Ki-Kare Testi — Sayılarla Değil, Kutularla Çalışmak
Şimdiye kadarki testler — t-testi, ANOVA — hep sayısal veriyle çalıştı: süre, ağırlık, oran. Ama bütün veri sayısal değildir. Bazı veriler kategoriktir — sayılmaz, sınıflanır: "geçti mi kaldı mı?", "memnun mu değil mi?", "şikâyet hangi türden?" Bu veriler için ortalama anlamsızdır; "ortalama hata tipi" diye bir şey yoktur. İşte kategorik veriyle çalışan test: ki-kare.
HİKÂYE AKIŞI
Hileli Dağıtımı Yakalamak
1
Adil deste, hileli dağıtım
Deste adilse kırmızı ve siyah kabaca eşit dağılmalı — bu 'beklenen'. Bir oyuncuya neredeyse tüm kırmızılar gidiyorsa — bu 'gözlenen' — bu kadar sapma adil destede şans eseri olmaz: ortada bir ilişki var. Ki-kare, senin sezgin gibi 'bu dağılım rastgele olamayacak kadar dengesiz mi?' diye sorar — ama sayısal, objektif biçimde.
2
Beklenen vs gözlenen
Önce 'hiçbir ilişki yok' varsayımıyla her kutuya kaç şey düşmesi gerektiğini hesaplarsın (beklenen); sonra gerçekte kaç düştüğüne bakarsın (gözlenen). Yakınlarsa ilişki yok. Bazı kutular beklenenden çok dolu, bazıları çok boşsa — ilişkinin işareti. Ki-kare bu sapmanın toplamını ölçer.
3
Küçük sayı tuzağı
Ki-kare her kutuda yeterli gözlem ister — kural: her beklenen değer en az 5 civarı. Az veriyi onlarca kategoriye bölersen her hücrede bir-iki gözlem kalır ve test güvenilmez olur. Çözüm: daha çok veri topla ya da kategorileri anlamlı biçimde birleştir.
Gözlenen, Beklenenden Çok Saparsa — Bir İlişki Var
Ki-kare'nin altındaki fikir bu kadar basit ve güzel: 'hiçbir ilişki olmasaydı her kutuda ne beklerdik' hayalet rakamlarını hesapla, gerçek rakamlarla karşılaştır. Her şey şansın öngördüğü gibi dağılmışsa ilişki yok. Ama bazı kutular beklenenden çok dolu, bazıları çok boşsa — bu, kategorilerin birbirine bağlı olduğunun işaretidir. Ki-kare bu sapmanın toplamını ölçer ve sorar: bu kadar sapma şans eseri olabilir mi?
Stratifikasyonun sınavı da budur: gözünün kırılımda gördüğü kategorik farkı ('akşam vardiyasında bu hata çok') ki-kare kesinleştirir — gerçek mi, tesadüf mü?
KRİTİK UYARI
İlişki ≠ Sebep
🔗 Ki-kare'nin söylediği
"Vardiya ile hata tipi İLİŞKİLİ" — gözlemsel bir ilişki, güçlü bir ipucu. Kök neden araştırmanı yönlendiren bir işaret.
⚠️ Söylemediği
Vardiyanın hataya SEBEP olduğunu kanıtlamaz. Belki akşam vardiyasında farklı makine, farklı malzeme, farklı aydınlatma var — asıl sebep o. Korelasyon nedensellik değildir; gerçek nedeni sahada ve gerektiğinde deneyle bul.
🏭 Üretim
Makine × hata türü — ilişki var mı?
🏥 Sağlık
Bölüm × şikâyet türü
📞 Hizmet
Kanal × sonuç
SAHADAN
Çağrı Merkezi: İlişki Doğru Soruyu Açtı
İlişki gerçek — sıradaki adım suçlama değil, adil bir "neden?" araştırması.
Bir çağrı merkezinde müşteri memnuniyeti (memnun / memnun değil) ile çağrıyı karşılayan temsilci ekibi arasında ilişki olup olmadığı merak ediliyor. Gözle bakınca bir ekibin memnuniyet oranı düşük görünüyor — ama emin değiller; belki o ekip sadece şanssız bir hafta geçirdi.
Ki-kare testi yapılıyor: önce "ekip ile memnuniyet bağımsız olsaydı her kutuda kaç memnun, kaç memnuniyetsiz beklerdik" hesaplanıyor; sonra gerçek sayılarla karşılaştırılıyor. Sapma, şans eseri olamayacak kadar büyük — ilişki gerçek, o ekibin düşük memnuniyeti tesadüf değil.
Ama Green Belt hemen ekibi suçlamıyor: "Ki-kare ilişki gösterdi, nedensellik değil. Bu ekip neden farklı? Farklı bir eğitim mi aldılar, farklı çağrı tipleri mi onlara yönleniyor?" İlişki, doğru soruyu açtı; gerçek nedeni saha araştırması bulacak — adil ve yapıcı biçimde, insanları suçlamadan.
Örnek: ekip × memnuniyet ki-kare testi; sapma şansla açıklanamadı → ilişki gerçek → suçlama yerine 'neden farklı?' saha araştırması (eğitim? çağrı dağılımı?).
SIK YAPILAN HATALAR
Ki-Kare Tuzakları
Kategorik veride t-testi/ANOVA aramak
'Ortalama hata tipi' anlamsız — sınıflanan veri için doğru araç ki-kare'dir.
Küçük beklenen frekansla ki-kare çalıştırmak
Her beklenen değer ≥ 5 olmalı; değilse daha çok veri topla, kategorileri birleştir ya da Fisher'ın exact testini kullan.
Bulunan ilişkiyi nedensellik sanmak
Ki-kare gözlemsel ilişki gösterir — ipucu, hüküm değil. Gerçek nedeni sahada araştır.
Sapmanın nereden geldiğine bakmamak
Hangi kutular beklenenden en çok sapıyor? İlişkinin kaynağı orası — kök neden araştırmasını oraya odakla.
İlişkiyi kişileri suçlamak için kullanmak
"C ekibi kötü" değil, "C ekibi neden farklı?" — sistemi sorgula, adil ve yapıcı kal.
DMAIC İÇİNDE YERİ
Analyze'ın Kategorik Gözü
İş problemlerinin çoğu kategoriktir (geçti/kaldı, memnun/değil, hata türü) — bu yüzden ki-kare, Green Belt'in en sık kullanacağı testlerdendir: stratifikasyonda görülen kategorik desenleri istatistiksel hükme bağlar.
Kır (M6)
Stratifikasyon kategorik deseni gösterdi: 'akşam vardiyasında bu hata tipi daha sık görünüyor'.
Sına (bu ders)
Ki-kare: beklenen ve gözleneni karşılaştır — desen gerçek mi, tesadüf mü? Beklenen frekans ≥ 5 kuralını kontrol et.
Araştır → sıradaki ders
İlişki gerçekse nedenini sahada bul (suçlamadan). Test seçimini belirleyen kritik ayrım sırada: normal / normal olmayan veri.
AI KÖŞESİ
Yapay Zekâ Sapmayı Tespit Eder — Hikâyeyi İnsan Yazar
Kategorik verini verip ki-kare çalıştırmasını, beklenen ile gözleneni karşılaştırmasını ve "bu iki değişken ilişkili mi?" sorusunu cevaplamasını isteyebilirsin. Asıl değeri rehberlikte: doğru testin ki-kare olduğunu anlamana ("verim kategorik, ortalama anlamsız") ve küçük sayı tuzağına karşı uyarmasına yardım eder; hangi kutuların en çok saptığını göstererek ilişkinin nereden geldiğine dair ipucu verir. Ama "ekip ile memnuniyet ilişkili" bulgusunun arkasındaki gerçek hikâyeyi — eğitim mi, çağrı dağılımı mı — sahada araştıracak ve bunu insanları suçlamadan, adil biçimde ele alacak olan sensin ve takımın.
AI Asistanı
Kategorik verini tablo olarak ver (ör. her çağrı için 'ekip' ve 'memnuniyet' sütunları); neden ki-kare'nin doğru test olduğunu açıklayayım, beklenen-gözlenen karşılaştırmasını yapayım, en çok sapan kutuyu işaretleyeyim ve küçük-sayı/nedensellik tuzaklarına karşı uyarayım. İlişkinin hikâyesini sahada sen yazarsın.
Bir Yalın Altı Sigma istatistik mentoru gibi davran. Aşağıdaki kategorik veriyle bir Kİ-KARE testi yap. (1) Önce neden ki-kare uygun test olduğunu açıkla (verim kategorik, ortalama anlamsız, t-testi/ANOVA değil). (2) 'Bu iki değişken bağımsız olsaydı' her kutuda BEKLENEN değerleri hesapla; GÖZLENEN değerlerle karşılaştır. (3) Sapma şans eseri olabilir mi — p-değerini ver ve yorumla: ilişki var mı?
Devam et: (4) Hangi kutular beklenenden en çok sapıyor — ilişki nereden geliyor? (5) UYARI: Küçük sayı tuzağı var mı (beklenen değerler yeterince büyük mü)? (6) KRİTİK: Bu bir İLİŞKİ, nedensellik DEĞİL. Farkın arkasındaki alternatif açıklamaları, kimseyi suçlamadan, sahada nasıl araştırmalıyım?
AI sapmayı tespit eder — ilişkinin hikâyesini ve çözümünü insan yazar.
KENDİNİ SINA
Hızlı Kontrol
Fisher'ın exact testi kullanılır — ki-kare için beklenen frekansın en az 5 olması gerekir. Küçük frekanslarda ki-kare güvenilmez; Fisher'ın exact testi doğru tercihtir.
İki kategorik değişken birbirinden bağımsızdır — örnek: vardiya (A/B) ile hata türü (mekanik/operatör) arasında ilişki yoktur. p < 0.05 ise bu bağımsızlık reddedilir.
Evet, p < 0.05 — df = 1 için kritik χ² değeri 3.84 (α=0.05). 8.2 > 3.84 olduğundan H₀ reddedilir. Etki büyüklüğü için Cramér's V hesaplanabilir.
İki kategorik değişken ilişkisi — ki-kare, kategorik veriler arasında anlamlı ilişki (bağımlılık) olup olmadığını test eder.
t-testi/ANOVA (ki-kare değil) — sayısal ortalama kıyası t-testi/ANOVA iledir; ki-kare kategorik ilişkiler içindir.
SON SÖZ
Sayısal veri için t-testi, kategorik veri için ki-kare. Hatalı mı hatasız mı? İki sayıyı değil, iki oranı karşılaştırıyorsak χ² istatistiği devreye girer.
Bir sonraki kategorik deseninde üç adımı izle: beklenen değerleri hesapla, gözlenenle karşılaştır, sapma şansla açıklanabilir mi diye sor. Beklenen frekanslar 5'in altındaysa dur; ilişki bulursan nedensellik sanma ve kimseyi suçlama — 'neden farklı?' sorusunu sahaya taşı. Sıradaki ders: normal ve normal olmayan veri ayrımı — hangi testi ne zaman kullanacağını belirleyen kritik ayrım.
