Odev06

Yazar

Enes Cetinkaya

Yayınlanma Tarihi

16 Kasım 2026

Veri Hazırlığı

Kod
library(dplyr)
library(tidyr)
library(ggplot2)
library(psych)
library(haven)
library(here)
library(flextable)

analiz <- readRDS(here("veri", "OKUL2026_analiz.rds"))
pisa   <- readRDS(here("veri", "PISA2025_TR_stu.rds"))

# 25 maddelik test, eksik yanıtı olan öğrenciler çıkarıldı
test   <- analiz |>  select(m01:m25)
tam    <- test[complete.cases(test), ]
toplam <- rowSums(tam)

nrow(tam)
[1] 17289
Kod
# KR-20
kr20 <- function(x) {
  # x: 0/1 puanlı madde matrisi. Döndürür: KR-20 katsayısı
  x <- x[complete.cases(x), ]
  k <- ncol(x)
  p <- colMeans(x)
  s2 <- var(rowSums(x))
  k / (k - 1) * (1 - sum(p * (1 - p)) / s2)
}

kr20(tam)
[1] 0.8657527

Görev 1 - Madde tablosu

Kod
r_jx <- sapply(1:25, function(j) cor(tam[[j]], toplam - tam[[j]]))

madde_tablo <- tibble(
  madde = names(tam),
  p     = colMeans(tam),
  r_jx  = r_jx
) |> 
  arrange(r_jx) |> 
  mutate(across(c(p, r_jx), ~ round(.x, 3)))

print(madde_tablo, n = 25)
# A tibble: 25 × 3
   madde     p   r_jx
   <chr> <dbl>  <dbl>
 1 m23   0.572 -0.492
 2 m17   0.497  0.083
 3 m25   0.111  0.294
 4 m24   0.125  0.343
 5 m01   0.896  0.349
 6 m22   0.139  0.396
 7 m02   0.866  0.408
 8 m20   0.203  0.429
 9 m03   0.789  0.429
10 m21   0.149  0.434
11 m16   0.306  0.468
12 m19   0.222  0.473
13 m07   0.616  0.499
14 m18   0.25   0.508
15 m05   0.708  0.511
16 m04   0.775  0.518
17 m11   0.466  0.526
18 m14   0.364  0.53 
19 m06   0.666  0.545
20 m13   0.394  0.548
21 m09   0.537  0.556
22 m15   0.312  0.557
23 m10   0.508  0.58 
24 m08   0.591  0.593
25 m12   0.42   0.608
  • Madde 23 (p = .572, r = −.492): Ayırt ediciliği negatif, başarılı öğrenciler bu maddeyi sistematik olarak yanlış yapıyor. Hemen atılmamalı, düzeltilmeli. Cevap anahtarı, iki doğru seçenek olup olmadığı ve çeldiriciler kontrol edilmeli. Kontrol edilip düzeltilerek madde kurtarılabilir.

  • Madde 17 (p = .497, r = .083): Güçlüğü ideal görünse de ayırt ediciliği .20’nin çok altında, maddeyi kimin doğru yaptığı ilişkisiz. Düzeltilebilecek belirgin bir hata olmadığı için atılmalı.

  • Madde 25 (p = .111, r = .294): Çok zor bir madde, ama ayırt ediciliği .20’nin üstünde ve testin kalanıyla tutarlı çalışıyor. Tutulmalı.

Görev 2 - Dört ölçek

Alfa ve güven aralığı

Kod
olcekler <- list(
  "Öz-yeterlik"      = analiz |> select(oz1:oz8),
  "Sınav kaygısı"    = analiz |> select(kay1:kay6),
  "Okul aidiyeti"    = analiz |> select(aid1:aid5),
  "Öğretmen desteği" = analiz |> select(dst1:dst5)
)

alfa_ozet <- function(x) {
  # x: ölçek maddeleri. Döndürür: madde sayısı, alfa ve Feldt %95 güven aralığı
  s <- psych::alpha(x, warnings = FALSE)
  tibble(madde = ncol(x),
         alfa  = s$total$raw_alpha,
         alt   = s$feldt$lower.ci$raw_alpha,
         ust   = s$feldt$upper.ci$raw_alpha)
}

alfa_tablo <- bind_rows(lapply(olcekler, alfa_ozet), .id = "olcek")

APA tablosu

Kod
apa <- function(x) sub("^0", "", sprintf("%.3f", x))

alfa_tablo |>
  transmute(`Ölçek`        = olcek,
            `Madde sayısı` = madde,
            `α`            = apa(alfa),
            `%95 GA`       = paste0("[", apa(alt), ", ", apa(ust), "]")) |>
  flextable::flextable() |>
  flextable::set_caption("Tablo 1. Ölçeklerin Cronbach Alfa Katsayıları ve %95 Güven Aralıkları") |>
  flextable::autofit()

Ölçek

Madde sayısı

α

%95 GA

Öz-yeterlik

8

.855

[.852, .858]

Sınav kaygısı

6

.816

[.812, .820]

Okul aidiyeti

5

.790

[.785, .795]

Öğretmen desteği

5

.803

[.798, .808]

Madde çıkarıldığında alfa

Kod
alfa_cikinca <- bind_rows(lapply(olcekler, function(x) {
  s <- psych::alpha(x, warnings = FALSE)
  tibble(madde        = rownames(s$alpha.drop),
         alfa_cikinca = s$alpha.drop$raw_alpha,
         olcek_alfa   = s$total$raw_alpha)
}), .id = "olcek") |>
  mutate(yukseliyor = alfa_cikinca > olcek_alfa)

print(alfa_cikinca, n = 24)
# A tibble: 24 × 5
   olcek            madde alfa_cikinca olcek_alfa yukseliyor
   <chr>            <chr>        <dbl>      <dbl> <lgl>     
 1 Öz-yeterlik      oz1          0.835      0.855 FALSE     
 2 Öz-yeterlik      oz2          0.838      0.855 FALSE     
 3 Öz-yeterlik      oz3          0.837      0.855 FALSE     
 4 Öz-yeterlik      oz4          0.842      0.855 FALSE     
 5 Öz-yeterlik      oz5          0.832      0.855 FALSE     
 6 Öz-yeterlik      oz6          0.840      0.855 FALSE     
 7 Öz-yeterlik      oz7          0.837      0.855 FALSE     
 8 Öz-yeterlik      oz8          0.843      0.855 FALSE     
 9 Sınav kaygısı    kay1         0.783      0.816 FALSE     
10 Sınav kaygısı    kay2         0.790      0.816 FALSE     
11 Sınav kaygısı    kay3         0.781      0.816 FALSE     
12 Sınav kaygısı    kay4         0.792      0.816 FALSE     
13 Sınav kaygısı    kay5         0.787      0.816 FALSE     
14 Sınav kaygısı    kay6         0.788      0.816 FALSE     
15 Okul aidiyeti    aid1         0.743      0.790 FALSE     
16 Okul aidiyeti    aid2         0.752      0.790 FALSE     
17 Okul aidiyeti    aid3         0.760      0.790 FALSE     
18 Okul aidiyeti    aid4         0.745      0.790 FALSE     
19 Okul aidiyeti    aid5         0.755      0.790 FALSE     
20 Öğretmen desteği dst1         0.757      0.803 FALSE     
21 Öğretmen desteği dst2         0.766      0.803 FALSE     
22 Öğretmen desteği dst3         0.760      0.803 FALSE     
23 Öğretmen desteği dst4         0.775      0.803 FALSE     
24 Öğretmen desteği dst5         0.769      0.803 FALSE     
  • Dört ölçeğin güvenirliği .79 ile .86 arasında. n = 18.000 olduğu için güven aralıkları çok dar. Madde çıkarıldığında alfa öz-yeterlikte .832–.843, sınav kaygısında .781–.792, okul aidiyetinde .743–.760 ve öğretmen desteğinde .757–.775 arasında kalıyor. Her ölçekte bu değerler ölçeğin kendi alfasından düşük. Yani her madde ölçeğin güvenirliğine katkı sağlıyor ve çıkarılması gereken madde yok.

Görev 3 - Kararlılık

Madde düzeyinde test–tekrar test korelasyonları

Kod
tt_madde <- tibble(
  madde = paste0("oz", 1:8),
  r     = sapply(1:8, function(j)
    cor(analiz[[paste0("oz", j)]], analiz[[paste0("oz", j, "_t2")]],
        use = "complete.obs"))
)

tt_madde |> mutate(r = round(r, 3))
# A tibble: 8 × 2
  madde     r
  <chr> <dbl>
1 oz1   0.412
2 oz2   0.358
3 oz3   0.392
4 oz4   0.33 
5 oz5   0.436
6 oz6   0.343
7 oz7   0.377
8 oz8   0.312

Ölçek puanında test–tekrar test korelasyonu

Kod
oz_t1 <- rowMeans(analiz |> select(oz1:oz8), na.rm = TRUE)
oz_t2 <- rowMeans(analiz |> select(oz1_t2:oz8_t2), na.rm = TRUE)

cor(oz_t1, oz_t2)
[1] 0.7411857
  • Maddelerin test–tekrar test korelasyonları .31 ile .44 arasında, hepsi ölçek puanının korelasyonundan (r = .74) düşük. Tek bir madde ölçme hatasından çok etkilenirken sekiz maddenin ortalamasında bu hatalar birbirini götürdüğü için ölçek puanı maddelerden daha kararlı.

Görev 4 - Kısa form

Kısa form

Kod
kisa_form <- tibble(madde = names(tam), p = colMeans(tam), r_jx = r_jx) |>
  mutate(grup = case_when(p > .70 ~ "kolay",
                          p < .30 ~ "zor",
                          TRUE    ~ "orta")) |>
  group_by(grup) |>
  arrange(desc(r_jx), .by_group = TRUE) |>
  mutate(sira = row_number()) |>
  filter(sira <= case_when(grup == "kolay" ~ 3,
                           grup == "orta"  ~ 4,
                           grup == "zor"   ~ 3)) |>
  ungroup() |>
  select(grup, madde, p, r_jx)

kisa_form |> mutate(across(c(p, r_jx), ~ round(.x, 3)))
# A tibble: 10 × 4
   grup  madde     p  r_jx
   <chr> <chr> <dbl> <dbl>
 1 kolay m04   0.775 0.518
 2 kolay m05   0.708 0.511
 3 kolay m03   0.789 0.429
 4 orta  m12   0.42  0.608
 5 orta  m08   0.591 0.593
 6 orta  m10   0.508 0.58 
 7 orta  m15   0.312 0.557
 8 zor   m18   0.25  0.508
 9 zor   m19   0.222 0.473
10 zor   m21   0.149 0.434
  • Kısa formun yalnızca orta düzeydeki öğrencileri değil, bütün başarı düzeylerindeki öğrencileri ayırt etmesini istediğim için maddeleri güçlüğe göre üç gruba ayırdım (kolay: p > .70, orta: p = .30–.70, zor: p < .30) ve her gruptan ayırt ediciliği en yüksek maddeleri seçtim (3 kolay, 4 orta, 3 zor). Böylece kısa form hem güçlük aralığını kapsıyor hem de her düzeyde iyi çalışan maddelerden oluşuyor.

KR-20 karşılaştırması

Kod
secilen <- kisa_form$madde

c(tam_test  = kr20(tam),
  kisa_form = kr20(tam[, secilen]),
  fark      = kr20(tam) - kr20(tam[, secilen]))
  tam_test  kisa_form       fark 
0.86575275 0.81968302 0.04606973 
  • Kısa formun KR-20’si .820, 25 maddelik testin .866’sına göre .046 puanlık bir kayıp var. Madde sayısı %60 azalırken güvenirlik yalnızca .05 civarında düşüyor ve hâlâ yüksek kalıyor. Bu yüzden bu kayıp 15 madde tasarrufuna değer.

Görev 5 — PISA’da aidiyet ölçeğinin güvenirliği

Kod
pisa_v1 <- pisa |>
  mutate(across(c(ST034Q02TA, ST034Q03TA, ST034Q05TA), ~ 5 - .))

aid <- pisa_v1 |> select(ST034Q01TA:ST034Q06TA)

1) Alfa, güven aralığı ve madde istatistikleri

Kod
aid_alfa <- psych::alpha(aid)

c(alfa = aid_alfa$total$raw_alpha,
  alt  = aid_alfa$feldt$lower.ci$raw_alpha,
  ust  = aid_alfa$feldt$upper.ci$raw_alpha)
     alfa       alt       ust 
0.7716857 0.7636951 0.7794954 
Kod
tibble(madde         = rownames(aid_alfa$item.stats),
       r_drop        = aid_alfa$item.stats$r.drop,
       alfa_cikinca  = aid_alfa$alpha.drop$raw_alpha) |>
  mutate(across(c(r_drop, alfa_cikinca), ~ round(.x, 3)))
# A tibble: 6 × 3
  madde      r_drop alfa_cikinca
  <chr>       <dbl>        <dbl>
1 ST034Q01TA  0.587        0.719
2 ST034Q02TA  0.484        0.746
3 ST034Q03TA  0.483        0.746
4 ST034Q04TA  0.497        0.744
5 ST034Q05TA  0.466        0.75 
6 ST034Q06TA  0.582        0.72 
  • Aidiyet ölçeğinin güvenirliği α = .772, %95 GA [.764, .779]. Düzeltilmiş madde-toplam korelasyonları .47 ile .59 arasında ve hangi madde çıkarılırsa çıkarılsın alfa düşüyor (.719–.750). Çıkarılması gereken madde yok.

2) Omega

Kod
aid_tam <- aid[complete.cases(aid), ]
nrow(aid_tam)
[1] 7438
Kod
c(alfa  = psych::alpha(aid_tam)$total$raw_alpha,
  omega = psych::omega(aid_tam, nfactors = 1, plot = FALSE)$omega.tot)
     alfa     omega 
0.7735092 0.7748668 
  • Tam veriyle (n = 7438) alfa .774, omega .775, ikisi neredeyse eşit. Bu, maddelerin aidiyeti birbirine çok yakın güçte ölçtüğünü gösteriyor.

3) Maddeler çevrilmeden alfa

Kod
psych::alpha(pisa |> select(ST034Q01TA:ST034Q06TA))$total$raw_alpha
Warning in psych::alpha(select(pisa, ST034Q01TA:ST034Q06TA)): Some items were negatively correlated with the first principal component and probably 
should be reversed.  
To do this, run the function again with the 'check.keys=TRUE' option
Some items ( ST034Q02TA ST034Q03TA ST034Q05TA ) were negatively correlated with the first principal component and 
probably should be reversed.  
To do this, run the function again with the 'check.keys=TRUE' option
[1] 0.07156809
  • Maddeler çevrilmeden alfa .072’ye düşüyor. psych::alpha() ST034Q02TA, ST034Q03TA ve ST034Q05TA için uyarı veriyor. Bunlar Hafta 4’te çevirdiğim olumlu maddelerle aynı.

Hatalı çıktı

Kod
p <- colMeans(test, na.rm = TRUE)
secilen_hatali <- names(sort(abs(p - 0.50)))[1:10]
secilen_hatali
 [1] "m17" "m10" "m11" "m09" "m23" "m12" "m08" "m13" "m07" "m14"
Kod
c(tam_test   = kr20(tam),
  kisa_hatali = kr20(tam[, secilen_hatali]))
   tam_test kisa_hatali 
  0.8657527   0.6785749 
  1. madde 17 ve madde 23 olmamalıydı. İkisinin de güçlüğü .50’ye yakın, ama Görev 1’de hesapladığımız üzere madde 17’nin ayırt ediciliği .083, yani testin geri kalanıyla ilişkisi zayıf. madde 23’ün ayırt ediciliği ise −.492, başarılı öğrenciler bu maddeyi yanlış yapıyor. Güçlüğü uygun olan bir madde, iyi bir madde olmak zorunda değil.

  2. Düşük çıkmasını beklerim. Hem madde sayısı 25’ten 10’a iniyor hem de seçilen maddelerin ikisi testin geri kalanıyla tutarsız çalışıyor. Hesaplayınca kısa formun KR-20’si .679 çıktı, tam testin .866’sından .19 düşük. Görev 4’te ayırt ediciliğe göre seçtiğim 10 maddelik formun KR-20’si .820’ydi. İki form aynı uzunlukta olduğu için aradaki fark tamamen madde seçiminden geliyor.

  3. Seçim önce ayırt ediciliğe göre yapılmalıydı. Ayırt ediciliği düşük ya da negatif maddeler aday olmamalıydı. Güçlük ise testin amacına göre ikinci ölçüt olarak kullanılmalıydı. Görev 4’te yaptığım gibi güçlük aralığını kapsayan ve her düzeyde ayırt ediciliği yüksek maddeler seçilebilir.

Yapay Zeka Beyanı

Çalıştıramadığım, eksik yazdığım ve hatalı çıkan kodlarda düzeltme amacıyla büyük dil modeli kullanılmıştır.