📊 SPSS & İstatistik

SPSS'te Regresyon Testleri

📅 3 Temmuz 2026 ⏱️ 15 dk okuma 📊 SPSS & İstatistik

Regresyon analizleri, bir veya birden fazla bağımsız değişkenin bağımlı değişkeni ne ölçüde yordadığını ve açıkladığını ortaya koyar. Bağımlı değişkenin türü (sürekli, ikili, çok kategorili veya sıralı) doğru regresyon modelini belirler. Bu yazıda dört temel regresyon testini SPSS'te adım adım inceliyoruz.

1

Çoklu Doğrusal Regresyon (Multiple Linear Regression)

Nedir?

Çoklu doğrusal regresyon, iki veya daha fazla bağımsız değişkenin sürekli bir bağımlı değişkeni birlikte ne kadar iyi açıkladığını modelleyen analizdir. Her bağımsız değişkenin katkısı, diğer değişkenler sabit tutulduğunda hesaplanır — bu özellik basit regresyona göre en büyük avantajdır. Tez, akademik araştırma ve sosyal bilimlerde en yaygın kullanılan regresyon türüdür.

Model: Y = B₀ + B₁X₁ + B₂X₂ + … + BₖXₖ + ε

Ne zaman kullanılır?
  • Bağımlı değişken sürekli (aralık veya oran ölçeği) olduğunda
  • Birden fazla bağımsız değişkenin etkisi aynı anda incelenmek istendiğinde
  • "Hangi faktörler Y'yi en iyi açıklıyor?" sorusu yanıtlanmak istendiğinde
  • Kalıntılar normal dağıldığında, varyans homojen olduğunda, gözlemler bağımsız olduğunda
SPSS'te nasıl yapılır?
Analyze → Regression → Linear

1. Dependent: Bağımlı değişkeni (Y) taşıyın
2. Independent(s): Tüm bağımsız değişkenleri taşıyın
3. Method: Enter (hepsini zorla) veya Stepwise (otomatik seçim)
4. Statistics: Estimates + Model fit + Collinearity diagnostics (VIF için) işaretleyin
5. Plots: ZRESID (Y) ve ZPRED (X) — kalıntı dağılımı için
6. OK
Çıktı nasıl yorumlanır?

Model Summary:

  • R Square (R²): Bağımsız değişkenlerin birlikte Y'deki varyasyonun ne kadarını açıkladığı. R² = .55 → model, Y'deki değişimin %55'ini açıklıyor.
  • Adjusted R²: Değişken sayısı arttıkça cezalandıran düzeltilmiş R². Çoklu regresyonda R² yerine bu değeri raporlayın.

ANOVA tablosu: F istatistiği ve Sig. — modelin bir bütün olarak anlamlı olup olmadığı. Sig. < .05 → model anlamlı.

Coefficients tablosu:

  • B (Unstandardized): Diğer değişkenler sabit tutulduğunda X bir birim arttığında Y'nin ortalama ne kadar değiştiği.
  • Beta (Standardized): Farklı ölçekteki değişkenlerin göreli önemini kıyaslamak için. Beta mutlak değeri büyük olan değişken daha güçlü yordalayıcıdır.
  • Sig.: Her değişkenin anlamlılığı. p < .05 → anlamlı yordalayıcı.
  • VIF: Çoklu bağlantı (multicollinearity) kontrolü. VIF > 10 sorunlu; Tolerance < .10 sorunlu.

Örnek: Öğrencilerin sınav puanı (Y) — günlük ders saati (X₁), uyku süresi (X₂) ve motivasyon skoru (X₃) ile yordanıyor. Adjusted R² = .61, F(3,196) = 104.2, p < .001. En güçlü yordalayıcı Beta = .52 ile ders saati.

Stepwise yöntemi veriyi şekillendirmeye yol açabilir ve başka örneklemlere iyi genellenmeyebilir. Teorik gerekçe olmadan Stepwise kullanmaktan kaçının; Enter yöntemi akademik çalışmalarda daha güvenilirdir.

2

İkili Lojistik Regresyon (Binary Logistic Regression)

Nedir?

İkili lojistik regresyon, bağımlı değişkenin iki kategorili (0/1) olduğu durumlarda kullanılır. Bağımsız değişkenlerin bir olayın gerçekleşme olasılığını nasıl etkilediğini modeller. Doğrusal regresyon olasılık için uygun değildir çünkü 0–1 aralığının dışına çıkabilir; lojistik regresyon bu sorunu logit dönüşümüyle çözer.

Ne zaman kullanılır?
  • Bağımlı değişken ikili kategorikse: hasta/sağlıklı, satın aldı/almadı, geçti/kaldı, evet/hayır
  • Bağımsız değişkenler sürekli, kategorik veya karma olabilir
  • Normal dağılım varsayımı gerekmez — lojistik regresyon non-parametrik değildir ama bu varsayıma ihtiyaç duymaz
SPSS'te nasıl yapılır?
Analyze → Regression → Binary Logistic

1. Dependent: İkili bağımlı değişkeni taşıyın (0 = referans, 1 = olay)
2. Covariates: Sürekli bağımsız değişkenleri buraya ekleyin
3. Categoricals: Kategorik bağımsız değişkenleri buraya ekleyip Contrast > Indicator seçin
4. Method: Enter
5. Options: Classification plots + Hosmer-Lemeshow goodness of fit + CI for Exp(B) işaretleyin
6. OK
Çıktı nasıl yorumlanır?

Model Summary tablosu:

  • -2 Log Likelihood (-2LL): Küçüldükçe model iyileşiyor. Başlangıçla karşılaştırın.
  • Cox & Snell R² ve Nagelkerke R²: Açıklanan varyans oranının lojistik analogları. Nagelkerke .20'nin üzeri kabul edilebilir.

Hosmer-Lemeshow testi: Sig. > .05 olması istenir — model veriye uyum sağlıyor demektir. Sig. < .05 ise model uyumsuz.

Variables in the Equation tablosu:

  • B: Logit katsayısı — doğrudan yorumlanması güçtür.
  • Sig.: p < .05 → değişken anlamlı.
  • Exp(B) = Odds Ratio: En önemli değer. X bir birim arttığında olayın gerçekleşme odds'unun kaç katına çıktığını gösterir.
    Exp(B) = 1 → etkisiz | > 1 → riski artırıyor | < 1 → riski azaltıyor
  • 95% CI for Exp(B): Güven aralığı 1'i kapsıyorsa ilişki anlamlı değil.

Classification Table: Modelin gözlemleri doğru sınıflandırma oranı. %70 ve üzeri kabul edilebilir başarı sayılır.

Örnek: Diyabet tanısını (0=yok, 1=var) yordayan model: BMI, yaş ve aile geçmişi değişkenleri. Nagelkerke R² = .34. BMI için Exp(B) = 1.18 — BMI bir birim arttıkça diyabet riski %18 artıyor (p < .001).

3

Multinomial Lojistik Regresyon (Multinomial Logistic Regression)

Nedir?

Multinomial lojistik regresyon, bağımlı değişkenin üç veya daha fazla sırasız (nominal) kategoriden oluştuğu durumlarda kullanılır. Her kategoriyi bir referans kategorisiyle karşılaştıran ayrı ikili lojistik denklemler kurar ve tüm karşılaştırmaları aynı anda raporlar. Kategoriler arasında doğal bir sıra yoksa bu model tercih edilir.

Ne zaman kullanılır?
  • Bağımlı değişken 3+ kategorili nominal ise: ulaşım türü (araba/bisiklet/toplu taşıma), meslek grubu, tercih edilen ürün
  • Kategoriler arasında sıralama olmadığında (sıralama varsa ordinal lojistik tercih edin)
  • Bağımsız değişkenler sürekli veya kategorik olabilir
SPSS'te nasıl yapılır?
Analyze → Regression → Multinomial Logistic

1. Dependent: Çok kategorili bağımlı değişkeni taşıyın
2. Reference Category: En mantıklı referans kategoriyi seçin (genellikle "kontrol" grubu veya en büyük grup)
3. Factor(s): Kategorik bağımsız değişkenler buraya
4. Covariate(s): Sürekli bağımsız değişkenler buraya
5. Statistics: Model fitting info + Likelihood ratio tests + Parameter estimates + Classification table
6. OK
Çıktı nasıl yorumlanır?

Model Fitting Information: Final modelin -2LL'si ile intercept-only modeli karşılaştırır. Sig. < .05 → model anlamlı.

Likelihood Ratio Tests: Her bağımsız değişkenin modele anlamlı katkısı. Sig. < .05 → değişken anlamlı.

Parameter Estimates tablosu:

  • Her kategori için referans kategoriye göre ayrı B katsayıları ve Exp(B) (odds ratio) verilir.
  • Exp(B) yorumu ikili lojistikle aynıdır: belirli kategoride olma odds'unun referans kategoriye göre oranı.
  • Sig. < .05 → o değişken o kategoriyi anlamlı biçimde yordalıyor.

Classification Table: Genel doğruluk oranını kontrol edin.

Örnek: Tercih edilen ulaşım aracı (araba=ref/bisiklet/toplu taşıma) — yaş, gelir ve mesafe bağımsız değişkenleriyle modelleniyor. Gelir arttıkça araba yerine bisiklet tercih etme odds'u azalıyor (Exp(B) = .71, p = .023).

4

Ordinal Lojistik Regresyon (PLUM)

Nedir?

Ordinal lojistik regresyon (SPSS'te PLUM — Polytomous Universal Model), bağımlı değişkenin sıralı kategorilerden oluştuğu durumlarda kullanılır. Kategoriler arasındaki sırayı modele katar; bu sayede multinomial regresyona göre daha az parametre tahmin ederek daha güçlü ve yorumlanması daha kolay bir model kurar. Orantılı odds modeli olarak da bilinir.

Ne zaman kullanılır?
  • Bağımlı değişken sıralı kategorikse: düşük/orta/yüksek, katılmıyorum/kararsızım/katılıyorum, 1.–2.–3. derece
  • Kategoriler arasında doğal bir sıra varken mesafelerin eşit olmadığı ya da bilinmediği durumlarda
  • Likert tipi bağımlı değişkenlerde (3–7 kategori) sürekli varsayımı makul değilse
SPSS'te nasıl yapılır?
Analyze → Regression → Ordinal

1. Dependent: Sıralı kategorik bağımlı değişkeni taşıyın
2. Factor(s): Kategorik bağımsız değişkenler
3. Covariate(s): Sürekli bağımsız değişkenler
4. Link function: Logit (en yaygın; normal dağılım varsayılıyorsa Probit)
5. Output: Parameter estimates + Test of parallel lines işaretleyin
6. OK
Çıktı nasıl yorumlanır?

Model Fitting Information: Final model -2LL < Intercept-only -2LL ve Sig. < .05 → model anlamlı.

Goodness of Fit (Pearson & Deviance): Sig. > .05 istenir — model veriye uyum sağlıyor.

Parameter Estimates tablosu:

  • Threshold (Eşik değerleri): Kategoriler arasındaki sınırları gösterir.
  • Location (B katsayıları): Bağımsız değişkenlerin etkisi. Pozitif B → bağımlı değişkenin üst kategorilere geçme eğilimini artırıyor.
  • Exp(B): Odds ratio; yorumu ikili lojistikle aynı.

Test of Parallel Lines (Paralel Çizgiler Testi): Sig. > .05 olması istenir — orantılı odds varsayımı sağlanmış demektir. Sig. < .05 ise varsayım ihlal ediliyor; multinomial regresyona geçmeyi değerlendirin.

Örnek: Müşteri memnuniyeti (1=düşük, 2=orta, 3=yüksek) — bekleme süresi ve personel tutumunun etkisi. Personel tutumu B = .84, Exp(B) = 2.32, p < .001: personel tutumu olumlu algılandıkça müşteri daha yüksek memnuniyet kategorisine geçme olasılığı 2.32 kat artıyor.

Paralel çizgiler testini mutlaka kontrol edin. Bu test başarısız olursa (Sig. < .05) orantılı odds modeli varsayımı bozulmuştur ve multinomial lojistik regresyona geçmeniz gerekir.

Dört Regresyon Modelini Karşılaştırma

Model Bağımlı Değişken Örnek SPSS Menüsü
Çoklu Doğrusal Sürekli Sınav puanı, gelir, kilo Regression → Linear
İkili Lojistik İkili kategorik (0/1) Hasta/sağlıklı, geçti/kaldı Regression → Binary Logistic
Multinomial Lojistik 3+ sırasız kategori Ulaşım türü, meslek grubu Regression → Multinomial Logistic
Ordinal Lojistik 3+ sıralı kategori Memnuniyet (düşük/orta/yüksek) Regression → Ordinal

Hangi Modeli Seçmeliyim?

  1. Bağımlı değişken sürekli mi? → Çoklu Doğrusal Regresyon
  2. Bağımlı değişken ikili kategorik mi (evet/hayır)? → İkili Lojistik Regresyon
  3. 3+ kategorili ve sıralamasız mı? → Multinomial Lojistik Regresyon
  4. 3+ kategorili ve sıralı mı? → Ordinal Lojistik Regresyon

Regresyon Analizi için Profesyonel Destek

Tez veya araştırmanız için doğru regresyon modelini birlikte belirleyelim, SPSS çıktılarını yorumlayalım.

Ücretsiz Danışmanlık Alın

Kaynaklar

  • Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5. Baskı). SAGE.
  • Pallant, J. (2020). SPSS Survival Manual (7. Baskı). McGraw-Hill.
  • Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied Logistic Regression (3. Baskı). Wiley.