KIP ve SPSS Karşılaştırması: Akademik Araştırmalar için Güvenilir ve Geçerli Bir İstatistik Yazılımı
Öz
Bu çalışma, akademik araştırmalar için analiz ve raporlama süreçlerini kolaylaştırmak amacıyla geliştirilen “Kolaylaştırılmış İstatistik Programı (KİP)”in, referans yazılım SPSS (sürüm 27.0) ile karşılaştırmalı olarak değerlendirilmesini amaçlamaktadır. Çalışma, KİP’in parametrik ve non-parametrik test performansını, varsayım kontrollerindeki başarısını, grafik oluşturma yeteneklerini ve Word formatında çıktı üretim kapasitesini, analiz çeşitliliğini desteklemek amacıyla seçilen dört açık kaynaklı veri seti kullanılarak incelemektedir. Bulgular, KİP’in bu veri setlerinde SPSS ile büyük ölçüde tutarlı olduğunu, parametrik ve non-parametrik testlerde p değerleri, istatistiksel test değerleri ve etki büyüklüklerinin eşleştiğini, varsayım kontrollerinde ise tam uyum sağladığını göstermiştir. Sonuç olarak, KİP, akademik ve profesyonel kullanım için güvenilir ve kullanıcı dostu bir araç olarak öne çıkmakla birlikte, çoklu platform desteği eksikliği gibi sınırlamaları bulunmaktadır.
Anahtar Kelimeler
KİP, parametrik testler, non-parametrik testler, veri analizi
Etik Beyan
Bilgilendirme
Bu çalışmada insan veya hayvan deneklerinden veri toplanmamıştır. Bu nedenle çalışma, etik kurul onayı gerektiren çalışmalar kapsamında yer almadığından etik kurul onayı alınmamıştır.
Kaynakça
- Akbulut, Ö. (2022). Bilimsel araştırmalarda istatistiksel anlamlılığın raporlanmasında güncel yaklaşımlar: Hatalar ve doğrular. International Journal of Eastern Mediterranean Agricultural Research, 5(1), 1-19.
- Alpar, R. (2014). Uygulamalı istatistik ve geçerlilik-güvenirlik: SPSS’de çözümleme adımları ile birlikte (3. baskı). Detay Yayıncılık.
- Bademci, V. (2022). Correcting fallacies about validity as the most fundamental concept in educational and psychological measurement. International e-Journal of Educational Studies, 6 (12), 148-154. https://doi.org/10.31458/iejes.1140672
- Bressert, E. (2012). Scipy and numpy: An overview for developers. O’Reilly Media.
- Fagerland, M. W. (2012). t-tests, non-parametric tests, and large studies—a paradox of statistical practice? BMC Medical Research Methodology, 12, 1-7. https://doi.org/10.1186/1471-2288-12-78
- Gotelli, N. J., & Ulrich, W. (2012). Statistical challenges in null model analysis. Oikos, 121(2), 171-180. https://doi.org/10.1111/j.1600-0706.2011.19731.x
- Hill, C., Du, L., Johnson, M., & McCullough, B. (2024). Comparing programming languages for data analytics: Accuracy of estimation in Python and R. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, e1531. https://doi.org/10.1002/widm.1531
- Hopkins, W., Marshall, S., Batterham, A., & Hanin, J. (2009). Progressive statistics for studies in sports medicine and exercise science. Medicine & Science in Sports & Exercise, 41(1), 3-13. https://doi.org/10.1249/MSS.0b013e31818cb278
- Jain, P., & Sengar, S. (2024). Unraveling the role of IBM SPSS: A comprehensive examination of usage patterns, perceived benefits, and challenges in research practice. Educational Administration: Theory and Practice, 30(5), 9523-9530. https://doi.org/10.53555/kuey.v30i5.4609
- Lino Calle, V. A., Carvajal Rivadeneira, D. D., Sornoza Parrales, D., Vergara Ibarra, J. L., & Intriago Delgado, Y. M. (2024). Jamovi, the technological tool for analyzing and interpreting data in civil engineering projects. Revista Innovaciones Educativas, 26(41), 151-165. http://ddoi.org/10.22458/ie.v26i41.5145
