Akademik Proje Verilerinin SPSS ile Kodlanması

Akademik bir projenin en “sessiz” ama en kritik aşaması veri kodlama sürecidir. Kodlama; ham verileri (anket yanıtları, test puanları, gözlem formları, cihaz çıktıları) analize hazır bir yapıya dönüştürme sanatıdır. SPSS bu dönüşüm için kullanışlı bir arayüz (Variable View/Data View), tutarlı etiketleme (Labels), eksik veri politikaları (Missing Values), yeniden kodlama (Recode), türetme (Compute), çoklu yanıt setleri (Multiple Response), dosya birleştirme (Merge/Append) ve belgeleme (Syntax/Notes) gibi güçlü araçlar sunar.
Yanlış veya tutarsız kodlama, en sofistike istatistikleri bile geçersiz kılabilir. Doğru kodlama ise; ölçme düzeyini korur, önyargı ve hata riskini azaltır, yeniden üretilebilirliği garanti eder ve etik gereklilikleri (anonimleştirme, gizlilik) güvence altına alır.

1) Kodlama Öncesi “Codebook” Taslağı: Yol Haritası

Neden? Codebook, her değişkenin adını, açıklamasını, ölçme düzeyini, değer etiketlerini, eksik veri tanımlarını ve dönüşüm geçmişini içerir.
İçerik şablonu: var_name, label, type, measure (nominal/ordinal/scale), values (1=Evet, 0=Hayır), missing (−9=Yanıt yok), transformations (ters madde, recode), source (anket soru no).
Uygulama: Literatür ve anket formu ile birebir eşleşme yapın; önce codebook sonra veri yaklaşımı benimseyin.

2) Variable View Temelleri: Name, Type, Width, Decimals, Label, Values, Missing, Columns, Align, Measure, Role

• Name: Harf ile başlar, boşluk yok (örn. cinsiyet, on_test, grp).

• Type: Numeric, String, Date; Likert puanlar Numeric kodlanmalı.

• Label: İnsan-dilinde açıklama (“Cinsiyet (1=Kadın, 2=Erkek)”).

• Values: Değer etiketleri; 1=Kadın, 2=Erkek gibi.

• Missing: Sistem eksikleri (SYSMIS) + kullanıcı tanımlı eksikler (ör. −9, 98, 99).

• Measure: Nominal, Ordinal, Scale.
  İpucu: Ölçme düzeyi grafikleri ve test önerilerini etkiler; yanlış düzey, yanlış analiz seçimine yol açar.

3) Değer Etiketleri (Value Labels): Kodların Konuşması

İlke: Kodlamak, etiket kaybetmek değildir. SPSS’te Values alanına her kodun anlamını girin.
Standartlar: “Evet=1, Hayır=0” konsensüsü; çoklu kategorilerde doğal sıralamayı koruyun (ordinal).
Rapor: “Tüm nominal ve ordinal değişkenler için Value Labels tanımlandı; kodlar anket formu ile uyumludur.”

4) Kullanıcı Tanımlı Eksikler (User-Missing) ve Stratejiler

Örnek: 98=“Bilmiyorum”, 99=“Yanıt yok”, −9=“Kayıp”.
Neden kritik? Analizlerde bu kodlar gerçek değer sanılıp sonuçları bozabilir.
Uygulama: Variable View → Missing → Discrete missing values: 98, 99, −9.
İpucu: Likert’te “Fikrim yok (NA)” seçeneklerini ayrı kategori olarak analiz etmek isteyebilirsiniz; tercihinizi araştırma sorusuna göre belirleyin.

5) Ters Maddeler: Ölçeklerin Sessiz Tuzakları

Durum: 1=Kesinlikle Katılmıyorum … 5=Kesinlikle Katılıyorum; “negatif” maddeler terslenmeli.
SPSS yolu: Transform > Recode into Different Variables → Old and New Values (1→5, 2→4, 3→3, 4→2, 5→1), yeni isim item2_r.
Kontrol: Tersleme sonrası iç tutarlılık (Cronbach’s α) artmalı; artmıyorsa kod hatası olabilir.
Rapor: “Negatif ifadeler ters kodlandı; terslenmiş değişkenler _r sonekiyle işaretlendi.”

6) Çoklu Yanıt Soruları (Multiple Response): Bir Soruda Birden Fazla Seçim

Örnek: “Hangi kaynakları kullanıyorsunuz? (Birden fazla işaretleyin: Kitap, Video, Forum, Diğer)”
Kodlama 1 (dichotomy set): Her seçenek için 0/1 sütun (kitap, video, forum, diger).
SPSS tanımı: Analyze > Multiple Response > Define Variable Sets → Dichotomies (1=Seçildi).
Kodlama 2 (category set): Tek sütunda farklı kodlar ve “seçim sayısı” sınırlıysa çok değerli yapı (daha riskli).
Rapor: “Çoklu yanıtlar dichotomy set olarak tanımlandı; frekanslar yanıt sayısını, yüzdeler yanıt veren payını gösterir.”

7) Metin (String) → Sayısal Dönüşüm, Otomatik Kodlama ve Düzenleme

• Automatic Recode: Transform > Automatic Recode… (string kategorileri 1,2,3… olarak kodlar; New Name ve Add Value Labels seçili).

• String clean-up: Boşluk/harf büyüklüğü uyumsuzlukları “aynı kategori”yi bölebilir; Recode öncesi Trim/LOWER fonksiyonları (Compute) kullanın.

• Serbest metinler: Tek başına istatistik için kırılgandır; tematik kodlama planı veya dış yazılım (NVivo/Atlas.ti) entegrasyonu düşünün.

8) Recode ve Compute ile Türetme: Sınıflama, Toplam ve Ortalama Skorlar

• Recode into Different Variables: Sürekli puanı sınıflara ayırma (örn. kesme noktalarıyla düşük/orta/yüksek).

• Recode into Same Variables: Tehlikelidir; orijinali kaybedersiniz. Kullanımı sınırlayın.

• Compute: Alt testlerin ortalaması/toplamı (mean.2(item1_r, item2_r)), standartlaştırma (z=(x-mean)/sd), ters çevirme, log/√ dönüşüm.

• DO IF / ELSE IF / END IF: Koşullu türetmeler (örn. yalnız Grup=1 ise skor hesapla).

9) Tarih–Saat (Date/Time) Kodlama: Yaş, Süre, Dönem

• Type=Date: SPSS tarihlerini seri numara olarak saklar; doğru format seçimi önemlidir (dd.mm.yyyy, yyyy-mm-dd).

• Compute yaş: DATEDIFF(today, dogum_tarihi, "years").

• Dönemsel değişkenler: Hafta, ay, çeyrek → raporlanabilir kategoriler; mevsimsellik analizine köprü kurar.

10) Ölçme Düzeyi ve Raporlama: Nominal/Ordinal/Scale Ayarı

Neden? Grafik menüleri ve bazı istatistik prosedürleri ölçme düzeyine duyarlıdır.
Örnek: Likert toplam puanları genellikle Scale; tek maddeler Ordinal.
Rapor: “Tüm değişkenlerin Measure alanı gözden geçirildi; test seçimiyle uyumlu hale getirildi.”

11) Veri Doğrulama (Validation): Mantık, Aralık ve Çapraz Kurallar

• Aralık kontrolü: Data > Validation > Validate Data… (örn. yaş 0–100).

• Çapraz mantık: “Cinsiyet=Kadın ise ‘Gebelik’ boş değil” gibi kurallar.

• Çift giriş karşılaştırması: Aynı form iki kez girilmişse Case ID ile Exact matches kontrolü.
  Rapor: “Validation modülünde 27 satırda aralık hatası bulundu; düzeltilmiş ve karar günlüğüne işlenmiştir.”

12) Dosyaları Birleştirme: Append (Cases) ve Merge (Variables)

• Append: Aynı değişken yapısındaki farklı örneklemleri alt alta ekler (Data > Merge Files > Add Cases…).

• Merge: Aynı örneklerin farklı değişkenlerini yan yana birleştirir (Add Variables…), ortak anahtar (ID) gerekir.

• Uyarmalar: İsim/etiket eşleşmesi, sıralama, eksik ID’ler ve dublike kayıtlar.
  Rapor: “Üç dalga verisi ID ile yatay birleştirildi; eşleşmeyen 12 ID karar günlüğünde listelendi.”

13) Ağırlıklar (Weight) ve Karma Örneklem (Complex Samples)

• Weight Cases: Olasılık örneklemlerinde tasarım ağırlıkları uygulanır (Data > Weight Cases).

• Complex Samples: PSU/strata/weight belirtilerek tasarım uyumlu sonuçlar üretin; kodlama sırasında ağırlık değişkenini netleştirin.
  Not: Weight aktifken Output’ta NOTES satırını kontrol edin; istemeden açık kalmış olabilir.

14) Eksik Veri Kodlama → Analiz Politikası: Listwise, Pairwise, MI

• Listwise: Tüm değişkenlerde eksiksiz vakaları kullanır.

• Pairwise: Her analizde mevcut vakaları kullanır (korelasyonda daha yaygın).

• MI (Multiple Imputation): Eksik veri örüntüsü karmaşıksa; kodlamada “tanımlı missing” değerlerinin doğru işaretlenmesi MI için ön koşuldur.
  Rapor: “Eksikler −9 ile kodlandı; analizler listwise yürütüldü, duyarlılık MI ile doğrulandı.”

15) Ölçek Puanlama: Toplam/Ortalamalar, Standartlaştırma ve Tavan/Taban

• Toplam/Ortalama: Ters maddeleri dahil ederek Compute ile puan oluşturun (mean.x fonksiyonları eksik toleranslıdır).

• Standartlaştırma: Gruplar arası kıyas için Descriptives > Save standardized.

• Tavan/Taban etkisi: Betimsel ve histogramla görün; gerekirse dönüşüm veya robust analiz planı.

16) Çoklu Yanıt Seti Raporlama: Yüzde Türleri ve Düşülen Tuzaklar

• % of Responses vs % of Cases: Bir kişi üç seçenek işaretlediyse “yanıt yüzdesi” toplamı 100’ü aşabilir; metinde açık yazın.

• Grafik: Çoklu yanıt “stacked bar” en okunur çözümlerden biridir.
  Rapor cümlesi: “Kaynak kullanımında en yüksek oran Kitap (%62; cases), ardından Video (%48) gelmiştir.”

17) SPSS Syntax ile Reprodüksiyon: Kodlama Kararlarını Kaydetmek

• Paste düğmesiyle her işlemi syntax’a atın; * ile açıklama satırları, LOG ve OMS ile çıktı yakalama.

• Sürüm kontrolü: Syntax dosyalarını tarih/sürüm ile adlandırın (coding_2025-10-07.sps).

• Paylaşım: Tez ekinde syntax’ın son halini ekleyin; denetlenebilirlik artar.

18) Anonimleştirme, Etik ve Gizlilik: Kodlama Aşamasında Güvence

• Kimlik ayırma: Ad/soyad/telefon ayrı bir “anahtar” dosyada; analiz dosyasında yalnız ID.

• Kiril/Unicode temizliği: Metin alanlarında kişisel bilgiyi maskeleyin.

• Hassas kategoriler: Küçük hücrelerde birleştirme veya bastırma (k-ananimlik mantığı).
  Rapor: “Kimlik alanları ayrıldı; analiz dosyasında yalnız ID ve araştırma değişkenleri bulunmaktadır.”

19) Uygulama Örneği (Eğitim): Anket + Başarı Testi

Durum: 1–5 Likert tutum ölçeği (10 madde; 3’ü ters), çoklu kaynak sorusu, son-test puanı.
Akış: Ters maddeleri *_r ile kodla → mean.10() ile toplam → çoklu yanıt setini tanımla → son-testte z puanı oluştur → Merge ile ön-test ekle → eksikleri −9 olarak tanımla.
Rapor: “Tutum puanının α=0,86; Multiple Response sonuçları raporlandı; başarı z-puanı gruplara göre karşılaştırıldı.”

20) Uygulama Örneği (Sağlık): Klinik Gözlem Formu + CRP

Durum: CRP şiddetle sağ çarpık, “Belirti var/yok” çoklu işaretleme, ziyaret tarihleri.
Akış: log(CRP) türet → çoklu yanıt dichotomy set → ziyaret tarihinden hafta değişkeni üret → “Gebelik” mantık kontrolü → eksik kodla.
Rapor: “CRP log-ölçekte analiz edildi; semptom kümeleri çoklu yanıt olarak özetlendi; haftalık trend oluşturuldu.”

21) Uygulama Örneği (İktisat): Hane Geliri, Sektör, İstihdam

Durum: Ağır kuyruklu gelir, sektör çok kategorili, istihdam 0/1.
Akış: Geliri winsorize veya logla → sektör birleştirme (az gözlemlileri ‘Diğer’) → ağırlık değişkenini ayarla → ID ile panelleri yatay birleştir.
Rapor: “Gelir log-dönüşümlü; sektörler politika anlamlı kümelere indirgenmiştir; ağırlıklar betimsellere yansıtılmıştır.”

22) Girdi (Data Entry) Disiplini: Doğrulama Kuralları ve Form Tasarımı

• Dropdown/radio yerine serbest yazım hatayı artırır; mümkünse veri toplama formunda kısıtlar koyun.

• Ön kodlama: Anket önünde kod şeması (1=Evet…) basılı olsun.

• Çift giriş: Kritik projelerde iki operatörün girişi karşılaştırılır.

23) Sık Hatalar ve Hızlı Çözümler

• Sorun: “Hayır=2, Evet=1” gibi tutarsız kodlar. → Çözüm: Recode, codebook düzelt.

• Sorun: Missing tanımlanmamış “99”lar analizde değer sanılıyor. → Çözüm: Missing alanını doldur, analizleri yenile.

• Sorun: Ters maddenin terslenmesi atlandı. → Çözüm: *_r üret, ölçek puanını yeniden hesapla, α’yı kontrol et.

• Sorun: Çoklu yanıt raporunda yüzde türü karıştı. → Çözüm: “% of cases” vs “% of responses” netle.

24) SPSS’te Küçük Ama Hayat Kurtaran İpuçları

• Variable View kopyalama: Bir değişkene yaptığınız etiket/ölçme ayarını benzerlerine kopyala–yapıştır.

• Arama: Edit > Find ile değişken ad/etiketinde arayın.

• Özel eksik gibi görünen sıfırlar: 0 meşruysa eksik tanımlamayın.

• Data → Sort Cases: Ters madde görsel kontrolü için uç–orta–uç dağılıma bakın.

25) Kodlama → Analiz Köprüsü: Etki Büyüklüğü ve Varsayımlar

Neden şimdi? Kodlama kararları (sınıflama kesimleri, dönüşüm) etki büyüklüğü ve varsayımları etkiler.
Öneri: Dönüşümden önce/sonra histogram ve Levene/QQ notu alın; duyarlılık analizlerinde iki sürümü de raporlayın.

26) Şablonlar: Değişken Adlandırma ve Etiket Stili

• Adlandırma: alan_konu_tür (örn. edu_motiv_total, hlth_crp_log).

• Etiket: “Ölçek: Öğrenen Motivasyonu (toplam; terslenmişler dahil)”.

• Sonekler: _r (reverse), _z (z-score), _w (ağırlık), _bin (ikili).
  Fayda: Okur/denetçi okumayı sever; ekip içi iletişim hızlanır.

27) Yazılım Kesişimi: Excel → SPSS ve Tersine

• Power Query ile ön temizlik (trim, tip dönüşümü) sonra SPSS’e alın.

• Export: SPSS tablolarını Copy Special ile RTF/HTML; kodlama özetlerini Excel’e dökerek ek dosya oluşturun.

• CSV aktarımında Türkçe karakter: UTF-8 CSV + SPSS’te uygun kod sayfası.

28) Kalite Güvencesi ve İnter-Kodlayıcı Tutarlılığı

• Manuel kodlama (açık uçlu yanıtlar): Kod kitabı + çift kodlama + uyuşum ölçüsü (Cohen’s κ).

• Revizyon döngüsü: Uyuşum düşükse kod kitabını netleştirip tekrar kodlayın.
  Rapor: “Açık uçlu yanıtların tematik kodlamasında κ=0,78 elde edilmiştir.”

29) Teslim Öncesi SPSS Kodlama Kontrol Listesi

1. Codebook güncel ve tam mı?

2. Tüm nominal/ordinal değişkenlerde Value Labels var mı?

3. Eksik değerler User-Missing olarak tanımlı mı?

4. Ters maddeler _r ile üretildi mi ve kontroller yapıldı mı?

5. Çoklu yanıt setleri tanımlandı ve yüzde türü metinde açıklandı mı?

6. String→numeric dönüşümleri ve Automatic Recode onaylandı mı?

7. Recode işlemlerinde “into Different Variables” tercih edildi mi (orijinal korundu mu)?

8. Tarih–zaman formatları ve türetilmiş yaş/süre değişkenleri doğru mu?

9. Merge/Append işlemleri karar günlüğüne işlendi mi; ID uyuşmazlıkları listelendi mi?

10. Ağırlıklar ve Complex Samples gereksinimleri not edildi mi?

11. Validation kuralları çalıştırıldı mı; hatalar düzeltildi mi?

12. Syntax dosyası güncel, çalışabilir ve yorum satırları içeriyor mu?

13. Anonimleştirme yapıldı mı; kişisel veriler ayrıldı mı?

14. Dönüşüm kararları için duyarlılık ve varsayım notları var mı?

30) Örnek Rapor Cümleleri (Kullan–Yapıştır)

• “Tüm kategorik değişkenler Value Labels ile tanımlandı; User-Missing değerler (−9, 98, 99) analiz dışında bırakıldı.”

• “Likert ölçeğindeki ters maddeler Recode into Different Variables ile terslendi; ölçek puanı mean.10 fonksiyonuyla üretildi (eksik toleranslı).”

• “Çoklu yanıtlı soru dichotomy set olarak tanımlandı; yüzdeler % of cases olarak raporlandı.”

• “CRP değişkeni log-dönüştürüldü; yorum yüzde değişim diliyle yapıldı.”

• “Veri dosyaları ID ile yatay birleştirildi; uyuşmayan 12 kayıt karara bağlandı.”

• “Tüm işlemler SPSS syntax ile belgelendi ve ek dosyada paylaşıldı.”

---

Sonuç

SPSS ile veri kodlama, bir akademik projenin görünmez omurgasıdır. Bu omurga; doğru etiketleme, titiz eksik veri yönetimi, dikkatli ters madde işlemleri, anlamlı dönüşümler, sağlam çoklu yanıt tanımları, düzenli türetme ve birleştirme adımlarıyla ayakta durur. Başarılı bir kodlama, araştırma sorusuna uygun ölçme düzeyi inşasını ve reprodüksiyonu garanti eder; etik ve gizlilik standartlarına uyumu güvence altına alır.

Bu yazıda; codebook tasarımından Variable View inceliklerine, User-Missing yapılandırmasından çoklu yanıt setlerine, string→numeric dönüşümlerden Recode/Compute/DO IF kullanımına, tarih–zaman işlemlerinden dosya birleştirmeye, ağırlıklar ve karma örneklemden validation kurallarına, syntax-odaklı reprodüksiyondan anonimleştirme ve inter-kodlayıcı uyuma kadar SPSS kodlama ekosistemini uçtan uca haritaladık.
Son reçete:

1. Önce plan (codebook), sonra veri.

2. Her değişken konuşsun (Value Labels, Measure).

3. Eksikleri tanımla, ters maddeleri netleştir.

4. Dönüşümleri kopyalama değil belgeleme (syntax).

5. Çoklu yanıt setlerini doğru yorumla.

6. Validation ile tutarsızlıkları yakala.

7. Anonimleştir, etik izleri koru.

8. Her kritik adımda duyarlılık ve varsayım notu ekle.

Böylece, analiz aşamasına geçtiğinizde SPSS yalnız bir “yazılım” değil, tutarlı bir bilimsel üretim hattı ortağına dönüşür: veriniz temiz, kodlarınız anlaşılır, sonuçlarınız ikna edici ve yeniden üretilebilir olur.

Akademi Delisi, eğitim ve akademik destek alanında kapsamlı hizmetler sunan öncü bir platformdur. Öğrencilerin akademik başarılarına yön verirken, onları bilgiyle buluşturmayı ve potansiyellerini en üst düzeye çıkarmayı amaç edinmiş bir ekibiz. Sitemiz bünyesinde ödevlerden projelere, tezlerden makalelere kadar geniş bir yelpazede destek sağlıyoruz. Alanında uzman yazarlarımız, öğrencilere özgün içerikler sunarken, aynı zamanda onlara araştırma, analiz ve yazım konularında rehberlik ederek kendilerini geliştirmelerine yardımcı oluyor.
Akademik hayatın zorluklarıyla başa çıkmak artık daha kolay. Akademi Delisi olarak, öğrencilere sadece ödevlerinde değil, aynı zamanda araştırma projelerinde, tez çalışmalarında ve diğer akademik gereksinimlerinde de destek sağlıyoruz. Sunduğumuz kaliteli hizmetler sayesinde öğrenciler zamanlarını daha verimli bir şekilde kullanabilirler. Uzman ekibimiz, her bir öğrencinin ihtiyaçlarına özel çözümler üreterek, onların akademik hedeflerine ulaşmalarına katkı sağlar.
Gelişmiş kaynaklara erişimden akademik yazım kurallarına, araştırma yöntemlerinden kaynakça oluşturmaya kadar her aşamada öğrencilere destek sunan Akademi Delisi, eğitimde yeni bir perspektif sunuyor. Amacımız, öğrencilere sadece geçici çözümler değil, aynı zamanda uzun vadeli öğrenme ve başarıya giden yolda rehberlik etmektir.