🔗 İlişki Analizi

Korelasyon Analizi: Pearson mı Spearman mı?

İki değişken arasındaki ilişkiyi sayısal olarak ifade etmek araştırmanın en temel ihtiyaçlarından biridir. Korelasyon analizi bu amaca hizmet eder. Ancak sıkça sorulan soru şudur: Pearson mı kullanmalıyım, Spearman mı? Cevap verinizin ölçüm düzeyine ve dağılım özelliklerine bağlıdır. Bu yazıda her iki yöntemi, ne zaman hangisinin tercih edileceğini ve sık düşülen nedensellik yanılgısını ele alıyoruz.

Korelasyon Katsayısı Nedir?

Korelasyon katsayısı (r), iki değişken arasındaki doğrusal ilişkinin yönünü ve gücünü −1 ile +1 arasında bir değerle özetler. +1 mükemmel pozitif ilişkiyi, −1 mükemmel negatif ilişkiyi, 0 ise ilişki olmadığını gösterir. Cohen'in (1988) yaygın kabul görmüş sınıflandırmasına göre yorumlama şu şekildedir:

|r| Değeri	Etki Büyüklüğü	Yorumlama
0.10 – 0.29	Küçük	Zayıf ilişki
0.30 – 0.49	Orta	Orta düzeyde ilişki
0.50 ve üzeri	Büyük	Güçlü ilişki

Dikkat: istatistiksel anlamlılık (p < .05) ile pratik önem birbirinden farklı kavramlardır. Büyük bir örneklemde çok küçük bir korelasyon bile istatistiksel olarak anlamlı çıkabilir; ancak bu, ilişkinin pratikte önemli olduğu anlamına gelmez.

Pearson Korelasyonu

Pearson r, en yaygın kullanılan korelasyon katsayısıdır. İki sürekli değişken arasındaki doğrusal ilişkiyi ölçer. Kullanılabilmesi için bazı varsayımların sağlanması gerekir:

• Her iki değişken de en azından aralık (interval) ölçeğinde olmalı
• Veri yaklaşık normal dağılım göstermeli
• İlişki doğrusal olmalı (scatter plot ile kontrol edilmeli)
• Ciddi aykırı değer bulunmamalı

Bu varsayımlar karşılandığında Pearson, en güçlü ve en duyarlı korelasyon ölçütüdür. Akademik çalışmalarda yaygın kabul görür.

Spearman Korelasyonu

Spearman rho (ρ), verilerin sıralamaya (rank) dönüştürülmesiyle hesaplanan parametrik olmayan bir korelasyon ölçütüdür. Şu durumlarda Pearson yerine tercih edilmelidir:

• Değişkenler ordinal (sıralı) ölçekteyse (Likert puanları, sıralama verileri)
• Normal dağılım varsayımı karşılanmıyorsa
• Veri setinde güçlü aykırı değerler varsa
• İlişki doğrusal değil, monoton ise

SPSS'te Korelasyon Tablosu Nasıl Okunur?

SPSS'te Analyze → Correlate → Bivariate yoluyla korelasyon tablosu üretilir. Çıktıda her hücre iki değer gösterir: üstte r değeri, altında ise anlamlılık düzeyi (p değeri). İki yıldız (**) p < .01 düzeyinde, bir yıldız (*) p < .05 düzeyinde anlamlılığı ifade eder. Tablonun köşegeni her değişkenin kendisiyle korelasyonu olduğundan her zaman 1.000 değerini gösterir; bunu atlayın.

Korelasyon Matrisi

Birden fazla değişkeni aynı anda incelediğinizde korelasyon matrisi ortaya çıkar. Bu matris, tüm değişken çiftleri arasındaki ilişkilerin tek bir tabloda görülmesini sağlar. Çok değişkenli regresyon analizine geçmeden önce korelasyon matrisini incelemek, yüksek birbiriyle ilişkili değişkenleri (çoklu bağlantı/multicollinearity sorunu) önceden tespit etmenizi sağlar. r > 0.85 olan değişken çiftleri birlikte aynı modele dahil edilmemelidir.

Nedensellik Yanılgısı

Korelasyonun en çok yanlış anlaşılan yönü, nedensellik (causation) ile karıştırılmasıdır. İki değişken arasında güçlü bir korelasyon olması, birinin diğerine yol açtığı anlamına gelmez. Klasik örnek: dondurma satışları ile boğulma vakaları arasında pozitif korelasyon vardır, çünkü her ikisi de sıcak havayla ilişkilidir. Bu üçüncü değişkene "karıştırıcı değişken" (confounding variable) denir.

Nedensellik ancak iyi tasarlanmış deneysel araştırmalar (randomize kontrollü çalışmalar) veya gelişmiş nedensellik analizi yöntemleriyle (Granger causality, yapısal denklem modeli) kurulabilir. Korelasyon yalnızca ilişkinin varlığını ve gücünü söyler.

Kısmi Korelasyon

Bir üçüncü değişkenin etkisini istatistiksel olarak kontrol altına alarak iki değişken arasındaki net ilişkiyi incelemeye kısmi korelasyon denir. SPSS'te Analyze → Correlate → Partial menüsünden ulaşılır. Örneğin, yaşın etkisi kontrol edilerek eğitim ve gelir arasındaki ilişki incelenebilir.

Kaynaklar

• Field, A. (2013). Discovering Statistics Using IBM SPSS Statistics (4th ed.). SAGE Publications.
• Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.