Damla
New member
Buradan çıkarılabilecek daha ilginç sonuç şu:
“Erkekler böyledir, kadınlar şöyledir” demektense “Hangi koşullarda hangi davranış farklılaşıyor?” diye sormak daha açıklayıcıdır.
Örneğin kararın finansal bir sonuç mu, kişiler arası bir sonuç mu, sağlıkla mı ilgili olduğu davranışı değiştirebilir.
Bir meta-analizde insanların kendileri için ve başkaları adına riskli karar vermesi karşılaştırıldığında genel olarak anlamlı bir fark bulunmadı. Ancak kararın alanı önemliydi: kişiler arası kararlarda başkası adına karar vermek daha riskli davranışlarla, tıbbi kararlarda ise daha düşük risk alma ile ilişkiliydi.
Bu, “erkekler sonuç odaklıdır, kadınlar duygusaldır” gibi basit açıklamalardan çok daha ilginç bir tablo ortaya koyuyor. İnsanların kararları; hedefin ne olduğu, kimin etkileneceği, riskin türü, sosyal ortam ve kişisel deneyim gibi birçok faktörün birleşiminden oluşuyor.
Stres Bile Sonuçları Değiştirebiliyor
Cinsiyet farklılıklarını tartışırken çevresel koşulları hesaba katmak özellikle önemli.
Örneğin bir laboratuvar çalışmasında kortizol verilmesinin risk alma davranışı üzerindeki etkisi erkek ve kadın katılımcılarda farklı bulunmuş; araştırmada kortizolün erkeklerde risk alma davranışını artırdığı, kadınlarda ise aynı etkinin görülmediği raporlanmıştır.
Ancak bunu “erkek beyni risk sever” gibi basit bir biyolojik açıklamaya çevirmek doğru olmaz. Daha yeni bir 2026 meta-analizi, testosteron ile risk alma arasındaki ilişkinin 52 çalışmadan 17.340 kişiyi kapsayan toplam analizde istatistiksel olarak güvenilir bir ilişki göstermediğini bildirdi (r = -0,0021). Araştırmacılar sonuçların görev, bağlam ve bireysel özelliklerle değişebileceğini vurguladı.
Bu örnek aslında konumuzun özüne çok güzel bağlanıyor: Bir değişkenle sonuç arasındaki ilişkiyi görmek, mekanizmayı otomatik olarak açıklamaz.
Korelasyon Nedensellik Değilse Korelasyonun Hiç mi Değeri Yok?
Tam tersine, korelasyon son derece değerlidir.
Bilim insanları çoğu zaman araştırmaya korelasyonla başlar.
Örneğin:
“Uyku süresi ile akademik başarı arasında ilişki var mı?”
“Gelir ile yaşam memnuniyeti arasında nasıl bir ilişki bulunuyor?”
“Egzersiz sıklığı ile depresif belirtiler arasında ilişki var mı?”
“Çalışanların iş yükü ile tükenmişlik düzeyi arasında bağlantı var mı?”
Bu soruların tamamında korelasyon araştırmacıya önemli ipuçları verebilir.
Sorun korelasyon kullanmak değildir. Sorun, korelasyonun taşıyabileceğinden daha büyük bir anlam yüklemektir.
Korelasyonu bir kanıtın son noktası değil, çoğu zaman araştırmanın başlangıç noktası olarak düşünmek daha doğru olur.
Bir Veriyi Okurken Kendimize Hangi Soruları Sormalıyız?
Bir haber sitesinde “X, Y'yi artırıyor” şeklinde bir başlık gördüğünüzde birkaç saniye durup şu soruları sormak oldukça işe yarar:
1. Araştırmada yalnızca korelasyon mu bulundu, yoksa deneysel bir tasarım mı kullanıldı?
2. Örneklem kaç kişiden oluşuyor?
3. Araştırma kimler üzerinde yapıldı?
4. Başka hangi değişkenler sonucu etkileyebilir?
5. Nedenselliğin yönü gerçekten belli mi?
6. Etki büyüklüğü ne kadar?
7. Bulgular başka araştırmalarda tekrarlandı mı?
8. Araştırma gözlemsel mi, deneysel mi?
9. Araştırmacılar alternatif açıklamaları test etmiş mi?
10. Sonuç gerçek hayatta anlamlı bir büyüklüğe sahip mi?
Bence özellikle son iki soru çoğu popüler bilim haberinde atlanıyor.
Çünkü “istatistiksel olarak anlamlı ilişki bulundu” kulağa güçlü geliyor. Oysa gerçek dünyada önemli olan yalnızca ilişkinin varlığı değil, ne kadar büyük olduğu ve neden ortaya çıktığıdır.
Disiplinler Arasında Neden Aynı Mantık Karşımıza Çıkıyor?
Bu konu yalnızca istatistikle ilgili değil.
Psikolojide insan davranışlarını anlamak için kullanılır.
Tıpta hastalık risklerini değerlendirirken kullanılır.
Ekonomide gelir, tüketim ve iş gücü verilerini yorumlarken kullanılır.
Sosyolojide eğitim, aile yapısı ve toplumsal sonuçlar incelenirken karşımıza çıkar.
Pazarlamada reklam harcaması ile satışlar arasındaki ilişki değerlendirilirken kullanılır.
Yapay zekâ ve veri biliminde de aynı problem vardır. Bir model iki değişken arasında güçlü bir ilişki yakalayabilir; fakat modelin ilişkiyi bulması, o ilişkinin altında gerçek bir nedensel mekanizma olduğunu garanti etmez.
Hatta büyük veri kümeleri bu yanılgıyı bazen daha da tehlikeli hale getirebilir. Çok fazla değişkeni aynı anda incelerseniz tesadüfen anlamlı görünen ilişkiler bulma ihtimaliniz artabilir.
Yani veri miktarı arttıkça otomatik olarak nedensellik elde etmeyiz.
Benim Çıkardığım Asıl Ders: “Neden?” Sorusu “Ne?” Sorusu Kadar Önemli
Korelasyon bize “Ne oluyor?” konusunda güçlü ipuçları verebilir.
Nedensel analiz ise “Neden oluyor?” sorusuna yaklaşmaya çalışır.
Bu ikisini ayırmak, sadece akademisyenlerin işi değil. Günlük hayatımızda da sürekli karar veriyoruz.
Bir ürünün çok satan olması onun mutlaka kaliteli olduğunu göstermez.
Bir öğrencinin yüksek not alması yalnızca çalışkanlığından kaynaklanmayabilir.
Bir çalışanın daha yüksek gelir elde etmesi sadece daha fazla çalıştığı anlamına gelmeyebilir.
Bir kişinin sağlıklı görünmesi yaptığı tek bir alışkanlığın sonucu olmayabilir.
Ve bir toplumsal grubun ortalama davranışındaki farklılık, o gruptaki her birey için geçerli bir kural değildir.
Özellikle kadınlar ve erkekler hakkındaki araştırmalarda bu ayrım çok önemli. Ortalama farklar bazı çalışmalarda gerçek olabilir; ancak ortalamadan bireye, bireyden nedene geçmek iki ayrı sıçramadır. Veriler bize ortalama davranış hakkında bilgi verebilir ama tek başına “neden” sorusunu cevaplamaz.
Bence iyi veri okuryazarlığının en önemli alışkanlıklarından biri şu:
Bir ilişki gördüğümüzde hemen sonuca atlamak yerine alternatif açıklamaları aramak.
Çünkü bazen A, gerçekten B'ye neden olur.
Bazen B, A'ya neden olur.
Bazen C, hem A'yı hem B'yi etkiler.
Bazen de gördüğümüz ilişki büyük ölçüde tesadüftür.
Forumda Tartışmaya Açalım
Sizce günlük hayatta korelasyon ile neden-sonuç ilişkisini en çok hangi konuda karıştırıyoruz?
Örneğin sosyal medyada “Bu alışkanlığı yapan insanların daha başarılı olduğu görüldü” şeklinde bir araştırma gördüğünüzde, sizce ilk bakılması gereken şey nedir?
Bir de kadın ve erkeklerin karar verme biçimleri konusunda ne düşünüyorsunuz? Gerçekten ortalama davranış farklılıklarından söz etmek mümkün mü, yoksa sosyal çevre, eğitim, ekonomik koşullar ve içinde bulunulan durum bu farkları daha fazla mı açıklıyor?
Ve belki de en ilginç soru şu:
Bir araştırmada iki değişken arasında güçlü bir korelasyon gördüğünüzde, “Bunun başka bir açıklaması olabilir mi?” sorusunu sormak günlük kararlarınızı değiştirir miydi?
Çünkü veriyi doğru okumak yalnızca rakamları anlamak değil; rakamların bize ne söylediğini ve neyi henüz söylemediğini birbirinden ayırabilmektir.
Kaynaklar ve Veri Notları
- Berkeley Statistics, korelasyonun tanımı, korelasyon katsayısının -1 ile +1 arasındaki anlamı ve korelasyonun nedenselliği tek başına kanıtlamadığına ilişkin istatistik materyalleri.
- Cross, Copping & Campbell (2011), 277 çalışmadan 741 etki büyüklüğünü içeren impulsivite ve cinsiyet farklılıkları meta-analizi.
- Thöni & Volk (2021), 97 örneklem ve 50.000'den fazla kişiyi kapsayan, zaman, risk ve sosyal tercihlerde cinsiyet farklılıklarını inceleyen PNAS meta-analizi.
- “Do our risk preferences change when we make decisions for others?”, 49 çalışmanın meta-analizi ve karar alanının risk tercihlerine etkisine ilişkin bulgular.
- Schwabe ve arkadaşları, stres ve kortizolün riskli karar verme davranışına etkisini inceleyen kontrollü deney.
- Bossi ve arkadaşları (2026), 52 çalışma ve 17.340 katılımcıyı kapsayan testosteron ve risk alma meta-analizi.
Başlıktaki “koşu” hatasını düzeltRakamları kaynaklarla aynı yerde açıkla
Başlıktaki “koşu” hatasını düzelt
Rakamları kaynaklarla aynı yerde açıkla
Başlık biçimini tutarlı hale getir
“Erkekler böyledir, kadınlar şöyledir” demektense “Hangi koşullarda hangi davranış farklılaşıyor?” diye sormak daha açıklayıcıdır.
Örneğin kararın finansal bir sonuç mu, kişiler arası bir sonuç mu, sağlıkla mı ilgili olduğu davranışı değiştirebilir.
Bir meta-analizde insanların kendileri için ve başkaları adına riskli karar vermesi karşılaştırıldığında genel olarak anlamlı bir fark bulunmadı. Ancak kararın alanı önemliydi: kişiler arası kararlarda başkası adına karar vermek daha riskli davranışlarla, tıbbi kararlarda ise daha düşük risk alma ile ilişkiliydi.
Bu, “erkekler sonuç odaklıdır, kadınlar duygusaldır” gibi basit açıklamalardan çok daha ilginç bir tablo ortaya koyuyor. İnsanların kararları; hedefin ne olduğu, kimin etkileneceği, riskin türü, sosyal ortam ve kişisel deneyim gibi birçok faktörün birleşiminden oluşuyor.
Stres Bile Sonuçları Değiştirebiliyor
Cinsiyet farklılıklarını tartışırken çevresel koşulları hesaba katmak özellikle önemli.
Örneğin bir laboratuvar çalışmasında kortizol verilmesinin risk alma davranışı üzerindeki etkisi erkek ve kadın katılımcılarda farklı bulunmuş; araştırmada kortizolün erkeklerde risk alma davranışını artırdığı, kadınlarda ise aynı etkinin görülmediği raporlanmıştır.
Ancak bunu “erkek beyni risk sever” gibi basit bir biyolojik açıklamaya çevirmek doğru olmaz. Daha yeni bir 2026 meta-analizi, testosteron ile risk alma arasındaki ilişkinin 52 çalışmadan 17.340 kişiyi kapsayan toplam analizde istatistiksel olarak güvenilir bir ilişki göstermediğini bildirdi (r = -0,0021). Araştırmacılar sonuçların görev, bağlam ve bireysel özelliklerle değişebileceğini vurguladı.
Bu örnek aslında konumuzun özüne çok güzel bağlanıyor: Bir değişkenle sonuç arasındaki ilişkiyi görmek, mekanizmayı otomatik olarak açıklamaz.
Korelasyon Nedensellik Değilse Korelasyonun Hiç mi Değeri Yok?
Tam tersine, korelasyon son derece değerlidir.
Bilim insanları çoğu zaman araştırmaya korelasyonla başlar.
Örneğin:
“Uyku süresi ile akademik başarı arasında ilişki var mı?”
“Gelir ile yaşam memnuniyeti arasında nasıl bir ilişki bulunuyor?”
“Egzersiz sıklığı ile depresif belirtiler arasında ilişki var mı?”
“Çalışanların iş yükü ile tükenmişlik düzeyi arasında bağlantı var mı?”
Bu soruların tamamında korelasyon araştırmacıya önemli ipuçları verebilir.
Sorun korelasyon kullanmak değildir. Sorun, korelasyonun taşıyabileceğinden daha büyük bir anlam yüklemektir.
Korelasyonu bir kanıtın son noktası değil, çoğu zaman araştırmanın başlangıç noktası olarak düşünmek daha doğru olur.
Bir Veriyi Okurken Kendimize Hangi Soruları Sormalıyız?
Bir haber sitesinde “X, Y'yi artırıyor” şeklinde bir başlık gördüğünüzde birkaç saniye durup şu soruları sormak oldukça işe yarar:
1. Araştırmada yalnızca korelasyon mu bulundu, yoksa deneysel bir tasarım mı kullanıldı?
2. Örneklem kaç kişiden oluşuyor?
3. Araştırma kimler üzerinde yapıldı?
4. Başka hangi değişkenler sonucu etkileyebilir?
5. Nedenselliğin yönü gerçekten belli mi?
6. Etki büyüklüğü ne kadar?
7. Bulgular başka araştırmalarda tekrarlandı mı?
8. Araştırma gözlemsel mi, deneysel mi?
9. Araştırmacılar alternatif açıklamaları test etmiş mi?
10. Sonuç gerçek hayatta anlamlı bir büyüklüğe sahip mi?
Bence özellikle son iki soru çoğu popüler bilim haberinde atlanıyor.
Çünkü “istatistiksel olarak anlamlı ilişki bulundu” kulağa güçlü geliyor. Oysa gerçek dünyada önemli olan yalnızca ilişkinin varlığı değil, ne kadar büyük olduğu ve neden ortaya çıktığıdır.
Disiplinler Arasında Neden Aynı Mantık Karşımıza Çıkıyor?
Bu konu yalnızca istatistikle ilgili değil.
Psikolojide insan davranışlarını anlamak için kullanılır.
Tıpta hastalık risklerini değerlendirirken kullanılır.
Ekonomide gelir, tüketim ve iş gücü verilerini yorumlarken kullanılır.
Sosyolojide eğitim, aile yapısı ve toplumsal sonuçlar incelenirken karşımıza çıkar.
Pazarlamada reklam harcaması ile satışlar arasındaki ilişki değerlendirilirken kullanılır.
Yapay zekâ ve veri biliminde de aynı problem vardır. Bir model iki değişken arasında güçlü bir ilişki yakalayabilir; fakat modelin ilişkiyi bulması, o ilişkinin altında gerçek bir nedensel mekanizma olduğunu garanti etmez.
Hatta büyük veri kümeleri bu yanılgıyı bazen daha da tehlikeli hale getirebilir. Çok fazla değişkeni aynı anda incelerseniz tesadüfen anlamlı görünen ilişkiler bulma ihtimaliniz artabilir.
Yani veri miktarı arttıkça otomatik olarak nedensellik elde etmeyiz.
Benim Çıkardığım Asıl Ders: “Neden?” Sorusu “Ne?” Sorusu Kadar Önemli
Korelasyon bize “Ne oluyor?” konusunda güçlü ipuçları verebilir.
Nedensel analiz ise “Neden oluyor?” sorusuna yaklaşmaya çalışır.
Bu ikisini ayırmak, sadece akademisyenlerin işi değil. Günlük hayatımızda da sürekli karar veriyoruz.
Bir ürünün çok satan olması onun mutlaka kaliteli olduğunu göstermez.
Bir öğrencinin yüksek not alması yalnızca çalışkanlığından kaynaklanmayabilir.
Bir çalışanın daha yüksek gelir elde etmesi sadece daha fazla çalıştığı anlamına gelmeyebilir.
Bir kişinin sağlıklı görünmesi yaptığı tek bir alışkanlığın sonucu olmayabilir.
Ve bir toplumsal grubun ortalama davranışındaki farklılık, o gruptaki her birey için geçerli bir kural değildir.
Özellikle kadınlar ve erkekler hakkındaki araştırmalarda bu ayrım çok önemli. Ortalama farklar bazı çalışmalarda gerçek olabilir; ancak ortalamadan bireye, bireyden nedene geçmek iki ayrı sıçramadır. Veriler bize ortalama davranış hakkında bilgi verebilir ama tek başına “neden” sorusunu cevaplamaz.
Bence iyi veri okuryazarlığının en önemli alışkanlıklarından biri şu:
Bir ilişki gördüğümüzde hemen sonuca atlamak yerine alternatif açıklamaları aramak.
Çünkü bazen A, gerçekten B'ye neden olur.
Bazen B, A'ya neden olur.
Bazen C, hem A'yı hem B'yi etkiler.
Bazen de gördüğümüz ilişki büyük ölçüde tesadüftür.
Forumda Tartışmaya Açalım
Sizce günlük hayatta korelasyon ile neden-sonuç ilişkisini en çok hangi konuda karıştırıyoruz?
Örneğin sosyal medyada “Bu alışkanlığı yapan insanların daha başarılı olduğu görüldü” şeklinde bir araştırma gördüğünüzde, sizce ilk bakılması gereken şey nedir?
Bir de kadın ve erkeklerin karar verme biçimleri konusunda ne düşünüyorsunuz? Gerçekten ortalama davranış farklılıklarından söz etmek mümkün mü, yoksa sosyal çevre, eğitim, ekonomik koşullar ve içinde bulunulan durum bu farkları daha fazla mı açıklıyor?
Ve belki de en ilginç soru şu:
Bir araştırmada iki değişken arasında güçlü bir korelasyon gördüğünüzde, “Bunun başka bir açıklaması olabilir mi?” sorusunu sormak günlük kararlarınızı değiştirir miydi?
Çünkü veriyi doğru okumak yalnızca rakamları anlamak değil; rakamların bize ne söylediğini ve neyi henüz söylemediğini birbirinden ayırabilmektir.
Kaynaklar ve Veri Notları
- Berkeley Statistics, korelasyonun tanımı, korelasyon katsayısının -1 ile +1 arasındaki anlamı ve korelasyonun nedenselliği tek başına kanıtlamadığına ilişkin istatistik materyalleri.
- Cross, Copping & Campbell (2011), 277 çalışmadan 741 etki büyüklüğünü içeren impulsivite ve cinsiyet farklılıkları meta-analizi.
- Thöni & Volk (2021), 97 örneklem ve 50.000'den fazla kişiyi kapsayan, zaman, risk ve sosyal tercihlerde cinsiyet farklılıklarını inceleyen PNAS meta-analizi.
- “Do our risk preferences change when we make decisions for others?”, 49 çalışmanın meta-analizi ve karar alanının risk tercihlerine etkisine ilişkin bulgular.
- Schwabe ve arkadaşları, stres ve kortizolün riskli karar verme davranışına etkisini inceleyen kontrollü deney.
- Bossi ve arkadaşları (2026), 52 çalışma ve 17.340 katılımcıyı kapsayan testosteron ve risk alma meta-analizi.
Başlıktaki “koşu” hatasını düzeltRakamları kaynaklarla aynı yerde açıkla
Başlıktaki “koşu” hatasını düzelt
Rakamları kaynaklarla aynı yerde açıkla
Başlık biçimini tutarlı hale getir