Sınıflama düzeyinde bir veriniz varsa frekans tabloları ve yüzde dağılımları şeklinde ifade etmeniz gerekir. Örneğin anket verileri, katılımcıların cinsiyete göre dağılımları genelde bu şekilde verilir.

Veri türüne göre çok çeşitli korelasyon analizleri yapılabilmektedir. Sürekli veriler için normal dağılımın sağlanması durumunda Pearson momentler çarpımı korelasyon katsayısı; normal dağılımın sağlanmaması, az sayıda birey yer alması ya da ölçek türünün sıralama olması durumlarında ise Spearman Brown sıra farkları korelasyon katsayısı hesaplanır.

Regresyon analizi bir yordanan (bağımlı) ve en az bir yordayıcı (bağımsız) değişkenin olması durumunda regresyon doğrusu aracılığı ile tahmin etmeye dayalı bir analiz tekniğidir. Regresyon analizi yapmak için öncelikle korelasyon analizi yapmak gerekmektedir. Aralarında anlamlı korelasyon olmayan değişkenlerin regresyon analizi yapılamaz. Ayrıca yordayıcı değişkenler arasındaki korelasyonun çok yüksek olması bu sefer çoklu bağlantılılık sorununu ortaya çıkarabilir. Değişkenler arasında doğrusal ilişkilerin olması ve çok değişkenli normal dağılımın olması diğer varsayımlarıdır. Bu yüzden varsayımları doğru test edilmeli ve daha sonra analiz aşamasına geçilmelidir. Tek bir yordayıcı değişken olması durumunda Basit Doğrusal Regresyon, birden fazla yordayıcı değişken olması durumunda ise Çoklu Doğrusal Regresyon olarak adlandırılır. Analizin yapılması ve raporlaştırılması oldukça profesyonellik istemektedir.

Bağımlı değişkenin kategorik olduğu durumda uygulanır. Eğer kategori sayısı bilinmiyorsa önce kümeleme analizinin yapılması önerilmektedir. Parametrik bir analiz türüdür.

Lojistik regresyon analizinde yordanan (bağımlı) değişken kategoriktir. Yordayıcı (bağımsız) değişkenler ise genelde süreklidir. Diskriminant analizinin non-parametrik karşılığı olarak da düşünülebilir.

Bağımlı değişkenin sürekli, bağımsız değişkenin iki kategorili bir değişken olması durumunda uygulanır. Bağımlı değişkenin bağımsız değişkenin iki kategorisi için de normal dağılım göstermesi gerekmektedir. Ayrıca varyansların eşit (homojen) olması gerekmektedir.

Bağımlı değişkenin sürekli, bağımsız değişkenin ise en az iki kategorili olduğu durumda kullanılır. İki kategori olması durumunda T testi ile aynı sonucu verir. Uygulaması daha kolay olduğu için genelde T testi tercih edilir. Bağımlı değişkenin bağımsız değişkenin her bir kategorisinde normal dağılması ve varyansların homojen olması gerekmektedir.

Tek bir grubun ya da birbirine denk olduğu varsayılan grupların iki uygulamasının (örneğin ön test ve son test puanları) karşılaştırılması amacıyla kullanılır.

Tek bir grubun ikiden fazla ölçme sonucunun karşılaştırılması amacıyla kullanılır. Örnek vermek gerekirse ön test, son test ve izleme testi sonuçlarının karşılaştırılması istendiğinde kullanılabilir.

Bağımsız değişkenin iki faktörden oluşması durumunda kullanılır. Örneğin öğrencilerin matematik başarısının cinsiyet ve şubeye göre farklılaşma durumu için iki faktörlü ANOVA kullanmak gerekir.

Hem gruplar arası hem de gruplar içi ölçüm sonuçlarının aynı anda karşılaştırılması amacıyla kullanılır. Örneğin deney ve kontrol gruplarının ön test ve son test sonuçlarının karşılaştırılması.

Bilimsel araştırmalarda bazı durumlarda bir ya da daha fazla değişkenin etkisini kontrol etmek isteriz. İstatistiksel analizlerde kontrol edilen bir değişken olduğunda bu “C” harfi ile gösterilir. ANOVA analizinin aynısı yapılır ancak kontrol değişkenleri istatistiksel olarak kontrol edilir. Deneysel bir araştırmada ön test puanları kontrol edildiğinde son test puanları tekrar hesaplanabilir. Bu durumda ANCOVA uygulamak gerekmektedir.

ANOVA analizinde birden fazla bağımlı değişken olması durumunda analizin başına “M” harfi eklenir. Bu birden fazla bağımlı değişken olduğunu gösterir. Örneğin öğrencilerin başarıları şubelerine (A, B, C) göre farklılaşmakta mıdır? sorusunu test etmek amacıyla ANOVA uygulanır. Ancak hem başarıları hem de motivasyon puan ortalamaları şubeye göre incelenirse bu durumda MANOVA uygulamak gerekir.

ANCOVA analizinde birden fazla bağımlı eğişken olması durumunda MANCOVA analizi kullanmak gerekir. Hem kovaryans değişkeni olması hem de birden fazla bağımlı değişken barındırması gerekir.

Yapısal Eşitlik Modellemesi tek bir analizden ziyade bir analiz ailesi olarak değerlendirilebilir. Özellikle yordayıcı korelasyonel araştırmalarda kullanılır. SPSS programında yapılamaz. LISREL, AMOS, MPLUS, R vb. yazılımlarla yapılabilir. Oldukça güçlü varsayımları vardır. Analiz öncesi yapı geçerliği için kanıt sunmak da gerekebilir. Çünkü ölçülen yapının istatistiksel olarak desteklenmesi gerekir. Yordama, aracılık, moderasyon vb. özellikler test edilebilir.

Hiyerarşik Lineer Modelleme verilerin iç içe geçtiği durumlarda kullanılır. Korelasyonel bir analiz tekniğidir. Yapılması oldukça hassas ve teknik bilgi gerektirir.

Veri madenciliği için çok çeşitli teknikler kullanılmaktadır. Karar ağaçları, CHAID, yapay sinir ağları, kümeleme analizi bunlardan bir kaçıdır.

Bazı durumlarda parametrik testleri yapmak mümkün olamamaktadır. Bu durumda hiç analiz yapmamaktansa non parametrik karşılığını yapmak daha doğru olacaktır. Örneğin ilişkisiz örneklem t testinin non parametrik karşılığı Mann Whitney U testidir. İlişkisiz ANOVA’nın non parametrik karşılığı Kruskal Wallis H testidir. Non parametrik testler en az sıralama ölçek türünde veriye ihtiyaç duyarlar.

Maksimum performans testleri (zeka, yetenek, başarı testleri vb.) için test ve madde analizleri yapmak gerekmektedir. Bu konuda yapılacak analizlerin belirlenmesi ve yapılması konusunda doğru akademik desteği sunmaktayız.

Davranışları ölçen testler için yapı geçerliği kanıtı sunmak gerekmektedir. İki analizle yapı geçerliği kanıtı sunulmaktadır. Bunlar Açımlayıcı Faktör Analizi (AFA) ve Doğrulayıcı Faktör Analizidir (DFA). Hangisinin ya da hangilerinin uygulanması gerektiği konusunda müşterilerimizi doğru şekilde yönlendirmekteyiz. Ayrıca diğer geçerlik türleri için de akademik destek vermekteyiz. Davranış ölçen testler için güvenirlik analizi konusunda da destek vermekteyiz.