📊 Anket Analizi

Anket Sonuçları Nasıl Analiz Edilir? SPSS ile Adım Adım Rehber

📅 Güncellendi: 5 Temmuz 2026 ⏱️ 22 dk okuma 📊 Anket & İstatistik

Anket analizi, toplanan ham verileri anlamlı bulgulara dönüştürme sürecidir. İster akademik tez yazıyor, ister müşteri memnuniyeti ölçüyor, ister organizasyonel iklim araştırması yapıyor olun — doğru analiz yöntemi seçmek ve adımları doğru sırayla uygulamak sonuçlarınızın güvenilirliğini doğrudan etkiler. Bu kapsamlı rehberde, ölçek türlerinden normallik testine, Cronbach Alpha'dan faktör analizine, SPSS menü yollarından Python koduna kadar anket analizinin tüm boyutlarını ele alıyoruz.

1
Veri Hazırlama
Kodlama, aktarım, değişken tanımlama
2
Veri Temizleme
Eksik veri, uç değer, straight-lining
3
Tanımlayıcı
Frekans, ortalama, std. sapma
4
Normallik
Shapiro-Wilk, çarpıklık/basıklık
5
Güvenilirlik
Cronbach Alpha, madde analizi
6
İleri Analiz
t-testi, ANOVA, regresyon, AFA

1. Ölçek Türleri ve Analiz Seçimi

Anket sorularındaki yanıt formatı, kullanılacak istatistiksel testi doğrudan belirler. Yanlış ölçek türü için yanlış test uygulamak en sık yapılan hatalardan biridir.

Ölçek TürüÖzellikÖrnekUygun Analizler
NominalKategoriler arasında sıra/mesafe yokCinsiyet, il, meslekFrekans, Ki-Kare, lojistik regresyon
OrdinalSıralı kategoriler; mesafeler eşit değilLikert (1–5), memnuniyet (iyi/orta/kötü)Medyan, Mann-Whitney U, Kruskal-Wallis, Spearman
AralıkEşit aralıklar; gerçek sıfır yokSıcaklık (°C), IQ puanıOrtalama, std. sapma, t-testi, ANOVA, Pearson
OranEşit aralıklar + gerçek sıfırGelir (TL), yaş, süre (saat)Tüm parametrik testler + oran testleri

Likert ölçeği hangi türdür? Teknik olarak ordinal'dir; ancak 5 veya 7 puanlı Likert ölçeği genellikle aralık ölçek gibi işleme tabi tutulur. Toplam/ortalama puan üzerinden çarpıklık ±2 aralığında ise parametrik testler kullanılabilir. Bu yaygın kabul gören pragmatik bir yaklaşımdır — madde düzeyindeki analizlerde ordinal testler tercih edilmelidir.

2. Örneklem Büyüklüğü

Anket analizi için minimum örneklem büyüklüğü analizin türüne ve kabul edilen istatistiksel güce (power) göre değişir. En güvenilir yöntem G*Power yazılımıyla güç analizi yapmaktır.

Analiz TürüMinimum Önerilen nNot
Temel tanımlayıcı analizn ≥ 100Güven aralığı kabul edilebilir genişlikte
Bağımsız t-testiGrup başına n ≥ 30Orta etki büyüklüğü (d=0.5), α=0.05, güç=0.80
ANOVA (3 grup)Grup başına n ≥ 52Orta etki (f=0.25), α=0.05, güç=0.80
Pearson korelasyonun ≥ 85Orta etki (r=0.30), α=0.05, güç=0.80
Açıklayıcı faktör analiziDeğişken başına 5–10, minimum n=100Tercih: n=200+
Çoklu doğrusal regresyonDeğişken başına 10–205 bağımsız değişken → n ≥ 100
Yapısal eşitlik modellemesin ≥ 200Gözlenen değişken başına 5-10

3. Veri Hazırlama ve SPSS'e Aktarım

Veri Formatı

Anket verisinin analiz programına aktarılmadan önce doğru yapıda olması gerekir: her satır bir katılımcıyı, her sütun bir soruyu temsil etmeli. Google Forms ve SurveyMonkey çıktıları genellikle bu formattadır.

Sayısal Kodlama

  • Likert: Kesinlikle Katılmıyorum = 1, Katılmıyorum = 2, Kararsızım = 3, Katılıyorum = 4, Kesinlikle Katılıyorum = 5
  • Cinsiyet: Kadın = 1, Erkek = 2, Belirtmek istemiyorum = 3
  • Eğitim: İlköğretim = 1, Lise = 2, Lisans = 3, Lisansüstü = 4
  • Evet/Hayır: Evet = 1, Hayır = 0

SPSS Variable View — Değişken Tanımlama

SPSS veri dosyasını açın → Aşağıda Variable View sekmesine tıklayın

Her değişken için:
Name: Q1, Q2, Q3… veya yas, cinsiyet, egitim (boşluksuz)
Type: Numeric
Width: 8 | Decimals: 0 (Likert için)
Label: "İş tatmini 1. madde" (açıklayıcı etiket)
Values: 1 = "Kesinlikle Katılmıyorum", 2 = "Katılmıyorum"… (değer etiketleri)
Missing: 99 veya -1 (eksik veri kodunu belirtin)
Measure: Scale (aralık/oran), Ordinal veya Nominal

Ters Kodlama (Reverse Coding)

Olumsuz ifadeli maddeler (örn. "İşimden hiç zevk almıyorum") ters kodlanmalıdır. 5'li Likert için formül: yeni_değer = 6 − eski_değer

Transform → Compute Variable
Target Variable: Q3_ters
Numeric Expression: 6 - Q3
→ OK

4. Veri Temizleme

Eksik Veri Analizi

Eksik veri türünü belirlemek tedaviyi belirler:

  • MCAR (Tamamen Rastgele Eksik): Eksiklik hiçbir değişkenle ilişkili değil. Listwise deletion güvenli kullanılabilir.
  • MAR (Rastgele Eksik): Eksiklik diğer gözlenen değişkenlerle açıklanabilir. Çoklu atama (multiple imputation) önerilir.
  • MNAR (Rastgele Olmayan Eksik): Eksiklik gözlemlenemeyen nedenlerle ilişkili (örn. düşük gelirli katılımcılar gelir sorusunu atladı). Zorlu durum — model tabanlı yöntemler gerektirir.
Analyze → Missing Value Analysis
Tüm değişkenleri "Quantitative Variables" kutusuna ekleyin
Patterns… → Tabular case listing → OK

Çıktıda: Her değişken için eksik sayısı ve yüzdesi gösterilir.
%5'in altı → Listwise/pairwise deletion; %5–20 → Çoklu atama; >%20 → Değişkeni analiz dışı bırakın.

Straight-Lining (Düz Yanıt) Tespiti

Tüm sorulara aynı yanıtı veren katılımcılar (örn. hepsine "3" yazan) veri kalitesini bozar. Standart sapması sıfır veya çok düşük olan satırları tespit edin:

Transform → Compute Variable
Target Variable: sd_row
Numeric Expression: SD(Q1, Q2, Q3, Q4, Q5, Q6, Q7, Q8)
→ OK

Data → Select Cases → sd_row < 0.50 olanları filtreleyin ve inceleyin.

Uç Değer (Outlier) Kontrolü

  • Ölçek dışı değerler: 1–5 ölçeğinde 6, 7 gibi — veri girişi hatası
  • Evrensel ölçüm dışı demografik değerler: Yaş = 200, Gelir = -500
  • z-skoru > ±3.29 olan değerler çok aykırı kabul edilebilir

5. Tanımlayıcı İstatistikler

Frekans Tablosu — SPSS

Analyze → Descriptive Statistics → Frequencies…
Variable(s): Tüm demografik ve kategorik değişkenler
Statistics… → Mean, Std. deviation, Skewness, Kurtosis işaretleyin
Charts… → Bar charts
→ OK
Frekans tablosu çıktısı nasıl okunur?
Frequency: Frekans (kaç kişi bu değeri seçti)
Percent: Geçerli + eksik dahil yüzde
Valid Percent: Sadece geçerli yanıtlar üzerinden yüzde — raporlamada bu sütun kullanılır
Cumulative Percent: Birikimli yüzde

Tanımlayıcı İstatistikler — SPSS

Analyze → Descriptive Statistics → Descriptives…
Variable(s): Tüm Likert maddeleri ve toplam/ortalama puanlar
Options… → Mean, Std. deviation, Minimum, Maximum, Skewness, Kurtosis
→ OK
İstatistikAnlamıKabul Edilebilir Aralık
Ortalama (Mean)Yanıtların ağırlıklı merkezi—
Standart Sapma (Std. Dev.)Ortalama etrafında dağılımDüşük = homojen, Yüksek = heterojen görüş
Çarpıklık (Skewness)Dağılımın simetri sapması±2 aralığı: normal sayılabilir
Basıklık (Kurtosis)Dağılımın sivrilik/basıklığı±2 aralığı: normal sayılabilir

6. Normallik Testleri

Parametrik (t-testi, ANOVA, Pearson) veya parametrik olmayan testler (Mann-Whitney, Kruskal-Wallis, Spearman) arasındaki seçimi normallik belirler.

SPSS ile Normallik Testi

Analyze → Descriptive Statistics → Explore…
Dependent List: Analiz edilecek sürekli değişkenler
Factor List: Grup değişkeni (varsa)
Plots… → Normality plots with tests işaretleyin
→ OK

Çıktıda: Shapiro-Wilk (n < 50) veya Kolmogorov-Smirnov (n ≥ 50) testi p değeri
p > 0.05 → Normal dağılım REDDEDİLEMEZ → Parametrik test kullanılabilir
p < 0.05 → Normal dağılım REDDEDİLİR → Parametrik olmayan test

Büyük örneklemlerde Shapiro-Wilk yanıltıcı olabilir: n > 200'de küçük sapmalar bile istatistiksel anlamlı bulunur. Bu durumda Q-Q plot görsel değerlendirmesi ve çarpıklık/basıklık değerlerini birlikte kullanın. Çarpıklık ve basıklık değerleri ±2 aralığındaysa parametrik testler uygulanabilir (bazı yazarlar ±1.5 eşiğini kullanır).

YöntemNe ZamanKarar Kriteri
Shapiro-Wilkn < 50 (küçük örneklem)p > 0.05 → Normal
Kolmogorov-Smirnovn ≥ 50p > 0.05 → Normal
Çarpıklık / BasıklıkHer örneklem büyüklüğünde±2 aralığı → Normal kabul edilebilir
Q-Q Plot (görsel)n > 200 için tercih edilirNoktalar çizgi üzerinde → Normal
HistogramDestekleyici görselÇan eğrisi şekli → Normal

7. Güvenilirlik Analizi — Cronbach Alpha

Birden fazla madde ile ölçülen bir yapı (boyut, faktör) varsa — örneğin iş tatmini, müşteri sadakati, öğrenme güdüsü — güvenilirlik analizi zorunludur. Cronbach Alpha ölçeğin iç tutarlılığını gösterir.

SPSS ile Cronbach Alpha

Analyze → Scale → Reliability Analysis…
Items: İlgili ölçeğin tüm maddeleri (Q1'den Q8'e)
Model: Alpha (varsayılan)
Statistics… işaretleyin:
  ✓ Item: Descriptives for Item
  ✓ Scale: Descriptives for Scale
  ✓ Scale if Item Deleted
  ✓ Correlations: Item-total
→ Continue → OK
Cronbach Alpha (α)Güvenilirlik Yorumu
α ≥ 0.90Mükemmel (bazen fazla homojen olduğuna işaret edebilir)
0.80 ≤ α < 0.90İyi güvenilirlik
0.70 ≤ α < 0.80Kabul edilebilir güvenilirlik
0.60 ≤ α < 0.70Zayıf; bazı bağlamlarda kabul edilebilir
α < 0.60Kabul edilemez; ölçek gözden geçirilmeli

Item-Total Correlation Yorumu

"Corrected Item-Total Correlation" sütununda madde değerleri 0.30'un altında ise o madde ölçeğe tutarlı katkı sağlamıyor demektir. "Alpha if Item Deleted" sütununda o madde çıkarıldığında Alpha artıyorsa maddeyi çıkarmayı değerlendirin.

SPSS Çıktısı Örneği:
Reliability Statistics: Cronbach's Alpha = .832 / N of Items = 8
Item-Total Statistics:
  Q1: Corrected Item-Total = .541 / Alpha if Deleted = .814 → Tutarlı
  Q5: Corrected Item-Total = .198 / Alpha if Deleted = .851 → Çıkarılabilir (0.30 altı, çıkarınca Alpha artıyor)

8. Geçerlilik ve Açıklayıcı Faktör Analizi (AFA)

Güvenilirlik "tutarlılık" ölçerken, geçerlilik "doğru şeyi ölçüp ölçmediğimizi" sorgular. Yapı geçerliliği için en yaygın yöntem Açıklayıcı Faktör Analizi'dir (AFA / EFA).

Önkoşul Testleri — KMO ve Bartlett

Analyze → Dimension Reduction → Factor…
Variables: Tüm Likert maddeleri
Descriptives… → ✓ KMO and Bartlett's test of sphericity
Extraction… →
  Method: Principal Components
  Extract: Eigenvalues greater than 1
  ✓ Scree plot
Rotation… →
  Method: Varimax
  ✓ Rotated solution
Options… → Suppress absolute values less than: 0.30
→ OK
TestSonuçYorum
KMO (Kaiser-Meyer-Olkin)≥ 0.80İyi — Faktör analizi için uygun
KMO0.70 – 0.79Orta düzeyde kabul edilebilir
KMO< 0.60Yetersiz — Faktör analizi önerilmez
Bartlett's Testp < 0.05Korelasyon matrisi birim matris değil → FA uygulanabilir

Faktör Sayısı Belirleme

  • Eigenvalue > 1 (Kaiser Kriteri): En yaygın kullanılan ama aşırı faktör çıkarmaya meyilli kural
  • Scree Plot: Eğrinin "dirsek" (elbow) noktasından önceki faktörler seçilir — görsel değerlendirme gerektirir
  • Açıklanan Varyans: Toplam varyansın en az %60'ını açıklaması önerilir (sosyal bilimlerde)
  • Paralel Analiz: En güvenilir yöntem; SPSS için ek syntax gerektirir

Faktör Yükü Yorumu

Rotated Component Matrix çıktısında her maddenin faktörlere yükü görülür:

  • Faktör yükü ≥ 0.50: İyi yük (sosyal bilimler için minimum eşik)
  • Faktör yükü ≥ 0.40: Kabul edilebilir
  • Bir madde iki faktörde 0.40'ın üzerinde yük alıyorsa (çapraz yükleme) — genellikle çıkarılır

9. Grup Karşılaştırmaları — SPSS Adım Adım

İki Grup — Bağımsız Örneklem t-Testi

Örnek soru: "Kadın ve erkeklerin iş tatmini ortalamaları arasında anlamlı fark var mı?"

Analyze → Compare Means → Independent-Samples T Test…
Test Variable(s): is_tatmini_ort
Grouping Variable: cinsiyet (1, 2)
Define Groups → Group 1: 1 / Group 2: 2
→ OK

Levene's Test p > 0.05 → Eşit varyans varsayımı sağlanıyor → "Equal variances assumed" satırını kullanın
Levene's Test p < 0.05 → "Equal variances not assumed" satırını kullanın
t testi p < 0.05 → Gruplar arasında anlamlı fark var

İki Grup — Mann-Whitney U (Normallik sağlanmıyorsa)

Analyze → Nonparametric Tests → Legacy Dialogs → 2 Independent Samples…
Test Variable List: Bağımlı değişken
Grouping Variable: Grup değişkeni
Test Type: ✓ Mann-Whitney U
→ OK

Üç veya Daha Fazla Grup — Tek Yönlü ANOVA

Analyze → Compare Means → One-Way ANOVA…
Dependent List: Bağımlı değişken
Factor: Grup değişkeni (3+ kategori)
Post Hoc… → ✓ Tukey (varyanslar eşit) veya ✓ Games-Howell (varyanslar eşit değil)
Options… → ✓ Descriptive, ✓ Homogeneity of variance test
→ OK

ANOVA p < 0.05 → Gruplar arasında fark var; POST HOC ile hangi grupların farklılaştığını bulun

Etki Büyüklüğü Tablosu

TestEtki Büyüklüğü ÖlçüsüKüçükOrtaBüyük
t-testiCohen's d0.200.500.80
ANOVAη² (eta-kare)0.010.060.14
Korelasyonr0.100.300.50
Ki-KareCramér's V0.100.300.50
Regresyonf² (Cohen)0.020.150.35

10. İlişki Analizleri — Korelasyon

Pearson ve Spearman Korelasyonu — SPSS

Analyze → Correlate → Bivariate…
Variables: İlişkisini inceleyeceğiniz değişkenler
Correlation Coefficients: ✓ Pearson (normal dağılım) veya ✓ Spearman (ordinal/normal değil)
Test of Significance: ✓ Two-tailed (varsayılan)
✓ Flag significant correlations
→ OK

Çıktıda: r (korelasyon katsayısı) ve p değeri. ** p < 0.01, * p < 0.05 anlamlı ilişki.

Ki-Kare Testi — İki Kategorik Değişken

Analyze → Descriptive Statistics → Crosstabs…
Row(s): Bağımsız kategorik değişken (örn. cinsiyet)
Column(s): Bağımlı kategorik değişken (örn. ürün tercihi)
Statistics… → ✓ Chi-square, ✓ Phi and Cramér's V
Cells… → ✓ Observed, ✓ Expected, ✓ Row, ✓ Column
→ OK

Ön koşul: Beklenen hücre frekansı < 5 olan hücre oranı en fazla %20 olmalı.
Beklenen frekans küçükse Fisher's Exact Test kullanın.

11. Regresyon Analizi

Bir veya daha fazla bağımsız değişkenin bağımlı değişkeni yordayıp yordamadığını test eder. Örnek: Motivasyon ve bağlılık, performansı yorduyor mu?

Analyze → Regression → Linear…
Dependent: Bağımlı değişken (performans_ort)
Independent(s): Bağımsız değişkenler (motivasyon_ort, baglilik_ort)
Method: Enter (tümünü aynı anda) veya Stepwise
Statistics… → ✓ Estimates, ✓ Confidence intervals, ✓ Model fit, ✓ Collinearity diagnostics
Plots… → *ZPRED (X), *ZRESID (Y) → Artık dağılım grafiği
Save… → ✓ Standardized residuals, ✓ Cook's Distance
→ OK
Çıktı Yorumu:
R²: Bağımsız değişkenlerin bağımlı değişkendeki varyansı açıklama oranı. R²=0.35 → %35'ini açıklıyor.
F-testi p < 0.05: Model anlamlı.
β (Beta): Standardize edilmiş katsayı — değişkenler arasında göreli etki karşılaştırması.
VIF < 10 (tercihen < 5): Çoklu doğrusallık sorunu yok.
Tolerans > 0.10: Çoklu doğrusallık sorunu yok.

12. Python ile Anket Analizi

Kurulum
pip install pandas numpy scipy statsmodels pingouin matplotlib seaborn
Veri Okuma ve Temizleme
import pandas as pd import numpy as np # Excel veya CSV oku df = pd.read_excel("anket_verileri.xlsx") print(df.shape) # (n_katilimci, n_soru) print(df.isnull().sum()) # değişken başına eksik sayısı print(df.describe()) # temel istatistikler # Eksik değer oranı eksik_oran = df.isnull().mean() * 100 print(eksik_oran[eksik_oran > 5]) # %5'in üzerinde eksik olanlar # Ters kodlama (5'li Likert) ters_kodlanan = ['Q3', 'Q7'] df[ters_kodlanan] = 6 - df[ters_kodlanan] # Straight-lining tespiti: satır std sapması < 0.5 likert_cols = [f'Q{i}' for i in range(1, 21)] df['satir_std'] = df[likert_cols].std(axis=1) straight_liners = df[df['satir_std'] < 0.5] print(f"Straight-lining şüphesi: {len(straight_liners)} katılımcı") df_temiz = df[df['satir_std'] >= 0.5].copy()
Cronbach Alpha Hesabı
import pingouin as pg # Bir ölçeğin Cronbach Alpha değeri olcek_cols = ['Q1', 'Q2', 'Q3', 'Q4', 'Q5'] alpha_sonuc = pg.cronbach_alpha(data=df_temiz[olcek_cols]) print(f"Cronbach Alpha: {alpha_sonuc[0]:.3f}") print(f"95% CI: {alpha_sonuc[1]}") # Item-total korelasyonları for col in olcek_cols: diger = [c for c in olcek_cols if c != col] toplam = df_temiz[diger].sum(axis=1) r = df_temiz[col].corr(toplam) print(f"{col}: item-total r = {r:.3f}") # Ölçek puanı hesapla df_temiz['olcek_ort'] = df_temiz[olcek_cols].mean(axis=1)
Normallik Testi ve Grup Karşılaştırması
from scipy import stats # Shapiro-Wilk normallik testi stat, p = stats.shapiro(df_temiz['olcek_ort']) print(f"Shapiro-Wilk: W={stat:.4f}, p={p:.4f}") print("Normal" if p > 0.05 else "Normal Değil") # Çarpıklık ve basıklık skewness = stats.skew(df_temiz['olcek_ort'].dropna()) kurtosis = stats.kurtosis(df_temiz['olcek_ort'].dropna()) print(f"Çarpıklık: {skewness:.3f} | Basıklık: {kurtosis:.3f}") # Bağımsız t-testi kadin = df_temiz[df_temiz['cinsiyet'] == 1]['olcek_ort'] erkek = df_temiz[df_temiz['cinsiyet'] == 2]['olcek_ort'] t_stat, p_val = stats.ttest_ind(kadin.dropna(), erkek.dropna()) print(f"t={t_stat:.3f}, p={p_val:.3f}") # Cohen's d etki büyüklüğü pooled_std = np.sqrt((kadin.std()**2 + erkek.std()**2) / 2) cohens_d = (kadin.mean() - erkek.mean()) / pooled_std print(f"Cohen's d: {cohens_d:.3f}") # Mann-Whitney U (parametrik olmayan alternatif) u_stat, p_mw = stats.mannwhitneyu(kadin.dropna(), erkek.dropna(), alternative='two-sided') print(f"Mann-Whitney U={u_stat:.0f}, p={p_mw:.3f}") # Korelasyon matrisi ort_cols = ['boyut1_ort', 'boyut2_ort', 'boyut3_ort'] corr_matrix = df_temiz[ort_cols].corr(method='pearson') print(corr_matrix.round(3))
Görselleştirme
import matplotlib.pyplot as plt import seaborn as sns fig, axes = plt.subplots(1, 3, figsize=(15, 5)) # Frekans dağılımı df_temiz['Q1'].value_counts().sort_index().plot(kind='bar', ax=axes[0], color='#3b82f6') axes[0].set_title('Q1 Yanıt Dağılımı') axes[0].set_xlabel('Yanıt') # Normallik Q-Q plot stats.probplot(df_temiz['olcek_ort'].dropna(), plot=axes[1]) axes[1].set_title('Q-Q Plot — Normallik') # Grup ortalamaları kutu grafiği df_temiz.boxplot(column='olcek_ort', by='cinsiyet', ax=axes[2]) axes[2].set_title('Cinsiyet × Ölçek Ortalaması') plt.tight_layout() plt.savefig('anket_analiz.png', dpi=150) plt.show()

13. Sonuçların Raporlanması — APA Formatı

Temel APA Raporlama Örnekleri

t-testi: Bağımsız örneklem t-testi, kadın katılımcıların iş tatmini ortalamalarının (M = 3.82, SS = 0.71) erkek katılımcılardan (M = 3.51, SS = 0.84) anlamlı biçimde yüksek olduğunu ortaya koymuştur, t(198) = 2.87, p = .005, d = 0.41. Bu bulgu orta düzeyde bir etki büyüklüğüne işaret etmektedir.
Korelasyon: İş motivasyonu ile iş tatmini arasında istatistiksel olarak anlamlı, orta düzeyde pozitif bir ilişki saptanmıştır, r(198) = .43, p < .001.
Regresyon: Çoklu doğrusal regresyon analizi, motivasyon ve örgütsel bağlılığın iş performansını anlamlı düzeyde yordadığını göstermiştir (F(2, 197) = 24.63, p < .001, R² = .20). Motivasyon (β = .35, p < .001) ve örgütsel bağlılık (β = .22, p = .003) anlamlı yordayıcılardır.
Cronbach Alpha: İş Tatmini Ölçeği'nin güvenilirlik katsayısı α = .83 olarak hesaplanmış ve ölçeğin iyi düzeyde iç tutarlılığa sahip olduğu belirlenmiştir.

14. Test Seçim Tablosu

Araştırma SorusuNormal DağılımÖnerilen TestSPSS Menüsü
2 grup ortalama karşılaştırmasıEvetBağımsız t-testiCompare Means → Indep. T Test
2 grup ortalama karşılaştırmasıHayırMann-Whitney UNonparametric → 2 Indep. Samples
3+ grup karşılaştırmasıEvetTek yönlü ANOVACompare Means → One-Way ANOVA
3+ grup karşılaştırmasıHayırKruskal-WallisNonparametric → K Indep. Samples
Bağımlı 2 ölçüm (ön/son test)EvetEşleştirilmiş t-testiCompare Means → Paired T Test
Bağımlı 2 ölçümHayırWilcoxonNonparametric → 2 Related Samples
2 sürekli değişken ilişkisiEvetPearson korelasyonuCorrelate → Bivariate
2 ordinal/skewed değişkenHayırSpearman korelasyonuCorrelate → Bivariate (Spearman)
2 kategorik değişken ilişkisi—Ki-Kare / FisherDescriptive → Crosstabs
Yordayıcı ilişki (1 bağımlı)Artıklar normalÇoklu doğrusal regresyonRegression → Linear
İkili sonuç (0/1)—Lojistik regresyonRegression → Binary Logistic
Yapı geçerliliği / boyutlar—Faktör analizi (AFA)Dimension Reduction → Factor
İç tutarlılık—Cronbach AlphaScale → Reliability Analysis

15. Yaygın Hatalar

  • Normallik testini atlamak: Özellikle küçük örneklemlerde, parametrik test öncesi normallik mutlaka kontrol edilmelidir.
  • Ters kodlamayı unutmak: Olumsuz ifadeli Likert maddeleri ters kodlanmazsa güvenilirlik analizi yanıltıcı sonuç verir; faktör analizi hatalı yükler üretir.
  • p < 0.05'i tek başına yeterli görmek: İstatistiksel anlamlılık, pratik önem anlamına gelmez. Etki büyüklüğü (Cohen's d, eta-kare, r) her zaman raporlanmalıdır.
  • Çoklu karşılaştırma düzeltmesi yapmamak: Aynı veriyle çok sayıda test yapıldığında Tip I hata (yanlış pozitif) riski artar. Bonferroni veya FDR düzeltmesi uygulanmalıdır.
  • Güvenilirlik olmadan faktör analizi: Önce Cronbach Alpha ile iç tutarlılık, ardından AFA ile yapı geçerliliği sırasıyla incelenmeli.
  • KMO kontrolü yapmadan faktör analizine geçmek: KMO < 0.60 ise faktör analizi anlamsız sonuçlar verir.
  • Straight-lining'i gözardı etmek: Tüm sorulara aynı yanıtı veren katılımcılar veriyi ciddi biçimde bozar; temizleme aşamasında mutlaka kontrol edin.
  • Yeterli örneklem olmadan ileri analiz: n=40 ile faktör analizi yapmak güvenilmez sonuçlar üretir; güç analizi yapılmadan araştırma tasarlanmamalı.

Anket Analizinizi Bize Bırakın

Veri temizleme, normallik testleri, güvenilirlik, faktör analizi ve detaylı raporlama. 24–48 saat içinde teslim.

Hemen Sipariş Ver

Kaynaklar

  • Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5. Baskı). SAGE Publications.
  • Tabachnick, B. G. & Fidell, L. S. (2019). Using Multivariate Statistics (7. Baskı). Pearson.
  • Pallant, J. (2020). SPSS Survival Manual (7. Baskı). Open University Press.
  • Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16(3), 297–334.
  • Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2. Baskı). Lawrence Erlbaum.
  • Hair, J. F. ve ark. (2019). Multivariate Data Analysis (8. Baskı). Cengage.