Kazanimlar:
- Betimsel istatistikleri ve dağılım/ilişki grafiklerini yapay zeka desteğiyle üretip doğru grafik türünü veri ve soruya göre seçebilme
- Yapay zekanın ürettiği görsellerdeki yanıltıcı seçimleri (kesik eksen, uygunsuz ölçek, aşırı yumuşatma) fark edip dürüst görselleştirme ilkelerini uygulayabilme
- Keşifçi analizin hipotez üretmek için olduğunu, aynı veriyle keşif ve teyit yapmanın (p-hacking'e kapı açan) tuzağını ayırt edebilme
Veriyi temizledikten sonra ampirik araştırmacının ilk işi onu tanımaktır. Bu aşamaya keşifçi veri analizi (İngilizcesiyle EDA — Exploratory Data Analysis) denir: veriyi grafikler ve özet istatistiklerle inceleyip yapısını, örüntülerini ve sürprizlerini görme sürecidir. Amaç henüz bir hipotezi test etmek değil, veriyle tanışmak, soru üretmek ve ileride kuracağınız modele zemin hazırlamaktır. Bu ünitede yapay zekanın (YZ) EDA ve görselleştirmeyi nasıl hızlandırdığını, ama ürettiği grafiklerin neden dikkatle denetlenmesi gerektiğini göreceğiz.
Önce iki temel ayrımı koyalım. Birincisi, betimsel istatistik (ortalama, medyan, standart sapma, çeyreklikler gibi veriyi özetleyen sayılar) ile görselleştirme (aynı bilgiyi grafikle gösterme) birbirini tamamlar; ikisi birlikte veriyi anlatır. İkincisi ve en kritik olanı: keşif ile teyit birbirinden ayrılmalıdır. Keşifçi analiz hipotez üretmek içindir; aynı veriyle hem hipotezi keşfedip hem de onu "test edip anlamlı buldum" demek, sonraki ünitede göreceğimiz p-hacking'e kapı açar. Veriye bakıp bir örüntü görmek serbesttir; ama o örüntüyü aynı veride "kanıtlanmış bulgu" ilan etmek yanıltıcıdır.
Adım adım keşifçi analiz
1. Tek değişkenli bakış (univariate). Her değişkeni tek başına inceleyin: dağılımı simetrik mi, çarpık mı; kaç tepe var; uç değerler nerede. Sayısal değişkenler için histogram (değerleri aralıklara bölüp sıklığını gösteren grafik) ve kutu grafiği (boxplot — medyan, çeyreklik ve uç değerleri gösteren grafik); kategorik değişkenler için sıklık tablosu ve çubuk grafik kullanın.
2. İki değişkenli bakış (bivariate). İki değişken arasındaki ilişkiyi görün: iki sayısal değişken için saçılım grafiği (scatter plot — her gözlemi bir nokta olarak x-y düzleminde gösterir), sayısal-kategorik için gruplu kutu grafiği, iki kategorik için çapraz tablo. Korelasyon katsayısına bakmadan önce mutlaka saçılım grafiğine bakın: aynı korelasyon çok farklı desenlerden çıkabilir (ünlü Anscombe dörtlüsü bunu gösterir; dört veri seti neredeyse aynı istatistiklere sahiptir ama grafik çizilince tamamen farklı çıkarlar).
3. Doğru grafik türünü seç. Grafik türü, sorunuza ve veri türüne bağlıdır. Dağılım için histogram; ilişki için saçılım; zaman içindeki değişim için çizgi grafiği; kategori karşılaştırması için çubuk grafiği; parçaların bütüne oranı için (dikkatli) yığılmış çubuk. YZ size hızlıca kod üretir, ama "hangi soru için hangi grafik" kararı sizindir.
4. Örüntüyü not al, sonuç ilan etme. Gördüğünüz her ilginç deseni bir "keşif notu" olarak kaydedin, ama onu doğrulanmış bir bulgu saymayın. Teyit, ayrı bir adımda, tercihen ayrı veriyle ya da önceden belirlenmiş bir planla yapılır.
Dürüst görselleştirme ilkeleri
Grafik ikna eder; bu yüzden yanıltma gücü de yüksektir. YZ, estetik ama bazen yanıltıcı seçimler yapabilir. Şu ilkeleri denetleyin:
- Çubuk grafiklerde y ekseni sıfırdan başlamalı. Kesik eksen küçük farkı büyük gösterir.
- Ölçek tutarlı olmalı. İki grafik karşılaştırılıyorsa aynı eksen aralığını kullanın.
- Aşırı yumuşatma (smoothing) gerçek örüntüyü gizleyebilir. Trend çizgisi güzel görünür ama veriyi fazla "düzeltirse" yanıltır.
- Renk ve 3B süsleme veriyi değil, dikkati bozar. Sadeliği tercih edin.
- Eksik veri ve örneklem büyüklüğü görünür olmalı. "n=12" ile "n=12.000" aynı görünmemeli.
Dikkat: YZ'nin ürettiği grafik güzel diye doğru değildir. En sık yaptığı hata çubuk grafikte ekseni sıfırdan başlatmamak ve iki grubun farkını abartmaktır. Ekseni her zaman kontrol edin.
Karşılaştırma tablosu: soru → grafik
Sorunuz
Doğru grafik
Sık yapılan yanlış
Bu değişken nasıl dağılıyor?
Histogram / kutu grafiği
Pasta grafik kullanmak
İki sayısal değişken ilişkili mi?
Saçılım grafiği
Yalnızca korelasyon sayısına bakmak
Zaman içinde nasıl değişti?
Çizgi grafiği
Çubuk grafikle trend anlatmak
Gruplar arası fark ne?
Gruplu kutu/çubuk (sıfırdan)
Kesik eksenli çubuk
Parça-bütün oranı?
Yığılmış çubuk (dikkatli)
Çok dilimli pasta grafik
Dört kopyalanabilir prompt
1. Otomatik keşif kodu:
Rolün: EDA asistanı. Veriyi paylaşmıyorum, R (ggplot2) kodu istiyorum.'veri' data.frame'inde sayısal (gelir, yas, harcama) ve kategorik(bolge, egitim) değişkenler var. Görev: her sayısal için histogram,her kategorik için çubuk grafik, gelir~yas için saçılım grafiği üretenkod yaz. Çubuk grafiklerde y ekseni SIFIRDAN başlasın. Yorum satırı ekle.
2. İlişki incelemesi (korelasyon + görsel birlikte):
gelir ve harcama için hem Pearson korelasyonunu hesaplayan hem desaçılım grafiği + doğrusal trend çizen kod yaz. Bana korelasyonsayısına GÜVENMEDEN önce grafiği incelememi hatırlatan bir yorum satırı ekle(Anscombe uyarısı). Trend çizgisini aşırı yumuşatma.
3. Dürüstlük denetimi:
Aşağıdaki ggplot kodunu dürüst görselleştirme açısından denetle:[kod]. Şunları kontrol et ve düzelt: y ekseni sıfırdan mı başlıyor,ölçek tutarlı mı, örneklem büyüklüğü görünür mü, aşırı yumuşatma var mı.Yaptığın her düzeltmeyi gerekçesiyle açıkla.
4. Keşif notu üretme (bulgu değil):
Ürettiğim grafiklere dayanarak GÖZLEMLERİ 'keşif notu' olarak listele;her maddeyi "kesin bulgu" değil "test edilmesi gereken hipotez" dilinde yaz.Örnek: "Yüksek eğitimde gelir daha yayılmış GÖRÜNÜYOR; ayrı veriyle test edilmeli."Nedensel ve kesin ifadelerden kaçın.
Zayıf prompt / Güçlü prompt
Zayıf prompt:
Verimden güzel grafikler çıkar ve ne anlama geldiklerini söyle.
Bu istem yanıltıcı çıktı davetidir: "güzel" estetiğe odaklanır, "ne anlama geldiği" ise YZ'yi keşiften kesin sonuca atlamaya iter. Nedensel, abartılı yorumlar gelir.
Güçlü prompt:
Rolün: dürüst EDA asistanı.Görev: (1) soruma uygun grafik türünü seç ve gerekçesini yaz,(2) çubuk grafiklerde ekseni sıfırdan başlat,(3) çıktıyı KEŞİF NOTU dilinde yorumla: kesin/nedensel iddia yok,"test edilmeli" dilinde hipotez öner,(4) örneklem küçükse (n<30) beni uyar.Grafiği ben kendi ortamımda çalıştırıp doğrulayacağım.
Fark: güçlü istem grafik türünü gerekçelendirir, dürüstlük kurallarını dayatır ve keşfi teyitle karıştırmaz.
Üç mini vaka
Vaka 1 — Kesik eksen abartması. Bir analist iki şubenin memnuniyet puanını (7,8 ve 8,0; 10 üzerinden) çubuk grafikle gösterdi. YZ ekseni 7,5'ten başlatınca ikinci şube birincinin neredeyse iki katı yüksek göründü; oysa fark yalnızca %2,5'ti. Yönetim yanlış izlenimle bir şubeyi ödüllendirmek üzereydi. Ekseni sıfırdan başlatınca fark neredeyse görünmez oldu. Ders: eksen seçimi tek başına algıyı değiştirir.
Vaka 2 — Korelasyona güvenip grafiği atlamak. Bir araştırmacı iki değişken arasında r=0,81 görüp "güçlü doğrusal ilişki" yazdı. Danışmanı saçılım grafiğini isteyince ilişkinin aslında tek bir aşırı uç gözlemden kaynaklandığı, o nokta çıkınca korelasyonun 0,12'ye düştüğü görüldü. Ders: korelasyon sayısı grafiğin yerini tutmaz; her zaman saçılıma bakın.
Vaka 3 — Keşfi teyitle karıştırma. Bir öğrenci 40 değişkenli bir veride bütün ikili korelasyonlara baktı, en yükseğini (r=0,52) seçip "eğitim ile tasarruf arasında anlamlı ilişki bulduk (p=0,004)" diye yazdı. Oysa 40 değişkende yüzlerce çift vardı; en yükseğini seçmek şansa bağlı sahte bir bulguydu. Ders: keşifte bulunan örüntü, aynı veride "test edilip anlamlı" ilan edilemez; ayrı teyit gerekir.
Sık yapılan hatalar
- Çubuk grafikte ekseni sıfırdan başlatmamak. Küçük farkı abartır; en yaygın görsel yalan. Her zaman kontrol edin.
- Korelasyona bakıp grafiği atlamak. Aynı korelasyon çok farklı desenlerden gelir; uç değer bir ilişkiyi uydurabilir. Önce saçılım.
- Keşifte bulunan örüntüyü aynı veride "kanıt" saymak. Bu p-hacking'in kapısıdır; teyit ayrı yapılır.
- Yanlış grafik türü. Trend için çubuk, dağılım için pasta gibi eşleşmeler yanıltır. Soruya göre tür seçin.
- Örneklem büyüklüğünü gizlemek. n=8 ile n=8.000 aynı grafikte aynı görünmemeli; belirsizlik gösterilmeli.
İpucu: Bir grafiği yayına koymadan önce kendinize sorun: "Ekseni değiştirsem hikâye değişir mi?" Cevap evetse, muhtemelen ekseni dürüst olmayan bir yerden başlatmışsınızdır.
Özetle
Keşifçi veri analizi veriyle tanışma, örüntü görme ve hipotez üretme aşamasıdır; teyit değildir. YZ betimsel istatistik ve grafik kodunu hızla üretir, ama grafik türünü sorunuza göre siz seçer, dürüstlük ilkelerini (sıfırdan eksen, tutarlı ölçek, görünür belirsizlik) siz denetlersiniz. Korelasyon sayısına güvenmeden önce saçılıma bakın; keşifte bulduğunuz örüntüyü aynı veride "kanıt" ilan etmeyin. YZ'nin güzel grafiği doğru grafik demek değildir.
Uygulama görevi
Bir veri setinde en az üç değişken seçin. YZ'den dürüstlük kurallarını dayatan bir prompt'la keşif grafikleri (histogram, saçılım, gruplu kutu) üreten kod isteyin ve çalıştırın. Her grafik için: (1) grafik türünün soruya uygunluğunu, (2) eksenin dürüstlüğünü, (3) örneklem büyüklüğünün görünürlüğünü kontrol edin. En az bir "keşif notu"nu hipotez dilinde yazın ("...görünüyor, ayrı test edilmeli"). Bir korelasyonu hem sayı hem saçılımla inceleyip aralarında çelişki olup olmadığını raporlayın.
Kontrol listesi
- [ ] Grafik türünü soruma ve veri türüne göre seçtim.
- [ ] Çubuk grafiklerde y eksenini sıfırdan başlattım; eksen dürüstlüğünü denetledim.
- [ ] Korelasyona güvenmeden önce saçılım grafiğine baktım.
- [ ] Örneklem büyüklüğünü ve belirsizliği grafiğe yansıttım.
- [ ] Keşifte bulduğum örüntüleri "kanıt" değil "test edilecek hipotez" olarak yazdım.
- [ ] Teyit için aynı veriyi kullanmayacağımı, ayrı bir adım gerektiğini not ettim.