Regresyon Analizi Nedir? Türleri, Seçimi ve Yorumu
Basira Editör Ekibi · · 10 dk okuma · Güncellendi: 17 Kasım 2026 · Bilimsel inceleme: Doç. Dr. Hasan Yıldırım
Aa Yazı boyutu
Anahtar çıkarımlar
- Regresyon analizi, bir bağımlı değişkeni (sonucu) bir ya da daha çok yordayıcıyla bir denklem üzerinden açıklayan ve tahmin eden yöntemler ailesidir.
- Hangi regresyon türünün kullanılacağını önce sonuç değişkeninin türü belirler: sürekli sonuçta doğrusal, ikili sonuçta lojistik, sıralı sonuçta sıralı lojistik, sayımda Poisson ya da negatif binom regresyon.
- Doğrusal regresyonun varsayımları bağımlı değişken için değil, artıklar içindir: doğrusallık, bağımsızlık, eşvaryanslılık ve artıkların normalliği; çoklu regresyonda ayrıca aşırı çoklu bağlantı olmaması.
- Sonuç modelin bütünü (F testi, R²) ve her katsayı (B, standart hata, güven aralığı, β) için ayrı okunur; p değeri tek başına raporlanmaz.
- Gözlemsel veride regresyon katsayısı bir ilişkiyi tanımlar; neden-sonuç anlamı taşımaz.
İçindekiler
Regresyon analizi nedir? Regresyon analizi, bir bağımlı değişkenin (sonucun) bir ya da daha çok bağımsız değişkenle (yordayıcıyla) ilişkisini bir denklemle modelleyen istatistiksel yöntemler ailesidir. Doğrusal modelde katsayı, yordayıcıdaki bir birimlik farkın sonuçta ortalama ne kadarlık farkla ilişkili olduğunu kestirir. Hangi türün kullanılacağını sonucun türü ve yordayıcı sayısı belirler.
Regresyon analizi ne yapar?
Her regresyon modeli sonucu iki parçanın toplamı olarak yazar: yordayıcıların bir fonksiyonu ve bu fonksiyonla açıklanamayan bir artık. Sürekli bir sonuç için en yaygın biçim doğrusal modeldir:
Burada sabit terim, yordayıcıların katsayıları, ise artıktır (gözlenen değer eksi modelin tahmini). Doğrusal regresyonda katsayılar, artıkların kareleri toplamını en küçük yapacak biçimde kestirilir (en küçük kareler yöntemi). Lojistik ve Poisson gibi öteki türler aynı mantığı farklı sonuç türlerine uyarlar ve katsayılarını çoğunlukla en çok olabilirlik yöntemiyle kestirir.
Regresyon iki amaçla kullanılır:
- Açıklama: Bir yordayıcının sonuçla ilişkisi ne yönde ve ne büyüklükte, öteki yordayıcılar hesaba katıldığında da sürüyor mu? Tez ve makalelerde en sık sorulan soru budur.
- Tahmin: Yordayıcıları bilinen yeni bir gözlemin sonucu ne olur? Bu amaçta asıl ölçüt, modelin görmediği verideki tahmin hatasıdır; yöntemleri makine öğrenmesinde regresyon yazısı anlatır (James vd., 2021).
Regresyonu korelasyondan ayıran, değişkenlere farklı roller vermesidir. Korelasyon analizi iki değişkenin birlikte değişimini simetrik olarak özetler; regresyon ise bir değişkeni sonuç, ötekileri yordayıcı olarak ayırır ve bir birimlik farkın sonuçtaki karşılığını verir. Hangi değişkenin sonuç olacağı veriden değil araştırma sorusundan çıkar (bağımlı ve bağımsız değişkenler).
Dikkat
“Açıklanan” ve “yordayıcı” istatistiksel terimlerdir; neden-sonuç anlamı taşımaz. Gözlemsel veride regresyon katsayısı bir ilişkiyi tanımlar. Bir yordayıcının sonucu değiştirdiğini söylemek için deneysel bir desen ya da karıştırıcı değişkenleri ölçüp hesaba katan bir araştırma planı gerekir; karıştırıcıyı modele eklemek bile ancak ölçülen karıştırıcıları ayıklar.
Regresyon türleri nelerdir?
Türler arasındaki temel ayrım sonuç değişkeninin türüdür; yordayıcı sayısı ve verinin yapısı ikinci sırada gelir. Aşağıda en sık kullanılan türler kısaca özetleniyor; ayrıntılı anlatımı olanların varsayımları, formülleri, çözümlü örnekleri ve APA 7 raporları kendi yazılarındadır.
Basit doğrusal regresyon
Sürekli bir sonucu tek bir yordayıcıyla, biçiminde bir doğruyla açıklar. Eğim, yordayıcıdaki bir birimlik farkın sonuçta ortalama kaç birimlik farkla ilişkili olduğunu gösterir. Basit regresyonda R², Pearson korelasyon katsayısının karesidir; eğimin t-testi de korelasyon testiyle aynı p değerini verir. Ayrıntı ve çözümlü örnek: basit doğrusal regresyon.
Çoklu doğrusal regresyon
Sürekli bir sonucu iki ya da daha çok yordayıcıyla aynı modelde açıklar. Her katsayı, öteki yordayıcılar sabit tutulduğunda o yordayıcıdaki bir birimlik farkla ilişkili ortalama farktır; bu yüzden bir yordayıcı eklemek ya da çıkarmak ötekilerin katsayılarını değiştirebilir.
Kategorik yordayıcılar k kategori için k − 1 kukla değişkenle modele girer. Yordayıcıların birbiriyle aşırı ilişkili olması (çoklu bağlantı) bu modele özgü bir sorundur. Ayrıntı ve çözümlü örnek: çoklu doğrusal regresyon.
İpucu
Grupları karşılaştıran klasik (eşit varyans varsayan) t-testi ve varyans analizi de aslında kategorik yordayıcılı doğrusal regresyonun özel durumlarıdır (Cohen vd., 2003/2013): iki grubu 0 ve 1 diye kodlayan tek bir kukla değişkenin katsayısı, iki grubun ortalama farkına eşittir. Bu bağlantı, grup karşılaştırmasını yaş gibi sürekli bir değişkenle düzeltmek gerektiğinde çoklu regresyonun neden doğal bir sonraki adım olduğunu da açıklar.
Lojistik regresyon
Sonuç ikili olduğunda (hasta / sağlıklı, geçti / kaldı) doğrusal regresyon uygun değildir: tahminler 0–1 aralığının dışına taşar ve artıklar ne normal dağılır ne de eşit yayılır. İkili lojistik regresyon bunun yerine olayın olma olasılığının olmama olasılığına oranının (odds) logaritmasını, yani logiti, yordayıcıların doğrusal bir fonksiyonu olarak modeller:
Burada olayın olma olasılığı, ise odds değeridir.
Katsayının üsteli, , olasılık oranıdır (odds ratio, OR): yordayıcıdaki bir birimlik artışta odds değerinin kaç katına çıktığını gösterir. OR, adına karşın iki olasılığın değil iki odds’un oranıdır; iki olasılığın oranı olan göreli riskle karıştırılmaz. 1’den büyük değer olasılığı artıran, 1’den küçük değer azaltan bir ilişkiye işaret eder (Hosmer vd., 2013). Bu yazıda lojistik regresyon yalnız doğru türü seçmeye yetecek kadar özetleniyor.
Öteki regresyon modelleri
- Sıralı lojistik regresyon: Sonuç sıralıysa (tek bir Likert maddesi, hastalık evresi). Sıralı veriyle çalışma seçenekleri Likert ölçeği analizi yazısında tartışılır.
- Çok terimli (multinomial) lojistik regresyon: Sonuç üç ya da daha çok sırasız kategoriyse (tercih edilen ulaşım türü).
- Poisson ve negatif binom regresyon: Sonuç bir sayımsa (yıllık hastaneye yatış sayısı). Varyans ortalamadan belirgin biçimde büyükse (aşırı yayılım) negatif binom tercih edilir.
- Cox regresyonu: Sonuç bir olaya kadar geçen süreyse ve bazı kişilerde olay gözlem süresi içinde gerçekleşmemişse.
- Karma etkili (çok düzeyli) modeller: Gözlemler gruplar içinde iç içeyse (öğrenciler sınıflarda, aynı kişinin tekrarlı ölçümleri).
- Polinom terimli regresyon ve dönüştürme: Sürekli sonuçla ilişki eğriselse.
- Ridge ve lasso: Çok sayıda ve birbiriyle ilişkili yordayıcı varsa ve amaç tahminse; katsayıları küçülterek aşırı uyumu azaltır.
Hangi regresyon türü ne zaman seçilir?
Seçim üç soruyla yapılır: Sonuç değişkeni hangi türde? Gözlemler birbirinden bağımsız mı, yoksa gruplar içinde iç içe mi? Amaç ilişkiyi açıklamak mı, yeni veride tahmin mi? İlk sorunun yanıtı çoğu zaman tek başına türü belirler; ölçek türleri yazısı sonucun türünü belirlemeye yardım eder.
| Sonuç (bağımlı değişken) | Yordayıcılar ve veri yapısı | Uygun regresyon türü |
|---|---|---|
| Aralıklı ya da oranlı ölçüm (puan, süre, kan basıncı) | Tek sürekli yordayıcı, doğrusal ilişki | Basit doğrusal regresyon |
| Aralıklı ya da oranlı ölçüm | İki ya da daha çok yordayıcı (sürekli ya da kategorik) | Çoklu doğrusal regresyon |
| Aralıklı ya da oranlı ölçüm | Yordayıcı blokları kuramsal bir sırayla ekleniyor | Hiyerarşik (bloklu) çoklu regresyon; her bloğun R² katkısı sınanır |
| Aralıklı ya da oranlı ölçüm | İlişki eğrisel | Polinom terimli regresyon ya da değişken dönüştürme |
| İkili (evet / hayır) | Bir ya da daha çok yordayıcı | İkili lojistik regresyon |
| Üç ya da daha çok sırasız kategori | Bir ya da daha çok yordayıcı | Çok terimli lojistik regresyon |
| Sıralı (Likert maddesi, evre) | Bir ya da daha çok yordayıcı | Sıralı lojistik regresyon |
| Sayım (olay sayısı) | Bir ya da daha çok yordayıcı | Poisson; aşırı yayılımda negatif binom regresyon |
| Olaya kadar geçen süre | Bazı kişilerde olay henüz gerçekleşmemiş | Cox regresyonu |
| Herhangi bir tür | Gözlemler iç içe (sınıflar, tekrarlı ölçümler) | Karma etkili (çok düzeyli) model |
| Aralıklı ya da oranlı ölçüm | Çok sayıda ilişkili yordayıcı, amaç yeni veride tahmin | Ridge, lasso ya da makine öğrenmesinde regresyon yöntemleri |
Tabloda bağımlı değişkenin dağılımı bir seçim ölçütü olarak yer almaz. Doğrusal regresyon sonucun kendisinin normal dağılmasını istemez; varsayım artıklar içindir (aşağıda). Yalnız iki sürekli değişken arasındaki ilişkinin gücü soruluyor, bir yordayıcı–sonuç ayrımı yapılmıyorsa regresyon yerine Pearson korelasyonu yeterlidir. Grup karşılaştırmaları da içeren daha geniş karar tabloları istatistiksel test seçimi rehberindedir.
Doğrusal regresyonun varsayımları nelerdir?
Varsayımların çoğu yordayıcılar ya da bağımlı değişken için değil, modelin artıkları içindir; bu yüzden önce model kurulur, sonra artıklar incelenir. Doğrusal regresyonun dört varsayımı (doğrusallık, bağımsız gözlemler, eşvaryanslılık, artıkların normalliği) ve çoklu regresyondaki aşırı çoklu bağlantı denetimi, grafikleri ve ölçütleriyle basit ve çoklu doğrusal regresyon yazılarında anlatılır.
- Bağımsızlık en çok desenden gelir: aynı sınıftaki öğrenciler ya da aynı kişinin tekrarlı ölçümleri onu bozar ve karma etkili model gerektirir.
- Eşvaryanslılıktan kuşku varsa standart hatalar sağlam (HC3) yöntemle hesaplanabilir; bu yöntem katsayıları değiştirmez, yalnız standart hataları ve onlara dayanan t, p değerleri ile güven aralıklarını düzeltir (Long ve Ervin, 2000). Eşvaryanslılığın grup karşılaştırmalarındaki karşılığı varyans homojenliği yazısındadır.
- Artıkların normalliğine duyarlılık örneklem büyüdükçe azalır (Lumley vd., 2002).
- VIF için sık anılan 5 ya da 10 sınırları da mekanik uygulanmaz: yüksek bir VIF’in standart hatayı büyütme etkisi büyük bir örneklem gibi başka etkenlerle dengelenebilir (O’Brien, 2007).
Artıkların Shapiro-Wilk ve Breusch-Pagan testleri raporlanır, ama modeli tek başına onların p değerine göre değiştirmek önerilmez. Küçük örneklemde bu testlerin gücü düşüktür, büyük örneklemde ise önemsiz sapmaları bile anlamlı bulurlar. Karar, artık grafiklerine ve sapmanın büyüklüğüne dayanır.
Aynı R² ve aynı doğruyu veren veri setleri çok farklı biçimlerde olabildiği için saçılım ve artık grafiklerine her zaman bakılır (Anscombe, 1973). Sonucu belirleyen etkili bir gözlem kendiliğinden silinmez: kayıt hatası değilse sonuç onunla ve onsuz raporlanır.
Lojistik regresyonun varsayımları farklıdır: artıkların normalliği ve eşvaryanslılık aranmaz. Gözlemlerin bağımsızlığı ve aşırı çoklu bağlantı olmaması burada da geçerlidir; sürekli yordayıcılar sonucun olasılığıyla değil, logitiyle doğrusal ilişkili olmalıdır. Az görülen bir olayda yordayıcı sayısına göre yeterli sayıda olay bulunması da tahminlerin kararlılığı için önemlidir (Hosmer vd., 2013).
Regresyon sonuçları nasıl okunur?
Bir regresyon çıktısı iki düzeyde okunur: modelin bütünü ve her yordayıcı. Aşağıdaki tablo doğrusal regresyon çıktısındaki değerleri özetler; çözümlü örneklerdeki gerçek çıktılar basit ve çoklu doğrusal regresyon yazılarındadır.
| Çıktıdaki değer | Ne gösterir; okurken dikkat |
|---|---|
| F testi ve p | Modelin bütününün sonucu hiç açıklamadığı yokluk hipotezini (H₀: bütün eğimler sıfır) sınar. Dikkat: anlamlı bir F, her yordayıcının anlamlı olduğu anlamına gelmez. |
| R² | Sonuçtaki değişkenliğin modelle açıklanan oranı. Dikkat: evrensel bir “iyi” eşiği yoktur; yordayıcı eklendikçe hiç düşmez. |
| Düzeltilmiş R² | Yordayıcı sayısına göre cezalandırılmış R². Yordayıcı sayısı farklı modelleri karşılaştırırken kullanılır. |
| B (ham katsayı) | Öteki yordayıcılar sabitken bir birimlik farkla ilişkili ortalama fark. Dikkat: ölçü birimine bağlıdır; yorum birimle yazılır. |
| Standart hata (SH) | Katsayının örneklemden örnekleme ne kadar oynayacağının kestirimi. Küçük örneklem ve çoklu bağlantı onu büyütür. |
| t ve p | B / SH oranı ve H₀: katsayı sıfır hipotezinin testi. Dikkat: anlamsız katsayı “etki yok” demek değildir. |
| %95 güven aralığı | Veriyle uyumlu katsayı değerlerinin aralığı. Dikkat: sıfırı içeriyorsa yön bile belirsizdir; genişliği belirsizliği gösterir. |
| β (standartlaştırılmış katsayı) | Bütün değişkenler standart sapma birimindeyken katsayı. Ölçü birimlerinden bağımsızdır; ama örneklemin standart sapmalarına bağlıdır, kukla değişkende yorumlanmaz. |
| Sabit terim | Bütün yordayıcılar sıfırken tahmin edilen sonuç. Dikkat: sıfır veri aralığının dışındaysa yorumlanmaz. |
Modelin uyumu iki oranla özetlenir. R² artık kareler toplamının toplam kareler toplamına oranından, düzeltilmiş R² ise buna ek olarak gözlem sayısı (n) ve yordayıcı sayısından (k) hesaplanır:
R²’nin yüksekliği alana göre değişir: insan davranışı ve sağlıkla ilgili sonuçlarda düşük ya da orta düzeyde R² değerleri olağandır, denetimli fiziksel süreçlerde çok daha yüksek değerler beklenir. Düşük bir R² anlamlı bir katsayıyı geçersiz kılmaz; yüksek bir R² de modelin doğru kurulduğunu kanıtlamaz.
Her katsayı için standart hata, t değeri ve güven aralığı birbirine bağlıdır. t, katsayının kendi standart hatasına oranıdır; güven aralığı ise katsayının iki yanına, kritik değer ile standart hatanın çarpımı kadar uzanır:
Bu yüzden güven aralığı p değerinden daha çok bilgi taşır: sıfırı içermeyen bir aralık p < .05 ile aynı kararı verir, ama ayrıca ilişkinin hangi büyüklükte olabileceğini de söyler. Geniş bir aralık, verinin hem küçük hem büyük bir ilişkiyle uyumlu olduğunu gösterir. Yordayıcılar ham B ile karşılaştırılmaz, çünkü B yordayıcının ölçü birimine bağlıdır. β bu karşılaştırmayı kolaylaştırır, ama yordayıcılar birbiriyle ilişkiliyse ya da kukla değişkense “göreli önem” tek bir katsayıyla belirlenemez (Cohen vd., 2003/2013).
Lojistik regresyon çıktısında katsayılar logit ölçeğindedir ve çoğunlukla OR, yani , ve onun güven aralığı olarak okunur. Doğrusal regresyondaki R²’nin doğrudan karşılığı yoktur; programlar Cox-Snell ya da Nagelkerke gibi sözde R² değerleri verir ve bunlar doğrusal regresyondaki R² gibi “açıklanan varyans oranı” diye yorumlanmaz (Hosmer vd., 2013).
APA 7’ye göre bir regresyon raporu modelin F testini, serbestlik derecelerini, kesin p değerini ve R²’yi; her yordayıcı için B, standart hata, %95 güven aralığı, β, t ve p değerlerini verir. Örnek cümle biçimi: F(sd₁, sd₂) = …, p = …, R² = …; ardından katsayı tablosu. Varsayım denetimleri ve etkili gözlemler için yapılanlar da rapora yazılır.
Sık yapılan hatalar nelerdir?
Regresyondaki yaygın hatalar çoğunlukla üç yerden doğar: modeli sonucun türüne göre seçmemek, varsayımları yanlış değişkende aramak ve çıktıyı olduğundan fazla anlamla okumak.
- Sonuç türüne uymayan model kurmak. İkili, sıralı ya da sayım sonucunu doğrusal regresyonla incelemek, aralık dışı tahminler ve yanlış standart hatalar verir.
- Bağımlı değişkenin normalliğine bakmak. Doğrusal regresyonda varsayım artıklar içindir; çarpık bir sonuçla da artıklar yaklaşık normal olabilir.
- Ham B katsayılarını karşılaştırıp “en önemli yordayıcı”yı seçmek. B ölçü birimine bağlıdır; β de yordayıcılar ilişkiliyken göreli önemi tek başına belirlemez.
- Katsayıyı neden-sonuç diye okumak. Gözlemsel veride regresyon ilişkiyi tanımlar; ölçülmemiş karıştırıcılar katsayıyı yanıltabilir.
- Veri aralığının dışına tahmin yapmak. Doğrusal ilişki gözlenen aralığın dışında sürmeyebilir.
- Yordayıcıları sonuca bakarak seçmek. Anlamlı çıkanları tutup ötekileri atarak model kurmak birinci tür hata oranını şişirir ve modeli yeni veride başarısız kılar. Model, araştırma sorusuna ve kurama göre veri toplanmadan önce planlanır.
- Yalnız p değerini raporlamak. Katsayı, güven aralığı ve R² birlikte verilir.
Sık sorulan sorular
Regresyon ile korelasyon arasındaki fark nedir?
Korelasyon iki değişkenin birlikte değişimini simetrik olarak özetler ve yordayıcı–sonuç ayrımı yapmaz. Regresyon bir değişkeni sonuç olarak seçer, bir birimlik farkın sonuçtaki karşılığını verir ve birden çok yordayıcıyı aynı anda hesaba katabilir.
Bağımlı değişken normal dağılmıyorsa regresyon yapılabilir mi?
Evet. Doğrusal regresyonda normallik varsayımı bağımlı değişken için değil, artıklar içindir. Sonuç ikili, sıralı ya da bir sayımsa sorun dağılım değil sonucun türüdür; o zaman lojistik, sıralı lojistik ya da Poisson regresyonu gibi uygun tür seçilir.
R² ne kadar olmalı?
Evrensel bir eşik yoktur. Aynı R² bir alanda yüksek, başka bir alanda düşük sayılabilir. Açıklama amaçlı bir çalışmada katsayıların büyüklüğü ve güven aralığı, tahmin amaçlı bir çalışmada ise modelin görmediği verideki hata daha bilgilendiricidir.
Kategorik bir değişken yordayıcı olabilir mi?
Evet. k kategorili bir değişken k − 1 kukla değişkenle modele girer; her katsayı o kategorinin seçilen referans kategoriye göre ortalama farkını gösterir.
Doğrusal ve lojistik regresyon arasındaki fark nedir?
Doğrusal regresyon sürekli bir sonucun ortalamasını, lojistik regresyon ise ikili bir sonucun olma olasılığını (logit ölçeğinde) modeller. Doğrusal regresyonda katsayı sonuçtaki ortalama farkı, lojistik regresyonda katsayının üsteli olasılık oranını (OR) verir.
Kaç gözlem gerekir?
Sabit bir sayı yoktur. Gereken örneklem, beklenen ilişkinin büyüklüğüne, yordayıcı sayısına ve istenen güce göre veri toplanmadan önce güç analiziyle hesaplanır; çoklu regresyonda G*Power’da hangi testin seçileceği ve f² ile çalışıldığı G*Power ile güç analizi yazısındadır.
- #regresyon-analizi
- #dogrusal-regresyon-analizi
- #regresyon-modeli-yorumlama
- #istatistiksel-test-secimi
Bilimsel inceleme
Makine öğrenmesi ve biyoistatistik alanlarında çalışır; sağlık, fen ve sosyal bilimlerde disiplinlerarası araştırmalarda istatistik danışmanlığı yürütür.
Kaynakça
- Anscombe, F. J. (1973). Graphs in statistical analysis. The American Statistician, 27(1), 17–21.
- Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2013). Applied multiple regression/correlation analysis for the behavioral sciences (3rd ed.). Routledge. (Original work published 2003)
- Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic regression (3rd ed.). Wiley.
- James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An introduction to statistical learning: With applications in R (2nd ed.). Springer.
- Long, J. S., & Ervin, L. H. (2000). Using heteroscedasticity consistent standard errors in the linear regression model. The American Statistician, 54(3), 217–224.
- Lumley, T., Diehr, P., Emerson, S., & Chen, L. (2002). The importance of the normality assumption in large public health data sets. Annual Review of Public Health, 23, 151–169.
- O'Brien, R. M. (2007). A caution regarding rules of thumb for variance inflation factors. Quality & Quantity, 41(5), 673–690.
Bu analizi şimdi yapın
Basira’da kendiniz yapın
Doğrusal Regresyon modülünü örnek veriyle açın; sonra kendi verinize geçin.
Analizi açUzmanla çalışın
Tez ya da makaleniz için doktora düzeyinde uzmanlar analizinizi yapar veya denetler.
Nasıl çalışır?İlgili yazılar
İstatistiksel Testler
Çoklu Doğrusal Regresyon (Çoklu Regresyon Analizi) Nedir?
Çoklu regresyon analizi nedir? Çoklu doğrusal regresyon sürekli bir sonucu birden çok yordayıcıyla açıklar. Varsayımlar, VIF, çözümlü örnek ve APA raporu.
Basira ·
İstatistiksel Testler
Aracı ve Düzenleyici Değişken: Fark ve Analiz
Aracı ve düzenleyici değişken farkı: aracı etkinin hangi yolla oluştuğunu, düzenleyici ne zaman ve kimde değiştiğini açıklar. Bootstrap, etkileşim, merkezleme.
Basira ·
İstatistiksel Testler
Basit Doğrusal Regresyon Analizi: Varsayımlar ve Örnek
Basit doğrusal regresyon bir sürekli sonucu tek bir yordayıcıyla açıklar. Model, varsayımlar, katsayıların yorumu, çözümlü örnek ve APA raporu.
Basira ·