p-value (p Değeri)

#Istatistik #HipotezTesti #VeriBilimi #ABTest

Sıfır hipotezinin doğru olduğu varsayımı altında, gözlemlenen sonuçların en az bu kadar aykırı olma olasılığını sayısal olarak gösteren istatistiksel anlamlılık ölçütü.

p değeri (İng. p-value), istatistiksel hipotez testlerinin temel ölçütüdür. Sıfır hipotezinin (H₀) gerçek olduğu varsayımı altında, yapılan deneyde elde edilen sonucun ya da daha aykırı bir sonucun gözlemlenme olasılığını ifade eder. 0 ile 1 arasında değer alır; küçük bir p değeri, elde edilen bulguların sıfır hipoteziyle zayıf biçimde örtüştüğünü ve bu hipotezi reddetmek için güçlü istatistiksel kanıt bulunduğunu gösterir. Geleneksel istatistik araştırmalarında en yaygın anlamlılık eşiği α = 0,05'tir. p değeri bu eşiğin altına düştüğünde sonuç "istatistiksel olarak anlamlı" kabul edilir ve sıfır hipotezi reddedilir. Tıp ve ilaç araştırmalarında α = 0,01 ya da α = 0,001 gibi çok daha katı eşikler benimsenmektedir. Parçacık fiziğinde ise 5 sigma kriteri (p < 3×10⁻⁷) standart kabul görmektedir. Bu eşikler evrensel doğa yasaları değil, alanın risk toleransına göre uzlaşıyla belirlenmiş değerlerdir. Veri biliminde p değeri; A/B testlerinde grup farklılığının rastlantısal olup olmadığının sınanmasında, regresyon modellerinde bağımsız değişken katsayılarının anlamlılığının değerlendirilmesinde ve özellik seçiminde (feature selection) sıklıkla kullanılır. p değerinin doğru anlaşılması için kritik bir noktayı vurgulamak gerekmektedir: p değeri, sıfır hipotezinin doğru olma olasılığı değildir. Yalnızca mevcut verilerin sıfır hipoteziyle ne ölçüde uyumsuz olduğunu gösterir ve alternatif hipotezin kesinliği hakkında doğrudan bir yargı sunmaz. p değeri tek başına yeterli bir ölçüt değildir; büyük örneklemlerde pratik açıdan önemsiz küçük farklar bile anlamlılık eşiğini kolaylıkla aşabilir. Modern veri bilimi pratiğinde Cohen's d gibi etki büyüklüğü ölçütleri, güven aralıkları ve Bayes faktörü gibi tamamlayıcı araçlarla birlikte yorumlanması önerilmektedir. 2016'da Amerikan İstatistik Derneği (ASA), p değerinin yanlış ve tek başına kullanımına dair resmi bir uyarı yayımlamış; çoklu test sorunlarında Bonferroni düzeltmesi ve FDR (False Discovery Rate) kontrolü gibi yöntemlerin benimsenmesini tavsiye etmiştir.

p Değeri Nedir?

p değeri, istatistiksel hipotez testinde kullanılan temel bir ölçüttür. Basitçe ifade etmek gerekirse: eğer sıfır hipotezi (H₀) gerçekten doğru olsaydı, elde ettiğimiz sonuçların ya da daha aykırı sonuçların gözlemlenme olasılığı nedir sorusuna sayısal bir yanıt verir. 0 ile 1 arasında değer alır; 0'a yaklaştıkça verinin H₀ ile uyumsuzluğu artar. p < α eşiğinde H₀ reddedilir ve bulgu 'istatistiksel olarak anlamlı' kabul edilir.

p Değeri Nasıl Hesaplanır?

p değeri, seçilen istatistiksel teste ve verilerin dağılım varsayımına göre hesaplanır. t-testi: İki grubun ortalamalarını karşılaştırmak için kullanılır; t istatistiği hesaplanır, ardından t dağılımından p değeri elde edilir. Ki-kare testi: Kategorik değişkenler arasındaki ilişkiyi ölçer; gözlenen ve beklenen frekanslar karşılaştırılır. ANOVA: İkiden fazla grubun ortalamalarını eş zamanlı olarak karşılaştırır; F istatistiği kullanılır. Python'da scipy.stats ve statsmodels kütüphaneleri bu hesaplamaları otomatik olarak yapar.

0,05 Eşik Değerinin Kökeni

α = 0,05 eşiği evrensel bir doğa yasası değil, 1920'lerde istatistikçi Ronald Fisher tarafından önerilen ve zamanla yaygınlaşan bir uzlaşı değeridir. Fisher, bu eşiği pratik bir kural olarak sunmuş; ancak farklı araştırma alanlarının farklı eşikler benimsemesi gerektiğini vurgulamıştır. Bugün birçok alan farklı standartlar kullanmaktadır: tıbbi klinik çalışmalarda p < 0,01, genomik araştırmalarda p < 5×10⁻⁸ (genelleştirilmiş Bonferroni düzeltmesi) ve parçacık fiziğinde 5 sigma (p < 3×10⁻⁷) kriteri benimsenmektedir.

Veri Bilimi ve Makine Öğreniminde Kullanım Alanları

p değeri veri bilimi pratiğinde birçok kritik noktada karşımıza çıkar. A/B Testleri: Ürün değişikliklerinin kullanıcı davranışı üzerindeki etkisini ölçerken deney ve kontrol grubu arasındaki farkın istatistiksel anlamlılığı p değeriyle belirlenir. Regresyon analizi: Katsayıların sıfırdan anlamlı biçimde farklı olup olmadığı t-testi ile p değeriyle raporlanır. Özellik seçimi: Düşük p değerli özellikler bağımlı değişkenle daha güçlü ilişki içindeymiş gibi görünür; ancak çoklu test düzeltmesi (Bonferroni, FDR) yapılmazsa yanlış pozitif oranı artar.

Yaygın Yanlış Anlamalar

p değeri istatistik eğitiminde en fazla yanlış anlaşılan kavramlardan biridir. Yanılgı 1: 'p değeri sıfır hipotezinin yanlış olma olasılığıdır.' Yanlış; p değeri, H₀ doğru kabul edildiğinde veri setini gözlemleme olasılığıdır. Yanılgı 2: 'p < 0,05 etkinin pratik olarak önemli olduğu anlamına gelir.' Yanlış; büyük örneklemlerde minik, anlamsız farklar bile istatistiksel anlamlılık eşiğini geçer. Yanılgı 3: 'p > 0,05 ise H₀ doğrudur.' Yanlış; yalnızca H₀'ı reddetmek için yeterli kanıt bulunmadığı söylenebilir.

p Değerinin Sınırlılıkları ve Alternatifler

Temel sınırlılıklar: Etkinin büyüklüğü hakkında bilgi vermez; örneklem büyüklüğüne aşırı duyarlıdır; p-hacking (veri madenciliğiyle anlamlı sonuç arama) sorununa açıktır; çoklu karşılaştırmalarda yanlış pozitif oranı katlanarak artar. Alternatifler ve tamamlayıcı ölçütler: Güven aralıkları belirsizliği de raporlar; Cohen's d ve η² gibi etki büyüklüğü ölçütleri pratik önemi gösterir; Bayes faktörü H₀ ve H₁ için göreli kanıtı karşılaştırır; FDR kontrolü (Benjamini-Hochberg) çoklu test sorununu yönetir.

Sık Sorulan Sorular

  • check_circle p değeri tam olarak neyi ölçer? Sıfır hipotezinin doğru olduğu varsayımı altında, elde edilen sonuçların ya da daha aykırı sonuçların gözlemlenme olasılığını ölçer. Sıfır hipotezinin doğru olma olasılığını ölçmez; bu yaygın bir yanılgıdır.
  • check_circle p < 0,05 her zaman güvenilir bir kriter midir? Hayır. Eşik değer araştırmanın bağlamına, örneklem büyüklüğüne ve kabul edilebilir hata toleransına göre değişmelidir. Fizik alanında 5 sigma standardı kullanılırken bazı sosyal bilim çalışmalarında p < 0,1 bile kabul edilebilir bulunabilir.
  • check_circle A/B testinde p değeri nasıl kullanılır? Deney ve kontrol grubunun metrik ortalamaları (tıklama oranı, dönüşüm vb.) karşılaştırılır; iki örneklem t-testi veya z-testi uygulanır. Elde edilen p değeri seçilen α eşiğiyle kıyaslanır; p < α ise değişiklik istatistiksel olarak anlamlı kabul edilir. Pratik önemi değerlendirmek için etki büyüklüğü ve güven aralığı da raporlanmalıdır.
  • check_circle p-hacking nedir ve nasıl önlenir? p-hacking, araştırmacının p < 0,05 elde edene kadar farklı analizler denemesini ifade eder; bu, yanlış pozitif oranını ciddi biçimde artırır. Önlem için: hipotezler veri toplanmadan önce kaydedilmeli (pre-registration), çoklu karşılaştırma düzeltmesi uygulanmalı ve negatif sonuçlar da yayımlanmalıdır.