Ki-Kare Bağımsızlık Testi Varsayımları ve Fisher Testi

ki kare bağımsızlık varsayımları neden önce kontrol edilir?

Nitekim ki-kare bağımsızlık testi, iki kategorik değişkenin birbirinden bağımsız olup olmadığını sınar. Test istatistiği, gözlenen ile beklenen frekansların farkına dayanır. Bu nedenle örneklem yapısı bozulduğunda yaklaşımsal ki-kare dağılımı güvenilir olmaktan çıkar. Özellikle küçük örneklemlerde veya seyrek hücrelerde yalnızca p değerine bakmak yanıltıcıdır.

Ayrıca akademik raporlarda hakemler sıkça “beklenen frekans kuralı sağlandı mı?” diye sorar. Dolayısıyla analiz çıktısından önce varsayım kontrolünü yazmak, hem yöntemin şeffaflığını hem de bulgunun savunulabilirliğini artırır.

Hangi veri tipi ki-kare için uygundur?

Sonuç olarak bu test nominal veya ordinal kategorik değişkenler içindir. Örneğin cinsiyet × sigara kullanımı, bölüm × memnuniyet düzeyi, tanı grubu × tedavi yanıtı gibi çiftler uygundur. Sürekli bir değişkeni doğrudan ki-kareye sokmak doğru değildir; önce anlamlı kesme noktalarıyla kategorileştirmek gerekir. Ancak keyfî dilimleme bilgi kaybı yaratır; bu yüzden kesme noktasını literatür veya klinik eşikle gerekçelendirin.

Bunun yanında, örneğin her iki değişkenin de en az iki düzeyi olmalıdır. 2×2 tablolar özel bir önem taşır çünkü Fisher kesin testi burada en sık devreye girer. Daha büyük tablolarda (örneğin 3×4) alternatifler genişler; yine de beklenen frekans profili belirleyici olmaya devam eder.

Gözlem bağımsızlığı ne anlama gelir?

ki kare bağımsızlık varsayımları ve bağımlı gözlem riski

ki kare bağımsızlık varsayımları içinde en çok gözden kaçanı, satırların (gözlemlerin) birbirinden bağımsız olmasıdır. Aynı kişi birden fazla satırda yer alıyorsa, eşleştirilmiş ölçümler varsa veya küme içi bağımlılık (sınıf, klinik, aile) güçlüyse standart ki-kare uygun olmayabilir.

Örneğin “önce–sonra” tasarımında aynı katılımcının iki zaman noktası bağımsız gözlem değildir. Benzer şekilde bir öğrencinin birden fazla ders kaydının satır satır işlenmesi de bağımlılık üretir. Bu durumda McNemar, karışık modeller veya genelleştirilmiş tahmin denklemleri gibi başka yaklaşımlar düşünülmelidir. Kısacası önce tasarımı, sonra menüyü seçin.

Beklenen frekans kuralı nasıl okunur?

ki kare bağımsızlık varsayımları için frekans eşiği

Kısacası klasik kural şöyle özetlenir:

1. Hiçbir hücrenin beklenen frekansı 0 olmamalıdır.
2. 2×2 tablolarda tüm beklenenler genellikle ≥5 olmalıdır.
3. Daha büyük tablolarda hücrelerin en fazla %20’sinde beklenen <5 kabul edilebilir; yine de 1’in altı sorun işaretidir.

SPSS’te Analyze → Descriptive Statistics → Crosstabs → Cells menüsünden Expected işaretlenerek beklenenler görülebilir. Statistics altında Chi-square seçildiğinde uyarı satırı da çıkar. Bu uyarıyı yok saymak yerine tabloyu birleştirme, örneklemi büyütme veya Fisher’e geçme seçeneklerini değerlendirin.

ki kare bağımsızlık varsayımları bozulursa ne yapılır?

Bu nedenle varsayımlar bozulduğunda üç pratik yol vardır:

Fisher kesin testi, 2×2 tabloda satır ve sütun toplamları sabitken gözlenen tablonun hipergeometrik olasılığını hesaplar. Bu nedenle yaklaşımsal dağılıma ihtiyaç duymaz. Öte yandan çok büyük örneklemlerde Pearson ki-kare genellikle yeterlidir; her küçük sapmada Fisher’e koşmak şart değildir.

SPSS’te adım adım varsayım ve test seçimi

ki kare bağımsızlık varsayımları SPSS’te nerede bakılır?

Böylece aşağıdaki sıra, çoğu tez ve makale dosyasında işe yarar:

1. Değişkenleri kategorik tanımlayın (Variable View → Measure: Nominal/Ordinal).
2. Crosstabs ile çapraz tabloyu kurun.
3. Cells → Observed + Expected işaretleyin.
4. Statistics → Chi-square (gerekirse Phi and Cramer’s V) seçin.
5. Exact menüsünden gerektiğinde Exact / Monte Carlo işaretleyin.
6. Beklenen frekans uyarılarını okuyun.
7. 2×2 ve kural ihlali varsa Fisher satırını raporlayın.
8. Etki büyüklüğünü ve hücre yüzdelerini yorumlayın.

Bu akış, yalnızca “p < 0,05” yazmaktan daha savunulabilir bir yöntem paragrafı üretir. p değerinin anlam sınırlarını p değeri nasıl yorumlanır yazımızda ayrıca tartıştık.

Etki büyüklüğü olmadan sonuç eksik kalır mı?

ki kare bağımsızlık varsayımları sağken etki büyüklüğü

Evet; çünkü çoğu alanda eksik kalır. Anlamlı bir ki-kare, ilişkinin varlığına işaret eder ama gücünü söylemez. 2×2 için Phi, daha büyük tablolar için Cramer’s V yaygın raporlanır. Ayrıca satır veya sütun yüzdeleriyle hangi kategorilerin ilişkiyi sürüklediği gösterilmelidir. Böylece okuyucu hem istatistiksel hem de pratik anlamı görür.

Bununla birlikte büyük örneklemlerde çok zayıf ilişkiler de anlamlı çıkabilir. Bu yüzden yalnızca p’ye bakmak yerine etki büyüklüğü ve güven aralıkları (uygunsa) birlikte verilmelidir.

Raporlama şablonu: varsayım cümlesi nasıl yazılır?

Dolayısıyla yöntem ve bulgular için kısa bir şablon:

1. “İki kategorik değişken arasındaki ilişki ki-kare bağımsızlık testi ile incelendi.”
2. “Beklenen frekans kuralı kontrol edildi; X hücrede beklenen <5 bulundu / bulunmadı.”
3. “Kural ihlali nedeniyle Fisher kesin testi kullanıldı” veya “Pearson ki-kare raporlandı.”
4. “χ²(sd)=…, p=…, Cramer’s V=… / Phi=…”
5. “İlişkinin yönü yüzde dağılımlarıyla özetlendi.”

Bu beş cümle, ki kare bağımsızlık varsayımları kontrolünün yapıldığını hakeme açıkça gösterir. Veri temizliği ve kayıp veri adımları için SPSS veri temizleme rehberi faydalıdır; genel analitik akış için SPSS veri analizi ve raporlama sayfasına bakabilirsiniz.

Yaygın hatalar ve kısa düzeltmeler

• Sürekli değişkeni kategorisiz kullanmak: Önce gerekçeli dilimleyin veya başka test seçin.
• Bağımlı gözlemleri yok saymak: Eşleştirilmiş tasarımda McNemar’ı düşünün.
• Yalnızca asymptotic p okumak: Uyarı satırını ve Exact sonuçlarını kontrol edin.
• Hücre birleştirmeyi gerekçesiz yapmak: Kuramsal olarak anlamlı birleştirmeler tercih edin.
• Etki büyüklüğünü atlamak: Phi/V ve yüzdeleri ekleyin.
• Normallik aramak: Ki-kare bağımsızlık testi normallik varsaymaz; bu noktayı hangi normallik testi kullanılır yazısıyla karıştırmayın.

Analiz çıktınızın yorumunda takılırsanız, istatistik danışmanlığı seçeneklerini veri analizi desteği sayfasında bütçenize göre inceleyebilirsiniz.

Kontrol listesi: analiz öncesi son bakış

• [ ] İki değişken de kategorik.
• [ ] Gözlemler birbirinden bağımsız.
• [ ] Beklenen frekanslar incelendi.
• [ ] Gerekirse Fisher veya düzeltme seçildi.
• [ ] Serbestlik derecesi, p ve etki büyüklüğü raporlandı.
• [ ] Yüzde dağılımı ile ilişki yönü anlatıldı.

Özetle varsayımlar tutulduğunda Pearson ki-kare; bozulduğunda ise Fisher veya bilinçli kategori birleştirme doğru yoldur. Varsayımı yazmadan p üretmek, teknik olarak kolay ama bilimsel olarak zayıf bir tercihtir.

Örnek senaryo: 2×2 tabloda karar nasıl verilir?

Diyelim ki 40 katılımcıda tedavi yanıtı (var/yok) ile cinsiyet (kadın/erkek) çaprazlanıyor. Özellikle bir hücrede gözlenen frekans 2, beklenen frekans 3,4 çıktıysa asymptotic ki-kareye güvenmek risklidir. Bu durumda önce Fisher kesin testine bakın. Ayrıca satır yüzdelerini yazarak ilişkinin klinik olarak anlamlı olup olmadığını tartışın.

Bununla birlikte örneklem 400’e çıktığında ve tüm beklenenler 10’un üzerindeyse Pearson ki-kare genellikle yeterlidir. Dolayısıyla aynı araştırma sorusu, örneklem büyüklüğüne göre farklı rapor satırları üretebilir. Bu fark bir çelişki değil, varsayım bilincinin doğal sonucudur.

Öte yandan kategori birleştirme ihtiyacı doğarsa birleşmenin kuramsal gerekçesini yöntem bölümünde açıkça yazın. Örneğin “hiçbir zaman / nadiren / sık” seçeneklerini “düşük / yüksek” diye birleştirmek, ölçeğin anlamını bozuyorsa tercih edilmemelidir.

Sonuç: varsayımı yazmadan p yeter mi?

Hayır. Sonuç paragrafında yalnızca p vermek, okuyucuya testin geçerli koşullarda çalıştığını göstermez. Bu nedenle varsayım kontrolünü bir cümleyle bile olsa yazmak, bulgunun güvenilirliğini artırır. Böylece hem tez jürisi hem de hakem, analizin teknik olarak savunulabilir olduğunu görür.

Küçük örneklemde ek kontroller nelerdir?

ki kare bağımsızlık varsayımları küçük n’de nasıl değişir?

Küçük örneklemlerde yalnızca test seçimi yetmez. Öncelikle kayıp verinin rastgele olup olmadığını kontrol edin. Ardından kategori seviyelerinin boşalıp boşalmadığına bakın. Ayrıca çapraz tabloda sıfır gözlenen hücre varsa, modelin yorumunu dikkatle sınırlandırın.

Bununla birlikte simülasyon veya bootstrap temelli yaklaşımlar bazı çalışmalarda ek kanıt sağlar. Ancak lisansüstü tezlerin çoğunda net bir Fisher/Pearson kararı ve şeffaf varsayım cümlesi yeterlidir. Öte yandan klinik çalışmalarda önceden kayıtlı analiz planı varsa, teste sonradan geçiş gerekçesini mutlaka yazın.

Sonuç olarak küçük örneklem, “anlamlı çıkmadı” demekten önce “test varsayımları ne diyor?” sorusunu zorunlu kılar. Bu alışkanlık, yanlış pozitif ve yanlış negatif riskini birlikte azaltır. Sonuçta ki kare bağımsızlık varsayımları, küçük örneklemde daha da kritik hâle gelir.

Sık sorulan sorular

Beklenen frekans 5’ten küçükse test tamamen geçersiz mi?

Hayır. Örneğin 2×2’de Fisher, büyük tabloda kontrollü birleştirme veya exact yöntemler kullanılabilir. Önemli olan ihlali görüp yöntemi buna göre seçmektir.

Fisher her zaman daha mı iyidir?

Hayır. Buna karşın büyük örneklemde ve varsayımlar sağken Pearson ki-kare standart ve yeterlidir. Fisher özellikle küçük 2×2 tablolarda öne çıkar.

Yates düzeltmesi ne zaman kullanılır?

Özellikle genellikle küçük örneklemli 2×2 tablolarda muhafazakâr bir seçenek olarak tartışılır. Alanınızın yaygın raporlama geleneğine bakın.

Cramer’s V nasıl yorumlanır?

Kısacası 0’a yakın değer zayıf, 1’e yakın değer güçlü birlikteliğe işaret eder. Eşikler alana göre değişir; mutlak kesmeleri ezbere kullanmayın.

Üç değişkenli ilişkide ki-kare yeterli midir?

Nitekim ikili çapraz tablo üçlü etkileşimi taşımaz. Bu durumda loglineer modeller veya çok değişkenli kategorik yöntemler gerekir.

SPSS’te Exact butonu yoksa ne yapmalı?

Öte yandan bazı lisanslarda Exact modülü ayrıdır. Bu durumda Fisher satırının görünüp görünmediğini kontrol edin; gerekirse uygun bir istatistik ortamında exact hesabı tekrarlayın.