SPSS'te İlişki ve Korelasyon Testleri
İki değişken arasında bir ilişki var mı, ne kadar güçlü ve hangi yönde? Bu soruyu yanıtlamak için kullanılan testler korelasyon ve regresyon ailesidir. Değişkenlerin türüne ve dağılım özelliklerine göre Pearson, Spearman, Ki-Kare bağımsızlık testi veya basit doğrusal regresyon seçilir. Bu yazıda dört testi SPSS'te adım adım inceliyoruz.
Pearson Korelasyon Katsayısı
Pearson korelasyon katsayısı (r), iki sürekli değişken arasındaki doğrusal ilişkinin yönünü ve gücünü −1 ile +1 arasında bir sayıyla özetler. +1 mükemmel pozitif, −1 mükemmel negatif, 0 ise ilişki olmadığını gösterir. İlişki doğrusal olmakla birlikte bir değişkenin diğerine neden olduğunu kanıtlamaz; yalnızca birlikte nasıl değiştiklerini ölçer.
- Her iki değişken de sürekli (aralık veya oran ölçeği) olduğunda
- Her iki değişken yaklaşık normal dağıldığında
- İlişki doğrusal olduğunda (saçılım grafiği ile kontrol edin)
- Aykırı değer yoksa veya temizlendiyse
1. Variables: Korelasyonunu istediğiniz iki (veya daha fazla) değişkeni taşıyın
2. Correlation Coefficients: Pearson seçili kalsın
3. Test of Significance: Two-tailed (çift kuyruklu, yön tahmini yoksa)
4. Flag significant correlations: işaretleyin
5. OK
Correlations tablosunda her hücrede iki satır vardır:
- Pearson Correlation (r): İlişkinin gücü ve yönü.
|r| < .10 → ihmal edilebilir | .10–.29 → zayıf | .30–.49 → orta | .50+ → güçlü - Sig. (2-tailed): p değeri. p < .05 → ilişki istatistiksel olarak anlamlı.
- N: Analize giren gözlem sayısı.
Yıldız işareti (*) p < .05, (**) p < .01 anlamlılığını gösterir.
Örnek: Günlük çalışma saati ile sınav puanı arasındaki Pearson r = .54, p < .001 — güçlü ve anlamlı pozitif ilişki: daha fazla çalışan öğrenciler daha yüksek puan almış.
Korelasyon nedensellik değildir. r = .70 olması, A'nın B'ye neden olduğunu kanıtlamaz. Üçüncü bir değişken (confounding variable) her ikisini de etkiliyor olabilir.
Spearman Sıra Korelasyonu (Spearman's rho)
Spearman korelasyonu (ρ veya rs), Pearson'ın non-parametrik alternatifidir. Ham değerler yerine her iki değişkenin sıralamaları (ranks) üzerinden hesaplandığından, normal dağılım varsayımına ihtiyaç duymaz. Ordinal verilerle ya da uç değer içeren dağılımlarda güvenilir sonuç verir.
- Değişkenlerden biri veya ikisi ordinal ölçekteyse (örn. Likert)
- Sürekli değişkenler normal dağılmıyorsa veya aykırı değer varsa
- İlişki monoton ama doğrusal olmayabilecekse (birlikte artıyor ama orantısız şekilde)
1. Variables: İlgili değişkenleri taşıyın
2. Correlation Coefficients: Spearman'ı işaretleyin (Pearson'ı kaldırabilirsiniz)
3. Test of Significance: Two-tailed
4. OK
Correlations tablosu Pearson ile aynı yapıdadır; yalnızca katsayı adı değişir:
- Spearman's rho (rs): −1 ile +1 arasında; yorumu Pearson r ile aynıdır.
- Sig. (2-tailed): p < .05 → ilişki anlamlı.
Pearson ve Spearman sonuçları benzer çıkıyorsa dağılım varsayımları muhtemelen sağlanmıştır. Büyük fark varsa verinin parametrik varsayımları karşılamadığına işaret eder.
Örnek: "Ders memnuniyeti" (1–5 Likert) ile "öğretmene güven" (1–5 Likert) arasında Spearman rs = .62, p < .001 — güçlü pozitif ilişki: öğretmenine güvenen öğrenciler derse daha memnun.
Ki-Kare Bağımsızlık Testi (Chi-Square Test of Independence)
Ki-kare bağımsızlık testi, iki kategorik değişken arasında anlamlı bir ilişki (bağlantı) olup olmadığını sınar. Gözlenen frekansları, değişkenlerin birbirinden bağımsız olması durumunda beklenen frekanslarla karşılaştırır. Ki-kare uyum iyiliği testiyle karıştırılmamalıdır; bu test iki değişken arasındaki bağlantıyı ölçer.
- Her iki değişken de kategorik (nominal veya ordinal) olduğunda
- Bağımsız gözlemler
- Beklenen hücre frekansı ≥ 5 koşulu sağlandığında (aksi halde Fisher's Exact tercih edilir — özellikle 2×2 tablolarda)
- Tipik sorular: "Cinsiyet ile tercih edilen ulaşım aracı arasında ilişki var mı?", "Gelir düzeyi oy tercihini etkiliyor mu?"
1. Row(s): Bir kategorik değişkeni taşıyın
2. Column(s): Diğer kategorik değişkeni taşıyın
3. Statistics: Chi-square + Phi and Cramér's V (etki büyüklüğü için) işaretleyin
4. Cells: Observed + Expected + Row percentages işaretleyin
5. OK
Chi-Square Tests tablosunda Pearson Chi-Square satırına bakın:
- Value (χ²): Ki-kare istatistiği — büyüdükçe gözlenen ile beklenen arasındaki fark artar.
- df: Serbestlik derecesi = (satır sayısı − 1) × (sütun sayısı − 1).
- Asymp. Sig. (2-sided): p değeri. p < .05 → iki değişken arasında anlamlı ilişki vardır.
Etki büyüklüğü — Cramér's V (Symmetric Measures tablosu):
.10 → zayıf | .30 → orta | .50+ → güçlü
Uyarı notu: "Minimum Expected Count" değerini kontrol edin. 5'in altındaki hücre oranı %20'yi geçiyorsa ki-kare güvenilmez olur; Fisher's Exact veya hücreleri birleştirme yoluna gidin.
Örnek: Cinsiyet (erkek/kadın) ile sigara kullanımı (evet/hayır) arasında ki-kare analizi: χ²(1) = 7.83, p = .005, Cramér's V = .24 → anlamlı ve orta düzeyde ilişki; erkeklerin sigara kullanma oranı kadınlardan anlamlı biçimde yüksek.
Basit Doğrusal Regresyon (Simple Linear Regression)
Basit doğrusal regresyon, tek bir sürekli bağımsız değişkenin (X) bir sürekli bağımlı değişkeni (Y) ne ölçüde yordadığını modelleyen analizdir. Korelasyon "ilişki var mı?" sorusunu yanıtlarken regresyon "X bir birim artarsa Y ne kadar değişir?" sorusunu yanıtlar ve gelecekteki değerleri tahmin etmeye olanak tanır.
Model: Y = B₀ + B₁X + ε
B₀ sabit (intercept), B₁ eğim (slope), ε hata terimidir.
- Bağımlı değişken sürekli, bağımsız değişken sürekli veya ikili (dummy) olduğunda
- İlişki doğrusal olduğunda
- Kalıntılar (residuals) normal dağıldığında ve varyansları sabit olduğunda (homoscedasticity)
- Gözlemler bağımsız olduğunda
1. Dependent: Bağımlı değişkeni (Y) taşıyın
2. Independent(s): Bağımsız değişkeni (X) taşıyın
3. Method: Enter (tüm değişkeni zorla dahil et)
4. Statistics: Estimates + Model fit + Descriptives işaretleyin
5. Plots: ZRESID (Y ekseni) ve ZPRED (X ekseni) grafiğini ekleyin — kalıntı dağılımı için
6. OK
Model Summary tablosu:
- R: Pearson korelasyon katsayısı (bağımsız değişken tektir).
- R Square (R²): Bağımlı değişkendeki varyasyonun bağımsız değişken tarafından açıklanan oranı. R² = .40 → X, Y'deki değişimin %40'ını açıklıyor.
- Adjusted R²: Çoklu regresyonda tercih edilir; basit regresyonda R² ile yakındır.
ANOVA tablosu:
F istatistiği ve Sig. değeri — modelin bir bütün olarak anlamlı olup olmadığını gösterir. Sig. < .05 → model anlamlı.
Coefficients tablosu:
- B (Unstandardized): Eğim katsayısı. X bir birim arttığında Y ortalama B kadar değişir.
- Beta (Standardized): Farklı ölçekteki değişkenleri kıyaslamak için.
- Sig.: p < .05 → bağımsız değişken anlamlı yordalayıcı.
Örnek: Günlük ders çalışma saatinin (X) sınav puanını (Y) yordayıp yordamadığı test ediliyor. R² = .38, F(1, 98) = 59.4, p < .001. B = 4.7: her ek çalışma saati sınav puanını ortalama 4.7 puan artırıyor. Model, puan değişiminin %38'ini açıklıyor.
Regresyon için kalıntı kontrolü zorunludur. ZRESID–ZPRED saçılım grafiğinde belirgin bir örüntü (huni şekli, eğri) varsa homoscedasticity veya doğrusallık varsayımı ihlal ediliyordur. Dönüşüm (log, karekök) veya farklı model gerekebilir.
Dört Testi Karşılaştırma
| Test | Değişken Türü | Soru Tipi | Dağılım |
|---|---|---|---|
| Pearson r | Sürekli + Sürekli | İlişki var mı ve ne kadar güçlü? | Normal gerekli |
| Spearman ρ | Ordinal/Sürekli + Ordinal/Sürekli | İlişki var mı ve ne kadar güçlü? | Gerekmez |
| Ki-Kare Bağımsızlık | Kategorik + Kategorik | İki kategori arasında bağlantı var mı? | Beklenen frek. ≥ 5 |
| Basit Doğrusal Regresyon | Sürekli → Sürekli | X, Y'yi ne kadar yordayıp tahmin ediyor? | Kalıntılar normal |
Hangi Testi Seçmeliyim?
- Her iki değişken de kategorik mi? → Ki-Kare Bağımsızlık Testi
- Her iki değişken de sürekli ve normal dağılımlı mı? → Pearson r
- Sürekli ama normal değil, ya da ordinal mi? → Spearman ρ
- X ile Y'yi tahmin etmek ve "ne kadar açıklıyor?" sorusunu yanıtlamak mı istiyorsunuz? → Basit Doğrusal Regresyon
Korelasyon veya Regresyon Analizi için Destek
Tez veya araştırmanız için doğru testi seçelim, SPSS çıktılarını birlikte yorumlayalım.
Ücretsiz Danışmanlık AlınKaynaklar
- UCLA OARC. (2026). What Statistical Analysis Should I Use? stats.oarc.ucla.edu
- Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5. Baskı). SAGE.
- Pallant, J. (2020). SPSS Survival Manual (7. Baskı). McGraw-Hill.