İlişki Ölçüleri

Bu bölümde biri bağımlı ve diğeri

bağımsız olan iki değişken arasındaki bir
ilişki olup olmadığı ve ilişkinin yönü ve
kuvveti incelenecektir.
 Bağımlı ve Bağımsız Değişkenler
Sürekli Olduğunda İlişki Katsayısı

İki değişken arasındaki ilişkiler değişik yapılarda

ortaya çıkabilir. Örneğin bazı ilişkiler doğrusal
iken bazıları doğrusal değildir.

Daha önceki derslerde iki değişken

arasındaki ilişkilerin grafikler yardımı ile nasıl
incelenebileceği konusu üzerinde
durulmuştu.
Sürekli ve kesikli iki değişken arasındaki ilişkinin
yapısı konusunda bilgi edinebilmenin en iyi yolu
saçılım grafiklerinden yararlanmaktır.
Örnek 1:

Ağırlık-BKI düzeyi İlişkisi

Ağırlık BKI
(x) (y)
64.0 22.1
75.3 24.5
73.0 23.8
82.1 26.8
76.2 25.3
. .
. .
77.6 28.6
Örnek 2:
Hizmet edilen hasta sayısı ile birim başına
yemek maliyeti ilişkisi
Hasta Maliyet 1 , 2
Sayısı ($)

BİRİM BAŞINA YEMEK MALİYETİ ($)

30 1.15 1 , 1
35 1.10
40 0.98 1 , 0
45 1.01
50 0.97 , 9
55 0.90
60 0.89 , 8

65 0.80
70 0.85 , 7

75 0.78
80 0.70 , 6
2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0

H İ Z M E T E D İ L E N Kİ Ş İ
İki değişkene ilişkin doğrusal ilişkilerde eğer bir
değişkenin değerleri artarken diğer değişkenin
değerleri de artıyorsa ya da bir değişkenin
değerleri azalırken diğer değişkenin değerleri de
azalıyorsa, değişkenler arasında pozitif ilişki
vardır.
Pozitif Zayıf İlişki
Pozitif Kuvvetli İlişki
Pozitif Tam İlişki
 POZİTİF ZAYIF İLİŞKİ
3 0

2 0

1 0

0
8 1 0 1 2 1 4 1 6 1 8 2 0 2 2 2 4 2 6

P O Z İ T İ F Z A Y I F
 POZİTİF KUVVETLİ İLİŞKİ
3 0

2 0

1 0

0
8 1 0 1 2 1 4 1 6 1 8 2 0 2 2 2 4 2 6

P O Z İ T İ F K U V V E T
 POZİTİF TAM İLİŞKİ
2 6
2 4

2 2

2 0
1 8

1 6
1 4

1 2

1 0
8
8 1 0 1 2 1 4 1 6 1 8 2 0 2 2 2 4 2 6

P O Z İ T İ F T A M İ
İki değişkene ilişkin doğrusal ilişkilerde eğer bir
değişkenin değerleri artarken diğer değişkenin
değerleri de azalıyorsa ya da bir değişkenin
değerleri azalırken diğer değişkenin değerleri de
artıyorsa, değişkenler arasında negatif ilişki
vardır.
Negatif Zayıf İlişki
Negatif Kuvvetli İlişki
Negatif Tam İlişki
 NEGATİF ZAYIF İLİŞKİ
3 0

2 0

1 0

0
8 1 0 1 2 1 4 1 6 1 8 2 0 2 2 2 4 2 6

N E G A T İ F Z A Y I F
 NEGATİF KUVVETLİ İLİŞKİ
2 0

1 0

- 1 0
8 1 0 1 2 1 4 1 6 1 8 2 0 2 2 2 4 2 6

N E G KUVVETLİ
NEGATİF A T İ İLİŞKİ
F Z A Y I F İ
 NEGATİF TAM İLİŞKİ
1 6

1 4

1 2

1 0

0
- 2
8 1 0 1 2 1 4 1 6 1 8 2 0 2 2 2 4 2 6

N E G A T İ F T A M İ L İ
 İLİŞKİSİZLİK

3 0

2 0

1 0

0
8 1 0 1 2 1 4 1 6 1 8 2 0 2 2 2 4 2 6

İ L İ Ş K İ Y O K
Pearson İlişki (Korelasyon) Katsayısı (r)
Ölçümle belirtilen iki değişken arasındaki doğrusal
ilişkinin kuvveti (derecesi) ve yönü hakkında bilgi
verir.
1  r  1
arasında değişir.
İlişki Azalır

-1 0 +1
İlişki artar
İlişkiler aşağıdaki gibi nitelendirilebilir.

r İlişkinin derecesi
0.90 to 1.00 Çok kuvvetli
0.70 to 0.89 Kuvvetli
0.50 to 0.69 Orta
0.30 to 0.49 Düşük
0.00 to 0.29 Zayıf
 r’nin Hesaplanması
n n

n x y i i

x y i i  i 1

n
i 1

r i 1

 2 
n
2 
n
 n ( xi )   n ( y i ) 
 x 2  i 1   y 2  i 1 
i 1
i
n   
i 1
i
n 
  
  
 r’nin Anlamlılığı

Korelasyon
r
katsayısının (r)
anlamlı olup t
olmadığı (sıfırdan
farklı olup olmadığı)
1 r 2

t dağılımı yardımı ile

test edilebilir. n2
 Karşılaştırma

• Hesapla bulunan t istatistiği, belirlenen

yanılma düzeyinde n-2 serbestlik dereceli
t tablo istatistiği ile karşılaştırılır.
• tHesap>tTablo ise iki değişken arasındaki
ilişkinin sıfırdan farklı olduğu söylenir.
Örnek 1: (devam)
Ağırlık-BKI İlişkisi
Ağırlık BKI
(x) (y)

64.0 22.1
75.3 24.5
73.0 23.8
82.1 26.8
76.2 25.3
. .
. .
77.6 28.6
Ağırlık-BKI İlişkisi
 (1082.20)  (373.10)
27047.85 
r 15  0.83
 (1082.20) 2   (373.10) 2 
 78509.70     9337.03  
 15   15 
 İLİŞKİ( KORELASYON) MATRİSİ

AĞIRLIK BKI

AĞIRLIK 1,0000 0,83

BKI 0,83 1,0000
 Anlamlılığın Test Edilmesi

1. Hipotezlerin Kurulması. 2. Test istatistiğinin

elde edilmesi.
H0: İki değişken arasında
ilişki yoktur (=0).

H1: İki değişken arasında

pozitif ilişki vardır (>0)
3. Yanılma düzeyi alfa=0.05 alınmıştır.

4. Karar için: Karar:

Sd=n-2=15-2=13’tür. tHesap=5.39>tTablo=1.77
13 serbestlik olduğu için H0 hipotezi
dereceli tek yönlü t reddedilir ve r’nin
tablo istatistiği 1.77 sıfırdan büyük bir
olarak bulunur. değer olduğu söylenir
(p<0.05).
 Açıklayıcılık Katsayısı (R2)

Açıklayıcılık (belirtme) katsayısı (R2),

değişkenleri bağımlı-bağımsız değişken
olarak düşündüğümüzde bağımlı
değişkendeki toplam değişimin yüzde kaçının
bağımsız değişken tarafından
açıklanabildiğini belirtir.
 İki değişken arasında doğrusal ilişki olması
durumunda, korelasyon katsayısının karesi
açıklayıcılık katsayısına eşittir.

R2=r2

R2 değeri 0 ile +1 arasında değişir.

R2 değerinin 1’e yaklaşması, bağımlı değişkendeki
değişimin büyük bir bölümünün bağımsız
değişken tarafından açıklandığını gösterir.
 Örneğimiz için R2
R2=r2=0.832=0.69

Buna göre ağırlık değişkeni, beden kitle

indeksindeki değişimin % 69’unu
açıklamaktadır. Beden kitle indeksindeki
değişimin % 31’i (1-0.69) dikkate alınmayan
başka değişkenlerce açıklanmaktadır.
 Diğer Korelasyon Katsayıları

• Spearman Sıra Korelasyon Katsayısı (rs)

• Phi katsayısı
 Spearman Sıra Korelasyon Katsayısı
(rs)
• Pearson korelasyon katsayısının parametrik
olmayan karşılığıdır.
• Değişkenlerin biri ya da her ikisinin normal
dağılmadığı durumlarda kullanılabileceği gibi
doğrudan sıralı (ordinal) olarak elde edilen ya
da belli bir kritere göre sıralanmış olan iki
değişkenin ilişki miktarını belirlemek amacı
ile de kullanılır.
rs’nin hesaplanması ve anlamlılığı
için t istatistiğinin bulunması

’nin hesaplanması t istatistiği

Örnek 3:

7-9 yaş çocuklarda günlük içtikleri süt

miktarı ile serum kalsiyum düzeyleri
arasındaki ilişkinin incelenmesi
Süt miktarı Serum Sıra Sıra d
(bardak) kalsiyum Süt Serum
(x) düzeyi mik. kalsiyum
(mg/dL) (x) düzeyi
(y) (y)
3 8 5 3.5 1,5
3 8.6 5 6 -1
5
6
9
10.5
7.5
9
7
9
0.5
0
 5
d 2

5 9.2 7.5 8 -0.5

7 11 10 10 0
2 7.5 2.5 2 0.5
2 8 2.5 3.5 -1,0
3 8.3 5 5 0
1 7 1 1 0
H0: İki değişken arasında ilişki yoktur (ρS=0).

H1: İki değişken arasında pozitif ilişki vardır (ρS>0).

α=0.05, n=10 serbestlik dereceli tek yönlü t tablo

değeri 1.81’dir. 9.69>1.81 olduğu için günlük içilen
süt miktarı ile serum kalsiyum düzeyleri arasında
pozitif bir ilişki vardır.
 Phi Katsayısı
• 4 gözlü çapraz
tablolarda uygulanır.
• Pearson korelasyon
katsayısı (r) gibi
 2

yorumlanır.
• Ki-kare istatistiği
anlamlı ise Phi katsayısı
da anlamlıdır. n
Örnek 4: Aşağıda ilkokul çağındaki çocukların, beslenme
durumlarına göre okuldaki başarı durumları verilmiştir.

Beslenme durumuna göre okuldaki başarı

dağılımı
Okuldaki Başarı
Beslenme Başarılı Başarısız Toplam
Durumu
Yeterli 21 20 41
Yetersiz 13 22 35
Toplam 34 42 76

 2 =1.51 (P>0.05)

1.51
  0.14
76
Aynı soruda bireylerin dağılımı aşağıdaki gibi olsaydı;

Beslenme durumuna göre okuldaki başarı

dağılımı
Okuldaki Başarı
Beslenme Başarılı Başarısız Toplam
Durumu
Yeterli 210 200 410
Yetersiz 130 220 350
Toplam 340 420 760

 2 =15.13 (P<0.05)

15.13
  0.14
760
 R E G R E S Y ON
ÇÖZÜMLEMESİ

Dr. R. ALPAR
 REGRESYON ÇÖZÜMLEMESİ

İki değişken arasındaki korelasyon katsayısı

yeterince büyükse, kolay elde edilen bir x
değişkeni değeri yardımıyla elde edilmesi
zor olan bir y değişkeni değeri kestirilebilir.
Bu kestirim regresyon çözümlemesi
yardımıyla yapılır.
REGRESYON
a) Basit doğrusal regresyon
b) Çoklu doğrusal regresyon
 BASİT DOĞRUSAL REGRESYON

Bir bağımlı bir bağımsız değişkenin olduğu

doğrusal regresyon çözümlemesine
basit doğrusal regresyon çözümlemesi
denir.
Örnek 5:
Günlük İçilen Sigara Sayısı (GİSS)-Sistolik Kan Basıncı (SKB)
İlişkisi
Kişi no GİSS (x) SKB(y) 16

1 4 12 15
SİSTOLİK KAN BASINCI (Y)

2 11 14 14

3 8 11 13

4 15 15
12

5 5 11
11
6 16 14
10
7 20 15
9
8 9 13 0 5 10 15 20

9 2 10 GÜNLÜK İÇİLEN SİGARA SAYISI (X)

y ve x gibi iki değişken arasındaki doğrusal
ilişki

y=b0+b1x

ile verilir.
 Değişken Adları
Regresyon çözümlemesinde:
x değişkeni: genellikle bağımsız değişken
ya da etkileyen değişken olarak
adlandırılır ve x ile gösterilir.
y değişkeni: x değişkenine bağlı olarak
değiştiği düşünüldüğü için bağımlı
değişken, açıklanan değişken ya da
etkilenen değişken gibi adlar alır.
 b0 ve b1 Katsayılarının Tanımı

• b0 : Regresyon doğrusunun y eksinini

kestiği nokta olup kesim noktası ya da
sabit olarak adlandırılır.
• b1: Regresyon katsayısıdır ve x’de bir
birimlik değişme olduğunda y’de
meydana gelecek ortalama değişlik
miktarını verir.
 b0 ve b1’in Bulunması

n n

n x y i i

 xi yi  i 1 i 1

b1  i 1
n
n
b0  y  b1 x
n
( xi ) 2

x 
i 1
2
i
i 1
n
 ÖRNEK 5:(devam)
Günlük
Sistolik kan
içilen sigara
basıncı(y)
sayısı(x)
16
4 12
11 14 15
SİSTOLİK KAN BASINCI (Y)

8 11 14

15 15 13

5 11
12
16 14
20 15 11

9 13 10

2 10 9
0 5 10 15 20

GÜNLÜK İÇİLEN SİGARA SAYISI (X)

b0= 10.004
b1= 0.277
SONUÇLARIN SUNULMASI

r=0.903
R2=0.9032=0.815

KATSAYILARA İLİŞKİN İSTATİSTİKLER

Değişken Katsayı Standart t p

hata
Sabit 10.004 0.574 17.425 0.000
x 0.277 0.050 5.561 0.001
VARYANS ANALİZİ TABLOSU

DK KT Sd KO F P
Toplam 27.556 8
Regresyon 22.469 1 22.469 30.923 0.001
Artık 5.086 7 5.086
Regresyon Doğrusunun Çizimi

18

16

14
*
12

10 *
y (SKB)

0
0 5 10 15 20 25
x (GİSS)
ÇOKLU DOĞRUSAL REGRESYON ÇÖZÜMLEMESİ

• Amaç:
• Kolay elde edilebilir bağımsız değişkenler
yardımıyla zor elde edilen bağımlı değişken
değerini kestirmek
• Bağımsız değişkenlerden hangisi ya da
hangilerinin bağımlı değişkeni daha çok
etkilediğini belirlemek
 Çoklu Doğrusal Regresyon
Modeli

yˆ  b0  b1 x1  b2 x 2  b3 x3 ..... b p x p
 Değişkenlerin Tanımı
• Bağımlı değişken sürekli ya da kesikli
sayısal veri tipinde olmalıdır.
• Bağımsız değişkenler sürekli kesikli ya da
nitelik veri tipinde olabilir.
• Nitelik bağımsız değişkenler olduğunda
göstermelik (dummy) değişkenler
oluşturulur.
 Gözlem Sayısı
• Gözlem sayısı (n), bağımsız değişken sayısının
en az 10 katı olmalıdır.
• İdeali ise, gözlem sayısının bağımsız değişken
sayısının 20 katı olmasıdır.
• Bazı çalışmalarda sayı 40 katına kadar
çıkmaktadır.
 Uyarılar
• Bağımsız değişkenler arasındaki korelasyon
katsayıları yüksek olmamalıdır.Yüksek ilişki
çoklubağlantıya neden olur.

• Büyük R2 ya da F istatistiğinin anlamlı olması

modelin yeterliği ve geçerliği konusunda ayrıntılı
bilgi vermez.

• Artıkların incelenmesi gereklidir.

Örnek 6:
Hipertansiyon hastası olan 120 kişiye ilişkin kan
basıncını etkileyen faktörlerin incelenmesi
y: Ortalama artelyel kan basıncı (mm Hg)
x1: Yaş (yıl)
x2: Ağırlık (kg)
x3: Vücut Yüzeyi Alanı (m2)
x4: Yüksek tansiyon hikayesi Süresi (yıl)
x5: Bazal kalp atım hızı (atış/dk)
x6: Stres ölçüsü
Örnek 7: Çocuğun Doğum Ağırlığı (y)
Gebelik haftası (x1)
Annenin sigara içme durumu (x2)
y (gr) x1 x2
3940 38 1
3130 38 0
2420 36 1
2450 34 1
2740 38 1
2841 36 0
. . .
3222 39 0