Korelasyon Yüksek Ama Anlamsız — Bu Nasıl Olur?

Korelasyon Yüksek Ama Anlamsız — Bu Nasıl Olur?

Korelasyon matrisini incelediyseniz ve r = 0.45 gibi görece yüksek bir korelasyon katsayısının yanında p = 0.182 gibi anlamsız bir p değeri gördüyseniz, bu sizi şaşırtmış olabilir. "İlişki bu kadar güçlüyse neden anlamlı değil?" sorusu, istatistik dünyasının en sık sorulan sorularından biridir ve cevabı örneklem büyüklüğüdür.

İstatistiksel Anlamlılık ile Pratik Anlamlılık Farkı

İki kavramı birbirinden kesinlikle ayırt etmeniz gerekir:

İstatistiksel Anlamlılık (p < 0.05): Gözlemlenen ilişkinin şansa bağlı olmadığını, örneklemdeki bulgunun genel popülasyona genellenebileceğini gösterir. Küçük örneklemde büyük korelasyon bile anlamsız çıkabilir.

Pratik Anlamlılık (Etki Boyutu): İlişkinin gerçek dünyada ne kadar önemli olduğunu gösterir. Büyük örneklemde r = 0.05 bile istatistiksel olarak anlamlı çıkabilir — ama pratikte hiçbir önemi yoktur.

Örneklem Büyüklüğü Korelasyon Anlamlılığını Nasıl Etkiler?

Tabloda açıkça görüldüğü üzere, aynı korelasyon katsayısı farklı örneklem büyüklüklerinde tamamen farklı anlamlılık sonuçları verir.

Cohen'in Korelasyon Etki Büyüklüğü Sınıflandırması

Korelasyon katsayısını yorumlarken mutlaka etki büyüklüğü sınıflandırmasını kullanın: r = 0.10 küçük etki, r = 0.30 orta etki, r = 0.50 büyük etki olarak kabul edilir (Cohen, 1988). Anlamsız ama büyük etki boyutlu bir korelasyon, daha büyük örneklemde anlamlı çıkacağını gösterir.

Tezde Nasıl Yazılır (APA Formatı)

"Çalışma motivasyonu ile iş performansı arasındaki ilişkiyi incelemek amacıyla Pearson korelasyon analizi uygulanmıştır. Analiz sonucunda iki değişken arasında pozitif yönde orta düzeyde bir ilişki gözlemlenmiş (r = .38), ancak mevcut örneklem büyüklüğü göz önüne alındığında (N = 25) bu ilişki istatistiksel anlamlılık sınırına ulaşamamıştır, p = .062. Etki büyüklüğünün orta düzeyde olduğu (r = .38; Cohen, 1988) ve daha büyük örneklemlerle yürütülecek çalışmalarda anlamlı sonuçlara ulaşılabileceği değerlendirilmektedir."

Korelasyon matrisinizi hesaplamak için → Analizus Korelasyon Analizi aracını kullanın.

Korelasyon İçin Güven Aralığı Raporlaması

APA 7. baskı, korelasyon katsayısının yanında %95 güven aralığının da raporlanmasını önermektedir. SPSS korelasyon çıktısı doğrudan güven aralığı vermez; ancak şu yollarla hesaplanabilir: (1) Fisher'ın z-dönüşümü formülü ile manuel hesaplama. (2) R'ın psych paketindeki corr.test() fonksiyonu. (3) SPSS'te Bootstrap seçeneği aktif edilerek önyükleme güven aralıkları elde edilebilir (Analyze → Correlate → Bivariate → Bootstrap → Perform bootstrapping).

Raporlama: "İki değişken arasında pozitif yönde orta düzeyde ilişki gözlemlenmiştir (r = .38, %95 CI [.12, .60], p = .012)."

Kısmi Korelasyon: Üçüncü Değişkenin Etkisini Kontrol Etmek

İki değişken arasındaki ilişki, her ikisinin de ortak bir üçüncü değişkenle ilgili olmasından kaynaklanıyor olabilir (confounding). Örneğin "dondurma satışları" ile "boğulma vakaları" arasında yüksek korelasyon gözlemlenebilir; çünkü ikisi de sıcak hava ile ilgilidir. Kısmi korelasyon (partial correlation), bir veya birden fazla değişkenin etkisi kontrol edilerek hesaplanan korelasyondur.

SPSS'te: Analyze → Correlate → Partial → iki değişkeni listele, kontrol değişkenini Controlling for kutusuna gir. Kısmi r değeri orijinal r'den belirgin biçimde düşüyorsa ilişki büyük ölçüde o üçüncü değişkenden kaynaklanıyordur.

Spearman Rho Ne Zaman Pearson Yerine Kullanılır?

Şu koşullarda Pearson yerine Spearman Rho tercih edilmelidir: (1) Değişkenlerden biri veya ikisi normal dağılıma uymuyor. (2) Veriler ordinal ölçekte (Likert ölçeği, sıralama). (3) Aykırı değer (outlier) sayısı fazla. (4) İlişki doğrusal değil, monotonik. Spearman, Pearson'a göre daha az güçlüdür (daha yüksek örneklem gerektirir); ancak dağılım varsayımlarını karşılamayan verilerde daha doğru bir tahmin sunar.

Örneklem Büyüklüğü Planlaması: Ne Kadar Gerekiyor?

Belirli bir korelasyonu tespit etmek için gereken minimum örneklem büyüklüğü G*Power ile hesaplanabilir: Tests → Correlation: Bivariate Normal → hesaplamak istediğiniz r, α = .05, güç = .80 parametrelerini girin. Örneğin r = .30'u tespit etmek için yaklaşık N = 84 kişi; r = .20 için yaklaşık N = 191 kişi gerekir. Bu hesabı veri toplamadan önce yapmak ve gerekli örnekleme ulaşmak metodolojik güvenilirliği önemli ölçüde artırır.

Korelasyonu Nedensellikle Karıştırmamak

Korelasyon analizinin en sık tekrarlanan hatası, yüksek korelasyon değerinin nedenselliği (causation) kanıtladığı varsayımıdır. Korelasyon her zaman nedenselliğin varlığına işaret etmez; aynı zamanda tersine nedensellik (reverse causation) veya gizli bir üçüncü değişken (confounding variable) tarafından da açıklanabilir. Nedensellik için korelasyon gerekli ama yeterli değildir.

Tezde: "Değişkenler arasında pozitif yönde anlamlı bir ilişki bulunmuştur" ifadesi doğruyken, "A değişkeni B'ye yol açmaktadır" ifadesi korelasyon analiziyle desteklenemez. Nedensellik iddiası için deneysel tasarım, boylamsal veri ya da yapısal eşitlik modellemesi gibi ileri yöntemler gerekir. Bu sınırlılığı tartışma bölümünde açıkça belirtmek hem akademik dürüstlüğü hem de bulguların sağlamlığını pekiştirir.

Sonuç: Korelasyonu Bütünsel Okumak

Korelasyon analizi, iki değişken arasındaki doğrusal ilişkinin yönünü ve gücünü ölçen değerli bir araçtır; ancak tek başına p değeri bu bilgiyi tamamıyla aktaramaz. Güven aralığı, etki büyüklüğü sınıflandırması, örneklem büyüklüğünün analiz gücüne katkısı ve olası karıştırıcı değişkenler birlikte değerlendirildiğinde korelasyon bulgusu çok daha zengin ve savunulabilir bir yoruma kavuşur. Yüksek ama anlamsız korelasyon bulgusu ise araştırmacıyı örneklem planlamasını gözden geçirmeye ve daha büyük bir çalışma tasarlamaya yönlendiren önemli bir metodolojik bilgidir.

Kaynakça:
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Erlbaum.
Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). Sage.