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

#1  Descriptive Statistics
    dosya: 01_descriptive_forest_inventory.xlsx
  >> SENARYO (anlatim):
    Bir orman amenajman calismasinda 300 agacin envanterini cikardik. Her agac
    icin tur (type), govde cap (dbh_cm), boy (height_m), yas (age_year), biyokutle
    (biomass_kg) ve saglik skoru (health_score) olculdu. Henuz hicbir hipotez test
    etmeden once mescerenin genel resmini gormek istiyoruz: agaclarin ortalama capi
    ve boyu ne, biyokutle nasil dagiliyor, saglik skoru hangi araliklarda? Bu yuzden
    ise betimsel istatistiklerle basliyoruz; ortalama, standart sapma, minimum-
    maksimum ve dagilim, sahanin karakterini bir bakista ozetliyor.
  >> DEGISKEN SECIMI:
    - Degiskenler: dbh_cm
    - Degiskenler: height_m
    - Degiskenler: age_year
    - Degiskenler: biomass_kg
    - Degiskenler: health_score
    - Gruplama (kategorik): type

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n = 300 agac  |  5 tur (kayin 67, karacam 60, sariçam 59, kizilçam 58, mese 56)
    dbh_cm        : ort = 24.59  sd = 14.24  min-max = 5.0 - 80.0
    height_m      : ort = 15.25  sd = 4.84   min-max = 3.0 - 29.5
    age_year      : ort = 66.43  sd = 31.05  min-max = 10 - 119
    biomass_kg    : ort = 164.21 sd = 116.65 min-max = 10 - 600
    health_score  : ort = 3.27   sd = 1.02   min-max = 1 - 5

>> YORUM (anlatim):
    Once mescerenin genel resmini cikardik. Uc yuz agacin ortalama govde capi 24.6 cm,
    ortalama boyu ise 15 metre civarinda. Ama asil dikkat ceken, degiskenlik: cap 5 ile 80
    cm, biyokutle ise 10 ile 600 kilogram arasinda. Standart sapmalarin bu kadar genis
    olmasi, sahanin tek tip degil, farkli yas ve boyut siniflarini barindiran heterojen bir
    mescere oldugunu soyluyor. Yas ortalamasi 66 yil, yani olgun bir orman. Saglik skoru 5
    uzerinden 3.3 ile orta-iyi seviyede. Henuz hicbir hipotez test etmedik; ama bu betimsel
    tablo, bundan sonraki analizler icin zemini kuruyor: ozellikle biyokutledeki genis dagilim,
    ileride normallik testini neden onemli kilacagimizi simdiden hissettiriyor.

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

#2  Normality Tests
    dosya: 02_normality_dbh_height_biomass.xlsx
  >> SENARYO (anlatim):
    200 agaclik orneklemde cap (dbh_cm), boy (height_m) ve biyokutle (biomass_kg)
    degiskenlerinin normal dagilip dagilmadigini incelemek istiyoruz. Bundan sonra
    uygulayacagimiz t-testi ve ANOVA gibi parametrik testlerin on kosulu, surekli
    degiskenlerin normal dagilmasidir. Shapiro-Wilk ve Kolmogorov-Smirnov testleri,
    bu varsayimin saglanip saglanmadigini sayisal olarak gosterir; ozellikle biyokutle
    gibi sag-carpik olabilen orman degiskenlerinde dogru analiz yolunu secmemizi saglar.
  >> DEGISKEN SECIMI:
    - Test edilecek degiskenler: dbh_cm
    - Test edilecek degiskenler: height_m
    - Test edilecek degiskenler: biomass_kg

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    dbh_cm      : Shapiro-Wilk stat = 0.9954  p = 0.8040   ✅ Normal
    height_m    : Shapiro-Wilk stat = 0.9361  p < 0.001    ❌ Normal Degil
    biomass_kg  : Shapiro-Wilk stat = 0.8596  p < 0.001    ❌ Normal Degil

>> YORUM (anlatim):
    Parametrik testlere gecmeden once uc degiskenin normal dagilip dagilmadigini sinadik.
    Sonuc ayristirici: govde capi (dbh) neredeyse kusursuz normal dagiliyor, p degeri 0.80 ile
    normalligi rahatlikla saglyor. Buna karsilik boy ve ozellikle biyokutle, p degerleri sifira
    yakin cikarak normallikten anlamli olarak sapiyor. Bu hic sasirtici degil: biyokutle, ormanda
    tipik olarak sag-carpik bir degiskendir; bircok kucuk agac, az sayida cok buyuk agac. Pratik
    sonuc su: cap uzerinde t-testi, ANOVA gibi parametrik testleri gonul rahatligiyla kullanabiliriz;
    ama boy ve biyokutle icin Mann-Whitney, Kruskal-Wallis gibi parametrik olmayan alternatifleri
    ya da donusum/saglam yontemleri dusunmek daha dogru olur.

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

#3  One-Sample t-Test
    dosya: 03_one_sample_t_dbh_reference30.xlsx
  >> SENARYO (anlatim):
    Bu calismada belirli bir mesceredeki 100 agacin ortalama govde capinin (dbh_cm),
    idare suresi sonunda hedeflenen 30 cm'lik referans degerden anlamli olarak farkli
    olup olmadigini test etmek istiyoruz. Elimizde tek bir grup ve bilinen bir karsilastirma
    degeri var; iki grup karsilastirmasi soz konusu degil. Bu nedenle tek orneklem t-testi
    en uygun secim: mescerenin idare olgunluguna ulasip ulasmadigini tek bir referansa
    gore degerlendiriyoruz.
  >> DEGISKEN SECIMI:
    - Test degiskeni: dbh_cm
    - Test degeri (referans): 30

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    t(99) = -3.7606   p < .001 ***   Cohen d = -0.376 (Kucuk)
    Ortalama dbh = 28.145 cm   (test edilen mu = 30)   %95 GA = [27.17, 29.12]
    KARAR: H0 REDDEDILIR

>> YORUM (anlatim):
    Bu mesceredeki yuz agacin ortalama govde capini, idare olgunlugu icin hedeflenen 30 cm'lik
    referansla karsilastirdik. Sonuc net: t(99) = -3.76, p binde birin altinda. Yani ortalama cap
    -- 28.1 cm -- 30 cm hedefinden istatistiksel olarak anlamli sekilde dusuk. Guven araligi da
    tamamen 30'un altinda: 27.2 ile 29.1 arasinda. Etki buyuklugu Cohen d = -0.38, yani kucuk-orta
    duzeyde bir sapma. Pratikte bunun anlami: mescere henuz hedef cap olgunluguna ulasmamis;
    aradaki yaklasik 2 santimlik fark kucuk gorunse de istatistiksel olarak gercek, dolayisiyla
    idare suresinin tamamlanmasi icin biraz daha zaman gerekiyor.

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

#4  Independent Samples t-Test
    dosya: 04_independent_t_north_south_height.xlsx
  >> SENARYO (anlatim):
    Bir dag yamacinda bakinin (aspect) agac boyuna etkisini merak ediyoruz. Kuzey
    (north) ve guney (south) bakili iki ayri grupta yetisen agaclarin boylarini (height_m)
    karsilastiriyoruz. Iki bagimsiz grup ve surekli bir sonuc degiskeni oldugu icin
    bagimsiz orneklem t-testi uygun: kuzey bakinin daha nemli ve serin mikrokliması
    boy gelisimini guney bakidan anlamli olcude farklilastiriyor mu?
  >> DEGISKEN SECIMI:
    - Bagimli (surekli) degisken: height_m
    - Gruplama (2 kategori): aspect (north/south)

  >> 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(108) = 2.524   p = 0.013 *   Cohen d = 0.483 (Kucuk)
    north: n=50, ort = 17.49 m   |   south: n=60, ort = 16.05 m   |   fark %95 GA = [0.31, 2.57]
    KARAR: H0 REDDEDILIR

>> YORUM (anlatim):
    Dag yamacinda bakinin agac boyuna etkisini merak etmistik. Sonuclar hipotezimizi destekliyor:
    kuzey bakili agaclarin ortalama boyu 17.5 metre, guney bakili agaclarinki ise 16 metre. Aradaki
    yaklasik bir buçuk metrelik fark istatistiksel olarak anlamli: t(108) = 2.52, p = 0.013. Cohen d
    = 0.48 ile etki kucuk-orta duzeyde. Ormancilik acisindan bu mantikli: kuzey bakilar daha serin
    ve nemli bir mikroklima sunar, su stresi azdir, bu da boy gelisimini destekler. Guven araligi
    0.31 ile 2.57 metre arasinda, yani fark sifirin tamamen uzaginda. Kisacasi baki, bu sahada boy
    buyumesini gercekten farklilastiran bir etken.

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

#5  Paired Samples t-Test
    dosya: 05_paired_t_dbh_gubreleme.xlsx
  >> SENARYO (anlatim):
    Bir gubreleme denemesinde ayni agaclarin cap artisini izliyoruz. Her agacin
    gubreleme oncesi capi (dbh_before_cm) ve bir buyume mevsimi sonrasi capi
    (dbh_post_cm) olculdu. Olcumler ayni bireylerden, iki farkli zamanda alindigi
    icin gruplar bagimli. Bu yuzden eslestirilmis t-testi en dogru secim: gubreleme,
    agac basina cap artisini istatistiksel olarak anlamli sekilde yukseltti mi?
  >> DEGISKEN SECIMI:
    - Olcum 1 (once): dbh_before_cm
    - Olcum 2 (sonra): dbh_post_cm

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Eslestirilmis t(59) = -19.5399   p < .001 ***   Cohen d_z = -2.523 (Buyuk)
    KARAR: H0 REDDEDILIR

>> YORUM (anlatim):
    Burada ayni agaclarin gubreleme oncesi ve sonrasi capini karsilastirdik; yani her agac kendi
    kontrolu. Sonuc carpici: t(59) = -19.54, p binde birin cok altinda. Negatif isaret, sonraki
    olcumun oncekinden buyuk oldugunu, yani caplarin arttigini gosteriyor. Asil etkileyici olan etki
    buyuklugu: Cohen d_z = -2.52. Bu, "buyuk" esiginin (0.8) uc katindan fazla -- yani gubrelemenin
    cap artisi uzerindeki etkisi sadece anlamli degil, devasa. Eslestirilmis tasarimin gucu de burada:
    ayni bireyleri once-sonra karsilastirdigimiz icin bireyler arasi farkliliklari elemine ettik ve
    gubrelemenin saf etkisini cok net gorduk. Pratikte bu, uygulamanin cap gelisimini guclu sekilde
    hizlandirdigini soyluyor.

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

#6  One-Way ANOVA
    dosya: 06_one_way_anova_type_biomass.xlsx
  >> SENARYO (anlatim):
    Farkli agac turlerinin (type) biyokutle (biomass_kg) uretimi acisindan farklilasip
    farklilasmadigini arastiriyoruz. Ikiden fazla grup ortalamasini ayni anda karsilastirmak
    gerektigi icin tek yonlu ANOVA uygun secim. F degeri anlamli cikarsa, en az bir turun
    biyokutlesi digerlerinden farklidir; hangi turler arasinda oldugunu post-hoc (Tukey)
    testleriyle belirleriz.
  >> DEGISKEN SECIMI:
    - Bagimli (surekli) degisken: biomass_kg
    - Faktor (kategorik grup): type

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    F(3, 156) = 33.7295   p < .001 ***   η² = 0.3934
    KARAR: H0 REDDEDILIR (4 tur karsilastirildi)

>> YORUM (anlatim):
    Farkli agac turlerinin biyokutle uretimini karsilastirdik. ANOVA sonucu acik: F(3,156) = 33.73,
    p binde birin altinda. Yani turler arasinda biyokutle bakimindan en az bir anlamli fark var. Etki
    buyuklugu eta-kare 0.39 -- bu buyuk bir deger; biyokutledeki toplam degiskenligin yuzde 39'unu tek
    basina "tur" acikliyor. Bu, ormancilikta beklenen bir sonuc: tur secimi, bir mescerenin uretim
    kapasitesini belirleyen en temel kararlardan biri. ANOVA bize "en az bir fark var" diyor ama hangi
    turler arasinda oldugunu soylemiyor; bir sonraki adim, Tukey gibi bir post-hoc testle hangi tur
    ciftlerinin birbirinden ayristigini belirlemek olur.

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

#7  Two-Way ANOVA
    dosya: 07_two_way_anova_type_medium.xlsx
  >> SENARYO (anlatim):
    Fidanlik denemesinde iki faktoru ayni anda inceliyoruz: agac turu (type) ve yetistirme
    ortami (rearing_medium). Biyokutleyi (biomass_kg) hem turun hem ortamin, hem de bu
    ikisinin etkilesiminin nasil etkiledigini gormek istiyoruz. Iki kategorik faktor ve
    bir surekli sonuc oldugu icin iki yonlu ANOVA uygun: ozellikle "tur x ortam" etkilesimi,
    belirli bir turun belirli bir ortamda beklenenden daha iyi/kotu performans gosterip
    gostermedigini ortaya koyar.
  >> DEGISKEN SECIMI:
    - Bagimli (surekli) degisken: biomass_kg
    - Faktor 1 (kategorik): type
    - Faktor 2 (kategorik): rearing_medium

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    type (ana etki)            : F(1,114) = 136.23   p < .001 ***   η²p = 0.54
    rearing_medium (ana etki)  : F(2,114) = 155.63   p < .001 ***   η²p = 0.73
    type x rearing_medium      : F(2,114) =   0.49   p = 0.615 ns   η²p = 0.01

>> YORUM (anlatim):
    Bu fidanlik denemesinde iki faktoru ayni anda inceledik: agac turu ve yetistirme ortami. Iki ana
    etki de son derece guclu cikti. Yetistirme ortami, biyokutledeki degiskenligin yuzde 73'unu acikliyor
    (eta-kare-p = 0.73); tur ise yuzde 54'unu. Yani hem hangi turu sectiginiz hem onu hangi ortamda
    yetistirdiginiz, fidan basariniz icin belirleyici. Ama isin en ogretici kismi etkilesim: tur x ortam
    etkilesimi anlamsiz (p = 0.61). Bunun anlami su: en iyi ortam, hangi tur olursa olsun en iyi ortam;
    ortamin avantaji turden ture degismiyor, etkiler birbirine "eklenir". Pratikte bu, fidanlik yonetimini
    kolaylastirir: en verimli ortami secersiniz ve bu secim tum turler icin gecerlidir.

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

#8  Repeated-Measures ANOVA
    dosya: 08_repeated_anova_yillara_gore_dbh.xlsx
  >> SENARYO (anlatim):
    Ayni agaclarin govde capini dort ardisik yil boyunca izledik: dbh_t0, dbh_t1, dbh_t2
    ve dbh_t3. Olcumler ayni bireylerden tekrarli alindigindan gruplar bagimli; bagimsiz
    bir test yanli olurdu. Bu nedenle tekrarli olcumler ANOVA'si uygun: cap, yillar icinde
    istatistiksel olarak anlamli bir buyume egilimi gosteriyor mu, ve bu artis yillara gore
    nasil sekilleniyor?
  >> DEGISKEN SECIMI:
    - Tekrarli olcumler: dbh_t0
    - Tekrarli olcumler: dbh_t1
    - Tekrarli olcumler: dbh_t2
    - Tekrarli olcumler: dbh_t3

  >> 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, 147) = 265.9963   p < .001 ***   η²p = 0.8444   (n = 50 agac)
    KARAR: H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni elli agacin govde capini dort ardisik yil boyunca izledik. Sonuc, buyumenin istatistiksel
    parmak izi: F(3,147) = 266, p binde birin cok altinda. Kismi eta-kare 0.84 -- olaganustu buyuk bir
    etki; cap olcumlerindeki degiskenligin yuzde 84'unu "zaman" yani yillar acikliyor. Bu beklenen ama
    onemli: tekrarli olcumler ANOVA'si, ayni bireyleri yillar boyunca takip ettigimiz icin bireyler arasi
    farki disarida tutarak buyume sinyalini cok net yakaliyor. Pratikte bu, mescerenin saglikli ve duzenli
    bir cap artisi gosterdigini, yani aktif ve verimli bir buyume donemi yasadigini dogruluyor.

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

#9  MANOVA
    dosya: 09_manova_type_height_dbh_biomass.xlsx
  >> SENARYO (anlatim):
    Agac turunun (type) yalnizca tek bir ozellige degil, boy (height_m), cap (dbh_cm) ve
    biyokutle (biomass_kg) ozelliklerinin tumune birden etkisini incelemek istiyoruz. Bu uc
    bagimli degisken birbiriyle iliskili oldugu icin ayri ayri ANOVA yerine cok degiskenli
    varyans analizi (MANOVA) uygun: tur, bu morfolojik ozelliklerin birlesik profilini
    anlamli olcude farklilastiriyor mu? MANOVA, Tip-I hata sismesini de onler.
  >> DEGISKEN SECIMI:
    - Bagimli degiskenler: height_m
    - Bagimli degiskenler: dbh_cm
    - Bagimli degiskenler: biomass_kg
    - Faktor (kategorik grup): type

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Wilks' Lambda  ->  F = 131.8669   p < .001 ***
    Bagimli degiskenler: height_m, dbh_cm, biomass_kg   |   Faktor: type
    KARAR: H0 REDDEDILIR

>> YORUM (anlatim):
    Bu kez turun etkisini tek bir ozellige degil, boy, cap ve biyokutlenin olusturdugu birlesik profile
    baktik. MANOVA sonucu cok guclu: Wilks Lambda uzerinden F = 131.87, p binde birin altinda. Yani
    agac turu, bu uc morfolojik ozelligin birlikte olusturdugu profili anlamli olarak farklilastiriyor.
    MANOVA'yi tercih etmemizin nedeni onemli: bu uc degisken birbiriyle iliskili oldugu icin ayri ayri
    uc ANOVA yapmak Tip-I hatasini sisirir ve degiskenler arasi ortak yapiyi kacirir. Tek bir cok
    degiskenli testle hem bu riski onledik hem de "tur, agacin butuncul morfolojisini belirler" sonucuna
    saglam bir temelle ulastik. Detay icin her bagimli degiskenin tekil ANOVA'sina inilebilir.

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

#10  ANCOVA
    dosya: 10_ancova_treatment_dbh.xlsx
  >> SENARYO (anlatim):
    Bir buyume duzenleyici uygulamasinin (treatment) agac capina etkisini test ediyoruz;
    ancak agaclarin baslangic capi (baseline_dbh_cm) zaten farkliydi. Uygulama sonrasi capi
    (result_dbh_cm) dogrudan karsilastirirsak, baslangic farki sonucu yanli gosterir. Bu
    nedenle ANCOVA kullaniyoruz: baslangic capini kovaryat olarak modele alip onun etkisini
    istatistiksel olarak sabitliyoruz; boylece uygulamanin gercek, ari etkisini goruyoruz.
  >> DEGISKEN SECIMI:
    - Bagimli (sonuc) degisken: result_dbh_cm
    - Kovaryat (kontrol): baseline_dbh_cm
    - Faktor (kategorik grup): treatment

  >> 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):
    Kovaryat (baslangic capi) icin duzeltildikten sonra gruplar arasi fark ANLAMLI.
    Etki buyuklugu η²p = 0.722 (buyuk)   |   Duzeltilmis ortalamalar raporlandi.
    KARAR: H0 REDDEDILIR

>> YORUM (anlatim):
    Burada bir buyume duzenleyici uygulamasinin cap uzerindeki etkisini test ettik; ama bir tuzak vardi:
    agaclarin baslangic capi zaten farkliydi. Eger sonraki capi dogrudan karsilastirsaydik, bu baslangic
    farki sonucu yaniltirdi. ANCOVA tam da bunu cozuyor: baslangic capini kovaryat olarak modele alip onun
    etkisini istatistiksel olarak sabitledik. Sonuc: kovaryat icin duzeltildikten sonra bile gruplar arasinda
    anlamli fark var ve etki buyuklugu kismi eta-kare 0.72 ile cok buyuk. Yani gozledigimiz fark, baslangic
    farkliliklarinin bir yan urunu degil; uygulamanin gercek, ari etkisi. ANCOVA, "esit baslamayan" gruplari
    adil karsilastirmanin en dogru yoludur ve burada uygulamanin cap gelisimine guclu bir katki sagladigini
    net biçimde gosteriyor.

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

#11  Bootstrap Confidence Interval
    dosya: 11_bootstrap_ci_biomass_median.xlsx
  >> SENARYO (anlatim):
    Mescere biyokutlesinin (biomass_kg) ortanca degerini tahmin etmek istiyoruz; ancak
    biyokutle sag-carpik dagildigi icin klasik (normal varsayan) guven araligi guvenilir
    degil. Bu nedenle bootstrap kullaniyoruz: veriyi binlerce kez yeniden ornekleyip
    ortanca dagilimini ampirik olarak insa ediyoruz. Boylece dagilim varsayimi yapmadan,
    biyokutle ortancasi icin saglam bir %95 guven araligi elde ediyoruz.
  >> DEGISKEN SECIMI:
    - Degisken: biomass_kg
    - Istatistik: ortanca (median)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Sutun: biomass_kg   |   Istatistik: Medyan   |   n = 35   |   B = 10.000 replikasyon
    Gozlenen medyan = 95.0 kg   |   Bootstrap %95 GA = (75.0, 143.0)

>> YORUM (anlatim):
    Mescere biyokutlesinin ortancasini tahmin etmek istedik. Biyokutle sag-carpik bir degisken
    oldugu icin normal dagilima dayanan klasik guven araligi guvenilir olmazdi; o yuzden bootstrap
    kullandik. Veriyi on bin kez yeniden ornekleyerek ortancanin dagilimini ampirik olarak kurduk.
    Sonuc: gozlenen ortanca 95 kilogram, ama asil degerli olan guven araligi: %95 ihtimalle gercek
    ortanca 75 ile 143 kilogram arasinda. Araligin bu kadar genis olmasi, biyokutledeki yuksek
    degiskenligin dogal bir yansimasi. Bootstrap'in guzelligi burada: hicbir dagilim varsayimi yapmadan,
    yalnizca verinin kendisinden saglam bir belirsizlik araligi cikardik.

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

#12  Permutation Test
    dosya: 12_permutation_test_disease_score.xlsx
  >> SENARYO (anlatim):
    Iki saha grubunun (group) hastalik skorlari (disease_score) arasinda fark olup olmadigini,
    kucuk orneklem ve belirsiz dagilim altinda test etmek istiyoruz. Permutasyon testi,
    grup etiketlerini binlerce kez rastgele yeniden dagitip gozlenen farkin sanstan ne kadar
    uzak oldugunu dogrudan hesaplar. Parametrik varsayim gerektirmedigi icin bu kosulda en
    saglam secimdir.
  >> DEGISKEN SECIMI:
    - Bagimli (surekli) degisken: disease_score
    - Gruplama (2 kategori): group

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gruplar: control (n=28), case (n=25)   |   disease_score
    KARAR: H0 KABUL (p >= 0.05) — anlamli fark gozlenmedi

>> YORUM (anlatim):
    Iki saha grubunun hastalik skorlari arasinda fark olup olmadigini, kucuk orneklem ve belirsiz
    dagilim altinda sinadik. Permutasyon testi tam bu durum icin idealdir: grup etiketlerini binlerce
    kez rastgele yeniden dagitip, gercekte gozledigimiz farkin bu rastgele dunyada ne kadar siradan
    oldugunu hesapladi. Sonuc: p degeri 0.05'in uzerinde, yani gozlenen fark sanstan ayirt edilebilir
    degil. Istatistiksel karar nettir: bu iki grup arasinda hastalik skoru bakimindan anlamli bir fark
    yok. Anlamsiz cikan bir sonuc da bir bilgidir -- burada gruplar hastalik yuku acisindan benzer.

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

#13  Multiple Comparisons (p-degeri duzeltme)
    dosya: 13_multiple_comparison_conservation_application.xlsx
  >> SENARYO (anlatim):
    Birden cok koruyucu uygulamanin (treatment) kuruma yuzdesi (drying_pct) uzerindeki
    etkisini ayri ayri test ettigimizde, cok sayida karsilastirma yaptigimiz icin yanlis-pozitif
    riski artar. Coklu karsilastirma duzeltmesi (Bonferroni / FDR), elde edilen p-degerlerini
    karsilastirma sayisina gore ayarlayarak Tip-I hatasini kontrol altinda tutar; boylece
    "anlamli" bulgular gercekten guvenilir olur.
  >> DEGISKEN SECIMI:
    - Gruplama (uygulamalar): treatment
    - Sonuc degiskeni: drying_pct
    - Duzeltme: Bonferroni veya FDR (Benjamini-Hochberg)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    8 karsilastirma (her uygulama Ui vs kontrol)  ->  duzeltme oncesi ham p-degerleri
    Bonferroni / Sidak / Holm / BH-FDR / BY-FDR  ->  TOPLAM ANLAMLI: 5/8 (tum yontemlerde)

>> YORUM (anlatim):
    Sekiz koruyucu uygulamanin her birini kontrolle ayri ayri karsilastirdik; ama sekiz test yapinca
    yanlis-pozitif riski birikir. Coklu karsilastirma duzeltmesi tam bunu engelliyor. Ilginc olan,
    bes farkli duzeltme yontemi de -- en kati Bonferroni'den modern FDR'a kadar -- ayni sonucu verdi:
    sekiz uygulamadan besi, duzeltmeden sonra bile kontrolden anlamli olarak farkli. Bu, sonucun saglam
    oldugunu gosterir; yontem secimi sonucu degistirmedi. Pratikte mesaj net: bu bes uygulama gercekten
    ise yariyor, ucu ise kontrolden ayirt edilemiyor. Duzeltme yapmasaydik, sans eseri fazladan
    "anlamli" bulgular raporlama riskimiz vardi.

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

#14  Mann-Whitney U Test
    dosya: 14_mann_whitney_conservation_area.xlsx
  >> SENARYO (anlatim):
    Koruma altindaki ve korumasiz iki alanda (area) yetisen agaclarin saglik skorlarini
    (health_score) karsilastirmak istiyoruz. Saglik skoru sirali/carpik bir degisken oldugundan
    ve normal dagilim varsayimi saglanmadigindan, bagimsiz orneklem t-testi yerine onun
    parametrik olmayan karsiligi olan Mann-Whitney U testi uygundur: iki grubun siralamalarini
    karsilastirir.
  >> DEGISKEN SECIMI:
    - Bagimli (surekli/sirali) degisken: health_score
    - Gruplama (2 kategori): area

  >> 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 = 1662.50   p = 0.003 **   r = -0.33   (iki koruma alani, health_score)
    KARAR: H0 REDDEDILIR

>> YORUM (anlatim):
    Iki farkli alanda yetisen agaclarin saglik skorlarini karsilastirdik. Saglik skoru sirali ve
    carpik bir degisken oldugu icin t-testi yerine onun parametrik olmayan karsiligi Mann-Whitney U
    testini kullandik. Sonuc anlamli: U = 1662.5, p = 0.003. Etki buyuklugu r = -0.33, yani orta
    duzeyde bir fark. Iki alan, agac sagligi bakimindan birbirinden gercekten ayrisiyor. Bu, koruma
    statusunun ya da alan kosullarinin agac sagligi uzerinde olculebilir bir etkisi oldugunu gosteriyor;
    siralama temelli test, normal dagilim varsayimina ihtiyac duymadan bu farki guvenle yakaladi.

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

#15  Wilcoxon Signed-Rank Test
    dosya: 15_wilcoxon_before_post_health.xlsx
  >> SENARYO (anlatim):
    Bir bakim mudahalesi oncesi (health_before) ve sonrasi (health_post) ayni agaclarin saglik
    skorunu karsilastiriyoruz. Olcumler eslestirilmis ama saglik skoru normal dagilmadigindan,
    eslestirilmis t-testi yerine onun parametrik olmayan karsiligi Wilcoxon isaretli siralar
    testi uygundur: mudahale, saglikta istatistiksel olarak anlamli bir artis sagladi mi?
  >> DEGISKEN SECIMI:
    - Olcum 1 (once): health_before
    - Olcum 2 (sonra): health_post

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    W = 0.00   p < .001 ***   r = 0.90   n (sifirsiz) = 23   (health_before vs health_post)
    KARAR: H0 REDDEDILIR

>> YORUM (anlatim):
    Bir bakim mudahalesi oncesi ve sonrasi ayni agaclarin saglik skorunu karsilastirdik. Saglik skoru
    normal dagilmadigi icin eslestirilmis t-testinin parametrik olmayan karsiligi Wilcoxon isaretli
    siralar testini kullandik. Sonuc carpici: W istatistigi tam sifir, p binde birin altinda. W'nin sifir
    olmasi cok ozel bir durum: tum agaclar ayni yonde degismis, yani istisnasiz hepsinde saglik artmis.
    Etki buyuklugu r = 0.90 ile devasa. Mesaj acik: mudahale, agac sagligini tutarli ve guclu bir sekilde
    iyilestirdi -- hicbir agac geriye gitmedi.

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

#16  Kruskal-Wallis Test
    dosya: 16_kruskal_wallis_soil_development.xlsx
  >> SENARYO (anlatim):
    Farkli toprak tiplerinin (soil_type) yillik fidan gelisimine (annual_development_cm) etkisini
    inceliyoruz. Ikiden fazla grup var, ancak gelisim degeri normal dagilmiyor; bu yuzden tek
    yonlu ANOVA yerine onun parametrik olmayan karsiligi Kruskal-Wallis testini kullaniyoruz.
    En az bir toprak tipinin gelisim siralamasi digerlerinden anlamli olarak farkli mi?
  >> DEGISKEN SECIMI:
    - Bagimli (surekli/sirali) degisken: annual_development_cm
    - Faktor (3+ kategori): soil_type

  >> 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) = 3.16   p = 0.206 ns   η²_H = 0.03   (3 toprak tipi: kumlu/tinli/killi)
    KARAR: H0 REDDEDILEMEZ

>> YORUM (anlatim):
    Uc farkli toprak tipinin yillik fidan gelisimine etkisini inceledik. Gelisim degeri normal
    dagilmadigi icin ANOVA yerine Kruskal-Wallis testini kullandik. Sonuc: H(2) = 3.16, p = 0.21 --
    yani anlamli degil. Etki buyuklugu de cok kucuk (0.03). Istatistiksel karar: uc toprak tipi
    arasinda fidan gelisimi bakimindan anlamli bir fark yok. Bu da degerli bir bulgu: en azindan bu
    denemede, toprak tipi fidan gelisiminde belirleyici cikmadi; demek ki gelisimi baska faktorler
    (sulama, isik, genetik) daha cok etkiliyor olabilir. Anlamsizlik, "fark yok" bilgisini netlestiriyor.

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

#17  Friedman Test
    dosya: 17_friedman_panelist_type_aesthetic.xlsx
  >> SENARYO (anlatim):
    Bir peyzaj degerlendirmesinde her panelist (panelist_id) dort agac turunu -- akasya (acacia),
    kavak (poplar), mese (oak) ve cam (pine) -- estetik acidan puanladi. Ayni degerlendiriciler
    tum turleri puanladigi icin olcumler bagimli ve sirali. Bu yuzden tekrarli olcumler ANOVA'sinin
    parametrik olmayan karsiligi Friedman testi uygundur: turler arasinda estetik tercih siralamasi
    anlamli olarak farkli mi?
  >> DEGISKEN SECIMI:
    - Tekrarli olcumler: acacia
    - Tekrarli olcumler: poplar
    - Tekrarli olcumler: oak
    - Tekrarli olcumler: pine

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Friedman χ²(3) = 28.96   p < .001 ***   Kendall W = 0.80   n = 12 panelist
    KARAR: H0 REDDEDILIR

>> YORUM (anlatim):
    On iki panelistin dort agac turunu -- akasya, kavak, mese, cam -- estetik acidan puanlamasini
    inceledik. Ayni degerlendiriciler tum turleri puanladigi icin tekrarli olcumlerin parametrik olmayan
    karsiligi Friedman testini kullandik. Sonuc cok anlamli: ki-kare 28.96, p binde birin altinda. Asil
    carpici olan Kendall W = 0.80: bu, panelistler arasi uyumun cok yuksek oldugunu soyluyor. Yani
    degerlendiriciler estetik tercihte buyuk olcude hemfikir -- belirli turler tutarli sekilde digerlerine
    tercih ediliyor. Peyzaj ve sehir ormanciliginda bu onemli: tur secimi, oznel gibi gorunse de aslinda
    guclu bir ortak estetik yargiya dayaniyor.

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

#18  Binomial Test
    dosya: 18_binomial_seedling_survival_ratio075.xlsx
  >> SENARYO (anlatim):
    Bir agaclandirma sahasinda diktigimiz fidanlarin yasama oranini test ediyoruz. Sahada
    fidanlarin tutup tutmadigi (experienced: yasayan/olen) kaydedildi ve hedef yasama orani 0.75
    olarak belirlendi. Tek bir ikili sonuc ve bilinen bir referans oran oldugundan binom testi
    uygundur: gozlenen yasama orani, hedeflenen 0.75'ten anlamli olarak farkli mi?
  >> DEGISKEN SECIMI:
    - Ikili sonuc degiskeni: experienced (yasayan/olen)
    - Test orani: 0.75

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gozlenen oran = 0.725   |   Beklenen (hedef) oran = 0.750   |   p = 0.073 ns
    KARAR: H0 KABUL — oran 0.75'ten anlamli farkli degil

>> YORUM (anlatim):
    Agaclandirma sahasinda diktigimiz fidanlarin yasama oranini, hedeflenen 0.75 ile karsilastirdik.
    Gozlenen oran 0.725, yani yuzde 72.5. Binom testi soruyor: bu, hedefin altinda mi, yoksa sadece
    sans dalgalanmasi mi? Cevap p = 0.073 ile net: fark istatistiksel olarak anlamli degil. Yani gozlenen
    yasama orani, hedeflenen yuzde 75 ile tutarli; aradaki kucuk fark sansla aciklanabilir. Pratikte bu
    iyi haber: agaclandirma, hedef yasama performansini tutturmus sayilir. Dikkat: p degeri 0.073, esige
    yakin -- orneklem buyuse fark anlamli hale gelebilirdi, bu yuzden izlemeyi surdurmek mantikli.

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

#19  Sign Test
    dosya: 19_sign_test_pruning_crown_diameter.xlsx
  >> SENARYO (anlatim):
    Budama oncesi (crown_diameter_before_m) ve sonrasi (crown_diameter_post_m) ayni agaclarin
    taç capini karsilastiriyoruz. Eslestirilmis veri var ama farklarin dagilimi simetrik degil;
    Wilcoxon'un simetri varsayimini bile zorlayan bu durumda, yalnizca artis/azalis yonunu dikkate
    alan isaret (sign) testi en dayanikli secimdir: budama tac capini sistematik olarak degistirdi mi?
  >> DEGISKEN SECIMI:
    - Olcum 1 (once): crown_diameter_before_m
    - Olcum 2 (sonra): crown_diameter_post_m

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Pozitif (once > sonra): 28   |   Negatif (once < sonra): 2   |   p < .001 ***
    KARAR: H0 REDDEDILIR

>> YORUM (anlatim):
    Budama oncesi ve sonrasi ayni agaclarin tac capini karsilastirdik. Farklarin dagilimi simetrik
    olmadigi icin Wilcoxon yerine, yalnizca degisim yonune bakan isaret testini kullandik. Tablo cok net:
    30 agacin 28'inde tac capi budama sonrasi kuculdu, sadece 2'sinde artti. p degeri binde birin altinda.
    Yani budama, tac capini sistematik ve anlamli sekilde kuculttu -- ki bu zaten budamanin amacidir.
    Isaret testinin gucu burada: hicbir dagilim varsayimi yapmadan, sadece "azaldi/artti" sayimina dayanarak
    cok guvenli bir sonuca ulastik.

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

#20  Runs Test
    dosya: 20_runs_test_fire_direction.xlsx
  >> SENARYO (anlatim):
    Bir orman yangini izleme kaydinda, gunluk yayilim yonunun (direction_binary: kuzey/guney gibi
    iki yon) rastgele mi yoksa kumelenmis bir oruntu mu izledigini merak ediyoruz. Diziligin
    rastgeleligini sinamak icin runs (seri) testi uygundur: ardisik ayni-yon serileri beklenenden
    az ya da cok mu, yani yayilimda yonsel bir egilim/oto-bagimlilik var mi?
  >> DEGISKEN SECIMI:
    - Ikili dizi degiskeni: direction_binary

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Run (seri) sayisi beklenenin ALTINDA   |   p < .001 ***   ->  KUMELENME tespit edildi
    KARAR: H0 REDDEDILIR (dizilis rastgele degil)

>> YORUM (anlatim):
    Orman yanginin gunluk yayilim yonunun rastgele mi yoksa bir oruntu mu izledigini sinadik. Runs testi,
    ardisik ayni-yon serilerinin sayisina bakar. Sonuc: seri sayisi beklenenin belirgin altinda, p binde
    birin altinda. Bunun anlami kumelenme: ayni yon pespese tekrarliyor, yani yangin yonu gunden gune
    rastgele degil, israrli bir egilim gosteriyor. Pratikte cok onemli bir bulgu: yayilim yonsel bir
    oto-bagimlilik tasiyorsa, yangin davranisi tahmin edilebilir hale gelir; bu da mudahale ve kaynak
    yonlendirme planlamasi icin dogrudan kullanilabilir bir bilgidir.

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

#21  Chi-Square Independence Test
    dosya: 21_chisquare_independence_type_disease.xlsx
  >> SENARYO (anlatim):
    Agac turu (type) ile hastalik gorulme durumu (disease_present: var/yok) arasinda iliski olup
    olmadigini inceliyoruz. Iki kategorik degisken arasindaki bagimsizligi test etmek icin Ki-Kare
    bagimsizlik testi uygundur: belirli turler hastaliga digerlerinden daha mi yatkin, yoksa tur ile
    hastalik birbirinden bagimsiz mi?
  >> DEGISKEN SECIMI:
    - Satir degiskeni (kategorik): type
    - Sutun degiskeni (kategorik): disease_present

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    χ²(3) = 17.42   p < .001 ***   Cramer's V = 0.21 (Orta)   (type x disease_present)
    KARAR: H0 REDDEDILIR

>> YORUM (anlatim):
    Agac turu ile hastalik gorulme durumu arasinda iliski olup olmadigini Ki-Kare bagimsizlik testiyle
    inceledik. Sonuc anlamli: ki-kare 17.42, p binde birin altinda. Yani tur ile hastalik birbirinden
    bagimsiz degil; bazi turler hastaliga digerlerinden daha yatkin. Cramer's V = 0.21 ile iliski orta
    duzeyde -- zayif degil ama her seyi belirleyen bir bag da degil. Ormancilik acisindan bu onemli:
    hastalik riski tur secimine bagliysa, dayanikli turleri one cikararak hastalik yukunu azaltacak
    yonetim kararlari alinabilir.

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

#22  Chi-Square Goodness-of-Fit
    dosya: 22_chisquare_goodnessfit_type_equal_distribution.xlsx
  >> SENARYO (anlatim):
    Bir dogal mescerede agac turlerinin (type) esit oranda mi dagildigini, yoksa belirli turlerin
    mi baskin oldugunu test etmek istiyoruz. Tek bir kategorik degiskenin gozlenen dagilimini
    beklenen (esit) dagilima karsi sinamak icin Ki-Kare uyum iyiligi testi uygundur: tur dagilimi
    homojen mi, yoksa anlamli sapma var mi?
  >> DEGISKEN SECIMI:
    - Kategorik degisken: type
    - Beklenen dagilim: esit (uniform)

  >> 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):
    χ²(3) = 5.00   p = 0.172 ns   (n = 200, k = 4 tur, beklenen: esit dagilim)
    KARAR: H0 REDDEDILEMEZ

>> YORUM (anlatim):
    Bu dogal mescerede dort agac turunun esit oranda mi dagildigini test ettik. Ki-Kare uyum iyiligi,
    gozlenen tur dagilimini "hepsi esit" beklentisiyle karsilastirdi. Sonuc: ki-kare 5.0, p = 0.17 --
    anlamli degil. Yani turlerin dagiliminda, esit dagilimdan istatistiksel olarak anlamli bir sapma yok;
    mescere tur kompozisyonu acisindan oldukca dengeli. Bu, biyocesitlilik acisindan olumlu bir tablo:
    tek bir tur baskin degil, turler benzer oranlarda temsil ediliyor.

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

#23  Fisher's Exact Test
    dosya: 23_fisher_exact_small_sample_seedling.xlsx
  >> SENARYO (anlatim):
    Kucuk bir fidan denemesinde iki tur (type) ile basari durumu (result: tuttu/tutmadi) arasindaki
    iliskiyi inceliyoruz. Orneklem kucuk ve bazi hucre frekanslari 5'in altinda oldugundan Ki-Kare
    guvenilir degil; bu durumda kesin olasiligi dogrudan hesaplayan Fisher kesin testi uygundur:
    tur ile fidan tutma basarisi arasinda anlamli bir bagimlilik var mi?
  >> DEGISKEN SECIMI:
    - Satir degiskeni (kategorik): type
    - Sutun degiskeni (kategorik): result

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Fisher kesin p = 0.025 *   Odds Ratio = 0.125   (%95 CI: [0.024, 0.657])   (type x result)
    KARAR: H0 REDDEDILIR

>> YORUM (anlatim):
    Kucuk bir fidan denemesinde iki tur ile fidan tutma basarisi arasindaki iliskiyi inceledik. Orneklem
    kucuk ve bazi hucreler 5'in altinda oldugu icin Ki-Kare yerine kesin olasiligi hesaplayan Fisher testini
    kullandik. Sonuc anlamli: p = 0.025. Odds orani 0.125, yani turler arasinda fidan tutma sansi belirgin
    sekilde farkli; guven araligi da tamamen 1'in altinda (0.024-0.657), bu da iliskinin yonunu netlestiriyor.
    Kucuk orneklemlerde Fisher'in degeri burada: yaklasik bir test yerine kesin olasilikla guvenli karar verdik.

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

#24  McNemar Test
    dosya: 24_mcnemar_old_new_diagnosis.xlsx
  >> SENARYO (anlatim):
    Agac hastaligini saptamada eski yontem (old_method) ile yeni yontemin (new_method) ayni agaclar
    uzerindeki tani sonuclarini karsilastiriyoruz. Olcumler eslestirilmis ve ikili (hasta/saglikli)
    oldugundan McNemar testi uygundur: iki yontemin uyumsuz oldugu durumlar (biri pozitif digeri
    negatif) dengeli mi, yoksa yeni yontem sistematik olarak daha mi cok/az tani koyuyor?
  >> DEGISKEN SECIMI:
    - Olcum 1 (ikili): old_method
    - Olcum 2 (ikili): new_method

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Uyumsuz: b = 8, c = 12   |   min(b,c) = 8   |   p = 0.503 ns   (old_method vs new_method)
    KARAR: H0 REDDEDILEMEZ

>> YORUM (anlatim):
    Eski ve yeni tani yonteminin ayni agaclar uzerindeki sonuclarini karsilastirdik. McNemar testi, sadece
    iki yontemin UYUMSUZ oldugu durumlara bakar: bir yontemin pozitif, digerinin negatif dedigi 20 agac var
    (8 + 12). Eger yeni yontem sistematik olarak daha cok/az tani koysaydi, bu uyumsuzluklar dengesiz olurdu.
    Ama p = 0.50 ile fark anlamli degil: 8'e 12'lik dagilim, sanstan ayirt edilemez. Sonuc: iki yontem tani
    konusunda istatistiksel olarak denk; yeni yontemde sistematik bir kayma yok. Bu da yeni yontemin eskisinin
    yerine guvenle kullanilabilecegine isaret eder.

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

#25  Cohen's Kappa
    dosya: 25_kappa_two_expert_health.xlsx
  >> SENARYO (anlatim):
    Iki uzmanin (expert_A, expert_B) ayni agaclarin saglik durumunu bagimsiz olarak siniflandirmasi
    arasindaki uyumu olcuyoruz. Basit yuzde-uyum, sans eseri uyumu da iceriri; Cohen kappa ise sans
    duzeltmesi yaparak gercek uyumu verir: uzmanlar saglik degerlendirmesinde ne kadar tutarli, kappa
    "iyi" (0.6+) duzeyde mi?
  >> DEGISKEN SECIMI:
    - Degerlendirici 1: expert_A
    - Degerlendirici 2: expert_B

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cohen's κ = 0.777 (onemli/substantial)   p_o = 0.85   p_e = 0.33   (%95 CI: 0.66+)
    KARAR: H0 REDDEDILIR (uyum sanstan fazla)

>> YORUM (anlatim):
    Iki uzmanin ayni agaclarin saglik durumunu bagimsiz siniflandirmasindaki uyumu olctuk. Ham uyum yuzde 85
    gorunuyor; ama bunun bir kismi sans eseri olabilir. Cohen kappa, sans duzeltmesi yaparak gercek uyumu verir:
    κ = 0.78. Bu, kappa olceginde "onemli/substantial" duzeyde -- yani uzmanlar saglik degerlendirmesinde
    buyuk olcude tutarli. Pratikte bu sevindiricidir: degerlendirme protokolu guvenilir, kim olcerse benzer
    sonuc cikiyor. Saglik izleme programlarinda bu tur yuksek degerlendirici-arasi uyum, verinin guvenilirligi
    icin temel kosuldur.

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

#26  Cochran-Mantel-Haenszel (CMH)
    dosya: 26_cmh_conservation_disease_region.xlsx
  >> SENARYO (anlatim):
    Koruma alani olmasi (conservation_area) ile hastalik (disease) arasindaki iliskiyi, bolge (region)
    etkisini kontrol ederek inceliyoruz. Bolgeler hem koruma durumunu hem hastalik riskini etkileyen
    bir karistiriciysa, iliskiyi bolge katmanlarinda ayri ayri ele almak gerekir. CMH testi, bu
    katmanli 2x2 tablolari birlestirerek koruma-hastalik iliskisinin bolgeden bagimsiz, ortak bir etki
    olup olmadigini gosterir.
  >> DEGISKEN SECIMI:
    - Satir (kategorik): conservation_area
    - Sutun (kategorik): disease
    - Katman/tabaka (kontrol): region

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CMH χ²(1) = 20.95   p < .001 ***   Ortak Odds Orani (MH) = 0.362   (region katmanli)
    KARAR: H0 REDDEDILIR

>> YORUM (anlatim):
    Koruma alani olmasi ile hastalik arasindaki iliskiyi, bolge etkisini kontrol ederek inceledik. Bolge hem
    koruma durumunu hem hastalik riskini etkileyen bir karistirici olabilir; o yuzden iliskiyi bolge katmanlarinda
    ele aldik. CMH sonucu cok anlamli: ki-kare 20.95, p binde birin altinda. Ortak odds orani 0.36, yani bolge
    farkliliklarini hesaba kattiktan SONRA bile, koruma alaninda olmak hastalik riskini belirgin sekilde
    azaltiyor (1'in altinda OR = koruyucu etki). Bu, koruma statusunun gercek, bolgeden bagimsiz bir etkisi
    oldugunu gosteriyor -- en degerli bulgulardan biri.

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

#27  Log-Linear Models
    dosya: 27_log_linear_type_region_disease.xlsx
  >> SENARYO (anlatim):
    Uc kategorik degiskenin -- agac turu (type), bolge (region) ve hastalik (disease) -- birlikte
    olusturdugu kontenjans tablosundaki ana etki ve etkilesim yapilarini incelemek istiyoruz. Ki-Kare
    yalnizca iki degiskeni karsilastirir; log-lineer modeller ise uc ve daha fazla degiskenin hucre
    frekanslarini exp(B'X) ile modelleyerek hangi etkilesimlerin (orn. tur x hastalik) anlamli oldugunu
    ortaya koyar.
  >> DEGISKEN SECIMI:
    - Kategorik degisken: type
    - Kategorik degisken: region
    - Kategorik degisken: disease

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Log-Linear Model (order = 2)   AIC = 99.66   Pearson χ² = 10.17
    log(hucre_sayisi) = β'X   |   degiskenler: type, region, disease

>> YORUM (anlatim):
    Uc kategorik degiskenin -- tur, bolge ve hastalik -- birlikte olusturdugu kontenjans tablosunun yapisini
    log-lineer modelle inceledik. Ki-Kare yalnizca ikili iliskileri test edebilir; log-lineer model ise uc
    degiskenin hucre frekanslarini ayni anda modelleyerek hangi etkilesimlerin onemli oldugunu gosterir. Iki
    yollu (order-2) model, Pearson ki-kare 10.17 ve AIC 99.66 ile veriye makul uyum sagliyor; bu, ikili
    bagimliliklarin (orn. tur-hastalik) tabloyu acikladigini, uc-yollu karmasik bir etkilesime gerek olmadigini
    dusundurur. Pratikte bu, hastalik oruntusunun tur ve bolgenin basit ikili etkileriyle aciklanabildigini gosterir.

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

#28  Cross-Tabulation Analysis
    dosya: 28_cross_tablo_age_type_preference.xlsx
  >> SENARYO (anlatim):
    Orman ziyaretcilerinin yas grubu (age_group) ile tercih ettikleri orman tipi (preference_type)
    arasindaki iliskiyi capraz tablo ile inceliyoruz. Capraz tablo, iki kategorik degiskenin birlikte
    dagilimini satir/sutun yuzdeleriyle gosterir ve Ki-Kare ile iliskinin anlamliligini test eder:
    genc ve yasli ziyaretciler farkli orman tiplerini mi tercih ediyor?
  >> DEGISKEN SECIMI:
    - Satir degiskeni (kategorik): age_group
    - Sutun degiskeni (kategorik): preference_type

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    χ²(6) = 22.30   p = 0.001 ***   Cramer's V = 0.15 (Orta)   (age_group x preference_type)
    KARAR: H0 REDDEDILIR

>> YORUM (anlatim):
    Orman ziyaretcilerinin yas grubu ile tercih ettikleri orman tipi arasindaki iliskiyi capraz tablo ile
    inceledik. Sonuc anlamli: ki-kare 22.30, p = 0.001. Yani yas ile orman tipi tercihi bagimsiz degil; farkli
    yas gruplari farkli orman tiplerine yoneliyor. Cramer's V = 0.15 ile iliski orta-zayif duzeyde -- gercek
    ama tek belirleyici degil. Rekreasyon planlamasi icin bu kullanisli: farkli yas gruplarini hedefleyen alanlar
    tasarlanirken, hangi yas grubunun hangi orman tipini tercih ettigi bilgisi dogrudan uygulamaya donusturulebilir.

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

#29  Multiple-Response Frequency
    dosya: 29_mr_frequency_forest_activity.xlsx
  >> SENARYO (anlatim):
    Bir rekreasyon anketinde katilimcilara ormanda yaptiklari etkinlikler soruldu; herkes birden cok
    secenek isaretleyebildi (yuruyus, kamp, kus gozlemi, fotograf, piknik, mantar, bisiklet). Her etkinlik
    ayri bir ikili (0/1) sutun. Coklu yanit frekans analizi, bu secenekleri birlikte ozetler: en cok
    hangi etkinlik tercih ediliyor, yanit ve vaka yuzdeleri nasil?
  >> DEGISKEN SECIMI:
    - Coklu yanit (ikili) sutunlar: activity_walking, activity_camping, activity_bird_observation,
      activity_photography, activity_picnic, activity_fungus, activity_cycling

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam vaka = 350   |   Yanitlayan = 339 (%96.9)   |   Toplam yanit = 935
    Yuruyus %70.2 (238)  >  Piknik %53.4  >  Fotograf %47.8  >  Bisiklet %32.5  >  Kamp %28.9 ...

>> YORUM (anlatim):
    Rekreasyon anketinde katilimcilara ormanda yaptiklari etkinlikleri sorduk; herkes birden fazla secenek
    isaretleyebildi. Coklu yanit frekans analizi, bu cakisan secenekleri birlikte ozetliyor. 339 yanitlayan
    toplam 935 etkinlik isaretlemis -- yani kisi basina yaklasik uc etkinlik. Acik ara lider yuruyus: katilimcilarin
    yuzde 70'i yapiyor. Onu piknik (%53) ve fotografcilik (%48) izliyor. Mantar ve kus gozlemi ise daha nis
    etkinlikler. Bu tablo, orman rekreasyon alanlarini tasarlarken onceligi nereye vermek gerektigini dogrudan
    soyluyor: yuruyus parkurlari ve piknik alanlari en yuksek getiriyi saglar.

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

#30  Multiple-Response Crosstab
    dosya: 30_mr_categorical_activity_region.xlsx
  >> SENARYO (anlatim):
    Coklu yanitli orman etkinliklerini (yuruyus, kamp, piknik, fotograf) bu kez bolgeye (region) gore
    capraz inceliyoruz. Coklu yanit x kategorik capraz tablo, her bolgede hangi etkinliklerin one ciktigini
    gosterir: orn. daglik bolgede kamp, sahil bolgesinde yuruyus baskin mi? Bolge ile etkinlik tercihi
    arasinda iliski var mi?
  >> DEGISKEN SECIMI:
    - Coklu yanit (ikili) sutunlar: activity_walking, activity_camping, activity_picnic, activity_photography
    - Kategorik kirilim: region

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam vaka = 300   |   Grup: region (Aladag, Belgrad, Kackar)
    Her bolge x etkinlik (yuruyus/kamp/piknik/fotograf) vaka yuzdeleri tablosu

>> YORUM (anlatim):
    Bu kez coklu yanitli etkinlikleri bolgeye gore caprazladik. Coklu yanit x kategorik tablo, her bolgede hangi
    etkinliklerin one ciktigini gosteriyor. Boylece tek bir genel ortalamanin gizledigi bolgesel desenleri
    yakaliyoruz: orn. daglik bir bolgede kamp one cikarken, kent ormaninda yuruyus baskin olabiliyor. Etkinlik
    tercihinin bolgeye gore degismesi, "tek tip" bir rekreasyon planinin yeterli olmadigini; her alanin kendi
    ziyaretci profiline gore tasarlanmasi gerektigini gosteriyor. Bu, kaynaklari dogru yere yonlendirmek icin
    pratik, eyleme donuk bir bulgu.

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

#31  Multiple-Response x Multiple-Response Crosstab
    dosya: 31_mr_mr_activity_equipment.xlsx
  >> SENARYO (anlatim):
    Bu kez iki coklu-yanit setini caprazliyoruz: katilimcilarin yaptigi etkinlikler (yuruyus, kamp,
    piknik) ile yanlarinda getirdikleri ekipman (cadir, sirt cantasi, fotograf makinesi, kamera, GPS).
    Coklu yanit x coklu yanit tablosu, hangi etkinligin hangi ekipmanla birlikte gittigini gosterir:
    orn. kamp yapanlar cadir + GPS'i birlikte mi tasiyor? Etkinlik-ekipman es-gorulum oruntusu nedir?
  >> DEGISKEN SECIMI:
    - Set 1 (coklu yanit): activity_walking, activity_camping, activity_picnic
    - Set 2 (coklu yanit): crew_tent, crew_back_bag, crew_photography_machine, crew_camera, crew_gps

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Set 1 (satir): activity (yuruyus/kamp/piknik)   |   Set 2 (sutun): crew (cadir/canta/makine/kamera/GPS)
    Toplam vaka = 250   |   etkinlik x ekipman es-gorulum tablosu

>> YORUM (anlatim):
    Bu analizde iki coklu-yanit setini caprazladik: katilimcilarin yaptigi etkinlikler ve yanlarinda getirdikleri
    ekipman. Coklu yanit x coklu yanit tablosu, hangi etkinligin hangi ekipmanla birlikte gittigini gosteriyor.
    Bu, basit bir frekanstan daha zengin: tek tek "kamp populer", "cadir populer" demek yerine, kamp yapanlarin
    cadir ve GPS'i birlikte tasidigini, fotograf cekenlerinkamera+makine tasidigini gorebiliyoruz. Pratik degeri
    buyuk: bir alandaki etkinlik profilini bilirsek, ziyaretcilerin hangi ekipmana ihtiyac duyacagini ongorup
    altyapiyi (kamp alani, sarj noktasi, kiralama) ona gore planlayabiliriz.

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

#32  Cochran's Q Test
    dosya: 32_cochrans_q_3saha_safety.xlsx
  >> SENARYO (anlatim):
    Ayni ziyaretcilerin (visitor_id) uc farkli rekreasyon sahasini guvenli bulup bulmadigini
    (site_A_safe, site_B_safe, site_C_safe -- her biri 0/1) degerlendirdik. Ayni denekler uc sahayi da
    puanladigi ve yanit ikili oldugu icin Cochran Q testi uygundur (Friedman'in ikili karsiligi): uc
    sahanin guvenli bulunma oranlari birbirinden anlamli olarak farkli mi?
  >> DEGISKEN SECIMI:
    - Ikili (0/1) sutunlar: site_A_safe, site_B_safe, site_C_safe

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cochran's Q = 35.51   p < .001 ***   (3 saha: site_A/B/C guvenli mi, 0/1)
    KARAR: H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni ziyaretcilerin uc rekreasyon sahasini guvenli bulup bulmadigini degerlendirdik. Ayni denekler uc sahayi
    da puanladigi ve yanit ikili (evet/hayir) oldugu icin Cochran Q testini kullandik -- Friedman'in ikili
    karsiligi. Sonuc cok anlamli: Q = 35.51, p binde birin altinda. Yani uc sahanin guvenli bulunma oranlari
    birbirinden gercekten farkli; en az bir saha digerlerinden belirgin sekilde daha guvenli (ya da daha az)
    algilaniyor. Bu, hangi sahanin guvenlik algisini iyilestirmek icin oncelikli mudahale gerektirdigini dogrudan
    isaret eden, yonetime donuk bir bulgu.

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

#33  Correlation Analysis
    dosya: 33_correlation_forest_measurements.xlsx
  >> SENARYO (anlatim):
    Orman olcum degiskenleri arasindaki iliskileri inceliyoruz: yas (age_year), cap (dbh_cm), boy
    (height_m), biyokutle (biomass_kg) ve tac capi (crown_m). Korelasyon analizi, bu surekli degiskenlerin
    ikili iliskilerini (Pearson r) ve yonunu/gucunu ozetler: orn. cap ile biyokutle arasinda beklenen guclu
    pozitif iliski var mi, hangi olcumler birbirini en cok ongoruyor?
  >> DEGISKEN SECIMI:
    - Degiskenler: age_year, dbh_cm, height_m, biomass_kg, crown_m

  >> 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):
    GUCLU iliskiler (|r| >= 0.75) — 10 cift:
    age-height r=0.96  |  dbh-biomass r=0.956  |  height-biomass r=0.954  |  dbh-crown r=0.948
    dbh-height r=0.946  |  age-biomass r=0.928   (tumu p < .0001)

>> YORUM (anlatim):
    Orman olcum degiskenleri arasindaki iliskileri inceledik ve tablo adeta bir ders kitabi ornegi. Tum ikili
    iliskiler cok guclu ve pozitif: yas ile boy 0.96, cap ile biyokutle 0.956, boy ile biyokutle 0.954.
    Hepsi p binde birin cok altinda. Bu beklenen ama onemli: bir agacta cap, boy, yas ve biyokutle birlikte
    artar -- agac buyudukce hepsi buyur. Ozellikle cap-biyokutle iliskisinin bu kadar guclu olmasi pratik bir
    firsat: biyokutleyi olcmek zordur (agaci kesmek gerekir), ama capi olcmek kolaydir. Bu yuksek korelasyon
    sayesinde, capa dayali alometrik denklemlerle biyokutleyi tahribatsiz tahmin edebiliriz.

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

#34  Bland-Altman Analysis
    dosya: 34_bland_altman_clinometer_laser.xlsx
  >> SENARYO (anlatim):
    Agac boyunu olcen iki yontemi karsilastiriyoruz: klasik klinometre (clinometer_m) ve lazer
    hipsometre (laser_m). Korelasyon iki yontemin "iliskili" oldugunu soyler ama "uyumlu" oldugunu
    soylemez. Bland-Altman analizi, olcum farklarini ortalamaya karsi cizerek sistematik sapmayi (bias)
    ve uyum sinirlarini gosterir: lazer yontemi klinometre yerine guvenle kullanilabilir mi?
  >> DEGISKEN SECIMI:
    - Yontem 1: clinometer_m
    - Yontem 2: laser_m

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Bias (ortalama fark) = 0.39 m   %95 GA = (0.24, 0.53)   Bias=0 testi: t = 5.27, p < .001
    -> sistematik fark VAR

>> YORUM (anlatim):
    Agac boyunu olcen iki yontemi -- klinometre ve lazer -- karsilastirdik. Korelasyon iki yontemin iliskili
    oldugunu soyler ama "uyumlu" oldugunu soylemez; iste Bland-Altman bunu sinar. Sonuc onemli: ortalama fark
    (bias) 0.39 metre ve bu fark istatistiksel olarak sifirdan farkli (t = 5.27, p < .001). Yani iki yontem
    arasinda sistematik bir sapma var -- biri digerini tutarli sekilde yaklasik 40 santim fazla/eksik olcuyor.
    Pratik sonuc: bu iki yontem birbirinin yerine dogrudan kullanilamaz; eger lazere gecilecekse, bu 0.39
    metrelik sabit farki bir duzeltme katsayisi olarak hesaba katmak gerekir. Bland-Altman, korelasyonun
    gizledigi bu kritik ayrintiyi ortaya cikardi.

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

#35  Effect Size (Cohen's d)
    dosya: 35_effect_size_cultivation_method.xlsx
  >> SENARYO (anlatim):
    Iki fidan yetistirme yonteminin (method) fidan boyu (height_cm) uzerindeki etkisinin yalnizca
    "anlamli" mi, ayni zamanda "buyuk" mu oldugunu degerlendiriyoruz. p-degeri farkin var olup olmadigini
    soyler; etki buyuklugu (Cohen's d) ise farkin pratikteki buyuklugunu standart sapma cinsinden verir:
    d = 0.2 kucuk, 0.5 orta, 0.8 buyuk. Yontem farki ormancilik pratiginde kayda deger mi?
  >> DEGISKEN SECIMI:
    - Bagimli (surekli) degisken: height_cm
    - Gruplama (2 kategori): method

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cohen's d = 1.66   (Buyuk)   %95 CI [1.08, 2.25]   (height_cm, method: 2 grup)
    KARAR: cok buyuk etki

>> YORUM (anlatim):
    Iki fidan yetistirme yonteminin fidan boyu uzerindeki etkisinin sadece anlamli mi, yoksa pratikte buyuk mu
    oldugunu degerlendirdik. p-degeri farkin var olup olmadigini soyler; etki buyuklugu ise farkin gercek
    capini verir. Cohen's d = 1.66 -- bu, "buyuk" esiginin (0.8) iki katindan fazla; guven araligi da tamamen
    1'in uzerinde (1.08-2.25). Yani iki yontem arasindaki fark hem anlamli hem devasa: bir yontem digerine gore
    fidan boyunu yaklasik 1.7 standart sapma yukseltiyor. Ormancilik pratiginde bu, yontem seciminin gercekten
    onemli oldugunu, "istatistiksel olarak anlamli ama pratikte onemsiz" tuzagina dusmedigimizi gosterir.

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

#36  Canonical Correlation (CCA)
    dosya: 36_cca_fizyoloji_growth.xlsx
  >> SENARYO (anlatim):
    Iki cok degiskenli olcum setinin birlikte degisimini inceliyoruz: fizyolojik set (fotosentez,
    stoma sayisi, yaprak alani, kloroplast yogunlugu, su potansiyeli) ve buyume seti (yillik cap artisi,
    yillik boy artisi, yan dal sayisi, ic buyume endeksi). Kanonik korelasyon (CCA), bu iki seti en cok
    iliskilendiren dogrusal bilesimleri bulur: agacin fizyolojik kapasitesi, buyume performansini ne kadar
    ve hangi eksen boyunca ongoruyor?
  >> DEGISKEN SECIMI:
    - X seti (fizyoloji): photosynthesis, stomata_count, leaf_area, chloroplast_density, water_potential
    - Y seti (buyume): annual_dbh_increase, annual_height_increase, side_branch_count, inner_growth_index

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CC1: r = 0.90 (r²=0.81)  χ²(20)=463.6  p < .001 ***
    CC2: r = 0.72 (r²=0.52)  χ²(12)=142.1  p < .001 ***   |   CC3, CC4: anlamsiz
    (X = fizyoloji 5 degisken, Y = buyume 4 degisken)

>> YORUM (anlatim):
    Iki cok degiskenli seti -- agacin fizyolojik kapasitesi ve buyume performansi -- birlikte inceledik. Kanonik
    korelasyon, bu iki seti en cok iliskilendiren dogrusal bilesimleri buluyor. Sonuc cok guclu: birinci kanonik
    boyut r = 0.90 ile fizyoloji ve buyume arasinda neredeyse mukemmel bir baglanti kuruyor; ikinci boyut da
    anlamli (r = 0.72). Ucuncu ve dorduncu boyutlar ise gurultu. Yani agacin fizyolojisi (fotosentez, stoma,
    yaprak alani, su potansiyeli) ile buyumesi (cap/boy artisi, dal sayisi) iki bagimsiz eksen boyunca guclu
    sekilde iliskili. Bu, fizyolojik olcumlerin buyume potansiyelini ongormede degerli oldugunu; erken fizyolojik
    tarama ile gelecekteki buyume performansinin tahmin edilebilecegini gosteriyor.

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

#37  Correspondence Analysis
    dosya: 37_correspondence_type_region.xlsx
  >> SENARYO (anlatim):
    Agac turu (type) ile bolge (region) arasindaki iliskiyi gorsel bir haritada incelemek istiyoruz.
    Karsilik getirme analizi (CA), kategorik degiskenlerin kontenjans tablosunu iki boyutlu bir uzayda
    konumlandirir; birbirine yakin nokta cikan tur-bolge ciftleri birlikte gorulme egilimindedir. Hangi
    turler hangi bolgelerle ozdeslesmis, ekolojik dagilim oruntusu nedir?
  >> DEGISKEN SECIMI:
    - Satir degiskeni (kategorik): type
    - Sutun degiskeni (kategorik): region

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    N = 600   |   Toplam atalet (inertia) = 0.683   |   Boyut sayisi = 2   (type x region)

>> YORUM (anlatim):
    Agac turu ile bolge arasindaki iliskiyi gorsel bir haritada inceledik. Karsilik getirme analizi, kategorik
    degiskenlerin kontenjans tablosunu iki boyutlu bir uzaya yerlestiriyor; haritada birbirine yakin cikan tur-bolge
    ciftleri birlikte gorulme egilimindedir. Toplam atalet 0.683 -- yani tur ve bolge arasinda kayda deger bir bag
    var ve bu iki boyutta ozetleniyor. Pratikte bu harita cok ogretici: hangi turun hangi bolgeyle ozdeslestigini,
    yani turlerin ekolojik dagilim oruntusunu bir bakista gosteriyor. Tur-bolge yakinliklari, dogal yayilim
    alanlarini ve agaclandirmada bolgeye uygun tur secimini planlamak icin dogrudan kullanilabilir.

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

#38  Variable Clustering (VARCLUS)
    dosya: 38_varclus_forest_measurements_18_item.xlsx
  >> SENARYO (anlatim):
    Elimizde 18 govde/yaprak/kok olcumu var (trunk_M1..M6, leaf_M1..M6, root_M1..M6). Bu degiskenlerin
    cogu birbiriyle yuksek iliskili; hepsini bir modele koymak coklu-dogrusal baglantiya yol acar. Degisken
    kumeleme (VARCLUS), olcumleri korelasyon yapisina gore kumelere ayirir ve her kumeden bir temsilci secer;
    boylece 18 degiskeni birkac bagimsiz boyuta indirip veri azaltma yapariz.
  >> DEGISKEN SECIMI:
    - Sayisal degiskenler: trunk_M1..trunk_M6, leaf_M1..leaf_M6, root_M1..root_M6 (18 olcum)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    18 olcum (trunk/leaf/root M1-M6)  ->  3 kume   |   n = 250
    Her kumeden bir temsilci secildi (orn. trunk_M6, ...)

>> YORUM (anlatim):
    Elimizde 18 govde, yaprak ve kok olcumu vardi; cogu birbiriyle yuksek iliskili, hepsini bir modele koymak
    coklu-dogrusal baglantiya yol acardi. Degisken kumeleme, bu 18 olcumu korelasyon yapilarina gore uc dogal
    kumeye ayirdi ve her kumeden o kumeyi en iyi temsil eden bir degisken secti. Boylece 18 degiskeni uc bagimsiz
    boyuta indirgedik. Pratik faydasi acik: bundan sonraki analizlerde 18 olcumu tek tek kullanmak yerine, secilen
    uc temsilciyi kullanabiliriz -- hem multikolineerligi onleriz hem modeli sadelestiririz, bilgi kaybi ise minimum
    olur. Bu, veri azaltmanin klasik ve guclu bir yoludur.

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

#39  Linear Regression
    dosya: 39_lineer_regression_biomass.xlsx
  >> SENARYO (anlatim):
    Agac biyokutlesini (biomass_kg) tahmin eden bir model kurmak istiyoruz. Aday yordayicilar: cap (dbh_cm),
    boy (height_m), yas (age_year) ve toprak pH'i (soil_pH). Coklu dogrusal regresyon, her yordayicinin
    biyokutleye katkisini (B katsayisi) digerleri sabitken verir ve modelin acikladigi varyansi (R2) gosterir:
    biyokutleyi en cok cap mi belirliyor, model ne kadar guclu?
  >> DEGISKEN SECIMI:
    - Bagimli (sonuc) degisken: biomass_kg
    - Yordayicilar: dbh_cm, height_m, age_year, soil_pH

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R² = 0.954   Duz. R² = 0.953   F = 1523.4   p < .001 ***   (n = 300)
    biomass_kg ~ dbh_cm + height_m + age_year + soil_pH

>> YORUM (anlatim):
    Agac biyokutlesini tahmin eden bir model kurduk. Sonuc olaganustu guclu: model, biyokutledeki degiskenligin
    yuzde 95'ini (R² = 0.954) acikliyor. F = 1523, p binde birin cok altinda -- model butun olarak son derece
    anlamli. Bu yuksek R², ormancilikta beklenen bir sonuc: biyokutle, agacin cap, boy ve yasinin neredeyse
    belirleyici bir fonksiyonu. Pratik degeri cok yuksek: bu denklemle, bir agaci kesmeden, sadece capini, boyunu
    ve yasini olcup biyokutlesini yuzde 95 dogrulukla tahmin edebiliriz. Karbon stogu hesaplamalarindan hasat
    planlamasina kadar bu tur alometrik modeller ormanciligin temel araclarindandir.

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

#40  Logistic Regression
    dosya: 40_logistic_regression_disease.xlsx
  >> SENARYO (anlatim):
    Bir agacin hastalanip hastalanmayacagini (disease: 0/1) ongoren faktorleri ariyoruz: yas (age),
    stres skoru (stress_score) ve toprak nemi (moisture_pct). Sonuc ikili oldugundan lojistik regresyon
    uygundur: her yordayicinin olasiliga etkisini odds orani (OR) olarak verir. Stres skoru arttikca
    hastalik olasiligi anlamli olarak artiyor mu, nem koruyucu mu?
  >> DEGISKEN SECIMI:
    - Bagimli (ikili) degisken: disease
    - Yordayicilar: age, stress_score, moisture_pct

  >> 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 R² = 0.21   model anlamli (p < .001)   n = 400
    disease ~ age + stress_score + moisture_pct

>> YORUM (anlatim):
    Bir agacin hastalanma olasiligini ongoren faktorleri lojistik regresyonla aradik: yas, stres skoru ve toprak
    nemi. Model butun olarak anlamli (p < .001) ve McFadden sozde-R² 0.21 -- lojistik modeller icin bu iyi bir
    uyum (klasik R² ile karistirilmamali; lojistikte 0.2-0.4 zaten guclu kabul edilir). Yordayicilar arasinda
    ozellikle stres skoru, hastalik olasiligini artiran en belirgin etken olarak one cikiyor; nem ise koruyucu
    yonde. Pratikte bu model bir erken uyari araci gibi calisabilir: yuksek stresli, dusuk nemli kosullardaki
    agaclar hastalik acisindan oncelikli izlemeye alinabilir.

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

#41  Count Regression (Poisson / Negative Binomial)
    dosya: 41_poisson_negbin_insect_sayim.xlsx
  >> SENARYO (anlatim):
    Her deneme parselindeki bocek sayisini (insect_count) modelliyoruz. Sayim verisi negatif olmayan
    tam sayilardan olustugu icin dogrusal regresyon uygun degil; Poisson / Negatif Binom regresyonu uygundur.
    Yordayicilar bitki zenginligi (plant_richness), sicaklik (temperature_C) ve nem (moisture_pct). exp(B) =
    olay hizi orani (IRR): sicaklik arttikca bocek sayisi kac kat artiyor? (Asiri yayilim varsa Negatif Binom.)
  >> DEGISKEN SECIMI:
    - Bagimli (sayim) degisken: insect_count
    - Yordayicilar: plant_richness, temperature_C, moisture_pct

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Poisson GLM   AIC = 1392.4   Deviance = 246.9   |   IRR tablosu (exp(coef))
    insect_count ~ plant_richness + temperature_C + moisture_pct

>> YORUM (anlatim):
    Her deneme parselindeki bocek sayisini modelledik. Sayim verisi -- negatif olmayan tam sayilar -- oldugu icin
    dogrusal regresyon degil, Poisson regresyonu kullandik. Modelin verdigi en sezgisel cikti, her yordayicinin
    olay hizi orani (IRR = exp(coef)): bir degisken bir birim arttiginda bocek sayisinin kac kat degistigi.
    Sicaklik, bocek yoguntugunu artiran en belirgin etken olarak one cikiyor; bitki zenginligi ve nem de katki
    sagliyor. Pratikte bu, hangi parsellerin bocek istilasi acisindan riskli oldugunu ongormeye yarar: sicak ve
    uygun nemli alanlar izlemede oncelik kazanir. (Asiri yayilim varsa Negatif Binom'a gecmek daha dogru olur.)

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

#42  Multinomial Logistic Regression
    dosya: 42_multinomial_forest_type_preference.xlsx
  >> SENARYO (anlatim):
    Ziyaretcilerin tercih ettigi orman tipini (preference_forest -- sirasiz 3+ kategori) yas (age) ve
    egitim suresi (education_year) ile ongormeye calisiyoruz. Sonuc ikiden fazla ve sirasiz oldugundan
    multinomial lojistik regresyon uygundur: her non-referans kategori icin ayri bir denklem kurar ve
    yas/egitimin tercih olasiligini nasil degistirdigini gosterir.
  >> DEGISKEN SECIMI:
    - Bagimli (3+ sirasiz kategori): preference_forest
    - Yordayicilar: age, education_year

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Multinomial Logit   AIC = 600.3   |   Referans sinif: 'leaved'
    preference_forest (3+ sirasiz) ~ age + education_year

>> YORUM (anlatim):
    Ziyaretcilerin tercih ettigi orman tipini -- sirasiz, ucten fazla kategori -- yas ve egitim suresiyle ongormeye
    calistik. Sonuc ikiden fazla ve sirasiz oldugu icin multinomial lojistik regresyon kullandik; bu yontem, her
    non-referans kategori icin ayri bir denklem kurar. "Leaved" referans alinarak, yas ve egitimin diger orman
    tiplerini tercih etme sansini nasil degistirdigi okunur. Pratikte bu, rekreasyon planlamasinda demografik
    hedeflemeye imkan verir: orn. egitim duzeyi arttikca belirli bir orman tipine yonelim varsa, o profile uygun
    alanlar one cikarilabilir.

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

#43  Ordinal Logistic Regression
    dosya: 43_ordinal_logistic_health_level.xlsx
  >> SENARYO (anlatim):
    Agac saglik duzeyini (health_level -- sirali: dusuk < orta < yuksek gibi) yas (age), yillik yagis
    (annual_precipitation) ve hasar skoru (damage_score) ile ongoruyoruz. Sonuc sirali oldugundan ordinal
    lojistik regresyon (kumulatif logit) uygundur: hasar skoru arttikca daha dusuk saglik duzeyine kayma
    olasiligi nasil degisiyor, yagis koruyucu mu?
  >> DEGISKEN SECIMI:
    - Bagimli (sirali kategori): health_level
    - Yordayicilar: age, annual_precipitation, damage_score

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Ordinal (Cumulative) Logit   AIC = 407.3   |   sirali: excellent < good < medium < weak
    health_level ~ age + annual_precipitation + damage_score

>> YORUM (anlatim):
    Agac saglik duzeyini -- sirali bir degisken -- yas, yillik yagis ve hasar skoruyla modelledik. Sonuc sirali
    oldugu icin ordinal lojistik regresyon (kumulatif logit) kullandik. Bu model, "X bir birim artinca daha
    yuksek bir saglik kategorisine gecme sansi kac kat degisir" sorusuna yanit verir. Beklendigi gibi hasar skoru,
    daha dusuk saglik duzeyine kaymanin en guclu yordayicisi; yagis ise koruyucu yonde. Orantisal sanslar varsayimi
    altinda, tek bir katsayi seti tum saglik esiklerini aciklar -- bu da yorumu sadelestirir. Pratikte hasar ve
    kuraklik izlemesi, saglik bozulmasini erkenden ongormek icin kullanilabilir.

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

#44  PLS Regression
    dosya: 44_pls_spectral_chlorophyll.xlsx
  >> SENARYO (anlatim):
    Yaprak klorofil icerigini (chlorophyll_ug_g) 12 spektral dalga bandindan (wave_1..wave_12) tahmin etmek
    istiyoruz. Bantlar birbiriyle yuksek iliskili (multikolineer) ve sayilari gozlemlere gore fazla; klasik
    regresyon kararsiz olur. PLS regresyonu, yordayicilari sonuca en cok iliskili bilesenlere indirgeyerek
    bu sorunu cozer: spektral imza, klorofili ne kadar dogru ongoruyor?
  >> DEGISKEN SECIMI:
    - Bagimli (sonuc) degisken: chlorophyll_ug_g
    - Yordayicilar (spektral): wave_1 .. wave_12

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    PLS (2 bilesen)   R²_egitim = 0.973   R²_CV (5-kat) = 0.968
    chlorophyll_ug_g ~ wave_1 .. wave_12 (spektral)

>> YORUM (anlatim):
    Yaprak klorofil icerigini 12 spektral banttan tahmin etmek istedik. Bantlar birbiriyle yuksek iliskili ve
    sayica fazla oldugu icin klasik regresyon kararsiz olurdu; PLS regresyonu bu sorunu, yordayicilari sonuca en
    cok iliskili bilesenlere indirgeyerek cozdu. Sonuc mukemmel: sadece iki bilesenle model, egitim verisinde
    varyansin yuzde 97'sini acikliyor ve -- asil onemlisi -- 5-kat capraz-gecerlemede de yuzde 96.8'i koruyor.
    Bu, modelin ezberlemedigini, gercekten genellenebilir oldugunu gosterir. Pratik degeri buyuk: yaprak
    spektrumuyla, tahribatsiz ve hizli sekilde klorofil -- yani fotosentez kapasitesi ve agac sagligi -- tahmin
    edilebilir. Uzaktan algilama ve hassas ormancilik icin guclu bir arac.

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

#45  Probit Regression (Doz-Yanit)
    dosya: 45_probit_herbisit_dose_response.xlsx
  >> SENARYO (anlatim):
    Bir herbisitin yabani ot uzerindeki doz-yanit iliskisini inceliyoruz: artan log-doz (dose_log_mgL)
    karsisinda otun olup olmadigi (died: 0/1). Toksikoloji ve doz-yanit calismalarinin standardi probit
    regresyondur (normal-CDF baglanti): doz arttikca olum olasiligi nasil yukseliyor, etkili doz (orn. LD50)
    nedir? Sicaklik (temperature) ek kovaryat olarak modele alinabilir.
  >> DEGISKEN SECIMI:
    - Bagimli (ikili) degisken: died
    - Yordayici (doz): dose_log_mgL
    - Ek kovaryat: temperature

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Probit   AIC = 203.8   Pseudo R² (McFadden) = 0.43   |   marjinal etkiler raporlandi
    died ~ dose_log_mgL + temperature

>> YORUM (anlatim):
    Bir herbisitin yabani ot uzerindeki doz-yanit iliskisini inceledik: artan log-doz karsisinda otun olup
    olmamasi. Toksikoloji ve doz-yanit calismalarinin standardi probit regresyondur (normal-CDF baglanti).
    Model guclu: McFadden sozde-R² 0.43, lojistik/probit olceginde cok iyi bir uyum. Doz, beklendigi gibi olum
    olasiligini belirgin sekilde artiriyor; sicaklik da etkiyi modulluyor. Probit'in en degerli ciktisi etkili
    dozdur (orn. LD50 -- populasyonun yarisini etkileyen doz): bu, herbisit uygulamasinda dogru dozaji belirlemek
    icin dogrudan kullanilan, pratik bir esik degeridir.

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

#46  Tobit Regression (Sansurlu)
    dosya: 46_tobit_conservation_expenditure_zero_accumulation.xlsx
  >> SENARYO (anlatim):
    Belediyelerin orman koruma harcamasini (conservation_expenditure_TL) modelliyoruz; ancak cogu
    belediye hic harcama yapmadigi icin degisken sifirda yigiliyor (sol-sansurlu). Sifirlari normal
    sayiymis gibi ele alirsak yanli tahmin elde ederiz. Tobit regresyonu, sifir yigilmasini acikca
    modelleyerek butce (budget_TL), orman yasi (forest_age) ve farkindalik skorunun (awareness_score)
    harcama uzerindeki gercek etkisini verir.
  >> DEGISKEN SECIMI:
    - Bagimli (sol-sansurlu) degisken: conservation_expenditure_TL
    - Yordayicilar: budget_TL, forest_age, awareness_score
    - Sansur siniri (alt): 0

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Tobit (sol-sansur = 0)   Log-likelihood = -2631.9   |   katsayi tablosu
    conservation_expenditure_TL ~ budget_TL + forest_age + awareness_score

>> YORUM (anlatim):
    Belediyelerin orman koruma harcamasini modelledik; ama bir tuzak vardi: cogu belediye hic harcama yapmadigi
    icin degisken sifirda yigiliyordu (sol-sansurlu). Sifirlari normal sayiymis gibi ele alan dogrusal regresyon
    yanli tahmin verirdi. Tobit regresyonu, sifir yigilmasini acikca modelleyerek bu sorunu cozdu. Sonuclar,
    butce, orman yasi ve farkindalik skorunun harcama uzerindeki gercek etkisini gosteriyor: ozellikle butce ve
    farkindalik, harcamayi artiran yonde. Pratikte bu, hangi etkenlerin koruma yatirimini tetikledigini ortaya
    koyar -- politika tasariminda farkindalik artirmaya yatirim yapmanin harcama uzerindeki carpan etkisi gibi.

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

#47  Bayesian Linear Regression
    dosya: 47_bayesian_lineer_fertilizer_yield.xlsx
  >> SENARYO (anlatim):
    Fidan verimini (seedling_yield) gubre dozlari (azot, fosfor, potasyum) ve iklim (sicaklik, yagis)
    ile modelliyoruz; ama klasik p-degeri yerine her katsayinin tam olasilik dagilimini istiyoruz.
    Bayesci dogrusal regresyon, her etki icin guvenilirlik araligi (credible interval) ve P(B>0)
    verir: orn. "azotun verimi artirma olasiligi %98" gibi dogrudan yorumlanabilir ifadeler.
  >> DEGISKEN SECIMI:
    - Bagimli (sonuc) degisken: seedling_yield
    - Yordayicilar: nitrogen_kg_ha, phosphorus_kg_ha, potassium_kg_ha, temperature_C, precipitation_mm

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Bayesci dogrusal (konjugat NIG prior)   her β icin: posterior ort., %95 guvenilirlik araligi, P(β>0)
    seedling_yield ~ azot + fosfor + potasyum + sicaklik + yagis

>> YORUM (anlatim):
    Fidan verimini gubre dozlari ve iklimle modelledik; ama klasik p-degeri yerine her etkinin tam olasilik
    dagilimini istedik. Bayesci dogrusal regresyon, her katsayi icin bir guvenilirlik araligi (credible interval)
    ve P(β>0) veriyor. Bunun guzelligi yorumda: "azotun verimi artirma olasiligi yuzde 98" gibi dogrudan, sezgisel
    ifadeler kurabiliyoruz -- p-degerinin dolayli mantigina gerek kalmadan. Besin ogeleri (ozellikle azot)
    verim uzerinde guclu pozitif posterior olasilik gosteriyor. Pratikte bu, gubreleme kararlarini belirsizligi de
    acikca ifade ederek desteklemeye imkan verir; ozellikle az veriyle calisirken Bayesci yaklasim daha kararli sonuc verir.

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

#48  Nonlinear Regression (Gompertz Buyume)
    dosya: 48_nonlinear_gompertz_age_dbh.xlsx
  >> SENARYO (anlatim):
    Agac capinin (dbh_cm) yasa (age_year) gore buyumesi dogrusal degildir: genclikte hizli, sonra
    yavaslayip bir asimptota oturur. Bu S-bicimli buyumeyi dogrusal modelle yakalayamayiz; Gompertz
    gibi dogrusal olmayan bir buyume egrisi uygundur. Dogrusal olmayan regresyon, bu kalibin
    parametrelerini (asimptot, buyume hizi) veriye uyarlar: mescere hangi yasta olgunluga yaklasiyor?
  >> DEGISKEN SECIMI:
    - Bagimli (sonuc) degisken: dbh_cm
    - Yordayici (zaman): age_year
    - Model: Gompertz (sigmoid buyume)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gompertz: y = a·exp(-b·exp(-c·x))   R² = 0.9921   RMSE = 1.52
    dbh_cm ~ age_year

>> YORUM (anlatim):
    Agac capinin yasa gore buyumesi dogrusal degildir: genclikte hizli, sonra yavaslayip bir asimptota oturur.
    Bu S-bicimli buyumeyi dogrusal modelle yakalayamayiz; Gompertz egrisini uyarladik. Sonuc olaganustu iyi: model,
    capdaki degiskenligin yuzde 99'unu acikliyor (R² = 0.9921), hata payi cok dusuk. Gompertz'in parametreleri
    biyolojik olarak anlamli: asimptot, mescerenin ulasabilecegi maksimum capi; buyume hizi parametresi ise olgunluga
    ne kadar hizli yaklasildigini verir. Pratikte bu egri cok degerli: bir agacin yasini bilerek capini, ya da
    mescerenin hangi yasta olgunluga yaklasacagini tahmin edebiliriz -- idare suresi ve hasat zamani planlamasinin temeli.

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

#49  Ridge Regression
    dosya: 49_ridge_multikolineer_biomass.xlsx
  >> SENARYO (anlatim):
    Biyokutleyi (biomass) 15 toprak degiskeniyle (soil_1..soil_15) tahmin etmek istiyoruz; ancak bu
    degiskenler birbiriyle yuksek iliskili (multikolineer), klasik regresyon katsayilari kararsiz ve
    sismis olur. Ridge regresyonu (L2 cezasi), buyuk katsayilari kuculterek bu kararsizligi giderir ve
    multikolineerlik altinda daha guvenilir, genellenebilir bir model verir.
  >> DEGISKEN SECIMI:
    - Bagimli (sonuc) degisken: biomass
    - Yordayicilar: soil_1 .. soil_15
    - Yontem: Ridge (L2)

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Ridge (α = 1.0)   R² = 0.508   Duz. R² = 0.468   (n = 200)
    biomass ~ soil_1 .. soil_15 (multikolineer)

>> YORUM (anlatim):
    Biyokutleyi 15 toprak degiskeniyle tahmin etmek istedik; ama bu degiskenler birbiriyle yuksek iliskili
    (multikolineer), klasik regresyon katsayilari kararsiz ve sismis olurdu. Ridge regresyonu (L2 cezasi), buyuk
    katsayilari kuculterek bu kararsizligi giderdi. R² = 0.51 -- toprak degiskenleri biyokutlenin yaklasik
    yarisini acikliyor. Ridge'in onemli ozelligi: hicbir degiskeni tamamen elemiyor, hepsini birlikte tutarak
    multikolineerlik altinda dengeli, genellenebilir bir model veriyor. Pratikte cok sayida iliskili toprak
    olcumunden saglam bir tahmin elde etmek icin dogru tercih; tek tek degiskenleri yorumlamak yerine model
    butununun kararliligi on planda.

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

#50  Lasso Regression (Degisken Secimi)
    dosya: 50_lasso_30_predictor_5_significant.xlsx
  >> SENARYO (anlatim):
    Elimizde 30 aday yordayici (x1..x30) var ama bunlardan yalnizca birkacinin hedefi (target) gercekten
    etkiledigini dusunuyoruz. Lasso regresyonu (L1 cezasi), onemsiz degiskenlerin katsayilarini tam olarak
    sifira ceker; yani otomatik degisken secimi yapar. Boylece 30 degisken icinden gercekten anlamli olan
    yordayicilari sade, yorumlanabilir bir modelde ortaya cikariyoruz.
  >> DEGISKEN SECIMI:
    - Bagimli (sonuc) degisken: target
    - Yordayicilar: x1 .. x30
    - Yontem: Lasso (L1, degisken secimi)

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Lasso (α = 0.1)   R² = 0.883   Duz. R² = 0.867   |   30 degiskenden 23'u sifirlandi -> 7 secildi
    target ~ x1 .. x30

>> YORUM (anlatim):
    Otuz aday yordayicimiz vardi ama yalnizca birkacinin hedefi gercekten etkiledigini dusunuyorduk. Lasso
    regresyonu (L1 cezasi) tam bunu yapti: onemsiz degiskenlerin katsayilarini tam sifira cekerek otomatik degisken
    secimi gerceklestirdi. Sonuc carpici: 30 degiskenden 23'unu eledi, geriye gercekten anlamli 7 yordayici kaldi
    -- ve bu sade model varyansin yuzde 88'ini aciklamayi surdurdu. Lasso'nun gucu burada: yuzlerce aday arasindan
    "sinyali" "gurultu"dan ayirip yorumlanabilir, ozlu bir model cikariyor. Yuksek boyutlu ormancilik/cevre
    verilerinde -- onlarca spektral bant, toprak parametresi -- hangi degiskenlerin gercekten onemli oldugunu
    bulmanin en pratik yollarindan biri.

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

#51  Mediation Analysis
    dosya: 51_mediation_stress_growth_drying.xlsx
  >> SENARYO (anlatim):
    Cevresel stresin (stress) agacta kurumaya (drying_score) yol actigini biliyoruz; ama bu etki dogrudan
    mi, yoksa once buyumeyi yavaslatip (growth_slowdown) sonra mi kurumaya yol aciyor? Aracilik (mediation)
    analizi, stresin kuruma uzerindeki toplam etkisini dogrudan ve dolayli (buyume yavaslamasi uzerinden)
    bilesenlere ayirir: buyume yavaslamasi, stres-kuruma iliskisini ne kadar aciklayan bir aracidir?
  >> DEGISKEN SECIMI:
    - Bagimsiz (X): stress
    - Araci (M): growth_slowdown
    - Bagimli (Y): drying_score

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dolayli etki (X->M->Y) = 0.3195   SE = 0.035   p < .001   %95 GA = (0.255, 0.393)   ANLAMLI
    stress -> growth_slowdown -> drying_score

>> YORUM (anlatim):
    Cevresel stresin agacta kurumaya yol actigini biliyorduk; ama bu etki dogrudan mi, yoksa once buyumeyi
    yavaslatip sonra mi kurumaya yol aciyor? Aracilik analizi tam bunu cozdu. Dolayli etki -- yani stresin once
    buyumeyi yavaslatip onun uzerinden kurumayi tetiklemesi -- 0.32 ve istatistiksel olarak anlamli; guven araligi
    tamamen sifirin uzerinde (0.255-0.393). Yani buyume yavaslamasi, stres-kuruma iliskisinin gercek bir aracisi.
    Pratik anlami onemli: kurumayla mucadele ederken sadece stresi degil, stresin buyume uzerindeki etkisini de
    hedeflemek gerekir -- orn. stres altindaki agaclarda buyumeyi destekleyen mudahaleler, kuruma zincirini
    erken kirabilir.

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

#52  Path / Structural Model
    dosya: 52_path_structural_health_model.xlsx
  >> SENARYO (anlatim):
    Agac sagligini (health_index) etkileyen birbirine bagli surecleri tek bir modelde sinamak istiyoruz:
    su durumu (water_status) ve besin durumu (nutrient_status), fizyolojik endeksi (physiological_index)
    etkiliyor; o da sagligi belirliyor. Yol (path) analizi, bu zincirleme/dogrudan iliskileri ayni anda
    tahmin eder ve hangi yolun en guclu oldugunu, modelin veriye uyumunu gosterir.
  >> DEGISKEN SECIMI:
    - Degiskenler: water_status, nutrient_status, physiological_index, health_index
    - Model: yol diyagrami (water/nutrient -> physiological -> health)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    χ² = 24.78 (p < .001)   CFI = 0.926   TLI = 0.882   RMSEA = 0.126
    yol: (water, nutrient) -> physiological_index -> health_index

>> YORUM (anlatim):
    Agac sagligini etkileyen birbirine bagli surecleri tek bir modelde sinadik: su ve besin durumu, fizyolojik
    endeksi besliyor; o da sagligi belirliyor. Yol analizi bu zincirleme iliskileri ayni anda tahmin etti. Uyum
    endeksleri makul: CFI 0.93 ile iyi siniri yakaliyor, RMSEA 0.13 ise orta duzeyde bir uyum gosteriyor. Yollar
    anlamli; modelin one surdugu zincir -- kaynaklarin once fizyolojiyi, fizyolojinin de sagligi etkilemesi --
    veriyle buyuk olcude tutarli. Pratikte bu, agac sagligini dogrudan degil, ardisik surecler uzerinden ele
    almanin daha dogru oldugunu gosterir: saglik sorunlarinin koku, cogu zaman su/besin ve fizyolojik kapasitede yatar.

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

#53  Linear Mixed Model (LMM)
    dosya: 53_lmm_tree_panel_dbh.xlsx
  >> SENARYO (anlatim):
    Ayni agaclarin (tree_id) capi (dbh_cm) birkac yil boyunca (year_t0_t3) ve uygulama (treatment) altinda
    olculdu. Olcumler ayni bireyden tekrarli geldigi icin bagimsizlik ihlali var; klasik regresyon yanli
    olur. Dogrusal karma model (LMM), agaci rastgele etki olarak alir, boylece birey-ici korelasyonu
    modelleyip uygulamanin sabit etkisini dogru tahmin eder.
  >> DEGISKEN SECIMI:
    - Bagimli (surekli) degisken: dbh_cm
    - Sabit etki: treatment, year_t0_t3
    - Rastgele etki (gruplama): tree_id

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

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Grup = tree_id (60 agac)   |   Grup varyansi = 7.75   Hata varyansi = 0.27   ICC = 0.967
    dbh_cm ~ treatment + year_t0_t3 + (1 | tree_id)

>> YORUM (anlatim):
    Ayni 60 agacin capi birkac yil boyunca, uygulama altinda izlendi. Olcumler ayni bireyden tekrarli geldigi
    icin bagimsizlik ihlali vardi; klasik regresyon yanli olurdu. LMM, agaci rastgele etki olarak aldi ve carpici
    bir sonuc verdi: ICC = 0.97. Bu, cap degiskenliginin neredeyse tamaminin (yuzde 97) agaclar ARASI farktan
    geldigini, ayni agacin yil-ici olcumlerinin cok tutarli oldugunu gosterir. Boylesine yuksek bir ICC, mixed
    modeli zorunlu kilar -- bu korelasyonu yok saymak standart hatalari ciddi sekilde carpitirdi. Model, bu yapiyi
    dogru kurarak uygulamanin sabit etkisini guvenle tahmin etti.

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

#54  Multiple Imputation (Eksik Veri)
    dosya: 54_imputation_missing_inventory.xlsx
  >> SENARYO (anlatim):
    Orman envanterinde bazi agaclarin cap, boy, yas veya biyokutle olcumleri eksik. Eksik satirlari silmek
    (listwise) hem orneklemi kucultur hem yanli sonuc verir. Coklu atama (multiple imputation), eksik degerleri
    diger degiskenlerden tahminle birkac kez doldurur, her seti analiz edip sonuclari birlestirir; boylece
    belirsizligi de hesaba katan, eksiksiz ve yansiz bir tahmin elde ederiz.
  >> DEGISKEN SECIMI:
    - Atanacak/analiz degiskenleri: dbh_cm, height_m, age, biomass_kg

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    m = 5 atama   |   biomass_kg ~ dbh_cm + height_m + age   (eksikler dolduruldu, sonuclar havuzlandi)

>> YORUM (anlatim):
    Orman envanterinde bazi agaclarin olcumleri eksikti. Eksik satirlari silmek (listwise) hem orneklemi kucultur
    hem yanli sonuc verir. Coklu atama, eksik degerleri diger degiskenlerden bes kez tahminle doldurdu, her seti
    ayri analiz edip sonuclari birlestirdi. Bu yaklasimin gucu, belirsizligi de hesaba katmasi: tek bir tahminle
    doldurmak sahte bir kesinlik yaratirdi; coklu atama ise atamalar arasi degiskenligi standart hataya yansitir.
    Pratikte bu, eksik verisi olan envanterlerden -- ki sahada bu cok yaygin -- yansiz ve dogru standart hatali
    tahminler elde etmenin altin standardidir.

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

#55  GEE (Genellestirilmis Tahmin Denklemleri)
    dosya: 55_gee_panel_health_treatment.xlsx
  >> SENARYO (anlatim):
    Ayni agaclarin sagligi (health -- ikili: saglikli/hasta) ardisik ziyaretlerde (visit) ve uygulama
    (treatment) altinda izlendi. Tekrarli ikili sonuclarda birey-ici korelasyon var; GEE, populasyon-duzeyi
    (marjinal) etkileri bu korelasyonu calisma-robust hata ile duzelterek tahmin eder: uygulama, saglikli
    kalma olasiligini ortalama olarak nasil degistiriyor?
  >> DEGISKEN SECIMI:
    - Bagimli (ikili) degisken: health
    - Sabit etki: treatment, visit
    - Gruplama (subje): tree_id

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    treatment[T.B]: coef = 0.83, p = 0.050   |   health (0/1) ~ treatment + visit, grup = tree_id
    KARAR: uygulama etkisi anlamlilik sininda

>> YORUM (anlatim):
    Ayni agaclarin sagligi (saglikli/hasta) ardisik ziyaretlerde, uygulama altinda izlendi. Tekrarli ikili
    sonuclarda birey-ici korelasyon vardir; GEE, populasyon-duzeyi (marjinal) etkileri bu korelasyonu calisma-robust
    hatayla duzelterek tahmin eder. Uygulamanin etkisi anlamlilik sininda (p = 0.050): B uygulamasi, saglikli kalma
    sansini referansa gore artiriyor ama kanit esikte. GEE'nin tercih nedeni onemli: tekrarli olcumleri bagimsizmis
    gibi ele alsaydik, standart hatalar yaniltici olur, sahte bir kesinlik elde ederdik. Marjinal yorum, "ortalama bir
    agacta uygulama saglik olasiligini nasil degistirir" sorusuna dogru yaniti verir.

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

#56  GLMM (Genellestirilmis Dogrusal Karma Model)
    dosya: 56_glmm_site_panel_insect.xlsx
  >> SENARYO (anlatim):
    Bocek sayisi (insect_count -- sayim verisi) farkli sahalarda (site_id) zaman icinde (time) ve yagisa
    (precipitation) bagli izlendi. Hem sayim dagilimi hem de saha-ici tekrarli olcum var; GLMM, sayim icin
    Poisson baglantisi kurarken sahayi rastgele etki alir. Boylece yagisin bocek yoguntuguna sabit etkisini,
    saha farkliliklarini da modelleyerek dogru tahmin eder.
  >> DEGISKEN SECIMI:
    - Bagimli (sayim) degisken: insect_count
    - Sabit etki: precipitation, time
    - Rastgele etki (gruplama): site_id

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Poisson GLMM   insect_count ~ precipitation + time + (1 | site_id)
    (sayim dagilimi + saha rastgele etkisi modellendi)

>> YORUM (anlatim):
    Bocek sayisi farkli sahalarda zaman icinde, yagisa bagli izlendi. Burada iki zorluk bir aradaydi: sayim
    dagilimi (negatif olmayan tam sayilar) ve saha-ici tekrarli olcum. GLMM ikisini birden cozdu: sayim icin
    Poisson baglantisi kurarken, sahayi rastgele etki olarak aldi. Boylece yagisin bocek yoguntuguna sabit etkisini,
    sahalar arasi farkliliklari da modelleyerek dogru tahmin ettik. Pratikte bu, "yagis arttikca bocek sayisi nasil
    degisir" sorusunu, sahalarin kendi taban duzeylerini hesaba katarak yanitlamamizi saglar -- coklu sahali izleme
    calismalarinin dogru analiz yolu budur.

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

#57  Regularized Regression (Elastic Net)
    dosya: 57_regularized_elastic_net.xlsx
  >> SENARYO (anlatim):
    Hedefi (target) 25 ozellikle (f1..f25) tahmin ediyoruz; degiskenler hem cok sayida hem birbiriyle iliskili.
    Lasso tek basina iliskili degiskenlerden birini secip otekini atar; Ridge ise hicbirini elemez. Elastic Net,
    L1 ve L2 cezalarini birlestirerek hem degisken secer hem iliskili gruplari birlikte tutar; yuksek boyutlu,
    multikolineer veride en dengeli secimdir.
  >> DEGISKEN SECIMI:
    - Bagimli (sonuc) degisken: target
    - Yordayicilar: f1 .. f25
    - Yontem: Elastic Net (L1+L2)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Elastic Net   α = 0.080   R²_egitim = 0.897   R²_CV = 0.861   (target ~ f1..f25)

>> YORUM (anlatim):
    Hedefi 25 ozellikle tahmin ettik; degiskenler hem cok sayida hem birbiriyle iliskiliydi. Lasso tek basina
    iliskili degiskenlerden birini secip otekini atar; Ridge ise hicbirini elemez. Elastic Net, L1 ve L2 cezalarini
    birlestirerek hem degisken secti hem iliskili gruplari birlikte tuttu. Sonuc saglam: egitimde R² 0.90, capraz-
    gecerlemede 0.86 -- yani model ezberlemiyor, genelleniyor. Yuksek boyutlu, multikolineer veride Elastic Net en
    dengeli secimdir: Lasso'nun sadeligiyle Ridge'in kararliligini birlestirir. Cevre ve uzaktan algilama
    verilerinde, iliskili ozellik gruplariyla calisirken ideal bir yontemdir.

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

#58  Robust Regression
    dosya: 58_robust_regression_outlier_height.xlsx
  >> SENARYO (anlatim):
    Agac boyunu (height_m) yasa (age_year) gore modelliyoruz; ancak veride birkac asiri uc deger (orn.
    olcum hatasi ya da anormal birey) var. Klasik EKK regresyonu uc degerlerden cok etkilenir ve egim
    yaniltici olur. Robust (saglam) regresyon, uc degerlerin agirligini azaltarak verinin ana egilimine
    sadik, dayanikli bir model verir.
  >> DEGISKEN SECIMI:
    - Bagimli (sonuc) degisken: height_m
    - Yordayici: age_year
    - Yontem: robust (M-tahmin)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Huber-T M-tahminleyici   N = 100   |   8 gozlem outlier olarak agirligi dusuruldu (w < 0.5)
    height_m ~ age_year

>> YORUM (anlatim):
    Agac boyunu yasa gore modelledik; ama veride birkac asiri uc deger vardi -- olcum hatasi ya da anormal birey.
    Klasik EKK regresyonu uc degerlerden cok etkilenir ve egim yaniltici olur. Robust regresyon (Huber-T), uc
    degerlerin agirligini azaltarak verinin ana egilimine sadik kaldi: yuz gozlemden 8'i outlier olarak tespit edilip
    agirligi dusuruldu. Pratik degeri buyuk: saha verilerinde olcum hatalari kacinilmazdir; robust yontemler, birkac
    hatali kaydin tum modeli bozmasini engeller. Robust ile EKK katsayilari arasinda buyuk fark cikmasi, outlier'larin
    klasik modeli ne kadar etkiledigini de gosterir -- bu durumda robust tahmin daha guvenilirdir.

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

#59  Quantile Regression
    dosya: 59_quantile_forest_worker_income.xlsx
  >> SENARYO (anlatim):
    Orman iscilerinin gelirini (monthly_income_TL) egitim (education_year) ve deneyimle (experience_year)
    modelliyoruz; ama ortalamadan cok dagilimin uclarini merak ediyoruz. Klasik regresyon yalnizca ortalamayi
    verir. Kantil regresyonu, dusuk-gelirli (orn. 0.10 kantil) ve yuksek-gelirli (0.90 kantil) iscilerde
    egitimin etkisinin nasil degistigini gosterir: deneyim, dusuk gelirlilerde mi daha belirleyici?
  >> DEGISKEN SECIMI:
    - Bagimli (sonuc) degisken: monthly_income_TL
    - Yordayicilar: education_year, experience_year
    - Kantiller: 0.10, 0.50, 0.90

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kantil regresyonu: q = 0.10, 0.50, 0.90   |   egitim katsayisi kantile gore degisiyor (orn. q=0.10 ~ 0.77)
    monthly_income_TL ~ education_year + experience_year

>> YORUM (anlatim):
    Orman iscilerinin gelirini egitim ve deneyimle modelledik; ama ortalamadan cok dagilimin uclarini merak
    ediyorduk. Klasik regresyon yalnizca ortalamayi verir; kantil regresyonu ise farkli gelir duzeylerinde etkinin
    nasil degistigini gosterir. Sonuclar ogretici: egitimin gelire etkisi dusuk-gelirli (q=0.10) ve yuksek-gelirli
    (q=0.90) iscilerde ayni degil -- katsayi kantile gore degisiyor. Bu, "egitim herkesin gelirini ayni olcude
    artirir" varsayimini sorgulatir; etki, gelir dagiliminin neresinde oldugunuza bagli. Politika acisindan bu cok
    degerli: bir mudahalenin dusuk gelirlileri mi yoksa yuksek gelirlileri mi daha cok etkiledigini gormek, esitlik
    odakli kararlar icin kritiktir.

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

#60  ROC Analysis
    dosya: 60_roc_biomarker_disease.xlsx
  >> SENARYO (anlatim):
    Bir biyobelirtec skorunun (biomarker_score) agac hastaligini (disease: 0/1) ne kadar iyi ayirt ettigini
    degerlendiriyoruz. ROC analizi, farkli esik degerlerde duyarlilik ve ozgulluk dengesini cizer; egri
    altindaki alan (AUC), belirtecin ayirt etme gucunu tek sayida ozetler (0.5 sans, 1.0 mukemmel). En uygun
    kesme noktasi nedir, bu belirtec tarama icin kullanilabilir mi?
  >> DEGISKEN SECIMI:
    - Skor (surekli): biomarker_score
    - Sonuc (ikili): disease

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AUC = 0.886 (iyi ayirici guc)   Optimal esik (Youden J) = 0.318   Duyarlilik = 0.875
    biomarker_score -> disease (n_+ = 112, n_- = 188)

>> YORUM (anlatim):
    Bir biyobelirtec skorunun agac hastaligini ne kadar iyi ayirt ettigini degerlendirdik. ROC analizi, farkli esik
    degerlerinde duyarlilik ve ozgulluk dengesini cizdi; egri altindaki alan (AUC) bu ayirt etme gucunu tek sayida
    ozetler. Sonuc iyi: AUC = 0.89 -- yani belirtec, hasta ve saglikli agaclari yuzde 89 olasilikla dogru siralayabiliyor
    (0.5 sans, 1.0 mukemmel). Youden J ile bulunan optimal esik 0.32 ve bu esikte duyarlilik yuzde 87.5. Pratikte bu,
    biyobelirtecin bir tarama araci olarak kullanilabilecegini gosteriyor: bu esigin uzerindeki agaclar hastalik
    acisindan riskli kabul edilip daha ayrintili incelemeye yonlendirilebilir. Esik secimi, yanlis-pozitif ve
    yanlis-negatif maliyetine gore ayarlanabilir.

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

#61  Tur Dagilim Modeli (TSS)
    dosya: 61_tss_type_distribution_model.xlsx
  >> SENARYO (anlatim):
    Bir agac turunun varligini/yoklugunu (type_varligi: 0/1) cevresel degiskenlerle -- yukseklik (elevation_m),
    yagis (precipitation_mm), sicaklik (temperature_C) -- modelliyoruz. Tur dagilim modeli, turun hangi iklim
    kosullarinda gorulme olasiliginin yuksek oldugunu tahmin eder ve TSS (True Skill Statistic) ile model
    basarisini olcer: tur, hangi rakim-iklim nisinde optimum?
  >> DEGISKEN SECIMI:
    - Bagimli (varlik/yokluk): type_varligi
    - Cevresel yordayicilar: elevation_m, precipitation_mm, temperature_C

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    TSS = 0.21 (kabul edilebilir)   Duyarlilik = 0.62   Ozgulluk = 0.58   N = 500
    type_varligi ~ elevation_m + precipitation_mm + temperature_C

>> YORUM (anlatim):
    Bir agac turunun varligini/yoklugunu cevresel degiskenlerle -- yukseklik, yagis, sicaklik -- modelledik.
    Tur dagilim modeli, turun hangi iklim kosullarinda gorulme olasiliginin yuksek oldugunu tahmin eder; basariyi
    TSS (True Skill Statistic) ile olcer. TSS = 0.21 ile model "kabul edilebilir" ama guclu degil; duyarlilik ve
    ozgulluk yuzde 60 civarinda. Bunun anlami: bu uc iklim degiskeni turun dagilimini kismen acikliyor, ama tek
    basina yeterli degil -- toprak, baki, rekabet gibi baska faktorler de devrede olabilir. Pratikte bu, modeli
    daha cok degisken veya farkli algoritmalarla zenginlestirmenin faydali olacagini soyluyor; yine de mevcut hali
    bile turun kaba iklim nisini ongormekte kullanilabilir.

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

#62  Confusion Matrix (Siniflandirma Degerlendirme)
    dosya: 62_confusion_matris_3sinif_diagnosis.xlsx
  >> SENARYO (anlatim):
    Bir tani modelinin uc saglik sinifindaki (actual_label vs prediction_label) performansini degerlendiriyoruz.
    Karisiklik matrisi, gercek ve tahmin edilen siniflari capraz tabloda gosterir; buradan dogruluk, kesinlik,
    duyarlilik ve F1 gibi metrikler hesaplanir: model hangi siniflari karistiriyor, hangi sinifta zayif?
  >> DEGISKEN SECIMI:
    - Gercek etiket: actual_label
    - Tahmin etiketi: prediction_label

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Accuracy = 0.94   Precision = 0.87   F1 = 0.93   (3 saglik sinifi)
    actual_label vs prediction_label

>> YORUM (anlatim):
    Bir tani modelinin uc saglik sinifindaki performansini degerlendirdik. Karisiklik matrisi, gercek ve tahmin
    edilen siniflari capraz tabloda gosterir; oradan tum metrikler hesaplanir. Sonuc cok iyi: dogruluk yuzde 94,
    F1 skoru 0.93. Yani model siniflarin buyuk cogunlugunu dogru tahmin ediyor, hem kesinlik hem geri-cagirma
    yuksek dengeli. Karisiklik matrisinin asil degeri, modelin HANGI siniflari karistirdigini gostermesidir: yuksek
    genel dogruluga ragmen belirli bir sinifta hata yogunlasiyorsa, oraya odaklanmak gerekir. Bu yuksek skorlar,
    modelin saha tanisinda guvenle kullanilabilecegine isaret ediyor.

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

#63  Random Forest (Siniflandirma)
    dosya: 63_random_forest_forest_type.xlsx
  >> SENARYO (anlatim):
    Bir parselin orman tipini (forest_type) cevresel ozelliklerden -- yas, yukseklik (elevation), yagis,
    toprak pH'i, nem (moisture) -- tahmin etmek istiyoruz. Rastgele orman, yuzlerce karar agacini birlestirerek
    dogrusal olmayan iliskileri ve etkilesimleri yakalar; ayrica ozellik onemini siralar: orman tipini en cok
    hangi cevresel degisken belirliyor?
  >> DEGISKEN SECIMI:
    - Bagimli (kategori): forest_type
    - Yordayicilar: age, elevation, precipitation, pH, moisture

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Test dogrulugu = 0.838   |   forest_type ~ age + elevation + precipitation + pH + moisture
    (ozellik onem siralamasi raporlandi)

>> YORUM (anlatim):
    Bir parselin orman tipini cevresel ozelliklerden tahmin etmek istedik. Rastgele orman, yuzlerce karar agacini
    birlestirerek dogrusal olmayan iliskileri ve etkilesimleri yakalar. Test dogrulugu yuzde 83.8 -- besledigimiz
    bes cevresel degiskenle orman tipini buyuk olcude dogru siniflandiriyor. Rastgele ormanin en degerli ciktilarindan
    biri ozellik onem siralamasidir: hangi cevresel degiskenin orman tipini en cok belirledigini gosterir (genelde
    yukseklik ve yagis one cikar). Pratikte bu hem haritalama (cevresel katmanlardan orman tipi tahmini) hem de
    ekolojik anlama (hangi faktorler belirleyici) acisindan kullanilir.

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

#64  Support Vector Machine (SVM)
    dosya: 64_svm_spectral_thermal_disease.xlsx
  >> SENARYO (anlatim):
    Hastalik durumunu (disease: 0/1) spektral (spectral_1, spectral_2) ve termal (thermal_1, thermal_2)
    bantlardan ayirt etmek istiyoruz. Siniflar dogrusal olarak ayrilamiyor olabilir; SVM, cekirdek (kernel)
    donusumuyle yuksek boyutta en genis ayirma marjini olusturarak karmasik sinirlari yakalar: spektral-termal
    imza, hasta agaclari saglamlardan ne kadar iyi ayiriyor?
  >> DEGISKEN SECIMI:
    - Bagimli (ikili) degisken: disease
    - Yordayicilar: spectral_1, spectral_2, thermal_1, thermal_2

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Test dogrulugu = 0.686   F1 = 0.607   (RBF kernel)   disease ~ spectral_1/2 + thermal_1/2

>> YORUM (anlatim):
    Hastalik durumunu spektral ve termal bantlardan ayirt etmeye calistik. Siniflar dogrusal ayrilamayabilir;
    SVM, cekirdek (RBF) donusumuyle yuksek boyutta karmasik sinirlar olusturur. Test dogrulugu yuzde 68.6, F1 0.61
    -- orta duzeyde bir ayirt etme. Bunun anlami: dort bant hastalik sinyalini kismen tasiyor ama mukemmel ayirim
    icin yeterli degil; daha cok bant, daha iyi oznitelik muhendisligi ya da farkli kernel denenebilir. Yine de
    spektral-termal imzanin hastalikla bir baglantisi oldugu acik. Uzaktan algilamayla erken hastalik tespiti
    umut verici ama bu veri seti uzerinde daha fazla calisma gerektiriyor.

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

#65  Gradient Boosting
    dosya: 65_gradient_boost_fire_risk.xlsx
  >> SENARYO (anlatim):
    Yangin riskini (fire: 0/1) sicaklik, nem (moisture), ruzgar (wind), kuraklik endeksi (drought_index) ve
    bitki yogunlugundan (plant_density) tahmin ediyoruz. Gradyan artirma, zayif agaclari ardisik olarak ekleyip
    her adimda onceki hatalari duzelterek yuksek dogrulukta bir model kurar ve en riskli faktorleri siralar:
    yangini en cok hangi etken tetikliyor?
  >> DEGISKEN SECIMI:
    - Bagimli (ikili) degisken: fire
    - Yordayicilar: temperature, moisture, wind, drought_index, plant_density

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Test dogrulugu = 0.55   F1 = 0.58   |   fire ~ temperature + moisture + wind + drought_index + plant_density
    (ozellik onem siralamasi raporlandi)

>> YORUM (anlatim):
    Yangin riskini bes cevresel etkenden tahmin etmeye calistik. Gradyan artirma, zayif agaclari ardisik ekleyip her
    adimda hatalari duzelterek guclu modeller kurar. Ancak bu veri setinde test dogrulugu yuzde 55 -- sanstan biraz
    iyi ama dusuk. Bu dururst bir sonuc: yangin, dogasi geregi cok sayida etkilesimli ve stokastik faktore bagli,
    bes degiskenle tahmin etmek zor. Modelin ozellik onem siralamasi yine de degerli: en riskli etkenleri (genelde
    kuraklik ve sicaklik) one cikarir. Pratikte mesaj su: yangin riski modellemesi daha zengin veri (nem geçmisi,
    topografya, yakit yuku) ve daha fazla gozlem gerektirir; mevcut model bir baslangic noktasidir.

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

#66  K-Means Clustering
    dosya: 66_kmeans_forest_type_morfometri.xlsx
  >> SENARYO (anlatim):
    Etiket kullanmadan, agaclari morfometrik benzerliklerine gore -- cap (dbh_cm), boy (height_m), biyokutle
    (biomass_kg) -- dogal gruplara ayirmak istiyoruz. K-ortalamalar, agaclari merkezlerine en yakin kumelere
    atayarak benzer bireyleri bir araya getirir: kacar farkli "buyume tipi" var, hangi morfolojik profiller
    kumeleri ayiriyor?
  >> DEGISKEN SECIMI:
    - Kumeleme degiskenleri: dbh_cm, height_m, biomass_kg

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    3 kume   |   her kume icin dbh/height/biomass ortalamalari raporlandi   |   inertia (dirsek) egrisi
    cols: dbh_cm, height_m, biomass_kg

>> YORUM (anlatim):
    Etiket kullanmadan, agaclari morfometrik benzerliklerine gore -- cap, boy, biyokutle -- uc dogal kumeye ayirdik.
    K-ortalamalar, benzer bireyleri merkezlerine en yakin kumeye atadi. Kume ozetleri her kumenin profilini gosteriyor:
    tipik olarak bir kume kucuk/genc agaclari, biri orta, biri buyuk/olgun agaclari topluyor -- yani aslinda "buyume
    tipleri" ya da olgunluk siniflari ortaya cikiyor. Dirsek (inertia) egrisi, uc kumenin makul bir secim oldugunu
    teyit eder. Pratikte bu, mescereyi etiketsiz veriden alt-gruplara ayirmanin -- orn. silvikultur mudahalelerini
    olgunluk sinifina gore farklilastirmanin -- temelini olusturur.

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

#67  Hierarchical Clustering
    dosya: 67_hierarchical_type_protein_profili.xlsx
  >> SENARYO (anlatim):
    On protein olcumunden (protein_1..protein_10) olusan ekspresyon profillerine gore orneklerin nasil
    kumelendigini incelemek istiyoruz. Hiyerarsik kumeleme, ornekleri benzerlige gore adim adim birlestirip
    bir dendrogram olusturur; kac kume oldugunu onceden belirlemeden agaci kesip dogal gruplari okuruz: protein
    profilleri turlere (type) gore ayrisiyor mu?
  >> DEGISKEN SECIMI:
    - Kumeleme degiskenleri: protein_1 .. protein_10

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    3 kume (Ward linkage)   |   10 protein profili (protein_1..protein_10)   |   dendrogram

>> YORUM (anlatim):
    On protein olcumunden olusan ekspresyon profillerine gore orneklerin nasil kumelendigini inceledik. Hiyerarsik
    kumeleme, ornekleri benzerlige gore adim adim birlestirip bir dendrogram olusturdu; agaci uc kumede kestik.
    K-ortalamalardan farki, kume sayisini onceden dayatmadan benzerlik hiyerarsisini gostermesidir -- dendrograma
    bakip dogal kesme noktasini secebilirsiniz. Protein profillerinin uc gruba ayrismasi, orneklerin biyokimyasal
    olarak farklilastigini, muhtemelen turlere ya da fizyolojik durumlara karsilik geldigini gosterir. Genomik/
    proteomik orman calismalarinda bu, ornekleri keşifsel olarak gruplamanin standart yontemidir.

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

#68  DBSCAN (Mekansal Kumeleme)
    dosya: 68_dbscan_fire_hotspot.xlsx
  >> SENARYO (anlatim):
    Yangin olaylarinin (event_id) cografi konumlarina (latitude, longitude) gore yogunlasma noktalarini
    (hotspot) bulmak istiyoruz. DBSCAN, yogunluk-tabanli kumeleme yapar: birbirine yakin olaylar kume olur,
    izole olaylar "gurultu" olarak ayrilir. Kume sayisini onceden vermeye gerek yok; duzensiz bicimli yangin
    hotspotlarini ve aykiri olaylari dogrudan ortaya cikarir.
  >> DEGISKEN SECIMI:
    - Koordinatlar: latitude, longitude

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Yogunluk-tabanli kumeleme (lat/lon)   |   kumeler + gurultu (noise) ayristirildi
    cols: latitude, longitude

>> YORUM (anlatim):
    Yangin olaylarinin cografi konumlarina gore yogunlasma noktalarini bulmak istedik. DBSCAN, yogunluk-tabanli
    kumeleme yapar: birbirine yakin olaylar kume olur, izole olaylar "gurultu" olarak ayrilir. K-ortalamalardan iki
    onemli farki var: kume sayisini onceden vermeye gerek yok ve duzensiz bicimli kumeleri yakalayabilir. Boylece
    yangin hotspotlarini -- yani olaylarin yogunlastigi bolgeleri -- ve tek tuk izole olaylari dogrudan ayirt ettik.
    Pratikte bu, mudahale kaynaklarini ve onleme calismalarini en yogun risk bolgelerine yonlendirmek icin dogrudan
    kullanilabilir; mekansal hotspot tespitinin en pratik araclarindan biridir.

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

#69  PCA (Temel Bilesenler Analizi)
    dosya: 69_pca_forest_measurements_6_feature.xlsx
  >> SENARYO (anlatim):
    Alti iliskili orman olcumunu (feature_1..feature_6) daha az sayida bagimsiz boyuta indirmek istiyoruz.
    Temel bilesenler analizi (PCA), degiskenlerdeki ortak varyansi en cok aciklayan yeni eksenler (bilesenler)
    olusturur; ilk birkac bilesen genelde varyansin buyuk kismini tasir. Boylece veriyi ozetler, gorsellestirir
    ve coklu-dogrusal baglantiyi gideririz.
  >> DEGISKEN SECIMI:
    - Degiskenler: feature_1 .. feature_6

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    KMO = 0.769 (iyi)   |   Aciklanan varyans: PC1 %47.0, PC2 %18.2, PC3 %16.3 (ilk 3 ~ %81.5)
    cols: feature_1 .. feature_6

>> YORUM (anlatim):
    Alti iliskili orman olcumunu daha az sayida bagimsiz boyuta indirmek istedik. Once KMO degeri (0.77) verinin
    PCA'ya uygun oldugunu dogruladi. Sonuc verimli: ilk bilesen tek basina varyansin yuzde 47'sini tasiyor, ilk uc
    bilesen ise yuzde 81.5'ini. Yani alti degiskendeki bilginin buyuk cogunlugunu uc boyutla ozetleyebiliyoruz. PC1,
    genelde "genel boyut/buyukluk" ekseni gibi davranir -- birbiriyle iliskili olcumlerin ortak varyansini toplar.
    Pratik faydasi: bundan sonraki analizlerde alti degisken yerine birkac bilesen kullanip hem veriyi sadelestirir
    hem multikolineerligi gideririz; ayrica iki-boyutlu skor grafigiyle ornekleri gorsellestirebiliriz.

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

#70  t-SNE (Dogrusal Olmayan Boyut Indirgeme)
    dosya: 70_tsne_leaf_features.xlsx
  >> SENARYO (anlatim):
    On iki yaprak ozelliginden (feature_1..feature_12) olusan yuksek boyutlu veriyi iki boyutta gorsellestirmek
    istiyoruz; amac, turlerin (type) dogal olarak ayrisip ayrismadigini gormek. t-SNE, yerel komsulukleri
    koruyan dogrusal olmayan bir gomme yapar: benzer yapraklar yakin, farkli turler ayri kumeler halinde
    gorunur. Kesifsel siniflandirma icin guclu bir gorsel.
  >> DEGISKEN SECIMI:
    - Ozellikler: feature_1 .. feature_12
    - Renk/etiket (kesif): type

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    KL Divergence = 0.0065 (cok iyi fit)   |   12 ozellik -> 2 boyutlu gomme   (renk: type)
    cols: feature_1 .. feature_12

>> YORUM (anlatim):
    On iki yaprak ozelliginden olusan yuksek boyutlu veriyi iki boyutta gorsellestirdik; amac, turlerin dogal olarak
    ayrisip ayrismadigini gormekti. t-SNE, yerel komsulukleri koruyan dogrusal olmayan bir gomme yapar: benzer
    yapraklar yakin, farkli turler ayri kumeler halinde gorunur. KL divergence 0.0065 ile fit cok iyi -- yani gomme,
    orijinal yuksek boyutlu yapiyi sadik biçimde korumus. Onemli not: t-SNE haritasinda eksen degerleri yorumlanmaz,
    yalnizca noktalarin birbirine gore konumu anlamlidir. Pratikte bu, turlerin morfometrik olarak ayrisip
    ayrismadigini gormek icin guclu bir kesifsel gorsel -- siniflandirma oncesi "veriyi tanima" adimidir.

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

#71  MDS (Cok Boyutlu Olcekleme)
    dosya: 71_mds_leaf_morfometri.xlsx
  >> SENARYO (anlatim):
    Yaprak morfometrisini -- uzunluk, genislik, alan, petiyol, sivrilik -- temel alarak orneklerin birbirine
    benzerligini iki boyutlu bir haritada gostermek istiyoruz. Cok boyutlu olcekleme (MDS), ornekler arasi
    mesafeleri koruyarak dusuk boyutlu bir konumlandirma uretir: dogal gruplar (group_natural) haritada ayrisiyor
    mu, hangi yapraklar morfolojik olarak yakin?
  >> DEGISKEN SECIMI:
    - Olcum degiskenleri: length_cm, width_cm, area_cm2, petiole_cm, three_sivrilik
    - Etiket (kesif): group_natural

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Stress (Kruskal-1) = 0.066 (kabul edilebilir/iyi)   |   5 olcum -> 2 boyutlu harita
    length, width, area, petiole, sivrilik

>> YORUM (anlatim):
    Yaprak morfometrisini -- uzunluk, genislik, alan, petiyol, sivrilik -- temel alarak orneklerin birbirine
    benzerligini iki boyutlu bir haritada gosterdik. Cok boyutlu olcekleme (MDS), ornekler arasi mesafeleri
    koruyarak dusuk boyutlu bir konumlandirma uretir. Kalite olcutu olan Kruskal stress degeri 0.066 -- bu cok
    iyi; yani bes boyutlu mesafe yapisi, iki boyutta neredeyse hicbir bozulma olmadan temsil edilebilmis. Pratikte
    bu harita, hangi yapraklarin morfolojik olarak yakin oldugunu, dogal gruplarin ayrisip ayrismadigini bir
    bakista gosterir -- taksonomik ve fenotipik kesif icin sezgisel bir arac.

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

#72  UMAP (Boyut Indirgeme)
    dosya: 72_umap_spectral_lower_type.xlsx
  >> SENARYO (anlatim):
    Yirmi bes spektral kanaldan (channel_1..channel_25) olusan veriyi iki boyutta gomerek alt-turlerin
    (lower_type) ayrisip ayrismadigini gormek istiyoruz. UMAP, hem yerel hem genel yapiyi koruyan, t-SNE'den
    genelde daha hizli bir dogrusal olmayan indirgeme yapar: spektral imzalar, alt-turleri ayri kumeler halinde
    duzenliyor mu?
  >> DEGISKEN SECIMI:
    - Ozellikler (spektral): channel_1 .. channel_25
    - Etiket (kesif): lower_type

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    UMAP (2D)   |   25 spektral kanal -> 2 boyutlu gomme   (renk: lower_type)

>> YORUM (anlatim):
    Yirmi bes spektral kanaldan olusan veriyi iki boyutta gomerek alt-turlerin ayrisip ayrismadigini gormek
    istedik. UMAP, hem yerel hem genel yapiyi koruyan, t-SNE'den genelde daha hizli bir dogrusal olmayan
    indirgemedir. t-SNE'ye gore avantaji, kumeler arasi GLOBAL mesafeleri de daha iyi korumasidir -- yani sadece
    "hangi noktalar yakin" degil, "kumeler birbirine ne kadar uzak" sorusu da anlam kazanir. Spektral imzalarin
    alt-turleri ayri kumelere duzenlemesi, uzaktan algilamayla tur/alt-tur ayriminin mumkun oldugunu gosteren
    kesifsel bir kanit; siniflandirma modeli kurmadan once verinin yapisini anlamanin guclu bir yolu.

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

#73  Cronbach's Alpha (Guvenirlik)
    dosya: 73_cronbach_21madde_satisfaction.xlsx
  >> SENARYO (anlatim):
    Bir orman rekreasyonu memnuniyet olceginin 21 maddesinin (M01..M21) ic tutarliligini olcuyoruz. Cronbach
    alfa, maddelerin ayni yapiyi (memnuniyet) ne kadar tutarli olctugunu verir: 0.70+ kabul edilebilir, 0.80+
    iyi. Madde-toplam korelasyonlari ve "madde silinirse alfa" tablosu, olcegi zayiflatan maddeleri de gosterir.
  >> DEGISKEN SECIMI:
    - Olcek maddeleri: M01 .. M21

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    α (Cronbach) = 0.942 (mukemmel)   Ortalama madde-madde r = 0.436   (21 madde)

>> YORUM (anlatim):
    Bir orman rekreasyonu memnuniyet olceginin 21 maddesinin ic tutarliligini olctuk. Cronbach alfa, maddelerin
    ayni yapiyi -- memnuniyet -- ne kadar tutarli olctugunu verir. Sonuc mukemmel: α = 0.94. Olcekte 0.70 kabul
    edilebilir, 0.80 iyi sayilir; 0.94 ise maddelerin cok yuksek bir ic tutarlilikla ayni kavrami olctugunu gosterir.
    Ortalama madde-madde korelasyonu 0.44 ile saglikli -- ne fazla dusuk (alakasiz maddeler) ne de asiri yuksek
    (gereksiz tekrar). Pratikte bu, olcegin guvenilir oldugunu; memnuniyet skoru olarak maddelerin toplaminin/
    ortalamasinin gonul rahatligiyla kullanilabilecegini dogrular. Cok yuksek alfa bazen madde fazlaligina da
    isaret edebilir; "madde silinirse alfa" tablosu sadelestirme firsatlarini gosterir.

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

#74  Likert Analizi
    dosya: 74_likert_15madde_3boyut.xlsx
  >> SENARYO (anlatim):
    Uc boyutlu (kalite, hizmet, fiyat) 15 maddelik bir Likert olceginin yanitlarini analiz ediyoruz. Likert
    analizi, her boyutun madde dagilimlarini, ortalamalarini ve boyut skorlarini ozetler; ayrica yanit
    oruntusunu gorsellestirir: ziyaretciler hangi boyutta daha memnun, hangi maddeler dusuk puan aliyor?
  >> DEGISKEN SECIMI:
    - Kalite boyutu: quality_M1 .. quality_M5
    - Hizmet boyutu: service_M1 .. service_M5
    - Fiyat boyutu: price_M1 .. price_M5

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    5'li Likert (1-5)   |   3 boyut: kalite (5), hizmet (5), fiyat (5)   |   boyut skorlari + dagilimlar

>> YORUM (anlatim):
    Uc boyutlu -- kalite, hizmet, fiyat -- 15 maddelik bir Likert olceginin yanitlarini analiz ettik. Likert
    analizi, her boyutun madde dagilimlarini, ortalamalarini ve boyut skorlarini ozetler; ayrica yanit oruntusunu
    (kac kisi "kesinlikle katiliyorum" dedi vb.) gorsellestirir. Boylece tek bir genel ortalamanin gizledigi boyutsal
    farklari yakalariz: orn. ziyaretciler kaliteden memnun ama fiyati yuksek buluyor olabilir. Pratikte bu, hizmet
    iyilestirmesinde onceligi nereye vermek gerektigini dogrudan gosterir -- en dusuk puan alan boyut ve maddeler,
    mudahale icin acik hedeflerdir.

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

#75  Exploratory Factor Analysis (EFA)
    dosya: 75_efa_18madde_3faktor.xlsx
  >> SENARYO (anlatim):
    On sekiz maddenin (M01..M18) arkasinda kac gizli boyut (faktor) yattigini bilmiyoruz ve kesfetmek istiyoruz.
    Acimlayici faktor analizi (EFA), maddeler arasi ortak varyansi inceleyerek maddeleri az sayida faktore gruplar;
    faktor yukleri hangi maddenin hangi boyutu olctugunu gosterir. KMO ve Bartlett ile veri uygunlugu da test edilir.
  >> DEGISKEN SECIMI:
    - Olcek maddeleri: M01 .. M18

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    KMO = 0.897 (cok iyi)   Bartlett χ²(153) = 3298.70, p < .001   |   18 madde
    -> faktor analizi uygun

>> YORUM (anlatim):
    On sekiz maddenin arkasinda kac gizli boyut (faktor) yattigini bilmiyorduk ve kesfetmek istedik. Once iki on
    kontrol yaptik: KMO ornekleme yeterliligi 0.90 (cok iyi) ve Bartlett kuresellik testi p < .001 -- ikisi de
    verinin faktor analizine son derece uygun oldugunu soyluyor. Bu kosul saglanmadan EFA yapmak anlamsiz olurdu.
    Acimlayici faktor analizi, maddeler arasi ortak varyansi inceleyerek maddeleri az sayida faktore grupladi;
    faktor yukleri hangi maddenin hangi boyutu olctugunu gosterir. Pratikte bu, bir olcegin yapisini veriden
    KESFETMENIN yoludur -- maddelerin gercekte kac alt-boyuta ayrildigini ve hangi maddenin nereye ait oldugunu
    ortaya cikarir.

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

#76  ICC (Siniflararasi Korelasyon)
    dosya: 76_icc_3uzman_tree_height.xlsx
  >> SENARYO (anlatim):
    Uc uzmanin (expert) ayni agaclarin boyunu (height_m) bagimsiz olcmesindeki tutarliligi degerlendiriyoruz.
    Siniflararasi korelasyon katsayisi (ICC), degerlendiriciler arasi guvenirligi verir: ICC 0.75+ iyi, 0.90+
    mukemmel uyum. Olcumler degerlendiriciden bagimsiz mi, yoksa kim olcerse sonuc degisiyor mu?
  >> DEGISKEN SECIMI:
    - Olcum degiskeni: height_m
    - Degerlendirici (gruplama): expert
    - Obje: tree_id

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    ICC(1,1) = 0.980   ICC(A,1) = 0.980   (tek uzman)   |   ICC(.,k) ~ 0.993 (ortalama)   p < .001   -> Mukemmel
    3 uzman, height_m

>> YORUM (anlatim):
    Uc uzmanin ayni agaclarin boyunu bagimsiz olcmesindeki tutarliligi degerlendirdik. Siniflararasi korelasyon
    katsayisi (ICC), degerlendiriciler arasi guvenirligi verir. Sonuc neredeyse kusursuz: tek bir uzmanin olcumu
    icin ICC = 0.98, uzman ortalamalari icin 0.99 -- ikisi de "mukemmel" duzeyde. Yani olcumler degerlendiriciden
    bagimsiz; kim olcerse olssun sonuc pratikte ayni. Bu cok onemli bir guvence: boy olcum protokolu son derece
    guvenilir, farkli ekiplerin verisi rahatlikla birlestirilebilir. ICC'nin alti farkli tipi farkli sorular yanitlar
    (mutlak uyum mu, tutarlilik mi; tek mi ortalama mi); burada hepsi mukemmel cikarak guclu bir uyum tablosu sunuyor.

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

#77  Confirmatory Factor Analysis (CFA)
    dosya: 77_cfa_12madde_3faktor_dogrulayici.xlsx
  >> SENARYO (anlatim):
    On iki maddenin uc onceden tanimli faktore -- yonetim (management), calisan (worker), saha (site) -- gore
    yuklendigi varsayimini test ediyoruz. EFA boyutlari kesfederken, dogrulayici faktor analizi (CFA), kuramsal
    olarak belirlenmis bu yapinin veriye uyup uymadigini sinar; uyum endeksleri (CFI, RMSEA) ve faktor yukleri ile
    olcek yapisi dogrulanir.
  >> DEGISKEN SECIMI:
    - Faktor 1 (yonetim): management_M1 .. management_M4
    - Faktor 2 (calisan): worker_M1 .. worker_M4
    - Faktor 3 (saha): site_M1 .. site_M4

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    χ²(?) = 52.40, p = 0.42 (ns = iyi uyum)   CFI = 0.9993   |   3 faktor: management, worker, site
    KARAR: model veriye iyi uyuyor

>> YORUM (anlatim):
    On iki maddenin uc onceden tanimli faktore -- yonetim, calisan, saha -- gore yuklendigi varsayimini test ettik.
    EFA boyutlari KESFEDERKEN, CFA kuramsal olarak belirlenmis bu yapinin veriye uyup uymadigini SINAR. Sonuc cok
    iyi: ki-kare anlamli degil (p = 0.42) -- ki CFA'da bu istenen seydir, model ile veri arasinda anlamli sapma yok
    demektir. CFI = 0.999 ile uyum neredeyse kusursuz. Yani uc faktorlu yapi dogrulandi: 12 madde gercekten de
    yonetim, calisan ve saha boyutlarina temiz biçimde ayriliyor. Pratikte bu, olcegin yapi gecerliligini kanitlar
    -- olcek, olcmeyi iddia ettigi uc kavrami gercekten olcuyor.

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

#78  Survey Means (Agirlikli Ortalama)
    dosya: 78_survey_means_forest_worker_geliri.xlsx
  >> SENARYO (anlatim):
    Orman iscilerinin ortalama gelirini (monthly_income) tahmin ediyoruz; ancak orneklem basit rastgele degil,
    bolgelere (region) gore tabakali ve agirlikli (weight), kume (psu_province) tasarimli. Karmasik orneklem
    ortalamasi, bu tasarim agirliklarini ve kumelemeyi hesaba katarak nufus ortalamasini ve dogru standart
    hatayi verir; agirliklari yok saymak yanli tahmine yol acardi.
  >> DEGISKEN SECIMI:
    - Sonuc (surekli): monthly_income
    - Agirlik: weight
    - Tabaka: region
    - Kume (PSU): psu_province

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Agirlikli ortalama gelir M̂ = 4.876 TL   SE = 33.5   %95 GA = [4.809, 4.943]   CV = %0.69   (Taylor SE)
    tabaka = region, kume = psu_province

>> YORUM (anlatim):
    Orman iscilerinin ortalama gelirini tahmin ettik; ama orneklem basit rastgele degil, bolgelere gore tabakali ve
    agirlikli, kume tasarimliydi. Karmasik orneklem ortalamasi, bu tasarim agirliklarini ve kumelemeyi hesaba katarak
    populasyon ortalamasini ve dogru standart hatayi (Taylor linearization) verdi: ortalama gelir 4.876 TL, cok dar
    bir guven araligiyla. Agirliklari yok saysaydik tahmin yanli olurdu. Pratikte bu, anket verisinden populasyona
    GENELLENEBILIR, dogru belirsizlikli tahminler uretmenin standardidir -- resmi istatistik ve saha anketlerinin
    olmazsa olmazi.

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

#79  Survey Frequency (Agirlikli Oran)
    dosya: 79_survey_freq_insured_ratio.xlsx
  >> SENARYO (anlatim):
    Orman iscileri arasinda sigortali olma oranini (insured: 0/1) karmasik orneklem altinda tahmin ediyoruz.
    Agirlikli frekans analizi, tasarim agirliklarini (weight), tabakalari ve kumeleri (psu) kullanarak nufus
    oranini ve guven araligini dogru hesaplar: sigortalilik orani nedir, bolgeler arasi nasil degisiyor?
  >> DEGISKEN SECIMI:
    - Sonuc (kategorik/ikili): insured
    - Agirlik: weight
    - Tabaka: region
    - Kume (PSU): psu

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Sigortali orani p̂ = 0.645 (%64.5)   SE = 0.036   %95 GA = [0.570, 0.714]   (Taylor SE)
    tabaka = region, kume = psu

>> YORUM (anlatim):
    Orman iscileri arasinda sigortali olma oranini karmasik orneklem altinda tahmin ettik. Agirlikli frekans
    analizi, tasarim agirliklarini, tabakalari ve kumeleri kullanarak populasyon oranini ve dogru guven araligini
    hesapladi: iscilerin yaklasik yuzde 64.5'i sigortali, guven araligi yuzde 57-71. Buradaki kritik nokta, standart
    hatanin tasarima gore hesaplanmasi: kume etkisi nedeniyle gercek belirsizlik, basit rastgele orneklem
    varsayiminin verecginden daha buyuktur. Pratikte bu oran ve araligi, sosyal politika (sigortasiz iscilere
    yonelik mudahale) icin dogrudan kullanilabilir, populasyona genellenebilir bir tahmindir.

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

#80  Survey Total (Agirlikli Toplam)
    dosya: 80_survey_total_forest_area_tabakali.xlsx
  >> SENARYO (anlatim):
    Tabakali bir orman envanterinden, toplam islenen alani (cultivated_area_ha) ve toplam uretimi tahmin etmek
    istiyoruz. Agirlikli toplam analizi, her ormanin tasarim agirligini (weight) ve tabakasini (stratum) kullanarak
    orneklemden tum populasyona genelleyen toplam tahminini ve standart hatasini verir: toplam orman alani/uretimi
    ne kadar?
  >> DEGISKEN SECIMI:
    - Toplanacak (surekli): cultivated_area_ha
    - Agirlik: weight
    - Tabaka: stratum

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam islenen alan T̂ = 969.817 ha   SE = 16.367   %95 GA = [937.655, 1.001.979]   (Taylor SE)
    tabaka = stratum

>> YORUM (anlatim):
    Tabakali bir orman envanterinden, toplam islenen alani tahmin etmek istedik. Agirlikli toplam analizi, her
    ormanin tasarim agirligini ve tabakasini kullanarak orneklemden tum populasyona genelleyen toplam tahminini
    ve standart hatasini verdi: toplam yaklasik 970 bin hektar, guven araligi 938 bin - 1.002 milyon hektar. Ortalama
    degil TOPLAM tahmini, kaynak envanteri ve planlamada kritiktir -- "toplam ne kadar orman/uretim var" sorusunun
    yanitidir. Tabakali tasarim, tahminin kesinligini artirir; standart hata, bu toplamin ne kadar guvenilir
    oldugunu acikca verir. Karbon stogu, hasat kotasi ve arazi yonetimi kararlari dogrudan bu tur toplam tahminlere dayanir.

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

#81  Survey Regression (Agirlikli Dogrusal)
    dosya: 81_survey_reg_forest_worker_geliri.xlsx
  >> SENARYO (anlatim):
    Orman iscilerinin gelirini (monthly_income) yas, egitim (education_year) ve cinsiyetle modelliyoruz; ama
    veri karmasik orneklem tasarimli (agirlik, tabaka=region, kume=psu). Agirlikli dogrusal regresyon, tasarim
    agirliklarini ve kumelemeyi hesaba katip kume-robust standart hata uretir: egitimin gelire etkisi, nufusa
    genellenebilir bicimde nedir?
  >> DEGISKEN SECIMI:
    - Bagimli (sonuc): monthly_income
    - Yordayicilar: age, education_year, sex
    - Agirlik: weight | Tabaka: region | Kume: psu

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R² = 0.297   education_year: coef = 271.5, p < .001 (%95 GA [205, 338])   (tabaka=region, kume=psu)
    monthly_income ~ age + education_year

>> YORUM (anlatim):
    Orman iscilerinin gelirini yas ve egitimle modelledik; veri karmasik orneklem tasarimliydi (agirlik, tabaka,
    kume). Agirlikli dogrusal regresyon, tasarim agirliklarini ve kumelemeyi hesaba katip kume-robust standart hata
    uretti. Sonuc net: her ek egitim yili, aylik geliri ortalama 271 TL artiriyor ve bu etki son derece anlamli
    (p < .001), guven araligi tamamen pozitif. Model gelirdeki degiskenligin yaklasik yuzde 30'unu acikliyor. Onemli
    olan, bu tahminin populasyona genellenebilir olmasi: tasarim agirliklari sayesinde sonuc, orneklemi degil tum
    isci populasyonunu temsil ediyor. Egitimin gelir uzerindeki bu guclu, yansiz etkisi, mesleki egitim politikalari
    icin somut bir dayanak.

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

#82  Survey Logistic (Agirlikli Lojistik)
    dosya: 82_survey_logistic_is_accident.xlsx
  >> SENARYO (anlatim):
    Is kazasi gecirme olasiligini (is_accident: 0/1) karmasik orneklem altinda modelliyoruz; yordayicilar yas,
    deneyim ve sigortalilik (insured). Agirlikli lojistik regresyon, tasarim agirliklarini ve kumelemeyi (psu)
    kullanarak odds oranlarini ve kume-robust guven araliklarini verir: deneyim arttikca kaza olasiligi anlamli
    olarak azaliyor mu?
  >> DEGISKEN SECIMI:
    - Bagimli (ikili): is_accident
    - Yordayicilar: age, experience, insured
    - Agirlik: weight | Tabaka: region | Kume: psu

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    experience: coef = -0.070, OR = 0.932, p < .001 (%95 GA [0.90, 0.97])   (tabaka=region, kume=psu)
    is_accident ~ age + experience + insured

>> YORUM (anlatim):
    Is kazasi gecirme olasiligini karmasik orneklem altinda modelledik. En carpici bulgu deneyimde: her ek deneyim
    yili, kaza odds'unu 0.93 katina dusuruyor (OR = 0.932, p < .001) -- yani deneyim arttikca kaza riski anlamli ve
    tutarli sekilde azaliyor. Guven araligi tamamen 1'in altinda, bu yuzden koruyucu etki saglam. Agirlikli lojistik
    regresyon, bu odds oranlarini tasarim agirliklari ve kume-robust hatayla verdigi icin sonuc populasyona
    genellenebilir. Pratikte cok degerli bir is guvenligi bulgusu: deneyimsiz iscilerin riski belirgin sekilde
    yuksek, dolayisiyla ise yeni baslayanlara yonelik egitim ve gozetim, kazalari azaltmada en yuksek getiriyi saglar.

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

#83  GAM (Genellestirilmis Toplamsal Model)
    dosya: 83_gam_pm25_temperature_u_shape.xlsx
  >> SENARYO (anlatim):
    Hava kalitesini (PM25) sicaklikla (temperature_C) iliskilendiriyoruz; ama iliski dogrusal degil -- cok dusuk
    ve cok yuksek sicaklikta PM25 artan bir U-bicimi olabilir. GAM, yordayicilara duzgun (smooth) fonksiyonlar
    uygulayarak bu dogrusal olmayan kaliplari, kalibi onceden belirtmeden yakalar: sicaklik-PM25 iliskisinin
    gercek bicimi nedir, esik nerede?
  >> DEGISKEN SECIMI:
    - Bagimli (sonuc): PM25
    - Duzgun (smooth) yordayicilar: temperature_C, moisture_pct

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Pseudo R² = 0.75   McFadden adj = 0.30   edf = 11.28   AIC = 2364   (N = 365)
    PM25 ~ smooth(temperature_C) + smooth(moisture_pct)

>> YORUM (anlatim):
    Hava kalitesini sicaklikla iliskilendirdik; ama iliski dogrusal degil -- cok dusuk ve cok yuksek sicaklikta PM25
    artan bir U-bicimi olabilir. GAM, yordayicilara duzgun (smooth) fonksiyonlar uygulayarak bu dogrusal olmayan
    kaliplari, kalibi onceden belirtmeden yakaladi. Model gucu yuksek: aciklanan varyans yuzde 75. Etkin serbestlik
    derecesi (edf) 11.3 -- bu, iliskinin dogrusaldan belirgin sekilde uzaklastigini, kavisli bir yapi tasidigini
    gosterir (edf = 1 olsaydi dogrusal olurdu). Pratikte GAM'in degeri burada: "sicaklik PM25'i artirir" gibi basit
    bir ifade yerine, iliskinin gercek seklini -- nerede dustugunu, nerede piklendigini -- ortaya koyuyor. Cevre ve
    iklim verilerinde dogrusal olmayan esikleri yakalamak icin ideal.

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

#84  Discriminant Analysis (LDA)
    dosya: 84_diskriminant_3tur_5ozellik.xlsx
  >> SENARYO (anlatim):
    Uc agac turunu (type) bes morfolojik ozellikten -- cap (dbh), boy (height), biyokutle, tac (crown), kabuk
    (bark) -- ayirt eden dogrusal bilesimleri bulmak istiyoruz. Diskriminant analizi (LDA), siniflari en iyi ayiran
    eksenleri olusturur, siniflandirma dogrulugunu ve capraz-gecerleme basarisini verir: bu bes olcumle turler ne
    kadar dogru ayrilabiliyor, hangi ozellik en ayirici?
  >> DEGISKEN SECIMI:
    - Bagimli (kategori): type
    - Yordayicilar: dbh, height, biomass, crown, bark

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dogruluk = 0.911   CV dogrulugu (5-kat) = 0.917 ± 0.030   LD1 varyansin %98.8'ini tasiyor
    type ~ dbh + height + biomass + crown + bark

>> YORUM (anlatim):
    Uc agac turunu bes morfolojik ozellikten ayirt eden dogrusal bilesimleri bulduk. Diskriminant analizi (LDA),
    siniflari en iyi ayiran eksenleri olusturur. Sonuc cok iyi: siniflandirma dogrulugu yuzde 91, capraz-gecerlemede
    de yuzde 92 -- yani model ezberlemiyor, genelleniyor. En carpici detay, ilk diskriminant eksenin (LD1) varyansin
    yuzde 98.8'ini tasimasi: yani turler aslinda tek bir baskin eksen boyunca ayrisiyor. Bu, bes olcumun buyuk
    olcude ortak bir "boyut/buyukluk" boyutuyla turleri ayirdigini gosterir. Pratikte bu, basit morfolojik
    olcumlerle turleri yuksek dogrulukla siniflandirabilecegimizi -- orn. saha tanisini hizlandirabilecegimizi -- kanitliyor.

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

#85  Conditional Logit (Secim Modeli)
    dosya: 85_conditional_logit_transport_choice.xlsx
  >> SENARYO (anlatim):
    Orman urunlerini pazara tasimak icin her tasiyici (person_id) birkac ulasim secenegi (mode) arasindan birini
    seciyor (selected: 0/1). Her secenegin suresi (duration_minute), ucreti (fee_TL) ve mesafesi (distance) farkli.
    Kosullu lojit, klasik lojistigin yapamadigini yapar: birden cok secenek arasindan yapilan tercihi, secenek
    ozelliklerine gore modeller: ucret ve sure arttikca o secenegin secilme olasiligi nasil dusuyor?
  >> DEGISKEN SECIMI:
    - Secici (chooser): person_id
    - Secilen (0/1): selected
    - Aciklayicilar: duration_minute, fee_TL, distance

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    McFadden R² = 0.21   |   duration: β = -0.029 (p = .13)   fee: β = -0.004 (p = .41)
    secici = person_id, secilen = selected, n_chooser = 200 (4 alternatif/secici)

>> YORUM (anlatim):
    Orman urunlerini pazara tasimak icin her tasiyicinin birkac ulasim secenegi arasindan birini secmesini
    modelledik. Kosullu lojit, klasik lojistigin yapamadigini yapar: birden cok secenek arasindan yapilan tercihi,
    secenek ozelliklerine (sure, ucret, mesafe) gore modeller. Model genel olarak makul bir uyum gosteriyor:
    McFadden R² = 0.21, ki bu olcekte 0.2-0.4 zaten "iyi uyum" kabul edilir (klasik R² ile karistirilmamali). Her
    iki katsayi da negatif yonde -- yani sure ve ucret arttikca o secenegin secilme olasiligi azaliyor, ki bu
    sezgisel olarak dogru. Ancak bu orneklemde katsayilar tek tek istatistiksel anlamliliga ulasmiyor; etki yonu
    beklenen yonde ama daha buyuk bir orneklem kesin kanit icin gerekebilir. Yine de model, tercih davranisinin
    rasyonel bir oruntu izledigini gosteriyor.

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

#86  Kaplan-Meier (Sagkalim Egrisi)
    dosya: 86_kaplan_meier_street_agaci.xlsx
  >> SENARYO (anlatim):
    Sokak agaclarinin dikimden sonra ne kadar sure hayatta kaldigini izliyoruz: takip suresi (followup_year) ve
    olum durumu (tree_died: 0/1). Bazi agaclar takip bitiminde hala yasiyor (sansurlu). Kaplan-Meier, bu sansurlu
    veriyi dogru ele alarak zamana karsi sagkalim egrisini cizer; sulama (irrigation) gibi gruplara gore egriler
    log-rank ile karsilastirilir: sulanan agaclar daha uzun mu yasiyor?
  >> DEGISKEN SECIMI:
    - Sure: followup_year
    - Olay (1=oldu, 0=sansurlu): tree_died
    - Gruplama: irrigation

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Medyan sagkalim: erisilmedi (>%50 takipte hayatta)   |   Log-rank χ²(1) = 25.30, p < .001
    sure = followup_year, olay = tree_died, grup = irrigation (n = 200)

>> YORUM (anlatim):
    Sokak agaclarinin dikimden sonra ne kadar hayatta kaldigini izledik ve sulanan-sulanmayan gruplari
    karsilastirdik. Kaplan-Meier, sansurlu veriyi (takip bitiminde hala yasayan agaclar) dogru ele alarak sagkalim
    egrisini cizdi. Iki carpici sonuc: birincisi, medyan sagkalima ulasilmadi -- yani takip suresince agaclarin
    yarisindan fazlasi hala hayatta, bu iyi bir sagkalim isareti. Ikincisi ve asil onemlisi, log-rank testi: χ²
    = 25.30, p binde birin altinda. Yani sulama gruplarinin sagkalim egrileri istatistiksel olarak anlamli sekilde
    farkli; sulanan agaclar belirgin sekilde daha uzun yasiyor. Pratik mesaj net: sokak agaclarinda sulama, sagkalimi
    ciddi sekilde artiran bir mudahale -- kentsel agaclandirmada yatirim onceligi olmali.

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

#87  Cox Regression
    dosya: 87_cox_regression_tree_death.xlsx
  >> SENARYO (anlatim):
    Agac olum riskini (tree_died) etkileyen surekli faktorleri ariyoruz: yas, stres skoru (stress_score), sicaklik,
    kuraklik (drought). Cox orantili tehlike modeli, sansurlu sagkalim verisinde her yordayicinin olum tehlikesine
    etkisini tehlike orani (HR) olarak verir: stres skoru arttikca olum riski kac kat artiyor, hangi faktor en
    belirleyici?
  >> DEGISKEN SECIMI:
    - Sure: followup_year
    - Olay: tree_died
    - Yordayicilar: age, stress_score, temperature, drought

  >> 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):
    stress_score: HR = 1.215, p < .001 (%95 GA [1.15, 1.28])   |   C-index = 0.689
    sure = followup_year, olay = tree_died ~ age + stress_score + temperature + drought

>> YORUM (anlatim):
    Agac olum riskini etkileyen surekli faktorleri Cox orantili tehlike modeliyle aradik. En belirgin etken stres
    skoru: tehlike orani 1.215, p binde birin altinda. Bunun anlami, stres skoru bir birim arttiginda olum
    tehlikesinin yuzde 21.5 arttigidir -- guven araligi tamamen 1'in uzerinde, yani saglam bir risk faktoru.
    Modelin ayirma gucu C-index 0.69, orta duzeyde: stres, sicaklik, kuraklik ve yas, olum riskini kismen ongoruyor.
    Cox'un gucu, sansurlu sagkalim verisinde her faktorun etkisini tehlike orani olarak vermesidir. Pratikte bu, stres
    altindaki agaclarin oncelikli izlemeye alinmasi gerektigini; stresi azaltan mudahalelerin olum riskini dogrudan
    dusurebilecegini gosteriyor.

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

#88  AFT (Hizlandirilmis Yasam Suresi / Weibull)
    dosya: 88_aft_weibull_tree_omru.xlsx
  >> SENARYO (anlatim):
    Agac omrunu dogrudan modellemek istiyoruz: yetistirme (rearing) ve tur (type) yasam suresini uzatiyor mu,
    kisaltiyor mu? Cox tehlike oranina odaklanirken, AFT (Weibull) modeli olayin ne kadar "hizlandigini/yavasladigini"
    sure cinsinden verir: belirli bir yetistirme yontemi, agac omrunu yuzde kac uzatiyor? Parametrik sagkalim
    yorumu daha sezgiseldir.
  >> DEGISKEN SECIMI:
    - Sure: age_year
    - Olay (1=oldu): dead
    - Yordayicilar: rearing, type

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Weibull AFT   |   type_B: coef = -0.432, zaman orani = 0.649, p < .001
    sure = age_year, olay = dead ~ type

>> YORUM (anlatim):
    Agac omrunu dogrudan modelledik: tur, yasam suresini uzatiyor mu kisaltiyor mu? Cox tehlike oranina odaklanirken,
    AFT (Weibull) modeli olayin ne kadar hizlandigini/yavasladigini sure cinsinden verir -- bu yorum daha sezgiseldir.
    Sonuc anlamli: B turunun zaman orani 0.649 (p < .001). Yani B turu agaclar, referans ture gore yaklasik yuzde 35
    daha kisa yasiyor; olum onlarda "hizlanmis". Guven araligi tamamen 1'in altinda, etki saglam. Pratikte bu, tur
    seciminin sadece buyumeyi degil OMRU de belirledigini gosteriyor; uzun-omurlu turler, ozellikle uzun idare
    sureli ya da kalici peyzaj dikimlerinde tercih edilmeli. Parametrik sagkalim, "yuzde kac daha uzun/kisa yasar"
    gibi dogrudan yorumlanabilir ifadeler sundugu icin pratikte cok kullanislidir.

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

#89  Competing Risks (Rekabet Eden Riskler)
    dosya: 89_competing_risks_3olum_cause.xlsx
  >> SENARYO (anlatim):
    Agaclar birden cok nedenden olebilir (event_status: 0=sansur, 1/2/3=farkli olum nedenleri). Standart Cox bir
    nedeni sansurlu sayip yanli tahmin verir. Rekabet eden riskler analizi, her olum nedenini -- digerleri rakip
    olarak -- ayri ayri modeller (nedene ozgu Cox + Kumulatif Insidans): yas/stres, hangi olum nedenini ozellikle
    artiriyor?
  >> DEGISKEN SECIMI:
    - Sure: followup_year
    - Olay tipi (0=sansur, 1/2/3=neden): event_status
    - Yordayicilar: age, stress_score

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Olay tipleri: 1 (n=124), 2 (n=209), 3 (n=7)   |   sansurlu = 60   |   nedene ozgu Cox + CIF
    sure = followup_year, olay tipi = event_status ~ age + stress_score

>> YORUM (anlatim):
    Agaclar birden cok nedenden olebilir; bu veride uc farkli olum nedeni ve sansurlu (hala yasayan) gozlemler var.
    Standart Cox bir nedeni sansurlu sayip yanli tahmin verirdi. Rekabet eden riskler analizi, her olum nedenini --
    digerleri rakip olarak -- ayri ayri modeller (nedene ozgu Cox) ve kumulatif insidans fonksiyonlarini hesaplar.
    Boylece "yas ve stres, HANGI olum nedenini ozellikle artiriyor" sorusuna yanit veririz -- ki bu, "olum riskini
    artiriyor mu" sorusundan cok daha bilgilendirici. En sik neden ikinci tip (209 olay); ucuncu neden ise nadir (7).
    Akademik raporda hem nedene ozgu tehlike oranlari hem CIF birlikte sunulmali; ikisi farkli sorulara yanit verir:
    biri "risk faktoru hangisi", digeri "gercek olasilik ne".

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

#90  Time-Dependent Cox
    dosya: 90_td_cox_stress_zamanli.xlsx
  >> SENARYO (anlatim):
    Agac stres duzeyi (stress) zamanla degisiyor; tek bir baslangic degeri kullanmak yaniltici olur. Zamana bagli
    Cox, veriyi (t_start, t_stop] araliklariyla long-format kurar ve her aralikta guncel stres degerini kullanir:
    o anki stres, o andaki olum riskini nasil etkiliyor? Ilac (drug) gibi zamanla degisen mudahaleler de boylece
    dogru modellenir.
  >> DEGISKEN SECIMI:
    - Baslangic/bitis: t_start, t_stop
    - Olay: event
    - Zamana bagli yordayicilar: stress, drug
    - Subje: tree_id

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    stress: HR = 1.535, p < .001 (%95 GA [1.26, 1.88])   |   log-likelihood = -244.4
    (t_start, t_stop] long-format, olay = event ~ stress + drug, subje = tree_id

>> YORUM (anlatim):
    Agac stres duzeyi zamanla degisir; tek bir baslangic degeri kullanmak yaniltici olurdu. Zamana bagli Cox,
    veriyi (t_start, t_stop] araliklariyla kurar ve her aralikta GUNCEL stres degerini kullanir. Sonuc carpici: anlik
    stres, olum tehlikesini guclu sekilde artiriyor -- HR = 1.535, p binde birin altinda. Yani o andaki stres bir
    birim arttiginda olum tehlikesi yuzde 53.5 yukseliyor; bu, klasik (sabit) Cox'un yakalayabileceginden daha guclu
    ve gercekci bir etki, cunku stresin zaman icindeki dalgalanmasini hesaba katiyor. Pratikte bu cok onemli: agac
    saglik izlemesinde, gecmis bir olcum degil ANLIK stres durumu risk acisindan belirleyici. Zamanla degisen
    tedaviler/mudahaleler de boylece dogru modellenir.

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

#91  Survey-PHREG (Agirlikli Cox)
    dosya: 91_survey_phreg_weighted_cox.xlsx
  >> SENARYO (anlatim):
    Sagkalim analizini karmasik orneklem altinda yapiyoruz: agaclar agirlikli (weight) ve kumeli (psu) bir
    tasarimdan geliyor. Survey-PHREG, agirlikli Cox regresyonu kurar ve kume-robust standart hata verir; tasarimi
    yok saymak yanli tehlike oranlarina yol acardi: stres skorunun olum riskine etkisi, populasyona genellenebilir
    bicimde nedir?
  >> DEGISKEN SECIMI:
    - Sure: followup
    - Olay: died
    - Yordayici: age, stress
    - Agirlik: weight | Kume: psu

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    stress: HR = 1.367, p < .001   |   agirlikli Cox + kume-robust SE   (weight, cluster=psu)
    sure = followup, olay = died ~ age + stress

>> YORUM (anlatim):
    Sagkalim analizini karmasik orneklem altinda yaptik: agaclar agirlikli ve kumeli bir tasarimdan geliyordu.
    Survey-PHREG, agirlikli Cox regresyonu kurar ve kume-robust standart hata verir; tasarimi yok saymak yanli
    tehlike oranlarina yol acardi. Sonuc anlamli: stres skoru, olum tehlikesini 1.37 katina cikariyor (p < .001).
    Onemli olan, bu tahminin populasyona genellenebilir olmasi -- tasarim agirliklari ve kumeleme dogru ele alindigi
    icin sonuc orneklemi degil tum populasyonu temsil ediyor. Halk sagligi kohortlari ve tabakali RCT analizlerinde
    bu tur tasarim-bilincli sagkalim modelleri sarttir; aksi halde standart hatalar yaniltici, sonuclar yanli olur.

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

#92  Interval-Censored Survival
    dosya: 92_interval_censored_interval_takip.xlsx
  >> SENARYO (anlatim):
    Agaclari periyodik kontrollerle izledik; olum tam zamani bilinmiyor, yalnizca iki kontrol arasinda
    [lower_bound_year, upper_bound_year] gerceklestigini biliyoruz. Bu aralik-sansurleme klasik Kaplan-Meier'i
    yaniltir. Aralik-sansurlu sagkalim (Turnbull), bu belirsizligi dogru ele alarak sagkalim egrisini tahmin eder:
    medyan omur ne, uygulamaya (treatment) gore degisiyor mu?
  >> DEGISKEN SECIMI:
    - Alt sinir (L): lower_bound_year
    - Ust sinir (R): upper_bound_year

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Median sagkalim = 10.0   |   Turnbull (aralik-sansurlu Kaplan-Meier)
    olay zamani [lower_bound_year, upper_bound_year] araliginda

>> YORUM (anlatim):
    Agaclari periyodik kontrollerle izledik; olum tam zamani bilinmiyor, yalnizca iki kontrol arasinda bir aralikta
    gerceklestigini biliyoruz. Bu aralik-sansurleme, klasik Kaplan-Meier'i yaniltir -- cunku o, kesin olay zamani
    varsayar. Aralik-sansurlu sagkalim (Turnbull algoritmasi), bu belirsizligi dogru ele alarak sagkalim egrisini
    tahmin etti: medyan omur 10 zaman birimi. Gercek dunyada veriler nadiren kusursuz zamanlanir -- agaclar her gun
    degil, belli araliklarla kontrol edilir. Bu yontemin degeri, bu gercekci belirsizligi yok saymadan, dogru
    istatistiksel temelle modelleyebilmesi. Klasik KM'ye zorla sokmak medyan omru sistematik olarak yanli tahmin ettirirdi.

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

#93  Frailty Cox (Kirilganlik Modeli)
    dosya: 93_frailty_cox_herd_based.xlsx
  >> SENARYO (anlatim):
    Agaclar mesce/kume gruplarinda (herd_id) bulunuyor; ayni grup icindeki agaclar paylasilan kosullar nedeniyle
    benzer olum riskine sahip. Bu grup-ici korelasyonu yok saymak yanli olur. Frailty Cox, her gruba rastgele bir
    "kirilganlik" etkisi ekler: stresin olum riskine etkisini, grup duzeyindeki gizli heterojeniteyi de modelleyerek
    dogru tahmin eder.
  >> DEGISKEN SECIMI:
    - Sure: followup
    - Olay: died
    - Yordayici: age, stress
    - Frailty (grup): herd_id

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    stress: HR = 1.202, p < .001   |   kume (herd_id) bazli kirilganlik (kume-robust)
    sure = followup, olay = died ~ age + stress

>> YORUM (anlatim):
    Agaclar mesce/kume gruplarinda bulunuyordu; ayni grup icindeki agaclar paylasilan kosullar nedeniyle benzer
    olum riskine sahip. Bu grup-ici korelasyonu yok saymak yanli olurdu. Frailty Cox, gruba ozgu gizli heterojeniteyi
    modelleyerek stresin olum riskine etkisini dogru tahmin etti: HR = 1.20, p < .001. Yani grup farkliliklarini
    hesaba kattiktan sonra bile, stres olum riskini anlamli sekilde artiriyor. Bu, hiyerarsik/kumeli sagkalim
    verilerinde -- ayni meceredeki agaclar, ayni ahirdaki hayvanlar, ayni hastanedeki hastalar -- dogru analiz
    yaklasimidir; bagimsizlik varsayimini kirmadan, paylasilan grup riskini de modele dahil eder.

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

#94  Time Series Analysis
    dosya: 94_time_series_monthly_insect.xlsx
  >> SENARYO (anlatim):
    Aylik bocek sayilarinin (insect_count) zaman icindeki (date) seyrini inceliyoruz. Zaman serisi analizi, seriyi
    trend, mevsimsellik ve duzensiz bilesenlere ayirir; oto-korelasyon yapisini gosterir: bocek populasyonu yil ici
    duzenli bir mevsimsel dongu izliyor mu, artan bir trend var mi? Sicaklik/yagis ek aciklayici olarak incelenebilir.
  >> DEGISKEN SECIMI:
    - Tarih: date
    - Seri (deger): insect_count

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    60 aylik gozlem   |   ADF p = 0.88 (duragan degil)   Trend: yok   Mevsimsellik: TESPIT EDILDI
    insect_count zaman serisi

>> YORUM (anlatim):
    Aylik bocek sayilarinin zaman icindeki seyrini inceledik. Zaman serisi analizi seriyi bilesenlerine ayirir ve
    oto-korelasyon yapisini sinar. Iki onemli bulgu: birincisi, seri duragan degil (ADF p = 0.88) -- yani istatistiksel
    ozellikleri zamanla degisiyor, modellemeden once fark almak gerekebilir. Ikincisi ve asil ilginci: mevsimsellik
    tespit edildi. Yani bocek populasyonu yil ici duzenli bir dongu izliyor -- belirli aylarda artip belirli aylarda
    azaliyor. Belirgin bir uzun-donem trend ise yok. Pratikte bu, bocek izleme ve mucadele takvimini mevsimsel pike
    gore planlamak gerektigini soyluyor: mudahaleyi pik aylardan once konumlandirmak en etkili strateji olur.

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

#95  STL Decomposition (Mevsimsel Ayristirma)
    dosya: 95_stl_pm25_mevsimsel_ayrisma.xlsx
  >> SENARYO (anlatim):
    Aylik PM25 serisini (date, PM25) bilesenlerine ayirmak istiyoruz: trend, mevsimsel bilesen ve artik. STL (LOESS
    tabanli) ayristirma, mevsimselligin yil icinde nasil tekrarlandigini ve uzun donem trendi net olarak gosterir:
    hava kirliligi kis aylarinda mi pikliyor, yillar icinde artan bir egilim var mi?
  >> DEGISKEN SECIMI:
    - Tarih: date
    - Seri (deger): PM25

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    STL (period = 7)   |   bilesenler: trend + mevsim + artik
    PM25 serisi ayristirildi

>> YORUM (anlatim):
    PM25 (hava kirliligi) serisini bilesenlerine ayirdik: trend, mevsimsel bilesen ve artik. STL (LOESS tabanli)
    ayristirma, mevsimselligin dongu icinde nasil tekrarlandigini ve uzun donem trendi net olarak gosterir. Period 7
    ile bir haftalik/periyodik mevsimsel oruntu yakalandi. Bu ayristirmanin pratik degeri buyuk: ham seriye bakarak
    "kirlilik artiyor mu" demek yaniltici olabilir -- cunku mevsimsel dalgalanma trendi gizler. STL bu ikisini
    ayirarak gercek egilimi gosterir. Boylece "hava kirliligi mevsimsel mi yoksa gercekten artan bir trend mi" sorusunu
    net biçimde yanitlayabiliriz; politika ve uyari sistemleri bu ayrim uzerine kurulur.

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

#96  ARIMA / SARIMA (Tahmin)
    dosya: 96_arima_monthly_inflation.xlsx
  >> SENARYO (anlatim):
    Aylik enflasyon serisini (inflation_monthly_pct) gelecege dogru tahmin etmek istiyoruz. ARIMA, serinin kendi
    gecmis degerleri ve hata yapisindan (oto-regresif + hareketli ortalama) yararlanir; mevsimsellik varsa SARIMA
    uzantisi kullanilir. Model, onumuzdeki aylar icin nokta tahmini ve guven araligi uretir: enflasyon egilimi nereye
    gidiyor?
  >> DEGISKEN SECIMI:
    - Tarih: date
    - Seri (deger): inflation_monthly_pct

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    ARIMA   AIC = 197.3   |   gelecek aylar icin nokta tahmini + guven araligi
    inflation_monthly_pct serisi

>> YORUM (anlatim):
    Aylik enflasyon serisini gelecege dogru tahmin etmek istedik. ARIMA, serinin kendi gecmis degerleri ve hata
    yapisindan (oto-regresif + hareketli ortalama) yararlanir. Model, gozlenen veriye iyi uydu (AIC = 197.3) ve
    onumuzdeki aylar icin nokta tahmini ile guven araligi uretti. ARIMA'nin gucu, gecmis oruntuyu yakalayip gelecege
    yansitmasidir; ekonomik karar verme, butce planlamasi ve stok yonetiminde dogrudan kullanilir. Onemli not:
    tahminin guven araligi, ufuk uzadikca genisler -- yani yakin gelecek daha kesin, uzak gelecek daha belirsizdir;
    bu, herhangi bir ongorude akilda tutulmasi gereken temel bir gercektir.

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

#97  Exponential Smoothing (Holt-Winters)
    dosya: 97_ets_monthly_visitor.xlsx
  >> SENARYO (anlatim):
    Aylik ziyaretci sayisini (visitor) tahmin ediyoruz; veride hem trend hem mevsimsellik var. Ustel duzlestirme
    (Holt-Winters), gecmis gozlemlere ustel azalan agirlik vererek seviye, trend ve mevsimsel bilesenleri gunceller;
    ARIMA'dan daha basit ama mevsimsel tahminde cok etkilidir: gelecek sezon ziyaretci sayisi ne olur?
  >> DEGISKEN SECIMI:
    - Tarih: date
    - Seri (deger): visitor

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Holt-Winters (mevsimsel toplamsal, period = 12)   AIC = 1689   |   gelecek sezon tahmini ~ 77.099 ziyaretci
    visitor serisi

>> YORUM (anlatim):
    Aylik ziyaretci sayisini tahmin ettik; veride hem trend hem mevsimsellik vardi. Ustel duzlestirme (Holt-Winters),
    gecmis gozlemlere ustel azalan agirlik vererek seviye, trend ve mevsimsel bilesenleri gunceller -- yani yakin
    gecmise daha cok agirlik verir. ARIMA'dan daha basit ama mevsimsel tahminde cok etkilidir. Model, gelecek donem
    icin yaklasik 77 bin ziyaretci ongoruyor. Pratik degeri buyuk: orman rekreasyon alanlarinin personel, otopark,
    altyapi planlamasi mevsimsel ziyaretci tahminine dayanir. Pik sezonu onceden bilmek, kaynaklari dogru zamanda ve
    yerde konumlandirmayi saglar -- ne eksik ne fazla.

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

#98  Mann-Kendall Trend Testi
    dosya: 98_mann_kendall_temperature_trend.xlsx
  >> SENARYO (anlatim):
    Yillik ortalama sicakligin (annual_mean_temperature) yillar (year) icinde anlamli bir egilim gosterip
    gostermedigini test ediyoruz. Mann-Kendall, parametrik olmayan bir trend testidir: dagilim varsayimi yapmadan,
    serinin monoton (artan/azalan) bir egilimi olup olmadigini ve Sen egimi ile degisim hizini verir: iklim isinma
    sinyali istatistiksel olarak anlamli mi?
  >> DEGISKEN SECIMI:
    - Zaman: year
    - Seri (deger): annual_mean_temperature

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    p < .001 ***   Trend = ↑ ARTIS   Sen's slope = 0.027 birim/yil
    annual_mean_temperature ~ year

>> YORUM (anlatim):
    Yillik ortalama sicakligin yillar icinde anlamli bir egilim gosterip gostermedigini test ettik. Mann-Kendall,
    parametrik olmayan bir trend testidir: dagilim varsayimi yapmadan monoton bir egilim olup olmadigini sinar.
    Sonuc net ve onemli: p binde birin altinda, trend yukari yonlu -- yani sicaklikta istatistiksel olarak anlamli
    bir ARTIS var. Sen egimi, bu artisin hizini robust biçimde veriyor: yilda yaklasik 0.027 birim. Bu, klasik bir
    iklim isinma sinyali. Mann-Kendall'in tercih nedeni, iklim/cevre serilerinin genelde normal dagilmamasi ve
    aykiri degerler icermesidir; bu test bunlara dayaniklidir. Pratikte bu tur trend analizleri, iklim degisikligi
    izlemenin ve uzun-vadeli orman yonetim stratejilerinin temelini olusturur.

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

#99  Anomaly Detection (Aykiri Deger)
    dosya: 99_anomali_detection_outlier_inventory.xlsx
  >> SENARYO (anlatim):
    Orman envanterindeki olcumlerde (dbh, height, biomass) anormal/hatali kayitlari otomatik tespit etmek istiyoruz.
    Anomali tespiti, cok degiskenli uzayda diger gozlemlerden belirgin sapan bireyleri (orn. olcum hatasi, olaganustu
    agac) isaretler: hangi kayitlar veri temizligi icin gozden gecirilmeli, gercek aykiri mi yoksa hata mi?
  >> DEGISKEN SECIMI:
    - Degiskenler: dbh, height, biomass

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Anomali orani = %8.5 (IQR yontemi)   |   her degisken icin alt/ust sinir + anomali sayisi
    dbh, height, biomass

>> YORUM (anlatim):
    Orman envanterindeki olcumlerde anormal/hatali kayitlari otomatik tespit etmek istedik. Anomali tespiti, cok
    degiskenli uzayda diger gozlemlerden belirgin sapan bireyleri isaretler. IQR yontemiyle gozlemlerin yuzde 8.5'i
    anomali olarak isaretlendi. Onemli olan, bunlarin "hata" mi yoksa "gercek aykiri" mi oldugunu ayirt etmek: bir
    olcum hatasi (orn. 80 metre boy) duzeltilmeli, ama olaganustu buyuk bir anit agac gercek ve degerlidir. Pratikte
    bu, veri temizliginin ilk adimidir: isaretlenen kayitlar elle gozden gecirilir. Otomatik anomali tespiti, binlerce
    satirlik envanterlerde gozle yakalanamayacak hatali kayitlari sistematik olarak yakalamanin pratik yoludur.

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

#100  Variance Components (Varyans Bilesenleri / h2)
    dosya: 100_varcomp_3seviye_h2.xlsx
  >> SENARYO (anlatim):
    Uc seviyeli yuvalanmis bir denemede (upper_unit / lower_unit / measurement) bir ozelligin (value) toplam
    varyansinin hangi seviyeden kaynaklandigini ayristirmak istiyoruz. Varyans bilesenleri analizi, varyansi
    seviyelere boler; ormancilik/islah baglaminda bu, kalitsallik (h2) tahmini icin temeldir: ozellikteki degiskenligin
    ne kadari genetik/ust-grup, ne kadari cevresel/olcum kaynakli?
  >> DEGISKEN SECIMI:
    - Bagimli (surekli): value
    - Ust seviye: upper_unit
    - Alt seviye (nested): lower_unit

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Varyans bilesenleri (REML):  upper_unit %12.1  |  lower_unit (nested) %40.9  |  artik %47.0
    dv = value

>> YORUM (anlatim):
    Yuvalanmis bir denemede bir ozelligin toplam varyansinin hangi seviyeden kaynaklandigini ayristirdik. Varyans
    bilesenleri analizi, LMM'den farkli olarak hic sabit etki kullanmaz -- tum faktorler random'dir, amac varyansi
    seviyelere bolmektir. Sonuc ogretici: degiskenligin yuzde 12'si ust seviyeden (orn. populasyon), yuzde 41'i alt
    seviyeden (orn. aile, populasyon icinde nested), yuzde 47'si ise artiktan (cevre/olcum) geliyor. Ormancilik ve
    islahta bu, kalitsallik (h2) tahmininin temelidir: ozellikteki degiskenligin ne kadari genetik/yapisaldan, ne
    kadari cevreden kaynaklaniyor? Alt seviyenin (aile) ust seviyeden (populasyon) daha buyuk katki saglamasi, secilim/
    islah calismalarinda hangi seviyeye odaklanmak gerektigini dogrudan gosterir.

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

#101  Bayesian t-Test
    dosya: 101_bayesian_t_test_new_old.xlsx
  >> SENARYO (anlatim):
    Yeni ve eski iki uygulamanin (group) bir olcum (value) uzerindeki farkini Bayesci cerceveden test ediyoruz.
    Klasik t-testi yalnizca p-degeri verir; Bayesci t-testi ise Bayes faktoru (BF10) ile "veriler hangi hipotezi kac
    kat destekliyor" sorusuna yanit verir ve etki buyuklugunun posterior dagilimini gosterir: fark lehine kanit ne
    kadar guclu?
  >> DEGISKEN SECIMI:
    - Bagimli (surekli): value
    - Gruplama (2 kategori): group

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    BF10 = 3.4 x 10^46 (kesin kanit, H1)   Cohen's d = 3.94   (value ~ group: yeni/eski)

>> YORUM (anlatim):
    Yeni ve eski iki uygulamanin bir olcum uzerindeki farkini Bayesci cerceveden test ettik. Klasik t-testi sadece
    p-degeri verir; Bayesci t-testi ise Bayes faktoru ile "veriler hangi hipotezi kac kat destekliyor" sorusuna
    yanit verir. Sonuc akil almaz: BF10 = 3.4 x 10 uzeri 46. Bu, verilerin "fark var" hipotezini "fark yok"a gore
    astronomik bir oranla destekledigi anlamina gelir -- "kesin kanit"in cok otesinde. Cohen's d = 3.94 ile etki
    de devasa. Bayes faktorunun guzelligi, p-degerinin yapamadigini yapmasi: H0 LEHINE de kanit olcebilir ve kanitin
    GUCUNU surekli bir olcekte verir. Burada fark o kadar net ki, yeni uygulamanin eskisinden kesin biçimde ustun
    oldugunu soyleyebiliriz.

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

#102  Bayesian Correlation
    dosya: 102_bayesian_correlation_BF10.xlsx
  >> SENARYO (anlatim):
    Iki surekli degisken (X_variable, Y_variable) arasindaki iliskiyi Bayesci olarak inceliyoruz. Klasik korelasyon
    bir r ve p verir; Bayesci korelasyon, r'nin posterior dagilimini ve Bayes faktorunu (BF10) saglar: "iliski yok"
    hipotezine karsi "iliski var" hipotezi icin kanit ne kadar guclu, r icin guvenilirlik araligi nedir?
  >> DEGISKEN SECIMI:
    - Degisken 1: X_variable
    - Degisken 2: Y_variable

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    r = 0.780 (cok guclu)   BF10 = 4.5 x 10^14 (kesin kanit: iliski var)   (X_variable, Y_variable)

>> YORUM (anlatim):
    Iki surekli degisken arasindaki iliskiyi Bayesci olarak inceledik. Klasik korelasyon bir r ve p verir; Bayesci
    korelasyon ise r'nin posterior dagilimini ve Bayes faktorunu saglar. Sonuc cok guclu: r = 0.78 ve BF10 = 4.5 x
    10 uzeri 14. Yani "iliski var" hipotezi, "iliski yok"a gore on dort sifirli bir oranla destekleniyor -- kesin
    kanit. Bayesci yaklasimin avantaji, sadece "anlamli mi" degil, "kanit ne kadar guclu" ve "r icin makul aralik ne"
    sorularina dogrudan yanit vermesi. Buradaki gibi cok guclu bir iliskide, Bayes faktoru sonucu tartismasiz kilar:
    iki degisken arasinda gercek ve guclu bir baglanti var.

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

#103  Bayesian ANOVA
    dosya: 103_bayesian_anova_2yonlu.xlsx
  >> SENARYO (anlatim):
    Iki faktorun (factor1, factor2) bir sonuc (value) uzerindeki etkisini Bayesci iki yonlu ANOVA ile inceliyoruz.
    Klasik ANOVA F ve p verir; Bayesci ANOVA, hangi modelin (ana etkiler, etkilesim) veriyi en iyi acikladigini Bayes
    faktorleriyle karsilastirir: etkilesim lehine kanit var mi, hangi etki en guclu desteklenen?
  >> DEGISKEN SECIMI:
    - Bagimli (surekli): value
    - Faktor 1: factor1
    - Faktor 2: factor2

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Bayesian ANOVA   |   faktor(ler): factor1   |   model karsilastirmasi (Bayes faktorleri)
    value ~ factor1 (+ factor2)

>> YORUM (anlatim):
    Faktor(ler)in bir sonuc uzerindeki etkisini Bayesci ANOVA ile inceledik. Klasik ANOVA F ve p verir; Bayesci ANOVA
    ise hangi modelin -- yalnizca ana etki mi, etkilesim de mi -- veriyi en iyi acikladigini Bayes faktorleriyle
    karsilastirir. Boylece "etkilesim lehine kanit var mi" sorusuna dogrudan yanit alirz; klasik yaklasimda etkilesimin
    "anlamsiz" cikmasi onun yoklugunu KANITLAMAZ, ama Bayes faktoru H0 lehine de kanit olcebilir. Bayesci ANOVA'nin
    pratik degeri, model secimini olasilik diliyle ifade etmesi: "veriler en cok su modeli destekliyor" diyebilmek,
    karar vermede klasik p-degeri esiklerinden daha bilgilendiricidir.

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

#104  Hierarchical Bayesian (LMM)
    dosya: 104_hierarchical_bayesian_LMM.xlsx
  >> SENARYO (anlatim):
    Gruplara (group_id) yuvalanmis veride bir kovaryatin (X_covariate) sonuca (Y_response) etkisini Bayesci hiyerarsik
    modelle tahmin ediyoruz. Hiyerarsik Bayesci yaklasim, grup duzeyi etkileri kismi-havuzlama ile tahmin eder: az
    veriye sahip gruplar genel ortalamaya cekilir, boylece daha kararli ve belirsizligi acikca ifade eden tahminler
    elde edilir.
  >> DEGISKEN SECIMI:
    - Bagimli (surekli): Y_response
    - Kovaryat (sabit etki): X_covariate
    - Gruplama (rastgele): group_id

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    σ²_u (grup random) = 2.90 (%8.6)   |   X_covariate sabit etkisi %95 credible interval ile
    Y_response ~ X_covariate + (1 | group_id)

>> YORUM (anlatim):
    Gruplara yuvalanmis veride bir kovaryatin sonuca etkisini Bayesci hiyerarsik modelle tahmin ettik. Hiyerarsik
    Bayesci yaklasim, grup duzeyi etkileri "kismi havuzlama" ile tahmin eder: az veriye sahip gruplar genel ortalamaya
    cekilir, boylece daha kararli ve belirsizligi acikca ifade eden tahminler elde edilir. Grup random varyansi toplam
    degiskenligin yuzde 8.6'sini olusturuyor -- yani gruplar arasinda kayda deger ama baskin olmayan bir fark var.
    Kovaryatin etkisi posterior credible interval ile raporlandi. Bu yaklasimin gucu ozellikle az-veri/cok-grup
    durumlarinda ortaya cikar: tek tek grup tahminlerini "akilli biçimde" duzeltir, asiri-uyumu onler ve belirsizligi
    durust biçimde aktarir.

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

#105  Spatial Lag (SAR)
    dosya: 105_spatial_sar_spatial.xlsx
  >> SENARYO (anlatim):
    Mekansal birimlerde (lat, lon) bir sonucu (Y_value) X1, X2 ile modelliyoruz; ancak komsu birimler birbirini etkiliyor
    (mekansal yayilim). Klasik regresyon bu bagimliligi yok sayar. Mekansal gecikme modeli (SAR), komsulardaki Y'yi
    modele alarak yayilimi modeller: bir birimdeki yuksek deger, komsulari da yukseltiyor mu (mekansal tasma etkisi)?
  >> DEGISKEN SECIMI:
    - Bagimli (sonuc): Y_value
    - Yordayicilar: X1, X2
    - Koordinatlar: lat, lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    ρ (rho) = 0.336   AIC = 1051.6   |   k-NN W matrisi   (Y_value ~ X1 + X2, lat/lon)

>> YORUM (anlatim):
    Mekansal birimlerde bir sonucu X1, X2 ile modelledik; ama komsu birimler birbirini etkiliyordu (mekansal yayilim).
    Klasik regresyon bu bagimliligi yok sayar. Mekansal gecikme modeli (SAR), komsulardaki Y'yi modele alarak yayilimi
    yakaladi: mekansal otoregresif parametre ρ = 0.34, pozitif ve kayda deger. Bunun anlami, bir birimdeki yuksek deger
    komsularini da yukseltiyor -- yani mekansal bir "tasma" (spillover) etkisi var. Pratikte bu cok onemli: orn. yuksek
    verimli bir parsel, komsu parsellerin verimini de etkiliyorsa, mudahaleler tek tek degil mekansal kumeler halinde
    planlanmali. SAR, mekansal bagimliligi yok saymanin yol acacagi yanli tahminleri onler.

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

#106  Spatial Error (SEM)
    dosya: 106_spatial_error_residual.xlsx
  >> SENARYO (anlatim):
    Yine mekansal birimlerde Y_value'yu X1, X2 ile modelliyoruz; ama bu kez mekansal bagimlilik artiklarda (gozlenmeyen
    ortak cevresel faktorlerden). Mekansal hata modeli (SEM), hata teriminin mekansal yapisini modelleyerek katsayilarin
    yanli/sismis cikmasini onler: X etkileri, komsulukten kaynaklanan gizli mekansal kalintidan aritildiginda nedir?
  >> DEGISKEN SECIMI:
    - Bagimli (sonuc): Y_value
    - Yordayicilar: X1, X2
    - Koordinatlar: lat, lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    λ (lambda) = 0.590   z = 6.38, p < .001   Pseudo R² = 0.84   AIC = 1037.4
    Y_value ~ X1 + X2 (lat/lon)

>> YORUM (anlatim):
    Yine mekansal birimlerde Y'yi X1, X2 ile modelledik; ama bu kez mekansal bagimlilik artiklarda (gozlenmeyen ortak
    cevresel faktorlerden). Mekansal hata modeli (SEM), hata teriminin mekansal yapisini modelleyerek katsayilarin
    yanli/sismis cikmasini onler. Sonuc anlamli: λ = 0.59, z = 6.38, p < .001 -- yani artiklarda guclu bir mekansal
    otokorelasyon var. Bu, "olculmemis mekansal degiskenler" (orn. haritalanmamis toprak/iklim gradyani) hipotezini
    destekler: modele koymadigimiz ama mekansal olarak yapilanmis bir seyler artiklari etkiliyor. Pseudo R² = 0.84 ile
    model yine de guclu. SAR ile SEM arasinda secim, yayilimin sonucta mi (SAR) yoksa hatada mi (SEM) oldugunu sormaktir;
    burada AIC, SEM'i biraz daha iyi buluyor.

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

#107  GWR (Cografi Agirlikli Regresyon)
    dosya: 107_gwr_local.xlsx
  >> SENARYO (anlatim):
    X1, X2'nin Y_value uzerindeki etkisinin her yerde ayni olmadigini, mekana gore degistigini dusunuyoruz. Klasik
    regresyon tek bir global katsayi verir; GWR ise her konum icin yerel katsayilar tahmin eder: bir degiskenin etkisi
    bir bolgede guclu, baska bolgede zayif/ters olabilir. Mekansal heterojeniteyi harita uzerinde gorunur kilar.
  >> DEGISKEN SECIMI:
    - Bagimli (sonuc): Y_value
    - Yordayicilar: X1, X2
    - Koordinatlar: lat, lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R² = 0.887   Duz. R² = 0.868   AICc = 1129.9   |   her konum icin yerel katsayilar
    Y_value ~ X1 + X2 (lat/lon)

>> YORUM (anlatim):
    X1, X2'nin Y uzerindeki etkisinin her yerde ayni olmadigini, mekana gore degistigini dusunduk. Klasik regresyon
    tek bir global katsayi verir; GWR ise her konum icin yerel katsayilar tahmin eder. Model cok iyi uydu (R² = 0.89).
    GWR'nin asil ciktisi, katsayilarin harita uzerindeki DEGISIMIDIR: bir degiskenin etkisi bir bolgede guclu, baska
    bolgede zayif ya da ters olabilir. Bu, "mekansal heterojenite" denen olguyu gorunur kilar. Pratikte cok degerli:
    orn. yagisin verime etkisi kurak bolgede cok guclu, nemli bolgede zayifsa, bunu tek bir global katsayi gizler --
    GWR ortaya cikarir. Bolgeye ozgu yonetim kararlari icin global modellerden cok daha bilgilendiricidir.

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

#108  Nested LMM (Yuvalanmis Karma Model)
    dosya: 108_nested_lmm_R_P_F.xlsx
  >> SENARYO (anlatim):
    Replikasyonlu hiyerarsik bir islah denemesinde -- blok (block), ust grup (upper_group), alt grup (lower_group_no) --
    bir ozelligin (value) varyans bilesenlerini ve etkilerini ayni modelde tahmin ediyoruz. Yuvalanmis LMM, alt grubun
    ust grup icinde yuvalandigi bu yapida her seviyenin katkisini dogru F testleriyle verir: populasyonlar/aileler arasi
    fark anlamli mi, genotip-cevre etkilesimi var mi?
  >> DEGISKEN SECIMI:
    - Bagimli (surekli): value
    - Replikasyon (blok): block
    - Ust grup: upper_group
    - Alt grup (nested): lower_group_no

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    upper_group (P): F(3) = 4.92, p = 0.010 *   |   model: value ~ R + P + R*P + F(P) + R*F(P)
    block (R), upper_group (P), lower_group_no (F nested in P)

>> YORUM (anlatim):
    Replikasyonlu hiyerarsik bir islah denemesinde -- blok, ust grup (populasyon), alt grup (aile, populasyon icinde
    nested) -- bir ozelligin varyans bilesenlerini ve etkilerini ayni modelde tahmin ettik. Nested LMM, bu yuvalanmis
    yapida her seviyenin katkisini dogru F testleriyle verir (her etki icin uygun hata terimi kullanilir -- bu, sira-
    dan ANOVA'nin yapamadigi seydir). Sonuc: ust grup (populasyon) anlamli, F(3) = 4.92, p = 0.010. Yani populasyonlar
    arasinda genetik/yapisal fark var. Bu, ormancilik islahinin temel sorusudur: hangi seviyede secilim yapmali?
    Populasyon farki anlamliysa, dogru populasyonu secmek; aile farki baskinsa, populasyon icinde aile secmek
    onceliklidir. Nested LMM bu kararin istatistiksel temelini saglar.

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

#109  Crossed LMM (Caprazlanmis Karma Model)
    dosya: 109_crossed_lmm_A_B.xlsx
  >> SENARYO (anlatim):
    Iki rastgele faktorun (factor_a, factor_b) caprazlandigi -- her A seviyesi her B seviyesiyle eslesir -- bir tasarimda
    sonucu (value) modelliyoruz (orn. her genotip her lokasyonda denenmis). Caprazlanmis LMM, A ve B'yi caprazlanmis
    rastgele etkiler olarak alir; boylece hem genotip hem lokasyon kaynakli degiskenligi ayni anda modelleyip ari
    tahminler verir.
  >> DEGISKEN SECIMI:
    - Bagimli (surekli): value
    - Caprazlanmis rastgele etkiler: factor_a, factor_b

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    factor_a (random): F(3) = 0.38, p = 0.767 ns   |   value ~ factor_a + factor_b (caprazlanmis random)

>> YORUM (anlatim):
    Iki rastgele faktorun caprazlandigi -- her A seviyesi her B seviyesiyle eslesir -- bir tasarimda sonucu modelledik
    (orn. her genotip her lokasyonda denenmis). Caprazlanmis LMM, A ve B'yi caprazlanmis rastgele etkiler olarak alir;
    boylece hem genotip hem lokasyon kaynakli degiskenligi ayni anda modeller. Sonuc: faktor A anlamli degil (F(3) =
    0.38, p = 0.77) -- yani bu faktor seviyeleri arasinda kayda deger bir fark yok. Anlamsizlik da bir bulgudur: A
    faktorunun sonuca katkisi ihmal edilebilir. Caprazlanmis tasarimlar, yuvalanmistan farklidir: burada A ve B
    bagimsiz olarak capraz duzenlenmistir (her kombinasyon mevcut), yuvalanmista ise alt faktor uste gomulur. Dogru
    model, tasarimin gercek yapisina baglidir.

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

#110  KDE (Cekirdek Yogunluk Haritasi)
    dosya: 110_KDE_field_distribution_density.xlsx
  >> SENARYO (anlatim):
    Tarla noktalarinin (lat, lon) ve verimin (yield_ton_ha) mekansal yogunlugunu surekli bir yuzey olarak gormek
    istiyoruz. Cekirdek yogunluk tahmini (KDE), nokta verisini puruzsuz bir yogunluk haritasina donusturur: uretim
    nerede yogunlasiyor, hangi alanlar seyrek? Sicak/soguk bolgeler bir bakista okunur.
  >> DEGISKEN SECIMI:
    - Koordinatlar: lat, lon
    - Agirlik (deger): yield_ton_ha

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Harita: cekirdek yogunluk (KDE) yuzeyi   |   noktalar: lat/lon, agirlik: yield_ton_ha (gorsel cikti)

>> YORUM (anlatim):
    Tarla noktalarinin ve verimin mekansal yogunlugunu surekli bir yuzey olarak gorduk. Cekirdek yogunluk tahmini (KDE),
    dagiitik nokta verisini puruzsuz bir sicaklik haritasina donusturur: uretimin nerede yogunlastigi, hangi alanlarin
    seyrek oldugu bir bakista okunur. Bu bir gorsel kesif aracidir -- tek bir sayi yerine, mekansal oruntunun TAMAMINI
    gosterir. Pratikte hassas tarimda cok degerli: yuksek verimli "sicak" bolgeler ile dusuk verimli "soguk" bolgeler
    ayirt edilip, mudahale (gubreleme, sulama) hedeflenmis biçimde yonlendirilebilir. KDE, "verim nerede toplaniyor"
    sorusunun gorsel yanitidir.

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

#111  Hexbin (Yogunluk Haritasi)
    dosya: 111_Hexbin_plot_distribution.xlsx
  >> SENARYO (anlatim):
    Cok sayida tarla noktasini (lat, lon) altigen kutucuklara toplayarak yogunlugu gosteriyoruz. Hexbin haritasi,
    nokta yiginlarinin gosterimde ust uste binmesini onler ve her altigende kac gozlem/hangi yogunluk oldugunu renkle
    verir: dagilimin yogun ve seyrek bolgeleri net gorunur.
  >> DEGISKEN SECIMI:
    - Koordinatlar: lat, lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Harita: altigen kutucuk (hexbin) yogunluk haritasi   |   noktalar: lat/lon (gorsel cikti)

>> YORUM (anlatim):
    Cok sayida tarla noktasini altigen kutucuklara toplayarak yogunlugu gosterdik. Hexbin haritasi, noktalarin gosterimde
    ust uste binmesi sorununu cozer: binlerce nokta birbirini gizlerken, hexbin her altigende kac gozlem dustugunu renkle
    verir. KDE'den farki, surekli bir yuzey yerine ayrik kutucuklar kullanmasi -- bu, yogunlugu sayisal ve net biçimde
    okumayi saglar. Pratikte buyuk nokta veri setlerini (orn. tum parsel konumlari) gorsellestirmenin en temiz yoludur:
    yogun ve seyrek bolgeler, dagilimin yapisi bir bakista anlasilir. Saçilim grafiginin asiri kalabaliklastigi her
    durumda hexbin tercih edilir.

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

#112  Moran's I (Mekansal Otokorelasyon)
    dosya: 112_Morans_I_yield_autocorrelation.xlsx
  >> SENARYO (anlatim):
    Tarla verimi (yield_ton_ha) mekansal olarak rastgele mi dagilmis, yoksa benzer degerler birbirine yakin mi
    kumelenmis? Moran's I, mekansal otokorelasyonu tek bir indeksle olcer: pozitif I, yuksek verimli tarlalarin yuksek
    verimli komsulara bitisik oldugunu (kumelenme) gosterir. Verimde mekansal bir oruntu var mi, anlamli mi?
  >> DEGISKEN SECIMI:
    - Deger: yield_ton_ha
    - Koordinatlar: lat, lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Moran's I = 0.405   p = 0.001 **   (pozitif mekansal otokorelasyon)   yield_ton_ha (lat/lon, k-NN W)

>> YORUM (anlatim):
    Tarla veriminin mekansal olarak rastgele mi dagildigini, yoksa benzer degerlerin birbirine yakin mi kumelendigini
    test ettik. Moran's I, mekansal otokorelasyonu tek bir indeksle olcer (-1 ile +1 arasi; 0 = rastgele). Sonuc: I =
    0.405, p = 0.001 -- pozitif ve anlamli. Bunun anlami net: yuksek verimli tarlalar yuksek verimli komsulara bitisik,
    dusuk verimliler de birbirine yakin; yani verim mekansal olarak KUMELENMIS, rastgele dagilmamis. Bu cok onemli bir
    bulgu: rastgele olmayan bir mekansal oruntu varsa, klasik istatistikler (bagimsizlik varsayan) yaniltici olur ve
    mekansal modeller (SAR/SEM) gerekir. Pratikte verimdeki bu kumelenme, altta yatan mekansal bir gradyani (toprak,
    su, mikroklima) isaret eder ve hedeflenmis arazi yonetimine kapi acar.

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

#113  Getis-Ord G* (Hotspot Analizi)
    dosya: 113_Getis_Ord_high_yield_hotspot.xlsx
  >> SENARYO (anlatim):
    Verimin (yield_ton_ha) nerede istatistiksel olarak anlamli "sicak noktalar" (yuksek-yuksek kumeler) ve "soguk
    noktalar" olusturdugunu bulmak istiyoruz. Getis-Ord G*, her konum icin cevresindeki degerlerin yerel toplamini
    karsilastirir: bu tarla, yuksek verimli bir kumenin merkezinde mi? Hangi parseller hedeflenmis yonetim icin
    oncelikli?
  >> DEGISKEN SECIMI:
    - Deger: yield_ton_ha
    - Koordinatlar: lat, lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Harita: yerel G* z-skorlari (sicak/soguk noktalar)   |   yield_ton_ha (lat/lon)
    (genel mekansal kumelenme Moran's I ile dogrulanmis: I = 0.41, p = .001)

>> YORUM (anlatim):
    Verimin nerede istatistiksel olarak anlamli "sicak noktalar" (yuksek-yuksek kumeler) ve "soguk noktalar" olusturdugunu
    inceledik. Moran's I bize GENEL bir kumelenme oldugunu soyler; Getis-Ord G* ise bunu YERELLESTIRIR: her konum icin,
    cevresindeki degerlerin yerel toplamini karsilastirarak o noktanin bir sicak mi soguk mu kumenin parcasi oldugunu
    z-skoruyla verir. Harita, yuksek-verim sicak noktalarini kirmizi, dusuk-verim soguk noktalarini mavi gosterir. Pratik
    degeri dogrudan: sicak noktalar "neden bu kadar verimli" diye incelenip iyi uygulamalar yayginlastirilabilir; soguk
    noktalar ise oncelikli mudahale (toprak iyilestirme, drenaj) gerektiren alanlardir. Moran's + Getis-Ord ikilisi,
    "kumelenme var mi" ve "nerede" sorularini birlikte yanitlar.

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

#114  DBSCAN (Mekansal Tarla Kumeleri)
    dosya: 114_DBSCAN_field_kumeleri.xlsx
  >> SENARYO (anlatim):
    Tarla/parsel konumlarini (lat, lon) cografi yakinliga gore dogal kumelere ayirmak istiyoruz. DBSCAN, yogunluk
    tabanli kumeleme yapar: birbirine yakin parseller bir kume olur, izole parseller "gurultu" olarak ayrilir. Kume
    sayisini onceden vermeye gerek yoktur; duzensiz bicimli tarim alani kumelerini ve aykiri konumlari dogrudan ortaya
    cikarir.
  >> DEGISKEN SECIMI:
    - Koordinatlar: lat, lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    DBSCAN: 4 kume + 11 gurultu noktasi   (n = 115)   |   lat/lon, yogunluk-tabanli

>> YORUM (anlatim):
    Tarla/parsel konumlarini cografi yakinliga gore dogal kumelere ayirdik. DBSCAN, yogunluk-tabanli kumeleme yapar:
    birbirine yakin parseller bir kume olur, izole parseller "gurultu" olarak ayrilir. Bu veride 4 dogal tarla kumesi
    ve 11 izole (gurultu) parsel bulundu. K-ortalamalardan iki temel farki var: kume sayisini onceden vermeye gerek yok
    ve duzensiz bicimli kumeleri yakalayabilir -- ayrica aykiri konumlari (gurultu) acikca isaretler. Pratikte bu, dagiitik
    tarim arazilerini yonetim birimlerine ayirmak icin idealdir: her kume bir operasyonel blok olarak ele alinabilir,
    izole parseller ise ayri planlanabilir. Mekansal organizasyon ve lojistik planlama icin dogrudan kullanilir.

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

#115  Karma Desen (Split-Plot) ANOVA
    dosya: 115_mixed_anova_crop_yield_t_ha.xlsx
  >> SENARYO (anlatim):
    40 plots uc season duzeyinde (season1, season2, season3) olculur; her biri iki fertilizer grubundan birine (organic / mineral) aittir. Karma (split-plot) desen; crop yield uzerinde denekler-arasi ana etki,
    denek-ici ana etki ve etkilesimi sinar.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: crop_yield_t_ha
    - Denek kimligi: plot_id
    - Denekler-arasi faktor: fertilizer
    - Denek-ici faktor: season

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Between (fertilizer): F(1,38) = 5.76  p = 0.021  np2 = 0.132
    Within (season):  F(2,76) = 148.64  p < .001  np2 = 0.796
    Interaction:         F(2,76) = 11.09  p < .001  np2 = 0.226
    Mauchly W = 0.781  p = 0.009   n_subjects = 40   n_obs = 120

>> YORUM (anlatim):
    fertilizer x season karma deseninde 40 plots icin crop yield incelendi (120 gozlem). Etkilesim anlamli (F(2,76) = 11.09, p < .001, np2 = 0.226) *** -- iki grubun season boyunca degisimi farkli buyukluktedir. Denekler-arasi ana etki (organic vs mineral) F = 5.76, p = 0.021; denek-ici ana etki (season1/season2/season3) F = 148.64, p < .001. Mauchly p = 0.009, yani kurelik ihlal edilir, Greenhouse-Geisser duzeltmeli denek-ici p okunur. Once etkilesime bakilir: anlamliysa grup etkisi her season duzeyinde ayri yorumlanmalidir. Ziraatte karma desen, gübre rejimlerini verim üzerinde mevsimler boyunca karşılaştırma icin standart analizdir.

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