Regresyon Sonuçları Nasıl Yorumlanır?
Bir regresyon çıktısını yorumlarken beş şeye bakılır: model R²'si (bağımsız değişkenlerin bağımlıdaki varyansın yüzde kaçını açıkladığı), düzeltilmiş R² (değişken sayısına göre cezalandırılmış hâli), her yordayıcının standardize beta katsayısı (göreli etki büyüklüğü), p değeri (o yordayıcının etkisinin şansla açıklanıp açıklanamayacağı) ve VIF (yordayıcılar birbiriyle ne kadar örtüşüyor). Bu beşi birlikte okunmadan tek bir sayıya ("p değeri anlamlı çıktı") bakmak, sonucu yanlış yorumlamanın en sık nedenidir.
Bu rehber SPSS, R veya Python çıktısında karşınıza çıkan tabloyu satır satır okumanızı sağlar. Kendi çıktınızı bize gönderirseniz, hangi sayının neyi ifade ettiğini sizin verinize özel açıklar, APA formatında yazılmış yorum cümleleriyle teslim ederiz.
Bu rehber kimler için?
Tez savunmasında regresyon tablosunu açıklaması istenen yüksek lisans ve doktora öğrencileri
Makalesinde regresyon bulgularını raporlayan araştırmacılar
SPSS/R çıktısına bakıp "bu sayılar ne anlama geliyor" diyen herkes
Hakemden veya danışmandan "çoklu doğrusal bağlantı" (multicollinearity) uyarısı alan yazarlar
Çıktıyı okumanın beş adımı
- 01
Model özetine bakın
R² ve düzeltilmiş R², modelin bağımlı değişkendeki varyansın ne kadarını açıkladığını gösterir. Model p değeri (ANOVA/F testi), modelin bir bütün olarak anlamlı olup olmadığını söyler — bu adım katsayılara bakmadan önce gelir.
- 02
Her katsayının B ve p değerine bakın
Unstandardized B, o yordayıcı bir birim arttığında bağımlı değişkenin ne kadar değiştiğini gösterir (birimiyle birlikte anlamlıdır). p < .05 ise o yordayıcının etkisi tesadüften ayırt edilebilir kabul edilir.
- 03
Göreli etkiyi standardize beta ile karşılaştırın
Yordayıcılar farklı birimlerdeyse (yaş, gelir, ölçek puanı gibi) B değerleri karşılaştırılamaz. Hangi yordayıcının etkisi daha güçlü sorusu yalnızca standardize beta (β) ile yanıtlanır.
- 04
Varsayımları kontrol edin
VIF çoklu doğrusal bağlantıyı, Durbin-Watson artıkların bağımsızlığını, artık (residual) grafikleri doğrusallık ve sabit varyans (homoscedasticity) varsayımını gösterir. Varsayım ihlali varsa katsayı yorumları güvenilir olmaktan çıkar.
- 05
Sonucu cümleye dökün
Sayısal çıktı, okuyucunun anlayacağı bir cümleye çevrilmeden rapor eksik sayılır: hangi yordayıcı, ne yönde, ne büyüklükte ve ne kadar güvenle bağımlı değişkeni etkiliyor.
Model özeti tablosu neyi söyler?
Katsayılara geçmeden önce modelin bütününe bakılır:
| Gösterge | Ne anlama gelir? |
|---|---|
| R² | Yordayıcıların birlikte açıkladığı varyans yüzdesi (0-1 arası, ör. .35 = %35) |
| Düzeltilmiş R² | Modele gereksiz değişken eklemenin R²'yi yapay şişirmesini düzeltir; birden çok yordayıcılı modellerde raporlanması beklenen değerdir |
| F testi (model p değeri) | Model bir bütün olarak, hiçbir yordayıcı kullanmayan boş modelden anlamlı derecede iyi mi? p < .05 ise evet |
| Tahminin standart hatası | Modelin öngörülerinin gerçek değerlerden ortalama ne kadar saptığı, bağımlı değişkenle aynı birimde |
Katsayılar tablosunu okuma
Her yordayıcı için çıkan satırın sütunları:
| Sütun | Yorumu |
|---|---|
| B (unstandardized) | Diğer yordayıcılar sabit tutulduğunda, bu yordayıcı bir birim arttığında bağımlı değişkenin beklenen değişimi |
| Std. Hata | B tahmininin ne kadar güvenilir olduğu — küçük olması daha kararlı bir tahmin demektir |
| β (standardize beta) | B'nin standart sapma birimlerine çevrilmiş hâli; yordayıcılar arası göreli etki karşılaştırması burada yapılır |
| t ve p | B'nin sıfırdan (etkisizlikten) istatistiksel olarak ayrılıp ayrılmadığı; p < .05 yaygın eşiktir |
| %95 güven aralığı | Gerçek B değerinin muhtemelen içinde bulunduğu aralık; aralık sıfırı içeriyorsa etki güvenilir sayılmaz |
Sık yapılan yorumlama hataları
"R² yüksek = iyi model" varsayımı: sosyal bilimlerde .20-.30 arası R² birçok bağlamda anlamlı kabul edilir; eşik alana göre değişir, tek başına "düşük" demek yanlıştır.
"p < .05 = güçlü/önemli etki" karışıklığı: p değeri etkinin var olup olmadığını gösterir, büyüklüğünü değil — büyük örneklemde çok küçük bir etki de anlamlı çıkabilir.
Standardize edilmemiş B'lerle yordayıcıları karşılaştırmak: farklı birimlerdeki B'ler doğrudan kıyaslanamaz, mutlaka β kullanılmalı.
VIF kontrolünü atlamak: yüksek çoklu doğrusal bağlantı, katsayıların işaretini bile değiştirebilir; rapor edilmeden bırakılan en sık eksik budur.
Korelasyon ile nedensellik karıştırmak: regresyon deneysel olmayan veride ilişkiyi gösterir, "X, Y'yi etkiler" değil "X, Y ile ilişkilidir" ifadesi daha savunulabilirdir.
Örnek yorum cümlesi (APA tarzı)
"Regresyon modeli, iş tatmini varyansının anlamlı bir bölümünü açıklamıştır, R² = .34, düzeltilmiş R² = .32, F(3, 116) = 19.84, p < .001. Yönetici desteği (β = .41, p < .001) ve iş yükü (β = -.22, p = .012) anlamlı yordayıcılar olarak bulunurken, kıdem (β = .09, p = .241) anlamlı bir katkı sağlamamıştır."
Bu tek paragraf, model özetini, her yordayıcının yönünü ve büyüklüğünü, hangisinin anlamlı olmadığını ve neden (p değeri) içerir — hakemin ve jürinin aradığı tam olarak budur.
Sıkça sorulan sorular
R² ne kadar olmalı, "iyi" bir değer var mı?
Sabit bir eşik yoktur — alana bağlıdır. Doğa bilimlerinde .60 üzeri beklenirken, insan davranışını öngören sosyal bilim modellerinde .20-.30 arası birçok dergide kabul edilebilir sayılır. Kendi alanınızdaki benzer yayınlarla karşılaştırmak, tek bir genel eşikten daha doğru bir referans verir.
Düzeltilmiş R² ile R² arasındaki fark nedir, hangisini raporlamalıyım?
R², modele değişken eklendikçe hep artar — gereksiz bir değişken bile olsa. Düzeltilmiş R² bu şişmeyi yordayıcı sayısına göre düzeltir. Birden fazla yordayıcılı modellerde ikisini birlikte raporlamak standarttır; tek yordayıcılı modelde fark ihmal edilebilir düzeydedir.
Standardize beta neden karşılaştırmada kullanılır?
Unstandardized B, yordayıcının kendi ölçü birimine bağlıdır (yaş yıl cinsinden, gelir bin TL cinsinden gibi); bu yüzden iki farklı yordayıcının B'sini kıyaslamak anlamsızdır. β, tüm değişkenleri standart sapma birimine çevirerek göreli etkiyi karşılaştırılabilir hâle getirir.
VIF kaç olursa çoklu bağlantı sorunu var demektir?
Yaygın kullanılan eşik VIF > 10'dur; bazı kaynaklar sosyal bilimlerde daha temkinli olup VIF > 5'i uyarı sınırı sayar. Sorun varsa yordayıcılardan birini çıkarmak, ölçekleri birleştirmek veya ridge regresyon gibi alternatif yöntemler değerlendirilir.
p değeri anlamlı çıktı ama R² düşük — bu ne anlama gelir?
İkisi farklı soruları yanıtlar: p değeri "bu etki şansla mı oluştu?" sorusuna, R² ise "bu model bağımlı değişkeni ne kadar iyi açıklıyor?" sorusuna cevap verir. Büyük örneklemlerde küçük ve pratik önemi sınırlı bir etki bile anlamlı (p < .05) çıkabilir — düşük R² bu etkinin tek başına yeterli bir açıklama sunmadığını gösterir, ikisini birlikte raporlamak gerekir.
Kendi regresyon çıktımı sizin yorumlamanızı istesem mümkün mü?
Evet — SPSS/R/Python çıktınızı (veya ham verinizi) gönderirseniz, tabloyu değişken değişken açıklar, hangi yorumun savunulabilir olduğunu ve raporunuza doğrudan eklenebilecek APA formatında cümleleri teslim ederiz.
Regresyon çıktınızı birlikte yorumlayalım
Tablonuzu veya ham verinizi gönderin; hangi sayının neyi ifade ettiğini açıklayan, rapora doğrudan eklenebilir bir yorum metniyle dönelim.
Son güncelleme: 10 Temmuz 2026