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

#1  Betimsel Istatistik
    dosya: 01_descriptive_demografi.xlsx
  >> SENARYO (anlatim):
    280 katilimcinin demografik envanterini cikardik. Her katilimci icin yas, egitim
    yili, gelir, memnuniyet ve haftalik calisma olculdu. Cikarimsal teste gecmeden
    once orneklemin genel resmini gormek istiyoruz; bu yuzden betimsel
    istatistiklerle basliyoruz.
  >> DEGISKEN SECIMI:
    - Degiskenler: age
    - Degiskenler: education_year
    - Degiskenler: monthly_income_TL
    - Degiskenler: satisfaction
    - Degiskenler: weekly_study
    - Gruplama (kategorik): type

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n = 280 katilimci
    yas : ort = 43.9   |   egitim yili : ort = 13.1   |   aylik gelir : ort = 12,228 TL
    memnuniyet : ort = 3.47 (5 uzeri)   |   haftalik calisma : ort = 40.3 saat

>> YORUM (anlatim):
    Once orneklemimizin genel resmini cikardik: 280 katilimci, ortalama yas ~44, egitim suresi 13 yil, aylik ortalama
    gelir ~12,200 TL, 5 uzerinden 3.47 memnuniyet ve haftalik ~40 saatlik calisma. Bu betimsel tablo, izleyen tum
    analizlerin -- grup karsilastirmalari, basari-motivasyon iliskileri, mekansal sosyoekonomik desen -- zeminini
    kuruyor. Sosyal ve beseri bilimlerde herhangi bir cikarimsal teste gecmeden once orneklemin temel ozelliklerini
    (yas, egitim, gelir, memnuniyet) ozetlemek, hem veri kalitesini denetlemek hem de arastirma onceliklerini
    belirlemek icin sarttir.

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

#2  Normallik Testleri
    dosya: 02_normality_income_motivation.xlsx
  >> SENARYO (anlatim):
    Gelir, motivasyon ve kaygi degiskenlerinin normal dagilip dagilmadigini
    inceliyoruz. Sonraki t-testi, ANOVA ve korelasyonun gecerliligi bu varsayima
    bagli oldugu icin her degiskeni ayri siniyoruz.
  >> DEGISKEN SECIMI:
    - Degiskenler: income
    - Degiskenler: motivation
    - Degiskenler: anxiety

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    3 surekli degisken test edildi:
    income (gelir)        : Shapiro-Wilk = 0.899  p < .001    KS p = 0.001   Normal Degil
    motivation (motivasyon) : Shapiro-Wilk = 0.994  p = 0.657  KS p = 0.636   Normal
    anxiety (kaygi)       : Shapiro-Wilk = 0.904  p < .001    KS p = 0.001   Normal Degil

>> YORUM (anlatim):
    Uc surekli degiskenin -- gelir, motivasyon ve kaygi -- normal dagilip dagilmadigini test ettik. Sonuc ogretici
    bicimde ayrisiyor: motivasyon normal (p = 0.66), ama gelir ve kaygi normallikten anlamli sapiyor (p < .001). Bu
    sosyal veride tipiktir -- gelir sag-carpiktir, kaygi ise sirali/sinirli bir olcektir (taban/tavan etkisi). Pratik
    sonuc: motivasyon uzerinde parametrik testleri (t-testi, ANOVA, Pearson) guvenle kullanabiliriz; gelir ve kaygi
    icin Mann-Whitney/Kruskal-Wallis gibi parametrik olmayan yontemler ya da donusum daha dogru olur. Normallik
    kontrolu, her degisken icin ayri ayri hangi test ailesinin uygun oldugunu belirleyen kritik bir on adimdir.

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

#3  Tek Orneklem t-Testi
    dosya: 03_one_sample_t_GPA.xlsx
  >> SENARYO (anlatim):
    Ogrencilerin ortalama not ortalamasinin (GPA, 4'luk olcek) 2.5'lik referans
    esikten farkli olup olmadigini arastiriyoruz. Tek grup ve sabit referans deger
    oldugundan tek orneklem t-testi uygundur.
  >> DEGISKEN SECIMI:
    - Test degiskeni: GPA
    - Test edilen deger (mu): 2.5

  >> 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) = 6.242   p < .001 ***   Cohen d = 0.624 (Orta)
    Ortalama GPA = 2.83   (test mu = 2.5, referans esik / 4'luk olcek)   H0 REDDEDILIR

>> YORUM (anlatim):
    Ogrencilerin ortalama not ortalamasini (GPA, 4'luk olcek), 2.5'lik bir referans esikle karsilastirdik. Sonuc
    anlamli ve orta buyuklukte: ortalama 2.83, esigin uzerinde -- t(99) = 6.24, p < .001, d = 0.62. Yani ogrenciler
    referans esigin istatistiksel olarak uzerinde basari gosteriyor. Tek orneklem t-testi, bir olcumu bilinen bir
    standart/esik degerle (gecme notu, hedef GPA) karsilastirmanin dogru yoludur; egitim arastirmalarinda basariyi bir
    olcute gore degerlendirmede sik kullanilir.

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

#4  Bagimsiz Orneklem t-Testi
    dosya: 04_independent_t_sex_score.xlsx
  >> SENARYO (anlatim):
    Iki bagimsiz grubun (cinsiyet) ortalama basari puanini karsilastiriyoruz. Iki
    ayri grup ve surekli olcu oldugundan bagimsiz orneklem t-testi uygundur.
  >> DEGISKEN SECIMI:
    - Gruplama (kategorik): sex
    - Test degiskeni: 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)   H0 REDDEDILIR

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

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

#5  Eslestirilmis Orneklem t-Testi
    dosya: 05_paired_t_on_last.xlsx
  >> SENARYO (anlatim):
    Ayni ogrencilerde mudahale oncesi ve sonrasi olculen iki puani
    karsilastiriyoruz. Olcumler eslestirilmis oldugundan eslestirilmis t-testi
    uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: on_test
    - 2. olcum / grup: last_test

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    t(49) = -15.99   p < .001 ***   Cohen d_z = -2.262 (Buyuk)
    Ort. fark (on_test - last_test) = -12.23   H0 REDDEDILIR

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

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

#6  Tek Yonlu ANOVA
    dosya: 06_anova_instruction.xlsx
  >> SENARYO (anlatim):
    Dort ogretim yonteminin ortalama basari puani uzerindeki etkisini
    karsilastiriyoruz. Ikiden fazla grup oldugundan tek yonlu ANOVA uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: score
    - Faktor (kategorik): instruction

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    F(3,136) = 15.38   p < .001 ***   eta^2 = 0.253   H0 REDDEDILIR

>> YORUM (anlatim):
    Dort farkli ogretim yonteminin (instruction) ortalama basari puani uzerindeki etkisini test ettik. Sonuc anlamli
    ve guclu: F(3,136) = 15.38, p < .001, eta^2 = 0.25 -- yani puan degiskenliginin yaklasik dortte biri yontem
    farkindan kaynaklaniyor. En az bir yontem digerlerinden anlamli olarak ayrisiyor. Tek yonlu ANOVA, ikiden fazla
    grubun ortalamalarini tek seferde karsilastirir (cok sayida t-testinin getirdigi hata sismesinden kacinir);
    egitimde farkli yontem/grup/sinif performansini kiyaslamada temel yontemdir. Hangi ciftlerin ayristigi post-hoc
    testlerle belirlenir.

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

#7  Iki Yonlu ANOVA
    dosya: 07_two_way_anova.xlsx
  >> SENARYO (anlatim):
    Ogretim yontemi ve cinsiyetin basari uzerindeki ana etkilerini ve etkilesimini
    ayni anda inceliyoruz. Iki kategorik faktor oldugundan iki yonlu ANOVA uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: score
    - Faktor (kategorik): method
    - 2. Faktor: sex

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

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

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

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

#8  Tekrarli Olcumler ANOVA
    dosya: 08_repeated_anova_term_GPA.xlsx
  >> SENARYO (anlatim):
    Ayni ogrencilerde dort ardisik donemde olculen basariyi karsilastiriyoruz. Ayni
    birimde tekrarli olcum oldugundan tekrarli olcumler ANOVA'si uygundur.
  >> DEGISKEN SECIMI:
    - Tekrarli olcumler: measurement_1
    - Tekrarli olcumler: measurement_2
    - Tekrarli olcumler: measurement_3
    - Tekrarli olcumler: measurement_4

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    F(3,177) = 108.40   p < .001 ***   eta^2p = 0.648   n = 60   H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni 60 ogrencide dort ardisik donemde olculen basariyi karsilastirdik. Sonuc cok guclu: F(3,177) = 108.40,
    p < .001, eta^2p = 0.65 -- donemler arasi fark devasa ve etkinin buyuk kismi zamana bagli. Yani ogrencilerin
    basarisi donemler boyunca anlamli sekilde degisiyor. Tekrarli olcumler ANOVA, ayni birimde uc veya daha fazla
    zamanli olcumu karsilastirir; bireysel farki sabit tuttugu icin yuksek istatistiksel guc saglar ve egitimde
    cok-donemli gelisim takibinde (donemlik GPA, izleme olcumleri) dogru secimdir.

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

#9  MANOVA
    dosya: 09_manova_method_3ders.xlsx
  >> SENARYO (anlatim):
    Ogretim yonteminin matematik, fen ve dil basarisi uzerindeki etkisini ayni anda
    test ediyoruz. Birden cok iliskili bagimli degisken oldugundan MANOVA uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: math
    - Bagimli degisken: science
    - Bagimli degisken: language
    - Faktor (kategorik): method

  >> 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: math, science, language   |   Faktor: method   H0 REDDEDILIR

>> YORUM (anlatim):
    Ogretim yonteminin uc bagimli degisken (matematik, fen, dil basarisi) uzerindeki etkisini ayni anda test ettik.
    Wilks' Lambda = 0.43, F(6,230) = 19.90, p < .001 ile etki cok guclu. MANOVA, birden cok iliskili sonucu tek testte
    inceleyerek hem cok sayida ayri ANOVA'nin hata sismesini onler hem de degiskenlerin birlikte tasidigi ortak
    bilgiyi yakalar. Egitimde yontem bir tek dersi degil, ders basari "demetini" birlikte etkiliyorsa, MANOVA bu
    cok-boyutlu farki tek karar olarak ortaya koyar.

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

#10  ANCOVA
    dosya: 10_ancova.xlsx
  >> SENARYO (anlatim):
    Son testi gruplara gore karsilastirirken on test puanini ko-degisken olarak
    kontrol ediyoruz. Karistirici surekli degisken oldugundan ANCOVA uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: last_test
    - Faktor (kategorik): group
    - Ko-degisken: on_test

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Grup etkisi anlamli   eta^2p = 0.474 (buyuk)   ko-degisken: on_test   H0 REDDEDILIR

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    W = 0.00   p < .001 ***   r = 0.89   n (sifirsiz) = 30   H0 REDDEDILIR

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

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

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    H(2) = 15.96   p < .001 ***   eta^2_H = 0.33   H0 REDDEDILIR

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

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

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

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

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

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

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

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

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

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

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

#19  Isaret Testi
    dosya: 19_sign_test_nitrogen.xlsx
  >> SENARYO (anlatim):
    Ayni ogrencilerde once/sonra puanin yonune bakiyoruz. Yalnizca yon bilgisi
    guvenilirken isaret testi uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: score_before
    - 2. olcum / grup: score_post

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

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

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

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

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

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

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

#21  Ki-Kare Bagimsizlik
    dosya: 21_chisquare_type_health.xlsx
  >> SENARYO (anlatim):
    Gurultu duzeyi ile universite tercihi arasinda iliski olup olmadigini test
    ediyoruz. Iki kategorik degisken oldugundan ki-kare uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: sound
    - Degiskenler: university

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

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

>> YORUM (anlatim):
    Iki kategorik degisken -- gurultu duzeyi (sound) ve universite tercihi (university) -- arasinda iliski olup
    olmadigini test ettik: chi^2(2) = 141.06, p < .001, Cramer's V = 0.51 ile guclu bir bagimlilik. Kategoriler
    bagimsiz degil, birlikte degisiyor. Ki-kare bagimsizlik testi, iki nitel degisken arasindaki iliskiyi capraz
    tablodan saptar; egitim/sosyal arastirmalarda grup-tercih, bolge-tutum gibi kategorik iliskileri ortaya cikarmada
    temel yontemdir. Cramer's V iliskinin pratik gucunu olcer.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

#25  Cohen's Kappa
    dosya: 25_kappa_expert.xlsx
  >> SENARYO (anlatim):
    Iki ogretmenin ayni ogrencileri ayni kategorilere atamadaki uyumunu olcuyoruz.
    Kategorik uyum icin kappa uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: teacher_a
    - 2. olcum / grup: teacher_b

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

>> YORUM (anlatim):
    Iki ogretmenin (teacher_a vs teacher_b) ayni ogrencileri ayni kategorilere atamadaki uyumunu -- sansla beklenen
    uyumu disarak -- olctuk: kappa = 0.585, orta duzey. Kappa, iki degerlendirici/yontem arasindaki kategorik uyumu,
    rastgele uyusma payini cikararak rapor eder; ham yuzde uyumdan daha durusttur. Egitimde iki ogretmenin/puanlayicinin
    siniflamalarinin (basari duzeyi, performans sinifi) ne kadar tutarli oldugunu olcmede standart gostergedir.

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

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

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

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

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

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

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

>> YORUM (anlatim):
    Uc kategorik degiskenin (cinsiyet, gurultu, universite okuru) birlikte iliski yapisini log-lineer modelle inceledik.
    Model, hucre frekanslarini ana etkiler ve etkilesimlerle aciklar; hangi degisken ciftlerinin/uclulerinin birlikte
    degistigini ortaya koyar. Iki yonlu capraz tablonun cok-degiskenli genellemesidir. Egitim/sosyal arastirmalarda
    ucten fazla kategorik boyutun (cinsiyet x cevre x tercih) ortak baginti desenini cozumlemede; sadeligi AIC ile
    dengeleyerek en aciklayici yapiyi secmede kullanilir.

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

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

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

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

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

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

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

>> YORUM (anlatim):
    "Hangi etkinliklere katiliyorsunuz?" gibi birden fazla secenegin isaretlenebildigi bir soruyu cozumledik: 250
    katilimcinin her biri bir veya daha cok etkinlik belirtmis. Coklu yanit frekans analizi, secenek basina isaretlenme
    sayisini ve hem yanit hem vaka yuzdesini ayri ayri verir (yuzdeler toplami 100'u asar, cunku bir kisi coklu
    secebilir). Egitim/sosyal anketlerde cok-secimli sorularinin (katilinan etkinlikler, kullanilan kaynaklar) dogru
    ozetlenmesi icin standart yontemdir.

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

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

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

>> YORUM (anlatim):
    Coklu yanitli etkinlik sorusunu tekli bir kategoriye (cinsiyet) gore capraz tabloladik: her grup icin etkinlik
    basina isaretlenme oranlarini karsilastirdik. Coklu yanit capraz tablosu, "bir grup hangi secenekleri digerinden
    daha sik isaretliyor?" sorusunu yanitlar. Egitim/sosyal arastirmalarda gruplarin (cinsiyet, bolge) cok-secimli
    katilim profillerini (etkinlikler, kaynaklar) karsilastirmada kullanilir.

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

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

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

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

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

#32  Cochran Q Testi
    dosya: 32_cochran_q_season.xlsx
  >> SENARYO (anlatim):
    Ayni ogrencilerde farkli dersler icin ikili sonucun dersten derse degisip
    degismedigini test ediyoruz. Uc+ tekrarli ikili olcum icin Cochran Q uygundur.
  >> DEGISKEN SECIMI:
    - Sutunlar: ders-bazli ikili sutunlar / course-wise binary columns

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

>> YORUM (anlatim):
    Ayni ogrencilerde farkli dersler (course) icin olculen ikili sonucun (sevdi/sevmedi) dersten derse anlamli degisip
    degismedigini test ettik: Q = 0, p = 1.00 -- dersler arasi fark yok. Cochran Q, McNemar testinin ikiden fazla
    tekrarli kosula genellemesidir; ayni birimde uc+ ikili olcumu karsilastirir. Egitimde ayni ogrencilerin birden cok
    ders/etkinligi begenip begenmedigini kiyaslamada dogru yontemdir.

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

#33  Korelasyon Analizi
    dosya: 33_correlation_5degisken.xlsx
  >> SENARYO (anlatim):
    Bes surekli degisken arasindaki tum ikili korelasyonlari inceliyoruz. Iliski
    yonu ve gucu icin korelasyon matrisi uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: motivation
    - Degiskenler: study_hour
    - Degiskenler: GPA
    - 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: motivation, study_hour, GPA, anxiety, satisfaction
    Guclu iliski (|r| >= 0.75): bu esigin uzerinde iliski YOK

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

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

#34  Bland-Altman Uyum
    dosya: 34_bland_altman_dbh.xlsx
  >> SENARYO (anlatim):
    Ayni zekayi olcen iki testin (IQ_test_a/b) birbiriyle uyumunu inceliyoruz. Test
    degistirilebilirligi icin Bland-Altman uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: IQ_test_a
    - 2. olcum / grup: IQ_test_b

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    IQ testi A (IQ_test_a): ort = 100.52   |   IQ testi B (IQ_test_b): ort = 99.20
    Bias (ortalama fark) ~ 1.32   |   uyum sinirlari (LoA) hesaplandi

>> YORUM (anlatim):
    Ayni zekayi olcen iki testin (IQ_test_a vs IQ_test_b) birbiriyle ne kadar uyustugunu inceledik: ortalama
    sistematik fark (bias) ~1.3 puan ve %95 uyum sinirlari raporlandi. Bland-Altman, korelasyondan farkli olarak "iki
    test birbirinin yerine kullanilabilir mi?" sorusunu yanitlar -- yuksek korelasyon uyum demek degildir, sistematik
    bir kayma olabilir. Egitim/psikometride iki olcum aracinin/testin degistirilebilirligini sinamada standart
    yontemdir.

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

#35  Etki Buyuklugu
    dosya: 35_effect_size_method.xlsx
  >> SENARYO (anlatim):
    Iki materyal grubu arasindaki puan farkinin pratik buyuklugunu olcuyoruz.
    p-degerinden bagimsiz onem icin etki buyuklugu uygundur.
  >> DEGISKEN SECIMI:
    - Test degiskeni: score
    - Gruplama (kategorik): material

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cohen's d = -0.928 (buyuk etki)   iki materyal grubu (material) arasinda puan farki

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

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

#36  Kanonik Korelasyon (CCA)
    dosya: 36_cca_physical_bio.xlsx
  >> SENARYO (anlatim):
    Bilissel basari seti ile duyussal degiskenler seti arasindaki ortak yapiyi
    inceliyoruz. Iki cok-degiskenli set arasi iliski icin CCA uygundur.
  >> DEGISKEN SECIMI:
    - X degiskenleri: math
    - X degiskenleri: science
    - X degiskenleri: language
    - X degiskenleri: reading
    - X degiskenleri: logic
    - Y degiskenleri: motivation
    - Y degiskenleri: attitude
    - Y degiskenleri: satisfaction
    - Y degiskenleri: anxiety

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CC1: r = 0.985   chi^2(20) = 1407.32   p < .001 ***
    CC2: r = 0.965   chi^2(12) = 900.60    p < .001 ***
    Set-X (bilissel): math, science, language, reading, logic  |  Set-Y (duyussal): motivation, attitude, satisfaction, anxiety

>> YORUM (anlatim):
    Iki cok-degiskenli olcu setini -- bilissel basari (matematik, fen, dil, okuma, mantik) ve duyussal degiskenler
    (motivasyon, tutum, memnuniyet, kaygi) -- arasindaki ortak yapiyi kanonik korelasyonla cozduk. Ilk iki kanonik
    fonksiyon cok guclu (r = 0.985 ve 0.965, p < .001): iki set birbiriyle yogun bicimde baginti gosteriyor. CCA, "bir
    degisken kumesi digeriyle nasil iliskili?" sorusunu tek seferde yanitlar -- coklu regresyonun her iki tarafta da
    cok degiskenli versiyonudur. Egitimde bilissel basari demeti ile duyussal demet arasindaki gizli iliski yapisini
    ortaya koyar.

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

#37  Uyum Analizi
    dosya: 37_ca_plant_season.xlsx
  >> SENARYO (anlatim):
    Gurultu duzeyi ile meslek arasindaki iliskiyi gorsel bir haritaya dokuyoruz. Iki
    kategorik degiskenin yapisini gormek icin CA uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: sound
    - Degiskenler: occupation

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

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

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

#38  Degisken Kumeleme (VarClus)
    dosya: 38_varclus_18madde.xlsx
  >> SENARYO (anlatim):
    On sekiz olcum maddesini (oz-yeterlik/motivasyon/kaygi) birbirine yakinligina
    gore kumeliyoruz. Gizli boyut yapisini bulmak icin VarClus uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: self_efficacy_1..6, motivation_1..6, anxiety_1..6 (18 madde / items)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kume sayisi = 3   (18 madde: self_efficacy_1..6, motivation_1..6, anxiety_1..6)

>> YORUM (anlatim):
    On sekiz olcum maddesini (oz-yeterlik, motivasyon, kaygi 6'sar madde), birbirleriyle ne kadar iliskili olduklarina
    gore kumeledik: maddeler 3 ana boyutta toplandi -- buyuk olasilikla oz-yeterlik/motivasyon/kaygi dogal gruplarina
    karsilik geliyor. VarClus, gozlemleri degil DEGISKENLERI gruplar -- birbiriyle yuksek baginti gosteren maddeleri
    ayni kumeye koyarak veri setinin gizli boyut yapisini ortaya cikarir. Egitim/psikometride uzun bir madde setini
    birkac temel boyuta indirgemede ve gereksiz maddeleri saptayip olcek kisaltmada pratik bir aractir.

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

#39  Coklu Dogrusal Regresyon
    dosya: 39_multiple_regression_yield.xlsx
  >> SENARYO (anlatim):
    GPA'yi dort yordayiciyla (calisma, motivasyon, ebeveyn egitimi, devamsizlik)
    modelliyoruz. Surekli sonucu cok degiskenle aciklamak icin coklu regresyon
    uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: GPA
    - Yordayici(lar): study
    - Yordayici(lar): motivation
    - Yordayici(lar): parent_education
    - Yordayici(lar): absenteeism

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R^2 = 0.616   Duz. R^2 = 0.608   yordayicilar: study, motivation, parent_education, absenteeism

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

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

#40  Lojistik Regresyon
    dosya: 40_logistic_disease.xlsx
  >> SENARYO (anlatim):
    Universite basarisini (basarili/basarisiz) dort yordayiciyla modelliyoruz. Ikili
    sonuc icin lojistik regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: university_achievement
    - Yordayici(lar): GPA
    - Yordayici(lar): study
    - Yordayici(lar): motivation
    - Yordayici(lar): sound

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Pseudo R^2 = 0.171   ikili sonuc: university_achievement   yordayicilar: GPA, study, motivation, sound

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

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

#41  Sayim (Poisson) Regresyonu
    dosya: 41_poisson_insect.xlsx
  >> SENARYO (anlatim):
    Disiplin olayi sayisini yas ve motivasyonla modelliyoruz. Sayim sonucu icin
    Poisson regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: discipline_count
    - Yordayici(lar): age
    - Yordayici(lar): motivation

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 180.91   Deviance = 113.68   sayim sonucu: discipline_count   yordayicilar: age, motivation

>> YORUM (anlatim):
    Bir sayim degiskenini (disiplin olayi sayisi) yas ve motivasyonla modelledik. Poisson regresyon, sonuc bir sayim
    (0,1,2,... adet) oldugunda dogru modeldir; dogrusal regresyon negatif/kesirli tahmin uretebilecegi icin uygunsuzdur.
    Katsayilar sayim oranina etkiyi verir. Egitimde disiplin olayi, devamsizlik adedi, basvuru sayisi gibi sayim
    ciktilarini aciklamada kullanilir.

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

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

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

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

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

#43  Ordinal Lojistik
    dosya: 43_ordinal_quality.xlsx
  >> SENARYO (anlatim):
    Sirali motivasyon duzeyini ogretmen destegi ve okul firsatlariyla modelliyoruz.
    Sirali sonuc icin ordinal lojistik uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: motivation_level
    - Yordayici(lar): teacher_support
    - Yordayici(lar): school_opportunity

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 466.81   sirali sonuc: motivation_level   yordayicilar: teacher_support, school_opportunity

>> YORUM (anlatim):
    Sirali bir sonucu (motivasyon duzeyi: dusuk/orta/yuksek) ogretmen destegi ve okul firsatlariyla modelledik. Ordinal
    lojistik, kategoriler arasindaki SIRA bilgisini kullanir (multinomial bunu yok sayar); "orantili odds" varsayimiyla
    tek bir katsayi setiyle tum esikleri aciklar. Egitimde motivasyon duzeyi, basari sinifi, derecelendirme gibi dogal
    sirali ciktilari modellemede dogru ve daha guclu secimdir.

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

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

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

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

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

#45  Probit Regresyon
    dosya: 45_probit_dose_response.xlsx
  >> SENARYO (anlatim):
    Gecme olasiligini calisma saatiyle probit modelle tahmin ediyoruz. Ikili sonuc
    icin probit (normal baglanti) uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: passed
    - Yordayici(lar): study_hour

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

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

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

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 475.35   Sol kesim   sonuc: education_tuition (sansurlu)   yordayicilar: income, child_count

>> YORUM (anlatim):
    Bir alttan sinirli (sifirda yigilan) egitim harcamasi degiskenini gelir ve cocuk sayisi ile modelledik. Tobit,
    gozlemlerin bir esikte (burada 0) yigildigi "sansurlu" bagimli degiskenler icindir; siradan regresyon bu yigilmayi
    yok sayarak yanli tahmin verir. Egitim/sosyal arastirmalarda sifir harcama gibi taban etkili ciktilarda dogru
    modeldir; katsayilar gercek (sansursuz) iliskiyi yansitir.

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

#47  Bayesci Dogrusal Regresyon
    dosya: 47_bayesian_NPK.xlsx
  >> SENARYO (anlatim):
    Basari puanini calisma ve yasla Bayesci cerceyede modelliyoruz. Belirsizligi
    olasilikla ifade etmek icin Bayesci regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: score
    - Yordayici(lar): study
    - Yordayici(lar): age

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

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

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

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

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

>> YORUM (anlatim):
    Bir ciktinin (kelime sayisi/word_count) yas ile iliskisini, duz cizgiyle degil S-bicimli lojistik buyume egrisiyle
    modelledik: uyum cok yuksek (R^2 = 0.97). Dogrusal olmayan regresyon, iliski egrisel oldugunda (doyma, esik, ustel
    buyume) teorik fonksiyon formunu dogrudan veriye uydurur ve parametreleri (tavan K, hiz r, donum noktasi x0)
    yorumlanabilir kilar. Egitim/gelisimde dil edinimi, ogrenme egrisi gibi S-seyirli sureclari modellemede dogru
    aractir.

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

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

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

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

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

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

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

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

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

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

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

#51  Aracilik Analizi
    dosya: 51_mediation_nitrogen_yield.xlsx
  >> SENARYO (anlatim):
    Ebeveyn destegi -> motivasyon -> basari zincirini test ediyoruz. Ara mekanizmayi
    cozmek icin aracilik analizi uygundur.
  >> DEGISKEN SECIMI:
    - Yordayici(lar): parent_support
    - Deger: M (araci/mediator): motivation
    - Bagimli degisken: achievement

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

>> YORUM (anlatim):
    "Ebeveyn destegi (X) -> motivasyon (M) -> basari (Y)" zincirini test ettik: dolayli etki 5.64, %95 guven araligi
    sifiri icermiyor -- yani destegin basariya etkisi onemli olcude motivasyon uzerinden gerceklesiyor. Aracilik
    analizi, "X neden/nasil Y'yi etkiliyor?" sorusunu bir ara mekanizma uzerinden cozer. Egitim/psikolojide bir
    destegin/mudahalenin etkisinin hangi ara surec (motivasyon, oz-yeterlik) uzerinden aktigini anlamada gucludur.

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

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

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

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

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

#53  Dogrusal Karma Model (LMM)
    dosya: 53_lmm_plot_year.xlsx
  >> SENARYO (anlatim):
    Ayni ogrencilerde donemler boyunca tekrarli olculen GPA'yi, ogrenciyi rastgele
    etki alarak modelliyoruz. Tekrarli/ic ice veride LMM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: GPA
    - Yordayici(lar): term
    - Kume: student_id (random)

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    ICC = 0.943   Grup varyansi (random intercept) = 0.247   sonuc: GPA   sabit: term   grup: student_id

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

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    m (imputation) = 5   sonuc: GPA   yordayicilar: study, motivation, anxiety, parent_education

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

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    visit katsayisi = 0.032   p = 0.042 *   QIC = 305.56   sonuc: motivation   grup: student_id

>> YORUM (anlatim):
    Ayni ogrencilerin tekrarli ziyaret olcumlerinde motivasyonu modelledik; ziyaret etkisi anlamli (b = 0.032,
    p = 0.042). GEE, tekrarli/kumelenmis veride bireysel etkilerden cok POPULASYON-ORTALAMASI etkiyi tahmin eder ve
    grup ici korelasyonu "calisma korelasyon yapisi" ile duzeltir. LMM bireysel random etkiye odaklanirken, GEE
    ortalama egilime odaklanir. Egitimde "ortalama ogrencide zaman/ziyaret etkisi nedir?" gibi populasyon duzeyi
    sorularda tercih edilir.

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

#56  GLMM
    dosya: 56_glmm_insect.xlsx
  >> SENARYO (anlatim):
    Ayni ogrencilerde tekrarli olculen disiplin sayisini ay ve mudahaleyle,
    ogrenciyi rastgele etki alarak modelliyoruz. Tekrarli sayim icin GLMM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: discipline
    - Yordayici(lar): month
    - Yordayici(lar): intervention
    - Kume: student_id (Poisson)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    intervention katsayisi = -0.206   p = 0.077 ns   sonuc: discipline (sayim, Poisson)   grup: student_id

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

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    alpha = 0.075   L1 orani = 0.50   R^2 (egitim) = 0.604   40 yordayici

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

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

#58  Saglam Regresyon
    dosya: 58_robust_area_yield.xlsx
  >> SENARYO (anlatim):
    Basari puanini calisma ile, aykiri degerlerin etkisini azaltarak modelliyoruz.
    Uc degerli veri icin saglam regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: score
    - Yordayici(lar): study

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

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

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    q=0.10, q=0.50, q=0.90 icin ayri egimler raporlandi   sonuc: GPA   yordayici: study, motivation

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

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

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

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

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

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    TSS = 0.33 (kabul edilebilir)   Duyarlilik = 0.73   Ozgulluk = 0.60   N = 200
    ikili sonuc: pass   yordayicilar: GPA, absenteeism

>> YORUM (anlatim):
    Bir siniflama modelinin (gecti/kaldi) ayirma basarisini TSS ile olctuk: TSS = 0.33 (duyarlilik 0.73, ozgulluk
    0.60). TSS = duyarlilik + ozgulluk - 1; sansla beklenen basariyi disar ve dengesiz siniflarda dahi adil bir
    performans olcusu verir. Accuracy yanli olabilirken (cogunluk sinifa baglanir), TSS hem pozitifleri hem negatifleri
    yakalama gucunu birlikte degerlendirir. Egitimde risk/basari siniflandirma modellerinin gercek ayirma gucunu
    raporlamada saglamdir.

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

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

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

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

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

#63  Rastgele Orman
    dosya: 63_rf_tree_type.xlsx
  >> SENARYO (anlatim):
    Meslek tercihini bes ozellikten rastgele ormanla siniflandiriyoruz. Dogrusal
    olmayan tahmin icin random forest uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: occupation
    - Yordayici(lar): math
    - Yordayici(lar): language
    - Yordayici(lar): GPA
    - Yordayici(lar): reading
    - Yordayici(lar): age

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Accuracy = 0.757   sonuc: occupation   yordayicilar: math, language, GPA, reading, age

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

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

#64  Destek Vektor Makineleri (SVM)
    dosya: 64_svm_health.xlsx
  >> SENARYO (anlatim):
    Universiteyi kazandi/kazanamadi siniflamasini dort ozellikten SVM ile yapiyoruz.
    Iyi ayrilabilen siniflar icin SVM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: university_passed
    - Yordayici(lar): GPA
    - Yordayici(lar): math
    - Yordayici(lar): trial
    - Yordayici(lar): study

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Accuracy = 1.00   sonuc: university_passed   yordayicilar: GPA, math, trial, study

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

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Accuracy = 0.982   sonuc: dropout_risk   yordayicilar: GPA, absenteeism, sound, parent_joint

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

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

#66  K-Ortalamalar Kumeleme
    dosya: 66_kmeans_4kume.xlsx
  >> SENARYO (anlatim):
    Ogrencileri dort ozellige gore kumeliyoruz. Ogrenci segmentasyonu icin k-means
    uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: GPA
    - Degiskenler: study
    - Degiskenler: math
    - Degiskenler: trial
    - Kume sayisi: 4

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n_clusters = 4   Silhouette = 0.459   degiskenler: GPA, study, math, trial

>> YORUM (anlatim):
    Ogrencileri dort ozellige gore (GPA, calisma, matematik, deneme) 4 kumeye ayirdik: silhouette = 0.46, makul-orta
    ayrisma. K-means, gozlemleri en yakin kume merkezine atar ve merkezleri iteratif olarak gunceller; benzer
    ogrencileri dogal gruplara ayirir. Onceden etiket gerekmez (gozetimsiz). Egitimde ogrenci segmentasyonunda, ogrenme
    profillerini kesfetmede temel yontemdir; silhouette kume sayisinin uygunlugunu denetler.

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

#67  Hiyerarsik Kumeleme
    dosya: 67_hierarchic_5tur.xlsx
  >> SENARYO (anlatim):
    On davranis maddesine gore ogrencileri hiyerarsik kumeliyoruz. Ic-ice grup
    yapisi icin hiyerarsik kumeleme uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: behavior_01..10
    - Kume sayisi: 5

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

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

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

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

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

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

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

#69  Temel Bilesenler (PCA)
    dosya: 69_pca_6ozellik.xlsx
  >> SENARYO (anlatim):
    Alti iliskili basari gostergesini PCA ile az sayida bilesene indirgiyoruz. Boyut
    indirgeme icin PCA uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: math
    - Degiskenler: science
    - Degiskenler: language
    - Degiskenler: reading
    - Degiskenler: logic
    - Degiskenler: art

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    PC1 varyansin %88.3'unu acikliyor   degiskenler: math, science, language, reading, logic, art

>> YORUM (anlatim):
    Alti iliskili basari gostergesini PCA ile az sayida bilesene indirgedik: ilk bilesen tek basina varyansin %88'ini
    acikliyor -- yani bu alti ders basarisi buyuk olcude tek bir gizli boyutu (genel akademik yetenek) yansitiyor. PCA,
    bagintili degiskenleri birbirinden bagimsiz bilesenlere donusturur; boyut indirger, gorsellestirmeyi kolaylastirir
    ve multikolinariteyi cozer. Egitimde cok-dersli basariyi ozetlemede ve bir "genel basari endeksi" olusturmada
    temeldir.

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

#70  t-SNE
    dosya: 70_tsne_5tur.xlsx
  >> SENARYO (anlatim):
    12 boyutlu veriyi gorsellestirme icin 2 boyuta t-SNE ile indiriyoruz. Dogrusal
    olmayan kume kesfi icin t-SNE uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: item_01..12

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

>> YORUM (anlatim):
    On iki boyutlu veriyi, gorsellestirme icin 2 boyuta t-SNE ile indirdik (KL = 0.54, iyi kalite). t-SNE, yuksek
    boyutlu komsuluklari korumaya calisarak benzer gozlemleri yakin, farklilari uzak konumlandirir; PCA'nin gormedigi
    dogrusal olmayan kume yapilarini gorsel olarak ortaya cikarir. Yorum gorseldir (eksenlerin mutlak anlami yoktur).
    Egitim/psikometride yuksek boyutlu olcek/davranis verisindeki gizli ogrenci kumelerini kesifsel gorsellestirmede
    kullanilir.

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

#71  Cok Boyutlu Olcekleme (MDS)
    dosya: 71_mds_3grup.xlsx
  >> SENARYO (anlatim):
    Ogrenciler arasi benzerlik yapisini 2 boyutlu haritaya yerlestiriyoruz.
    Benzerlik haritasi icin MDS uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: GPA
    - Degiskenler: study
    - Degiskenler: math
    - Degiskenler: science
    - Degiskenler: language

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Stress (Kruskal-1) = 0.052 (kabul edilebilir)   degiskenler: GPA, study, math, science, language

>> YORUM (anlatim):
    Ogrenciler arasi uzaklik/benzerlik yapisini, dusuk stress (0.05) ile 2 boyutlu bir haritaya yerlestirdik: dusuk
    stress, haritanin gercek uzakliklari iyi temsil ettigini gosteriyor. MDS, gozlemler arasi mesafeleri koruyarak
    onlari yorumlanabilir bir uzayda konumlandirir; t-SNE'den farki, kuresel mesafe yapisini koruma amacidir. Egitimde
    ogrenci/grup benzerlik haritalarini cizmede ve gruplar arasi konumlandirmada kullanilir.

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

#72  UMAP
    dosya: 72_umap_5tip.xlsx
  >> SENARYO (anlatim):
    25 boyutlu davranis verisini UMAP ile 2 boyuta indiriyoruz. Hem yerel hem
    kuresel yapi icin UMAP uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: behavior_01..25

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

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

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

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

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

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

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

#74  Likert Olcek Analizi
    dosya: 74_likert_3boyut.xlsx
  >> SENARYO (anlatim):
    Uc alt-olcekten (motivasyon/oz-yeterlik/kaygi) olusan 15 maddelik Likert setini
    cozumluyoruz. Sirali olcek ozeti ve guvenilirligi icin Likert analizi uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: motivation_1..5 / self_efficacy_1..5 / anxiety_1..5

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Madde sayisi k = 15   Cronbach alpha = 0.769 (kabul edilebilir)

>> YORUM (anlatim):
    Uc alt-olcekten (motivasyon, oz-yeterlik, kaygi) olusan 15 maddelik Likert setini cozumledik: guvenilirlik kabul
    edilebilir (alpha = 0.77), madde dagilimlari ve merkezi egilimler raporlandi. Likert analizi, sirali olcek
    yanitlarini (1-5) uygun ozetlerle (medyan, dagilim, yigilma) betimler ve olcek guvenilirligini denetler.
    Egitim/psikometride tutum/algi anketlerinin (motivasyon, kaygi) dogru ozetlenmesi ve yorumlanmasi icin kullanilir.

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

#75  Acimlayici Faktor Analizi (EFA)
    dosya: 75_efa_18.xlsx
  >> SENARYO (anlatim):
    On sekiz maddenin arkasindaki gizli faktorleri kesfediyoruz. Olcek yapisi kesfi
    icin EFA uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: q01..18

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

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

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

#76  Sinif Ici Korelasyon (ICC)
    dosya: 76_icc_3uzman.xlsx
  >> SENARYO (anlatim):
    Uc ogretmenin verdigi puanlarin tutarliligini olcuyoruz. Surekli puanda gozlemci
    guvenirligi icin ICC uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: teacher_a
    - Degiskenler: teacher_b
    - Degiskenler: teacher_c

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

>> YORUM (anlatim):
    Uc ogretmenin ayni ogrencilere verdigi puanlarin tutarliligini ICC ile olctuk: ICC = 0.96, mukemmel --
    ogretmenler neredeyse ozdes puanliyor. ICC, kappa'dan farkli olarak SUREKLI puanlarda gozlemciler arasi
    guvenirligi olcer ve hem tutarliligi hem mutlak uyumu degerlendirebilir. Egitimde puanlama/degerlendirmelerde
    farkli ogretmenlerin puanlarinin ne kadar guvenilir/degistirilebilir oldugunu saptamada standart gostergedir.

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

#77  Dogrulayici Faktor Analizi (CFA)
    dosya: 77_cfa_12_3.xlsx
  >> SENARYO (anlatim):
    Onceden tanimli uc faktorlu yapinin (oz/akademik/sosyal benlik) verilere uyup
    uymadigini siniyoruz. Olcek yapi gecerligi icin CFA uygundur.
  >> DEGISKEN SECIMI:
    - Deger: self: self_1..4
    - Deger: academic: academic_1..4
    - Deger: social: social_1..4

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

#82  Anket Lojistik Regresyonu
    dosya: 82_survey_logistic.xlsx
  >> SENARYO (anlatim):
    Universite kazanmayi tasarim-agirlikli lojistikle modelliyoruz. Karmasik
    orneklemde ikili sonuc icin uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: university_passed
    - Yordayici(lar): GPA
    - Yordayici(lar): sound
    - Agirlik: weight
    - Tabaka/Katman: region

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    GPA: OR = 5.58   p < .001 ***   ikili sonuc: university_passed   yordayicilar: GPA, sound   agirlik: weight

>> YORUM (anlatim):
    Ikili bir anket sonucunu (universiteyi kazandi mi) tasarim-agirlikli lojistik regresyonla modelledik: GPA'nin her
    bir birim artisi universite kazanma oddsunu ~5.6 kat artiriyor (OR = 5.58, p < .001) -- guclu bir yordayici. Bu
    yontem, lojistik regresyonu karmasik orneklem tasarimina genisletir -- agirlik ve tabaka standart hatalara yansir.
    Egitimde temsili anketlerden ikili sonuc (kazandi/kazanamadi) olasiligini dogru tahmin etmede kullanilir.

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

#83  Genellestirilmis Toplamsal Model (GAM)
    dosya: 83_gam_temperature_yield.xlsx
  >> SENARYO (anlatim):
    Basari puanini calisma ile, iliskiyi esnek bir egriyle modelliyoruz. Dogrusal
    olmayan etki icin GAM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: score
    - Yordayici(lar): study (smooth)

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

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

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

#84  Diskriminant Analizi
    dosya: 84_diskriminant_3sinif.xlsx
  >> SENARYO (anlatim):
    Ogrenci sinifini bes surekli olcuden siniflandiriyoruz. Onceden tanimli gruplara
    atama icin diskriminant uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: class
    - Yordayici(lar): math
    - Yordayici(lar): science
    - Yordayici(lar): GPA
    - Yordayici(lar): absenteeism
    - Yordayici(lar): study

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dogruluk = 1.00   sonuc: class   yordayicilar: math, science, GPA, absenteeism, study

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

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

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

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

>> YORUM (anlatim):
    Ogrencilerin universite alternatifleri arasindan yaptigi secimleri, secenek ozelliklerine (ucret, mesafe) gore
    kosullu lojitle modelledik. Bu model, her bireyin bir secenek kumesinden birini sectigi "ayrik secim" verisi
    icindir; secenegin ozelliklerinin secilme olasiligini nasil etkiledigini tahmin eder. Standart lojistikten farki,
    secimin birey ici secenek kumesine kosullu olmasidir. Egitim/sosyal arastirmalarda okul/program tercih modellemede
    (ucret-mesafe etkisi) temel yontemdir.

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

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

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

>> YORUM (anlatim):
    Ogrencilerin bir olaya (graduate/mezuniyet) kadar gecen suresini Kaplan-Meier ile inceledik: medyan sagkalim 8.4
    donem; bolumler arasi sagkalim egrileri log-rank ile karsilastirildi (p = 0.56, fark yok). KM, sansurlu sure
    verisini (olay henuz gerceklesmeyenler) dogru ele alir; siradan ortalama bu gozlemleri yok sayip yanli cikarir.
    Egitimde mezuniyete kadar gecen sure, terk zamanlamasi ve devamlilik analizinde temeldir.

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

#87  Cox Orantili Tehlike
    dosya: 87_cox_hazard.xlsx
  >> SENARYO (anlatim):
    Terk riskini surekli ve kategorik yordayicilarla Cox modeliyle inceliyoruz.
    Sansurlu surede cok yordayici icin Cox uygundur.
  >> DEGISKEN SECIMI:
    - Sure: duration_term
    - Olay: dropout
    - Yordayici(lar): age
    - Yordayici(lar): GPA
    - Yordayici(lar): scholarship
    - Yordayici(lar): family_support

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Concordance = 0.649   GPA: HR = 0.569   p = 0.002 **   (yuksek GPA ~ dusuk terk riski)
    sure: duration_term, olay: dropout   yordayicilar: age, GPA, scholarship, family_support

>> YORUM (anlatim):
    Terk (dropout) riskini, surekli ve kategorik yordayicilarla Cox modeliyle inceledik: GPA arttikca terk tehlikesi
    belirgin azaliyor (HR = 0.569, p = 0.002), concordance 0.65 (makul ayirma). Cox regresyonu, sansurlu sure
    verisinde birden cok yordayicinin "olay zamani" uzerindeki etkisini tehlike orani (HR) olarak verir; temel
    tehlikenin sekli hakkinda varsayim yapmaz. Egitimde terk/birakma riskini belirleyen etkenleri saptamada altin
    standarttir.

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

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

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

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

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

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

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

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

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    GPA: HR = 1.027   p = 0.944 ns   (zamanla degisen kovaryat)   id: student_id, baslangic/bitis araliklari

>> YORUM (anlatim):
    Yordayicinin (GPA) zaman icinde DEGISTIGI bir Cox modeli kurduk: her ogrenci icin baslangic-bitis araliklariyla
    GPA'nin guncel degeri kullanildi; etki burada anlamli degil (HR = 1.027, p = 0.94). Zamana bagli Cox, sabit olmayan
    kovaryatlari (degisen GPA, degisen kosul) dogru ele alir -- olay aninda yordayicinin guncel degerini kullanir.
    Egitimde zamanla degisen risk faktorlerinin (degisken basari, degisen kosul) olay uzerindeki etkisini modellemede
    dogru yontemdir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Concordance = 0.50   region_n: p = 0.863 ns   sure: duration_term, olay: dropout   agirlik: weight, kume: school_id

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

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

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

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

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

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Concordance = 0.499   cg_n: p = 0.216 ns   sure: duration_term, olay: dropout   kume: school_id (frailty)

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Anomali sayisi = 18   degiskenler: GPA, study, absent, score

>> YORUM (anlatim):
    Cok-degiskenli verideki olagandisi gozlemleri otomatik tespit ettik: 18 ogrenci anomali olarak isaretlendi. Anomali
    tespiti, normalden belirgin sapan gozlemleri (hatali kayit, istisnai durum) cok degiskeni birlikte degerlendirerek
    bulur; tek degiskenli esiklerin kacirdigi "bilesik" aykiriliklari yakalar. Egitimde veri kalitesi kontrolu,
    hatali kayit tespiti ve istisnai ogrenci profillerinin erken saptanmasinda kullanilir.

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

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

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

>> YORUM (anlatim):
    Bir olcum degiskenligini, ic ice (nested) duzeylere -- ust birim ve ust birim icindeki alt birim -- ayristirdik:
    her duzeyin toplam degiskenlige yuzde katkisi ve artik raporlandi. Varyans bilesenleri analizi, "degiskenligin ne
    kadari ust birimler arasi, ne kadari alt birimler arasi, ne kadari birim ici?" sorusunu yanitlar. Egitimde
    hiyerarsik yapilarda (okul>sinif>ogrenci) belirsizligin nerede yogunlastigini gormede ve orneklem tasariminda
    kullanilir.

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

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

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

>> YORUM (anlatim):
    Iki grubun (yeni/eski yontem) olcum farkini Bayesci t-testiyle inceledik: Bayes faktoru ezici (BF10 ~ 3.4e46), etki
    cok buyuk (d = 3.94) -- veri, fark oldugu hipotezini fark olmadigina karsi astronomik oranda destekliyor. Bayes
    faktoru, p-degerinden farkli olarak iki hipotezin GORELI kanit gucunu verir ve "kanit yok" ile "fark yok"u ayirt
    edebilir. Egitimde kararin kanit guucunu sezgisel bir oranla ifade etmek istendiginde tercih edilir.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

>> YORUM (anlatim):
    Bir olcumu (Y_value) modellerken mekansal yayilmayi (komsu birimlerin etkisi) SAR ile ele aldik: mekansal gecikme
    parametresi anlamli ve pozitif (rho = 0.34, p < .001) -- bir birimin degeri komsularinin degeriyle iliskili,
    "kume/yayilma" deseni var. SAR, mekansal bagimliligi modele dahil eder; goz ardi edilirse standart hatalar yanli
    cikar. Egitim/sosyal cografyada okul/bolge gostergelerinin cografi yayilmasini (komsuluk etkisi) modellemede dogru
    yontemdir.

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

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

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

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

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

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

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

>> YORUM (anlatim):
    Iliskinin mekanda SABIT olmadigi varsayimiyla, her konum icin AYRI katsayilar tahmin ettik (R^2 = 0.89). GWR,
    "global" regresyonun aksine yerel ortusme/agirliklarla her noktada ayri model kurar; boylece "bu degiskenin etkisi
    bolgeye gore nasil degisiyor?" sorusunu yanitlar ve mekansal heterojenligi haritalar. Egitim/sosyal cografyada
    egitim-sosyoekonomik iliskinin bolgeye gore farklilastigi durumlarda gucludur.

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

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

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

>> YORUM (anlatim):
    Ic ice yuvalanmis bir tasarimda (ust grup > alt grup > blok) bir degeri modelledik: hem ust seviye (F = 27.44,
    p < .001) hem alt/replikasyon seviyesi (F = 6.11, p < .001) anlamli katki veriyor. Nested LMM, alt birimlerin ust
    birimler icinde yuvalandigi (her blok yalnizca bir gruba ait) hiyerarsileri dogru ele alir; varyansi duzeylere
    bolerek her katmanin payini gosterir. Egitimde okul>sinif>ogrenci hiyerarsilerinde etkileri dogru ayristirmada
    kullanilir.

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

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

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

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

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

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

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

>> YORUM (anlatim):
    Birimlerin (n = 95) konumlarini kullanarak surekli bir yogunluk yuzeyi (KDE sicaklik haritasi) urettik: noktasal
    dagilim, yumusak bir "yogunluk" yuzeyine donusturuldu. KDE, dagilmis nokta verisinden "nereler yogun?" sorusunu
    surekli bir harita olarak yanitlar; tekil noktalar yerine egilimi gosterir. Egitim/sosyal cografyada
    ogrenci/okul/sosyoekonomik yogunlasmalari gorsel olarak haritalamada ve bos/yogun bolgeleri belirlemede temel
    mekansal aractir.

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

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

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

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

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

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

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

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

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

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

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

>> YORUM (anlatim):
    Gelirin NEREDE yuksek/dusuk kumelendigini Getis-Ord Gi* ile yerel olarak haritaladik: 27 anlamli sicak nokta
    (yuksek gelir kumesi) ve 27 soguk nokta (dusuk gelir kumesi). Moran's I genel kumelenmeyi soylerken, Gi* bunun
    konumunu gosterir -- her nokta icin "etrafi yuksek mi dusuk mu?" testidir. Egitim/sosyal politikada yuksek/dusuk
    sosyoekonomik bolgeleri (sicak/soguk noktalar) hedefli mudahale/kaynak dagitimi icin tam yerinde belirlemede
    kullanilir.

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

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

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

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

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

#115  Karma Desen (Split-Plot) ANOVA
    dosya: 115_mixed_anova_attitude_score.xlsx
  >> SENARYO (anlatim):
    40 participants uc phase duzeyinde (before, after, followup) olculur; her biri iki group grubundan birine (intervention / control) aittir. Karma (split-plot) desen; attitude score uzerinde denekler-arasi ana etki,
    denek-ici ana etki ve etkilesimi sinar.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: attitude_score
    - Denek kimligi: participant_id
    - Denekler-arasi faktor: group
    - Denek-ici faktor: phase

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Between (group): F(1,38) = 2.76  p = 0.105  np2 = 0.068
    Within (phase):  F(2,76) = 89.05  p < .001  np2 = 0.701
    Interaction:         F(2,76) = 10.49  p < .001  np2 = 0.216
    Mauchly W = 0.999  p = 0.987   n_subjects = 40   n_obs = 120

>> YORUM (anlatim):
    group x phase karma deseninde 40 participants icin attitude score incelendi (120 gozlem). Etkilesim anlamli (F(2,76) = 10.49, p < .001, np2 = 0.216) *** -- iki grubun phase boyunca degisimi farkli buyukluktedir. Denekler-arasi ana etki (intervention vs control) F = 2.76, p = 0.105; denek-ici ana etki (before/after/followup) F = 89.05, p < .001. Mauchly p = 0.987, yani kurelik saglanir, denek-ici p duzeltmesiz okunur. Once etkilesime bakilir: anlamliysa grup etkisi her phase duzeyinde ayri yorumlanmalidir. Sosyal bilimlerde karma desen, müdahale-kontrol tutum değişiminin aşamalar boyunca izlenmesi icin standart analizdir.

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