Korelasyon analizi: değişkenler arasındaki ilişki nasıl ölçülür ve yorumlanır

Korelasyon analizi neyi ölçer?

Korelasyon analizi, çift olarak ele alınan değişkenlerin birlikte nasıl değiştiğini tek bir özet değerle anlatır. Bir değişken yükselirken diğeri de yükseliyorsa ilişki olumludur. Biri yükselirken diğeri düşüyorsa ilişki olumsuzdur. İlişki yoksa değişkenler birbirinden bağımsız hareket ediyor demektir. Bu özet değere korelasyon katsayısı denir; işareti yönü, büyüklüğü ise ilişkinin gücünü gösterir.

İş hayatında bu analiz çoğunlukla bir hipotezi elemek ya da daraltmak için kullanılır. Reklam harcaması ile satış arasında bir bağ var mı, eğitim saatleri ile müşteri memnuniyeti birlikte mi hareket ediyor, tedarik süresi uzadıkça iade oranı artıyor mu gibi sorular önce korelasyonla taranır. Sonuç bir cevap değil, bir yön işaretidir: hangi ilişkinin daha ayrıntılı incelemeye değdiğini söyler.

Korelasyon yalnızca doğrusal ya da sıralı ilişkiyi yakalar. Değişkenler arasında güçlü ama eğri biçimli bir ilişki varsa katsayı düşük çıkabilir. Bu yüzden katsayıya bakmadan önce veriyi çizmek gerekir.

Adım adım korelasyon analizi

Analizi şu sırayla yürütmek hataları büyük ölçüde azaltır:

• Soruyu yazın. Hangi değişken çiftinin ilişkisini merak ettiğinizi ve bu ilişkiden hangi kararı vereceğinizi açıkça belirleyin.
• Veriyi hazırlayın. Eksik gözlemleri, kayıt hatalarını ve ölçü birimi karışıklıklarını temizleyin. Aynı satırdaki değerlerin aynı birime ait olduğundan emin olun.
• Serpilme grafiği çizin. Yatay eksene bir, dikey eksene diğer değişkeni koyup noktaların biçimine bakın. Doğrusal bir bulut mu, eğri mi, kümeler mi var görün.
• Değişken türüne göre katsayıyı seçin. Sürekli ve yaklaşık normal dağılımlı veride Pearson, sıralı ya da aykırı değerlerle bozulan veride Spearman uygundur.
• Katsayıyı hesaplayın ve anlamlılığını sınayın. Örneklem küçükse yüksek görünen bir katsayı tesadüf olabilir; güven aralığı ve p değeri bunu kontrol eder.
• Yorumlayın ve sınırlarını yazın. Katsayı büyüklüğünü iş bağlamında değerlendirin, nedensellik iddiasında bulunmayın.

Bu adımların tamamı Excel, Python, R ya da herhangi bir istatistik yazılımıyla yapılabilir. Araç değişse de mantık aynı kalır.

Hangi katsayıyı seçmeli: Pearson mı Spearman mı?

Pearson katsayısı sürekli değişkenler arasındaki doğrusal ilişkiyi ölçer. Veri yaklaşık simetrik dağılıyorsa ve belirgin aykırı değer yoksa doğru seçimdir. Tek bir uç gözlem Pearson katsayısını ciddi biçimde yukarı ya da aşağı çekebilir.

Spearman katsayısı değerlerin kendisini değil sıralarını kullanır. Bu yüzden aykırı değerlere dayanıklıdır ve doğrusal olmayan ama tek yönlü (hep artan ya da hep azalan) ilişkileri de yakalar. Likert ölçeği gibi sıralı veriler için de uygun seçenektir. Kendall katsayısı da sıra temelli bir alternatiftir ve özellikle küçük örneklemlerde ya da çok sayıda eşit sıra olduğunda tercih edilir.

Ölçütler şöyle özetlenebilir:

• Ölçüt: Veri türü. Pearson: sürekli ve ölçülen değerler. Spearman: sıralı ya da sürekli ama normal dağılmayan değerler.
• Ölçüt: Aykırı değer. Pearson: duyarlıdır. Spearman: dayanıklıdır.
• Ölçüt: İlişkinin biçimi. Pearson: yalnızca doğrusal. Spearman: tek yönlü ilişkilerin tamamı.

Yöntemleri birlikte hesaplamak da yaygın bir kontroldür. Sonuçlar birbirinden çok farklıysa veride aykırı değer ya da doğrusal olmayan bir yapı olduğunu düşünmek gerekir.

Katsayı nasıl yorumlanır?

Katsayının işareti ilişkinin yönünü verir. Artı işaret birlikte artışı, eksi işaret ters yönlü hareketi gösterir. Büyüklük ise gücü anlatır: katsayı ilişki olmayan noktadan uzaklaştıkça değişkenler daha sıkı birlikte hareket eder, tam doğrusal ilişkide uç değere ulaşır.

Büyüklüğü yorumlarken evrensel bir eşik aramak yanıltıcıdır. Fizik deneyinde zayıf sayılan bir değer, davranışsal verilerde (tüketici tercihi, çalışan performansı gibi) anlamlı bir sinyal olabilir. Yorumu alanın doğasına, örneklem büyüklüğüne ve karar maliyetine göre yapın.

Katsayının karesi, bir değişkendeki değişimin ne kadarının diğeriyle birlikte açıklanabildiğini gösterir. Örneğin orta düzeyde bir katsayı, değişimin yalnızca bir bölümünü açıklar; geri kalanı başka etkenlere aittir. Bu bakış, "güçlü ilişki" ifadesinin pratikte ne kadar şey söylediğini sınırlandırmak için işe yarar.

Son olarak anlamlılık ile önem karıştırılmamalıdır. Çok büyük bir örneklemde çok küçük bir katsayı bile istatistiksel olarak anlamlı çıkar; ama iş kararı için hiçbir şey ifade etmeyebilir.

Korelasyon neden nedensellik değildir?

Değişkenlerin birlikte hareket etmesi, birinin diğerine yol açtığını göstermez. Başlıca açıklamalar şunlardır. Karıştırıcı değişken: dondurma satışı ile boğulma vakaları aynı aylarda artar, ama dondurma boğulmaya yol açmaz; ortak etken olan sıcak hava hepsini etkiler.

Yönün belirsizliği ise ayrı bir açıklamadır. Mutlu çalışanların daha verimli olması, verimli çalışanların daha mutlu olması ya da hep birlikte artması olabilir; korelasyon yön hakkında bilgi vermez. Tesadüf de bir olasılıktır. Yeterince çok değişken çifti taranırsa, hiçbir gerçek bağ olmasa da bazıları yüksek korelasyon gösterir.

Nedensellik iddiası için ek kanıt gerekir. Kontrollü deney (A/B testi gibi), zamansal sıra (neden sonuçtan önce gelmeli), karıştırıcıları denetleyen çok değişkenli modeller ve alan bilgisinin sağladığı mekanizma açıklaması bunların başında gelir. Raporlarda "X ile Y arasında ilişki bulundu" ifadesi doğru, "X, Y'yi artırıyor" ifadesi ise ek kanıt olmadan fazladır.

Örnek senaryo: eğitim saati ile müşteri memnuniyeti

Örneğin bir çağrı merkezi yöneticisi, temsilcilerin aldığı eğitim saatleri ile aylık müşteri memnuniyet puanları arasındaki ilişkiyi merak ediyor. Önce her temsilci için eğitim saatini ve puanı tek tabloya alır ve eksik kayıtları ayıklar. Serpilme grafiğinde noktaların hafif yükselen bir bulut oluşturduğunu, ancak birkaç yeni başlayan temsilcinin düşük eğitim saatine rağmen yüksek puan aldığını görür.

Aykırı değerler nedeniyle Pearson ve Spearman katsayılarını birlikte hesaplar. Spearman biraz daha yüksek çıkar; bu, ilişkinin doğrusaldan çok tek yönlü olduğunu düşündürür. Yönetici "eğitim memnuniyeti artırıyor" demez. Çünkü deneyimli temsilcilerin hem daha çok eğitim almış hem de daha kolay müşterilere atanmış olabileceğini fark eder. Deneyim yılını ek değişken olarak ekleyip kısmi korelasyona bakar; ilişki zayıflar ama kaybolmaz.

Sonuçta rapora şunu yazar: ilişki var, güçlüsü deneyim etkisiyle karışıyor, nedensellik için eğitim alan ve almayan eşleştirilmiş gruplarla ayrı bir karşılaştırma gerekiyor. Bu, korelasyon analizinin doğru kullanımıdır: karar vermek için değil, sonraki soruyu netleştirmek için.

Sık yapılan hatalar ve nasıl önlenir

• Grafiğe bakmadan katsayı raporlamak. Aynı katsayıyı veren çok farklı veri biçimleri vardır; serpilme grafiği ilişkinin eğri mi, kümeli mi, aykırı değere mi dayalı olduğunu açığa çıkarır.
• Aykırı değeri incelemeden silmek ya da hiç bakmamak. Her aykırı değerin kaynağını sorun: kayıt hatası mı, gerçek bir uç durum mu?
• Aralığı daraltılmış veriyle genelleme yapmak. Yalnızca başarılı adayların kayıtlarını analiz ederseniz ilişki olduğundan zayıf görünür.
• Toplulaştırılmış veriden bireye çıkarım yapmak. Ülke ya da şube düzeyindeki ilişki, bireyler arasında da geçerli olmak zorunda değildir.
• Çok sayıda çifti taradıktan sonra yalnızca anlamlı çıkanları raporlamak. Bu, tesadüfi ilişkileri bulgu gibi sunmaktır; çoklu karşılaştırma düzeltmesi ya da önceden belirlenmiş hipotez gerekir.
• Zaman serilerinde yalnızca ortak trendi yakalamak. Hem artan hem azalan seriler, aralarında bağ olmadan yüksek korelasyon gösterebilir; önce trendi ayıklamak gerekir.

Bu hataların çoğu, analize başlamadan önce soruyu yazmak ve grafiği çizmekle önlenir.

Öğrenme yolu ve Mindset programlarında nerede çalışılır

Başlangıç düzeyinde tanımlayıcı istatistik (ortalama, standart sapma, dağılım biçimi) ve grafik okuma yeterli bir temeldir. Sonraki aşamada hipotez testi, güven aralığı ve anlamlılık kavramları gelir. İleri düzeyde regresyon, kısmi korelasyon ve karıştırıcı değişken kontrolü ile ilişkiyi tek değişkenden çok değişkenli modele taşırsınız.

Mindset kataloğunda Veri Bilimi için İstatistik Eğitimi, tanımlayıcı istatistik, grafikler, hipotez sınama ve "Korelasyon ve Regresyon" modüllerini aynı akışta işler; veri bilimi ya da analitik ekipleri için bu sıra doğal bir temeldir. İstatistik Temelleri (İş Profesyonelleri İçin) ise istatistiksel düşünce, dağılımlar, regresyon ve tahmin analizi ile hipotez testini iş yaşamı bağlamında ele alır; raporlama, planlama ve operasyon ekiplerinin kendi verisini yorumlaması için uygundur. Kurumlar bu temeli ekip bazında, kendi veri setleri üzerinden çalıştırmayı tercih edebilir.