Yeniden Örnekleme Yöntemleri: Kavram ve R Uygulamaları

Parametrik testler evren dağılımına ilişkin bir takım varsyaımların karşılanmasını gerektirir. Bu varsayımların karşılanmadığı durumlarda araştırmacılar parametrik olmayan istatistiksel yöntemler kullanılır. Geleneksel parametrik olmayan yöntemlerde sıra puanları ve sıra ortalamalarına dayalı işlemler gerçekleştirirken yeniden örnekleme yöntemleri bu sürece farklı bir bakış açısı getirmiştir. En yaygın kullanılan yeniden örnekleme yöntemlerinin başında randomizasyon testleri gelir. Randomizasyon testlerinin temel mantığı orijinal örneklemden hesaplanan test istatistiğinin rastgele olarak oluşturulan örneklemlerdeki test istatistiği ile karşılaştırılmasına dayalıdır. Bu anlamda kullanımı dünyada gitgide yaygınlaşan randomizasyon testlerine ilişkin yeterli sayıda kaynak olmaması, özellikle Türkiye’de kullanımının çok sınırlı olması bu makalenin yazımına temel oluşturmuştur. Ayrıca randomizasyon testlerinin son yıllarda gündemde önemli bir yer tutan R progrlamla dili üzerinden örneklendirilerek açıklanması çalışmanın diğer bir önemli unsuru olarak düşünülmektedir. Bu çalışmada randomizasyon testlerinin R proglamla dili ile örneklendirilerek açıklanması [1]amaçlanmıştır. Bu bağlamda randomizasyon testlerinin temel kavramları açıklanmış akabinde sosyal bilimler alanında yaygun kullanıldığı düşünülen bağımsız ve tekrarlı örneklemler için t testi, bağınmsız gruplar için tek yönlü varyans analizi ve korelasyon analizi özelinde R kodlarından faydalanılarak örneklendirmelere gidilmiştir. Bu çalışma ile özellikle Türkiye’de randomizasyon testlerinin ve R progrlamlama dilinin kullanımının yaygınlaştırılması beklenmektedir.

Anahtar Kelimeler:

yeniden örnekleme yöntemleri, randomizasyon restleri, permütasyon testleri, parametrik olmayan testler, bootsrap, r proglamlama dili

Resampling Methods: Concept and R Applications

Parametric tests such as t-test, ANOVA, etc. requires some assumptions about the distribution of the scores in the universe. If those assumptions are not met it is a good idea to compute non-parametric tests instead of parametric tests. Traditional non-parametric tests such as Wilcoxon Sum of Ranks and Kruskal Wallis tests etc. focus on the sum of ranks and mean ranks to compare the group scores. On the other hand, resampling methods present a different point of view on this process. One of the mostly used resampling methods is the randomization test. The basic principles of randomization tests are comparing the original test statistic (t values, F values, r coefficient, etc.) to the test statistics derived from randomly generated samples. Although usage of randomization tests in the world is pervading day by day in Turkey it is very rarely used. This may be because of insufficient written source published in Turkey. Moreover, the R programming language has become very popular recently. So in this study, it is aimed to explain the computation process of randomization tests using R codes. In this study, at first, some basic concepts about randomization tests were presented. Then randomization tests were exemplified for independent samples t-test, repeated sample t-test, one-way analysis of variance (one way ANOVA) using R codes. It is hoped that this study guide and motivate researchers to use randomizations tests and r programming language in their research.

Keywords:

resampling methods, resampling tests, randomization tests, r programming language, non-parametrik tests, bootsrap,

PDF

___

Albert, J., & Rizzo, M. (2012). R by example. Springer New York. USA
Banjanovic, Erin S. & Osborne, Jason W. (2016). Confidence Intervals for Effect Sizes: Applying Bootstrap Resampling. Practical Assessment, Research & Evaluation, 21(5).
Beaujean, A. A. (2013). Factor analysis using R. Practical Assessment: Research & Evaluation. 18(4) http://pareonline.net/getvn.asp?v=18&n=4
Bradley, J. V. (1968). Distribution free statistical tests. Englewood Cliffs, NJ: Prentice-Hall.
Chernick, M. R., & Labudde, R. A. (2011). An introduction to bootstrap methods with applications to R. A john Wiley & Sons, Inc. New Jersey.
Davison, A. C., & Hinkley, D. V. (1997). Bootstrap methods and their application. Cambridge, United Kingdom: Cambridge University Press.
Doğan, C.D. (2017). Applying Bootstrap Resampling to Compute Confidence Intervals for Various Statistics with R. Eurasian Journal of Educational Research (68), 1-18.
Edgington, E. S. (1986). Randomization tests. In S. Kotz & N. L. Johnson (Eds.), Encyclopedia of statistical scienc-es, Vol. 7 New York, NY: Wiley. 530–538.
Field, A. (2018). Discovering Statistics Using SPSS. 5th ed. London: Sage Publication.
Gibbons, J. D. (1986). Permutation tests. In S. Kotz & N. L. Johnson (Eds.), Encyclopedia of statistical sciences, Vol. 6 . New York, NY: Wiley. 690
Howel, D. C. (2007). Statistical Method for Psychology. Wadsworth, Cengage Learning. USA
Onghena, P., & May, R. B. (1995). Pitfalls in computing and interpreting randomization test p values: A commentary on Chen and Dunlap. Behavior Research Methods, Instruments, & Computers, 27, 408–411.
Onghena, P. (2018). Randomization tests or permutation tests? A historical and terminological clarification. In V. Berger (Ed.), Randomization, masking, and allocatio concealment (pp. 209‐227). Boca Raton/FL: Chapman & Hall/CRC Press.