Varyans Homojenliği: Levene ve Brown-Forsythe Testleri

Basira Editör Ekibi · · 10 dk okuma · Güncellendi: 16 Kasım 2026 · Bilimsel inceleme: Doç. Dr. Hasan Yıldırım

Aa Yazı boyutu
Yazı boyutu

Anahtar çıkarımlar

  • Varyans homojenliği, karşılaştırılan grupların kitlede aynı varyansa sahip olmasıdır; Student t-testi ve klasik ANOVA bunu varsayar, Welch t-testi ve Welch ANOVA varsaymaz.
  • Levene testi ortalamadan, Brown-Forsythe testi ortancadan mutlak sapmaları karşılaştırır; Bartlett testi normal dışılığa çok duyarlıdır, Fligner-Killeen sıra tabanlıdır.
  • Önce Levene testine bakıp sonucuna göre Student ya da Welch seçmek önerilmez; Welch baştan kullanılır, varyans testleri yayılımı betimlemek için raporlanır.
  • Varyanslar eşit olmayabilirse iki grupta Welch t-testi, üç ve daha çok grupta Welch ANOVA ile Games-Howell karşılaştırmaları kullanılır.

İçindekiler

İçindekiler

Varyans homojenliği (homoskedastisite), karşılaştırılan grupların kitlede aynı varyansa, yani aynı yayılıma sahip olmasıdır. Student t-testi ve klasik ANOVA bu varsayıma dayanır; Welch t-testi ve Welch ANOVA dayanmaz. Levene, Brown-Forsythe, Bartlett ve Fligner-Killeen testleriyle incelenir, ama bugünkü öneri testi bu sonuca göre seçmemektir.

Varyans homojenliği nedir?

Varyans, ölçümlerin kendi ortalamaları etrafında ne kadar dağıldığını gösterir; standart sapma onun kareköküdür (ikisi de dağılım ölçüleri yazısında anlatılıyor). İki ya da daha çok grubu karşılaştırırken grupların ortalaması farklı olabileceği gibi yayılımı da farklı olabilir. Varyans homojenliği, bu yayılımın kitlede bütün gruplarda aynı olduğu varsayımıdır:

H0:σ12=σ22=⋯=σk2H_0: \sigma_1^2 = \sigma_2^2 = \cdots = \sigma_k^2

Burada σi2\sigma_i^2 i. grubun kitle varyansı, kk grup sayısıdır. Karşıt hipotez, en az bir grubun varyansının ötekilerden farklı olduğudur. Varyansların eşit olmadığı duruma heteroskedastisite (varyans heterojenliği) denir.

Aynı kavram regresyonda da geçer: orada homoskedastisite, artıkların yayılımının yordayıcının her düzeyinde aynı olmasıdır ve artık-tahmin grafiğiyle incelenir. Bu yazı grup karşılaştırmalarındaki biçimini ele alıyor; regresyondaki karşılığı basit doğrusal regresyon yazısında.

Varyans farkı her zaman bir “varsayım sorunu” da değildir. Bir ölçüm aletinin tutarlılığı, bir öğretim yönteminin öğrenciler arasındaki farkı açıp açmadığı ya da bir tedaviye verilen yanıtın kişiden kişiye ne kadar değiştiği gibi sorularda yayılımın kendisi araştırma sorusudur.

Hangi testler varyans homojenliğini varsayar?

Varsayım, grupların varyanslarını tek bir ortak (havuzlanmış) varyansta birleştiren testlerde ortaya çıkar:

  • Student t-testi: İki grubun varyansını havuzlar ve n₁ + n₂ − 2 serbestlik derecesi kullanır. Ayrıntılar bağımsız örneklem t-testi yazısında.
  • Klasik (Fisher) ANOVA ve Tukey HSD: Grup içi kareler ortalaması, bütün grupların ortak varyansıdır.
  • Welch t-testi ve Welch ANOVA: Her grubun varyansını ayrı kullanır; varyansların eşit olmasını gerektirmez. Games-Howell karşılaştırmaları da öyledir.

Tek örneklem ve eşleştirilmiş ölçümlerde karşılaştırılan ikinci bir bağımsız grup yoktur; bu varsayım orada söz konusu olmaz. Hangi desende hangi t-testinin kullanıldığını t-testi nedir yazısında bulabilirsiniz.

Varyanslar eşit değilken havuzlanmış testlerin ne kadar yanıldığı grup büyüklüklerine bağlıdır. Gruplar eşit büyüklükteyse Student t-testi ve klasik ANOVA görece dayanıklıdır. Grup büyüklükleri de farklıysa sorun büyür: büyük varyans küçük gruptaysa test gerçekte olmayan farkları fazla sık “anlamlı” bulur, yani birinci tür hata oranı artar; büyük varyans büyük gruptaysa test tutuculaşır ve güç kaybeder (Delacre vd., 2017).

Varyans homojenliği nasıl incelenir?

İnceleme betimsel başlar: grupların standart sapmaları yan yana yazılır, kutu grafiği ya da nokta grafiğiyle yayılım gözle karşılaştırılır. Ardından aşağıdaki testlerden biri raporlanabilir.

Levene testi (ortalamaya göre)

Levene (1960), her ölçümün kendi grup ortalamasından mutlak sapmasını alır ve bu sapmalara tek yönlü ANOVA uygular. Bir grubun ölçümleri ortalamadan ötekilerden daha uzaktaysa, o grubun sapmalarının ortalaması büyür:

W=N−kk−1⋅∑i=1kni(Zˉi−Zˉ)2∑i=1k∑j=1ni(Zij−Zˉi)2,Zij=∣Yij−Yˉi∣W = \frac{N - k}{k - 1} \cdot \frac{\sum_{i=1}^{k} n_i \left(\bar{Z}_{i} - \bar{Z}\right)^2}{\sum_{i=1}^{k} \sum_{j=1}^{n_i} \left(Z_{ij} - \bar{Z}_{i}\right)^2}, \qquad Z_{ij} = \left| Y_{ij} - \bar{Y}_{i} \right|

Burada kk grup sayısı, NN toplam gözlem sayısı, Zˉi\bar{Z}_i i. grubun mutlak sapmalarının ortalaması, Zˉ\bar{Z} bütün mutlak sapmaların ortalamasıdır. WW, k−1k - 1 ve N−kN - k serbestlik dereceli F dağılımıyla karşılaştırılır. SPSS’in bağımsız örneklem t-testinde verdiği Levene testi de bu biçimdir (SPSS 29 ve 30’da t-testi tablosunda yer alır; 31 ve 32’de isteğe bağlıdır ve sonucu ayrı bir tabloda gelir). Basira da Levene testini bu biçimde, ortalamaya göre hesaplar.

Brown-Forsythe testi (ortancaya göre)

Brown ve Forsythe (1974a) aynı istatistikte grup ortalaması yerine grup ortancasını kullanmayı önerdi: Zij=∣Yij−Y~i∣Z_{ij} = | Y_{ij} - \tilde{Y}_{i} |. Ortanca uç değerlerden daha az etkilendiği için bu biçim çarpık dağılımlarda birinci tür hata oranını daha iyi korur. R’deki car::leveneTest() işlevinin varsayılanı bu biçimdir; Python’daki scipy.stats.levene() de varsayılan olarak ortancayı kullanır.

Dikkat

Bu yüzden SPSS ya da Basira ile R ya da SciPy’de “Levene testi” adıyla iki farklı sayı görebilirsiniz: raporda hangi merkezin kullanıldığını yazın.

Bartlett testi

Bartlett (1937) testi grupların varyanslarının logaritmalarını ortak varyansın logaritmasıyla karşılaştırır:

K2=(N−k)ln⁡sp2−∑i=1k(ni−1)ln⁡si21+13(k−1)(∑i=1k1ni−1−1N−k)K^2 = \frac{(N - k)\ln s_p^2 - \sum_{i=1}^{k} (n_i - 1)\ln s_i^2}{1 + \dfrac{1}{3(k - 1)} \left( \sum_{i=1}^{k} \dfrac{1}{n_i - 1} - \dfrac{1}{N - k} \right)}

si2s_i^2 grup varyansları, sp2s_p^2 havuzlanmış varyanstır; K2K^2, k−1k - 1 serbestlik dereceli ki-kare dağılımıyla karşılaştırılır. Veri normal dağılıyorsa güçlü bir testtir; ama normallikten sapmaya, özellikle kalın kuyruklara çok duyarlıdır. Box (1953), dağılımın basıklığı arttıkça Bartlett testinin varyanslar eşitken bile anlamlı sonuç verme olasılığının belirgin biçimde büyüdüğünü gösterdi. Bu yüzden Bartlett’in anlamlı çıkması, varyans farkı kadar normal dışılığın da işareti olabilir.

Fligner-Killeen testi

Fligner ve Killeen (1976) yayılım (ölçek parametresi) farkları için sıra tabanlı bir test önerdi. Bugün kullanılan biçim, ölçümlerin grup ortancasından mutlak sapmalarını sıralar ve sıralara normal dağılım puanları atar. Conover, Johnson ve Johnson (1981) çok sayıda varyans testini benzetimle karşılaştırdı; normal dışı dağılımlarda birinci tür hata oranını koruyup gücünü yitirmeyen testler arasında Brown-Forsythe ve Fligner-Killeen’i saydılar. R’de fligner.test() bu ortancalı biçimi uygular.

Fmax (Hartley) oranı

Fmax, en büyük grup varyansının en küçük grup varyansına oranıdır:

Fmax⁡=smax2smin2F_{\max} = \frac{s^2_{\text{max}}}{s^2_{\text{min}}}

Hartley (1950) bu oranı grupların eşit büyüklükte ve normal dağıldığı durum için hızlı bir test olarak önerdi ve yaklaşık kritik değerler verdi. Bugün daha çok betimsel bir özet olarak kullanılır. Ders kitaplarında kaba kurallar dolaşır: örneğin Tabachnick ve Fidell (2019), grup büyüklükleri arasındaki oran 4’ü aşmıyorsa 10’a kadar bir Fmax değerini kabul edilebilir sayar. Bu tür kurallar bir eşik değil, kabaca bir yön göstergesidir.

Testlerin karşılaştırması

TestNe karşılaştırılır?Normal dışılığa duyarlılıkNerede bulunur?
LeveneOrtalamadan mutlak sapmalarOrta: çarpık dağılımda hata oranı kayabilirSPSS bağımsız örneklem t-testi; R’de car::leveneTest(y ~ g, center = mean)
Brown-ForsytheOrtancadan mutlak sapmalarDüşükR car::leveneTest() varsayılanı; SciPy levene() varsayılanı
BartlettVaryansların logaritmalarıYüksek: kalın kuyruk, varyanslar eşitken de anlamlı sonuç verebilirR bartlett.test(); SciPy bartlett()
Fligner-KilleenOrtancadan sapmaların sıralarıDüşükR fligner.test(); SciPy fligner()
FmaxEn büyük ve en küçük varyansın oranıYüksek; eşit grup büyüklüğü isterElle hesaplanan betimsel oran

Levene testi test seçimini belirlemeli mi?

Yaygın bir yol şöyledir: önce Levene testi yapılır; anlamlıysa Welch’e, değilse Student t-testine ya da klasik ANOVA’ya geçilir. Bu iki aşamalı yol önerilmez:

  • Hata oranlarını bozar. Zimmerman (2004), ön testin sonucuna göre test seçmenin, grup büyüklükleri farklıyken Welch t-testini koşulsuz kullanmaktan daha kötü birinci tür hata oranları verdiğini gösterdi. Rasch, Kubinger ve Moder (2011) de varsayımları önceden sınamanın karşılığını vermediği, Welch t-testinin baştan kullanılması gerektiği sonucuna vardı.
  • Varyans testleri küçük örneklemde gerçek farkları kaçırır, büyük örneklemde önemsiz farkları yakalar. “Anlamlı değil” sonucu varyansların eşit olduğunu göstermez (Delacre vd., 2017; Delacre vd., 2019).
  • Welch’in bedeli küçüktür. Varyanslar eşitken Welch t-testi ve Welch ANOVA, havuzlanmış testlere göre çok az güç kaybeder; eşit değilken hata oranını korur. Bu yüzden iki grupta Welch t-testi (Delacre vd., 2017), üç ve daha çok grupta Welch ANOVA (Delacre vd., 2019) varsayılan seçim olarak önerilir.

Box (1953), ANOVA’dan önce varyansları Bartlett testiyle sınamayı, denizin bir okyanus gemisinin limandan çıkmasına yetecek kadar sakin olup olmadığını öğrenmek için kayıkla denize açılmaya benzetir: Bartlett gibi bir ön test normallikten sapmaya, asıl testin varyans farkına olduğundan çok daha duyarlıdır.

Varyans testleri yine de değerlidir; yalnızca rolü değişir. Shapiro-Wilk ve Levene testleri raporlanır ama testi belirlemez. Yayılım farkı kendi başına bir bulgudur ve okura verilir. Normallik testlerinin rolü için normallik testi yazısına bakabilirsiniz.

Basira’da da Levene testinin sonucu test seçimini değiştirmez; seçim ölçek düzeyine ve dağılımın biçimine dayanır. Grupların hiçbirinin içinde değişkenlik yoksa (her grubun ölçümleri kendi içinde aynıysa) Levene testi tanımsızdır, t-testi ve ANOVA da hesaplanamaz; Basira bu durumda parametrik testi koşmaz ve gruplar farklı değerlerde sabitse yalnız Mann-Whitney U ya da Kruskal-Wallis H testini gösterir.

Varyanslar eşit değilse ne yapılır?

Varsayılan testler varyans eşitliği istemediği için, çoğu araştırmada yapılacak ek bir şey yoktur:

DesenVarsayılan testVaryans eşitliği gerekir mi?
İki bağımsız grup, aralıklı ya da oranlı ölçümWelch t-testiHayır
Üç ya da daha çok bağımsız grup, aralıklı ya da oranlı ölçümWelch ANOVA, ardından Games-HowellHayır
Ölçüm sıralı ya da bir grup belirgin biçimde normal dışı (çarpıklık mutlak değerce 2’yi ya da fazla basıklık 7’yi aşıyor)Mann-Whitney U ya da Kruskal-Wallis HHayır, ama yorum değişir

Ayrıntılar için tek yönlü ANOVA ve istatistiksel test seçimi rehberine bakabilirsiniz. İki faktörlü desenlerde eşit olmayan varyansın nasıl ele alındığı iki yönlü ANOVA yazısında anlatılır.

Varyans farkı tek başına parametrik olmayan teste geçme gerekçesi değildir. Mann-Whitney U ve Kruskal-Wallis H testi de grupların yayılımı farklıyken ortanca testi olarak okunamaz (Divine vd., 2018). Parametrik ve parametrik olmayan testin hangi durumda birincil olduğunu parametrik ve parametrik olmayan testler yazısı anlatıyor.

Çözümlü örnek: üç tansiyon aletinin tutarlılığı

Bir biyomedikal mühendisliği öğrencisi üç otomatik tansiyon aletinin tutarlılığını karşılaştırıyor. Her alet, 120 mmHg’ye ayarlanmış aynı kalibrasyon simülatöründe 15 kez ölçüm yapıyor. Burada soru ortalamalar değil, yayılımdır: hangi alet aynı değeri daha tutarlı ölçüyor? Veri öğretici amaçla hazırlanmıştır; aşağıdan indirip aynı hesabı kendiniz yapabilirsiniz.

Üç otomatik tansiyon aletinin 120 mmHg'ye ayarlı bir simülatörde yaptığı sistolik ölçümler (öğretici veri, her aletten 15 ölçüm)
Gruplara göre veri noktaları ve ortancalar Üç otomatik tansiyon aletinin 120 mmHg'ye ayarlı bir simülatörde yaptığı sistolik ölçümler (öğretici veri, her aletten 15 ölçüm) 110 115 120 125 130 alet_Aalet_Balet_C Sistolik ölçüm (mmHg) alet_A: 121alet_A: 119alet_A: 122alet_A: 120alet_A: 118alet_A: 121alet_A: 120alet_A: 123alet_A: 119alet_A: 120alet_A: 117alet_A: 121alet_A: 122alet_A: 119alet_A: 120alet_B: 119alet_B: 122alet_B: 118alet_B: 121alet_B: 123alet_B: 120alet_B: 119alet_B: 121alet_B: 117alet_B: 122alet_B: 120alet_B: 121alet_B: 118alet_B: 123alet_B: 120alet_C: 120alet_C: 121alet_C: 119alet_C: 120alet_C: 122alet_C: 119alet_C: 121alet_C: 120alet_C: 112alet_C: 121alet_C: 120alet_C: 118alet_C: 128alet_C: 120alet_C: 121 Ortanca 120Ortanca 120Ortanca 120
alet_Aalet_Balet_C
121119120
119122121
122118119
120121120
118123122
121120119
120119121
123121120
119117112
120122121
117120120
121121118

İlk 12 satır (toplam 15) · Bu örnekteki tüm sayılar SciPy 1.16.3 ile bağımsız olarak yeniden hesaplanır. Veriyi indirin (CSV)

Üç aletin betimsel istatistikleri Tablo 1’dedir.

Tablo 1

Üç Tansiyon Aletinin Sistolik Ölçümlerinin Betimsel İstatistikleri (mmHg)

AletnOrtalamaSS
Alet A15120.131.60
Alet B15120.271.83
Alet C15120.133.18

Üç aletin ortalaması neredeyse aynı, ama C’nin standart sapması en tutarlı alet olan A’nınkinin yaklaşık iki katı. En büyük ve en küçük varyansın oranı Fmax = 3.97. Dört test şunu söylüyor:

  • Levene F(2, 42) = 0.37, p = .695
  • Brown-Forsythe F(2, 42) = 0.35, p = .705
  • Bartlett χ²(2) = 7.68, p = .022
  • Fligner-Killeen χ²(2) = 0.54, p = .765

Bartlett testi varyansları farklı buluyor; öteki üç test bulmuyor. Çelişkinin nedeni veride görülüyor: C’nin 15 ölçümünün 13’ü 118 ile 122 mmHg arasında, yani en az A ve B kadar dar bir aralıkta. C’nin varyansını büyüten iki ölçümdür: 112 ve 128 mmHg.

Bu iki ölçüm C’nin dağılımına kalın kuyruklar ekliyor. Bartlett testi normal dağılımı varsayar ve kalın kuyruğa çok duyarlıdır (Box, 1953); ortalamadan ya da ortancadan mutlak sapmalara bakan testler ise iki uç ölçümü törpüler ve onlardan daha az etkilenir. Bartlett’in anlamlılığı burada sahte sayılamaz: C’nin varyansı gerçekten daha büyüktür, ama bu büyüklük yalnız iki ölçümden gelir.

Bu örnekte Fmax, kaba kurala göre “kabul edilebilir” aralıkta kalırken Bartlett anlamlı çıkıyor. Kurallar ve testler aynı veride farklı yöne işaret edebilir; karar verilmeden önce veriye bakılmalıdır.

Sonucun yorumu

Hangi test “doğru”? Dağılımların normal olduğu güvenle söylenemiyorsa Brown-Forsythe ya da Fligner-Killeen gibi dayanıklı bir test, verilere bakmadan önce seçilir ve raporlanır (Conover vd., 1981). Bu veride o testler aletlerin tipik yayılımının farklı olduğunu göstermiyor. Ancak bu testler seyrek büyük sapmalara bilerek duyarsızdır; soru tam da bu sapmalarsa sonuçları tek başına yeterli değildir.

Dikkat

Her aletten 15 ölçümle anlamlı olmayan bir sonuç, yayılımların eşit olduğunu da göstermez.

Araştırma sorusu açısından asıl bulgu ise hiçbir p değerinde görünmüyor: C çoğu ölçümde tutarlı, arada bir ise 8 mmHg’lik sapmalar yapıyor. Klinikte bu ikinci özellik önemlidir. Bu yüzden rapora uç ölçümlerin sayısı ve büyüklüğü, tercihen bir nokta grafiğiyle birlikte eklenir. Varyans testi bu bulgunun yerine geçmez.

Amaç aletlerin ortalama ölçümünü (sistematik sapmasını) karşılaştırmak olsaydı, bu dört testin sonucuna bakılmadan Welch ANOVA ve Games-Howell kullanılırdı.

Varyans homojenliği nasıl raporlanır?

Varyans testi raporlanırken testin adı ve merkezi (ortalama ya da ortanca) belirtilir. Bu örnek için bir rapor şöyle olabilir:

Tezde nasıl yazılır

Ortancaya göre merkezlenmiş Brown-Forsythe testi aletlerin tipik yayılımında anlamlı bir fark göstermedi, F(2, 42) = 0.35, p = .705. Ancak C aletinin 15 ölçümünden ikisi hedef değerden 8 mmHg uzaktaydı; bu ölçümler C’nin standart sapmasını (SS = 3.18) öteki aletlerinkinin (SS = 1.60 ve 1.83) belirgin biçimde üzerine çıkardı (Bartlett χ²(2) = 7.68, p = .022).

Varyans testi yalnızca bir ön bilgi olarak raporlanıyorsa (asıl analiz Welch t-testi ya da Welch ANOVA ise) tek cümle yeterlidir; testin sonucu analizin seçimine gerekçe olarak sunulmaz.

Sık yapılan hatalar

En sık hata, varyans testinin sonucuna göre test seçmektir; ötekiler varyans testlerinin sonucunu yanlış okumak, verinin biçimine uymayan testi kullanmak ve hangi testin kullanıldığını yazmamakla ilgilidir.

  • Levene sonucuna göre test seçmek. Welch’i baştan kullanın; Levene’i yayılımı betimlemek için raporlayın.
  • “Levene anlamlı değil, varyanslar eşit” demek. Anlamsız sonuç eşitliği kanıtlamaz; küçük örneklemde test gerçek farkları sık sık kaçırır.
  • Hangi Levene’in kullanıldığını yazmamak. SPSS t-testinde Levene’i ortalamaya göre hesaplar, R’deki car::leveneTest() ve SciPy ise ortancaya göre; iki program aynı veride farklı sonuç verebilir.
  • Bartlett’i normal dışı veride kullanmak. Kalın kuyruk ya da uç değer Bartlett’i varyanslar eşitken de anlamlı çıkarabilir.
  • SPSS’teki “Brown-Forsythe” seçeneğini varyans testi sanmak. SPSS’in tek yönlü ANOVA penceresindeki Brown-Forsythe seçeneği ortalamaların eşitliği için dayanıklı bir F testidir (Brown ve Forsythe, 1974b); bu yazıdaki varyans testi değildir.
  • Varyans farkını parametrik olmayan teste geçme gerekçesi saymak. Çözüm Welch’tir; parametrik olmayan testler de yayılım farkından etkilenir.

Sık sorulan sorular

Levene testi anlamlı çıktı; Welch’e geçmeli miyim?

Welch’i zaten baştan kullanmanız önerilir; Levene’in sonucu bu kararı değiştirmez. Levene’in anlamlı çıkması yalnızca grupların yayılımının farklı olduğunu söyler ve bu bir bulgu olarak raporlanır.

Levene ile Brown-Forsythe farklı sonuç verirse hangisine bakılır?

Dağılımlar çarpıksa ya da uç değer varsa ortancaya göre merkezlenen Brown-Forsythe testi daha güvenilirdir (Brown ve Forsythe, 1974a). Hangisini raporlayacağınıza sonuçları görmeden karar verin ve merkezi yazın.

Bartlett testi ne zaman kullanılır?

Grupların normal dağıldığından emin olunabiliyorsa Bartlett güçlü bir testtir. Normallik şüpheliyse, ki gerçek veride çoğu zaman öyledir, Brown-Forsythe ya da Fligner-Killeen tercih edilir.

Gruplar eşit büyüklükteyse varyans farkı sorun olur mu?

Eşit grup büyüklüklerinde Student t-testi ve klasik ANOVA varyans farkına görece dayanıklıdır, ama varyans oranı büyüdükçe hata oranı yine kayabilir. Welch bu durumda da güvenle kullanılabilir.

Varyans homojenliği için kaç gözlem gerekir?

Bir alt sınır yoktur, ama küçük gruplarda varyans testlerinin gücü düşüktür; anlamsız sonuç bu yüzden güven vermez. Welch testlerinin varsayılan olması bu sorunu da ortadan kaldırır.

Varyans homojenliği normallikle aynı şey mi?

Hayır. Normallik her grubun dağılımının biçimiyle, varyans homojenliği gruplar arasındaki yayılım farkıyla ilgilidir. Bir veri setinde biri sağlanırken öteki sağlanmayabilir; Bartlett testi gibi bazı varyans testleri ise ikisini birbirinden ayıramaz.

  • #varyans-homojenligi
  • #levene-testi
  • #parametrik-testler
  • #anova
  • #t-testi

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. Bartlett, M. S. (1937). Properties of sufficiency and statistical tests. Proceedings of the Royal Society of London. Series A, Mathematical and Physical Sciences, 160(901), 268–282.
  2. Box, G. E. P. (1953). Non-normality and tests on variances. Biometrika, 40(3–4), 318–335.
  3. Brown, M. B., & Forsythe, A. B. (1974a). Robust tests for the equality of variances. Journal of the American Statistical Association, 69(346), 364–367.
  4. Brown, M. B., & Forsythe, A. B. (1974b). The small sample behavior of some statistics which test the equality of several means. Technometrics, 16(1), 129–132.
  5. Conover, W. J., Johnson, M. E., & Johnson, M. M. (1981). A comparative study of tests for homogeneity of variances, with applications to the outer continental shelf bidding data. Technometrics, 23(4), 351–361.
  6. 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.
  7. Delacre, M., Leys, C., Mora, Y. L., & Lakens, D. (2019). Taking parametric assumptions seriously: Arguments for the use of Welch's F-test instead of the classical F-test in one-way ANOVA. International Review of Social Psychology, 32(1), Article 13.
  8. Divine, G. W., Norton, H. J., Barón, A. E., & Juarez-Colunga, E. (2018). The Wilcoxon–Mann–Whitney procedure fails as a test of medians. The American Statistician, 72(3), 278–286.
  9. Fligner, M. A., & Killeen, T. J. (1976). Distribution-free two-sample tests for scale. Journal of the American Statistical Association, 71(353), 210–213.
  10. Hartley, H. O. (1950). The maximum F-ratio as a short-cut test for heterogeneity of variance. Biometrika, 37(3–4), 308–312.
  11. Levene, H. (1960). Robust tests for equality of variances. In I. Olkin, S. G. Ghurye, W. Hoeffding, W. G. Madow, & H. B. Mann (Eds.), Contributions to probability and statistics: Essays in honor of Harold Hotelling (pp. 278–292). Stanford University Press.
  12. Rasch, D., Kubinger, K. D., & Moder, K. (2011). The two-sample t test: Pre-testing its assumptions does not pay off. Statistical Papers, 52(1), 219–231.
  13. Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
  14. Zimmerman, D. W. (2004). A note on preliminary tests of equality of variances. British Journal of Mathematical and Statistical Psychology, 57(1), 173–181.

Kendi verinizde görün

Kavramı kendi verinizde görmek isterseniz Basira’yı ücretsiz deneyebilirsiniz. Basira’yı deneyin

Kavramı kendi verinizde görmek isterseniz panelinize dönebilirsiniz. Panele git

İlgili yazılar