G*Power'i indirdiniz. Acdiniz. Karsinizda uc tane dropdown menu, bir suru radyo butonu ve "Calculate" yazan yesil bir buton var. Hangisine basacaksiniz?
Test family'den "t tests" mi sececeksiniz, "F tests" mi? A priori mi, post hoc mu? Effect size'a ne yazacaksiniz? Bir tiklayinca bir sey cikiyor, tekrar tiklayinca baska bir sey. Ekranda bir sayi beliriyor ama o sayinin ne anlama geldiginden emin degilsiniz.
G*Power dunyanin en yaygin kullanilan ucretsiz guc analizi yazilimi. Ama arayuzu 2005'ten kalma ve kullanici dostu degil. Ne yaptiginizi bilmiyorsaniz, yanlis hesaplama yapmaniz bir saniye.
Bu rehberde G*Power'da guc analizi yaparken her adimi gosterecegiz. Sadece butonlara nereden basilacagini degil, neden basilacagini da.
G*Power Ne Ise Yarar?
G*Power, uc temel soruya cevap veriyor:
- A priori: "Calisma oncesi kac kisiye ihtiyacim var?" (en sik kullanilan)
- Post hoc: "Mevcut orneklemimle ne kadar gucum var?"
- Sensitivity: "Bu orneklemle hangi etki buyuklugunu yakalayabilirim?"
Guc analizi nedir yazimizda kavramsal cerceveveyi ayrintili ele almistik. Kisaca: guc analizi, calismanizin gercek bir farki yakalama olasiligini olcer. Yetersiz orneklemle calisirsiniz, p degeriniz anlamsiz cikar — cunku farki gosterecek gucunuz yoktur.
G*Power bu hesaplamayi otomatiklestiriyor. Ama dogru secenekleri secmezseniz, yanlis sonuc alirsiniz.
Arayuzu Tanimak: Uc Dropdown
G*Power'i actiginizda uc ana secim alani karsiliyor:
1. Test family (Test ailesi). Yapacaginiz analizin genel kategorisi:
- t tests: Iki grup karsilastirma (bagimsiz veya bagimli)
- F tests: ANOVA, regresyon, ANCOVA
- chi-kare tests: Kategorik veri, ki-kare testleri
- Exact: Kucuk orneklem, tam testler
- Correlation and regression: Korelasyon, regresyon
Cogu tibbi arastirmada t tests veya F tests kullaniliyor.
2. Statistical test (Istatistik testi). Test ailesine gore degisiyor. Ornegin "t tests" sectiyseniz "Means: Difference between two independent means" gibi spesifik testler listeleniyor.
Hangi testi kullanacaginizi bilmiyorsaniz, istatistik testi secimi yazimiza bakabilirsiniz.
3. Type of power analysis (Guc analizi turu). A priori, post hoc veya sensitivity.
Ornek 1: Bagimsiz Iki Grup Karsilastirmasi (t-testi)
En sik karsilasilan senaryo: iki grubu (ornegin ilac vs. plasebo) surekli bir degisken uzerinden karsilastirmak. Kac hastaya ihtiyaciniz var?
Test family: t tests
Statistical test: Means: Difference between two independent means (two groups)
Type of power analysis: A priori: Compute required sample size
Simdi parametrelere gecelim:
Tail(s). Cift kuyruklu (two) veya tek kuyruklu (one). Cogu durumda two-tailed kullaniliyor cunku hipotez "fark var" seklinde, "ilac daha iyi" degil. Tek kuyruklu test daha az orneklem ister ama hipoteziniz gercekten yonlu degilse, tek kuyruklu secmek hatalidir.
Effect size d. Cohen's d olarak ifade ediliyor. Genel rehber: d = 0.2 kucuk, d = 0.5 orta, d = 0.8 buyuk etki. Ama bu rehber degerlerini dogrudan kullanmak yerine literaturden gercekci bir tahmin cikarmak cok daha saglam bir yaklasim. Etki buyuklugu hesaplama yontemleri yazimizda bu konuyu ayrintili ele aldik.
alpha err prob. Alfa degeri, genelde 0.05.
Power (1-beta err prob). Guc degeri, genelde 0.80. Yuksek riskli calismalarda 0.90 tercih edilebilir.
Allocation ratio N2/N1. Gruplara esit hasta dagiliyorsa 1. Eger 2:1 randomizasyon varsa (ornegin tedavi grubu plasebonun iki kati) 2 yazin.
Calculate'e basin. Sonuc:
Effect size d = 0.5
alpha = 0.05
Power = 0.80
Total sample size = 128 (her grupta 64)
Uyarı
Effect size'i tahmin ederken iyimser olmamak kritik. "Buyuk bir fark bekliyorum" demek "az orneklemle idare ederim" anlamina geliyor. Ama gercek etki 0.3 ise ve siz 0.8 varsaymissaniz, calismaniz yetersiz gucte kalir. Literaturde benzer calismalar ne bulduysa, o civarda bir deger kullanmak daha guvenli.
Ornek 2: Korelasyon Analizi
Iki surekli degisken arasindaki iliskiyi test edeceksiniz. Ornek: yas ile kemik mineral yogunlugu arasinda korelasyon var mi?
Test family: Exact
Statistical test: Correlation: Bivariate normal model
Type of power analysis: A priori
Parametreler:
- Tail(s): Two
- Correlation rho H1: Beklediginiz korelasyon katsayisi. r = 0.1 zayif, r = 0.3 orta, r = 0.5 guclu.
- alpha err prob: 0.05
- Power: 0.80
Sonuc:
Correlation rho H1 = 0.3
alpha = 0.05
Power = 0.80
Total sample size = 84
84 kisiyle r = 0.3 buyuklugunde bir korelasyonu %80 gucle tespit etmek mumkun.
Ornek 3: Tek Yonlu ANOVA (3+ Grup)
Uc tedavi grubunu karsilastiriyorsunuz: Ilac A, Ilac B, Plasebo. Sonuc degiskeni surekli.
Test family: F tests
Statistical test: ANOVA: Fixed effects, omnibus, one-way
Type of power analysis: A priori
Parametreler:
- Effect size f: ANOVA icin Cohen's f kullaniliyor. f = 0.1 kucuk, f = 0.25 orta, f = 0.4 buyuk. Cohen's d'den farkli; kabaca f ~ d/2 ama tam donusum degil.
- alpha err prob: 0.05
- Power: 0.80
- Number of groups: 3
Sonuc:
Effect size f = 0.25
alpha = 0.05
Power = 0.80
Number of groups = 3
Total sample size = 159 (her grupta 53)
Sonucu Nasil Yorumlamali?
G*Power bir sayi veriyor: toplam orneklem buyuklugu. Ama bu sayi "minimum" sayi. Gercek hayatta birkaC sey daha hesaba katilmali:
Kayip orani (dropout). Hastalarin bir kismi calismay tamamlamiyor. G*Power'da bu icin ayri bir alan yok, kendiniz hesapliyorsunuz. Formul basit: duzeltilmis orneklem = G*Power sonucu / (1 - kayip orani). Ornegin %20 kayip bekliyorsaniz: 128 / 0.80 = 160 kisi.
Coklu karsilastirma. Birden fazla hipotez test edecekseniz, alfa duzeyinde duzeltme gerekebilir (Bonferroni gibi). Bu durumda G*Power'a duzeltilmis alfa degerini girmeniz gerekiyor.
Veri kalitesi. Eksik veri, uc degerler, olcum hatasi — bunlarin hepsi gucu dusurur. G*Power bunu hesaba katmiyor, siz kendiniz marj birakiyorsunuz.
İpucu
G*Power'dan cikan sayiyi minimum kabul edin. Ornekleminizi %10-20 artirarak planlamak, gercek hayattaki kayiplara karsi guvenli bir tampon olusturuyor. Orneklem buyuklugu hesaplama yazimizda bu duzeltmeleri detayli ele aldik.
Sik Yapilan Hatalar
Effect size'i cok iyimser secmek. "Buyuk bir fark bekliyorum, d = 0.8 yazayim." Gercek etki 0.4 cikarsa, calismaniz yetersiz gucte kalir. Muhafazakar tahmin etmek her zaman daha guvenli.
Tek kuyruklu test secmek (orneklem dusurme amaciyla). Tek kuyruklu test daha az orneklem istiyor, bu cazibeli. Ama hipoteziniz gercekten yonlu degilse, tek kuyruklu test kullanmak hatali ve etik disidir. Hakemler bu numarayi fark eder.
Post hoc analiz yapip "guc yeterli" demek. Calisma bitti, p degeri anlamsiz cikti, sonra post hoc guc analizi yaptiniz ve "guc dusuktu, ondan anlamsiz cikti" dediniz. Bu yanlis. Post hoc guc analizi p degerinden bagimsiz bilgi vermiyor. Bu konuyu p degeri anlamsiz ciktiginda yazimizda detayli ele aldik.
Pilot calisma verisini dogrudan kullanmak. Pilot calismalar kucuk orneklemli, dolayisiyla etki buyuklugu tahmini genis guven araligina sahip. Pilottan elde ettiginiz d = 0.9 degeri, gercekte 0.4 olabilir. Pilot veriden etki buyuklugu aliyorsaniz, muhafazakar bir duzeltme yapmak gerekiyor.
Yanlis test icin guc analizi yapmak. Calismada lojistik regresyon kullanilacakken t-testi icin guc analizi yapmak ciddi bir metodolojik tutarsizlik. Guc analizi, birincil istatistiksel testle uyumlu olmali.
G*Power Yetmediginde Ne Yapilir?
G*Power temel testleri kapsamli biçimde destekliyor. Ama bazi senaryolarda yetersiz kaliyor: karma modeller, adaptif tasarimlar, cluster randomize calismalar, non-inferiority tasarimlari.
Bu durumlarda alternatifler:
- R (pwr, simr, WebPower paketleri): Ucretsiz, simulasyon tabanli guc analizi yapabilme esnekligi var.
- PASS: Ticari, 1100+ prosedur destekliyor, FDA/EMA uyumlu rapor uretiyor.
- nQuery: Ozellikle adaptif tasarimlar ve Bayesian guc analizi icin guclu.
Guc analizi yazilim karsilastirma yazimizda bu secenekleri detayli degerledirdik.
Ama cogu tibbi arastirma icin G*Power fazlasiyla yeterli. Karmasik bir tasariminiz yoksa, ekstra yazilima ihtiyaciniz yok.
Protokole ve Makaleye Nasil Yazilir?
G*Power sonucunu etik kurul protokolune veya makale yontem bolumune yazmak icin standart bir format var:
"Orneklem buyuklugu, bagimsiz iki orneklem t-testi icin a priori guc analizi ile hesaplanmistir. Smith ve ark. (2022) tarafindan bildirilen d = 0.55 etki buyuklugu, alfa = 0.05 anlamlilik duzeyi ve %80 istatistiksel guc hedeflenerek her grupta minimum 53 katilimci gerektigi belirlenmistir. %15 kayip orani goz onune alinarak toplam orneklem buyuklugu 124 olarak planlanmistir (G*Power 3.1.9.7)."
G*Power'da "Protocol of Power Analysis" butonuna tiklayarak tum parametreleri metin formatinda disa aktarabilirsiniz. Bu ciktiyi dogrudan dosyaniza eklemek mumkun.
Model Istatistik olarak guc analizi surecinde arastirmacilara rehberlik sagliyoruz. Dogru testin secilmesinden etki buyuklugu tahminine, G*Power parametrelerinden raporlamaya kadar tum asamalari birlikte yurutuyoruz.
G*Power karmasik gorunuyor ama mantigi basit: ne testi yapacaginizi belirleyin, etki buyuklugunu tahmin edin, standart parametreleri girin, Calculate'e basin. Bir kez alistiginizda her hesaplama 30 saniye suruyor.