Lojistik Regresyon Analizi: Tez SPSS Rehberi 2026

Bağımlı değişkeni "evet/hayır", "başarılı/başarısız" ya da "terk etti/etmedi" gibi iki kategoriden oluşan bir tez çalışmasında, birçok öğrenci refleksle doğrusal regresyona yönelir ve analiz raporunu teslim ettikten sonra danışmanından "bu model burada uygun değil" geri bildirimini alır. Oysa kategorik bir sonuç değişkeni söz konusu olduğunda aranan yöntem lojistik regresyon analizidir. Bu rehberde lojistik regresyonun mantığını, SPSS'te adım adım nasıl uygulandığını, çıktıların nasıl yorumlanacağını ve tez metnine nasıl raporlanacağını uçtan uca ele alıyoruz.

Sosyal bilimlerden sağlık bilimlerine, işletmeden mühendisliğe kadar pek çok disiplinde "bir olayın gerçekleşme olasılığını hangi değişkenler yordar" sorusu lojistik regresyonla test edilir. Ancak yöntemin varsayımları, örneklem büyüklüğü gereksinimleri ve çıktı yorumlama biçimi doğrusal regresyondan oldukça farklıdır; bu farkları bilmeden hazırlanan bulgular bölümü jüri karşısında ciddi eleştiri konusu olabilir.

Nicel araştırma yöntemleriyle çalışan lisansüstü öğrencilerin büyük bölümü, önerisini yazarken analiz yöntemini net biçimde belirlemeden veri toplama sürecine başlar; ölçüm aracı ve örneklem tasarımı tamamlandıktan sonra ise bağımlı değişkenin kategorik olduğu fark edilir ve baştan planlanan doğrusal model yeniden gözden geçirilmek zorunda kalır. Bu yazıda anlatılan adımları veri toplama aşamasından önce okumak, bu tür geri dönüşleri büyük ölçüde önler.

Lojistik Regresyon Analizi Nedir ve Ne Zaman Kullanılır?

Tez çalışmalarında en sık karşılaşılan metodolojik hatalardan biri, bağımlı değişkenin ölçüm düzeyine bakılmaksızın her zaman doğrusal regresyonun uygulanabileceğini varsaymaktır. Bağımlı değişken kategorik olduğunda bu yaklaşım hem istatistiksel olarak hatalıdır hem de elde edilen katsayıların anlamlı biçimde yorumlanmasını imkânsız hale getirir.

Lojistik Regresyon Analizi Nedir?

Lojistik regresyon analizi, bir veya daha fazla bağımsız değişkenin, kategorik bir bağımlı değişkenin belirli bir kategoride yer alma olasılığını ne yönde ve ne derecede yordadığını test eden bir istatistiksel yöntemdir. Doğrusal regresyondan farklı olarak sonuç doğrudan bir olasılık değeri değil, logit dönüşümü üzerinden hesaplanan bir olasılık tahminidir ve bu tahmin her zaman 0 ile 1 arasında bir değer alır.

Hangi Tez Konularında Kullanılır?

Aşağıdaki gibi araştırma sorularına sahip tezlerde lojistik regresyon doğal bir tercih haline gelir:

• Bir hastanın tedaviye yanıt verip vermeyeceğini yaş, cinsiyet ve klinik bulgular üzerinden yordamak
• Öğrencinin bir dersten başarılı ya da başarısız olma olasılığını devam durumu ve ön test puanlarıyla açıklamak
• Bir çalışanın işten ayrılma niyetini iş tatmini ve örgütsel bağlılık düzeyiyle ilişkilendirmek
• Bir tüketicinin belirli bir markayı tercih edip etmeme olasılığını demografik değişkenlerle açıklamak

Doğrusal Regresyondan Farkı Nedir?

Doğrusal regresyonda bağımlı değişken sürekli bir ölçekte ölçülürken, lojistik regresyonda bağımlı değişken kategoriktir; en yaygın biçimiyle iki kategoriden oluşan (binary) bir yapıya sahiptir. Ayrıca doğrusal regresyonda hata terimlerinin normal dağılması beklenirken, lojistik regresyonda böyle bir varsayım aranmaz; bunun yerine gözlem bağımsızlığı, çoklu doğrusal bağlantının olmaması ve örneklem büyüklüğünün yeterliliği gibi farklı ön koşullar devreye girer.

Lojistik Regresyon Türleri

Tez danışmanlarının sıkça sorduğu "hangi lojistik regresyon türünü kullandın" sorusuna net cevap verebilmek için üç temel türün farkını bilmek gerekir.

Binary (İkili) Lojistik Regresyon

Bağımlı değişkenin yalnızca iki kategoriye sahip olduğu durumlarda (örneğin "evet/hayır", "başarılı/başarısız") kullanılan en yaygın türdür. Tez çalışmalarının büyük çoğunluğu bu modeli tercih eder çünkü araştırma sorusu genellikle bir davranışın ya da durumun gerçekleşip gerçekleşmediğine odaklanır.

Multinomial Lojistik Regresyon

Bağımlı değişkenin ikiden fazla, ancak aralarında sıralama ilişkisi bulunmayan kategorilerden oluştuğu durumlarda (örneğin "kamu, özel sektör, serbest meslek" gibi meslek tercihi) kullanılır. Bu modelde referans kategori belirlenir ve diğer kategoriler bu referansa göre karşılaştırılır.

Ordinal Lojistik Regresyon

Bağımlı değişken sıralı kategorilerden oluşuyorsa (örneğin "düşük, orta, yüksek memnuniyet düzeyi") ordinal lojistik regresyon tercih edilir. Bu model, kategoriler arasındaki sıralamayı dikkate alarak orantılı oranlar (proportional odds) varsayımına dayanır.

Danışmanların en sık dile getirdiği uyarı şudur: "Bağımlı değişkeninin kaç kategorisi olduğuna ve bu kategoriler arasında bir sıralama olup olmadığına bakmadan model seçme." Yanlış model seçimi, analiz teknik olarak çalışsa bile bulguların bilimsel geçerliliğini zedeler.

SPSS'te Lojistik Regresyon Analizi Nasıl Yapılır?

Analiz aşamasına geçmeden önce veri setinin ön koşulları karşılayıp karşılamadığının kontrol edilmesi, geri dönüşü olmayan hatalardan kaçınmanın en etkili yoludur.

Lojistik Regresyon Analizi Nasıl Yapılır?

SPSS'te binary lojistik regresyon uygulamak için izlenmesi gereken temel adımlar şu şekilde sıralanabilir:

1. Analyze > Regression > Binary Logistic menüsü açılır.
2. Bağımlı değişken "Dependent" kutusuna, yordayıcı değişkenler "Covariates" kutusuna taşınır.
3. Kategorik bağımsız değişkenler varsa "Categorical" seçeneğinden tanımlanır ve referans kategori belirlenir.
4. "Options" sekmesinden Hosmer-Lemeshow uyum iyiliği testi ve sınıflandırma tablosu işaretlenir.
5. Model çalıştırılır ve çıktı penceresinde Omnibus Testi, model özeti ve değişkenler tablosu incelenir.

Veri Hazırlığı ve Ön Varsayımlar

Analiz öncesinde şu koşulların sağlanması beklenir:

SPSS Adımları

Model çalıştırıldıktan sonra çıktı penceresinde sırasıyla Omnibus Tests of Model Coefficients (modelin bir bütün olarak anlamlı olup olmadığını gösterir), Model Summary (Nagelkerke R² değeri) ve Variables in the Equation (her değişkenin katkısını gösterir) tabloları kontrol edilmelidir. Bu üç tablo birlikte değerlendirilmeden yalnızca anlamlılık değerine bakarak sonuç çıkarmak, tez savunmasında sık karşılaşılan bir eleştiri noktasıdır.

Analiz sürecinde değişkenlerin modele giriş yöntemi de sonuçları doğrudan etkiler. "Enter" yöntemi tüm değişkenleri aynı anda modele dahil ederken, "Forward" ve "Backward" gibi adım adım (stepwise) yöntemler değişkenleri istatistiksel katkılarına göre modele ekler veya modelden çıkarır. Tez çalışmalarında hangi yöntemin kullanıldığının açıkça belirtilmesi, analizin tekrarlanabilirliği açısından önemlidir; danışmanlar genellikle teorik çerçeveye dayanan bir değişken seçimini, salt istatistiksel kritere dayanan stepwise yönteme tercih eder.

Lojistik Regresyon Sonuçları Nasıl Yorumlanır?

Analiz tamamlandıktan sonra en çok zorlanılan aşama, çıktıların akademik dille doğru biçimde raporlanmasıdır.

Odds Ratio (Exp(B)) Nedir? Nasıl Yorumlanır?

Odds ratio (Exp(B)), bağımsız değişkendeki bir birimlik artışın, bağımlı değişkenin gerçekleşme olasılığı üzerindeki etkisini gösteren bir orandır. Exp(B) değeri 1'den büyükse ilgili değişken olayın gerçekleşme olasılığını artırır, 1'den küçükse azaltır, 1'e eşitse anlamlı bir etki bulunmadığı kabul edilir. Örneğin Exp(B) = 1.45 çıkan bir değişken için "bu değişkendeki bir birimlik artış, olayın gerçekleşme olasılığını yaklaşık %45 artırmaktadır" şeklinde bir yorum yapılır.

Model Uyum İyiliği Testleri (Hosmer-Lemeshow vb.)

Hosmer-Lemeshow testi, modelin gözlenen verilere ne derece iyi uyum sağladığını gösterir. Bu testte anlamlılık değerinin 0.05'ten büyük çıkması, modelin veriye iyi uyum sağladığı anlamına gelir; küçük çıkması ise modelin yeniden gözden geçirilmesi gerektiğine işaret eder. Nagelkerke R² değeri ise modelin bağımlı değişkendeki varyansın ne kadarını açıkladığını gösteren tamamlayıcı bir göstergedir.

Sınıflandırma Tablosu ve Doğruluk Oranı

Sınıflandırma tablosu, modelin gözlemleri doğru kategoriye ne oranda atadığını gösterir. Bu tablo raporlanırken yalnızca genel doğruluk oranı değil, her iki kategori için ayrı ayrı doğru sınıflandırma yüzdeleri de belirtilmelidir; aksi halde dengesiz dağılıma sahip veri setlerinde yanıltıcı bir doğruluk izlenimi oluşabilir.

Lojistik Regresyon Analizinde Sık Yapılan Hatalar

Danışmanlar ve jüri üyeleri tarafından en sık eleştirilen noktalar, genellikle analiz sürecinin başındaki gözden kaçan detaylardan kaynaklanır.

Örneklem Büyüklüğü Hataları

Lojistik regresyonda her bağımsız değişken için yeterli sayıda "olay" (event) bulunması gerekir. Genel kabul gören kurala göre her yordayıcı değişken için en az 10 olay gözlemi önerilir; bu oran sağlanmadan yapılan analizlerde katsayı tahminleri kararsız hale gelir.

Çoklu Doğrusal Bağlantı (Multicollinearity) Sorunu

Bağımsız değişkenler arasında yüksek korelasyon bulunduğunda model katsayıları güvenilirliğini yitirir. VIF değerinin 10'un üzerinde çıkması, ilgili değişkenlerden birinin modelden çıkarılması veya değişkenlerin birleştirilmesi gerektiğine işaret eder.

Sonuçların Yanlış Raporlanması

Sık yapılan bir diğer hata, yalnızca anlamlı çıkan değişkenlerin raporlanıp anlamsız çıkanların atlanmasıdır. Oysa tam ve şeffaf bir bulgular bölümü, modele dahil edilen tüm değişkenlerin katsayılarını, standart hatalarını ve anlamlılık düzeylerini bir arada sunmalıdır.

Bir diğer yaygın yanılgı, odds ratio değerini doğrudan olasılık gibi yorumlamaktır. Exp(B) = 2 çıkan bir değişken için "olayın gerçekleşme olasılığı iki katına çıkar" demek yaygın bir hatadır; doğru ifade "olayın gerçekleşme olasılığının diğer olasılığa oranı iki katına çıkar" şeklindedir. Bu inceliği gözden kaçıran öğrenciler, jüri üyelerinin en sık müdahale ettiği noktalardan biriyle karşılaşır. Benzer şekilde, model istatistiksel olarak anlamlı çıksa bile Nagelkerke R² değeri düşükse bu durumun tartışma bölümünde açıkça belirtilmesi ve modelin açıklama gücünün sınırlılığının kabul edilmesi, akademik dürüstlük açısından beklenen bir yaklaşımdır.

Tez Sürecinde Profesyonel Analiz Desteği Almanın Avantajları

Lojistik regresyon gibi teknik bir analiz yöntemini sıfırdan öğrenip uygulamaya çalışmak, özellikle tez teslim tarihi yaklaşan öğrenciler için ciddi bir zaman baskısı yaratır. Bu noktada metodoloji seçiminden SPSS çıktılarının APA formatında raporlanmasına kadar uzanan süreçte uzman desteği almak, hem zaman kazandırır hem de bulgular bölümünün bilimsel tutarlılığını güçlendirir.

Analiz desteğine ek olarak, tezin bütünsel kalitesi için farklı aşamalarda profesyonel hizmetlerden yararlanmak da mümkündür. Örneğin doktora düzeyinde daha kapsamlı bir metodoloji bölümü gerektiğinde doktora tez yazdırma hizmetinden, yüksek lisans düzeyinde daha odaklı bir analiz ve yazım desteği gerektiğinde yüksek lisans tez yazdırma hizmetinden faydalanılabilir. Analiz tamamlandıktan sonra bulguların jüri karşısında güvenle sunulması için ise tez savunma sunumu hazırlama desteği tercih edilebilir.

Analiz raporunun yazım kalitesi de en az istatistiksel doğruluğu kadar önemlidir; bulgular bölümünde kullanılan cümlelerin akademik üsluba uygun, tutarlı ve özgün olması beklenir. Bu nedenle analiz tamamlandıktan sonra metnin bütünsel bir dil ve intihal kontrolünden geçirilmesi de önerilir; ölçüm aracı bölümünde başka kaynaklardan alınan tanımların doğru biçimde atıflandığından emin olunmalıdır.

Sonuç olarak lojistik regresyon analizi, kategorik bağımlı değişkenli tez çalışmalarında doğru uygulandığında güçlü ve akademik açıdan sağlam bulgular üretebilen bir yöntemdir; ancak varsayımların kontrolü, örneklem büyüklüğü ve çıktı yorumlama sürecinde dikkatli olunmadığı takdirde jüri önünde savunulması zor bulgulara yol açabilir. Analiz sürecinin herhangi bir aşamasında destek almak isterseniz WhatsApp üzerinden bize ulaşarak sorularınızı iletebilirsiniz.