Bir klinik calismada yeni bir antihipertansif ilaci test ediyorsunuz. 30 hastaya verdiniz, 30 hastaya plasebo. Sonuc: p = 0.08. Anlamsiz. Danismaniniz soruyor: "Bu ilac gercekten ise yaramadi mi, yoksa yeterli hasta mi almadin?"
Bu soru, istatistikte en temel sorulardan biri. Ve guc analizi, tam da bu soruya cevap veren kavramsal cerceve.
Bu yazi guc analizinin ne oldugunu, nasil calistigini ve hangi parametrelere dayalydigini acikliyor. Guc analizinin neden zorunlu oldugunu ve etik kurul baglamini merak ediyorsaniz, guc analizi neden gerekli yazimiz o konuya odaklaniyor.
Guc Analizi: Temel Tanim
Guc analizi, bir arastirmanin gercek bir etkiyi veya farki istatistiksel olarak tespit edebilme olasiligini belirleyen matematiksel bir hesaplamadir.
Daha somut bir ifadeyle: eger gercekten bir fark varsa, arastirmanizin bu farki yakalama sansi nedir?
Bu sans yuzde 50 ise, yazi-tura atmakla ayni isi yapiyorsunuz. Yuzde 80 ise, makul bir guvenle sonuc elde edebilirsiniz. Yuzde 95 ise, cok guclu bir calisma tasarlamis olursunuz ama bunun icin cok daha buyuk orneklem gerekir.
Guc analizi dort parametre arasindaki matematiksel iliskiye dayaniyor. Bu dort parametreden ucunu bildiginizde, dorduncuyu hesaplayabiliyorsunuz. En yaygin kullanim: ilk ucu belirleyip orneklem buyuklugunu hesaplamak.
Dort Temel Parametre
| Parametre | Sembol | Tanim | Yaygin Deger |
|---|---|---|---|
| Anlamlilik duzeyi | alpha | Tip I hata olasiligi | 0.05 |
| Istatistiksel guc | 1 - beta | Gercek bir etkiyi dogru tespit etme olasiligi | 0.80 veya 0.90 |
| Etki buyuklugu | d, r, f, OR | Gruplar arasindaki farkin buyuklugu | Calismaya ozgu |
| Orneklem buyuklugu | n | Katilimci sayisi | Hesaplanan deger |
Bu dort parametre birbirine bagli. Birini degistirdiginizde diger ucunden en az biri etkileniyor. Bu baglanti guc analizinin temelidir.
Anlamlilik Duzeyi (alpha)
Alfa, yanlis pozitif sonuc elde etme olasiligini temsil ediyor. Baska bir deyisle, gercekte fark yokken fark buldugunu sanma riski.
Tibbi arastirmalarda gelenek olarak alpha = 0.05 kullaniliyor. Bu, %5 yanlis pozitif riskini kabul ettigimiz anlamina geliyor. Neden 0.05? Tarihsel bir uzlasma. Bazen 0.01 kullaniliyor (daha tutucu), bazen 0.10 (daha kesfedici). Ama standart 0.05.
Onemli bir detay: coklu karsilastirma yapildiginda (ornegin 10 test birden), alfa duzeyinde duzeltme gerekiyor. Bonferroni duzeltmesi en bilinen yontem: 10 test icin alfa = 0.05/10 = 0.005. Aksi halde sans eseri anlamli sonuc bulma olasiliginiz artiyor.
Istatistiksel Guc (1 - beta)
Guc, arastirmanizin gercek bir etkiyi yakalama olasiligi. Formul olarak:
Guc = 1 - beta
Beta, Tip II hata oranini temsil ediyor. Yani gercekte var olan bir farki kacirma olasiligi.
Standart esik %80, yani beta = 0.20. Bu ne demek? "Gercekte bir fark varsa, 100 calismadan 80'inde bunu yakalayacagim, 20'sinde kacirma riskim var."
Klinik onemi yuksek calismalarda %90 guc hedefleniyor. Ornegein faz III ilac calismalari veya cerrahi girisim araslirmalari. Ama %90 guc, onemli olcude daha buyuk orneklem gerektiriyor.
Etki Buyuklugu (Effect Size)
Etki buyuklugu, gruplar arasindaki farkin veya degiskenler arasindaki iliskinin pratikte ne kadar anlamli oldugunu gosteren standartlastirilmis bir olcu. Guc analizinin en kritik ve en zor belirlenen parametresi.
Neden zor? Cunku calisma henuz yapilmadan once "ne kadar bir fark bekliyorsunuz?" sorusuna cevap vermeniz gerekiyor.
Etki buyuklugu degerleri kullanilan teste gore degisiyor:
| Test Turu | Etki Buyuklugu Olcusu | Kucuk | Orta | Buyuk |
|---|---|---|---|---|
| t-testi | Cohen's d | 0.20 | 0.50 | 0.80 |
| ANOVA | Cohen's f | 0.10 | 0.25 | 0.40 |
| Korelasyon | Pearson r | 0.10 | 0.30 | 0.50 |
| Ki-kare | Cohen's w | 0.10 | 0.30 | 0.50 |
| Lojistik regresyon | Odds Ratio | 1.5 | 2.5 | 4.0 |
Cohen'in kucuk-orta-buyuk siniflandirmasi bir rehber ama son care olarak kullanilmali. Dogru yaklasim: once literaturden (meta-analiz veya benzer calismalar), sonra pilot calisma verilerinden, en son klinik olarak anlamli minimum farktan (MCID) yola cikmak.
Etki buyuklugu hesaplama yontemleri yazimizda Cohen's d, Hedges' g, odds ratio, NNT ve diger olculeri detayli ele aldik.
Orneklem Buyuklugu (n)
Orneklem buyuklugu, guc analizinin cogu zaman asil ciktisi. Diger uc parametre belirlendikten sonra gereken minimum katilimci sayisi hesaplaniyor.
Ama bu "minimum" sayinin uzerine kayip orani eklenmesi sart. Prospektif calismalarda takip kaybi, eksik veri, protokol ihlali gibi nedenlerle katilimci kaybi yasaniyor.
Duzeltme formulu basit: N_duzeltilmis = N_hesaplanan / (1 - kayip orani). %15 kayip bekliyorsaniz ve guc analizi 64 katilimci oneriyorsa: 64 / 0.85 = 76 katilimci.
Orneklem buyuklugu hesaplama yazimizda bu hesaplamalarin pratigini adim adim anlattik.
Tip I ve Tip II Hata: Kavramsal Temel
Guc analizini tam kavramak icin Tip I ve Tip II hatalarin ne anlama geldigini net bicimde anlamak gerekiyor. Bu iki hata turu, istatistiksel karar verme surecinin kacinilmaz riskleri.
| H0 Gercekte Dogru (Fark Yok) | H0 Gercekte Yanlis (Fark Var) | |
|---|---|---|
| H0 Reddedildi (Fark bulundu) | Tip I Hata (alpha) | Dogru karar (Guc = 1 - beta) |
| H0 Reddedilemedi (Fark bulunamadi) | Dogru karar | Tip II Hata (beta) |
Tip I hata: Gercekte fark yokken fark varmis gibi sonuc elde etme. Bir ilacin etkisiz oldugu halde etkili gorundugu durum. Alpha = 0.05 demek, bu riski %5'e sinirlandiriyoruz demek.
Tip II hata: Gercekte fark varken bunu tespit edememe. Etkili bir ilacin etkisiz gorundugu durum. Beta = 0.20 (guc = 0.80) demek, %20 kacirma riskimiz var demek.
Tibbi arastirmalarda her iki hatanin da ciddi sonuclari var. Tip I hata, etkisiz bir tedavinin etkili sanilmasina yol acabiliyor. Tip II hata ise etkili bir tedavinin gozden kacirilmasina neden olabiliyor.
Akademik Not
Bir arastirmanin "istatistiksel olarak anlamsiz" sonuc vermesi, gercekte fark olmadigi anlamina gelmiyor. Yetersiz orneklemle yurutulen calismalarda Tip II hata riski yuksektir: fark aslında olabilir ama calismaniz onu tespit edecek gucte degildir. Bu nedenle "anlamsiz" sonuclari yorumlarken guven araliklarina ve etki buyuklugune bakmak kritik oneme sahip. p degeri anlamsiz ciktiginda yazimizda bu durumu detayli ele aldik.
Guc Analizi Turleri
Guc analizi dort farkli modda calisabiliyor. Hangisini ne zaman kullanacaginiz, arastirma surecinin hangi asamasinda oldugunuza bagliyor.
A priori: Veri toplama oncesinde orneklem buyuklugu hesaplamak icin. Altin standart. Etik kurul ve hakemler bunu goruyor.
Post hoc: Calisma tamamlandiktan sonra gerceklesen gucu hesaplamak icin. Ama onemli bir uyari: post hoc guc analizi p degeriyle dogrudan iliskili oldugu icin bazi istatistikciler tarafindan totolojik (dongusel) bir hesaplama olarak elestiriliyor.
Sensitivity: Orneklem buyuklugunuz sabit oldugunda (ornegin retrospektif calisma) tespit edilebilir minimum etki buyuklugunu hesaplamak icin. Retrospektif calismalarda a priori guc analizi mumkun olmadigindan, sensitivity analizi en uygun yaklasim.
Criterion: Guc ve orneklem buyuklugu bilindikten sonra optimal alfa duzeyini hesaplamak icin. Kesfedici arastirmalarda kullaniliyor.
Somut Ornekler
Ornek 1: Bagimsiz iki grup t-testi. Yeni bir ilacin kan basincina etkisini test edeceksiniz. Literaturde benzer calismalar Cohen's d = 0.5 civarinda etki buyuklugu raporlamis. Alpha = 0.05, guc = 0.80 ile hesapladiginizda: her grupta 64, toplam 128 katilimci gerekiyor. %15 kayip ekleniyor: 128 / 0.85 = 151 katilimci.
Ornek 2: Korelasyon analizi. Yas ile kemik mineral yogunlugu arasindaki iliskiyi arastiriyorsunuz. Beklenen korelasyon r = 0.3. Alpha = 0.05, guc = 0.80 ile: toplam 84 kisi gerekiyor.
Ornek 3: Uc grubun karsilastirilmasi (ANOVA). Ilac A, Ilac B ve plasebo. Cohen's f = 0.25 (orta etki). Alpha = 0.05, guc = 0.80, 3 grup: toplam 159 kisi (her grupta 53).
Bu ornekler G*Power ile hesaplaniyor. G*Power adim adim rehberimizde her ornegi ekran ekran gosterdik.
Etik Kurul ve Dergi Raporlamasi
Guc analizi hem etik kurul protokolunde hem de makale yontem bolumunde raporlaniyor. Raporlarken su bilgiler mutlaka yer almali:
- Kullanilan istatistiksel test
- Etki buyuklugu degeri ve kaynagi (referans veya pilot calisma)
- Anlamlilik duzeyi (alfa)
- Hedeflenen guc
- Hesaplanan orneklem buyuklugu
- Kayip orani ve duzeltilmis orneklem
- Kullanilan yazilim ve versiyonu
Ornek raporlama cumlesi: "Birincil sonuc olcutumuz olan HbA1c duzeyindeki farki degerlendirmek uzere bagimsiz orneklem t-testi icin a priori guc analizi yapilmistir. Smith ve ark. (2022) tarafindan bildirilen 0.65 standart sapma birimlik etki buyuklugu (Cohen's d), iki yonlu alpha = 0.05 anlamlilik duzeyi ve %80 guc hedefi esas alindiginda, her grup icin minimum 38 katilimci gerektigi hesaplanmistir (G*Power 3.1.9.7). %15 kayip orani goz onune alinarak toplam 90 katilimci hedeflenmistir."
Bu format, hem etik kurul uyelerinin hem de hakemlerin orneklem buyuklugunun bilimsel temelini kolayca degerlendirmesini sagliyor.
Pratik Oneriler
Etki buyuklugu tahmini icin sistematik olun. Once meta-analizlere bakin. Yoksa benzer calismalarin etki buyuklukerini derleyin. Pilot calisma yapma imkaniniz varsa onu kullanin. Cohen siniflandirmasini ancak hicbir kaynak yoksa, gerekcelendirerek kullanin.
Birincil sonuc olcutune odaklanin. Guc analizi birincil sonuc olcutu uzerinden yapiliyor. Ikincil sonuclar icin ayri guc analizi zorunlu degil ama calismanin bu sonuclar icin yeterli gucte olmayabilecegi belirtilmeli.
Sensitivity analizi ekleyin. Etki buyuklugu tahmininizin belirsiz oldugu durumlarda, farkli etki buyuklukleri icin gereken orneklem buyukluklerini bir tablo olarak sunmak hakemlerin guvenini artiriyor.
Biyoistatistikci ile erken asamada calisin. Guc analizi sadece bir yazilima parametre girmekten ibaret degil. Dogru testin secilmesi, etki buyuklugunun anlamli bicimde tahmin edilmesi ve sonuclarin yorumlanmasi uzmanlik gerektiriyor.
Model Istatistik olarak guc analizi surecinde arastirmacilara rehberlik sagliyoruz. Etki buyuklugu tahmininden yazilim secinine, hesaplamadan raporlamaya kadar tum asamalari birlikte yurutuyoruz.