İki değişken arasındaki ilişkinin yönünü ve gücünü tek bir sayıyla özetlemek istiyorsanız korelasyonu; bir değişkenin değerini başka bir değişkenden tahmin etmek veya etkisini modellemek istiyorsanız regresyonu kullanın. Korelasyon, değişkenlerin birlikte nasıl değiştiğini gösterir ancak neden-sonuç kanıtlamaz. Regresyon ise bir sonuç değişkenini açıklamak ya da tahmin etmek için denklem kurar; bu nedenle katsayıların yorumu, model varsayımları ve veri yapısı ayrıca kontrol edilmelidir.
Korelasyon, iki sayısal değişkenin birlikte değişme eğilimini ölçer. En sık kullanılan Pearson korelasyon katsayısı -1 ile +1 arasında değer alır. +1’e yaklaşan değer güçlü pozitif ilişkiyi, -1’e yaklaşan değer güçlü negatif ilişkiyi, 0’a yaklaşan değer ise doğrusal ilişkinin zayıf olduğunu gösterir.
Örneğin çalışma süresi ile sınav puanı arasında korelasyon katsayısı 0,80 bulunursa, daha fazla çalışan öğrencilerin genellikle daha yüksek puan aldığı söylenebilir. Ancak bu sonuç, çalışma süresinin puanı kesin olarak artırdığını kanıtlamaz. Öğrencinin önceki bilgisi, ders desteği veya sınav kaygısı gibi başka değişkenler iki ölçümü de etkileyebilir.
Korelasyonun yönü ve gücü tek bir katsayıda özetlenir; hangi değişkenin açıklayıcı, hangisinin sonuç olduğu zorunlu olarak belirlenmez. Bu nedenle korelasyon, tahmin denklemi üretmez ve tek başına nedensellik göstermez.
Regresyon, bir sonuç değişkeni ile onu açıklamak veya tahmin etmek için kullanılan bir ya da daha fazla değişken arasındaki ilişkiyi matematiksel modelle ifade eder. Basit doğrusal regresyonda örnek denklem şöyledir:
Bu varsayımsal modelde 50 sabit terimdir; çalışma saati sıfır olduğunda modelin tahmin ettiği puanı temsil eder. 5 katsayısı ise çalışma süresindeki bir saatlik artışın, diğer koşullar aynı kabul edildiğinde, tahmini puanı ortalama 5 puan değiştirdiğini ifade eder.
Regresyon ayrıca belirli bir çalışma süresi için tahmin üretir. Örneğin 6 saatlik çalışma için modelin tahmini 80 puandır. Fakat bu, öğrencinin kesin olarak 80 alacağı anlamına gelmez; tahminin hata payı vardır. Ayrıca model yalnızca kurulduğu veri aralığı ve varsayımları içinde anlamlı olabilir.
Korelasyon ve regresyon aynı veri kümesinde birlikte kullanılabilir, ancak aynı soruya yanıt vermez. Aşağıdaki karşılaştırma hangi yöntemin amaca daha uygun olduğunu gösterir.
Tablodaki farktan şu seçim kuralını çıkarabilirsiniz: “Bu iki değişken ilişkili mi?” sorusu için korelasyon; “Çalışma süresi, yaş ve devam durumu birlikteyken puanı nasıl tahmin eder?” sorusu için regresyon daha uygundur. Regresyonda birden fazla açıklayıcı değişken kullanıldığında, her katsayı diğer değişkenler sabit tutulduğunda yapılan koşullu yorumu taşır.
Varsayımsal olarak 30 öğrencinin çalışma süresi ve sınav puanı ölçülsün. İlk incelemede Pearson korelasyonu 0,80 bulunsun. Bu değer, doğrusal yönde güçlü bir pozitif ilişki olduğunu düşündürür. Sonraki adımda sınav puanı sonuç değişkeni, çalışma süresi açıklayıcı değişkeni seçilerek doğrusal regresyon kurulabilir. Modelin katsayısı 5 ve sabit terimi 50 ise 6 saat için tahmin 80 puandır.
Bu iki sonuç birbirinin yerine geçmez: 0,80 ilişkinin gücünü özetler; regresyon denklemi belirli bir çalışma süresi için tahmin ve katsayı yorumu verir. Modelin başarısını değerlendirmek için artıklar, aykırı gözlemler, doğrusal ilişki, değişkenlerin ölçüm aralığı ve tahmin hatası incelenmelidir. Çok yüksek korelasyon bile modelin doğru kurulmuş olduğunu garanti etmez.
Korelasyonun sıfıra yakın olması hiçbir ilişki olmadığı anlamına gelmez; değişkenler arasında doğrusal olmayan bir ilişki bulunabilir. Bu nedenle yalnız katsayıya bakmak yerine saçılım grafiği de incelenmelidir.
Öte yandan yüksek korelasyon da nedensellik anlamına gelmez. İki değişkeni aynı anda etkileyen üçüncü bir değişken, gözlenen ilişkiyi açıklayabilir. Regresyona üçüncü değişkenleri eklemek bu sorunu incelemeye yardımcı olabilir, ancak yalnızca regresyon kurmak nedenselliği otomatik olarak kanıtlamaz.
Sonuç olarak, ilişkiyi özetlemek için korelasyonu; yönlü bir model kurmak, katsayıları yorumlamak ve tahmin yapmak için regresyonu seçin. Her iki yöntemde de sonucu yorumlamadan önce veri grafiğini, aykırı değerleri ve kullanılan modelin varsayımlarını kontrol edin.
Korelasyon neyi ölçer?
Korelasyon, iki sayısal değişkenin birlikte değişme eğilimini ölçer. En sık kullanılan Pearson korelasyon katsayısı -1 ile +1 arasında değer alır. +1’e yaklaşan değer güçlü pozitif ilişkiyi, -1’e yaklaşan değer güçlü negatif ilişkiyi, 0’a yaklaşan değer ise doğrusal ilişkinin zayıf olduğunu gösterir.
Örneğin çalışma süresi ile sınav puanı arasında korelasyon katsayısı 0,80 bulunursa, daha fazla çalışan öğrencilerin genellikle daha yüksek puan aldığı söylenebilir. Ancak bu sonuç, çalışma süresinin puanı kesin olarak artırdığını kanıtlamaz. Öğrencinin önceki bilgisi, ders desteği veya sınav kaygısı gibi başka değişkenler iki ölçümü de etkileyebilir.
Korelasyonun yönü ve gücü tek bir katsayıda özetlenir; hangi değişkenin açıklayıcı, hangisinin sonuç olduğu zorunlu olarak belirlenmez. Bu nedenle korelasyon, tahmin denklemi üretmez ve tek başına nedensellik göstermez.
Regresyon neyi yapar?
Regresyon, bir sonuç değişkeni ile onu açıklamak veya tahmin etmek için kullanılan bir ya da daha fazla değişken arasındaki ilişkiyi matematiksel modelle ifade eder. Basit doğrusal regresyonda örnek denklem şöyledir:
Sınav puanı = 50 + 5 × çalışma saatiBu varsayımsal modelde 50 sabit terimdir; çalışma saati sıfır olduğunda modelin tahmin ettiği puanı temsil eder. 5 katsayısı ise çalışma süresindeki bir saatlik artışın, diğer koşullar aynı kabul edildiğinde, tahmini puanı ortalama 5 puan değiştirdiğini ifade eder.
Regresyon ayrıca belirli bir çalışma süresi için tahmin üretir. Örneğin 6 saatlik çalışma için modelin tahmini 80 puandır. Fakat bu, öğrencinin kesin olarak 80 alacağı anlamına gelmez; tahminin hata payı vardır. Ayrıca model yalnızca kurulduğu veri aralığı ve varsayımları içinde anlamlı olabilir.
Temel farkları nasıl ayırmalısınız?
Korelasyon ve regresyon aynı veri kümesinde birlikte kullanılabilir, ancak aynı soruya yanıt vermez. Aşağıdaki karşılaştırma hangi yöntemin amaca daha uygun olduğunu gösterir.
| Ölçüt | Korelasyon | Regresyon |
|---|---|---|
| Temel amaç | İki değişkenin birlikte değişme yönünü ve gücünü ölçmek | Bir sonucu açıklamak veya tahmin etmek |
| Değişken rolleri | Değişkenler simetrik ele alınır | Sonuç ve açıklayıcı değişken rolleri belirlenir |
| Çıktı | -1 ile +1 arasında katsayı | Denklem, katsayılar ve tahminler |
| Tahmin üretir mi? | Hayır | Evet, model uygun ve veri yeterliyse |
| Nedensellik kanıtlar mı? | Hayır | Tek başına hayır |
| Birden fazla açıklayıcı değişken | Standart korelasyon bu amacı karşılamaz | Çoklu regresyonla kullanılabilir |
Aynı örnek üzerinde sonuç nasıl yorumlanır?
Varsayımsal olarak 30 öğrencinin çalışma süresi ve sınav puanı ölçülsün. İlk incelemede Pearson korelasyonu 0,80 bulunsun. Bu değer, doğrusal yönde güçlü bir pozitif ilişki olduğunu düşündürür. Sonraki adımda sınav puanı sonuç değişkeni, çalışma süresi açıklayıcı değişkeni seçilerek doğrusal regresyon kurulabilir. Modelin katsayısı 5 ve sabit terimi 50 ise 6 saat için tahmin 80 puandır.
Bu iki sonuç birbirinin yerine geçmez: 0,80 ilişkinin gücünü özetler; regresyon denklemi belirli bir çalışma süresi için tahmin ve katsayı yorumu verir. Modelin başarısını değerlendirmek için artıklar, aykırı gözlemler, doğrusal ilişki, değişkenlerin ölçüm aralığı ve tahmin hatası incelenmelidir. Çok yüksek korelasyon bile modelin doğru kurulmuş olduğunu garanti etmez.
Sık karıştırılan noktalar
Korelasyonun sıfıra yakın olması hiçbir ilişki olmadığı anlamına gelmez; değişkenler arasında doğrusal olmayan bir ilişki bulunabilir. Bu nedenle yalnız katsayıya bakmak yerine saçılım grafiği de incelenmelidir.
Öte yandan yüksek korelasyon da nedensellik anlamına gelmez. İki değişkeni aynı anda etkileyen üçüncü bir değişken, gözlenen ilişkiyi açıklayabilir. Regresyona üçüncü değişkenleri eklemek bu sorunu incelemeye yardımcı olabilir, ancak yalnızca regresyon kurmak nedenselliği otomatik olarak kanıtlamaz.
Sonuç olarak, ilişkiyi özetlemek için korelasyonu; yönlü bir model kurmak, katsayıları yorumlamak ve tahmin yapmak için regresyonu seçin. Her iki yöntemde de sonucu yorumlamadan önce veri grafiğini, aykırı değerleri ve kullanılan modelin varsayımlarını kontrol edin.
