ODEV IV (Degiskenler arasindaki iliskinin kesfi)
Meltem Atasoy
2025-11-03
Amaç
Bu ödevin amacı, öğrencilerin bir veri setindeki değişkenler arasındaki ilişkiyi görselleştirerek: ilişki biçimini (doğrusal / doğrusal olmayan), yönünü (pozitif / negatif), ve gücünü (zayıf / orta / güçlü) belirlemeleridir. - Dr. Kübra ATALAY KABASAKAL
Kaynaklardan Çalışma Notlarım
1. Görselleştirme Paketleri ve Fonksiyonlar
| Paket / Fonksiyon | Kullanım Alanı | Pratik Not |
|---|---|---|
| ggplot2 | Katmanlı grafikler (scatter, bar, boxplot, histogram vs.) | geom_point(), geom_boxplot(),
geom_histogram() ile grafik türü belirlenir. |
aes() |
Değişkenleri estetiklerle eşleme | aes(color = CINSIYET) → değişkene göre renk,
aes(size=) → nokta boyutu |
geom_smooth(method="lm") |
Regresyon eğrisi ekleme | stat_regline_equation() ile regresyon denklemi
gösterilebilir |
facet_wrap(~ değişken) / facet_grid() |
Alt gruplar için çoklu panel | Gruplar arası örüntüleri görselleştirmek için |
geom_bar(position="dodge") |
Yan yana çubuk grafik | position="fill" → oransal karşılaştırma |
geom_jitter() |
Overplotting çözümü | Noktaların çakışmasını önler, küçük rastgele kaydırma ekler |
geom_col(width=1) + coord_polar("y") |
Pasta grafiği oluşturma | label = scales::percent() ile yüzdelik etiket
eklenir |
| plotly | Etkileşimli grafikler | plot_ly(x=, y=, type="scatter"),
add_lines(), layout() |
Bu tabloyu hazırlarken, R’da veri görselleştirmenin temel mantığını ve ggplot2’nin katmanlı yapısını daha iyi kavradığımı fark ettim. Özellikle farklı geom fonksiyonlarının ve aes estetiklerinin nasıl çalıştığını tablo hâlinde görmek, hangi grafiği hangi amaçla kullanacağımı hızlıca hatırlamamı sağlıyor. Pasta grafikleri ve etkileşimli plotly görselleştirmelerini de buradan ilişkilendirmek, veri sunumlarımda daha yaratıcı ve etkili grafikler tasarlamamı mümkün kıldı. Tablo sayesinde grafik oluştururken karşılaşabileceğim detayları önceden planlayabiliyorum.
2. Veri Dönüşümü ve Hazırlama (dplyr / tidyverse)
| Fonksiyon | Kullanım | Pratik Not |
|---|---|---|
mutate() |
Yeni değişken ekleme | Mevcut değişkenler korunur |
transmute() |
Yeni değişken ekleme + eski değişkenleri çıkarma | Karmaşık veri setlerinde temiz kullanım |
summarise(across(...)) |
Çoklu değişkene özet istatistik | mean(), sd(), min(),
max() |
distinct() |
Tekil değerleri alma | Kolon bazında tekrarları filtreler |
count(a,b, sort=TRUE) |
Kontenjans tablosu | Gruplar arası frekans sayımı |
filter(), na.omit() |
Veri filtreleme | Kayıp veya istenmeyen gözlemleri çıkarır |
droplevels() |
Kullanılmayan faktörleri silme | Kategorik değişkenler için |
relocate(.before=, .after=) |
Kolon sırası değiştirme | mutate() ile birlikte kullanılabilir |
if_else(), case_when() |
Koşullu değişken oluşturma | Mantıksal kontrol ile yeni değer atama |
select(), rename() |
Kolon seçme / isim değiştirme | starts_with(), num_range() ile
kombinlenebilir |
join() |
Veri setlerini birleştirme | left_join(), inner_join(),
full_join() vs. |
Bu tabloyu hazırlarken, veri hazırlama sürecinin ne kadar kritik olduğunu bir kez daha gördüm. mutate, transmute ve across fonksiyonlarını tablo hâlinde düzenlemek, karmaşık veri setleriyle çalışırken kafamı toparlamamı sağladı. join ve filter gibi fonksiyonların işlevlerini buradan görmek, veri setlerini birleştirme veya temizleme aşamalarında hatasız ilerlememe yardımcı oluyor. Ayrıca if_else ve case_when örneklerini tabloya eklemem, koşullu veri manipülasyonu yaparken bana pratik bir rehber sunuyor.
3. Korelasyon ve Regresyon
| Fonksiyon / Paket | Kullanım | Pratik Not |
|---|---|---|
cor(x, y) |
Pearson korelasyonu | Basit korelasyon katsayısı |
Hmisc::rcorr() |
Korelasyon + p-değeri | Çoklu değişkenler için uygun |
corrplot() |
Korelasyon matrisi görselleştirme | Renk ve yoğunluk ile özet |
PerformanceAnalytics::chart.Correlation() |
Grafik + korelasyon | Çoklu değişkenleri hızlı görselleştirme |
GGally::ggpairs() |
Çok değişkenli scatterplot matrisi | Korelasyon, dağılım ve yoğunluk aynı anda |
Bu tabloyu hazırlarken, farklı analiz türleri için hangi paket ve fonksiyonları kullanmam gerektiğini netleştirmiş oldum. Pearson korelasyonu, regresyon eğrileri ve korelasyon matrislerini tablo hâlinde görmek, analiz planlamasında hızlı ve doğru karar vermemi sağlıyor. Özellikle çoklu değişken analizi için GGally ve PerformanceAnalytics paketlerini karşılaştırmak, hangi durumda hangi aracın daha uygun olduğunu anlamamı kolaylaştırdı. Bu tablo, hem sayısal hem de görsel analizleri entegre etme becerimi geliştirdi.
4. Ek Fonksiyonlar ve Pratik Notlar
| Fonksiyon | Kullanım | Not |
|---|---|---|
round(), mean(), median(),
var(), sd() |
Temel istatistik | Tek değişken için hızlı özet |
IQR(), quantile() |
Çeyrekler ve aralık | Veri dağılımı analizi |
log(), scale_x_log10() |
Log dönüşümü | Skala dönüşümleri |
sample_n(veri, n) |
Alt örnek alma | Büyük veri setlerinde görselleştirme kolaylığı |
geom_dotplot(dotsize=) |
Nokta grafiği | Histograma benzer, yalnızca x ekseni |
geom_density(bw=) |
Yoğunluk grafiği | Bandwidth ile yoğunluk detayını ayarlama |
ggridges::geom_density_ridges() |
Çoklu yoğunluk grafiği | Verilerin üst üste binmesini engeller |
Bu tabloyu hazırlarken, veri hazırlama ve görselleştirme öncesi küçük ama kritik fonksiyonları hatırlamam kolaylaştı. round, mean, sd gibi temel istatistikler kadar log dönüşümü ve sample_n gibi pratik fonksiyonları tablo hâlinde görmek, günlük veri analizlerinde işimi oldukça kolaylaştırıyor. Ayrıca yoğunluk ve nokta grafikleri gibi farklı görselleştirme tekniklerini tabloya eklemek, veriyi çeşitli açılardan değerlendirmemi sağladı. Bu tablo, R’daki küçük ama etkili detayları kavramamda ve kendi analiz rutinimi oluşturmakta bana rehberlik etti.
Uygulama Görevleri
1. Veri Seti Seçme, Düzenleme ve Tanıtma
İlgili veri seti (veri = benlik_hazır.sav) danışmanlığını Arş. Gör. Meltem Atasoy’un yürütmekte olduğu Fatma Çınar ve Beyza Bozkurt’a ait TÜBİTAK 2209-A projesi “Öğretmen Adaylarının Olası Benlikleri ile Hazırbulunuşlukları Arasındaki İlişki” adlı araştırmaya aittir.
veri <- read_sav("benlik_hazır.sav")
veri <- veri %>%
mutate(cinsiyet = factor(cinsiyet,
levels = c(1, 2, 3),
labels = c("Kadın", "Erkek", "Belirtmek istemiyorum")),
lisans = factor(lisans,
levels = c(1, 2, 3, 4, 5, 6),
labels = c("sinif", "okuloncesi", "matematik", "fen", "sosyal", "turkce")),
yas = factor(yas,
levels = c(1, 2, 3),
labels = c("18-20", "21-23", "24-26+")),
sınıf = factor(sınıf,
levels = c(3, 4),
labels = c("3.sınıf", "4.sınıf")))
head(veri, 2)## # A tibble: 2 × 94
## kod cinsiyet yas sınıf lisans not B1 B2 B3 B4 B5 B6
## <dbl> <fct> <fct> <fct> <fct> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1 Kadın 18-20 3.sınıf sinif 3.54 5 5 5 6 6 5
## 2 2 Kadın 21-23 3.sınıf fen 2.8 5 6 5 6 6 5
## # ℹ 82 more variables: B7 <dbl>, B8 <dbl>, B9 <dbl>, H1 <dbl>, H1_rev <dbl>,
## # H2 <dbl>, H3 <dbl>, H4 <dbl>, H5 <dbl>, H6 <dbl>, H7 <dbl>, H8 <dbl>,
## # H9 <dbl>, H10 <dbl>, H11_rev <dbl>, H11 <dbl>, H12 <dbl>, H12_rev <dbl>,
## # H13_rev <dbl>, H13 <dbl>, H14 <dbl>, H15 <dbl>, H16 <dbl>, H17 <dbl>,
## # H18 <dbl>, H19 <dbl>, H20 <dbl>, H21 <dbl>, H22 <dbl>, H23_rev <dbl>,
## # H23 <dbl>, H24 <dbl>, H24_rev <dbl>, H25 <dbl>, H26 <dbl>, H27 <dbl>,
## # H28 <dbl>, H29 <dbl>, H30 <dbl>, mean_scale_1 <dbl>, mean_scale_2 <dbl>, …veri <- veri %>%
mutate(across(where(is.labelled), as_factor)) #Verilerideki değişkenlerin kodlamalarını factor olarak değiştirdim örneğin kadınlar 1 olarak kodlandıysa bunu "kadın" yazar hale getirdim.veri <- veri %>%
select(-kod, -B1: -B9, -H1: -mean_scale_2) #Bu değişkenlerde missing values vardı bu yüzden ortalama atandı ve temizlendi. Temizlenmiş halleri NA kodu ile belirtilmiştir. Rev kodu da ters maddelerin düzenlenmiş halidir. Karışıklığın önünde geçmek için veri seti temizlenmiştir.| Özellik | Açıklama |
|---|---|
| Katılımcı sayısı (N) | 465 öğretmen adayı |
| Toplam değişken sayısı | 94 |
| Veri türü | Nicel (Likert tipi ölçek maddeleri + demografik değişkenler) |
| Veri toplama yöntemi | Ölçekler (öz-bildirim temelli) |
| Katılımcılar | Eğitim fakültesinde öğrenim gören öğretmen adayları |
| Değişken | Açıklama | Türü | Örnek Değer |
|---|---|---|---|
kod (Silindi) |
Katılımcı numarası | Sayısal (ID) | 1, 2, 3… |
cinsiyet |
Katılımcının cinsiyeti | Kategorik | Kadın / Erkek |
yas |
Katılımcının yaşı | Sürekli | 19, 21, 23… |
sınıf |
Öğretmen adayının sınıf düzeyi | Kategorik | 1, 2, 3, 4 |
lisans |
Lisans programı (bölüm türü) | Kategorik | Sınıf Öğretmenliği, Fen Bilgisi vb. |
not |
Genel akademik not ortalaması (GANO) | Sürekli | 2.85, 3.40 vb. |
| Değişken Grubu | Ölçek Türü | Ölçek Düzeyi |
|---|---|---|
| Demografik | Nominal / Ordinal | Kategorik / Sıralı |
| Benlik (B) | Likert tipi | Ordinal |
| Hazırbulunuşluk (H) | Likert tipi | Ordinal |
Veri Toplama Araçları
Demografik Bilgi Formu
Katılımcıların cinsiyet, yaş, sınıf düzeyi ve okuduğu bölüm ve üniversite gibi kişisel bilgilerini toplamak amacıyla gibi soruların yer aldığı form hazırlanacaktır.
Beklenen Olası Öğretmen Benlikleri Ölçeği
Hamman ve diğerleri (2013) tarafından geliştirilen Benlik Ölçeği’nin Türkçe’ye uyarlanması Tatlı Dalioğlu ve Adıgüzel (2015) tarafından yapılmıştır. Ölçek toplam 9 madde şeklindedir. 6’lı likert tipinde iki ölçekten [Beklenen Olası Öğretmen Benlikleri, iki alt faktörden (Profesyonellik (4-5-7-8-9), Öğretmeyi öğrenme (1-2-3-6); Korkulan Olası Öğretmen Benlikleri, üç alt faktörden Yaratıcı olmayan öğretim, Yetersiz sınıf yönetimi , İlgisiz bir öğretmen olma)] oluşmaktadır. Ölçeğin tamamının Cranbach alfa güvenirlik katsayısı 0.70 ve üzeri olarak bulunmuştur. Bu çalışmada Beklenen Olası Öğretmen Benlikleri Ölçeği kullanılmıştır. Elde edilen bu bulgulara göre, Öğretmen Adayları Olası Benlikler Ölçeğinin güvenilir bir ölçme aracı olduğu ifade edilebilir.
Hazırbulunuşluk Ölçeği
Yıldırım ve Köklükaya (2017) tarafından öğretmen adaylarının öğretmenlik mesleğine yönelik hazırbulunuşluk düzeylerini belirlemek amacıyla “Öğretmenlik Mesleğine Yönelik Hazırbulunuşluk Ölçeği” geliştirilmiştir. Ölçme aracı iki boyutlu (2.alt boyuttaki maddeler: 11-13-23-12-1-24) 30 maddeden oluşan 5’li likert tipi bir ölçektir. Geliştirilen araştırma için ölçeğin Cranbach alfa güvenirlik katsayısı 0.93 olduğu tespit edilmiştir.
2. İlişkileri Görselleştirme
Değişkenler arası ilişkişeri görselleştiniz. Farklı görselleştirme yöntemleri (örneğin ggplot2, pairs(), corrplot, ggcorrplot) deneyebilirsiniz.
Her bir grafik için eksen adlarını ve grafik başlıklarını açıklayıcı biçimde düzenleyiniz +
Regresyon yapacağım modeli seçmek için önce demografik değişkenlerime bakalım ve örneklemimizi tanıyalım ardından da normallik bakalım. Normallik sonuçlarına bakmak için r da analiz yapamıyorum (basıklık-çarpıklık-shapiro-wilk gibi) ama grafik çizbiliyorum ve okuyabiliyorum 😁
tema_kucuk <- theme_minimal() +
theme(text = element_text(size = 8),
axis.text.x = element_text(angle = 45, hjust = 1),
plot.title = element_text(size = 8),
plot.subtitle = element_text(size = 6)) #Yapay zekadan yazdırdım çünkü patchwork çok birbirine girdi.
dem1 <- ggplot(veri, aes(x = sınıf)) +
geom_bar() +
labs(title = "Örneklemin sınıf seviyesi dağılımı",
subtitle = "(geom_bar)",
x = "Sınıf kademesi",
y = "Frekans") +
tema_kucuk
dem2 <- ggplot(veri, aes(x = yas)) +
geom_bar() +
labs(title = "Örneklemin yaş seviyesi dağılımı",
subtitle = "(geom_bar)",
x = "Yaş aralığı",
y = "Frekans") +
tema_kucuk
dem3 <- ggplot(veri, aes(x = lisans)) +
geom_bar() +
labs(title = "Örneklemin lisans programı dağılımı",
subtitle = "(geom_bar)",
x = "Lisans",
y = "Frekans") +
tema_kucuk
dem4 <- ggplot(veri, aes(x = cinsiyet)) +
geom_bar() +
labs(title = "Örneklemin cinsiyet dağılımı",
subtitle = "(geom_bar)",
x = "Cinsiyet",
y = "Frekans") +
tema_kucuk
(dem1 | dem2) / (dem3 | dem4)
ggplot() +
geom_density(aes(x = veri$mean_B_all, color = "mean_B_all"), size = 1) +
geom_density(aes(x = veri$mean_H_all, color = "mean_H_all"), size = 1) +
labs(title = "mean_B_all ve mean_H_all Yoğunluk Grafiği",
x = "Puan",
y = "Yoğunluk",
color = "Ölçek") +
theme_minimal() +
labs(title = "Benlik ve Hazırbulunuşluk Ölçeklerinin Normallik Dağılımları",
subtitle = "Yoğunluk Grafiği (geom_density)") +
theme(
plot.title = element_text(size = 8, face = "bold"), # Başlık boyutu
plot.subtitle = element_text(size = 6), # Alt başlık boyutu
axis.title = element_text(size = 6), # Eksen başlıkları
axis.text = element_text(size = 6), # Eksen yazıları
legend.title = element_text(size = 6), # Legend başlığı
legend.text = element_text(size = 6), # Legend içindeki yazılar
legend.key.size = unit(0.2, "cm"), # Renk kutularını küçültür
legend.spacing.y = unit(0.2, "cm"), # Legend elemanları arası boşluk
legend.position = "right") # Legend konumu (sağda)## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
Benlik ölçeği sola çarpıktır. Grubun benlik algısı yüksektir. Hazırbulunuşluk ölçeği ise ufak dalgalanmalar olsa da normal dağılım göstermektedir. Ölçeklerden birisi nonparametrik olduğu için birazdan “Sperman rho” hesaplanmıştır.
3. Dağılım Grafiği Oluşturma
İki sayısal değişken arasındaki ilişkiyi gösteren bir dağılım grafiği (scatter plot) oluşturunuz (+)
Saçılım grafiğine eklenen kutu grafikleri veya regresyon çizgileriyle ilişkiyi daha iyi yorumlamaya çalışın (+)
Üst ve yan kısımlarda kutu grafikleri (boxplot) (-)
Korelasyon katsayısı (r) +
Regresyon eğrisi (geom_smooth(method = “lm”)) (+)
Saçılım nokta biçimlerini (shape, color, alpha) değiştirerek farklı veri gösterim türlerini deneyebilirsiniz (+)
Her bir grafik için eksen adlarını ve grafik başlıklarını açıklayıcı biçimde düzenleyiniz (+)
grafik_top<- ggplot(veri, aes(x = mean_B_all, y = mean_H_all)) +
geom_point() +
geom_smooth(method = "loess", se = FALSE, color = "orange") +
stat_regline_equation() +
theme_minimal() +
labs(title = "Hazırbulunuşluk ve benlik düzeyleri arasındaki ilişki",
x = "Benlik",
y = "Hazırbulunuşluk") +
theme(
plot.title = element_text(size = 8, face = "bold"), # Başlık boyutu
plot.subtitle = element_text(size = 6), # Alt başlık boyutu
axis.title = element_text(size = 6), # Eksen başlıkları
axis.text = element_text(size = 6)) # Eksen yazıları
grafik_top## `geom_smooth()` using formula = 'y ~ x'
grafik1<- ggplot(veri, aes(x = mean_B_all, y = mean_H_all, color = lisans)) +
geom_point() +
geom_smooth(method = "loess", se = FALSE, color = "orange") +
theme_minimal() +
labs(title = "Hazırbulunuşluk ve benlik düzeyleri arasındaki ilişki",
subtitle = "Lisans programlarına göre (geom_point)",
x = "Benlik",
y = "Hazırbulunuşluk",
color = "Lisans") +
theme(
plot.title = element_text(size = 8, face = "bold"), # Başlık boyutu
plot.subtitle = element_text(size = 6), # Alt başlık boyutu
axis.title = element_text(size = 6), # Eksen başlıkları
axis.text = element_text(size = 6), # Eksen yazıları
legend.title = element_text(size = 6), # Legend başlığı
legend.text = element_text(size = 4), # Legend içindeki yazılar
legend.key.size = unit(0.2, "cm"), # Renk kutularını küçültür
legend.spacing.y = unit(0.2, "cm"), # Legend elemanları arası boşluk
legend.position = "right") # Legend konumu (sağda)
grafik2 <- ggplot(veri, aes(x = mean_B_all, y = mean_H_all, color = lisans)) +
geom_point(alpha=0.1) +
geom_smooth(method = "loess", se = FALSE, color = "orange") +
theme_minimal() +
labs(title = "Hazırbulunuşluk ve benlik düzeyleri arasındaki ilişki",
subtitle = "Lisans programlarına göre (geom_point(alpha=0.1)",
x = "Benlik",
y = "Hazırbulunuşluk",
color = "Lisans") +
theme(
plot.title = element_text(size = 8, face = "bold"),
plot.subtitle = element_text(size = 6),
axis.title = element_text(size = 6),
axis.text = element_text(size = 6),
legend.title = element_text(size = 6),
legend.text = element_text(size = 4),
legend.key.size = unit(0.2, "cm"),
legend.spacing.y = unit(0.2, "cm"),
legend.position = "right")
grafik3 <- ggplot(veri, aes(x = mean_B_all, y = mean_H_all, color = lisans)) +
geom_jitter(alpha=0.5) +
geom_smooth(method = "loess", se = FALSE, color = "orange") +
theme_minimal() +
labs(title = "Hazırbulunuşluk ve benlik düzeyleri arasındaki ilişki",
subtitle = "Lisans programlarına göre (geom_jitter)",
x = "Benlik",
y = "Hazırbulunuşluk",
color = "Lisans") +
theme(
plot.title = element_text(size = 8, face = "bold"),
plot.subtitle = element_text(size = 6),
axis.title = element_text(size = 6),
axis.text = element_text(size = 6),
legend.title = element_text(size = 6),
legend.text = element_text(size = 4),
legend.key.size = unit(0.2, "cm"),
legend.spacing.y = unit(0.2, "cm"),
legend.position = "right")
(grafik1) / (grafik2 | grafik3)## `geom_smooth()` using formula = 'y ~ x'
## `geom_smooth()` using formula = 'y ~ x'
## `geom_smooth()` using formula = 'y ~ x'
grafik_top_2<- ggscatter(veri,
x = "mean_B_all",
y = "mean_H_all",
add = "reg.line",
conf.int = TRUE,
cor.coef = TRUE,
cor.method = "spearman") +
labs(title = "Hazırbulunuşluk ve benlik düzeyleri arasındaki ilişki",
x = "Benlik",
y = "Hazırbulunuşluk")
grafik_top_2
grafik_top_3_1 <- ggplot(veri, aes(x = mean_B_all, y = mean_H_all)) +
geom_boxplot() +
theme(
plot.title = element_text(size = 6, face = "bold"),
plot.subtitle = element_text(size = 6),
axis.title = element_text(size = 6),
axis.text = element_text(size = 6),
legend.title = element_text(size = 6),
legend.text = element_text(size = 4),
legend.key.size = unit(0.2, "cm"),
legend.spacing.y = unit(0.2, "cm"),
legend.position = "right") +
labs(title = "Hazırbulunuşluk ve benlik düzeyleri arasındaki ilişki",
subtitle = "(geom_boxplot)",
x = "Benlik",
y = "Hazırbulunuşluk")
grafik_top_3_2 <- ggplot(veri, aes(x = mean_B_all, y = mean_H_all, color = lisans)) +
geom_boxplot() +
theme(
plot.title = element_text(size = 6, face = "bold"),
plot.subtitle = element_text(size = 6),
axis.title = element_text(size = 6),
axis.text = element_text(size = 6),
legend.title = element_text(size = 6),
legend.text = element_text(size = 4),
legend.key.size = unit(0.2, "cm"),
legend.spacing.y = unit(0.2, "cm"),
legend.position = "right") +
labs(title = "Hazırbulunuşluk ve benlik düzeyleri arasındaki ilişki",
subtitle = "Lisans programlarına göre (geom_boxplot)",
x = "Benlik",
y = "Hazırbulunuşluk",
color = "Lisans")
grafik_top_3_3 <- ggplot(veri, aes(x = mean_B_all, y = mean_H_all, fill = cinsiyet)) +
geom_boxplot() +
theme(
plot.title = element_text(size = 6, face = "bold"),
plot.subtitle = element_text(size = 6),
axis.title = element_text(size = 6),
axis.text = element_text(size = 6),
legend.title = element_text(size = 6),
legend.text = element_text(size = 4),
legend.key.size = unit(0.2, "cm"),
legend.spacing.y = unit(0.2, "cm"),
legend.position = "right") +
labs(title = "Hazırbulunuşluk ve benlik düzeyleri arasındaki ilişki",
subtitle = "Cinsiyete göre (geom_boxplot)",
x = "Benlik",
y = "Hazırbulunuşluk",
fill = "Cinsiyet")
grafik_top_3_4 <- ggplot(veri, aes(x = mean_B_all, y = mean_H_all, shape = sınıf)) +
geom_boxplot() +
theme(
plot.title = element_text(size = 6, face = "bold"),
plot.subtitle = element_text(size = 6),
axis.title = element_text(size = 6),
axis.text = element_text(size = 6),
legend.title = element_text(size = 6),
legend.text = element_text(size = 4),
legend.key.size = unit(0.2, "cm"),
legend.spacing.y = unit(0.2, "cm"),
legend.position = "right") +
labs(title = "Hazırbulunuşluk ve benlik düzeyleri arasındaki ilişki",
subtitle = "Sınıfa göre (geom_boxplot)",
x = "Benlik",
y = "Hazırbulunuşluk",
shape = "Sınıf")
(grafik_top_3_1 | grafik_top_3_2) / (grafik_top_3_3 | grafik_top_3_4)## Warning: Continuous x aesthetic
## ℹ did you forget `aes(group = ...)`?
grafik_top_3_5 <- ggplot(veri, aes(x = mean_B_all, y = mean_H_all, color= lisans, fill = cinsiyet, shape = sınıf)) +
geom_boxplot() +
theme(
plot.title = element_text(size = 6, face = "bold"),
plot.subtitle = element_text(size = 6),
axis.title = element_text(size = 6),
axis.text = element_text(size = 6),
legend.title = element_text(size = 6),
legend.text = element_text(size = 4),
legend.key.size = unit(0.2, "cm"),
legend.spacing.y = unit(0.2, "cm"),
legend.position = "right") +
labs(title = "Hazırbulunuşluk ve benlik düzeyleri arasındaki ilişki",
subtitle = "Lisans, Cinsiyet ve Sınıfa göre (geom_boxplot)",
x = "Benlik",
y = "Hazırbulunuşluk",
color = "Lisans",
fill = "Cinsiyet",
shape = "Sınıf")
grafik_top_3_5
corPlot(veri[,6:14],
stars = TRUE)
corPlot(veri[,15:44],
stars = TRUE)
Bu araştırmada öğretmen adaylarının benlik algıları ile mesleğe yönelik hazırbulunuşluk düzeyleri arasındaki ilişki incelenmiştir. Bulgular doğrultusunda öğretmen adaylarının her iki düzeyde de genel olarak orta-yüksek seviyede oldukları görülmüştür. Benlik algısı yüksek olan öğretmen adaylarının mesleki hazırbulunuşluklarının da yüksek olduğu, iki değişken arasında pozitif yönde anlamlı bir ilişki bulunduğu belirlenmiştir. Ayrıca sınıf düzeyi arttıkça (özellikle 4.sınıfta) öğretmen adaylarının hazırbulunuşluk düzeylerinin yükseldiği, cinsiyet ve branş değişkenlerine göre ise anlamlı bir fark bulunmadığı saptanmıştır. Bu sonuçlar, öğretmenlik eğitimi sürecinde kazanılan deneyim ve özgüvenin mesleki hazırbulunuşluğu güçlendirdiğini göstermektedir.
Öz Değerlendirme
ggscatter ile çalışırken çok zorlandım. ggplottan farklı olarak aes olmaması, değişkenlerin tırnak içine alınması gerekmesi farklıydı 😵💫. Patchwork paketini çok sevdim. Çok daha derli toplu grafiklerimi sunabiliyorum. Henüz x-y eksenlerinin boyutunu ayarlayamıyorum o yüzden biraz biçimsiz oluyor ama aynı konuya ilişkin garfikleri tek tabloda gösterince en anlaşılır olanı seçme şansım oluyor. Okumalara ilişkin metinler halinde not alamıyorum ama aslında excelde not ettim ama buraya bu şekilde aktabildim. Yine kendi aktif çalıştığım bir veri setinde jamovide yaptığım analizleri buradan yapabilmek özgüvenimi artırdı. Tanıdık veri setlerinde grafiklerimi daha iyi yorumlayabildiğimi fark ettim. Bu da daha eğlenceli hale getirdi. Geçen hafta PISA verileri ile çalışırken çıkarttığım grafikleri yorumlayamamıştım. Bu seferki ödevde grafiklerimin komplike olmasına değil anlaşılır ve mümkün olduğunca sade olmasına özen göstermeye çalıştım. Kodları yazarken de ilk kez ödevimin çok azında girişteki standart tema tanımlarken yapay zekadan faydalandım. Bu kez de grafiklerimin basitliğinden dolayı memnun olmasam da her şeyini kendim yapabilmiş olduğum için çok mutluyum. İlerleyen haftalarda hem daha karmaşık ama daha anlaşılır grafikler çizdirebilmeyi bunu minimum destekle yapmayı hedefliyorum.
Teslim Biçimi
2 Kasım Pazar saat 23:59’a kadar Rpubsta yayınlanması planlanmıştır.