Blog

SPSS gibi menü tabanlı programlar başlangıçta daha kolay görünse de R, ücretsiz olması, esnekliği ve tekrarlanabilir araştırma pratiklerine uygunluğu nedeniyle akademide giderek yaygınlaşmaktadır. Birçok dergi analiz kodlarının paylaşılmasını teşvik eder ve R bu açıdan doğal bir tercih hâline gelmiştir.

Bu rehberde R ile veri analizi sürecini tez ve makale yazan araştırmacılar için temel adımlarıyla anlatıyoruz. Kod örnekleri kısa ve açıklayıcı tutulmuştur; paket sürümleri değiştikçe fonksiyon ayrıntıları farklılık gösterebilir.

R ile veri analizi neden tercih edilir?

R; ücretsiz olması, çok geniş paket ekosistemi, güçlü grafik olanakları ve kodla çalışmanın sağladığı tekrarlanabilirlik nedeniyle tercih edilir; özellikle ileri istatistik yöntemlerinde yeni teknikler çoğu zaman önce R paketleri olarak yayımlanır.

SPSS ile çalışmaya alışkın araştırmacılar için iyi bir başlangıç, aynı analizi her iki programda yapıp sonuçları karşılaştırmaktır. SPSS ile analiz adımlarını SPSS veri analizi rehberimizde ele almıştık.

R ve RStudio nasıl kurulur, ilk proje nasıl açılır?

Önce CRAN’dan R, ardından Posit’in sitesinden RStudio Desktop kurulur; RStudio’da “New Project” ile bir proje klasörü oluşturulur ve veri dosyaları bu klasöre konur.

Proje yapısı kullanmak, dosya yollarıyla ilgili hataların büyük bölümünü önler. Veri, kod ve çıktıları “data”, “scripts” ve “output” gibi alt klasörlerde tutmak hem sizin hem de danışmanınızın işini kolaylaştırır. Türkçe karakterli dosya ve klasör adlarından kaçınmak, özellikle Windows’ta kodlama sorunlarını azaltır.

R ile veri analizi için veri nasıl içe aktarılır ve temizlenir?

Excel dosyaları readxl, SPSS dosyaları haven, CSV dosyaları readr paketiyle içe aktarılır; ardından dplyr fonksiyonlarıyla değişkenler düzenlenir, eksik veriler incelenir ve ters maddeler çevrilir.

Veri temizliği aşamasında mutate() ile yeni değişkenler oluşturulur, filter() ile vakalar seçilir, ters maddeler örneğin 6 eksi madde puanı biçiminde çevrilir ve ölçek toplam veya ortalama puanları hesaplanır. Eksik verilerin deseni naniar gibi paketlerle görselleştirilebilir. Temizlik adımlarının tamamı kodda kaldığı için, hakemlerin “hangi vakalar çıkarıldı?” sorusuna kesin yanıt verebilirsiniz.

R ile veri analizinde eksik veriler nasıl ele alınır?

Önce eksikliğin oranı ve deseni incelenir; az ve rastgele eksiklikte liste bazında silme kabul edilebilir, daha fazla eksiklikte mice paketiyle çoklu atama (multiple imputation) veya lavaan’da tam bilgi en çok olabilirlik (FIML) gibi yöntemler tercih edilir.

Eksik veri yönetimi, hakemlerin yöntem bölümünde sıkça sorguladığı konulardan biridir. Hangi değişkende ne kadar eksik veri olduğu, eksikliğin rastgele olup olmadığına dair değerlendirme ve uygulanan yöntem açıkça raporlanmalıdır. Little’ın MCAR testi gibi testler fikir verebilir; ancak tek başına karar ölçütü olarak kullanılmamalıdır.

Çoklu atamada oluşturulan veri setlerinin sayısı, atama modeline dahil edilen değişkenler ve sonuçların birleştirilme kuralı yöntem bölümünde belirtilmelidir. R’ın kod tabanlı yapısı, bu kararların tamamının belgelenmesini ve gerektiğinde farklı senaryolarla duyarlılık analizi yapılmasını kolaylaştırır.

R’da betimsel istatistik ve varsayım kontrolleri nasıl yapılır?

summary() ve psych::describe() ile ortalama, standart sapma, çarpıklık ve basıklık değerleri alınır; normallik için Shapiro-Wilk testi ve Q-Q grafikleri, varyans homojenliği için Levene testi kullanılır.

psych paketinin describe() fonksiyonu, tezlerde sıkça raporlanan betimsel değerleri tek tabloda verir. Grup bazında betimsel istatistik için describeBy() kullanılabilir. Normallik değerlendirmesinde büyük örneklemlerde Shapiro-Wilk testinin küçük sapmaları bile anlamlı bulabileceğini unutmamak; çarpıklık-basıklık değerleri ve grafiklerle birlikte karar vermek gerekir. Levene testi için car::leveneTest() yaygın olarak kullanılır.

R ile temel istatistiksel testler nasıl yapılır?

t testi için t.test(), tek yönlü ANOVA için aov() veya rstatix paketi, korelasyon için cor.test(), ki-kare için chisq.test(), parametrik olmayan testler için wilcox.test() ve kruskal.test() fonksiyonları kullanılır.

ANOVA sonrası çoklu karşılaştırmalar için TukeyHSD() veya varyanslar homojen değilse Games-Howell testi (rstatix::games_howell_test()) tercih edilir. Raporlamada yalnızca p değerini değil, etki büyüklüğünü (Cohen d, eta kare gibi) ve güven aralıklarını vermek güncel raporlama standartlarının gereğidir.

R ile regresyon analizi nasıl yapılır?

Doğrusal regresyon lm() fonksiyonuyla kurulur, summary() ile katsayılar ve R² incelenir; varsayımlar artık grafikleri, car::vif() ile çoklu bağlantı ve uygun testlerle kontrol edilir; lojistik regresyon için glm() kullanılır.

Örneğin lm(memnuniyet ~ yas + gelir + destek, data = veri) komutu çoklu doğrusal regresyon modelini kurar. Standartlaştırılmış katsayılar için değişkenleri ölçeklendirmek veya ilgili paketleri kullanmak gerekir. Hiyerarşik regresyonda modeller adım adım kurulur ve anova(model1, model2) ile R² değişiminin anlamlılığı test edilir. Aracılık ve düzenleyicilik analizleri için mediation paketi veya lavaan ile yol analizi tercih edilebilir.

R’da faktör analizi ve lavaan ile DFA nasıl yapılır?

Açımlayıcı faktör analizi psych paketindeki fa() fonksiyonuyla, doğrulayıcı faktör analizi ve yapısal eşitlik modelleri ise lavaan paketiyle model sözdizimi yazılarak yapılır.

lavaan’da model, “F1 =~ m1 + m2 + m3” gibi okunması kolay bir sözdizimiyle tanımlanır ve cfa() fonksiyonuyla tahmin edilir. summary(fit, fit.measures = TRUE, standardized = TRUE) komutu CFI, TLI, RMSEA, SRMR gibi uyum indekslerini ve standartlaştırılmış yükleri verir. Likert türü sıralı veriler için tahmin yöntemi olarak WLSMV gibi seçenekler değerlendirilebilir. Güvenilirlik katsayıları için semTools paketi kullanışlıdır.

R ile yayın kalitesinde grafik nasıl hazırlanır?

ggplot2 paketiyle veri, estetik eşlemeler ve geometrik katmanlar tanımlanarak grafik oluşturulur; tema ayarlarıyla APA’ya uygun sade bir görünüm elde edilir ve ggsave() ile yüksek çözünürlükte kaydedilir.

Dergiler genellikle belirli çözünürlük (ör. 300 dpi veya üzeri) ve formatlarda şekil ister. ggsave() fonksiyonunda genişlik, yükseklik ve dpi değerlerini belirleyerek derginin istediği boyutta çıktı alabilirsiniz. Renk körlüğüne duyarlı paletler (ör. viridis) ve gri tonlamada da okunabilir grafikler tercih etmek, basılı yayınlarda sorun yaşamamanızı sağlar.

R ile veri analizi sonuçları nasıl raporlanır?

Sonuçlar APA biçiminde tablolara aktarılır; apaTables, gtsummary veya flextable gibi paketlerle Word’e uygun tablolar üretilir, R Markdown veya Quarto ile analiz ve rapor tek belgede birleştirilir.

• ✓R ve kullanılan paketlerin sürümleri yöntem bölümünde belirtildi (sessionInfo() çıktısı yardımcı olur).
• ✓Veri temizleme adımları ve dışlanan vakalar raporlandı.
• ✓Test istatistikleri, serbestlik dereceleri, p değerleri ve etki büyüklükleri verildi.
• ✓Tablolar APA biçiminde düzenlendi.
• ✓Grafikler derginin istediği çözünürlükte kaydedildi.
• ✓Kodlar, dergi istiyorsa ek dosya veya depo bağlantısı olarak paylaşılmaya hazır.

Tekrarlanabilir analiz, yalnızca hakemi değil, altı ay sonraki sizi de korur.

R ile veri analizinde sık yapılan hatalar nelerdir?

Kodları konsola yazıp kaydetmemek, faktör değişkenlerini sayısal bırakmak, eksik verileri fark etmeden analiz etmek, paket çakışmalarını gözden kaçırmak ve tohum (set.seed) belirlemeden rastgele işlemler yapmak en sık hatalardır.

• Değişken türü: Grup değişkeninin factor yerine numeric kalması, ANOVA sonuçlarını bozar.
• Eksik veri: na.rm = TRUE gibi seçeneklerin farkında olmadan vaka kaybı.
• Paket çakışması: Aynı adlı fonksiyonların farklı paketlerde bulunması (ör. dplyr::select).
• set.seed: Bootstrapping ve benzeri işlemlerde tekrarlanabilirlik için tohum değeri belirtilmemesi.

R ile veri analizinde Makale Hazırlama nasıl destek olur?

Analiz planı, R kodlarının yazımı ve kontrolü, sonuçların yorumlanması, APA uyumlu tablo ve grafikler ile hakem sorularına yanıt konularında istatistik danışmanlığı sunuyoruz.

2008’den beri hizmet veren Makale Hazırlama’nın 250+ uzman akademik kadrosunda istatistik ve yöntem alanında deneyimli Prof. Dr., Doç. Dr. ve araştırma görevlileri yer alır. Ekibimizin 20 yılı aşkın akademik deneyimiyle R, SPSS, Python, Stata ve SmartPLS kullanan dünyanın dört bir yanındaki üniversitelerden akademisyen ve öğrencilerle çalıştık. Analiz kodlarını açıklamalı olarak teslim ederek sürecin size ait ve anlaşılır kalmasını önemsiyoruz. Daha fazla bilgi için istatistik ve veri analizi hizmetimiz sayfasına, ekibimiz için hakkımızda sayfamıza göz atabilirsiniz.

Sık Sorulan Sorular