İstatistik Sözlüğü → Tanımlayıcı İstatistikler
Tanımlayıcı İstatistikleranaliz
Bir değişkenin değerlerinin nerede toplandığını, ne kadar dağıldığını ve nasıl bir şekil aldığını birkaç özet sayı, tablo ve grafikle anlatan ilk inceleme adımı.
Kavram
Yüzlerce gözlemi tek tek okumak mümkün değildir; tanımlayıcı istatistikler veriyi birkaç anlamlı sayıya indirger. Üç soruya yanıt verir: değerler nerede toplanıyor (konum: ortalama, medyan, mod), ne kadar dağınık (yayılım: standart sapma, varyans, ranj, çeyrekler açıklığı) ve dağılımın şekli nasıl (çarpıklık, basıklık). Kategorik bir değişkende bunların yerini her kategorinin sıklığı ve yüzdesi alır. Bu adım her analizden önce gelir; veri girişi hatalarını, aykırı değerleri ve sonraki testlerin varsayımlarına uymayan durumları erkenden gösterir.
Ortalama tüm değerlerin toplamının gözlem sayısına bölünmesidir; medyan ise sıralanmış verinin tam ortasındaki değerdir. Dağılım simetrikse ikisi birbirine yakın çıkar; birkaç çok büyük değer ortalamayı kendine doğru çeker ama medyanı pek etkilemez. Standart sapma, değerlerin ortalamadan tipik uzaklığıdır. Ortalamanın güven aralığı, örneklemden hesaplanan ortalamanın ana kütle ortalaması hakkında ne kadar kesin bilgi verdiğini gösterir: x̄ ± t · s/√n.
Tanımlayıcı istatistikler yalnız eldeki veriyi özetler; tek başına bir hipotezi sınamaz. Çarpık ya da aykırı değer içeren verilerde ortalama ve standart sapma yanıltıcı olabilir; bu durumda medyan, çeyrekler açıklığı ve kırpılmış ortalama gibi sağlam ölçüler birlikte raporlanmalıdır. Çarpıklık ve basıklık normallik hakkında ipucu verir, ancak kesin karar için normallik testleri ve grafikler birlikte değerlendirilir.
Ne zaman kullanılır?
- Her çalışmanın başında, verinin genel görünümünü çıkarmak, hataları ve aykırı değerleri yakalamak ve makalenin örneklem tablosunu hazırlamak için.
- Grupları biçimsel olarak karşılaştırmadan önce her grubun ortalamasını ve dağınıklığını görmek için; grupların farkını sınamak gerekiyorsa t-testi ya da ANOVA gibi çıkarımsal testlere geçilir.
- Dağılımın normal olup olmadığı karar için önemliyse çarpıklık ve basıklığa bakmak yeterli değildir; normallik testleri ve Q-Q grafiği ile birlikte değerlendirilir.
Gündelik bir örnek
Bir market müdürü, kasalardaki bekleme sürelerini merak ediyor ve bir hafta boyunca 200 müşterinin kuyrukta kaç dakika beklediğini kaydediyor. Ortalama bekleme 4,2 dakika, medyan 3,5 dakika çıkıyor; birkaç müşteri 15 dakikadan fazla beklediği için ortalama medyanın üstüne çekilmiş. Standart sapma 2,6 dakika, müşterilerin ortadaki yarısı 2 ile 5,5 dakika arasında bekliyor. Bu birkaç sayı, müdüre 'çoğu müşteri kısa bekliyor ama bazı saatlerde ciddi yığılmalar oluyor' sonucunu tek bakışta verir.
MerQur'da parametreler
Sütun (sayısal veya kategorik sütun listesi)
Kavram: Değişkenin ölçek türü hangi özetin anlamlı olduğunu belirler: sayısal bir değişkende ortalama ve standart sapma, kategorik bir değişkende ise her kategorinin sıklığı ve yüzdesi hesaplanır.
Gündelik örnek: Bekleme süresi (dakika) sayısal bir sütundur ve ortalaması anlamlıdır. Müşterinin hangi kasayı kullandığı ise kategoriktir; 'ortalama kasa' anlamsızdır, onun yerine her kasaya kaç müşteri gittiğine bakılır.
Ne işe yarar: Gösterilecek sütunu seçer; sayısal sütunda betimleyiciler, kategorik sütunda frekans tablosu üretilir.
Sonuca etkisi: Diğer tüm seçenekler seçili sütuna uygulanır.
Doğrulama verisinde: 28 farklı sütunda (NIST, hsb2, elemapi, Heights, airquality) n, eksik sayısı, ortalama, medyan, standart sapma, varyans, en küçük/en büyük, ranj, çarpıklık, basıklık, standart hata ve güven aralığı hesaplanır; NIST sertifikalı değerleri tam olarak verilir.
Gruba göre (Split-File) - opsiyonel (Gruplama yok / kategorik veya sayısal kodlu sütun)
Kavram: Veriyi bir kategorik değişkenin düzeylerine bölüp aynı özetleri her alt grup için ayrı ayrı hesaplamaktır; gruplar arasındaki farkları biçimsel bir teste geçmeden önce görünür kılar.
Gündelik örnek: Bekleme süreleri hafta içi ve hafta sonu diye ayrılınca hafta sonu medyanının 5 dakika, hafta içi medyanının 3 dakika olduğu görülebilir. Tek bir genel ortalama bu farkı gizlerdi.
Ne işe yarar: Seçilen faktörün her düzeyi için ayrı betimleyici satırı ve gruplu kutu grafiği üretir.
Sonuca etkisi: Tek sütun görünümünün yerine grup tablosu (n, ortalama, SS, SE, medyan, en küçük, en büyük, Q1, Q3, çarpıklık, basıklık, GA) gelir; işaretli ek seçenekler grup başına hesaplanır.
Doğrulama verisinde: hsb2 write x ses: yüksek n = 58, ortalama 55.91, SS 9.44; düşük 47 / 50.62 / 9.49; orta 95 / 51.93 / 9.11. Sayısal kodlu faktörler (hsb2 ses 1-3, airquality Month 5-9) de seçilebilir.
Bin sayısı (1-100; 1 = Otomatik)
Kavram: Histogram, değer aralığını eşit genişlikte kutulara (aralıklara) bölüp her kutuya düşen gözlem sayısını gösterir. Kutu sayısı çok azsa dağılımın ayrıntısı kaybolur, çok fazlaysa grafik gürültülü görünür.
Gündelik örnek: Bekleme sürelerini yalnız 3 kutuya bölerseniz 'kısa, orta, uzun' gibi kaba bir resim çıkar; 50 kutuya bölerseniz her kutuda birkaç müşteri kalır ve şekil dişli bir testereye döner. 8-10 kutu çoğu zaman dağılımın sağa doğru uzayan kuyruğunu açıkça gösterir.
Ne işe yarar: Histogram ve Frekans sekmesindeki eşit genişlikli kutu sayısını belirler. Otomatik değer Sturges kuralıyla k = ⌈log2 n + 1⌉ alınır.
Sonuca etkisi: Yalnız grafik ve frekans tablosu değişir; sayısal betimleyiciler değişmez.
Doğrulama verisinde: hsb2 write için Otomatik 9 kutu verir (8, 8, 20, 23, 15, 33, 15, 51, 27). 5, 10 ve 100 kutuda kutular sol uçtan kapalı, sağ uçtan açıktır.
Ondalık basamak (Otomatik, 0-8)
Kavram: Raporlanan basamak sayısı, ölçümün gerçek kesinliğini yansıtmalıdır; ölçümün desteklemediği kadar çok basamak yazmak yanlış bir kesinlik izlenimi verir. Yuvarlama yalnız gösterimi değiştirir, hesabı değil.
Gündelik örnek: Bekleme süreleri dakika ve saniye düzeyinde ölçüldüyse ortalamayı '4,2 dakika' yazmak yeterlidir; '4,21837 dakika' yazmak, kronometrenin bu kadar hassas olmadığı düşünüldüğünde okuyucuyu yanıltır.
Ne işe yarar: Metin ve tablodaki yuvarlamayı belirler. Otomatik seçenek standart sapmanın ilk anlamlı basamağına iki basamak ekler (2-8 arası; SE en az 3, çarpıklık ve basıklık 3).
Sonuca etkisi: Yalnız gösterim; iç değerler değişmez. APA özet satırı ve çoklu özet tablosu seçilen ondalıkla basılır; yuvarlama yarım yukarıdır.
Doğrulama verisinde: hsb2 write ortalaması 52.78; 0 ondalıkta 53, SS 9; 8 ondalıkta ortalama 52.775, SS 9.47858602. Küçük ölçekli değişkende Otomatik anlamlıdır: NIST Mavro SS 0.000429.
Güven düzeyi (%90, %95, %99, Diğer/özel 80.0-99.9)
Kavram: Ortalamanın güven aralığı, örneklem ortalamasının çevresinde ana kütle ortalamasını makul biçimde içeren bir aralıktır. Güven düzeyi yükseldikçe aralık genişler; örneklem büyüdükçe daralır.
Gündelik örnek: 200 müşterilik örneklemden ortalama bekleme 4,2 dakika çıktıysa, %95 güven aralığı [3,8; 4,6] gibi bir aralık verir: marketin tüm müşterilerinin ortalama beklemesi büyük olasılıkla bu aralıktadır. %99 güven istenirse aralık biraz genişler.
Ne işe yarar: Ortalamanın güven aralığını x̄ ± t(1-α/2; n-1)·s/√n biçiminde hesaplar.
Sonuca etkisi: Yalnız GA sınırları (metin, tablo, APA) değişir; metindeki GA etiketi seçilen düzeyi yazar.
Doğrulama verisinde: hsb2 write için %90 [51.67, 53.88], %95 [51.45, 54.10], %99 [51.03, 54.52]. Heights verisi için %95 [64.06302, 65.07031].
SES / SEK (onay kutusu)
Kavram: Çarpıklık ve basıklık da örneklemden hesaplanan tahminlerdir ve kendi standart hataları vardır. Değerin standart hatasına oranı (z), sapmanın şansla açıklanabilecek kadar küçük olup olmadığına dair kaba bir ölçüt sunar.
Gündelik örnek: Bekleme sürelerinin çarpıklığı 1,1 ve standart hatası 0,17 ise z yaklaşık 6,5 olur; bu, sağa çarpıklığın tesadüf olmadığını gösterir. Aynı çarpıklık yalnız 15 müşteriden hesaplansaydı standart hata çok daha büyük olur ve z küçülürdü.
Ne işe yarar: Çarpıklık ve basıklığın standart hatalarını (n'ye bağlı kesin formül) ve z = G1/SES, G2/SEK değerlerini verir; küçük ve orta n'de normal dışılık için kaba ölçüttür (|z| > 1.96 veya 3.29).
Sonuca etkisi: Yalnız ek satırlar eklenir.
Doğrulama verisinde: write için SES 0.1719, SEK 0.3422, z = -2.8038 ve -2.1924.
Sağlam ölçüler (%5 kırpılmış ortalama, Huber M)
Kavram: Sağlam (dirençli) konum ölçüleri, birkaç aşırı değerin özeti çarpıtmasını önler. Kırpılmış ortalama her iki uçtan belli bir oranda gözlemi atıp kalanların ortalamasını alır; Huber M-tahmincisi ise uç değerleri atmak yerine ağırlıklarını azaltır.
Gündelik örnek: Kasa arızası yüzünden birkaç müşteri 25 dakika beklediyse ortalama yükselir. %5 kırpılmış ortalama en kısa ve en uzun bekleyen %5'lik dilimleri dışarıda bırakarak 'tipik' beklemeyi daha iyi yansıtır; Huber M de o birkaç müşteriyi hesaba katar ama etkilerini sınırlar.
Ne işe yarar: Aykırı değerlere dirençli konum ölçüleri: her uçtan ⌊0.05n⌋ gözlem atılmış ortalama ve Huber M (k = 1.5, ölçek 1.4826·MAD, yakınsayana dek).
Sonuca etkisi: Yalnız ek satırlar. Metindeki "ölçek MAD" normalleştirilmiş MAD'dir.
Doğrulama verisinde: write için kırpılmış ortalama 53.1389 ve Huber 52.9005. n·0.05 tam sayı değilse kırpma ⌊0.05n⌋ gözlemle yapılır: acs_k3 (n = 398) için kırpılmış ortalama 19.1250.
CV, geometrik/harmonik ortalama, toplam
Kavram: Değişim katsayısı (CV) standart sapmanın ortalamaya oranıdır ve farklı ölçekteki değişkenlerin göreli dağınıklığını karşılaştırmayı sağlar. Geometrik ortalama çarpımsal büyüyen ya da sağa çarpık pozitif verilere, harmonik ortalama ise oran ve hız gibi değerlere uygundur; ikisi de yalnız pozitif değerlerde tanımlıdır.
Gündelik örnek: Bekleme süresinin CV'si %62, sepet tutarının CV'si %40 ise bekleme süreleri kendi ortalamasına göre daha değişkendir. Kasiyerlerin dakikada okuttuğu ürün sayısı gibi bir hızın ortalaması için harmonik ortalama daha doğru bir özet verir.
Ne işe yarar: Değişim katsayısı, geometrik ve harmonik ortalama ile toplamı verir.
Sonuca etkisi: Yalnız ek satırlar; sıfır veya negatif değer varsa geometrik/harmonik ortalama boş bırakılır.
Doğrulama verisinde: write CV %17.9604, geometrik 51.8496, harmonik 50.8440, toplam 10555.
Uç değerler / aykırılar
Kavram: Aykırı değer, verinin geri kalanından belirgin biçimde uzakta duran gözlemdir. Tukey kuralı, alt ve üst çeyreklerden çeyrekler açıklığının 1,5 katı ötede kalan değerleri olası aykırı olarak işaretler; bu değerler otomatik olarak silinmez, nedenleri incelenir.
Gündelik örnek: En uzun beş bekleme 18, 19, 21, 24 ve 25 dakika çıkarsa müdür bu günleri kontrol eder ve hepsinin kasa arızasının yaşandığı salı öğleden sonrasına düştüğünü görebilir. Aykırı değer bir veri hatası da olabilir, gerçek ve önemli bir olayın izi de.
Ne işe yarar: En yüksek ve en düşük 5 değeri (satır numarasıyla) listeler; Tukey menteşeleriyle 1.5 x menteşe aralığı dışındaki gözlemleri bildirir.
Sonuca etkisi: Yalnız ek tablo.
Doğrulama verisinde: Bağlı değerlerde aynı değerli birden çok satır vardır; write için en yüksek 67'ler #185, 183, 177, 160, 118 satırlarıdır.
Tüm sayısal değişkenlerin özet tablosu
Kavram: Birden fazla sayısal değişkenin temel özetini tek bir tabloda yan yana sunmaktır; makalelerdeki örneklem tanıtım tablosunun ham hâlidir ve değişkenleri hızla karşılaştırmayı sağlar.
Gündelik örnek: Bekleme süresi, sepet tutarı ve ürün sayısı aynı tabloda yan yana durduğunda müdür hangisinin daha çarpık, hangisinde eksik veri olduğunu tek bakışta görür.
Ne işe yarar: Tüm sayısal sütunlar için tek tabloda n, ortalama, SS, SE, medyan, en küçük, en büyük, G1, G2 verir.
Sonuca etkisi: Yalnız ek tablo.
Doğrulama verisinde: elemapi 21 sütun (eksik değerli) tek tabloda özetlenir. Çarpıklık ve basıklık düzeltilmiş G1/G2 (tip 2) tanımıdır.
Yüzdelikler (virgülle ayrılmış liste) ve Yüzdelik tanımı (Tip 7, Tip 6 SPSS HAVERAGE, Tip 2 SAS PCTLDEF=5, R tip 1/3/4/5/8/9)
Kavram: Yüzdelik, verinin belirli bir oranının altında kaldığı değerdir (ör. 90. yüzdelik, gözlemlerin %90'ının altında kaldığı değer). Sıralı iki gözlemin arasına düşen yüzdelikler için farklı ara değer (interpolasyon) kuralları vardır; bu yüzden aynı veride farklı programlar küçük örneklemlerde biraz farklı çeyrekler verebilir.
Gündelik örnek: Müdür 'müşterilerin %90'ı kaç dakikanın altında bekliyor?' diye soruyor; 90. yüzdelik 8 dakika çıkarsa hedefini buna göre koyabilir. 200 müşteride tanımlar arasındaki fark çok küçüktür, ama yalnız 12 müşteriyle bu fark yarım dakikayı bulabilir.
Ne işe yarar: İstenen yüzdelikleri Hyndman ve Fan (1996) tip 1-9 tanımlarıyla hesaplar; tip 7'den farklıysa ek Q1/Q3/IQR satırı da verilir.
Sonuca etkisi: Yalnız yüzdelikler (ve ek Q1/Q3/IQR). Ana tablodaki Q1, Q3 ve IQR her zaman tip 7'dir.
Doğrulama verisinde: write P5: tip 7 35.95, tip 6 35.05, tip 2 35.5, tip 8 35.35, tip 9 35.3875. Ana tablo IQR'si 14.25 (tip 7).
Histogramda normal eğri ve Q-Q (grafik ekleri)
Kavram: Histogramın üzerine aynı ortalama ve standart sapmaya sahip normal eğri çizmek, verinin çan eğrisinden ne kadar saptığını gözle görmeyi sağlar. Q-Q grafiğinde veri normal dağılıyorsa noktalar düz bir çizgi üzerinde dizilir; çizgiden düzenli sapmalar çarpıklığa ya da kalın kuyruklara işaret eder.
Gündelik örnek: Bekleme sürelerinin histogramı normal eğriyle birlikte çizildiğinde sol tarafta yığılma ve sağda uzun bir kuyruk görülür. Q-Q grafiğinde de sağ üst uçtaki noktalar çizginin belirgin biçimde üstüne kıvrılır; bu, uzun beklemelerin normal dağılımın öngördüğünden daha sık olduğunu gösterir.
Ne işe yarar: Histograma N(x̄, s) eğrisi frekans ölçeğinde çizilir; Q-Q grafiğinin x ekseni Blom konumlarıdır, (i-3/8)/(n+1/4).
Sonuca etkisi: Yalnız grafik.
Doğrulama verisinde: Q-Q konumları Blom formülüyle, (i-3/8)/(n+1/4), standart normal nicelere çevrilir.
Gerçek veride örnek
Veri: UCLA OARC hsb2 (High School and Beyond, n = 200)
Değişkenler: değişken write (yazma puanı)
- Soru: Lise öğrencilerinin (n = 200) yazma puanı (write) dağılımının merkezi, yayılımı ve şekli nasıldır?
- Merkez: Ortalama 52.78 (SE = 0.670), medyan 54.00, mod 59.00; medyanın ortalamadan büyük olması dağılımın sola çarpık olduğunu düşündürür.
- Yayılım: SS = 9.48, varyans = 89.84; puanlar 31 ile 67 arasındadır (ranj = 36), ortadaki yarı Q1 = 45.75 ile Q3 = 60.00 arasında (IQR = 14.25) toplanır.
- Şekil: Çarpıklık = -0.482 (hafif sola çarpık), basıklık = -0.750 (normale göre basık); n = 200 için bu değerler normallikten ılımlı bir sapmaya işaret eder, normallik testleriyle sınanmalıdır.
- Güven aralığı: Ana kütle ortalaması için %95 GA [51.45, 54.10].
- Sınırlılık: Çeyrekler yüzdelik tanımına bağlıdır; ana tablo Tip 7 kullanır, diğer tanımlar farklı Q1 verebilir.
- APA: M = 52.78, SD = 9.48, 95% CI [51.45, 54.10], Mdn = 54.00, n = 200.
İlgili kavramlar
Kırpılmış ortalamaHistogram ve kutu (bin) sayısıDeğişkenlik katsayısı (CV)Q-Q ve P-P grafikleriYüzdelik (kantil) ve yüzdelik tanımlarıBasıklıkÇarpıklıkAykırı değer
Örneklerdeki sayılar MerQur'un bağımsız, kamuya açık doğrulama verileri üzerindeki çıktılarıdır; ayrıntılar için MerQur Teknik Not'a bakınız.