Değişkenler Arasındaki İlişkiyi Modellemek
Eğitim araştırmalarında sıkça sorulan bir soru vardır: “Hangi faktörler öğrenci başarısını etkiliyor?” Bu sorunun yanıtını aramak çoğunlukla bizi regresyon analizine götürür.
Regresyon bir veya birden fazla değişkenin (yordayıcıların) başka bir değişken (bağımlı değişken) üzerindeki etkisini modelleyen güçlü bir istatistiksel tekniktir.
Regresyon özünde bir tahmin modeli kurar. “X bilindiğinde Y ne olur?” sorusunu yanıtlamaya çalışır.
Eğitim bağlamında örnekler:
- Ön test puanı, son test puanını ne ölçüde yorduyor?
- Sosyoekonomik durum ve okul tipi akademik başarıyı birlikte nasıl açıklıyor?
- Öğrenci devamsızlığı sınav notunu ne yönde etkiliyor?
Basit Doğrusal Regresyon
Tek bir yordayıcı değişkenle bağımlı değişken arasındaki ilişkiyi modelleyen en temel regresyon türüdür.
Model:
Y = β₀ + β₁X + ε
Burada:
- Y = Bağımlı değişken (tahmin edilen)
- X = Yordayıcı değişken (bağımsız)
- β₀ = Sabit (kesim noktası / intercept)
- β₁ = Regresyon katsayısı (eğim)
- ε = Hata terimi
Örnek: Ödev tamamlama oranı (X) arttıkça sınav puanının (Y) nasıl değiştiğini modellemek.
Çoklu Regresyon
Birden fazla yordayıcı değişkenin aynı anda modele dahil edildiği regresyon türüdür.
Y = β₀ + β₁X₁ + β₂X₂ + … + βₖXₖ + ε
Neden çoklu regresyon? Gerçek hayatta bağımlı değişken genellikle tek bir faktörden etkilenmez. Öğrenci başarısı; sosyoekonomik düzey, öğretmen kalitesi, aile desteği ve önceki başarı gibi pek çok faktörün bir aradaki etkisiyle şekillenir.
Çoklu regresyon her değişkenin diğerleri kontrol altında tutulduğunda bağımlı değişken üzerindeki özgün katkısını gösterir.
Temel Çıktılar ve Yorumlanması
R² (R-Kare) — Açıklanan Varyans
Modelin bağımlı değişkendeki varyansın ne kadarını açıkladığını gösterir.
- R² = 0,45 → Yordayıcılar, Y’deki varyansın %45’ini açıklıyor
- R² = 1,00 → Mükemmel uyum (gerçekte hiç görülmez)
- R² = 0,00 → Model hiçbir şey açıklamıyor
Düzeltilmiş R²: Modele eklenen her yeni değişken R²’yi artırır. Düzeltilmiş R², değişken sayısı dikkate alınarak hesaplandığından çoklu regresyonda daha uygun bir göstergedir.
Beta Katsayıları (β)
Her yordayıcı değişkenin bağımlı değişken üzerindeki etkisini gösterir.
- Standart dışı (B): Ham ölçek birimlerinde yorum yapılır.
- Standartlaştırılmış (β): Farklı ölçeklerdeki değişkenlerin göreceli katkısını karşılaştırmak için kullanılır. Büyüklüğü en yüksek olan β, görece en güçlü yordayıcıdır.
p Değeri
Her katsayının istatistiksel olarak anlamlı olup olmadığını gösterir. p < 0,05 eşiği genellikle kabul görür.
F Testi
Modelin bir bütün olarak anlamlı olup olmadığını sınar.
Regresyon Sayltıları (Varsayımları)
Regresyon analizinin güvenilir sonuçlar vermesi için aşağıdaki koşulların sağlanması gerekir:
| Varsayım | Ne Anlama Gelir |
|---|---|
| Doğrusallık | X ve Y arasındaki ilişki doğrusal olmalı |
| Normal dağılım | Artıklar normal dağılmalı |
| Sabit varyans (Homoskedastisite) | Artıkların varyansı sabit olmalı |
| Bağımsızlık | Gözlemler birbirinden bağımsız olmalı |
| Çoklu bağlantı yok | Yordayıcılar birbirleriyle çok yüksek korelasyona sahip olmamalı |
Bu varsayımlar ihlal edildiğinde sonuçlar yanıltıcı olabilir.
Eğitimde Regresyon Uygulamaları
- Erken uyarı sistemleri: Risk altındaki öğrencileri önceden tespit etmek
- Program değerlendirme: Hangi müfredat değişkenlerinin başarıyı yordadığını anlamak
- Öğretmen etkinliği araştırmaları: Öğretmen değişkenlerinin öğrenci çıktılarına katkısı
- Öğrenci izleme: Geçmiş verilerden gelecek performansı tahmin etmek
Regresyon analizi eğitim araştırmacısının araç kutusundaki en güçlü yöntemlerden biridir. Değişkenler arasındaki nedensellik iddiasında bulunmaktan kaçınmak gerekse de yordayıcı ilişkileri modellemek ve etki büyüklüğünü tahmin etmek açısından son derece değerlidir.
Kaynakça: Hair, J. F., et al. (2018). Multivariate Data Analysis. | Field, A. (2018). Discovering Statistics Using SPSS.
