Başkaları Tarafından Oluşturulan Verileri İnceleme

 2.2. Başkaları Tarafından Oluşturulan Verileri İnceleme

 

 

 

 🎯Kazanımlar

 

Bu bölümü tamamladığında;

 

- Başkalarınca yayımlanan istatistiksel iddiaların hangi dayanaklara (örneklem, veri toplama aracı, oran hesapları) yaslandığını sorgulayabileceksin,

- Örneklem yanlılığı, küçük örneklem hatası, kesik $y$ ekseni ve ham frekans yanılgısı gibi metodolojik hata ve algı yanıltmalarını teşhis edebileksin,

- İstatistiksel ilişkinin doğrudan nedensellik anlamına gelmediğini ve gizli karıştırıcı değişkenlerin rolünü açıklayabileksin,

- Alt gruplarda geçerli oranların birleştirildiğinde tersine döndüğü alt gruplarda tersine dönen oranları (Simpson Paradoksu) çözümleyip hatalı iddiaları koşullu göreli sıklıkla çürütebileceksin.

 

 

 

Hatırlatma (2.1 Bölümünden Ön Bilgiler):

 

1. Koşullu Göreli Sıklık: Bir grubun içindeki belirli bir tercihin oranı hesaplanırken paydaya genel toplam ($N$) değil, ilgili grubun satır veya sütun toplamı yazılır:

   $$\text{Koşullu Göreli Sıklık} = \frac{\text{Ortak Hücre Frekansı}}{\text{İlgili Grup Toplamı}}$$

   Gruplar arası kıyaslamada ham sayılar yerine bu yüzdeler esas alınır.

2. Bağımsızlık ve Veri Etiği: İki gruptaki koşullu sıklıklar eşit veya çok yakınsa ($\text{Oran } 1 \approx \text{Oran } 2$) değişkenler bağımsızdır; belirgin farklıysa ilişkilidir. Bağlamından koparılan, grafiği çarpıtılan veya yanlı toplanan veriler gerçeği gizleyebilir.

 

 

 

 📖Konu Anlatımı

 

 1. İstatistiksel Temellendirme ve MEB Denetim Metodolojisi

 

MEB müfredatına göre başkalarının sunduğu istatistiksel iddiaları denetlerken 3 temel kontrol noktası izlenir: (1) Dayanak (iddianın dayandığı veri/grafik), (2) Hatalar ve Yanlılıklar (metodolojik kusurlar) ve (3) Gerekçeli Çürütme / Kabul.

 

İstatistiksel Denetim ve İddia Çürütme Metodolojisi
İstatistiksel Denetim ve İddia Çürütme Metodolojisi

 

 

Bir iddiayı bilimsel olarak çürütmek için sözel eleştiri yetmez; gizlenen grup büyüklüklerini ortaya çıkarıp koşullu göreli sıklıkları hesaplayarak matematiksel karşı kanıt sunulmalıdır.

 

 

 

 2. İlişki Nedensellik Değildir ve Karıştırıcı Değişkenler

 

$$\mathbf{\text{İlişki (Birlikte Değişim)} \neq \text{Nedensellik (Sebep-Sonuç)}}$$

 

İstatistiksel İlişki Nedensellik Değildir ve Karıştırıcı Değişkenler
İstatistiksel İlişki Nedensellik Değildir ve Karıştırıcı Değişkenler

 

 

İki kategorik değişkenin birlikte değişim göstermesi birinin diğerine sebep olduğunu kanıtlamaz; çoğu zaman her ikisini de etkileyen üçüncü bir gizli karıştırıcı değişken vardır (örneğin yaz aylarında dondurma tüketimi ile boğulmaların ikisini de artıran hava sıcaklığı).

 

⚠️ Altın Kural: Sebep-sonuç (nedensellik) kurabilmek için dış etkenlerin kontrol altına alındığı kontrollü ve yansız deneyler şarttır.

 

 

 

 3. Grafik Manipülasyonları ve Algı İllüzyonları

Grafik Manipülasyonu: Kesik Y Ekseni vs Dürüst Grafik
Grafik Manipülasyonu: Kesik Y Ekseni vs Dürüst Grafik

 

 

- Kesik $y$ Ekseni Tuzağı: Dikey eksen $0$ yerine yüksek bir değerden (örneğin $\%90$'dan) başlatılırsa küçük puan farkları sütun boylarında katlanarak abartılı görünür.

- Bilimsel Standart: Sütun grafiklerinde dikey eksen daima $0$ referans noktasından başlamalıdır.

 

 

 

 4. Örneklem Yanlılıkları ve Temsiliyet Sorunu

 

Örneklem hedef evreni yansız biçimde temsil etmiyorsa, örneklem sayısı büyük olsa bile çıkarım geçersizdir:

 

Örneklem Yanlılığı ve Temsil Sorunu
Örneklem Yanlılığı ve Temsil Sorunu

 

 

 Yanlılık Türü 

 Hata Mekanizması 

 Örnek 

 1. Seçilim Yanlılığı 

 Bazı kesimlerin örnekleme girme şansının dışlanması. 

 Gençlerin ortalama oyun süresini yalnızca espor forumunda ölçmek. 

 2. Gönüllü Katılım Yanlılığı 

 Anketi yalnız aşırı memnun veya şikâyetçi uçların doldurması. 

 Kargo anketine çoğunlukla paketi gecikenlerin katılması. 

 3. Küçük Örneklem Hatası 

 Çok az denek üzerinden topluma dair kesin hüküm verilmesi. 

 $5$ hastadan $4$'ü iyileşti diye "%80 kesin çözüm" iddiası. 

 4. Hayatta Kalma Yanlılığı 

 Yalnızca başarılı olanların incelenip elenenlerin unutulması. 

 Yalnız başarılı girişimcileri inceleyip batanları görmezden gelmek. 

 

 

 

 5. Alt Gruplarda Tersine Dönen Oranlar (Simpson Paradoksu)

 

Simpson Paradoksu, her alt grupta ayrı ayrı A seçeneği üstün iken veriler tek tabloda birleştirildiğinde grup ağırlıklarındaki dengesizlik yüzünden B seçeneğinin üstün görünmesi olgusudur.

 

Simpson Paradoksu ve Birleşik Veri İllüzyonu
Simpson Paradoksu ve Birleşik Veri İllüzyonu

 

 

- Neden Oluşur? Örnekte B grubunun çoğunluğu kolay (hafif) vakalardan, A grubunun çoğunluğu ise zor (ağır) vakalardan oluştuğu için birleşik ortalama ağırlıktan etkilenir ($\%40{,}0 < \%57{,}5$).

- Bilimsel Karar: Birleşik toplam yanıltıcı olduğundan karar daima karıştırıcı değişkenin sabitlendiği homojen alt gruplara göre verilir (her iki grupta da A üstündür).

 

 

 

 📋 Hızlı Bakış (Formül ve Kural Özeti)

 

 İnceleme Boyutu 

 Teşhis Sorusu 

 Yaygın Hata / Manipülasyon 

 Bilimsel ve Matematiksel Doğru 

 1. Örneklem Temsiliyeti 

 Veri kimden toplandı? 

 İnternet anketi, gönüllü katılımcılar, yanlı kitle. 

 Hedef evrenden rastgele seçilmiş yansız örneklem. 

 2. Örneklem Büyüklüğü 

 Kaç kişi/test incelendi? 

 $5$ veya $10$ denemeyle kesin genelleme yapılması. 

 Temsil gücü yüksek yeterli büyüklükte $N$. 

 3. Frekans Türü 

 Ham sayı mı, oran mı? 

 Büyük gruptaki ham sayı fazlalığını "üstünlük" saymak. 

 Her grubun kendi toplamına bölünen koşullu yüzde.

 4. Grafik Eksenleri 

 $y$ ekseni nereden başlıyor? 

 $0$ yerine tabandan kesilerek yapay uçurum üretmek. 

 Dikey eksenin mutlaka $0$ başlangıçlı çizilmesi. 

 5. Nedensellik İddiası 

 Sebep-sonuç kanıtı var mı? 

 İki değişken ilişkili diye birini diğerinin sebebi yapmak. 

 Karıştırıcı etkenlerin kontrol edildiği deney şartı. 

 6. Grup Ayrışımı 

 Alt gruplar dengeli mi? 

 Alt grupları homojenleştirmeden toplayıp Simpson tuzağına düşmek. 

 Gizli karıştırıcı değişkeni ayırıp alt gruplarda incelemek. 

 

 

 

 ✏️Örnekler (Özgün ve Detaylı Çözümler)

 

 

 Örnek 1: Kesik Dikey Eksen Manipülasyonu ve Reklam İddiası

 

Başkaları Tarafından Oluşturulan Verileri İnceleme Konu Anlatımı Görseli - 6

 

 ✍️ Adım Adım Çözüm

 

Başkaları Tarafından Oluşturulan Verileri İnceleme Konu Anlatımı Görseli - 7

 

 Örnek 2: Sosyal Medya Anketi, Seçilim ve Gönüllü Katılım Yanlılığı

 

Başkaları Tarafından Oluşturulan Verileri İnceleme Konu Anlatımı Görseli - 8

 

 ✍️ Adım Adım Çözüm

 

Başkaları Tarafından Oluşturulan Verileri İnceleme Konu Anlatımı Görseli - 9

 

 Örnek 3: Kahve Tüketimi İddiası ve Gizli Karıştırıcı Değişkenler

 

Başkaları Tarafından Oluşturulan Verileri İnceleme Konu Anlatımı Görseli - 10

 

✍️ Adım Adım Çözüm

 

Başkaları Tarafından Oluşturulan Verileri İnceleme Konu Anlatımı Görseli - 11

 

 Örnek 4: Kargo Hasar Oranları ve Ham Frekans Yanılgısı

Başkaları Tarafından Oluşturulan Verileri İnceleme Konu Anlatımı Görseli - 12

 

 ✍️ Adım Adım Çözüm

 

Başkaları Tarafından Oluşturulan Verileri İnceleme Konu Anlatımı Görseli - 13

 

 

 Örnek 5: Sınav Zorluk Düzeyleri ve Birleşik Veri İllüzyonu (Simpson)

 

Başkaları Tarafından Oluşturulan Verileri İnceleme Konu Anlatımı Görseli - 14

 

 ✍️ Adım Adım Çözüm

 

Başkaları Tarafından Oluşturulan Verileri İnceleme Konu Anlatımı Görseli - 15

 

 

 Örnek 6: Otonom Sürüş Testleri ve Koşullu Risk Oranı

 

Başkaları Tarafından Oluşturulan Verileri İnceleme Konu Anlatımı Görseli - 16

 

 ✍️ Adım Adım Çözüm

 

Başkaları Tarafından Oluşturulan Verileri İnceleme Konu Anlatımı Görseli - 17

 

 

 ⚠️Sık Yapılan Hatalar ve Uyarılar

 

- 🔴 ❌ Yanlış: İki gruptaki ham olay sayılarına ($50$ kazaya karşı $10$ kaza) bakarak küçük sayıyı doğrudan "daha güvenli veya başarılı" ilan etmek.

  - 🟢 ✅ Doğru: Her grubun olay sayısını kendi toplam deneme sayısına bölerek koşullu göreli sıklıkları (yüzdeleri) karşılaştırmak.

  - 💡 Kavramsal Mantık: $10.000$ sürüşte $50$ kaza (binde 5), $500$ sürüşte $10$ kazadan (yüzde 2 = binde 20) tam 4 kat daha güvenlidir.

 

- 🔴 ❌ Yanlış: İki kategorik değişken birlikte artıyor veya azalıyor diye birinin diğerinin doğrudan nedeni olduğunu savunmak.

  - 🟢 ✅ Doğru: Gözlenen ilişkinin arkasında her iki değişkeni de yöneten gizli bir karıştırıcı değişken olabileceğini hesaba katmak ve nedensellik için kontrollü deney aramak.

  - 💡 Kavramsal Mantık: Dondurma tüketimi boğulmayı artırmaz; her iki değişkeni de artıran gizli etken hava sıcaklığıdır.

 

- 🔴 ❌ Yanlış: Grafikteki dikey eksenin başlangıç değerini kontrol etmeden yalnızca sütunların boy farkına bakarak karar vermek.

  - 🟢 ✅ Doğru: Sütun grafiklerinde dikey ($y$) eksenin $0$ referans noktasından başlayıp başlamadığını ilk bakışta denetlemek.

  - 💡 Kavramsal Mantık: Dikey eksen $\%90$'dan başlatıldığında $\%92$ ile $\%96$ arasındaki $\%4$'lük fark görsel olarak 3 katlık bir uçurum gibi görünür.

 

- 🔴 ❌ Yanlış: Herkese açık bir internet veya sosyal medya anketinden çıkan sonucu "Tüm toplum böyle düşünüyor" biçiminde genellemek.

  - 🟢 ✅ Doğru: Gönüllü katılımlı ve belirli bir platformla sınırlı anketlerin seçilim ve gönüllülük yanlılığı taşıdığını, hedef evreni temsil edemeyeceğini bilmek.

  - 💡 Kavramsal Mantık: İnternet anketlerine çoğunlukla şikâyetçi ve öfkeli kullanıcılar tepki gösterir; memnun olan sessiz çoğunluk ankete katılmaz.

 

- 🔴 ❌ Yanlış: Zorluk derecesi veya risk yapısı birbirinden tamamen farklı alt grupları doğrudan toplayıp genel yüzdeye göre hüküm vermek.

  - 🟢 ✅ Doğru: Karıştırıcı değişkeni sabitleyerek veriyi homojen alt gruplarda ayrı ayrı incelemek ve Simpson Paradoksu tuzağına düşmemek.

  - 💡 Kavramsal Mantık: Kolay sınavlara çok öğrenci sokan yöntem birleşik ortalamada yüksek çıkabilir; adil kıyas ancak her zorluk seviyesinde ayrı ayrı yapılır.

 

 

Konu Testi ve Alıştırma

Öğrendiklerini pekiştirmek ve seviyeni görmek için hemen soru çözmeye başla!