Normallik Testi Nasıl Yapılır ve Nasıl Yorumlanır?
Normallik testi, analizden önce verinizin normal dağılıma uyup uymadığını kontrol ederek parametrik mi (t-testi, ANOVA, Pearson) yoksa non-parametrik test mi (Mann-Whitney U, Kruskal-Wallis, Spearman) kullanacağınızı belirleyen adımdır. Pratikte kural nettir: örneklem 50'nin altındaysa Shapiro-Wilk testi, daha büyük örneklemlerde Kolmogorov-Smirnov (Lilliefors düzeltmeli) tercih edilir; her iki testte de p > 0.05 çıkması 'normal dağılımdan sapma yok' anlamına gelir ve parametrik testlere geçebilirsiniz. Ancak normallik, veri setinin tamamında değil, analizin gerektirdiği düzeyde kontrol edilmelidir — grup karşılaştırmalarında her grup için ayrı ayrı, regresyonda ise ham değişkende değil artıklarda (residuals).
Bu rehber testin doğru uygulanışını, sık yapılan hataları ve karar mantığını anlatır. Verinizi bize gönderirseniz normallik kontrolünü grup bazında ve gerektiğinde artıklar üzerinden yapar, çarpıklık-basıklık değerleri ile Q-Q grafiklerini birlikte sunar ve sonucuna göre doğru testi seçip tezinize veya makalenize doğrudan eklenebilecek bir raporla teslim ederiz.
Bu rehber kimler için?
Tez verisini topladıktan sonra hangi testi kullanacağına karar vermeye çalışan öğrenciler
Hakemden 'normallik varsayımı kontrol edilmemiş' notu alan makale yazarları
Shapiro-Wilk sonucu p < 0.05 çıkınca ne yapacağını bilemeyenler
Büyük örneklemde normallik testinin neden sürekli 'anlamlı' çıktığını merak edenler
Normallik kontrolünün adımları
- 01
Neyin normalliğini test edeceğinizi belirleyin
Bağımsız gruplar karşılaştırılıyorsa normallik her grup içinde ayrı ayrı; regresyon veya ANOVA kuruyorsanız ham bağımlı değişkende değil, modelin artıklarında (residuals) test edilir. Bu ayrım, en sık atlanan ve hakemlerin en sık yakaladığı noktadır.
- 02
Örneklem büyüklüğüne göre testi seçin
n < 50 için Shapiro-Wilk daha güçlüdür ve standarttır. Daha büyük örneklemlerde Kolmogorov-Smirnov (Lilliefors düzeltmeli) kullanılır; Shapiro-Wilk yaklaşık n = 2000'e kadar uygulanabilir ancak çok büyük örneklemlerde önemsiz sapmaları bile anlamlı bulur.
- 03
Çarpıklık ve basıklık değerlerine bakın
Çarpıklık (skewness) ve basıklık (kurtosis) değerlerinin yaklaşık ±1.5 (daha esnek yaklaşımlarda ±2) aralığında kalması, dağılımın pratik anlamda normalden ciddi sapmadığını gösterir. Bu ölçüler, test sonucu sınırda kaldığında karar için gereklidir.
- 04
Grafikle destekleyin
Histogram ve özellikle Q-Q grafiği, tek bir p değerinin gizlediği bilgiyi gösterir: sapma dağılımın tamamında mı, yoksa yalnızca birkaç uç değerden mi kaynaklanıyor? Uygulamada karar çoğu zaman p değerine değil, bu bütünsel resme dayanır.
- 05
Kararı verin ve gerekçesini yazın
Parametrik testte kalıyorsanız neden (grafikler, çarpıklık-basıklık, örneklem büyüklüğü), non-parametriğe geçiyorsanız neden geçtiğinizi bir cümleyle raporlayın. Hakemi ikna eden şey testin kendisi değil, kararın gerekçesidir.
Hangi durumda hangi yöntem?
Normallik değerlendirmesinde kullanılan yöntemler ve uygun oldukları durumlar:
| Yöntem | Ne zaman kullanılır | Nasıl yorumlanır |
|---|---|---|
| Shapiro-Wilk | Küçük ve orta örneklem (n < 50, pratikte n ≤ 2000) | p > 0.05 → normallikten sapma yok |
| Kolmogorov-Smirnov (Lilliefors) | Büyük örneklem (n ≥ 50) | p > 0.05 → normallikten sapma yok |
| Çarpıklık / Basıklık | Her örneklemde, teste ek olarak | Yaklaşık ±1.5 (esnek: ±2) aralığı kabul edilebilir |
| Q-Q grafiği | Her örneklemde, görsel doğrulama | Noktalar köşegen çizgi etrafında toplanmalı |
| Histogram | Dağılımın genel şekli, çok tepelilik kontrolü | Tek tepeli ve kabaca simetrik olması beklenir |
Normallik sağlanmazsa hangi teste geçilir?
Parametrik testlerin en sık kullanılan non-parametrik karşılıkları:
| Parametrik test | Non-parametrik karşılığı | Kullanım |
|---|---|---|
| Bağımsız örneklem t-testi | Mann-Whitney U | İki bağımsız grubun karşılaştırılması |
| Eşleştirilmiş t-testi | Wilcoxon işaretli sıralar | Ön test – son test, aynı bireylerde iki ölçüm |
| Tek yönlü ANOVA | Kruskal-Wallis H | Üç ve daha fazla bağımsız grup |
| Tekrarlı ölçümler ANOVA | Friedman testi | Aynı bireylerde üç ve daha fazla ölçüm |
| Pearson korelasyonu | Spearman korelasyonu | İki sürekli değişken arasındaki ilişki |
Sık yapılan hatalar
Grup karşılaştırmasında normalliği tüm veri setinde tek seferde test etmek — her grup için ayrı ayrı bakılmalıdır
Regresyon ve ANOVA'da bağımlı değişkenin ham dağılımını test etmek; varsayım artıklara (residuals) aittir
Çok büyük örneklemde p < 0.05 çıktı diye otomatik non-parametriğe geçmek — büyük n'de test, pratikte önemsiz sapmaları da anlamlı bulur; grafik ve çarpıklık-basıklık ile birlikte değerlendirilmelidir
Normalliği sağlamak için gerekçesiz uç değer silmek; uç değer kararı ayrı ve gerekçeli bir karardır
Kategorik veya Likert tek maddelik değişkenlerde normallik testi aramak — bu değişkenler için varsayım zaten geçerli değildir
Test sonucunu raporlamayıp yalnızca 'veriler normal dağılmaktadır' cümlesi yazmak; kullanılan test, istatistik değeri ve p birlikte verilmelidir
'n > 30 ise normallik aranmaz' doğru mu?
Kısmen. Merkezi limit teoremi, örneklem büyüdükçe ortalamanın örnekleme dağılımının normale yaklaştığını söyler; bu nedenle yeterince büyük örneklemlerde t-testi ve ANOVA normallikten ılımlı sapmalara karşı oldukça dayanıklıdır. Ancak bu, 'n > 30 ise normallik hiç kontrol edilmez' anlamına gelmez: teorem ortalamanın dağılımı hakkındadır, ham verinin dağılımı hakkında değil ve ciddi çarpıklık ile güçlü uç değerler bu koruma altında da sonuçları bozabilir. Ayrıca 30 sayısının sihirli bir yanı yoktur — gereken büyüklük dağılımın ne kadar çarpık olduğuna bağlıdır.
Doğru yaklaşım, testi mekanik bir geçit olarak değil karar destek aracı olarak kullanmaktır: p değeri, çarpıklık-basıklık, Q-Q grafiği ve örneklem büyüklüğü birlikte okunur. Sınırdaki durumlarda parametrik testte kalıp bunu gerekçelendirmek de, non-parametriğe geçmek de savunulabilir — savunulamayan tek şey, kararın gerekçesiz bırakılmasıdır. Raporlarımızda bu gerekçeyi her zaman açıkça yazarız; danışmanınız veya hakem 'neden bu test?' diye sorduğunda cevabı hazır bulursunuz.
Sıkça sorulan sorular
Shapiro-Wilk mi Kolmogorov-Smirnov mu kullanmalıyım?
Örneklem 50'nin altındaysa Shapiro-Wilk; bu aralıkta istatistiksel gücü daha yüksektir ve standart kabul edilir. 50 ve üzeri örneklemlerde Lilliefors düzeltmeli Kolmogorov-Smirnov kullanılır. Shapiro-Wilk yaklaşık n = 2000'e kadar uygulanabilir, ancak çok büyük örneklemlerde her iki test de önemsiz sapmaları anlamlı bulacağı için sonucu grafiklerle birlikte yorumlamak gerekir.
Normallik testinde p < 0.05 çıktı, ne yapmalıyım?
Otomatik olarak non-parametriğe geçmeden önce üç şeye bakın: çarpıklık-basıklık değerleri ±1.5 aralığında mı, Q-Q grafiğindeki sapma dağılımın tamamında mı yoksa birkaç uç değerde mi, örneklem büyüklüğünüz ne? Büyük örneklemde küçük ve pratik önemi olmayan sapmalar da p < 0.05 verir. Tablo hâlâ ciddi sapma gösteriyorsa non-parametrik karşılığa geçmek doğru karardır.
Normalliği hangi değişkende test etmeliyim?
Bağımlı (sürekli) değişkende — ama analiz tipine göre farklı düzeyde. İki grup karşılaştırıyorsanız her grup içinde ayrı ayrı; regresyon veya ANOVA kuruyorsanız modelin artıklarında (residuals). Bağımsız değişkenlerin veya kategorik değişkenlerin normal dağılması gerekmez; bu yaygın bir yanlış anlamadır.
Likert tipi anket verisinde normallik testi yapılır mı?
Tek bir Likert maddesi sıralı (ordinal) bir değişkendir; normallik varsayımı bu düzeyde anlamlı değildir ve non-parametrik yaklaşım uygundur. Buna karşılık birden çok maddenin toplam veya ortalama puanı sürekli değişken gibi ele alınabilir ve bu puan üzerinde normallik testi yapmak yaygın kabul gören uygulamadır.
Bu analizi SPSS ile mi yapıyorsunuz?
Analizi kendi Python tabanlı altyapımızla yaparız; sonuçlar SPSS'in Explore (Keşfet) menüsünden alacağınız Shapiro-Wilk / Kolmogorov-Smirnov çıktısıyla birebir aynıdır. SPSS lisansınız olmasa da SPSS kullanıcılarının tanıdığı formatta, Q-Q grafikleri ve çarpıklık-basıklık tablosuyla birlikte teslim ederiz.
Normallik sağlanmıyorsa veriyi dönüştürmek doğru mu?
Bazen doğru, ama ilk çare değildir. Logaritmik veya karekök dönüşümü çarpık dağılımlarda işe yarayabilir; ancak dönüşüm sonrası bulguların yorumu da dönüşmüş ölçekte olur ve bunu tezde açıklamak gerekir. Çoğu tez ve makale bağlamında non-parametrik karşılığa geçmek daha şeffaf ve savunulması kolay bir yoldur. Hangisinin sizin verinizde daha uygun olduğunu ön incelemede birlikte değerlendirebiliriz.
Normallik kontrolünü ve test seçimini biz yapalım
Verinizi gönderin; normallik kontrolünü grup bazında ve gerektiğinde artıklar üzerinden yapalım, Q-Q grafikleri ve çarpıklık-basıklık tablosuyla birlikte doğru testi gerekçesiyle seçip raporlayalım. Ön değerlendirme ücretsizdir.
Son güncelleme: 20 Temmuz 2026