Çoklu Regresyon için Güç Analizi
A Priori Power Analysis for Multiple Regression · Ayrıca şöyle bilinir: regression power analysis, sample size estimation regression, f² power analysis, Güç Analizi — Regresyon
Çoklu regresyon için güç analizi, belirli bir büyüklükteki regresyon etkisini yeterli istatistiksel güçle tespit etmek için gereken minimum örneklem büyüklüğünü hesaplayan, Jacob Cohen (1988) tarafından biçimlendirilmiş bir çalışma öncesi prosedürüdür. Veri toplama başlamadan önce toplanması gereken gözlem sayısını belirlemek için beklenen R²'yi (veya eşdeğer Cohen'in f² etki büyüklüğünü) ve öngörücü sayısını kullanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bu prosedürü, sürekli öngörücüler ve sürekli bir sonuç ile çoklu regresyon çalışması planlarken, veri toplama başlamadan önce kullanın. İki girdi belirtilmelidir: öngörücü sayısı (u) ve beklenen R² değeri veya Cohen'in f²'si olarak ifade edilen beklenen etki büyüklüğü. Etki büyüklüğü tahminleri, önceki literatüre, pilot verilere veya bilimsel olarak anlamlı kabul edilen en küçük etkiye dayanmalıdır — keyfi olarak icat edilmemelidir. Yöntem, sonucun normalliğini varsaymaz ve yalnızca F tabanlı genel testin çıkarımsal hedef olmasını gerektirir. Eğer n pratik kısıtlamalarla zaten sabitlenmişse ve amaç elde edilebilir gücü belirlemekse, aynı çerçeve post-hoc (hassasiyet) modunda kullanılır.
Güçlü yönler & sınırlılıklar
- Hem yetersiz güçlü çalışmaları (gerçek etkileri kaçıran) hem de israfen aşırı büyük örneklemleri önler.
- Disiplinler arasında otuz yılı aşkın doğrulama ile şeffaf, biçimsel olarak türetilmiş bir çerçeveye dayanır.
- f² etki büyüklüğü doğrudan yorumlanabilir: küçük ≈ 0.02, orta ≈ 0.15, büyük ≈ 0.35 (Cohen, 1988).
- Yalnızca genel model etkisini değil, bir öngörücü alt kümesinin artımlı R²'sini tespit etmek için uyarlanabilir.
- Sonuç, yalnızca beklenen etki büyüklüğü kadar güvenilirdir; şişirilmiş pilot tahminleri yetersiz güçlü nihai çalışmalara yol açar.
- Yalnızca genel F testini kapsar; bireysel regresyon katsayıları için güç, ayrı ve daha karmaşık hesaplamalar gerektirir.
- Eksik verileri, normal olmayan artıkları veya model yanlış belirtimini hesaba katmaz, bunların hepsi etkili gücü azaltır.
SSS
Beklenen R² için hangi değeri kullanmalıyım?
Aynı veya yakından ilişkili yapılar üzerindeki önceki literatüre dayandırın. Uygun literatür yoksa, Cohen'in (1988) kıyaslamaları muhafazakar bir başlangıç noktası sağlar: küçük bir etki (f² = 0.02, R² ≈ 0.02), orta düzeyde bir etki (f² = 0.15, R² ≈ 0.13) ve büyük bir etki (f² = 0.35, R² ≈ 0.26). Şüpheye düştüğünüzde, beklediğinizden daha küçük bir etki için plan yapın — bu, bir güvenlik marjı oluşturur.
Öngörücü sayısı gereken örneklem büyüklüğünü nasıl etkiler?
Her ek öngörücü, artık serbestlik derecesinden bir derece maliyetlidir, bu da aynı etkiyi tespit etmeyi zorlaştırır. Sabit bir hedef güç ve etki büyüklüğü için, öngörücü eklemek daha büyük bir N gerektirir. Bu nedenle, gereksiz öngörücüleri dahil etmek örneklem büyüklüğü gereksinimlerini artırır ve model tutumluluğunun tasarım aşamasında neden önemli olduğunu gösterir.
Bunu hiyerarşik regresyon için kullanabilir miyim?
Evet, bir ayarlama ile: toplam model R² yerine, yeni öngörücü bloğunun katkıda bulunduğu artımlı R²'ye (ΔR²) odaklanın. ΔR²'yi aynı formülü kullanarak f²'ye dönüştürün (f² = ΔR² / (1 − R²_full)) ve yeni bloktaki öngörücü sayısını u olarak kullanın. Cohen (1988) bu durumu açıkça ele alır.
Gereken N toplanabilir olandan fazlaysa ne yapmalıyım?
İlk olarak, etki büyüklüğü tahmininin gerçekçi olduğunu ve muhafazakar olarak küçük olmadığını doğrulayın. Eğer N gerçekten uygulanamaz ise, mevcut örnekleminizin elde ettiği gücü raporlayın ve bunu bir çalışma sınırlaması olarak kabul edin. Alternatif olarak, öngörücü sayısını azaltarak modeli basitleştirmeyi düşünün, bu da aynı hedef güç için gereken N'yi düşürür.
Kaynaklar
- Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates. ISBN: 978-0805802832
- Green, S. B. (1991). How Many Subjects Does It Take To Do A Regression Analysis? Multivariate Behavioral Research, 26(3), 499–510. DOI: 10.1207/s15327906mbr2603_7 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). A Priori Power Analysis for Multiple Regression. ScholarGate. https://scholargate.app/tr/statistics/power-analysis-regression
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Pearson Korelasyonu için İstatistiksel Güç Analiziİstatistik↔ karşılaştır
- Çoklu Doğrusal Regresyonİstatistik↔ karşılaştır
- ANOVA için Güç Analiziİstatistik↔ karşılaştır
- t-test için Güç Analiziİstatistik↔ karşılaştır