R ile İstatistik Analizi: Kurulumdan t-Testine

Basira Editör Ekibi · · 15 dk okuma · Güncellendi: 18 Kasım 2026 · Bilimsel inceleme: Doç. Dr. Hasan Yıldırım

Aa Yazı boyutu
Yazı boyutu

Anahtar çıkarımlar

  • R ücretsiz ve açık kaynaklı bir istatistik dilidir; RStudio onun üzerinde çalışan bir geliştirme ortamıdır. Önce R, sonra RStudio kurulur.
  • Temel R, bir tez analizinin çekirdeğini paket kurmadan yapar: read.csv ile okuma, summary ve sd ile betimleme, hist ve boxplot ile grafik, t.test ile karşılaştırma.
  • R'nin t.test işlevi iki bağımsız grupta varsayılan olarak Welch t-testini yapar; var.equal = TRUE Student t-testidir ve önerilmez.
  • Temel R etki büyüklüğü vermez; Cohen's d iki satırlık bir hesapla bulunur ve APA 7 raporunda p değerinin yanında yer alır.

İçindekiler

İçindekiler

R ile istatistik analizi, veriyi ücretsiz ve açık kaynaklı R dilinde komutlarla okuyup betimlemek, grafiğe dökmek ve test etmektir. Her adım bir satır kod olduğu için analiz baştan sona yeniden üretilebilir. Bu rehber kurulumdan başlayıp bir CSV dosyasını okumayı, betimsel istatistikleri, grafikleri, Welch t-testini, Cohen’s d’yi ve APA 7 raporunu gerçek çıktılarla gösterir.

R nedir, istatistik analizinde neden kullanılır?

R, istatistiksel hesaplama ve grafik için geliştirilmiş, ücretsiz ve açık kaynaklı bir programlama dili ve ortamıdır (R Core Team, 2025). Menülü programlardan farkı, analizin bir betik (script) olarak saklanmasıdır. Betik, hangi verinin hangi işlemle hangi sonuca dönüştüğünün kaydıdır. Danışmanınız ya da hakem bir sayıyı sorduğunda betiği yeniden çalıştırmak yeter; veri değişirse aynı betik güncel sonucu üretir.

R’nin gücü binlerce ek paketinden gelir, ama bu yazı bilerek yalnız temel R ile çalışır: R kurulduğunda gelen işlevlerle. Bir tez analizinin çekirdeği, yani veri okuma, betimsel istatistik, grafik ve iki grup karşılaştırması, hiçbir paket kurmadan yapılabilir. Paketler daha sonra, ihtiyaç doğdukça eklenir.

Aşağıdaki tablo yazının yol haritasıdır:

AdımTemel R işleviNe verir
1. KurulumR.version.stringKurulu R sürümü
2. Veri okumaread.csv, str, head, factorVeri çerçevesi, değişken türleri, grup sırası
3. Betimsel istatistiksummary, tapply, sdGrup başına n, ortalama, ortanca, çeyrekler, standart sapma
4. Dağılım ve grafikshapiro.test, hist, boxplotDağılımın biçimi, histogram, kutu grafiği
5. Karşılaştırmat.testWelch t, serbestlik derecesi, p, farkın güven aralığı
6. Etki büyüklüğüelle: mean, sd, qtCohen’s d ve yaklaşık güven aralığı

Aynı karşılaştırmanın Excel’de nasıl yapıldığını Excel’de t-testi yazısı, testin kendisini (varsayımlar, hipotezler, formül) bağımsız örneklem t-testi yazısı anlatır. Bu yazı R’nin kendisine odaklanır: kodu nasıl yazacağınızı ve çıktıyı nasıl okuyacağınızı.

Adım 1: R ve RStudio nasıl kurulur?

Kurulum iki parçadır ve sırası önemlidir: önce R, sonra RStudio. R hesabı yapan dildir; RStudio ise kod yazmayı, çıktıyı ve grafikleri tek pencerede toplayan bir geliştirme ortamıdır. RStudio tek başına çalışmaz, bilgisayarda kurulu bir R arar.

  1. R: Resmî dağıtım yeri CRAN’dır: cran.r-project.org. Windows için Windows indirme sayfasından kurulum dosyasını indirip varsayılan ayarlarla kurun; macOS ve Linux için CRAN’ın ana sayfasındaki bağlantıları izleyin. 18 Kasım 2026’da CRAN’daki güncel sürüm R 4.6.2’dir (29 Ekim 2026’da yayımlandı).
  2. RStudio Desktop: Posit’in indirme sayfasından işletim sisteminize uygun kurulum dosyasını alın. 18 Kasım 2026’da sayfadaki sürüm RStudio 2026.11.0’dır; Posit’e göre RStudio Desktop AGPL v3 lisanslı açık kaynak bir yazılımdır ve Windows 11, macOS 15 ve sonrası ile yaygın Linux dağıtımlarında çalışır (Posit, 2026).

RStudio’yu açtığınızda alttaki Console (konsol) bölmesine komut yazabilirsiniz. Kalıcı çalışma için yeni bir R betiği açın, kodu oraya yazın ve satırları oradan çalıştırın; betiği kaydettiğinizde analiziniz de kaydedilmiş olur. Kurulumu denetlemek için konsola şunu yazın:

R.version.string
[1] "R version 4.5.1 (2025-06-13 ucrt)"

Bu yazıdaki bütün çıktılar R 4.5.1 ile (Windows) üretildi. Daha yeni bir sürümde çıktının görünümü az farklı olabilir; kullanılan işlevler temel R’nin uzun süredir var olan işlevleridir. Tezinizin yöntem bölümüne kullandığınız sürümü yazın; citation() komutu R’nin önerdiği kaynak gösterimini verir.

Adım 2: CSV dosyası R’ye nasıl okunur?

Örnek bir araştırma üzerinden ilerleyelim. Bir araştırmacı 40 üniversite öğrencisini rastgele iki gruba ayırıyor: 18 öğrenci dört haftalık bir uyku hijyeni eğitimi alıyor, 22 öğrenci bekleme listesinde kalıyor. Dördüncü haftanın sonunda her öğrencinin bir haftalık uyku günlüğünden gece başına ortalama uyku süresi (dakika) hesaplanıyor. Soru: iki grubun ortalama uyku süresi farklı mı?

Veri öğretici amaçla hazırlanmıştır; aşağıdaki bağlantıdan indirip adımları kendi bilgisayarınızda izleyebilirsiniz.

Rastgele iki gruba ayrılan 40 üniversite öğrencisinin gece başına ortalama uyku süresi, dakika (öğretici veri; 18 öğrenci dört haftalık uyku hijyeni eğitimi aldı, 22 öğrenci bekleme listesindeydi)
Gruplara göre veri noktaları ve ortancalar Rastgele iki gruba ayrılan 40 üniversite öğrencisinin gece başına ortalama uyku süresi, dakika (öğretici veri; 18 öğrenci dört haftalık uyku hijyeni eğitimi aldı, 22 öğrenci bekleme listesindeydi) 360 380 400 420 440 460 EğitimBekleme Uyku süresi (dk) Eğitim: 415Eğitim: 389Eğitim: 442Eğitim: 380Eğitim: 427Eğitim: 403Eğitim: 454Eğitim: 384Eğitim: 420Eğitim: 396Eğitim: 432Eğitim: 369Eğitim: 409Eğitim: 448Eğitim: 392Eğitim: 423Eğitim: 387Eğitim: 438Bekleme: 402Bekleme: 389Bekleme: 415Bekleme: 377Bekleme: 396Bekleme: 408Bekleme: 384Bekleme: 421Bekleme: 393Bekleme: 371Bekleme: 405Bekleme: 398Bekleme: 386Bekleme: 412Bekleme: 380Bekleme: 399Bekleme: 417Bekleme: 390Bekleme: 375Bekleme: 404Bekleme: 394Bekleme: 409 Ortanca 412Ortanca 397
EğitimBekleme
415402
389389
442415
380377
427396
403408
454384
384421
420393
396371
432405
369398

İlk 12 satır (toplam 22) · Bu örnekteki tüm sayılar SciPy 1.16.3 ile bağımsız olarak yeniden hesaplanır. Veriyi indirin (CSV)

İndirdiğiniz r-uyku-hijyeni.csv dosyası uzun biçimdedir: her öğrenci bir satır, grup sütunu grubu, uyku sütunu dakikayı taşır. Bu biçim R’nin istediği biçimdir; iki grubu iki ayrı sütuna yazmak gerekmez.

R dosyayı çalışma dizininde arar. Dosyayı oraya taşıyabilir, çalışma dizinini setwd("C:/Users/adiniz/Downloads") gibi bir komutla değiştirebilir ya da dosya adı yerine file.choose() yazıp dosyayı bir pencereden seçebilirsiniz. Windows yolunda ters eğik çizgi yerine düz eğik çizgi (/) kullanın. Dosyayı okuyup yapısına bakalım:

veri <- read.csv("r-uyku-hijyeni.csv")
str(veri)
head(veri)
'data.frame':	40 obs. of  2 variables:
 $ grup: chr  "Eğitim" "Eğitim" "Eğitim" "Eğitim" ...
 $ uyku: int  415 389 442 380 427 403 454 384 420 396 ...
    grup uyku
1 Eğitim  415
2 Eğitim  389
3 Eğitim  442
4 Eğitim  380
5 Eğitim  427
6 Eğitim  403

<- atama işlecidir: okunan tablo veri adlı bir veri çerçevesine (data frame) yazılır. str her sütunun türünü gösterir: grup metin (chr), uyku tam sayıdır (int). Sayısal bir sütun burada chr görünüyorsa dosyada sayı olmayan bir hücre (ör. virgüllü ondalık ya da bir not) vardır; analizden önce düzeltilmelidir.

Türkçe karakterlere dikkat: dosya UTF-8 ile kaydedilmiştir. R 4.5.1 bu dosyayı ek ayar gerektirmeden doğru okudu. Sizde ilk sütunun adı ï..grup gibi bozuk görünür ya da “Eğitim” bozuk harflerle gelirse okuma satırını read.csv("r-uyku-hijyeni.csv", fileEncoding = "UTF-8-BOM") olarak değiştirin.

Sonra grubu bir faktöre, yani kategorik bir değişkene çeviririz ve grupların sırasını açıkça belirtiriz:

veri$grup <- factor(veri$grup, levels = c("Eğitim", "Bekleme"))
table(veri$grup)

 Eğitim Bekleme 
     18      22 

Sıra önemlidir: t.test farkı birinci grup eksi ikinci grup olarak hesaplar. Sırayı belirtmezseniz R grupları alfabetik sıraya koyar (burada Bekleme önce gelir) ve t ile güven aralığı ters işaretle çıkar. Sonuç değişmez, ama raporu okumak zorlaşır. table ise grup büyüklüklerini denetler: 18 ve 22, tasarımdaki sayılarla aynı.

Adım 3: Betimsel istatistikler nasıl hesaplanır?

summary bir veri çerçevesinin her sütununu özetler; tapply ise bir işlevi gruplara ayrı ayrı uygular. Standart sapma için sd kullanılır:

summary(veri)
tapply(veri$uyku, veri$grup, summary)
tapply(veri$uyku, veri$grup, sd)
      grup         uyku      
 Eğitim :18   Min.   :369.0  
 Bekleme:22   1st Qu.:388.5  
              Median :400.5  
              Mean   :403.3  
              3rd Qu.:415.5  
              Max.   :454.0  
$Eğitim
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
  369.0   389.8   412.0   411.6   430.8   454.0 

$Bekleme
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
  371.0   386.8   397.0   396.6   407.2   421.0 

  Eğitim  Bekleme 
25.44711 14.15445 

İlk özet bütün örneklem içindir ve bu soruyu yanıtlamaz: bizi gruplar ilgilendirir. Grup özetinde Min. en küçük değer, 1st Qu. birinci çeyrek, Median ortanca, Mean ortalama, 3rd Qu. üçüncü çeyrek, Max. en büyük değerdir. sd, n − 1 paydalı örneklem standart sapmasıdır; SPSS’in ve Excel’deki STDSAPMA.S’nin verdiği değerle aynıdır. Çeyreklerin farklı programlarda neden az farklı çıkabildiği dağılım ölçüleri yazısında anlatılır.

Raporlanacak değerler iki ondalığa yuvarlanmış hâliyle şöyledir:

Tablo 1

Gruplara Göre Gece Başına Ortalama Uyku Süresinin Betimsel İstatistikleri

GrupnOrtalama (dk)SS (dk)
Eğitim18411.5625.45
Bekleme22396.5914.15

Eğitim grubunun ortalaması yaklaşık 15 dakika yüksek, ama asıl dikkat çeken yayılımdır: eğitim grubunun standart sapması (SS = 25.45) bekleme grubununkinden (SS = 14.15) belirgin biçimde büyük. Eğitim bazı öğrencilerde uykuyu belirgin biçimde uzatmış, bazılarında az etkilemiş olabilir. Bu fark, bir sonraki adımlarda test seçimini değil, raporu etkiler.

Adım 4: Dağılım ve grafikler nasıl incelenir?

t-testi her grubun yaklaşık normal dağılmasını varsayar. Bu varsayımı bir eşik testine bağlamak yerine dağılımın biçimine bakılır. Belirgin normal dışılık için kullanılan ölçüt, yanlılığı düzeltilmiş çarpıklığın (G1) mutlak değerce 2’yi ya da fazla basıklığın (G2) 7’yi aşmasıdır (West vd., 1995).

Bu katsayılar temel R’de hazır gelmez; Joanes ve Gill’in (1998) formülleriyle iki kısa işlev yazılır. Ardından grup başına Shapiro-Wilk p değerine de bakılır:

carpiklik <- function(x) {
  n <- length(x); m <- mean(x)
  m2 <- mean((x - m)^2); m3 <- mean((x - m)^3)
  sqrt(n * (n - 1)) / (n - 2) * m3 / m2^1.5
}
basiklik <- function(x) {
  n <- length(x); m <- mean(x)
  m2 <- mean((x - m)^2); m4 <- mean((x - m)^4)
  (n - 1) / ((n - 2) * (n - 3)) * ((n + 1) * (m4 / m2^2 - 3) + 6)
}
tapply(veri$uyku, veri$grup, carpiklik)
tapply(veri$uyku, veri$grup, basiklik)
tapply(veri$uyku, veri$grup, function(x) shapiro.test(x)$p.value)
     Eğitim     Bekleme 
 0.07378704 -0.09915261 
    Eğitim    Bekleme 
-1.1553295 -0.8566276 
   Eğitim   Bekleme 
0.6770683 0.9052547 

Bu iki işlev SPSS’in Skewness ve Kurtosis satırlarındaki değerleri ve Excel’in ÇARPIKLIK ve BASIKLIK işlevlerini verir. Gruplarda çarpıklık 0.07 ve −0.10, fazla basıklık −1.16 ve −0.86’dır; eşiklerin çok altında. Shapiro-Wilk testi de iki grupta normallikten belirgin bir sapma göstermiyor (eğitim p = .677, bekleme p = .905).

Shapiro-Wilk raporlanır ama testi belirlemez: büyük örneklemlerde önemsiz sapmalar da anlamlı çıkar, küçük örneklemlerde ise önemli sapmaları kaçırabilir. Grafik, sayılarla birlikte okunur; ayrıntı normallik testi yazısında.

Grafikler için her grubun histogramı ve iki grubun kutu grafiği çizilir:

par(mfrow = c(1, 2))
hist(veri$uyku[veri$grup == "Eğitim"], main = "Eğitim", xlab = "Uyku süresi (dk)")
hist(veri$uyku[veri$grup == "Bekleme"], main = "Bekleme", xlab = "Uyku süresi (dk)")
par(mfrow = c(1, 1))
boxplot(uyku ~ grup, data = veri, ylab = "Uyku süresi (dk)")

Bu blok konsola bir şey yazmaz; grafikler RStudio’nun Plots bölmesinde açılır ve oradan dışa aktarılabilir. par(mfrow = c(1, 2)) grafik alanını bir satır iki sütuna böler, sonraki satır eski hâline döndürür. uyku ~ grup bir formüldür: “uykuyu gruba göre ayır” diye okunur ve aynı yazım t.test’te de kullanılır.

Bu veride histogramlarda belirgin bir kuyruk ya da tek yöne yığılma görünmez; eğitim grubunun histogramı daha yayvan ve daha basıktır. hist eksen aralığını her grup için ayrı seçer, bu yüzden iki histogramın yatay eksenleri aynı değildir; grupları yan yana karşılaştırmak için kutu grafiği daha uygundur. Kutu grafiğinde eğitim grubunun ortanca çizgisi daha yüksekte, kutusu belirgin biçimde daha uzundur: ortanca daha yüksek, yayılım daha geniştir. Bıyıkların dışında kalan aykırı nokta yoktur.

Adım 5: İki grup t-testiyle nasıl karşılaştırılır?

İki bağımsız grubun ortalamasını karşılaştırmak için tek bir satır yeter:

t.test(uyku ~ grup, data = veri)

	Welch Two Sample t-test

data:  uyku by grup
t = 2.2288, df = 25.38, p-value = 0.03491
alternative hypothesis: true difference in means between group Eğitim and group Bekleme is not equal to 0
95 percent confidence interval:
  1.146729 28.782564
sample estimates:
 mean in group Eğitim mean in group Bekleme 
             411.5556              396.5909 

Çıktının başlığı önemlidir: Welch Two Sample t-test. R’nin t.test işlevi iki bağımsız grupta varsayılan olarak Welch t-testini yapar; varyansların eşit olduğunu varsaymaz (Welch, 1947). Student t-testi için var.equal = TRUE yazmak gerekir ve bu önerilmez.

Student testi varyanslar ve grup büyüklükleri birlikte farklıyken birinci tür hata oranını koruyamaz; Welch ise bu durumda hata oranını korur, varyanslar eşitken de neredeyse hiç güç kaybettirmez (Delacre vd., 2017). Bu veri tam da o durumdur: küçük grup (eğitim) daha yayvan. Bu veride Student testinin p değeri Welch’inkinden küçük çıkar, yani farkı olduğundan daha kesin gösterir.

Önce varyansların eşitliğini bir testle sınayıp sonucuna göre Welch ya da Student seçmek de önerilmez; grup büyüklükleri farklıyken bu iki aşamalı yol, Welch’i baştan kullanmaktan daha kötü hata oranları verir (Zimmerman, 2004). Temel R’de Levene testi yoktur (car paketindedir); varyans farkını betimlemek için varyans homojenliği yazısına bakabilirsiniz, ama test seçimi için gerekmez.

Parametrik olmayan bir test yalnız iki durumda birincil olur: ölçüm sıralıysa ya da bir grup belirgin biçimde normal dışıysa (Adım 4’teki eşikler). Bu veride ikisi de yok; bu yüzden birincil test Welch t-testidir. Öteki test, Mann-Whitney U testi, duyarlılık analizi olarak yanında raporlanır. Temel R’deki karşılığı wilcox.test’tir:

wilcox.test(uyku ~ grup, data = veri)

	Wilcoxon rank sum test with continuity correction

data:  uyku by grup
W = 265, p-value = 0.07054
alternative hypothesis: true location shift is not equal to 0

Uyarı mesajları:
In wilcox.test.default(x = DATA[[1L]], y = DATA[[2L]], ...) :
  cannot compute exact p-value with ties

R bu testi Wilcoxon sıra toplamı testi adıyla verir; Mann-Whitney U testiyle aynı testtir ve W, birinci grubun U değeridir. Uyarı bir hata değildir: iki grupta aynı değerler (bağlar) bulunduğu için kesin p hesaplanamamış, p süreklilik düzeltmeli normal yaklaşımla bulunmuştur.

Burada iki test ayrışıyor: Welch t-testi anlamlı, Mann-Whitney U testi ise anlamlı değil (p = .071). İki test aynı soruyu sormaz. Welch ortalamaları karşılaştırır; Mann-Whitney ise bir gruptan rastgele seçilen bir öğrencinin ötekinden seçilen bir öğrenciden uzun uyuma olasılığını sınar ve yalnız sıralara bakar.

Adım 3’teki özetler ayrışmanın kaynağını gösterir: eğitim grubunun en uzun uyuyan öğrencileri bekleme grubundaki herkesten belirgin biçimde uzun uyuyor (grup özetlerindeki Max. değerlerini karşılaştırın), ama en kısa uyuyan öğrenci de eğitim grubunda (Min.). Ortalama, uzun uyuyanların bu büyük farkını tam olarak hesaba katar; sıra testi için ise bekleme grubunun en büyük değerini birkaç dakika ya da yarım saat aşmak aynı şeydir.

İki p değeri de .05 çevresindedir: veri, farkın varlığına dair sınırda bir kanıt sunar.

Dikkat

Birincil test analizden önce belirlendiği için sonuç Welch t-testine göre raporlanır, ama ayrışma da rapora yazılır. p değerine bakıp testi değiştirmek ya da yalnız anlamlı çıkanı raporlamak seçici raporlamadır.

Adım 6: Cohen’s d elle nasıl hesaplanır?

t.test farkın anlamlı olup olmadığını ve güven aralığını verir, ama farkın büyüklüğünü standart bir birimde vermez. Bunun için Cohen’s d kullanılır: ortalama farkın havuzlanmış standart sapmaya oranı (Lakens, 2013).

d=xˉ1−xˉ2spd = \frac{\bar{x}_1 - \bar{x}_2}{s_p}
sp=(n1−1)s12+(n2−1)s22n1+n2−2s_p = \sqrt{\frac{(n_1 - 1)s_1^2 + (n_2 - 1)s_2^2}{n_1 + n_2 - 2}}

Burada xˉ1\bar{x}_1 ve xˉ2\bar{x}_2 grup ortalamaları, s1s_1 ve s2s_2 grup standart sapmaları, n1n_1 ve n2n_2 grup büyüklükleri, sps_p ise havuzlanmış standart sapmadır. Temel R’de d için hazır işlev yoktur; formül doğrudan koda çevrilir:

ort <- tapply(veri$uyku, veri$grup, mean)
ss  <- tapply(veri$uyku, veri$grup, sd)
n   <- tapply(veri$uyku, veri$grup, length)
fark <- unname(ort[1] - ort[2])
sp  <- unname(sqrt(((n[1] - 1) * ss[1]^2 + (n[2] - 1) * ss[2]^2) / (sum(n) - 2)))
d   <- fark / sp
c(fark = fark, sp = sp, d = d)
      fark         sp          d 
14.9646465 20.0103675  0.7478447 

d’nin güven aralığı için yaygın bir yaklaşık standart hata kullanılabilir; kritik değer n₁ + n₂ − 2 serbestlik dereceli t dağılımından qt ile alınır:

SEd=n1+n2n1n2+d22(n1+n2)SE_d = \sqrt{\frac{n_1 + n_2}{n_1 n_2} + \frac{d^2}{2(n_1 + n_2)}}

Burada dd yukarıda hesaplanan etki büyüklüğü, n1n_1 ve n2n_2 grup büyüklükleridir; kodda sum(n) bu ikisinin toplamını, prod(n) çarpımını verir.

se_d <- sqrt(sum(n) / prod(n) + d^2 / (2 * sum(n)))
d + c(-1, 1) * qt(0.975, sum(n) - 2) * se_d
[1] 0.08255778 1.41313154

Bu yaklaşık yöntem, bağımsız örneklem t-testi ve Excel yazılarındaki d aralığıyla aynı hesaptır. Bu veride yayılım gruplar arasında belirgin biçimde farklıdır ve havuzlanmış standart sapma iki farklı yayılımı karıştırır; bu yüzden raporda d’nin havuzlanmış standart sapmayla hesaplandığı yazılır, gerekirse farkı yalnız kontrol grubunun standart sapmasına bölen Glass Δ da verilir. Hedges’ g gibi küçük örneklem düzeltmeli ölçüler, Glass Δ ve d’nin nasıl yorumlanacağı etki büyüklüğü yazısında anlatılır.

Çıktı nasıl yorumlanır?

t.test çıktısının satırları şunlardır:

SatırAnlamı
Welch Two Sample t-testYapılan test: varyansları eşit saymayan iki bağımsız örneklem testi
data: uyku by grupHangi değişkenin hangi gruplamayla karşılaştırıldığı
tt istatistiği: ortalama fark bölü standart hata
dfWelch–Satterthwaite serbestlik derecesi; genellikle tam sayı değildir
p-valueÇift yönlü p değeri
alternative hypothesisSınanan alternatif hipotez: iki kitle ortalamasının farkı sıfır değil
95 percent confidence intervalOrtalama farkın (birinci grup eksi ikinci grup) %95 güven aralığı
sample estimatesGrup ortalamaları

Bu örnekte p değeri .05’ten küçüktür, yani iki kitle ortalamasının eşit olduğunu söyleyen yokluk hipotezi (H₀) reddedilir. Eğitim grubunun ortalama uyku süresi bekleme grubundan istatistiksel olarak anlamlı biçimde uzundur. Öğrenciler gruplara rastgele atandığı için fark eğitime bağlanabilir.

Ama sayıların tamamı birlikte okunmalıdır. Güven aralığı çok geniştir: gerçek fark birkaç dakika da olabilir, yarım saate yakın da. Alt sınırın sıfıra bu kadar yakın olması, duyarlılık analizindeki ayrışmayla aynı şeyi söyler: farkın varlığına dair kanıt sınırdadır. d yaklaşık 0.75 çıksa da onun aralığı da geniştir; etki küçük de büyük de olabilir.

Gruplar büyütülmeden etkinin büyüklüğü hakkında kesin konuşulamaz. Eğitim grubundaki büyük yayılım da kendi başına bir bulgudur ve raporlanır. Neden p değerinin tek başına yetmediği p değeri yazısında tartışılır.

Raporda kullanılacak sayıları t-testi nesnesinden yuvarlanmış olarak almak, elle kopyalarken yapılan hataları önler:

sonuc <- t.test(uyku ~ grup, data = veri)
round(c(t = unname(sonuc$statistic), df = unname(sonuc$parameter), p = sonuc$p.value), 3)
round(sonuc$conf.int, 2)
round(rbind(ortalama = ort, ss = ss), 2)
     t     df      p 
 2.229 25.380  0.035 
[1]  1.15 28.78
attr(,"conf.level")
[1] 0.95
         Eğitim Bekleme
ortalama 411.56  396.59
ss        25.45   14.15

sonuc$statistic, sonuc$parameter, sonuc$p.value ve sonuc$conf.int t-testi nesnesinin parçalarıdır; names(sonuc) hepsini listeler. attr(,"conf.level") satırı aralığın güven düzeyini hatırlatan bir etikettir.

APA 7’ye göre nasıl raporlanır?

APA 7’de istatistik simgeleri italik yazılır, 1’i aşamayan değerlerde (p gibi) baştaki sıfır yazılmaz ve p değeri tam olarak verilir (American Psychological Association, 2020). R’nin 0.035 biçimindeki çıktısı rapora .035 olarak geçer. Aşağıdaki cümlede serbestlik derecesi bir ondalığa yuvarlandı; kesirli olması okura Welch testinin kullanıldığını da gösterir:

Uyku hijyeni eğitimi alan öğrencilerin gece başına ortalama uyku süresi (M = 411.56, SS = 25.45) bekleme listesindeki öğrencilerden (M = 396.59, SS = 14.15) anlamlı biçimde uzundur, Welch t(25.4) = 2.23, p = .035, ortalama fark = 14.96 dk, %95 GA [1.15, 28.78], d = 0.75, %95 GA [0.08, 1.41] (havuzlanmış SS ile). Duyarlılık analizi olarak yapılan Mann-Whitney U testi ise gruplar arasında anlamlı bir fark göstermedi, U = 265, p = .071; iki testin ayrışması kanıtın sınırda olduğunu gösterir.

Tezde nasıl yazılır

Yöntem bölümüne analizin R’nin hangi sürümüyle ve hangi işlevle yapıldığı yazılır (ör. “Gruplar Welch t-testiyle karşılaştırıldı; analizler R 4.5.1 ile yapıldı”).

Tablo ve şekil kuralları ile öteki testlerin rapor kalıpları APA istatistik raporlama yazısında topluca verilir.

Temel R ile başka hangi analizler yapılır?

Bu yazıdaki iş akışı (okuma, betimleme, grafik, test, etki büyüklüğü) öteki analizlerde de aynıdır; değişen çoğunlukla yalnız test işlevidir. Aşağıdaki işlevler de temel R ile gelir ve paket kurmayı gerektirmez:

Analiz ve ayrıntıTemel R işlevi
Ki-kare bağımsızlık testi ve Fisher’ın kesin testi; chisq.test 2×2 tabloda varsayılan olarak Yates düzeltmesi uygular, correct = FALSE düzeltmesiz ki-kareyi verir. Ayrıntı: Ki-kare testichisq.test(table(veri$a, veri$b)), fisher.test
Pearson korelasyonu; method = "spearman" ile Spearman korelasyonu. Ayrıntı: Pearson korelasyon, Spearman korelasyoncor.test(veri$x, veri$y)
Doğrusal regresyon. Ayrıntı: Regresyon analizisummary(lm(y ~ x1 + x2, data = veri))
Welch ANOVA. Ayrıntı: Tek yönlü varyans analizioneway.test(y ~ grup, data = veri)
Wilcoxon işaretli sıralar testi; eşleştirilmiş veride farklar belirgin biçimde normal dışıysa birincil test. Ayrıntı: Wilcoxon işaretli sıralar testiwilcox.test(sonra, once, paired = TRUE)
İşaret testi; ölçüm sıralıysa tek örneklemde ve eşleştirilmiş veride Wilcoxon yerine birincil testbinom.test(sum(x > m0), sum(x != m0)) (tek örneklem; x ölçümler, m0 sınanan değer); binom.test(sum(sonra > once), sum(sonra != once)) (eşleştirilmiş)

Sık yapılan hatalar

Aşağıdaki altı hatanın her biri bu yazının bir adımına bağlıdır ve önlemi o adımda gösterildi:

  • var.equal = TRUE eklemek. Eski ders notlarında görülür; iki bağımsız grupta varsayılanı (Welch) değiştirmeyin.
  • Grup sırasını denetlememek. Faktör düzeyleri belirtilmezse fark ters yönde hesaplanır; rapordaki işaretle çıktıdaki işaret uyuşmaz.
  • Geniş biçimli veriyi formülle kullanmak. uyku ~ grup yazımı uzun biçim ister. İki grup iki ayrı sütundaysa t.test(veri$a, veri$b) yazılır; eşleştirilmiş veride ise paired = TRUE gerekir ve analiz bağımlı örneklem t-testi olur.
  • Sayısal sütunun metin okunmasını fark etmemek. str çıktısında chr görünen bir ölçüm sütunu ortalamaya girmez; ondalık virgül ve hücrelerdeki notlar en sık nedendir.
  • Yalnız p değerini raporlamak. Ortalamalar, standart sapmalar, ortalama fark, güven aralığı ve etki büyüklüğü birlikte verilir.
  • Betiği kaydetmemek. Konsola yazılan komutlar kaybolur; analizin yeniden üretilebilmesi betikle mümkündür.

Sık sorulan sorular

R ile RStudio aynı şey mi?

Hayır. R hesabı yapan dil ve ortamdır; RStudio, R’yi daha rahat kullanmak için bir geliştirme ortamıdır. RStudio’yu kurmadan R kendi konsoluyla da çalışır, ama R kurulmadan RStudio çalışmaz.

R’yi öğrenmek için programlama bilmek gerekir mi?

Gerekmez. Bu yazıdaki analiz, çoğu tek satır olan birkaç komutla yapıldı. Başlangıçta bir analizin betiğini satır satır çalıştırıp her çıktıyı okumak, en hızlı öğrenme yoludur. Menüyle çalışıp R kodunu görmek isteyenler için jamovi analizlerin R karşılığını gösterebilir.

Veri normal dağılmıyorsa R’de hangi test kullanılır?

Ölçüm sıralıysa ya da bir grup belirgin biçimde normal dışıysa birincil test Mann-Whitney U testidir; temel R’deki karşılığı Adım 5’te gösterilen wilcox.test’tir. Roller bu durumda yer değiştirir: Welch t-testi duyarlılık analizi olarak yanında raporlanır. Mann-Whitney farklı bir hipotezi sınar; yorumu Mann-Whitney U testi yazısında.

Tek örneklem ya da eşleştirilmiş t-testi R’de nasıl yapılır?

Aynı işlevle. Tek örneklemde ölçüm sınanan değerle karşılaştırılır: t.test(veri$uyku, mu = 420). Eşleştirilmiş veride aynı kişilerin iki ölçümü, aynı sırada iki vektör olarak verilir: t.test(sonra, once, paired = TRUE). Hangi t-testinin hangi desende seçildiği t-testi nedir yazısında anlatılır.

Üç ya da daha çok grubu R’de nasıl karşılaştırırım?

Temel R’deki oneway.test(uyku ~ grup, data = veri) varsayılan olarak Welch ANOVA yapar. Sonrasındaki Games-Howell karşılaştırmaları için ek paket gerekir; ayrıntı tek yönlü varyans analizi yazısında.

Tezimde R kullandığımı nasıl belirtirim?

Yöntem bölümünde R’nin sürümünü ve kullandığınız işlevleri ya da paketleri yazın; kaynakçaya R’yi citation() komutunun verdiği biçimde ekleyin. Kullandığınız her ek paketin de kendi citation("paket_adi") kaydı vardır. Analizin tamamının hangi sırayla yürütüleceğini tez istatistik analizi yol haritası yazısı adım adım anlatır.

  • #r
  • #t-testi
  • #welch-t-testi
  • #istatistik-programlari

Bilimsel inceleme

Doç. Dr. Hasan Yıldırım

Karamanoğlu Mehmetbey Üniversitesi Öğretim Üyesi

İnceleme tarihi:

Makine öğrenmesi ve biyoistatistik alanlarında çalışır; sağlık, fen ve sosyal bilimlerde disiplinlerarası araştırmalarda istatistik danışmanlığı yürütür.

Kaynakça

  1. R Core Team. (2025). R: A language and environment for statistical computing (Version 4.5.1) [Computer software]. R Foundation for Statistical Computing.
  2. Welch, B. L. (1947). The generalization of 'Student's' problem when several different population variances are involved. Biometrika, 34(1–2), 28–35.
  3. Delacre, M., Lakens, D., & Leys, C. (2017). Why psychologists should by default use Welch's t-test instead of Student's t-test. International Review of Social Psychology, 30(1), 92–101.
  4. Zimmerman, D. W. (2004). A note on preliminary tests of equality of variances. British Journal of Mathematical and Statistical Psychology, 57(1), 173–181.
  5. Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, Article 863.
  6. Joanes, D. N., & Gill, C. A. (1998). Comparing measures of sample skewness and kurtosis. Journal of the Royal Statistical Society: Series D (The Statistician), 47(1), 183–189.
  7. West, S. G., Finch, J. F., & Curran, P. J. (1995). Structural equation models with nonnormal variables: Problems and remedies. In R. H. Hoyle (Ed.), Structural equation modeling: Concepts, issues, and applications (pp. 56–75). Sage.
  8. American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.).
  9. Posit. (2026). Download RStudio. RStudio User Guide. Erişim tarihi 18 Kasım 2026.

Kod yazmadan deneyin

Basira’da kendiniz yapın

Bağımsız Gruplar t-Testi modülünü örnek veriyle açın; sonra kendi verinize geçin.

Analizi aç

İlgili yazılar