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

#1  Betimsel Istatistik
    dosya: 01_descriptive_athlete.xlsx
  >> SENARYO (anlatim):
    280 sporcunun envanterini cikardik. Her sporcu icin yas, boy, kilo, VO2max,
    antrenman saati ve performans olculdu. Cikarimsal teste gecmeden once orneklemin
    genel resmini gormek istiyoruz; bu yuzden betimsel istatistiklerle basliyoruz.
  >> DEGISKEN SECIMI:
    - Degiskenler: age
    - Degiskenler: height_cm
    - Degiskenler: weight_kg
    - Degiskenler: VO2_max
    - Degiskenler: training_hour_week
    - Degiskenler: performance_score
    - Gruplama (kategorik): sport_branch

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n = 280 sporcu
    yas : ort = 25.3   |   boy : ort = 177.7 cm   |   kilo : ort = 74.8 kg
    VO2max : ort = 55.3   |   haftalik antrenman : ort = 10.1 saat   |   performans : ort = 75.7

>> YORUM (anlatim):
    Once sporcu orneklemimizin genel resmini cikardik: 280 sporcu, ortalama yas ~25, boy 178 cm, kilo 75 kg, VO2max
    55.3, haftalik 10 saat antrenman ve 75.7 performans skoru. Bu betimsel tablo, izleyen tum analizlerin -- dal/seviye
    karsilastirmalari, fizyolojik-performans iliskileri, mekansal performans deseni -- zeminini kuruyor. Spor
    bilimlerinde herhangi bir cikarimsal teste gecmeden once sporcu orneklemimin temel ozelliklerini (yas, antropometri,
    VO2max, antrenman, performans) ozetlemek, hem veri kalitesini denetlemek hem de calisma onceliklerini belirlemek
    icin sarttir.

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

#2  Normallik Testleri
    dosya: 02_normality_sprint_VO2_lactate.xlsx
  >> SENARYO (anlatim):
    100m sprint suresi, VO2max ve laktat degiskenlerinin normal dagilip
    dagilmadigini inceliyoruz. Sonraki t-testi, ANOVA ve korelasyonun gecerliligi bu
    varsayima bagli oldugu icin her degiskeni ayri siniyoruz.
  >> DEGISKEN SECIMI:
    - Degiskenler: sprint_100m_sec
    - Degiskenler: VO2_max
    - Degiskenler: lactate_mmol

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    3 surekli degisken test edildi:
    sprint_100m_sec (100m sure)  : Shapiro-Wilk = 0.992  p = 0.392   KS p = 0.393   Normal
    VO2_max                      : Shapiro-Wilk = 0.996  p = 0.890   KS p = 0.892   Normal
    lactate_mmol (laktat)        : Shapiro-Wilk = 0.855  p < .001    KS p = 0.001   Normal Degil

>> YORUM (anlatim):
    Uc surekli degiskenin -- 100m sprint suresi, VO2max ve kan laktati -- normal dagilip dagilmadigini test ettik.
    Sonuc ogretici bicimde ayrisiyor: sprint suresi ve VO2max normal (p > 0.39), ama laktat normallikten anlamli
    sapiyor (p < .001). Bu fizyolojik veride tipiktir -- laktat sik sik sag-carpiktir (cogu sporcu dusuk, az sayisi cok
    yuksek). Pratik sonuc: sprint ve VO2max uzerinde parametrik testleri (t-testi, ANOVA, Pearson) guvenle
    kullanabiliriz; laktat 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_sprint.xlsx
  >> SENARYO (anlatim):
    Sporcularin ortalama 100m sprint suresinin 12.0 saniyelik referans esikten
    farkli olup olmadigini arastiriyoruz. Tek grup ve sabit referans deger
    oldugundan tek orneklem t-testi uygundur.
  >> DEGISKEN SECIMI:
    - Test degiskeni: sprint_100m_sec
    - Test edilen deger (mu): 12.0

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    t(99) = -9.877   p < .001 ***   Cohen d = -0.988 (Buyuk)
    Ortalama 100m = 11.38 sn   (test mu = 12.0, referans esik)   H0 REDDEDILIR

>> YORUM (anlatim):
    Sporcularin ortalama 100m sprint suresini, 12.0 saniyelik bir referans esikle karsilastirdik. Sonuc cok guclu:
    ortalama 11.38 sn, esigin belirgin altinda (yani daha hizli) -- t(99) = -9.88, p < .001, d = -0.99 ile buyuk etki.
    Bu sporcular referans esikten tesadufle aciklanamayacak kadar hizli. Tek orneklem t-testi, bir performans olcusunu
    bilinen bir standart/norm degeriyle (referans sure, hedef derece) karsilastirmanin dogru yoludur; spor bilimlerinde
    bir performansin bir olcute gore degerlendirilmesinde sik kullanilir.

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

#4  Bagimsiz Orneklem t-Testi
    dosya: 04_independent_t_amateur_pro.xlsx
  >> SENARYO (anlatim):
    Iki seviye grubunun (amator/profesyonel) ortalama VO2max'ini karsilastiriyoruz.
    Iki ayri grup ve surekli olcu oldugundan bagimsiz orneklem t-testi uygundur.
  >> DEGISKEN SECIMI:
    - Gruplama (kategorik): level
    - Test degiskeni: VO2_max

  >> 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) = -7.103   p < .001 ***   Cohen d = -1.326 (Buyuk)   H0 REDDEDILIR

>> YORUM (anlatim):
    Iki seviye grubunun (amator/profesyonel) ortalama VO2max degerini karsilastirdik. Fark anlamli ve buyuk:
    t(113) = -7.10, p < .001, d = -1.33. Gruplar arasi farkin tesadufle aciklanamayacak kadar belirgin, ayrica pratik
    olarak da kayda deger oldugunu gosteriyor. Bagimsiz orneklem t-testi, iki ayri grubun (amator/pro, iki dal, iki
    takim) bir surekli olcudeki ortalamalarini karsilastirmanin standart yontemidir; spor bilimlerinde grup farklarini
    saptamada temel araclardandir.

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

#5  Eslestirilmis Orneklem t-Testi
    dosya: 05_paired_t_force.xlsx
  >> SENARYO (anlatim):
    Ayni sporcularda program oncesi ve sonrasi olculen kuvveti karsilastiriyoruz.
    Olcumler eslestirilmis oldugundan eslestirilmis t-testi uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: force_before_kg
    - 2. olcum / grup: force_post_kg

  >> 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) = -24.94   p < .001 ***   Cohen d_z = -3.526 (Buyuk)
    Ort. fark (oncesi - sonrasi) = -15.58 kg   H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni sporcularda antrenman programi oncesi ve sonrasi olculen kuvveti (force, kg) eslestirerek karsilastirdik.
    Sonuc cok guclu: ortalama fark -15.6 kg, t(49) = -24.94, p < .001, d_z = -3.53 ile devasa. Yani program sonrasi
    kuvvet anlamli ve buyuk olcude artmis. Eslestirilmis t-testi, ayni birimde iki zamanli olcumu (program
    oncesi/sonrasi) karsilastirir; bireysel degisimi izole ettigi icin bagimsiz testten daha gucludur ve spor
    bilimlerinde antrenman etkisini olcmenin en dogru yoludur.

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

#6  Tek Yonlu ANOVA
    dosya: 06_anova_discipline_VO2.xlsx
  >> SENARYO (anlatim):
    Dort spor dalinin ortalama VO2max uzerindeki etkisini karsilastiriyoruz. Ikiden
    fazla grup oldugundan tek yonlu ANOVA uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: VO2_max
    - Faktor (kategorik): discipline

  >> 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) = 51.60   p < .001 ***   eta^2 = 0.532   H0 REDDEDILIR

>> YORUM (anlatim):
    Dort spor dali (discipline) arasinda ortalama VO2max'i karsilastirdik. Sonuc anlamli ve cok guclu: F(3,136) =
    51.60, p < .001, eta^2 = 0.53 -- yani VO2max degiskenliginin yarisi dal farkindan kaynaklaniyor. En az bir dal
    digerlerinden anlamli olarak ayrisiyor. Tek yonlu ANOVA, ikiden fazla grubun ortalamalarini tek seferde
    karsilastirir (cok sayida t-testinin getirdigi hata sismesinden kacinir); spor bilimlerinde farkli dal/seviye/grup
    performansini kiyaslamada temel yontemdir. Hangi ciftlerin ayristigi post-hoc testlerle belirlenir.

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

#7  Iki Yonlu ANOVA
    dosya: 07_two_way_anova_discipline_sex.xlsx
  >> SENARYO (anlatim):
    Spor dali ve cinsiyetin performans uzerindeki ana etkilerini ve etkilesimini
    ayni anda inceliyoruz. Iki kategorik faktor oldugundan iki yonlu ANOVA uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: performance
    - Faktor (kategorik): discipline
    - 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):
    discipline (ana etki) : F(2) = 21.43   p < .001 ***   eta^2p = 0.273
    sex (ana etki)        : F(1) = 36.44   p < .001 ***   eta^2p = 0.242

>> YORUM (anlatim):
    Iki faktoru ayni anda inceledik: spor dali ve cinsiyet, performansi nasil etkiliyor? Her iki ana etki de anlamli ve
    guclu (dal: F(2) = 21.43, eta^2p = 0.27; cinsiyet: F(1) = 36.44, eta^2p = 0.24). Hem dal hem cinsiyet performansa
    bagimsiz katki veriyor. Iki yonlu ANOVA'nin gucu, iki faktoru ve aralarindaki etkilesimi tek modelde test
    edebilmesidir -- her faktorun digeri kontrol edilerek saf etkisini ayirir. Spor bilimlerinde "hangi degisken
    gercekten fark yaratiyor?" sorusunu yanitlamada idealdir.

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

#8  Tekrarli Olcumler ANOVA
    dosya: 08_repeated_anova_training.xlsx
  >> SENARYO (anlatim):
    Ayni sporcularda dort ardisik antrenman doneminde olculen performansi
    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 sporcuda dort ardisik antrenman doneminde olculen performansi 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
    sporcularin performansi 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 spor
    bilimlerinde cok-donemli gelisim takibinde (antrenman dongusu, periyodik test) dogru secimdir.

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

#9  MANOVA
    dosya: 09_manova_discipline_3DV.xlsx
  >> SENARYO (anlatim):
    Spor dalinin sprint, kosu ve kuvvet uzerindeki etkisini ayni anda test ediyoruz.
    Birden cok iliskili bagimli degisken oldugundan MANOVA uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: sprint_sec
    - Bagimli degisken: running_min
    - Bagimli degisken: force_kg
    - Faktor (kategorik): discipline

  >> 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 = 0.065   F(6,230) = 111.95   p < .001 ***   n = 120
    Bagimli: sprint_sec, running_min, force_kg   |   Faktor: discipline   H0 REDDEDILIR

>> YORUM (anlatim):
    Spor dalinin uc bagimli degisken (sprint suresi, kosu, kuvvet) uzerindeki etkisini ayni anda test ettik. Wilks'
    Lambda = 0.07, F(6,230) = 111.95, 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. Spor bilimlerinde dal bir tek olcuyu degil, performans "demetini" (sprint-kosu-kuvvet) birlikte
    etkiliyorsa, MANOVA bu cok-boyutlu farki tek karar olarak ortaya koyar.

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

#10  ANCOVA
    dosya: 10_ancova_program_VO2.xlsx
  >> SENARYO (anlatim):
    Program sonrasi VO2max'i gruplara gore karsilastirirken baslangic VO2max'ini
    ko-degisken olarak kontrol ediyoruz. Karistirici surekli degisken oldugundan
    ANCOVA uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: VO2_after
    - Faktor (kategorik): program
    - Ko-degisken: VO2_baseline

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Grup etkisi anlamli   eta^2p = 0.680 (cok buyuk)   ko-degisken: VO2_baseline   H0 REDDEDILIR

>> YORUM (anlatim):
    Program sonrasi VO2max'i (VO2_after) gruplara gore karsilastirirken, baslangic VO2max'ini (VO2_baseline) ko-degisken
    olarak kontrol ettik. Boylece "gruplar baslangicta farkliydi" itirazini disladik ve grubun saf etkisini olctuk:
    etki cok buyuk (eta^2p = 0.68). ANCOVA, bir karistirici surekli degiskeni istatistiksel olarak sabitleyerek grup
    karsilastirmasini adil hale getirir -- spor bilimlerinde "baslangic kondisyonunu esitleyince program hala fark
    yaratiyor mu?" sorusunun cevabidir; baz/son-olcum tasarimlarinda standart aractir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gozlenen ortalama (laktat, mmol) = 5.02
    %95 Bootstrap GA (yeniden orneklemeyle)

>> YORUM (anlatim):
    Kan laktati (mmol) ortalamasi icin -- dagilim varsayimina dayanmadan -- yeniden ornekleme ile %95 guven araligi
    urettik: gozlenen ortalama 5.02 mmol. Bootstrap, veriyi binlerce kez kendi icinden ornekleyerek istatistigin
    orneklem dagilimini ampirik olarak insa eder; normallik varsayimi tutmadiginda (laktat carpiktir) ya da formul
    bilinmediginde guven araligi vermenin guvenilir yoludur. Spor bilimlerinde carpik fizyolojik olcumlerde klasik
    t-araliklarindan daha saglam tahminler saglar.

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

#12  Permutasyon Testi
    dosya: 12_permutation_method_injury.xlsx
  >> SENARYO (anlatim):
    Iki antrenman grubu arasinda sakatlanma orani farkini, dagilim varsayimi
    yapmadan permutasyon ile test ediyoruz. Kucuk orneklem/garip dagilimda
    permutasyon uygundur.
  >> DEGISKEN SECIMI:
    - Test degiskeni: injury_ratio
    - Gruplama (kategorik): training

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    t = 8.037   p < .001 ***   Iki grup arasinda anlamli ortalama fark var   H0 REDDEDILIR

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

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

#13  Coklu Karsilastirma
    dosya: 13_multiple_comparison_program.xlsx
  >> SENARYO (anlatim):
    Sekiz antrenman programi karsilastirmasinin p-degerlerini topluca ele alip coklu
    test duzeltmesi uyguluyoruz. Cok sayida test oldugundan p-duzeltme uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: program
    - Degiskenler: performance

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

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

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

#14  Mann-Whitney U Testi
    dosya: 14_mann_whitney_level_satisfaction.xlsx
  >> SENARYO (anlatim):
    Iki seviye grubunun memnuniyet dagilimini karsilastiriyoruz. Normallik
    saglanmadigindan Mann-Whitney uygundur.
  >> DEGISKEN SECIMI:
    - Gruplama (kategorik): level
    - Test degiskeni: 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 = 382.00   p < .001 ***   r = 0.58   H0 REDDEDILIR

>> YORUM (anlatim):
    Iki seviye grubunun (level) memnuniyet (satisfaction) dagilimini, ortalamaya degil siralamaya dayanarak
    karsilastirdik: U = 382, p < .001, buyuk etki (r = 0.58). Fark cok belirgin. Mann-Whitney, t-testinin parametrik
    olmayan karsiligidir; normallik saglanmadiginda ya da olcek sirali oldugunda iki grubu karsilastirmanin dogru
    yoludur. Spor bilimlerinde memnuniyet/derece gibi sirali olculerde saglam ve guvenilir secimdir.

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

#15  Wilcoxon Isaretli Siralar
    dosya: 15_wilcoxon_psychology.xlsx
  >> SENARYO (anlatim):
    Ayni sporcularda 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) = 34   H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni sporcularda once/sonra olculen tutum skorunu (psikoloji dersi oncesi-sonrasi) -- 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. Spor bilimlerinde psikolojik mudahale oncesi-sonrasi
    olcumlerinde guvenilir sonuc verir.

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

#16  Kruskal-Wallis Testi
    dosya: 16_kruskal_level_flexibility.xlsx
  >> SENARYO (anlatim):
    Uc seviye grubunun esneklik dagilimini karsilastiriyoruz. Normallik/varyans
    esitligi saglanmadigindan Kruskal-Wallis uygundur.
  >> DEGISKEN SECIMI:
    - Gruplama (kategorik): level
    - Test degiskeni: flexibility_cm

  >> 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) = 9.16   p = 0.010 *   eta^2_H = 0.17   H0 REDDEDILIR

>> YORUM (anlatim):
    Uc seviye grubunun (level) esneklik (flexibility_cm) dagilimini -- ortalamaya degil siralamaya dayanarak --
    karsilastirdik: H(2) = 9.16, p = 0.010, eta^2_H = 0.17 ile orta 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. Spor bilimlerinde carpik veya sirali olculerde gruplar
    arasi farki saptamada saglamdir.

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

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

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

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

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

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gozlenen oran = 0.714   (beklenen p = 0.50)   p < .001 ***   H0 REDDEDILIR

>> YORUM (anlatim):
    Galibiyetle sonuclanan maclarin oranini, %50'lik beklenen orana karsi test ettik: gozlenen oran %71.4, beklentinin
    cok uzerinde (p < .001). Yani galibiyet orani sansla aciklanamayacak kadar yuksek. Binom testi, ikili (kazandi/
    kaybetti) bir sonucun gozlenen oranini teorik bir oranla karsilastirmanin kesin yontemidir; spor bilimlerinde
    galibiyet/basari oranlarinin bir hedefe veya 50:50 beklentisine uyup uymadigini sinamada dogrudan kullanilir.

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

#19  Isaret Testi
    dosya: 19_sign_test_heart_atisi.xlsx
  >> SENARYO (anlatim):
    Ayni sporcularda once/sonra kalp atim hizinin yonune bakiyoruz. Yalnizca yon
    bilgisi guvenilirken isaret testi uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: heart_before_bpm
    - 2. olcum / grup: heart_post_bpm

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Pozitif fark (once > sonra) = 25   p < .001 ***   H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni sporcularda once/sonra olculen kalp atim hizinin (heart_before vs post bpm) yonune baktik: degisimlerin buyuk
    cogunlugu tek yonde yogunlasiyor, p < .001 ile yonlu degisim anlamli. Isaret testi, yalnizca farkin yonunu
    (artti/azaldi) kullanir; buyuklugu dikkate almaz, bu yuzden en az varsayim gerektiren once/sonra testidir. Spor
    bilimlerinde olcum carpik veya sadece yon bilgisi guvenilirken (nabiz dustu mu yukseldi mi) saglam bir secimdir.

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

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

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

>> YORUM (anlatim):
    Sezon boyu skor serisinin (score_avg) medyana gore ikili dizisinin rastgele olup olmadigini test ettik: 28 run,
    Z = -0.78, p = 0.44 -- desen yok, dizi rastgele. Runs testi, bir dizide degerlerin sirali bir oruntu (kume, dongu,
    cikis/dusus serisi) olusturup olusturmadigini sinar. Spor bilimlerinde sezon performans serilerinde sistematik bir
    oruntunun mu (form serisi) yoksa rastsalligin mi hakim oldugunu belirlemede ve bagimsizlik varsayiminin denetiminde
    kullanilir.

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

#21  Ki-Kare Bagimsizlik
    dosya: 21_chisquare_discipline_injury.xlsx
  >> SENARYO (anlatim):
    Spor dali ile sakatlanma durumu arasinda iliski olup olmadigini test ediyoruz.
    Iki kategorik degisken oldugundan ki-kare uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: discipline
    - Degiskenler: status

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    chi^2(2) = 2.42   p = 0.298 ns   Cramer's V = 0.056 (Zayif)   H0 REDDEDILEMEZ

>> YORUM (anlatim):
    Iki kategorik degisken -- spor dali (discipline) ve sakatlanma durumu (status) -- arasinda iliski olup olmadigini
    test ettik: chi^2(2) = 2.42, p = 0.30, Cramer's V = 0.06 -- anlamli bir iliski yok, dali ile sakatlanma buyuk
    olcude bagimsiz. Ki-kare bagimsizlik testi, iki nitel degisken arasindaki iliskiyi capraz tablodan saptar; spor
    bilimlerinde dal-sakatlanma, grup-sonuc gibi kategorik iliskileri sinar. Burada "iliski yok" sonucu da degerli bir
    bulgudur (sakatlanma riski dala gore degismiyor).

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

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

  >> 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) = 27.56   p < .001 ***   N = 200, k = 4 (beklenen: esit dagilim)   H0 REDDEDILIR

>> YORUM (anlatim):
    Dort kategorili bir degiskenin (position/mevki) gozlenen dagiliminin, esit (1/k) beklenen dagilima uyup uymadigini
    test ettik: chi^2(3) = 27.56, p < .001 -- mevkiler esit dagilmiyor, bazilari belirgin sekilde daha sik. Uyum
    iyiligi testi, tek bir kategorik degiskenin gozlenen frekanslarini teorik bir beklentiyle (esit oran, bilinen oran)
    karsilastirir; spor bilimlerinde mevki/dal dagilimlarinin beklenen profile uyup uymadigini sinamada kullanilir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Fisher exact p = 0.151 ns   Odds Ratio = 3.375   Phi = 0.292 (Orta)   H0 REDDEDILEMEZ

>> YORUM (anlatim):
    2x2 bir capraz tabloda (method x recovery/toparlanma) iliskiyi -- kucuk hucre frekanslari nedeniyle ki-kare yerine
    -- kesin olarak test ettik: p = 0.151, anlamli iliski yok (Phi = 0.29). Fisher kesin testi, beklenen frekanslarin
    dusuk oldugu kucuk orneklemlerde ki-kare yaklasiminin guvenilmez kaldigi durumda dogru secimdir; olasiligi yaklasik
    degil tam hesaplar. Spor bilimlerinde az gozlemli pilot karsilastirmalarinda (yeni toparlanma yontemi ise yarıyor
    mu) guvenilir sonuc verir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    McNemar (kesin) min(b,c) = 3   p = 0.092 ns   uyumsuz b = 3, c = 10   OR = 0.30   H0 REDDEDILEMEZ

>> YORUM (anlatim):
    Ayni sporcularda iki testin (test_a vs test_b) ikili sonucunu eslestirerek degisim yonunu test ettik: degisenler
    dengesiz olsa da (b = 3, c = 10) p = 0.092 ile anlamli degil. McNemar, ayni birimde once/sonra (ya da iki test)
    ikili durum degisimini test eder ve yalnizca uyumsuz ciftlere bakar. Spor bilimlerinde iki test/yontemin ikili
    sonuclarinin sistematik farki olup olmadigini saptamada dogru aractir; kucuk uyumsuz sayilarda kesin (binom) surum
    kullanilir.

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

#25  Cohen's Kappa
    dosya: 25_kappa_jury_goodnessfit.xlsx
  >> SENARYO (anlatim):
    Iki jurinin ayni sporculari ayni kategorilere atamadaki uyumunu olcuyoruz.
    Kategorik uyum icin kappa uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: jury_a
    - 2. olcum / grup: jury_b

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kappa = 0.736 (onemli/substantial uyum)

>> YORUM (anlatim):
    Iki jurinin (jury_a vs jury_b) ayni sporculari ayni kategorilere atamadaki uyumunu -- sansla beklenen uyumu disarak
    -- olctuk: kappa = 0.74, onemli (substantial) duzey. Kappa, iki degerlendirici/yontem arasindaki kategorik uyumu,
    rastgele uyusma payini cikararak rapor eder; ham yuzde uyumdan daha durusttur. Spor bilimlerinde iki jurinin/
    hakemin siniflamalarinin (teknik puan, derece) ne kadar tutarli oldugunu olcmede standart gostergedir.

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

#26  Cochran-Mantel-Haenszel
    dosya: 26_cmh_age_group_recovery.xlsx
  >> SENARYO (anlatim):
    Grup-toparlanma iliskisini yas grubu katmanlarini kontrol ederek test ediyoruz.
    Katman kontrollu iliski icin CMH uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: group
    - Degiskenler: recovery
    - Tabaka/Katman: age_group

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CMH chi^2(1) = 49.34   p < .001 ***   Ortak OR (MH) = 5.04 [3.16, 8.03]
    Breslow-Day p = 0.382 (OR homojen)   H0 REDDEDILIR

>> YORUM (anlatim):
    Grup-toparlanma iliskisini, yas grubu (age_group) katmanlarini kontrol ederek test ettik: katmanlar arasi ortak
    Odds Ratio = 5.04 [3.16, 8.03], p < .001; Breslow-Day p = 0.38 ile bu iliski tum katmanlarda tutarli. CMH,
    karistirici bir katman degiskenini sabit tutarak iliskinin saf gucunu olcer (Simpson paradoksunu onler). Spor
    bilimlerinde yas farklarini kontrol ederek grup-sonuc (yontem-toparlanma) iliskisini saglam biciminde tahmin etmede
    idealdir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 50.54   Pearson chi^2 = 0.456   3 kategorik degiskenin (sex, discipline_type, training_frequency) birlikte iliskisi modellendi

>> YORUM (anlatim):
    Uc kategorik degiskenin (cinsiyet, dal turu, antrenman sikligi) 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. Spor bilimlerinde
    ucten fazla kategorik boyutun (cinsiyet x dal x siklik) ortak baginti desenini cozumlemede; sadeligi AIC ile
    dengeleyerek en aciklayici yapiyi secmede kullanilir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    chi^2(6) = 27.24   p < .001 ***   Cramer's V = 0.197 (Orta)   H0 REDDEDILIR

>> YORUM (anlatim):
    Iki kategorik degiskeni (yas grubu x motivasyon) capraz tabloda inceledik: chi^2(6) = 27.24, p < .001, V = 0.20 --
    anlamli, orta gucte bir iliski var. Capraz tablo + ki-kare, iki nitel degisken arasindaki baginin yonunu ve gucunu
    hucre bazinda gosterir. Spor bilimlerinde yas-motivasyon, demografi-tutum iliskilerini betimlemede kullanilir;
    Cramer's V (0.20) iliskinin pratik gucunu olcer.

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

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

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

>> YORUM (anlatim):
    "Hangi spor dallariyla ilgileniyorsunuz?" gibi birden fazla secenegin isaretlenebildigi bir soruyu cozumledik: 250
    katilimcinin her biri bir veya daha cok dal 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). Spor bilimlerinde cok-secimli sorularinin (yapilan sporlar, kullanilan ekipman) dogru ozetlenmesi icin
    standart yontemdir.

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

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

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

>> YORUM (anlatim):
    Coklu yanitli spor sorusunu tekli bir kategoriye (cinsiyet) gore capraz tabloladik: her grup icin dal basina
    isaretlenme oranlarini karsilastirdik. Coklu yanit capraz tablosu, "bir grup hangi secenekleri digerinden daha sik
    isaretliyor?" sorusunu yanitlar. Spor bilimlerinde gruplarin (cinsiyet, yas) cok-secimli tercih profillerini
    (yapilan sporlar, ilgi alanlari) karsilastirmada kullanilir.

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

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

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

>> YORUM (anlatim):
    Iki ayri coklu-yanitli soruyu (sporlar x ekipman) 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 sporlar
    hangi ekipmanlarla birlikte gorunuyor?" gibi cok-secimliden cok-secimliye birlikteliklerini ortaya cikarir. Spor
    bilimlerinde ic ice gecmis tercih demetlerinin (yapilan spor x kullanilan ekipman) eslesme desenlerini incelemede
    kullanilir.

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

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

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

>> YORUM (anlatim):
    Ayni sporcularda farkli hava kosullarinda (weather) olculen ikili sonucun (iyi performans var/yok) kosuldan kosula
    anlamli degisip degismedigini test ettik: Q = 0, p = 1.00 -- hava kosullari arasi fark yok. Cochran Q, McNemar
    testinin ikiden fazla tekrarli kosula genellemesidir; ayni birimde uc+ ikili olcumu karsilastirir. Spor
    bilimlerinde ayni sporcularin farkli kosullarda (hava, zemin) iyi performans verip vermedigini 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: age
    - Degiskenler: training_hour
    - Degiskenler: VO2_max
    - Degiskenler: sprint_100m_sec
    - Degiskenler: fat_ratio_pct

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    5 degisken: age, training_hour, VO2_max, sprint_100m_sec, fat_ratio_pct
    Guclu iliski (|r| >= 0.75): bu esigin uzerinde iliski YOK

>> YORUM (anlatim):
    Bes surekli degisken (yas, antrenman saati, VO2max, 100m sure, yag orani) 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; spor bilimlerinde gostergeler arasi cakismayi
    (multikolinearite riski) ve hangi degiskenlerin gercekten ayri sinyal verdigini gormede ilk adimdir.

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

#34  Bland-Altman Uyum
    dosya: 34_bland_altman_VO2_method.xlsx
  >> SENARYO (anlatim):
    Ayni VO2'yi olcen iki yontemin (pulse oksimetre/gaz analizi) birbiriyle uyumunu
    inceliyoruz. Yontem degistirilebilirligi icin Bland-Altman uygundur.
  >> DEGISKEN SECIMI:
    - 1. olcum / grup: VO2_pulse_oksimetre
    - 2. olcum / grup: VO2_gas_analysis

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Pulse oksimetre (VO2_pulse): ort = 73.96   |   Gaz analizi (VO2_gas): ort = 71.49
    Bias (ortalama fark) ~ 2.48   |   uyum sinirlari (LoA) hesaplandi

>> YORUM (anlatim):
    Ayni VO2'yi olcen iki yontemin (pulse oksimetre vs gaz analizi) birbiriyle ne kadar uyustugunu inceledik: ortalama
    sistematik fark (bias) ~2.5 birim ve %95 uyum sinirlari raporlandi. Bland-Altman, korelasyondan farkli olarak "iki
    yontem birbirinin yerine kullanilabilir mi?" sorusunu yanitlar -- yuksek korelasyon uyum demek degildir, sistematik
    bir kayma olabilir. Spor bilimlerinde iki olcum yonteminin/cihazinin degistirilebilirligini sinamada standart
    yontemdir.

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

#35  Etki Buyuklugu
    dosya: 35_effect_size_program.xlsx
  >> SENARYO (anlatim):
    Iki program arasindaki performans artisi farkinin pratik buyuklugunu olcuyoruz.
    p-degerinden bagimsiz onem icin etki buyuklugu uygundur.
  >> DEGISKEN SECIMI:
    - Test degiskeni: performance_increase
    - Gruplama (kategorik): program

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cohen's d = 1.442 (cok buyuk etki)   iki program (program) arasinda performans artisi farki

>> YORUM (anlatim):
    Iki antrenman programi arasindaki performans artisi farkinin pratik buyuklugunu, p-degerinden bagimsiz olarak
    Cohen's d ile olctuk: d = 1.44, cok buyuk etki. p-degeri "fark var mi?" sorusunu yanitlar; etki buyuklugu ise "fark
    ne kadar onemli?" sorusunu. Buyuk orneklemlerde anlamli ama onemsiz farklar cikabildiginden, etki buyuklugu
    raporlamak sarttir. Spor bilimlerinde iki program/yontem arasindaki farkin pratik olarak kayda deger olup
    olmadigini bu olcu netlestirir.

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

#36  Kanonik Korelasyon (CCA)
    dosya: 36_cca_physical_psychology.xlsx
  >> SENARYO (anlatim):
    Fiziksel kapasite seti ile psikolojik degiskenler seti arasindaki ortak yapiyi
    inceliyoruz. Iki cok-degiskenli set arasi iliski icin CCA uygundur.
  >> DEGISKEN SECIMI:
    - X degiskenleri: VO2
    - X degiskenleri: force
    - X degiskenleri: flexibility
    - X degiskenleri: balance
    - X degiskenleri: reaction
    - Y degiskenleri: motivation
    - Y degiskenleri: concentration
    - Y degiskenleri: self_efficacy
    - Y degiskenleri: competition

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CC1: r = 0.980   chi^2(20) = 1186.45   p < .001 ***
    CC2: r = 0.960   chi^2(12) = 724.85    p < .001 ***
    Set-X (fiziksel): VO2, force, flexibility, balance, reaction  |  Set-Y (psikolojik): motivation, concentration, self_efficacy, competition

>> YORUM (anlatim):
    Iki cok-degiskenli olcu setini -- fiziksel kapasite (VO2, kuvvet, esneklik, denge, reaksiyon) ve psikolojik
    degiskenler (motivasyon, konsantrasyon, oz-yeterlik, yarisma) -- arasindaki ortak yapiyi kanonik korelasyonla
    cozduk. Ilk iki kanonik fonksiyon cok guclu (r = 0.980 ve 0.960, 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. Spor bilimlerinde fiziksel demet ile psikolojik demet
    arasindaki gizli iliski yapisini ortaya koyar.

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

#37  Uyum Analizi
    dosya: 37_ca_discipline_time.xlsx
  >> SENARYO (anlatim):
    Spor dali ile antrenman zamani arasindaki iliskiyi gorsel bir haritaya
    dokuyoruz. Iki kategorik degiskenin yapisini gormek icin CA uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: discipline
    - Degiskenler: training_time

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam atalet = 0.043   (2 boyut)   discipline x training_time

>> YORUM (anlatim):
    Iki kategorik degiskenin (spor dali x antrenman zamani) capraz tablosundaki iliskiyi gorsel bir haritaya dokuyen
    uyum analizini uyguladik: toplam atalet 0.043 (zayif iliski) iki boyutta cozumlendi. CA, ki-kare iliskisini iki
    boyutlu bir uzayda konumlandirir; hangi kategorilerin birbirine yakin (birlikte gorulen) oldugunu gosterir. Spor
    bilimlerinde dal-zaman, dal-tercih gibi nitel iliskilerin yapisini gorsel olarak yorumlamada gucludur; dusuk atalet
    iliskinin zayif oldugunu gosterir.

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

#38  Degisken Kumeleme (VarClus)
    dosya: 38_varclus_18madde.xlsx
  >> SENARYO (anlatim):
    On sekiz olcum maddesini (fiziksel/psikolojik/taktik) birbirine yakinligina gore
    kumeliyoruz. Gizli boyut yapisini bulmak icin VarClus uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: physical_m1..6, psychological_m1..6, tactic_m1..6 (18 madde / items)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kume sayisi = 3   (18 madde: physical_m1..6, psychological_m1..6, tactic_m1..6)

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

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

#39  Coklu Dogrusal Regresyon
    dosya: 39_multiple_regression_performance.xlsx
  >> SENARYO (anlatim):
    Performansi dort yordayiciyla (yas, antrenman saati, motivasyon, BMI)
    modelliyoruz. Surekli sonucu cok degiskenle aciklamak icin coklu regresyon
    uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: performance
    - Yordayici(lar): age
    - Yordayici(lar): training_hour
    - Yordayici(lar): motivation
    - Yordayici(lar): BMI

  >> 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 = 0.860   Duz. R^2 = 0.857   yordayicilar: age, training_hour, motivation, BMI

>> YORUM (anlatim):
    Performansi dort yordayiciyla (yas, antrenman saati, motivasyon, BMI) ayni anda modelledik: model varyansin
    %86'sini acikliyor (Duz. R^2 = 0.86) -- cok guclu bir aciklama gucu. Coklu regresyon, her yordayicinin digerleri
    sabit tutuldugunda performans uzerindeki saf katkisini verir; boylece "hangi etken gercekten performansi
    yukseltiyor?" sorusunu karistiriciları kontrol ederek yanitlar. Spor bilimlerinde performansi belirleyen
    surucuyleri belirleme ve tahminde temel yontemdir.

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

#40  Lojistik Regresyon
    dosya: 40_logistic_injury.xlsx
  >> SENARYO (anlatim):
    Yeni sakatlanmayi (var/yok) uc yordayiciyla modelliyoruz. Ikili sonuc icin
    lojistik regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: new_injury
    - Yordayici(lar): age
    - Yordayici(lar): training_hour
    - Yordayici(lar): past_injury

  >> 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 = 0.074   ikili sonuc: new_injury   yordayicilar: age, training_hour, past_injury

>> YORUM (anlatim):
    Ikili bir sonucu (yeni sakatlanma var/yok) uc yordayiciyla modelledik: model zayif aciklama gucu tasiyor (pseudo
    R^2 = 0.07) 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 sakatlanma
    sansi kac kat degisir?" diye yorumlanir. Spor bilimlerinde sakatlanma, basari gibi evet/hayir ciktilarini
    ongormede temel modeldir; burada aciklama gucu dusuk, ek yordayici gerekebilir.

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

#41  Sayim (Poisson) Regresyonu
    dosya: 41_poisson_injury_count.xlsx
  >> SENARYO (anlatim):
    Yillik sakatlanma sayisini yas ve antrenman saatiyle modelliyoruz. Sayim sonucu
    icin Poisson regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: annual_injury_count
    - Yordayici(lar): age
    - Yordayici(lar): training_hour

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 491.28   Deviance = 212.93   sayim sonucu: annual_injury_count   yordayicilar: age, training_hour

>> YORUM (anlatim):
    Bir sayim degiskenini (yillik sakatlanma sayisi) yas ve antrenman saatiyle 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. Spor bilimlerinde sakatlanma sayisi, mac sayisi, sayac
    ciktilarini aciklamada kullanilir.

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

#42  Multinomial Lojistik
    dosya: 42_multinomial_discipline.xlsx
  >> SENARYO (anlatim):
    Ikiden fazla kategorili secilen spor dalini iki yordayiciyla modelliyoruz.
    Nominal cok-sinifli sonuc icin multinomial lojistik uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: selected_discipline
    - Yordayici(lar): height_cm
    - Yordayici(lar): force_kg

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 472.13   Referans sinif: 'gymnastics'   sonuc: selected_discipline (>2 kategori)   yordayicilar: height_cm, force_kg

>> YORUM (anlatim):
    Ikiden fazla kategorili bir sonucu (secilen spor dali) iki yordayiciyla (boy, kuvvet) modelledik. Multinomial
    lojistik, her kategoriyi bir referans sinifa (burada 'gymnastics'/jimnastik) karsi ayri lojistik denklemle
    karsilastirir; katsayilar "X artinca bu dalda olma sansi referansa gore nasil degisir?" diye yorumlanir. Sonuc
    nominal ve ikiden fazla sinifliysa (dal, mevki tercihi) dogru secimdir. Spor bilimlerinde cok-secenekli sinif
    tahmininde (yetenek-dal eslemesi) standart modeldir.

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

#43  Ordinal Lojistik
    dosya: 43_ordinal_performance.xlsx
  >> SENARYO (anlatim):
    Sirali performans duzeyini antrenman saati ve motivasyonla modelliyoruz. Sirali
    sonuc icin ordinal lojistik uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: performance_level
    - Yordayici(lar): training_hour
    - Yordayici(lar): motivation

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 402.22   sirali sonuc: performance_level   yordayicilar: training_hour, motivation

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

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R^2 (egitim) = 0.878   R^2 (5-kat CV) = 0.870   yordayici: sensor_01..12 (12 sensor)

>> YORUM (anlatim):
    Performansi 12 giyilebilir sensor okumasindan yordadik. Sensor okumalari birbiriyle yuksek bagintili
    (multikolinearite) oldugundan klasik regresyon kararsizlasir; PLS bunlari az sayida gizli bilesene indirgeyip
    uzerine regresyon kurar. Capraz dogrulanmis R^2 = 0.87 ile model hem guclu hem genellenebilir. PLS, yordayici
    sayisi cok ya da aralarinda yuksek baginti varken idealdir; spor bilimlerinde cok-sensorlu giyilebilir veriden
    performans tahmininde sik kullanilir.

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

#45  Probit Regresyon
    dosya: 45_probit_creatine.xlsx
  >> SENARYO (anlatim):
    Performans artisi olasiligini gunluk kreatin dozuyla probit modelle tahmin
    ediyoruz. Doz-yanit ikili sonucu icin probit uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: performance_increase_present
    - Yordayici(lar): creatine_day_g

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 161.12   Pseudo R^2 (McFadden) = 0.367   ikili sonuc: performance_increase_present   yordayici: creatine_day_g

>> YORUM (anlatim):
    Doz-yanit iliskisini -- performans artisi olasiligini gunluk kreatin dozuyla (creatine_day_g) -- probit modelle
    tahmin ettik: model guclu (pseudo R^2 = 0.37). Probit, lojistik gibi ikili sonuclara uygulanir; fark, baglanti
    fonksiyonunun normal dagilim olmasidir. Doz-yanit calismalarinda probit klasik bir aractir. Spor bilimlerinde
    ergojenik destek/doz ile ikili yanit (artis var/yok) iliskisini modellemede saglam secimdir.

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

#46  Tobit Regresyon
    dosya: 46_tobit_income.xlsx
  >> SENARYO (anlatim):
    Esikte yigilan yillik gelir degiskenini sponsor varligi ve seviye ile
    modelliyoruz. Sansurlu sonuc icin tobit uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: annual_income_TL
    - Yordayici(lar): sponsor_present
    - Yordayici(lar): level

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 3959.69   Sol kesim   sonuc: annual_income_TL (sansurlu)   yordayicilar: sponsor_present, level

>> YORUM (anlatim):
    Bir alttan sinirli (esikte yigilan) yillik gelir degiskenini sponsor varligi ve seviye ile modelledik. Tobit,
    gozlemlerin bir esikte yigildigi "sansurlu" bagimli degiskenler icindir; siradan regresyon bu yigilmayi yok sayarak
    yanli tahmin verir. Spor bilimlerinde/spor ekonomisinde sifir/esik alti gelir gibi taban etkili ciktilarda dogru
    modeldir; katsayilar gercek (sansursuz) iliskiyi yansitir.

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

#47  Bayesci Dogrusal Regresyon
    dosya: 47_bayesian_nutrition.xlsx
  >> SENARYO (anlatim):
    Performansi beslenme degiskenleriyle (protein, karbonhidrat g/kg) Bayesci
    cerceyede modelliyoruz. Belirsizligi olasilikla ifade etmek icin Bayesci
    regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: performance
    - Yordayici(lar): protein_g_kg
    - Yordayici(lar): karbon_g_kg

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    sigma^2 sonsal ort = 26.40 (sd = 3.77)   sonuc: performance   yordayicilar: protein_g_kg, karbon_g_kg
    katsayilarin sonsal dagilimi + P(beta>0) raporlandi

>> YORUM (anlatim):
    Performansi beslenme degiskenleriyle (protein, karbonhidrat g/kg) 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. Spor bilimlerinde
    kucuk orneklem veya onceki calisma bilgisinin kiymetli oldugu durumlarda, "beslenme etkisi olasilikla pozitif" gibi
    sezgisel yorumlar sunar.

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

#48  Dogrusal Olmayan Regresyon
    dosya: 48_nonlinear_age_performance.xlsx
  >> SENARYO (anlatim):
    Performans tepe degerinin yasla S-bicimli iliskisini lojistik buyume egrisiyle
    modelliyoruz. Egrisel iliski icin dogrusal olmayan regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: performance_peak
    - Yordayici(lar): age_year
    - Deger: fonksiyon/function: logistic

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Fonksiyon: y = K / (1 + exp(-r*(x-x0)))  (lojistik buyume)   R^2 = 0.963

>> YORUM (anlatim):
    Performans tepe degerinin (performance_peak) yasla iliskisini, duz cizgiyle degil S-bicimli lojistik buyume
    egrisiyle modelledik: uyum cok yuksek (R^2 = 0.96). Dogrusal olmayan regresyon, iliski egrisel oldugunda (gelisim,
    doyma, esik) teorik fonksiyon formunu dogrudan veriye uydurur ve parametreleri (tavan K, hiz r, donum noktasi x0)
    yorumlanabilir kilar. Spor bilimlerinde yasla gelisen performans/kapasite egrilerini ve gelisim-doyma sureclerini
    modellemede dogru aractir.

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

#49  Ridge Regresyon
    dosya: 49_ridge_15olcum.xlsx
  >> SENARYO (anlatim):
    Performansi 15 iliskili olcumden ridge ile tahmin ediyoruz. Multikolinearite
    icin ridge uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: performance
    - Yordayici(lar): measurement_01..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 = 0.778   yordayici: measurement_01..15 (15 olcum)

>> YORUM (anlatim):
    Performansi 15 iliskili olcumden ridge regresyonla tahmin ettik (R^2 = 0.78). Ridge, katsayilara ceza (L2)
    ekleyerek hepsini buyukluk olarak kuculturur ama sifirlamaz; boylece olcumler arasi yuksek bagintinin
    (multikolinearite) yol actigi kararsizligi engeller. Klasik regresyonun katsayilarinin sisip isaret degistirdigi
    durumda daha kararli ve genellenebilir tahmin verir. Spor bilimlerinde cok sayida ortak-degisen fizyolojik olcumle
    tahmin yaparken tercih edilir.

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

#50  Lasso Regresyon
    dosya: 50_lasso_30pred.xlsx
  >> SENARYO (anlatim):
    Elit skoru 30 aday ozellikten lasso ile modelleyip onemli olanlari seciyoruz.
    Otomatik degisken secimi icin lasso uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: elite_score
    - 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 = 0.719   30 ozellikten 19'u sifire cekildi (otomatik degisken secimi)

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

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

#51  Aracilik Analizi
    dosya: 51_mediation_motivation_training.xlsx
  >> SENARYO (anlatim):
    Motivasyon -> antrenman suresi -> performans zincirini test ediyoruz. Ara
    mekanizmayi cozmek icin aracilik analizi uygundur.
  >> DEGISKEN SECIMI:
    - Yordayici(lar): motivation
    - Deger: M (araci/mediator): training_minute
    - Bagimli degisken: performance

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dolayli etki (indirect) = -0.091   %95 GA [-0.528, 0.000]   (sinirda; anlamli degil)
    X: motivation  M: training_minute  Y: performance

>> YORUM (anlatim):
    "Motivasyon (X) -> antrenman suresi (M) -> performans (Y)" zincirini test ettik: dolayli etki -0.091, %95 guven
    araligi sifiri (sinirda) iceriyor -- yani motivasyonun performansa antrenman suresi uzerinden dolayli etkisi
    anlamli cikmadi. Aracilik analizi, "X neden/nasil Y'yi etkiliyor?" sorusunu bir ara mekanizma uzerinden cozer;
    burada bu mekanizma yolu desteklenmedi. Spor bilimlerinde bir etkenin (motivasyon) etkisinin hangi ara surec
    (antrenman, cabasi) uzerinden aktigini -- ya da aktmadigini -- anlamada gucludur.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CFI = 0.861   RMSEA = 0.271   model: performance ~ ability + motivation + effort; motivation ~ ability

>> YORUM (anlatim):
    Birden cok degisken arasindaki dogrudan ve dolayli iliskileri tek bir nedensel diyagram olarak test ettik. Uyum
    indeksleri (CFI = 0.86, RMSEA = 0.27) modelin verilere kismen uydugunu, iyilestirmeye acik oldugunu gosteriyor. Yol
    analizi, ayri ayri regresyonlar yerine tum iliski agini ayni anda tahmin eder; degiskenlerin hem birbirini hem
    ortak sonucu nasil etkiledigini gosterir. Spor bilimlerinde teori temelli iliski modellerini (yetenek -> motivasyon
    -> performans) sinamada kullanilir.

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

#53  Dogrusal Karma Model (LMM)
    dosya: 53_lmm_athlete_term.xlsx
  >> SENARYO (anlatim):
    Ayni sporcularda donemler boyunca tekrarli olculen performansi, sporcuyu
    rastgele etki alarak modelliyoruz. Tekrarli/ic ice veride LMM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: performance
    - Yordayici(lar): term
    - Kume: athlete_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 = 0.947   Grup varyansi (random intercept) = 98.73   sonuc: performance   sabit: term   grup: athlete_id

>> YORUM (anlatim):
    Ayni sporcularda donemler boyunca tekrar tekrar olculen performansi, sporcu kimligini rastgele etki olarak alarak
    modelledik. ICC = 0.95 cok yuksek: performans degiskenliginin neredeyse tamami sporcular ARASI farktan
    kaynaklaniyor, sporcu ici donemler cok benzer. LMM, ic ice/tekrarli (sporcu icinde olcumler) verideki bagimliligi
    dogru ele alir; siradan regresyonun ihlal ettigi "bagimsizlik" varsayimini random etkilerle cozer. Spor
    bilimlerinde 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: performance
    - Yordayici(lar): age
    - Yordayici(lar): VO2
    - Yordayici(lar): force_kg

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    m (imputation) = 5   sonuc: performance   yordayicilar: age, VO2, force_kg

>> 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. Spor bilimlerinde olcum kacaklari/eksik test
    sonuclarini, orneklemi daraltmadan ve sonuclari saptirmadan ele almanin modern standardidir.

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

#55  GEE
    dosya: 55_gee_program_performance.xlsx
  >> SENARYO (anlatim):
    Ayni sporcularin tekrarli ziyaret olcumlerinde performansi modelliyoruz.
    Populasyon-ortalamasi etki icin GEE uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: performance
    - Yordayici(lar): visit
    - Kume: athlete_id

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    visit katsayisi = 1.907   p < .001 ***   QIC = 305.61   sonuc: performance   grup: athlete_id

>> YORUM (anlatim):
    Ayni sporcularin tekrarli ziyaret olcumlerinde performansi modelledik; ziyaret etkisi anlamli (b = 1.91, p < .001).
    GEE, tekrarli/kumelenmis veride bireysel etkilerden cok POPULASYON-ORTALAMASI etkiyi tahmin eder ve grup ici
    korelasyonu "calisma korelasyon yapisi" ile duzeltir. LMM bireysel random etkiye odaklanirken, GEE ortalama
    egilime odaklanir. Spor bilimlerinde "ortalama sporcuda zaman/program etkisi nedir?" gibi populasyon duzeyi
    sorularda tercih edilir.

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

#56  GLMM
    dosya: 56_glmm_rehabilitation.xlsx
  >> SENARYO (anlatim):
    Ayni sporcularda tekrarli olculen agri sayisini ay ve rehabilitasyonla, sporcuyu
    rastgele etki alarak modelliyoruz. Tekrarli sayim icin GLMM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: pain_count
    - Yordayici(lar): month
    - Yordayici(lar): rehabilitation
    - Kume: athlete_id (Poisson)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    rehabilitation katsayisi = -0.423   p < .001 ***   sonuc: pain_count (sayim, Poisson)   grup: athlete_id

>> YORUM (anlatim):
    Ayni sporcularda tekrarli olculen bir SAYIM ciktisini (agri olayi sayisi) ay ve rehabilitasyonla, sporcuyu rastgele
    etki alarak modelledik; rehabilitasyon etkisi anlamli ve negatif (b = -0.42, p < .001) -- rehabilitasyon agri
    sayisini azaltiyor. GLMM, LMM'i normal olmayan ciktilara (sayim, ikili) genisletir: hem dagilimi (Poisson) hem de
    kumelenmeyi (random etki) ayni anda dogru ele alir. Spor bilimlerinde tekrarli olculen sayim ciktilarinda (aylik
    agri/sakatlanma sayisi) dogru modeldir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    alpha = 0.114   L1 orani = 0.50   R^2 (egitim) = 0.400   40 yordayici

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

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Robust Intercept = 100.08   OLS Intercept = 96.57   sonuc: performance   yordayici: age

>> YORUM (anlatim):
    Performansi yasla modellerken, aykiri degerlerin tahmini saptirmasini onlemek icin saglam regresyon kullandik.
    Robust ve OLS kesim noktalarinin farki (100.08'e karsi 96.57), birkac aykiri gozlemin klasik tahmini cektigini
    gosteriyor; robust yontem bu gozlemlere daha az agirlik vererek "tipik" iliskiyi yansitir. Spor bilimlerinde uc
    degerlerin (anormal test, hatali kayit) bulundugu veride, onlari silmeden saglam tahmin almanin dogru yoludur.

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

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

>> YORUM (anlatim):
    Performansin yalnizca ortalamasini degil, dagilimin farkli noktalarini (alt %10, medyan, ust %90) ayri ayri
    modelledik. Yordayicilarin etkisi kantillere gore degisebilir -- bir etken dusuk performansli sporcularda guclu,
    yuksek performanslilarda zayif olabilir. Kantil regresyon, "ortalama etki" yaniltici oldugunda (etki dagilim
    boyunca degisken) gercek resmi verir. Spor bilimlerinde elit/amator uc-grup davranisini ve performans degiskenligini
    incelemede klasik regresyonun gormedigini gosterir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AUC = 0.969 (mukemmel ayirici)   Youden optimum esik = 0.379   Duyarlilik = 0.955, 1-Ozgulluk = 0.108
    n = 250 (pozitif 111, negatif 139)

>> YORUM (anlatim):
    Bir bilesik skorun (combined_score) ikili sonucu (elite_label/elit mi) ne kadar iyi ayirdigini ROC egrisiyle
    degerlendirdik: AUC = 0.97 ile mukemmel ayirici guc; Youden ile optimum karar esigi 0.38 olarak belirlendi. ROC,
    tum olasi esiklerde duyarlilik-ozgulluk dengesini gosterir ve modeli tek esige bagli kalmadan degerlendirir. Spor
    bilimlerinde bir yetenek/elit secim skorunun 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: elite_occurs
    - Yordayici(lar): ability_index
    - Yordayici(lar): stress_index

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    TSS = 0.26 (kabul edilebilir)   Duyarlilik = 0.69   Ozgulluk = 0.57   N = 200
    ikili sonuc: elite_occurs   yordayicilar: ability_index, stress_index

>> YORUM (anlatim):
    Bir siniflama modelinin (elit olus/olmaz) ayirma basarisini TSS ile olctuk: TSS = 0.26 (duyarlilik 0.69, ozgulluk
    0.57). 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. Spor bilimlerinde yetenek/elit 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. Spor bilimlerinde tahmin/siniflandirma modellerinin
    performansini detayli raporlamada temeldir.

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

#63  Rastgele Orman
    dosya: 63_rf_tree_type.xlsx
  >> SENARYO (anlatim):
    Spor dalini bes ozellikten rastgele ormanla siniflandiriyoruz. Dogrusal olmayan
    tahmin icin random forest uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: discipline
    - Yordayici(lar): height_cm
    - Yordayici(lar): weight_kg
    - Yordayici(lar): VO2_max
    - Yordayici(lar): sprint_100m
    - Yordayici(lar): flexibility_score

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Accuracy = 1.00   sonuc: discipline   yordayicilar: height_cm, weight_kg, VO2_max, sprint_100m, flexibility_score

>> YORUM (anlatim):
    Spor dalini bes ozellikten rastgele ormanla siniflandirdik: dogruluk %100 -- dallar bu olculerle mukemmel
    ayrilabiliyor (cok yuksek dogruluk asiri uyum riskine karsi capraz dogrulamayla teyit edilmelidir). Random forest,
    yuzlerce karar agacinin oyunu birlestirir; dogrusal olmayan iliskileri ve etkilesimleri otomatik yakalar, ayrica
    degisken onem siralamasi verir. Spor bilimlerinde karmasik siniflandirma problemlerinde (yetenek-dal eslemesi) 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):
    Elit/elit-degil siniflamasini dort ozellikten SVM ile yapiyoruz. Iyi ayrilabilen
    siniflar icin SVM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: elite
    - Yordayici(lar): VO2_max
    - Yordayici(lar): force_kg
    - Yordayici(lar): flexibility_cm
    - Yordayici(lar): balance_score

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Accuracy = 1.00   sonuc: elite   yordayicilar: VO2_max, force_kg, flexibility_cm, balance_score

>> YORUM (anlatim):
    Elit/elit-degil 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. Spor bilimlerinde iyi ayrilabilen sinif problemlerinde, ozellikle az-orta boyutlu veride, guclu ve
    kararli bir siniflandiricidir.

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

#65  Gradyan Artirma
    dosya: 65_gradient_boosting.xlsx
  >> SENARYO (anlatim):
    Sakatlanma riskini dort yordayicidan gradyan artirma ile siniflandiriyoruz. En
    yuksek dogruluk icin gradient boosting uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: injury_risk
    - Yordayici(lar): age
    - Yordayici(lar): late_injury
    - Yordayici(lar): training_density
    - Yordayici(lar): BMI

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Accuracy = 0.929   sonuc: injury_risk   yordayicilar: age, late_injury, training_density, BMI

>> YORUM (anlatim):
    Sakatlanma riskini (injury_risk) dort yordayicidan gradyan artirma ile siniflandirdik: dogruluk %92.9. 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.
    Spor bilimlerinde en yuksek tahmin dogrulugunun arandigi (sakatlanma riski skorlama, sonuc ongorusu) durumlarda
    tercih edilir; asiri uyuma karsi ayarlama gerektirir.

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

#66  K-Ortalamalar Kumeleme
    dosya: 66_kmeans_4kume.xlsx
  >> SENARYO (anlatim):
    Sporculari iki ozellige gore kumeliyoruz. Sporcu profillemesi icin k-means
    uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: VO2_max
    - Degiskenler: force_ratio
    - Kume sayisi: 4

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n_clusters = 4   Silhouette = 0.541   degiskenler: VO2_max, force_ratio

>> YORUM (anlatim):
    Sporculari iki ozellige gore (VO2max, kuvvet orani) 4 kumeye ayirdik: silhouette = 0.54, iyi bir ayrisma. K-means,
    gozlemleri en yakin kume merkezine atar ve merkezleri iteratif olarak gunceller; benzer sporculari dogal gruplara
    ayirir. Onceden etiket gerekmez (gozetimsiz). Spor bilimlerinde sporcu profillemesinde (dayaniklilik/kuvvet tipleri)
    ve antrenman grubu olusturmada temel yontemdir; silhouette kume sayisinin uygunlugunu denetler.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n_clusters = 5   Silhouette = 0.114   degiskenler: feat_01..10 (10 ozellik)

>> YORUM (anlatim):
    On ozellige gore sporculari hiyerarsik kumelemeyle 5 gruba ayirdik (silhouette = 0.11, zayif ayrisma -- gruplar
    kismen ic ice). Hiyerarsik kumeleme, gozlemleri adim adim birlestirerek bir agac (dendrogram) kurar; k-means'ten
    farki, kume sayisini onceden belirlemek zorunda olmamak ve ic-ice yapiyi gormektir. Spor bilimlerinde sporcu
    gruplarinin hiyerarsisini (ana grup -> alt grup) kesfetmede ve dogal kume sayisini dendrogramdan okumada kullanilir.

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

#68  DBSCAN Kumeleme
    dosya: 68_dbscan.xlsx
  >> SENARYO (anlatim):
    Tesis 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 = 0.928   degiskenler: lat, lon (tesis konumu)

>> YORUM (anlatim):
    Tesis/saha konumlarini (lat, lon) yogunluk temelli DBSCAN ile kumeledik: 4 yogun kume, silhouette = 0.93 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. Spor bilimleri/spor cografyasinda mekansal yogunlasmalari (tesis
    kumeleri, antrenman bolgeleri) saptamada ve aykiri konumlari ayiklamada idealdir.

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

#69  Temel Bilesenler (PCA)
    dosya: 69_pca_6ozellik.xlsx
  >> SENARYO (anlatim):
    Alti iliskili olcuyu PCA ile az sayida bilesene indirgiyoruz. Boyut indirgeme
    icin PCA uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: VO2
    - Degiskenler: force
    - Degiskenler: flexibility
    - Degiskenler: balance
    - Degiskenler: reaction
    - Degiskenler: performance

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    PC1 varyansin %93.4'unu acikliyor   degiskenler: VO2, force, flexibility, balance, reaction, performance

>> YORUM (anlatim):
    Alti iliskili olcuyu PCA ile az sayida bilesene indirgedik: ilk bilesen tek basina varyansin %93.4'unu acikliyor --
    yani bu alti olcu buyuk olcude tek bir gizli boyutu (genel atletik kapasite) yansitiyor. PCA, bagintili degiskenleri
    birbirinden bagimsiz bilesenlere donusturur; boyut indirger, gorsellestirmeyi kolaylastirir ve multikolinariteyi
    cozer. Spor bilimlerinde cok-olculu performansi ozetlemede ve bir "atletik kapasite endeksi" olusturmada temeldir.

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

#70  t-SNE
    dosya: 70_tsne_5tur.xlsx
  >> SENARYO (anlatim):
    12 sensor boyutlu veriyi gorsellestirme icin 2 boyuta t-SNE ile indiriyoruz.
    Dogrusal olmayan kume kesfi icin t-SNE uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: sensor_01..12

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    KL Iraksamasi = 0.518 (iyi)   yuksek boyutlu 12 sensor 2 boyuta gomuldu

>> YORUM (anlatim):
    On iki sensor boyutlu veriyi, gorsellestirme icin 2 boyuta t-SNE ile indirdik (KL = 0.52, 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).
    Spor bilimlerinde yuksek boyutlu sensor/olcum verisindeki gizli sporcu kumelerini kesifsel gorsellestirmede
    kullanilir.

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

#71  Cok Boyutlu Olcekleme (MDS)
    dosya: 71_mds_3grup.xlsx
  >> SENARYO (anlatim):
    Sporcular arasi benzerlik yapisini 2 boyutlu haritaya yerlestiriyoruz. Benzerlik
    haritasi icin MDS uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: VO2
    - Degiskenler: flexibility
    - Degiskenler: sprint
    - Degiskenler: balance

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Stress (Kruskal-1) = 0.075 (kabul edilebilir)   degiskenler: VO2, flexibility, sprint, balance

>> YORUM (anlatim):
    Sporcular arasi uzaklik/benzerlik yapisini, dusuk stress (0.08) 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. Spor
    bilimlerinde sporcu/grup benzerlik haritalarini cizmede ve gruplar arasi konumlandirmada kullanilir.

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

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

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

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

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cronbach alpha = 0.970 (mukemmel ic tutarlilik)   21 madde

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

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

#74  Likert Olcek Analizi
    dosya: 74_likert_3boyut.xlsx
  >> SENARYO (anlatim):
    Uc alt-olcekten (motivasyon/konsantrasyon/...) olusan 15 maddelik Likert setini
    cozumluyoruz. Sirali olcek ozeti ve guvenilirligi icin Likert analizi uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: motivation_1..5 / concentration_1..5 / ..._1..5

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Madde sayisi k = 15   Cronbach alpha = 0.757 (kabul edilebilir)

>> YORUM (anlatim):
    Uc alt-olcekten (motivasyon, konsantrasyon, ...) olusan 15 maddelik Likert setini cozumledik: guvenilirlik kabul
    edilebilir (alpha = 0.76), madde dagilimlari ve merkezi egilimler raporlandi. Likert analizi, sirali olcek
    yanitlarini (1-5) uygun ozetlerle (medyan, dagilim, yigilma) betimler ve olcek guvenilirligini denetler. Spor
    bilimlerinde sporcu psikolojisi olceklerinin (motivasyon, konsantrasyon) dogru ozetlenmesi ve yorumlanmasi icin
    kullanilir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    KMO = 0.905 (mukemmel)   faktor analizi uygun   18 madde (q01..18)

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

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

#76  Sinif Ici Korelasyon (ICC)
    dosya: 76_icc_3uzman.xlsx
  >> SENARYO (anlatim):
    Uc antrenorun verdigi puanlarin tutarliligini olcuyoruz. Surekli puanda gozlemci
    guvenirligi icin ICC uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: coach_a
    - Degiskenler: coach_b
    - Degiskenler: coach_c

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    ICC(1,1) = 0.903 (Mukemmel)   %95 GA [0.850, 0.940]   3 antrenor (coach_a/b/c)

>> YORUM (anlatim):
    Uc antrenorun ayni sporculara verdigi puanlarin tutarliligini ICC ile olctuk: ICC = 0.90, mukemmel -- antrenorler
    neredeyse ozdes puanliyor. ICC, kappa'dan farkli olarak SUREKLI puanlarda gozlemciler arasi guvenirligi olcer ve
    hem tutarliligi hem mutlak uyumu degerlendirebilir. Spor bilimlerinde antrenor/hakem puanlamasinda farkli
    degerlendiricilerin 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 (performans/sosyal/motivasyon) verilere uyup
    uymadigini siniyoruz. Olcek yapi gecerligi icin CFA uygundur.
  >> DEGISKEN SECIMI:
    - Deger: performance: performance_1..4
    - Deger: social: social_1..4
    - Deger: motivation: motivation_1..4

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CFI = 0.996   RMSEA = 0.021   3 faktor: performance / social / motivation (her biri 4 madde)

>> YORUM (anlatim):
    EFA'nin aksine, onceden tanimladigimiz uc faktorlu yapinin (performans/sosyal/motivasyon) verilere uyup uymadigini
    CFA ile SINADIK: uyum indeksleri cok iyi (CFI = 1.00, RMSEA = 0.02). CFA, teorik olcek modelini test eder -- her
    maddenin hangi faktore yuklendigi onceden bellidir, soru "model veriye uyuyor mu?"dur. Spor bilimlerinde
    gelistirilmis bir olcegin yapi gecerligini dogrulamada (psikolojik boyutlar teoriye uyuyor mu) zorunlu adimdir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    performance: M_hat = 70.93   SE = 0.56   %95 GA [69.82, 72.04]   CV %0.79   agirlik: weight, tabaka: region

>> YORUM (anlatim):
    Tabakali/agirlikli bir anket tasariminda performans ortalamasini, tasarimi dikkate alarak tahmin ettik: M = 70.93,
    Taylor lineerleme SE'si ile %95 GA [69.8, 72.0]. Karmasik orneklem yontemleri, esit olmayan secilme olasiliklarini
    (agirlik) ve tabakalamayi hesaba katar; bunlar yok sayilirsa standart hatalar yanli cikar. Spor bilimlerinde
    ulusal/bolgesel temsili sporcu anketlerinden dogru nokta tahmini ve guven araligi uretmenin dogru yoludur.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    sport_frequency kategorileri icin agirlikli oranlar + Taylor SE + %95 GA
    (or. 'low' p_hat = 0.389, 'high' p_hat = 0.048)

>> YORUM (anlatim):
    Bir kategorik anket sorusunun (spor yapma sikligi) 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. Spor
    bilimlerinde temsili anketlerden siklik/katilim dagilimlarini dogru raporlamada kullanilir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    member_count: T_hat = 267,786   SE = 3,441.17   %95 GA [261,012, 274,560]   tabaka: stratum

>> YORUM (anlatim):
    Orneklemden populasyon TOPLAMINI (toplam kulup uyesi) tahmin ettik: T = 267,786, %95 GA [261,012, 274,560].
    Agirliklar her gozlemin populasyonda kac birimi temsil ettigini soyler; toplam tahmini bu agirliklarin toplamiyla
    yapilir ve Taylor SE ile belirsizligi raporlanir. Spor bilimlerinde orneklemden tum populasyona olceklenmis
    toplamlar (toplam uye, toplam lisansli sporcu) uretmede dogru yontemdir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R^2 = 0.373   age katsayisi = 0.347 (p < .001)   sonuc: performance   yordayicilar: age, education_year   agirlik: weight

>> YORUM (anlatim):
    Bir cikti degiskenini (performans), orneklem tasarimini (agirlik, tabaka) dikkate alarak regresyona soktuk: yas
    anlamli bir yordayici (b = 0.35, p < .001), model varyansin %37'sini acikliyor. Tasarim-temelli regresyon,
    agirliklari ve kume/tabaka yapisini katsayi ve standart hata hesabina dahil eder; siradan regresyon bunlari yok
    sayarak yanli cikarim verir. Spor bilimlerinde temsili sporcu anket verisinde iliski modellemenin dogru yoludur.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    age: OR = 0.998   p = 0.853 ns   ikili sonuc: elite_level   yordayicilar: age, motivation   agirlik: weight

>> YORUM (anlatim):
    Ikili bir anket sonucunu (elit seviye mi) tasarim-agirlikli lojistik regresyonla modelledik: yasin etkisi anlamli
    degil (OR = 0.998, p = 0.85). Bu yontem, lojistik regresyonu karmasik orneklem tasarimina genisletir -- agirlik ve
    tabaka standart hatalara yansir. Burada "anlamli etki yok" sonucu da degerlidir. Spor bilimlerinde temsili
    anketlerden ikili sonuc (elit/elit-degil) olasiligini dogru tahmin etmede kullanilir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Pseudo R^2 (aciklanan) = 0.375   sonuc: performance   yordayici: age (duzgun/smooth terim)

>> YORUM (anlatim):
    Performansi yasla, iliskinin bicimini onceden duz cizgi varsaymadan, esnek bir egri (smooth) ile modelledik:
    aciklanan varyans orta duzeyde (pseudo R^2 = 0.38). GAM, dogrusal regresyonu genisletir -- her yordayicinin etkisini
    veriden ogrenilen duzgun bir fonksiyon olarak modeller, boylece egrisel iliskileri yorumlanabilirligi kaybetmeden
    yakalar. Spor bilimlerinde etkinin dogrusal olmadigi (yasla artip sonra dusen performans gibi tepe noktali)
    iliskilerde, kara-kutu modellere gore daha aciklayici bir secimdir.

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

#84  Diskriminant Analizi
    dosya: 84_diskriminant_3sinif.xlsx
  >> SENARYO (anlatim):
    Sporcu sinifini bes surekli olcuden siniflandiriyoruz. Onceden tanimli gruplara
    atama icin diskriminant uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: class
    - Yordayici(lar): sprint
    - Yordayici(lar): VO2
    - Yordayici(lar): flexibility
    - Yordayici(lar): force
    - Yordayici(lar): reaction

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dogruluk = 1.00   sonuc: class   yordayicilar: sprint, VO2, flexibility, force, reaction

>> YORUM (anlatim):
    Sporcu 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. Spor
    bilimlerinde onceden tanimli gruplara (seviye/dal) yeni sporculari atamada ve ayirici ozellikleri belirlemede
    kullanilir.

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

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

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

>> YORUM (anlatim):
    Sporcularin tesis 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. Spor bilimlerinde tesis/program tercih modellemede (ucret-mesafe
    etkisi) temel yontemdir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Medyan sagkalim = 7.79 yil   Log-rank chi^2(1) = 0.0003, p = 0.986 ns   sure: career_year, olay: retired, grup: discipline

>> YORUM (anlatim):
    Sporcularin bir olaya (retired/emeklilik) kadar gecen kariyer suresini Kaplan-Meier ile inceledik: medyan sagkalim
    7.79 yil; dallar arasi sagkalim egrileri log-rank ile karsilastirildi (p = 0.99, fark yok). KM, sansurlu sure
    verisini (olay henuz gerceklesmeyenler/halen aktif) dogru ele alir; siradan ortalama bu gozlemleri yok sayip yanli
    cikarir. Spor bilimlerinde kariyer suresi, sakatlanmaya kadar gecen sure ve devamlilik analizinde temeldir.

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

#87  Cox Orantili Tehlike
    dosya: 87_cox_hazard.xlsx
  >> SENARYO (anlatim):
    Emeklilik riskini surekli ve kategorik yordayicilarla Cox modeliyle inceliyoruz.
    Sansurlu surede cok yordayici icin Cox uygundur.
  >> DEGISKEN SECIMI:
    - Sure: career_year
    - Olay: retired
    - Yordayici(lar): age
    - Yordayici(lar): past_injury
    - Yordayici(lar): regular_training

  >> 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 = 0.556   yordayicilar (HR): age=0.997 (p=0.84), past_injury, regular_training
    sure: career_year, olay: retired   (yordayicilar tek basina anlamli degil)

>> YORUM (anlatim):
    Emeklilik riskini surekli ve kategorik yordayicilarla (yas, gecmis sakatlanma, duzenli antrenman) Cox modeliyle
    inceledik: bu orneklemde yordayicilar tek basina anlamli cikmadi (yas: HR = 0.997, p = 0.84), concordance 0.56
    (zayif-orta ayirma). Cox regresyonu, sansurlu sure verisinde birden cok yordayicinin "olay zamani" uzerindeki
    etkisini tehlike orani (HR) olarak verir; temel tehlikenin sekli hakkinda varsayim yapmaz. Spor bilimlerinde kariyer
    sonu/sakatlanma riskini belirleyen etkenleri saptamada altin standarttir; burada belirleyici etken bulunamadi.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dagilim: Weibull   Medyan sagkalim = 12.71 yil   sure: career_year, olay: retired, yordayici: type

>> YORUM (anlatim):
    Sagkalim suresini parametrik (Weibull) bir dagilim varsayarak modelledik: medyan sagkalim ~12.7 yil. AFT
    (hizlandirilmis basarisizlik zamani) modelleri, Cox'tan farkli olarak tehlikenin sekli icin acik bir dagilim secer
    ve yordayicilarin sureyi nasil "hizlandirdigi/yavaslattigini" dogrudan yorumlar. Veri varsayilan dagilima uyuyorsa
    Cox'tan daha gucludur. Spor bilimlerinde kariyer suresinin acik tahmini ve ekstrapolasyonu gerektiginde tercih
    edilir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Sansurlu (0) = 64   farkli emeklilik nedenleri (retired_cause) ayri olay tipleri olarak modellendi

>> YORUM (anlatim):
    Sporcunun birden fazla farkli sonla (emeklilik nedenleri: sakatlanma, transfer, gonullu birakma) karsilasabildigi
    durumu rekabet eden riskler cercevesinde inceledik: 64 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. Spor bilimlerinde ayni sporcunun
    birbirini dislayan farkli kariyer sonlarini dogru modellemede gereklidir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    stress_score: HR = 0.983   p = 0.289 ns   (zamanla degisen kovaryat)   id: athlete_id, baslangic/bitis araliklari

>> YORUM (anlatim):
    Yordayicinin (stres skoru) zaman icinde DEGISTIGI bir Cox modeli kurduk: her sporcu icin baslangic-bitis
    araliklariyla stresin guncel degeri kullanildi; etki burada anlamli degil (HR = 0.983, p = 0.29). Zamana bagli Cox,
    sabit olmayan kovaryatlari (degisen stres, degisen kondisyon) dogru ele alir -- olay aninda yordayicinin guncel
    degerini kullanir. Spor bilimlerinde zamanla degisen risk faktorlerinin (degisken stres, yuk) kariyer sonu/
    sakatlanma uzerindeki etkisini modellemede dogru yontemdir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Concordance = 0.516   region_n: p = 0.850 ns   sure: career_month, olay: event   agirlik: weight, kume: club_id

>> YORUM (anlatim):
    Kariyer/sagkalim analizini karmasik anket tasarimina (agirlik + kume) tasiyarak Cox modeli kurduk: bolge etkisi
    anlamli degil (p = 0.85), concordance 0.52 (ayirma gucu zayif). survey_phreg, orantili tehlike modelini
    tabaka/kume/agirlik yapisina genisletir -- standart hatalar tasarima gore duzeltilir. Spor bilimlerinde temsili
    panel/anket verisinde olay zamani (kariyer sonu) modellemenin tasarima sadik yoludur.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Olay sayisi = 29   Medyan sagkalim = 8.0   (alt sinir: left_censor, ust sinir: survival_censor)

>> YORUM (anlatim):
    Olayin tam zamani bilinmeyip yalnizca bir ARALIK icinde gerceklestigi bilinen veriyi modelledik: medyan sagkalim 8
    birim, 29 olay. Aralik sansurlu yontemler, olayin "iki gozlem arasinda bir yerde" oldugu durumlar (periyodik
    kontroller arasi) icindir; olayi aralik orta/uc noktasina sabitlemek yanli sonuc verirken bu yontem belirsizligi
    dogru tasir. Spor bilimlerinde periyodik degerlendirmeler arasinda gerceklesen olaylari (iki test arasi sakatlanma)
    dogru modellemede kullanilir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Concordance = 0.535   cg_n: p = 0.340 ns   sure: career_year, olay: event   kume: club_id (frailty)

>> YORUM (anlatim):
    Kumelenmis sagkalim verisinde (ayni kulup icindeki sporcular) kulube ozgu gozlenmeyen riski "frailty" (rastgele
    etki) olarak modelledik; klinik grup etkisi anlamli degil (p = 0.34). Frailty Cox, ayni kumedeki birimlerin
    paylastigi gizli riski hesaba katar -- standart Cox'un ihlal ettigi bagimsizlik varsayimini cozer. Spor bilimlerinde
    kulup/takim icinde kumelenmis olay verisinde (paylasilan gizli risk) dogru secimdir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    60 gozlem (aylik)   ADF p = 0.969 (duragan degil)   Trend: artan   Mevsimsellik tespit edildi

>> YORUM (anlatim):
    Aylik bir kayit serisini (monthly_record) inceledik: ADF testi durağan olmadigini gosteriyor (p = 0.97), 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. Spor bilimlerinde performans/katilim serilerini
    cozumlemenin baslangic adimidir.

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

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

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

>> YORUM (anlatim):
    Ortalama performans 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. Spor bilimlerinde
    performans/katilim serilerinden mevsimselligi (sezon etkisi) arindirip altta yatan trendi gormede ve anomali
    tespitinde temeldir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    ARIMA modeli secildi   AIC = 2426.02   gelecege yonelik tahmin + guven araligi

>> YORUM (anlatim):
    Spor butcesi serisini (sport_budget) ARIMA ile modelleyip gelecege yonelik tahmin urettik (AIC = 2426.02 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. Spor bilimleri/yonetiminde
    butce/katilim/talep ongorusunde en yaygin klasik yontemdir; guven araligi tahmin belirsizligini gosterir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Yontem: Holt-Winters (mevsimsel toplamsal, period = 12)   AIC = 821.81

>> YORUM (anlatim):
    Uye sayisi serisini (member_count) 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.
    Spor bilimleri/yonetiminde duzenli mevsimsel desenli uye/katilim ongorusunde hizli ve guvenilir sonuc verir.

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

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

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

>> YORUM (anlatim):
    Ulusal performans 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. Spor bilimlerinde uzun donemli performans 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: VO2_max
    - Degiskenler: force
    - Degiskenler: training
    - Degiskenler: performance

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Anomali sayisi = 16   degiskenler: VO2_max, force, training, performance

>> YORUM (anlatim):
    Cok-degiskenli verideki olagandisi gozlemleri otomatik tespit ettik: 16 sporcu anomali olarak isaretlendi. Anomali
    tespiti, normalden belirgin sapan gozlemleri (hatali kayit, istisnai/sukut yetenek) cok degiskeni birlikte
    degerlendirerek bulur; tek degiskenli esiklerin kacirdigi "bilesik" aykiriliklari yakalar. Spor bilimlerinde veri
    kalitesi kontrolu, hatali test tespiti ve istisnai sporcu 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. Spor bilimlerinde
    hiyerarsik yapilarda (kulup>takim>sporcu) 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. Spor bilimlerinde 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. Spor bilimlerinde 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. Spor bilimlerinde 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. Spor
    bilimlerinde cok duzeyli (kulup/takim/sporcu) 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. Spor bilimleri/spor cografyasinda kulup/bolge performansinin 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. Spor bilimleri/spor cografyasinda mekansal
    otokorelasyonun kaynagi olculmemis cografi etkenlerse (altyapi, 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. Spor bilimleri/spor
    cografyasinda performans-kaynak iliskisinin bolgeye gore farklilastigi durumlarda gucludur.

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

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

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

>> YORUM (anlatim):
    Ic ice yuvalanmis bir tasarimda (ust grup > alt grup > blok) bir degeri modelledik: hem ust seviye (F = 27.44,
    p < .001) hem alt/replikasyon seviyesi (F = 6.11, p < .001) anlamli katki veriyor. Nested LMM, alt birimlerin ust
    birimler icinde yuvalandigi (her blok yalnizca bir gruba ait) hiyerarsileri dogru ele alir; varyansi duzeylere
    bolerek her katmanin payini gosterir. Spor bilimlerinde kulup>takim>sporcu 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. hakem x
    sporcu, her hakem her sporcuyu) ayni anda ele alir. Spor bilimlerinde 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: performance_score
    - Enlem: lat
    - Boylam: lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n = 95 birim   performans 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. Spor bilimleri/spor cografyasinda
    tesis/sporcu/performans yogunlasmalarini 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. Spor bilimleri/spor cografyasinda yogun nokta bulutlarini (tesis/sporcu konumlari)
    okunabilir yogunluk haritasina cevirmede ve mekansal yogunlasmalari karsilastirmada kullanilir.

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

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Moran's I = 0.563   z = 10.13   p < .001 ***   (komsu k-NN, k = 6)   degisken: performance_score

>> YORUM (anlatim):
    Performans skorunun mekanda rastgele mi yoksa kumelenmis mi dagildigini Moran's I ile test ettik: I = 0.56,
    z = 10.13, p < .001 -- guclu pozitif mekansal otokorelasyon, yani benzer performans degerleri cografi olarak
    kumeleniyor. Moran's I, "Tobler'in ilk yasasi"ni (yakin seyler benzer) nicelestirir. Spor bilimleri/spor
    cografyasinda performans/katilim degiskenlerinin 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):
    Performans skorunun nerede yuksek/dusuk kumelendigini yerel olarak
    haritaliyoruz. Sicak/soguk nokta icin Getis-Ord uygundur.
  >> DEGISKEN SECIMI:
    - Deger: performance_score
    - Enlem: lat
    - Boylam: lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Sicak nokta = 31   Soguk nokta = 30   n = 68   (k-NN k = 8, ikili agirlik)   degisken: performance_score

>> YORUM (anlatim):
    Performans skorunun NEREDE yuksek/dusuk kumelendigini Getis-Ord Gi* ile yerel olarak haritaladik: 31 anlamli sicak
    nokta (yuksek performans kumesi) ve 30 soguk nokta (dusuk performans kumesi). Moran's I genel kumelenmeyi soylerken,
    Gi* bunun konumunu gosterir -- her nokta icin "etrafi yuksek mi dusuk mu?" testidir. Spor bilimleri/spor
    politikasinda yuksek/dusuk performans bolgelerini (sicak/soguk noktalar) hedefli yatirim/altyapi 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) = 9   n = 115   (konum: lat, lon)

>> YORUM (anlatim):
    Birim konumlarini (n = 115) yogunluk temelli DBSCAN ile kumeledik: 4 dogal cografi kume ve 9 "gurultu" (hicbir
    kumeye ait olmayan dagil) nokta. DBSCAN, kume sayisini onceden istemez, herhangi bir bicimde kume bulur ve seyrek
    noktalari aykiri olarak ayirir -- mekansal kumeleme icin idealdir. Spor bilimleri/spor cografyasinda bolge bazli
    dogal yogunlasmalari (tesis/sporcu kumeleri) saptamada ve izole konumlari ayiklamada kullanilir; betimsel mekansal
    analiz dizimizi tamamlar.

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

#115  Karma Desen (Split-Plot) ANOVA
    dosya: 115_mixed_anova_VO2max_mL_kg_min.xlsx
  >> SENARYO (anlatim):
    40 athletes uc time duzeyinde (pre, mid, post) olculur; her biri iki training grubundan birine (HIIT / continuous) aittir. Karma (split-plot) desen; VO2max uzerinde denekler-arasi ana etki,
    denek-ici ana etki ve etkilesimi sinar.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: VO2max_mL_kg_min
    - Denek kimligi: athlete_id
    - Denekler-arasi faktor: training
    - Denek-ici faktor: time

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Between (training): F(1,38) = 30.61  p < .001  np2 = 0.446
    Within (time):  F(2,76) = 80.46  p < .001  np2 = 0.679
    Interaction:         F(2,76) = 11.82  p < .001  np2 = 0.237
    Mauchly W = 0.941  p = 0.317   n_subjects = 40   n_obs = 120

>> YORUM (anlatim):
    training x time karma deseninde 40 athletes icin VO2max incelendi (120 gozlem). Etkilesim anlamli (F(2,76) = 11.82, p < .001, np2 = 0.237) *** -- iki grubun time boyunca degisimi farkli buyukluktedir. Denekler-arasi ana etki (HIIT vs continuous) F = 30.61, p < .001; denek-ici ana etki (pre/mid/post) F = 80.46, p < .001. Mauchly p = 0.317, yani kurelik saglanir, denek-ici p duzeltmesiz okunur. Once etkilesime bakilir: anlamliysa grup etkisi her time duzeyinde ayri yorumlanmalidir. Spor bilimlerinde karma desen, antrenman protokollerini aerobik kapasite üzerinde program boyunca karşılaştırma icin standart analizdir.

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