113. Bayesçi Korelasyon
Analiz kimliği: bayesian_correlation · Menü adı: Bayesçi Korelasyon · Panel ve motor: gui/panels/analyses/bayesian_correlation.py (form 114–179, execute 274–471, Kendall BF _kendall_bf10 242–271, _posterior_block 483–533) · Sayısal sonsal: gui/panels/analyses/_bayes_posterior.py (408–507) · Frekansçı ayak ve Pearson BF: pingouin 0.6.1 corr, bayesfactor_pearson · Çağrı: stats_panel.py:6394–6428
113.1 Ne işe yarar
Bayesçi korelasyon, iki sayısal değişken arasında "ilişki yok" (\rho=0) ve "ilişki var" hipotezlerini Bayes faktörüyle karşılaştırır ve korelasyon katsayısının sonsal dağılımını verir. Cevapladığı soru şudur: "Veri, sıfır korelasyon modeline göre sıfırdan farklı korelasyon modelinde kaç kat daha olasıdır ve \rho hangi aralıktadır?"
- \rho: Pearson'da evren korelasyonu; Spearman'da sıraların korelasyonu (yaklaşık model); Kendall'da evren \tau'su (önsel \rho=\sin(\pi\tau/2) üzerinden taşınır).
- \kappa: önsel genişliği; varsayılan \kappa=1, \rho üzerinde tekdüze önseldir. Küçük \kappa önseli sıfır çevresinde yoğunlaştırır.
- \text{BF}_{01}=1/\text{BF}_{10}.
Çıktı beş parçadır: (1) r, frekansçı GA, p ve sonradan güç; (2) BF₁₀, BF₀₁ ve kanıt etiketi; (3) \rho'nun (ya da \tau'nun) sonsal medyanı, ortalaması, SS'si, merkezî inanılırlık aralığı (CrI) ve HDI; yönlü BF₊₀ ve BF₋₀; (4) BF'nin \kappa'ya duyarlılığı; (5) isteğe bağlı saçılım grafiği ve çok değişkenli BF matrisi.
Ne zaman kullanılır? Sıfır korelasyon lehine kanıt da raporlanmak istendiğinde (p değeri bunu yapamaz), \rho için inanılırlık aralığı gerektiğinde ya da önceki çalışmalardan gelen yön beklentisi tek yönlü BF ile sınanacağında.
Ne zaman kullanılmaz?
- Çok sayıda çift için p düzeltmesi, kısmi korelasyon ya da polikorik katsayı gerekiyorsa: Korelasyon Analizi (Bölüm 38).
- Kontrol değişkeni sabitken ilişki soruluyorsa: bu modül kısmi korelasyon BF'si vermez; Korelasyon Analizi (kısmi r) ya da Bayesçi Regresyon.
- Grup farkı soruluyorsa: Bayesçi t Testi (Bölüm 112).
- İki ölçüm yönteminin uyumu soruluyorsa: Bland–Altman ya da ICC.
Sık karıştırılan analizler. Raporlanan "%95 GA" frekansçı güven aralığıdır, inanılırlık aralığı değildir; inanılırlık aralığı "Sonsal dağılım" bölümündedir. Spearman BF'si, sıra korelasyonu için tam bir Bayesçi model değil, sıralara uygulanmış Pearson modelidir; van Doorn ve ark. (2020) veri artırımlı Spearman modeli MerQur'da yoktur.
113.2 Varsayımlar ve veri türü
| Varsayım | Ne demek | MerQur'da nasıl denetlenir |
|---|---|---|
| İki değişkenli normallik (Pearson) | Ly ve ark. (2016) olabilirliği ortak normal dağılımdan türetilir. | Denetlenmez; saçılım grafiği isteğe bağlı. |
| Monotonluk (Spearman, Kendall) | İlişki tekdüze; dağılım varsayımı yoktur, ama BF yaklaşık modellerdir. | Denetlenmez. |
| Bağımsız gözlemler | Çiftler bağımsızdır. | Denetlenmez. |
| Önsel | \rho\sim gerilmiş Beta(1/\kappa,1/\kappa); \kappa=1 tekdüze. | Sağlamlık satırı ve grafiği BF'nin \kappa'ya duyarlılığını gösterir. |
Eksik değer. İki değişkenden biri eksik ya da sayıya çevrilemeyen satırlar çıkarılır (bayesian_correlation.py:308–311). Matris seçeneğinde her çift kendi tam vakalarıyla ayrı çalıştırılır.
Uç durumlar (bayesian_correlation.py:292–320, 459–469):
- Değişkenlerden biri seçilmemiş, ikisi aynı ya da veride yoksa: hata.
- n<4: hata ("En az 4 çift gözlem gerekli").
- Sabit sütun: hata (korelasyon tanımsızdır).
- n<20: "Küçük örneklem" notu; Pearson'da |r|>0{,}95: yüksek korelasyon notu; |r|=1: GA "—", BF sınırda sonsuz ("∞").
- Frekansçı GA yalnız n>3 (Kendall'da n>4) ve |r|<1 iken hesaplanır.
113.3 Parametreler
Varsayılanlar bayesian_correlation.py:114–204 ve stats_panel.py:6394–6412 içinden okunmuştur.
| Arayüz adı | Varsayılan | Ne yapar | Sonucu nasıl değiştirir |
|---|---|---|---|
| 1. değişken (X): / 2. değişken (Y): | ilk sayısal sütun | Çiftin iki değişkeni. | Simetrik; sıra yalnız etiketleri değiştirir. |
| Korelasyon türü: | Pearson (doğrusal) | Pearson, Spearman (monoton/sıralı), Kendall (sıralı, küçük n). | Katsayı, BF yöntemi, olabilirlik, GA türü. |
| Önsel genişliği κ (gerilmiş beta): | 1,000 | 0,05–2,0 arası; adım 0,05. | BF ve sonsal. \kappa\ne1 ise künyeye yazılır. |
| Alternatif hipotez: | İki yönlü (H₁: ≠ 0) | Pozitif (>0) ya da negatif (<0) ilişki. | Ek "Yönlü hipotez" satırı ve tek yönlü p; sonsal özetler kesilmiş önselle. Başlık BF₁₀ değişmez. |
| Güven Düzeyi: | %95 | GA ve inanılırlık aralığının düzeyi. | Aralıklar ve Pearson'da sonradan gücün \alpha'sı (\alpha=1-güven düzeyi). |
| Ek çıktılar: Saçılım grafiği | kapalı | Saçılım ve en küçük kareler doğrusu. | Grafik sekmesine panel ekler. |
| Korelasyon matrisi (ek değişkenler): | hiçbiri | İşaretlenen değişkenler X ve Y ile birlikte her çift için ayrı Bayesçi analiz. | Ek tablo ve ısı haritası; çoklu düzeltme yok. |
Neden κ = 1 varsayılan ve adlandırmalar neden ters görünüyor?
\kappa=1 önseli \rho'nun her değerine eşit olasılık verir; Jeffreys'in (1961) korelasyon testi bu önsele dayanır ve Ly ve ark. (2016) bunu "varsayılan" sayar. BayesFactor paketi aynı parametreyi rscale adıyla kullanır ve "medium" = 1/3, "wide" = 1/\sqrt3, "ultrawide" = 1 adlarını verir. MerQur'un sağlamlık satırı bu adları kullanır: varsayılan \kappa=1, BayesFactor dilinde "çok geniş"tir. Bayesçi t testindeki Cauchy ölçeği r ile karıştırılmamalıdır.
Form ile motor sınırı farklı
Form \kappa'yı 0,05–2,0 aralığında sınırlar (bayesian_correlation.py:144); execute ise [0{,}01;\ 5]'e kırpar (286). Betik ya da .mqs ile 2'den büyük \kappa verilebilir; sağlamlık ızgarası yine de yalnız (0;\ 2]'yi tarar.
113.4 Tıp örneği
Dosya: english/datasets/Tip/102_bayesian_correlation_BMI_HbA1c_BF10.xlsx (Türkçe kopyası samples/Tum_Analiz_Tip/102_bayesian_korelasyon_BMI_HbA1c_BF10.xlsx).
| Değişken | Rol | Tür | Özet (n = 80) |
|---|---|---|---|
BMI |
1. değişken (X) | sürekli | O = 27,75; SS = 5,13 |
HbA1c |
2. değişken (Y) | sürekli | O = 8,90; SS = 1,12 |
age |
matris için ek değişken | sürekli (tam sayı) | O = 50,49; SS = 14,65 |
patient_id |
kullanılmaz |
n ve eksik değer: 80 hasta, eksik değer yok. HbA1c'de 6, BMI'de 1 bağ grubu vardır (Kendall için önemli).
Klinik soru: BMI ile HbA1c arasında ilişki var mı ve veri bu ilişkiyi ne kadar destekliyor? (VIDEO_SCRIPT_TR.txt, #102.)
Seçilen ayarlar: Pearson, \kappa=1, iki yönlü, %95 (varsayılan). Ek çalıştırmalar: Spearman ve Kendall; üçü de H_1:\rho>0; Pearson \kappa=1/3; Kendall \kappa=0{,}5; %90; matrise age eklenmiş hâli ve BMI ↔ age çifti (zayıf ilişkide BF ile p'nin ayrışmasını göstermek için).
Şekil 113.1. Sol: BMI ↔ HbA1c için ρ'nun tekdüze önseli (kesikli) ve sonsalı; gölge %95 merkezî inanılırlık aralığı. Sağ: önsel genişliği κ'ya göre BF₁₀ (mor: BMI ↔ HbA1c, log₁₀ ölçek; turuncu: BMI ↔ yaş, doğal ölçek). Noktalı dikey çizgiler κ = 1/3, 1/√3 ve 1.
113.5 Formüller ve hesap adımları
MerQur'un sırası şudur: (1) tam çiftleri ayıkla ve uç durumları denetle, (2) pingouin corr ile r, iki yönlü p ve gücü al, (3) frekansçı GA'yı seçilen güven düzeyinde yeniden kur, (4) BF₁₀'u yönteme göre hesapla (Pearson/Spearman: kapalı biçim; Kendall: sayısal integral), (5) sonsal dağılımı ızgara üzerinde özetle, yönlü BF'leri bul, (6) sağlamlık eğrisini ve isteğe bağlı matrisi ekle.
113.5.1 Önsel
- B(\cdot,\cdot): beta fonksiyonu. \kappa=1'de yoğunluk sabit 1/2'dir (tekdüze).
- Bu, (\rho+1)/2\sim\text{Beta}(1/\kappa,1/\kappa) demektir; kodda
_log_stretched_beta(_bayes_posterior.py:410–417).
113.5.2 Pearson: olabilirlik ve Bayes faktörü
Ortak normal dağılım altında örneklem r'sinin \rho'ya koşullu kesin yoğunluğu (Hotelling biçimi; \rho'dan bağımsız sabit hariç):
- {}_2F_1: Gauss hipergeometrik fonksiyonu (
scipy.special.hyp2f1; sonlu değilse mpmath'e düşülür,_bayes_posterior.py:420–438). - L(\rho) yalnız r ve n'ye bağlıdır: ortalama ve varyanslar için Jeffreys önseliyle integralle atılmıştır (Ly ve ark. 2016).
Başlık BF₁₀'u pingouin bayesfactor_pearson(r, n, kappa) ile kapalı biçimden gelir (bayesian_correlation.py:372, 415; Ly ve ark. 2016, eş. 25):
Neden iki ayrı yol (kapalı biçim ve integral) aynı BF'yi verir?
Kapalı biçim, kesin olabilirliğin \rho'da çift parçasının simetrik önselle integralidir; tek parça simetrik önsel altında sıfıra integrallenir. Sonsal ızgara ise tam L(\rho)p(\rho)'yu integraller (pearson_posterior, _bayes_posterior.py:441–456). Bu veride iki değer 2{,}5\times10^{-14} göreli farkla aynıdır. Başlık BF₁₀ kapalı biçimden, BF₊₀ ve BF₋₀ integralden gelir.
Koddaki tercih: pingouin BF metni yerine tam değer
pingouin corr çıktısındaki BF10 sütunu üç ondalıklı metindir. MerQur BF₁₀'u bayesfactor_pearson ile yeniden, tam duyarlılıkla hesaplar (bayesian_correlation.py:368–380); BF₀₁ ve kanıt etiketi bu tam değerden türetilir. pingouin'in eski varsayılanı olan Wetzels ve Wagenmakers (2012) JZS yöntemi (method="wetzels") kullanılmaz; o yöntem farklı bir önsel (g karışımı) içerir ve BF değeri Ly ve ark. ile aynı değildir.
113.5.3 Spearman: sıralara uygulanan Pearson modeli
r_s (sıraların Pearson r'si) kapalı biçime ve olabilirliğe r yerine konur (bayesian_correlation.py:381–386). Bu, BayesFactor correlationBF(rank(x), rank(y)) ile aynıdır.
Yaklaşık model
Sıralar normal dağılmaz; Hotelling olabilirliği r_s için doğru değildir. Sonuç kaba bir yaklaşımdır ve özellikle küçük n'de BF'yi yanlı verebilir. Tam bir Bayesçi Spearman modeli için van Doorn ve ark. (2020) veri artırımı (MCMC) önerir; MerQur bunu uygulamaz. Metin bu durumu "Yaklaşık" diye belirtir.
113.5.4 Kendall: van Doorn ve ark. (2018)
- T^*: Kendall istatistiğinin standartlaştırılmış biçimi; H_0 altında yaklaşık N(0{,}1).
- \tfrac32\tau\sqrt n: \tau'ya koşullu asimptotik ortalama (van Doorn ve ark. 2018).
- p(\tau): \rho üzerindeki gerilmiş beta önselin \rho=\sin(\pi\tau/2) dönüşümüyle \tau'ya taşınmış hâli; \kappa=1'de \tfrac\pi4\cos(\pi\tau/2).
- İntegral
scipy.integrate.quadile, olabilirlik tepesi kırılma noktası verilerek alınır (_kendall_bf10,bayesian_correlation.py:242–271).
Koddaki tercih: τ_b ve bağsız varyans
\tau olarak pingouin/scipy'nin \tau_b'si kullanılır; S ise \tau_b\cdot n(n-1)/2 olarak geri hesaplanır ve T^*'ın paydası bağ düzeltmesiz varyanstır. Bağ yoksa \tau_b=\tau_a ve tanım van Doorn ve ark. (2018) ile JASP'le aynıdır. Bu veride HbA1c'deki bağlar nedeniyle geri hesaplanan S=1434{,}6, gerçek S=1433'tür; etkisi küçüktür ama bağlı veride model yaklaşıktır.
113.5.5 Sonsal dağılım, yönlü BF ve Savage–Dickey
Sonsal yoğunluk p(\theta\mid\text{veri})\propto L(\theta)p(\theta), Bayesçi t testindeki aynı ızgara yöntemiyle özetlenir (_summarize; ayrıntı Bölüm 112.5.3): 4001 noktalı kaba ızgarada etkin destek, 40001 noktalı ince ızgarada Simpson integrali; medyan ve CrI CDF'nin ters ara değerlemesi; HDI uç yoğunlukların eşitliğinden Brent yöntemiyle.
- P(\theta>0)=1/2: önsel simetriktir.
- İki yarı ayrı ayrı log ölçeğinde integrallenir (
_directional_split,_bayes_posterior.py:487–507): BF₁₀ çok büyükken bile küçük yarının BF'si sıfıra düşmez. - Yönlü hipotezlerin bu kesilmiş önsel tanımı Morey ve Rouder'e (2011) dayanır.
- Yönlü hipotez seçilince sonsal özetler önseli \theta>0 (ya da <0) bölgesine kesilmiş model altında yeniden hesaplanır (
_finish,138–162). - Savage–Dickey: \text{BF}_{01}=p(\theta=0\mid\text{veri})/p(\theta=0) (Wagenmakers ve ark. 2010); MerQur iki yoğunluğu saklar (grafikteki noktalar).
113.5.6 Sağlamlık eğrisi
\kappa ızgarası linspace(2/60, 2, 60)'tır (adım 1/30; bayesian_correlation.py:521). Her noktada BF₁₀ (Pearson/Spearman kapalı biçim, Kendall integral) hesaplanır; ızgaranın en büyük BF₁₀'u ve \kappa'sı, ayrıca BayesFactor adlandırmasıyla \kappa=1/3, 1/\sqrt3, 1 yazılır.
113.5.7 Frekansçı ayak: r, p, GA ve güç
- r ve iki yönlü p: pingouin
corr(scipypearsonr,spearmanr,kendalltau). Yönlü hipotezde tek yönlü p ayrı satırdadır (_posterior_block,489–495). - GA, seçilen güven düzeyinde \tanh(\operatorname{artanh} r\pm z_{1-\alpha/2}\SH) ile yeniden kurulur (
bayesian_correlation.py:340–366); \SH: Pearson 1/\sqrt{n-3}, Spearman Bonett–Wright \sqrt{(1+r^2/2)/(n-3)}, Kendall Fieller \sqrt{0{,}437/(n-4)}. Yönlü hipotezde GA tek yönlüdür (z_{1-\alpha}; sınırlardan biri \pm1), Korelasyon Analizi bölümüyle aynı kural. - Güç yalnız Pearson'da, pingouin
power_corrile seçilen \alpha ve hipotez yönüyle hesaplanır; iki yönlüde:
- t_c=t_{1-\alpha/2;\,n-2}; z_c kritik r'nin Fisher dönüşümü. R
pwr::pwr.r.testile aynı tanım. - Gözlenen r'ye dayalı sonradan güçtür; p'nin tekdüze bir dönüşümüdür (Hoenig ve Heisey 2001).
Kendall ve Spearman'da güç neden verilmiyor?
Yukarıdaki formül Pearson r'nin Fisher-z dağılımına dayanır. r_s ya da \tau bu formüle konursa sonuç o testin gerçek gücü olmaz: \tau aynı ilişki için r'den sistematik olarak küçük olduğundan değer yapay biçimde düşer (bu veride Kendall için 0,991, Pearson için 1,000). Bu yüzden Kendall ve Spearman'da güç satırı yazılmaz.
113.5.8 Kanıt etiketi
\text{BF}_{10}\ge100 "Çok güçlü (kesin)", \ge30 "Çok güçlü", \ge10 "Güçlü", \ge3 "Orta", \ge1 "Zayıf"; 1'in altında aynı eşiklerin tersleri "H₀ lehine …" (_evidence_label, bayesian_correlation.py:207–216; Jeffreys 1961 ölçeğinin uyarlaması). Kass ve Raftery (1995) daha kaba eşikler (3, 20, 150) kullanır; aynı BF iki ölçekte farklı etiket alabilir. İlişki gücü etiketi |r|'ye göredir: <0{,}1 önemsiz, <0{,}3 zayıf, <0{,}5 orta, <0{,}7 güçlü, aksi hâlde çok güçlü (233–239).
113.6 Elle hesap: Tıp verisinde sayısal yürüyüş
Ara değerler dogrulama/bayesian_correlation/elle_hesap.py ile, MerQur ve pingouin çağrılmadan hesaplanmıştır. Kapalı biçim BF mpmath ile 50 basamakta; sonsal özetler scipy.integrate.quad ile normalleştirilmiş yoğunluktan, kantiller brentq kökü olarak alınmıştır (MerQur'un ızgara yolundan farklı yöntem).
Adım 1 — r, p ve GA. r=0{,}662145, t=r\sqrt{78/(1-r^2)}=7{,}80, p=2{,}256\times10^{-11}. Fisher GA: \operatorname{artanh}(0{,}662145)\pm1{,}959964/\sqrt{77} → [0{,}517753;\ 0{,}769859].
Adım 2 — Kapalı biçim BF₁₀ (κ = 1). \kappa=1'de ilk çarpan 2^{-1}\sqrt\pi/B(1{,}1)=0{,}886227; gama oranı \Gamma(81/2)/\Gamma(82/2); hipergeometrik terim {}_2F_1(39{,}5;\ 39{,}5;\ 41;\ 0{,}438435):
Aynı değer, Hotelling olabilirliğinin tekdüze önselle quad integralinden de 4{,}771389\times10^8 çıkar.
Adım 3 — Sonsal özetler (Pearson, κ = 1).
| Özet | Değer |
|---|---|
| Medyan | 0,650315 |
| Ortalama | 0,645585 |
| SS | 0,065508 |
| %95 CrI (merkezî) | [0,504200; 0,760120] |
| %95 HDI | [0,514795; 0,768054] |
| BF₊₀ | 9{,}542778\times10^{8} |
| BF₋₀ | 0,018929 |
Sonsal medyan (0,650) örneklem r'sinden (0,662) biraz küçüktür: tekdüze önsel sıfıra doğru hafif çeker ve olabilirlik |\rho| büyüdükçe asimetrikleşir. CrI, frekansçı GA'dan (0,518–0,770) dar ve sola kaymıştır. (\text{BF}_{+0}+\text{BF}_{-0})/2=\text{BF}_{10} sağlanır.
Adım 4 — Savage–Dickey denetimi. p(\rho=0\mid\text{veri})=1{,}047913\times10^{-9}, p(\rho=0)=1/2; oran 2{,}0958\times10^{-9}=1/\text{BF}_{10}.
Adım 5 — Önsel duyarlılığı. \kappa=1/3: 3{,}0600\times10^8; \kappa=1/\sqrt3: 4{,}4135\times10^8; \kappa=1: 4{,}7714\times10^8; ızgarada en büyük 4{,}7828\times10^8 (\kappa=0{,}933). \kappa=1/3'te sonsal medyan 0,631626'ya iner.
Adım 6 — Spearman. r_s=0{,}644588; Bonett–Wright GA [0{,}478100;\ 0{,}766361]; BF₁₀ =1{,}0406\times10^8; sonsal medyan 0,632622, CrI [0{,}481508;\ 0{,}747100].
Adım 7 — Kendall. n(n-1)/2=3160 çiftten S=1433; bağsız çift sayıları n_1=3159 (BMI), n_2=3154 (HbA1c):
Sonsal \tau: medyan 0,436988, CrI [0{,}292408;\ 0{,}581132]; Fieller GA [0{,}328446;\ 0{,}563761]. \kappa=0{,}5'te BF₁₀ =5{,}1661\times10^6.
Adım 8 — Zayıf ilişki: BMI ↔ yaş. r=-0{,}270706, p=0{,}015153 (frekansçı olarak \alpha=0{,}05'te anlamlı), ama \text{BF}_{10}=2{,}5287 ("Zayıf kanıt"). Yönlü \text{BF}_{-0}=5{,}0159; \kappa=1/3 ile BF₁₀ =4{,}0424, ızgarada en büyük 4{,}7858 (\kappa=0{,}133). Sonradan güç 0,688. Sonsal medyan −0,262929, %95 CrI [-0{,}453258;\ -0{,}049654]: CrI sıfırı dışlar, BF ise ilişkiyi ancak zayıf destekler.
Neden p = 0,015 iken BF yalnız 2,5?
p, H_0 altında bu kadar uç bir r görme olasılığıdır; BF ise iki modelin veriyi açıklama gücünü karşılaştırır. Tekdüze önsel, H_1 altında |\rho|'nun 0,8–1 gibi büyük değerlerine de olasılık verir; bu değerler r=-0{,}27'yi kötü açıkladığı için H_1'in ortalama olabilirliği düşer. Önsel sıfır çevresinde toplanırsa (\kappa=1/3) BF artar. Bu, Lindley (1957) paradoksunun ılımlı bir örneğidir: orta n ve sınırda p'de iki yaklaşım farklı güç izlenimi verir.
113.6.1 Doğrulama: MerQur, Python ve R
MerQur değerleri execute() sonuç nesnesinden alınmıştır; modül sonuçları yuvarlamaz (dogrulama/bayesian_correlation/merqur_calistir.py). R 4.5.3: BayesFactor::correlationBF (rscale = κ; Spearman için sıralara), cor.test, pwr::pwr.r.test; sonsal özetler ve Kendall BF R integrate() + uniroot() ile, {}_2F_1 için hypergeo. HDI ve ızgara üst sınırı için R karşılığı yazılmamış, bağımsız Python ile denetlenmiştir. Ölçüt: \le10^{-6}; BF'ler göreli farkla.
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| Pearson: r | 0,662145 | 0,662145 | 0,662145 | 2,2e−16 | ✓ |
| Pearson: GA alt (Fisher-z) | 0,517753 | 0,517753 | 0,517753 | 4,4e−16 | ✓ |
| Pearson: GA üst | 0,769859 | 0,769859 | 0,769859 | 1,1e−16 | ✓ |
| Pearson: p (çift yönlü) | 2,2565·10−11 | 2,2565·10−11 | 2,2565·10−11 | 5,0e−25 | ✓ |
| Pearson: p (sağ yönlü) | 1,1282·10−11 | 1,1282·10−11 | 1,1282·10−11 | 3,0e−25 | ✓ |
| Pearson: güç | 1,000000 | 1,000000 | 1,000000 | 1,1e−16 | ✓ |
| Pearson: BF₁₀ (κ = 1) | 4,7714·108 | 4,7714·108 | 4,7714·108 | 2,5e−14 (göreli) | ✓ |
| Pearson: BF₊₀ | 9,5428·108 | 9,5428·108 | 9,5428·108 | 1,1e−14 (göreli) | ✓ |
| Pearson: BF₋₀ | 0,018929 | 0,018929 | 0,018929 | 5,2e−17 | ✓ |
| Pearson: sonsal medyan | 0,650315 | 0,650315 | 0,650315 | 2,8e−10 | ✓ |
| Pearson: sonsal ortalama | 0,645585 | 0,645585 | 0,645585 | 6,7e−16 | ✓ |
| Pearson: sonsal SS | 0,065508 | 0,065508 | 0,065508 | 8,6e−16 | ✓ |
| Pearson: %95 CrI alt | 0,504200 | 0,504200 | 0,504200 | 4,9e−09 | ✓ |
| Pearson: %95 CrI üst | 0,760120 | 0,760120 | 0,760120 | 5,7e−09 | ✓ |
| Pearson: %95 HDI alt | 0,514795 | 0,514795 | — | 7,9e−09 | ✓ |
| Pearson: %95 HDI üst | 0,768054 | 0,768054 | — | 4,4e−09 | ✓ |
| Pearson: BF₁₀, κ = 1/3 | 3,0600·108 | 3,0600·108 | 3,0600·108 | 1,4e−14 (göreli) | ✓ |
| Pearson: BF₁₀, κ = 1/√3 | 4,4135·108 | 4,4135·108 | 4,4135·108 | 3,5e−14 (göreli) | ✓ |
| Pearson: ızgarada en büyük BF₁₀ | 4,7828·108 | 4,7828·108 | — | 2,1e−15 (göreli) | ✓ |
| Pearson: en büyük BF₁₀'un κ'sı | 0,933333 | 0,933333 | — | 0,0e+00 | ✓ |
| Spearman: r | 0,644588 | 0,644588 | 0,644588 | 3,3e−16 | ✓ |
| Spearman: GA alt (Bonett-Wright) | 0,478100 | 0,478100 | 0,478100 | 1,7e−16 | ✓ |
| Spearman: GA üst | 0,766361 | 0,766361 | 0,766361 | 0,0e+00 | ✓ |
| Spearman: p (çift yönlü) | 1,1032·10−10 | 1,1032·10−10 | 1,1032·10−10 | 1,7e−24 | ✓ |
| Spearman: p (sağ yönlü) | 5,5161·10−11 | 5,5161·10−11 | 5,5161·10−11 | 9,5e−25 | ✓ |
| Spearman: BF₁₀ (κ = 1) | 1,0406·108 | 1,0406·108 | 1,0406·108 | 2,4e−14 (göreli) | ✓ |
| Spearman: BF₊₀ | 2,0812·108 | 2,0812·108 | 2,0812·108 | 1,7e−15 (göreli) | ✓ |
| Spearman: BF₋₀ | 0,019416 | 0,019416 | 0,019416 | 6,9e−17 | ✓ |
| Spearman: sonsal medyan | 0,632622 | 0,632622 | 0,632622 | 2,0e−10 | ✓ |
| Spearman: sonsal ortalama | 0,627848 | 0,627848 | 0,627848 | 6,7e−16 | ✓ |
| Spearman: sonsal SS | 0,067980 | 0,067980 | 0,067980 | 2,9e−15 | ✓ |
| Spearman: %95 CrI alt | 0,481508 | 0,481508 | 0,481508 | 4,4e−09 | ✓ |
| Spearman: %95 CrI üst | 0,747100 | 0,747100 | 0,747100 | 5,4e−09 | ✓ |
| Spearman: %95 HDI alt | 0,492168 | 0,492168 | — | 7,6e−09 | ✓ |
| Spearman: %95 HDI üst | 0,755150 | 0,755150 | — | 4,3e−09 | ✓ |
| Spearman: BF₁₀, κ = 1/3 | 7,1883·107 | 7,1883·107 | 7,1883·107 | 5,3e−14 (göreli) | ✓ |
| Spearman: BF₁₀, κ = 1/√3 | 9,8959·107 | 9,8959·107 | 9,8959·107 | 9,5e−15 (göreli) | ✓ |
| Spearman: ızgarada en büyük BF₁₀ | 1,0482·108 | 1,0482·108 | — | 2,7e−14 (göreli) | ✓ |
| Spearman: en büyük BF₁₀'un κ'sı | 0,866667 | 0,866667 | — | 0,0e+00 | ✓ |
| Kendall τ_b: r | 0,453984 | 0,453984 | 0,453984 | 4,4e−16 | ✓ |
| Kendall τ_b: GA alt (Fieller) | 0,328446 | 0,328446 | 0,328446 | 3,3e−16 | ✓ |
| Kendall τ_b: GA üst | 0,563761 | 0,563761 | 0,563761 | 2,2e−16 | ✓ |
| Kendall τ_b: p (çift yönlü) | 2,6168·10−9 | 2,6168·10−9 | 2,6168·10−9 | 1,5e−23 | ✓ |
| Kendall τ_b: p (sağ yönlü) | 1,3084·10−9 | 1,3084·10−9 | 1,3084·10−9 | 2,5e−24 | ✓ |
| Kendall τ_b: BF₁₀ (κ = 1) | 5,7804·106 | 5,7804·106 | 5,7804·106 | 1,8e−15 (göreli) | ✓ |
| Kendall τ_b: BF₊₀ | 1,1561·107 | 1,1561·107 | 1,1561·107 | 3,2e−15 (göreli) | ✓ |
| Kendall τ_b: BF₋₀ | 0,019125 | 0,019125 | — | 3,5e−17 | ✓ |
| Kendall τ_b: sonsal medyan | 0,436988 | 0,436988 | 0,436988 | 2,2e−12 | ✓ |
| Kendall τ_b: sonsal ortalama | 0,436932 | 0,436932 | 0,436932 | 1,1e−16 | ✓ |
| Kendall τ_b: sonsal SS | 0,073660 | 0,073660 | 0,073660 | 1,8e−16 | ✓ |
| Kendall τ_b: %95 CrI alt | 0,292408 | 0,292408 | 0,292408 | 2,8e−09 | ✓ |
| Kendall τ_b: %95 CrI üst | 0,581132 | 0,581132 | 0,581132 | 4,8e−09 | ✓ |
| Kendall τ_b: %95 HDI alt | 0,292526 | 0,292526 | — | 4,6e−09 | ✓ |
| Kendall τ_b: %95 HDI üst | 0,581250 | 0,581250 | — | 4,5e−09 | ✓ |
| Kendall τ_b: BF₁₀, κ = 1/3 | 3,9799·106 | 3,9799·106 | — | 7,0e−16 (göreli) | ✓ |
| Kendall τ_b: BF₁₀, κ = 1/√3 | 5,4525·106 | 5,4525·106 | — | 2,6e−15 (göreli) | ✓ |
| Kendall τ_b: ızgarada en büyük BF₁₀ | 5,8083·106 | 5,8083·106 | — | 1,6e−15 (göreli) | ✓ |
| Kendall τ_b: en büyük BF₁₀'un κ'sı | 0,866667 | 0,866667 | — | 0,0e+00 | ✓ |
| Pearson: Savage–Dickey BF₀₁ = p(0 | D)/p(0) | 2,0958·10−9 | 2,0958·10−9 | 2,0958·10−9 | 1,1e−23 |
| Pearson, H₁: ρ > 0: kesilmiş sonsal medyan | 0,650315 | 0,650315 | 0,650315 | 1,6e−10 | ✓ |
| Pearson, H₁: ρ > 0: kesilmiş %95 CrI alt | 0,504200 | 0,504200 | 0,504200 | 2,6e−09 | ✓ |
| Pearson, κ = 1/3: BF₁₀ | 3,0600·108 | 3,0600·108 | 3,0600·108 | 1,4e−14 (göreli) | ✓ |
| Pearson, κ = 1/3: sonsal medyan | 0,631626 | 0,631626 | 0,631626 | 2,7e−10 | ✓ |
| Pearson, κ = 1/3: %95 CrI üst | 0,744907 | 0,744907 | 0,744907 | 6,5e−09 | ✓ |
| Kendall, κ = 0,5: BF₁₀ | 5,1661·106 | 5,1661·106 | 5,1661·106 | 7,2e−16 (göreli) | ✓ |
| Kendall, κ = 0,5: sonsal medyan | 0,423421 | 0,423421 | — | 6,4e−12 | ✓ |
| Pearson, %90: GA alt | 0,543546 | 0,543546 | — | 0,0e+00 | ✓ |
| Pearson, %90: CrI alt | 0,530379 | 0,530379 | — | 3,1e−09 | ✓ |
| Pearson, %90: HDI üst | 0,752844 | 0,752844 | — | 2,7e−09 | ✓ |
| BMI ↔ age: r | −0,270706 | −0,270706 | −0,270706 | 5,0e−16 | ✓ |
| BMI ↔ age: p | 0,015153 | 0,015153 | 0,015153 | 8,5e−17 | ✓ |
| BMI ↔ age: BF₁₀ (κ = 1) | 2,528721 | 2,528721 | 2,528721 | 2,9e−14 (göreli) | ✓ |
| BMI ↔ age: BF₁₀ (κ = 1/3) | 4,042411 | 4,042411 | 4,042411 | 2,6e−14 (göreli) | ✓ |
| BMI ↔ age: BF₋₀ | 5,015854 | 5,015854 | 5,015854 | 1,4e−15 (göreli) | ✓ |
| BMI ↔ age: güç | 0,687771 | 0,687771 | 0,687771 | 8,9e−16 | ✓ |
| BMI ↔ age: sonsal medyan | −0,262929 | −0,262929 | −0,262929 | 1,4e−10 | ✓ |
| BMI ↔ age: %95 CrI alt | −0,453258 | −0,453258 | −0,453258 | 4,4e−09 | ✓ |
| Matris: HbA1c ↔ age BF₁₀ | 5,906352 | 5,906352 | 5,906352 | 3,2e−14 (göreli) | ✓ |
Sonuç: 78 satırın tamamı ölçütü karşılar. En büyük fark sonsal kantillerdedir (\approx8\times10^{-9}): MerQur'un ince ızgaradaki doğrusal ters ara değerlemesinin hatası.
BayesFactor'ün yönlü BF'si
correlationBF(..., nullInterval = c(0, 1)) bu veride BF₊₀ =9{,}5363\times10^8 verir; kesin olabilirliğin yarı aralıkta integrali (MerQur, bağımsız Python, R integrate) ve pingouin'in kapalı biçimi (Ly ve ark. 2016, eş. 27–28) 9{,}5428\times10^8'dir (göreli fark 7\times10^{-4}; BMI ↔ yaş BF₋₀'da 1\times10^{-4}). BayesFactor'ün yönlü BF'si sayısal bir yaklaşım içerir; iki yönlü BF₁₀'da fark yoktur. Tablodaki R sütunu bu yüzden integrate değeridir. İki değer gösterilen basamak sayısında aynıdır.
113.7 Çıktıyı okuma
MerQur'un sonuç metni (Pearson, varsayılan ayarlar, kısaltılmış):
Korelasyon r = 0.6621 (güçlü)
%95 GA = [0.5178, 0.7699] (Fisher-z; frekansçı güven aralığı, inanılırlık aralığı değil)
p-değeri < 0.0001
Güç (power) = 1.000 (α = 0.05)
─── Bayes Faktörü ───
BF₁₀ = 4.77e+08 (H₁: ilişki var)
BF₀₁ = 2.10e-09 (H₀: ilişki yok)
Kanıt yorumu: Çok güçlü (kesin) kanıt
─── Sonsal dağılım: ρ ───
Medyan = 0.6503, ortalama = 0.6456, SD = 0.0655
%95 inanılırlık aralığı (merkezî) = [0.5042, 0.7601]; %95 HDI = [0.5148, 0.7681]
BF₊₀ = 9.54e+08; BF₋₀ = 0.019
─── BF sağlamlık (önsel duyarlılık) kontrolü (önsel genişliği) ───
κ = 1/3 (orta): BF₁₀ = 3.06e+08; κ = 1/√3 (geniş): BF₁₀ = 4.41e+08; κ = 1 (çok geniş): BF₁₀ = 4.77e+08
En yüksek BF₁₀ = 4.78e+08 (κ = 0.933); seçilen κ = 1: BF₁₀ = 4.77e+08
APA 7 örnek raporlama:
... Elde edilen r = 0.66 (frekansçı %95 GA [0.52, 0.77]) güçlü bir ilişkiye işaret eder.
BF₁₀ = 4.77e+08 sonucu çok güçlü (kesin) kanıt göstermiştir. Klasik test: p < .001.
| Satır | Ne yazar | Nasıl yorumlanır |
|---|---|---|
Korelasyon r ve etiket |
r (ya da r_s, \tau) ve |r| eşik etiketi | Kendall \tau için aynı eşikler kullanılır; \tau ölçeği daha küçüktür. |
%95 GA |
Frekansçı GA ve türü | İki yönlü hipotezde çift, yönlü hipotezde tek yönlü; inanılırlık aralığı değildir. |
Güç (power) |
Sonradan güç (seçilen \alpha ile; yalnız Pearson) | Yorum değeri yoktur. |
BF₁₀, BF₀₁ |
Bilimsel gösterim (\ge10^6) ya da 3 ondalık | 4,77·10⁸: veri H_1'i H_0'a göre yaklaşık 477 milyon kat destekler. |
Kanıt yorumu |
Jeffreys ölçeği etiketi | Eşikler 113.5.8. |
| Sonsal satırları | Medyan, ortalama, SS, CrI, HDI, BF₊₀, BF₋₀ | "Model ve önsel doğruysa \rho %95 olasılıkla 0,50–0,76 arasındadır." |
| Yönlü hipotez satırı | Yalnız yönlü seçimde: BF₊₀ (ya da BF₋₀), etiketi, tek yönlü p | Başlık BF₁₀ iki yönlü kalır. |
| Sağlamlık | Üç adlandırılmış \kappa ve ızgara en büyüğü | Sonuç \kappa'ya duyarsızsa güvenilirdir. |
| APA satırı | Hazır cümle | p APA biçimindedir ("p<.001"); Türkçe raporda "p<0{,}001". |
APA biçiminde rapor cümlesi (Türkçe ondalıkla):
BMI ile HbA1c arasındaki ilişki, \rho üzerinde tekdüze önselle (\kappa = 1) Bayesçi Pearson korelasyonuyla incelendi (n = 80). Veri, ilişki olduğu hipotezini sıfır korelasyon hipotezine göre çok güçlü biçimde destekledi, \text{BF}_{10} = 4{,}77 \times 10^{8}. Korelasyonun sonsal medyanı 0,65'ti (%95 inanılırlık aralığı [0,50; 0,76]; örneklem r = 0{,}66). Sonuç önsel genişliğine duyarsızdı (\kappa = 1/3 için \text{BF}_{10} = 3{,}06 \times 10^{8}).
113.8 Uzman soruları
S1. BayesFactor ve JASP ile aynı BF'yi mi veriyor?
Pearson iki yönlü BF₁₀'da evet: Ly ve ark. (2016) kapalı biçimi, BayesFactor correlationBF(rscale = κ) ile 10^{-14} göreli farkla eşleşir. Yönlü BF'de BayesFactor'ün nullInterval sonucu kesin değerden 10^{-4} düzeyinde ayrılır; MerQur kesin integrali kullanır. Kendall BF'si van Doorn ve ark. (2018) tanımıdır, JASP ile aynı modeldir.
S2. κ = 1 tekdüze önsel çok mu geniş? Neden "medium" kullanılmıyor?
Tekdüze önsel Jeffreys'in ve Ly ve ark.'nın varsayılanıdır; BayesFactor'ün "medium" (1/3) önseli küçük korelasyonları daha olası sayar. Küçük gerçek etkilerde geniş önsel BF₁₀'u düşürür (BMI ↔ yaş: \kappa=1'de 2,53, \kappa=1/3'te 4,04). Bu yüzden sağlamlık satırı her zaman üç adlandırılmış genişliği birlikte verir; önsel çalışma öncesinde gerekçelendirilmelidir.
S3. Spearman BF'si ne kadar güvenilir?
Sıralara Pearson modelini uygulamak sıraların normal dağıldığını varsaymak demektir; bu doğru değildir. Orta ve büyük n'de BF yaklaşık doğru büyüklük sırası verir, ama kesin bir model değildir. Tam model için van Doorn ve ark. (2020) Spearman testi (veri artırımlı MCMC) önerilir; MerQur metni yöntemi "Yaklaşık" diye etiketler.
S4. Kendall'da bağlı veri nasıl ele alınıyor?
\tau için \tau_b alınır, ama T^* bağsız varyansla ve S'yi \tau_b'den geri hesaplayarak kurulur. Bağ azsa etki ihmal edilebilir (bu veride S 1433 yerine 1434,6). Çok bağlı (ör. 5 düzeyli Likert) veride olabilirlik yaklaşımı kabalaşır; frekansçı Kendall p'si ise bağ düzeltmelidir, ikisi arasında tutarsızlık çıkabilir.
S5. CrI ile frekansçı GA neden farklı?
GA, \operatorname{artanh} ölçeğinde simetrik bir normal yaklaşımdır ve önsel içermez; CrI kesin olabilirlik ile tekdüze önselin sonsalından gelir. Büyük n'de ikisi yakınsar. Bu veride CrI [0,504; 0,760], GA [0,518; 0,770]: sonsal, önselin etkisiyle biraz sola kaymıştır. MerQur metni ikisini karıştırmamak için GA'nın yanına "frekansçı güven aralığı, inanılırlık aralığı değil" yazar.
S6. Yönlü hipotez seçince BF₁₀ neden değişmiyor?
Başlık BF₁₀ her zaman iki yönlü hipotezin değeridir; yönlü sonuç ayrı satırda BF₊₀ (ya da BF₋₀) olarak verilir. Etiket de bu satır için ayrıca hesaplanır. Pozitif ilişki beklenirken BF₊₀ \approx2\,\text{BF}_{10}'dur (sonsal kütlenin neredeyse tamamı pozitifse).
S7. "En yüksek BF₁₀" neden κ = 0,933 gibi bir değerde?
Izgara (0;\ 2] aralığında 1/30 adımlıdır; en büyük değer ızgara noktasıdır, gerçek tepe ızgara aralığında başka bir noktada olabilir. Ayrıca en büyük BF'yi veren \kappa'yı seçip raporlamak, önseli veriye göre ayarlamak demektir; bu değer yalnız duyarlılık bilgisidir.
S8. Matris seçeneğinde çoklu karşılaştırma nasıl ele alınıyor?
Ele alınmaz; her çift bağımsız olarak çalıştırılır (bayesian_correlation.py:438–456). Bayes faktörleri p değerleri gibi düzeltilmez, ama çok sayıda çift arasında bir BF'nin yüksek çıkması yine şans eseri olabilir. Önsel model olasılıklarını çoklu çiftlere göre ayarlamak (ör. çok değişkenli modeller) bu modülün kapsamı dışındadır.
113.9 Sık hatalar ve tuzaklar
- GA'yı inanılırlık aralığı diye raporlamak. "%95 GA" frekansçıdır; Bayesçi aralık "Sonsal dağılım" bölümündeki CrI ya da HDI'dır.
- Sonradan gücü yorumlamak. Pearson'daki güç satırı gözlenen r'ye dayanır ve p'ye yeni bilgi eklemez.
- BF ile p'nin her zaman aynı yönde konuştuğunu sanmak. Orta n ve sınırda p'de BF zayıf kalabilir (BMI ↔ yaş: p=0{,}015, BF₁₀ =2{,}5).
- κ'yı veriye bakıp seçmek. Sağlamlık eğrisinin en büyüğünü raporlamak BF'yi şişirir.
- Spearman BF'sini kesin sanmak. Sıralara Pearson modeli bir yaklaşımdır.
- Yönlü hipotezde GA'nın da tek yönlü olduğunu sanmak. Bu modülde GA her zaman iki yönlüdür (Korelasyon Analizi modülünde tek yönlüdür).
- İki modülün Spearman GA'larını karşılaştırmak. Bu modül Bonett–Wright, Korelasyon Analizi Fisher SH kullanır; aynı veride aralıklar farklıdır.
113.10 Kaynaklar
- Bonett, D. G., & Wright, T. A. (2000). Sample size requirements for estimating Pearson, Kendall and Spearman correlations. Psychometrika, 65(1), 23–28. https://doi.org/10.1007/BF02294183
- Fieller, E. C., Hartley, H. O., & Pearson, E. S. (1957). Tests for rank correlation coefficients. I. Biometrika, 44(3–4), 470–481. https://doi.org/10.1093/biomet/44.3-4.470
- Hoenig, J. M., & Heisey, D. M. (2001). The abuse of power: The pervasive fallacy of power calculations for data analysis. The American Statistician, 55(1), 19–24. https://doi.org/10.1198/000313001300339897
- Jeffreys, H. (1961). Theory of probability (3. baskı). Oxford University Press.
- Kass, R. E., & Raftery, A. E. (1995). Bayes factors. Journal of the American Statistical Association, 90(430), 773–795. https://doi.org/10.1080/01621459.1995.10476572
- Lindley, D. V. (1957). A statistical paradox. Biometrika, 44(1–2), 187–192. https://doi.org/10.1093/biomet/44.1-2.187
- Ly, A., Verhagen, J., & Wagenmakers, E.-J. (2016). Harold Jeffreys's default Bayes factor hypothesis tests: Explanation, extension, and application in psychology. Journal of Mathematical Psychology, 72, 19–32. https://doi.org/10.1016/j.jmp.2015.06.004
- Morey, R. D., & Rouder, J. N. (2011). Bayes factor approaches for testing interval null hypotheses. Psychological Methods, 16(4), 406–419. https://doi.org/10.1037/a0024377
- Vallat, R. (2018). Pingouin: Statistics in Python. Journal of Open Source Software, 3(31), 1026. https://doi.org/10.21105/joss.01026
- van Doorn, J., Ly, A., Marsman, M., & Wagenmakers, E.-J. (2018). Bayesian inference for Kendall's rank correlation coefficient. The American Statistician, 72(4), 303–308. https://doi.org/10.1080/00031305.2016.1264998
- van Doorn, J., Ly, A., Marsman, M., & Wagenmakers, E.-J. (2020). Bayesian rank-based hypothesis testing for the rank sum test, the signed rank test, and Spearman's ρ. Journal of Applied Statistics, 47(16), 2984–3006. https://doi.org/10.1080/02664763.2019.1709053
- Wagenmakers, E.-J., Lodewyckx, T., Kuriyal, H., & Grasman, R. (2010). Bayesian hypothesis testing for psychologists: A tutorial on the Savage–Dickey method. Cognitive Psychology, 60(3), 158–189. https://doi.org/10.1016/j.cogpsych.2009.12.001
- Wetzels, R., & Wagenmakers, E.-J. (2012). A default Bayesian hypothesis test for correlations and partial correlations. Psychonomic Bulletin & Review, 19(6), 1057–1064. https://doi.org/10.3758/s13423-012-0295-x