosya: 115_mixed_anova_anxiety_score.xlsx
  >> SENARYO (anlatim):
    40 participants uc time duzeyinde (pre, post, followup) olculur; her biri iki therapy grubundan birine (CBT / waitlist) aittir. Karma (split-plot) desen; anxiety score uzerinde denekler-arasi ana etki,
    denek-ici ana etki ve etkilesimi sinar.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: anxiety_score
    - Denek kimligi: participant_id
    - Denekler-arasi faktor: therapy
    - Denek-ici faktor: time

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Between (therapy): F(1,38) = 9.40  p = 0.004  np2 = 0.198
    Within (time):  F(2,76) = 168.69  p < .001  np2 = 0.816
    Interaction:         F(2,76) = 12.43  p < .001  np2 = 0.246
    Mauchly W = 0.805  p = 0.016   n_subjects = 40   n_obs = 120

>> YORUM (anlatim):
    therapy x time karma deseninde 40 participants icin anxiety score incelendi (120 gozlem). Etkilesim anlamli (F(2,76) = 12.43, p < .001, np2 = 0.246) *** -- iki grubun time boyunca degisimi farkli buyukluktedir. Denekler-arasi ana etki (CBT vs waitlist) F = 9.40, p = 0.004; denek-ici ana etki (pre/post/followup) F = 168.69, p < .001. Mauchly p = 0.016, yani kurelik ihlal edilir, Greenhouse-Geisser duzeltmeli denek-ici p okunur. Once etkilesime bakilir: anlamliysa grup etkisi her time duzeyinde ayri yorumlanmalidir. Psikolojide karma desen, bekleme-listesi kontrolüne karşı ön-son-izlem terapi denemeleri icin standart analizdir.

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