{"id":34952,"date":"2025-11-24T03:00:55","date_gmt":"2025-11-24T00:00:55","guid":{"rendered":"https:\/\/fatihsoysal.com\/blog\/regresyon-katsayisi-neden-yon-degistirir\/"},"modified":"2025-11-24T03:00:55","modified_gmt":"2025-11-24T00:00:55","slug":"regresyon-katsayisi-neden-yon-degistirir","status":"publish","type":"post","link":"https:\/\/fatihsoysal.com\/blog\/regresyon-katsayisi-neden-yon-degistirir\/","title":{"rendered":"Regresyon Katsay\u0131s\u0131 Neden Y\u00f6n De\u011fi\u015ftirir?"},"content":{"rendered":"<p><body><\/p>\n<style>\n        \/* Basit Mobil Uyumluluk \u00d6rne\u011fi *\/\n        .responsive-table {\n          width: 100%;\n          overflow-x: auto; \/* Yatay kayd\u0131rma \u00e7ubu\u011fu *\/\n        }\n        .responsive-table table {\n          width: 100%;\n          border-collapse: collapse;\n        }\n        .responsive-table th, .responsive-table td {\n          border: 1px solid #ddd;\n          padding: 8px;\n          text-align: left;\n        }<\/p>\n<p>        \/* K\u00fc\u00e7\u00fck ekranlar i\u00e7in d\u00fczenleme *\/\n        @media screen and (max-width: 600px) {\n          .responsive-table th, .responsive-table td {\n            display: block; \/* Her h\u00fccreyi blok element yap *\/\n            width: 100%;\n            box-sizing: border-box; \/* Padding ve border geni\u015fli\u011fe dahil *\/\n          }\n          .responsive-table td:before {\n            content: attr(data-label); \/* data-label niteli\u011fini kullan *\/\n            float: left;\n            font-weight: bold;\n            text-transform: uppercase;\n          }\n        }\n        \/* Uzman \u0130pucu kutusu i\u00e7in stil *\/\n        .tip-box {\n            background-color: #e6f7ff;\n            border-left: 5px solid #3399ff;\n            padding: 15px;\n            margin: 20px 0;\n            font-style: italic;\n            color: #333;\n        }\n    <\/style>\n<p>Regresyon analizi, veri biliminin ve istatisti\u011fin temel ta\u015flar\u0131ndan biridir; bir veya daha fazla ba\u011f\u0131ms\u0131z de\u011fi\u015fkenin, ba\u011f\u0131ml\u0131 bir de\u011fi\u015fken \u00fczerindeki etkisini anlamam\u0131z\u0131 sa\u011flar. Genellikle, bir de\u011fi\u015fkenin sonucumuz \u00fczerindeki etkisini pozitif olarak bekleriz, ancak bazen modelimize yeni bir de\u011fi\u015fken ekledi\u011fimizde, o de\u011fi\u015fkenin katsay\u0131s\u0131 \u015fa\u015f\u0131rt\u0131c\u0131 bir \u015fekilde negatif hale gelebilir. Bu durum, veri analistlerinin ve ara\u015ft\u0131rmac\u0131lar\u0131n s\u0131k\u00e7a kar\u015f\u0131la\u015ft\u0131\u011f\u0131, kafa kar\u0131\u015ft\u0131r\u0131c\u0131 ancak son derece \u00f6\u011fretici bir fenomendir. Peki, bu beklenmedik y\u00f6n de\u011fi\u015fimi neden meydana gelir ve arkas\u0131ndaki istatistiksel mekanizmalar nelerdir?<\/p>\n<p>Bu makalede, regresyon katsay\u0131lar\u0131n\u0131n neden y\u00f6n de\u011fi\u015ftirebilece\u011fini, bu durumun ard\u0131ndaki temel istatistiksel kavramlar\u0131 ve bu t\u00fcr senaryolarla nas\u0131l ba\u015fa \u00e7\u0131kabilece\u011fimizi detayl\u0131 bir \u015fekilde inceleyece\u011fiz. Ayr\u0131ca, ger\u00e7ek d\u00fcnya senaryolar\u0131ndan \u00f6rnekler ve pratik kod uygulamalar\u0131yla konuyu somutla\u015ft\u0131racak, b\u00f6ylece modelleme s\u00fcrecinde daha bilin\u00e7li kararlar alman\u0131z\u0131 sa\u011flayaca\u011f\u0131z. Amac\u0131m\u0131z, regresyon modellerinizi daha do\u011fru ve anlaml\u0131 hale getirmenize yard\u0131mc\u0131 olmakt\u0131r. Gelin, bu karma\u015f\u0131k ama b\u00fcy\u00fcleyici konuya birlikte dalal\u0131m.<\/p>\n<h2>Regresyonun Temelleri ve Katsay\u0131 Yorumu: Veriler Bize Ne Anlat\u0131r?<\/h2>\n<p>Regresyon analizi, genellikle bir ba\u011f\u0131ml\u0131 de\u011fi\u015fken (a\u00e7\u0131klanmaya \u00e7al\u0131\u015f\u0131lan de\u011fi\u015fken) ile bir veya daha fazla ba\u011f\u0131ms\u0131z de\u011fi\u015fken (a\u00e7\u0131klayan de\u011fi\u015fkenler) aras\u0131ndaki ili\u015fkinin matematiksel modelini kurmak i\u00e7in kullan\u0131l\u0131r. En yayg\u0131n kullan\u0131lan regresyon t\u00fcr\u00fc olan Do\u011frusal Regresyon, bu ili\u015fkileri do\u011frusal bir denklemle ifade eder. \u00d6rne\u011fin, bir \u00fcr\u00fcn\u00fcn sat\u0131\u015flar\u0131n\u0131 (ba\u011f\u0131ml\u0131 de\u011fi\u015fken) reklam harcamalar\u0131yla (ba\u011f\u0131ms\u0131z de\u011fi\u015fken) ili\u015fkilendirebiliriz. Basit do\u011frusal regresyon durumunda, denklem genellikle Y = \u03b2\u2080 + \u03b2\u2081X + \u03b5 \u015feklinde ifade edilir.<\/p>\n<p>Burada Y, ba\u011f\u0131ml\u0131 de\u011fi\u015fkeni; X, ba\u011f\u0131ms\u0131z de\u011fi\u015fkeni; \u03b2\u2080, sabiti (X=0 oldu\u011funda Y&#8217;nin beklenen de\u011feri); \u03b2\u2081, regresyon katsay\u0131s\u0131n\u0131 (X bir birim artt\u0131\u011f\u0131nda Y&#8217;deki beklenen de\u011fi\u015fimi) ve \u03b5 ise hata terimini temsil eder. \u00c7oklu do\u011frusal regresyonda ise birden fazla ba\u011f\u0131ms\u0131z de\u011fi\u015fken devreye girer: Y = \u03b2\u2080 + \u03b2\u2081X\u2081 + \u03b2\u2082X\u2082 + &#8230; + \u03b2\u209aX\u209a + \u03b5. \u0130\u015fte bu noktada katsay\u0131lar\u0131n yorumlanmas\u0131 kritik \u00f6nem ta\u015f\u0131r: \u03b2\u2081 katsay\u0131s\u0131, di\u011fer t\u00fcm ba\u011f\u0131ms\u0131z de\u011fi\u015fkenler <strong>sabit tutuldu\u011funda<\/strong> (ceteris paribus) X\u2081 bir birim artt\u0131\u011f\u0131nda Y&#8217;deki ortalama beklenen de\u011fi\u015fimi ifade eder. Bu &#8216;di\u011fer de\u011fi\u015fkenler sabit tutuldu\u011funda&#8217; ifadesi, katsay\u0131lar\u0131n y\u00f6n de\u011fi\u015ftirmesini anlamam\u0131z i\u00e7in anahtar bir ayr\u0131nt\u0131d\u0131r.<\/p>\n<p>Bir katsay\u0131n\u0131n pozitif olmas\u0131, ilgili ba\u011f\u0131ms\u0131z de\u011fi\u015fken artt\u0131k\u00e7a ba\u011f\u0131ml\u0131 de\u011fi\u015fkenin de artma e\u011filiminde oldu\u011funu; negatif olmas\u0131 ise, ba\u011f\u0131ms\u0131z de\u011fi\u015fken artt\u0131k\u00e7a ba\u011f\u0131ml\u0131 de\u011fi\u015fkenin azalma e\u011filiminde oldu\u011funu g\u00f6sterir. Ancak, korelasyon ile nedensellik aras\u0131ndaki fark\u0131 g\u00f6z \u00f6n\u00fcnde bulundurmak esast\u0131r. Regresyon analizi g\u00fc\u00e7l\u00fc ili\u015fkileri ortaya koyabilir, fakat tek ba\u015f\u0131na nedensel bir ba\u011flant\u0131y\u0131 garanti etmez. Bir regresyon katsay\u0131s\u0131n\u0131n y\u00f6n de\u011fi\u015ftirmesi durumu, modeldeki de\u011fi\u015fkenler aras\u0131ndaki karma\u015f\u0131k ili\u015fkilerin veya g\u00f6z ard\u0131 edilen fakt\u00f6rlerin bir g\u00f6stergesi olabilir. Bu nedenle, sadece i\u015faretine bakmak yerine, katsay\u0131n\u0131n neden o \u015fekilde davrand\u0131\u011f\u0131n\u0131 anlamaya \u00e7al\u0131\u015fmak \u00e7ok daha \u00f6nemlidir.<\/p>\n<h2>Katsay\u0131 Y\u00f6n De\u011fi\u015fiminin Arka Plan\u0131: Temel Mekanizmalar Nelerdir?<\/h2>\n<p>Bir regresyon katsay\u0131s\u0131n\u0131n modelimize yeni bir de\u011fi\u015fken eklendi\u011finde y\u00f6n de\u011fi\u015ftirmesi, genellikle modeldeki de\u011fi\u015fkenler aras\u0131ndaki \u00f6rt\u00fc\u015fen veya gizli ili\u015fkilerden kaynaklan\u0131r. Bu durumun ortaya \u00e7\u0131kmas\u0131na yol a\u00e7an birka\u00e7 temel istatistiksel mekanizma bulunmaktad\u0131r. Bunlar\u0131 anlamak, daha sa\u011flam ve a\u00e7\u0131klay\u0131c\u0131 modeller olu\u015fturmam\u0131za yard\u0131mc\u0131 olacakt\u0131r.<\/p>\n<h3>Gizli De\u011fi\u015fken \u00d6nyarg\u0131s\u0131 (Omitted Variable Bias &#8211; OVB) ve Konfounder Etkisi: G\u00f6r\u00fcnmeyen Ba\u011flant\u0131lar Nas\u0131l Hatalara Yol A\u00e7ar?<\/h3>\n<p>Gizli De\u011fi\u015fken \u00d6nyarg\u0131s\u0131 (OVB), bir modelde olmas\u0131 gereken ancak dahil edilmeyen, hem ba\u011f\u0131ml\u0131 de\u011fi\u015fkenle hem de modeldeki di\u011fer ba\u011f\u0131ms\u0131z de\u011fi\u015fkenlerle ili\u015fkili bir de\u011fi\u015fkenin varl\u0131\u011f\u0131nda ortaya \u00e7\u0131kar. Bu eksiklik, mevcut ba\u011f\u0131ms\u0131z de\u011fi\u015fkenlerin katsay\u0131lar\u0131n\u0131n hatal\u0131 bir \u015fekilde tahmin edilmesine yol a\u00e7ar; yani, o de\u011fi\u015fkenin ger\u00e7ek etkisini yans\u0131tmaz. En bilinen \u00f6rne\u011fi, &#8220;dondurma sat\u0131\u015flar\u0131 ve bo\u011fulma vakalar\u0131&#8221; aras\u0131ndaki pozitif korelasyondur. E\u011fer bu iki de\u011fi\u015fken aras\u0131nda bir regresyon modeli kursak, dondurma sat\u0131\u015flar\u0131ndaki art\u0131\u015f\u0131n bo\u011fulma riskini art\u0131rd\u0131\u011f\u0131n\u0131 d\u00fc\u015f\u00fcnebiliriz. Ancak, modele &#8220;hava s\u0131cakl\u0131\u011f\u0131&#8221; de\u011fi\u015fkenini ekledi\u011fimizde, dondurma sat\u0131\u015flar\u0131n\u0131n katsay\u0131s\u0131 pozitiften s\u0131f\u0131ra veya negatife d\u00f6nebilir.<\/p>\n<p>Burada &#8220;hava s\u0131cakl\u0131\u011f\u0131&#8221;, hem dondurma sat\u0131\u015flar\u0131n\u0131 art\u0131ran (insanlar s\u0131cak havada dondurma yer) hem de bo\u011fulma vakalar\u0131n\u0131 art\u0131ran (s\u0131cak havada insanlar daha \u00e7ok denize\/havuza girer) bir <strong>konfounder<\/strong> (kar\u0131\u015ft\u0131r\u0131c\u0131) de\u011fi\u015fkendir. Hava s\u0131cakl\u0131\u011f\u0131 modelde yokken, dondurma sat\u0131\u015flar\u0131 asl\u0131nda s\u0131cakl\u0131\u011f\u0131n etkisini de kendi \u00fczerine alarak abart\u0131l\u0131 bir pozitif ili\u015fki g\u00f6sterir. Modele s\u0131cakl\u0131k eklendi\u011finde ise, dondurma sat\u0131\u015flar\u0131n\u0131n as\u0131l etkisi (varsa) ortaya \u00e7\u0131kar ve genellikle \u00e7ok daha k\u00fc\u00e7\u00fck, bazen de ters y\u00f6nde bir etki oldu\u011fu anla\u015f\u0131l\u0131r. Bu durum, modelimizin eksik veya yanl\u0131\u015f kuruldu\u011funu ve ger\u00e7ek d\u00fcnya ili\u015fkilerini tam olarak yans\u0131tmad\u0131\u011f\u0131n\u0131 g\u00f6sterir.<\/p>\n<h3>Multikolinearite: Benzer De\u011fi\u015fkenlerin Karma\u015fas\u0131 Nas\u0131l Anlamay\u0131 Zorla\u015ft\u0131r\u0131r?<\/h3>\n<p>Multikolinearite, bir regresyon modelindeki ba\u011f\u0131ms\u0131z de\u011fi\u015fkenlerin birbiriyle y\u00fcksek derecede ili\u015fkili olmas\u0131 durumudur. Yani, bir ba\u011f\u0131ms\u0131z de\u011fi\u015fkenin de\u011feri, di\u011fer ba\u011f\u0131ms\u0131z de\u011fi\u015fkenlerden biri veya daha fazlas\u0131 taraf\u0131ndan olduk\u00e7a iyi a\u00e7\u0131klanabiliyorsa multikolinearite mevcuttur. Bu durum, regresyon katsay\u0131lar\u0131n\u0131n tahminlerini son derece karars\u0131z hale getirebilir; k\u00fc\u00e7\u00fck veri de\u011fi\u015fiklikleri veya yeni bir de\u011fi\u015fken eklenmesi, mevcut katsay\u0131lar\u0131n i\u015faretlerini bile de\u011fi\u015ftirebilir. Y\u00fcksek multikolinearite oldu\u011funda, model her bir ba\u011f\u0131ms\u0131z de\u011fi\u015fkenin ba\u011f\u0131ml\u0131 de\u011fi\u015fken \u00fczerindeki benzersiz etkisini ay\u0131rt etmekte zorlan\u0131r.<\/p>\n<p>\u00d6rne\u011fin, bir ev fiyatlar\u0131 modelinde evin b\u00fcy\u00fckl\u00fc\u011f\u00fc (metrekare) ile oda say\u0131s\u0131 gibi de\u011fi\u015fkenleri ayn\u0131 anda kullanmak multikolineariteye yol a\u00e7abilir, \u00e7\u00fcnk\u00fc bu iki de\u011fi\u015fken genellikle birlikte artar veya azal\u0131r. B\u00f6yle bir durumda, bu de\u011fi\u015fkenlerden birinin katsay\u0131s\u0131, di\u011ferinin modele eklenmesiyle y\u00f6n de\u011fi\u015ftirebilir \u00e7\u00fcnk\u00fc model her ikisinin de ev fiyatlar\u0131 \u00fczerindeki katk\u0131s\u0131n\u0131 net bir \u015fekilde ay\u0131ramaz. Multikolinearite, genellikle katsay\u0131lar\u0131n standart hatalar\u0131n\u0131 art\u0131r\u0131r, bu da tahminlerin istatistiksel olarak anlams\u0131z g\u00f6r\u00fcnmesine neden olabilir. Varyans B\u00fcy\u00fctme Fakt\u00f6r\u00fc (VIF) gibi \u00f6l\u00e7\u00fcmler, multikolinearitenin varl\u0131\u011f\u0131n\u0131 ve \u015fiddetini tespit etmek i\u00e7in kullan\u0131l\u0131r.<\/p>\n<h3>Bast\u0131rma (Suppressor) ve Arac\u0131l\u0131k (Mediation) Etkileri: De\u011fi\u015fkenler Aras\u0131 Gizli \u0130li\u015fkiler Nas\u0131l Ortaya \u00c7\u0131kar?<\/h3>\n<p>Katsay\u0131lar\u0131n y\u00f6n de\u011fi\u015ftirmesinin en ilgin\u00e7 nedenlerinden biri <strong>bast\u0131rma etkisi (suppressor effect)<\/strong> olarak bilinir. Bast\u0131rma etkisi, bir ba\u011f\u0131ms\u0131z de\u011fi\u015fkenin, di\u011fer bir ba\u011f\u0131ms\u0131z de\u011fi\u015fken ile ba\u011f\u0131ml\u0131 de\u011fi\u015fken aras\u0131ndaki ger\u00e7ek ili\u015fkiyi gizlemesi durumunda ortaya \u00e7\u0131kar. Bu &#8220;bast\u0131r\u0131c\u0131&#8221; de\u011fi\u015fken modele dahil edildi\u011finde, di\u011fer ba\u011f\u0131ms\u0131z de\u011fi\u015fkenin ger\u00e7ek etkisi (ki bu genellikle ters y\u00f6nde veya daha g\u00fc\u00e7l\u00fc bir etkidir) ortaya \u00e7\u0131kar ve katsay\u0131n\u0131n y\u00f6n\u00fc de\u011fi\u015fir. \u00d6rne\u011fin, bir \u00f6\u011frencinin &#8220;\u00e7al\u0131\u015fma saati&#8221; ile &#8220;s\u0131nav ba\u015far\u0131s\u0131&#8221; aras\u0131nda pozitif bir ili\u015fki bekleriz. Ancak, &#8220;s\u0131nav kayg\u0131s\u0131&#8221; diye bir de\u011fi\u015fkeni modele ekledi\u011fimizi d\u00fc\u015f\u00fcnelim. \u00c7al\u0131\u015fma saatlerinin do\u011frudan s\u0131nav ba\u015far\u0131s\u0131 \u00fczerindeki pozitif etkisi, s\u0131nav kayg\u0131s\u0131 taraf\u0131ndan bir miktar bast\u0131r\u0131l\u0131yor olabilir. Kayg\u0131 modele eklendi\u011finde, \u00e7al\u0131\u015fma saatlerinin katsay\u0131s\u0131, kayg\u0131n\u0131n olumsuz etkisi aradan \u00e7ekildi\u011fi i\u00e7in daha da pozitife gidebilir veya tam tersi kayg\u0131n\u0131n gizledi\u011fi negatif bir ili\u015fkiyi ortaya \u00e7\u0131karabilir.<\/p>\n<p>Di\u011fer yandan, <strong>arac\u0131l\u0131k etkisi (mediation effect)<\/strong>, bir ba\u011f\u0131ms\u0131z de\u011fi\u015fkenin ba\u011f\u0131ml\u0131 de\u011fi\u015fken \u00fczerindeki etkisinin, \u00fc\u00e7\u00fcnc\u00fc bir &#8220;arac\u0131&#8221; de\u011fi\u015fken arac\u0131l\u0131\u011f\u0131yla ger\u00e7ekle\u015fti\u011fi durumlarda g\u00f6r\u00fcl\u00fcr. \u00d6rne\u011fin, reklam harcamalar\u0131n\u0131n (X) \u00fcr\u00fcn sat\u0131\u015flar\u0131n\u0131 (Y) art\u0131rmas\u0131, marka bilinirli\u011fi (M) arac\u0131l\u0131\u011f\u0131yla olabilir. X, M&#8217;yi art\u0131r\u0131r ve M de Y&#8217;yi art\u0131r\u0131r. E\u011fer modelimize sadece X ve Y&#8217;yi dahil edersek, X&#8217;in Y \u00fczerindeki do\u011frudan etkisini \u00f6l\u00e7eriz. Ancak M&#8217;yi de modele ekledi\u011fimizde, X&#8217;in Y \u00fczerindeki do\u011frudan etkisi azalabilir veya istatistiksel olarak anlams\u0131z hale gelebilir, \u00e7\u00fcnk\u00fc etkisi art\u0131k M \u00fczerinden a\u00e7\u0131klanmaktad\u0131r. Burada katsay\u0131 y\u00f6n de\u011fi\u015ftirmez, genellikle g\u00fcc\u00fc azal\u0131r veya kaybolur. Bast\u0131rma etkisi ise katsay\u0131n\u0131n i\u015faretini tamamen tersine \u00e7evirebilir, bu da onu makalemizin ana konusuna daha uygun bir mekanizma yapar.<\/p>\n<h2>Vaka Analizi: Pazarlama Kampanyas\u0131 Verileriyle Katsay\u0131 De\u011fi\u015fimi Nas\u0131l G\u00f6zlemlenir?<\/h2>\n<p>\u015eimdi bu teorik bilgileri somutla\u015ft\u0131rmak i\u00e7in ger\u00e7ek\u00e7i bir senaryo \u00fczerinde dural\u0131m. Bir e-ticaret \u015firketinin yeni bir \u00fcr\u00fcn i\u00e7in yapt\u0131\u011f\u0131 pazarlama kampanyas\u0131n\u0131n etkinli\u011fini \u00f6l\u00e7t\u00fc\u011f\u00fcn\u00fc d\u00fc\u015f\u00fcnelim. Ba\u015flang\u0131\u00e7ta, &#8220;Sosyal Medya Harcamalar\u0131&#8221; (SM_Harcama) ile &#8220;Sat\u0131\u015f Geliri&#8221; (Sat\u0131\u015f_Geliri) aras\u0131nda bir regresyon analizi yap\u0131yorlar ve g\u00fc\u00e7l\u00fc bir pozitif ili\u015fki buluyorlar. Yani, SM_Harcama artt\u0131k\u00e7a Sat\u0131\u015f_Geliri de art\u0131yor.<\/p>\n<p>Ancak daha sonra ekip, bu d\u00f6nemde rakip firmalar\u0131n da benzer \u00fcr\u00fcnler i\u00e7in &#8220;Rekabet\u00e7i_Promosyon&#8221; kampanyalar\u0131 y\u00fcr\u00fctt\u00fc\u011f\u00fcn\u00fc fark ediyor. Bu de\u011fi\u015fkeni de modellerine eklediklerinde, SM_Harcama&#8217;n\u0131n katsay\u0131s\u0131 pozitiften negatife d\u00f6n\u00fcyor! Bu nas\u0131l m\u00fcmk\u00fcn olabilir?<\/p>\n<p>Bu senaryoda, SM_Harcama&#8217;n\u0131n asl\u0131nda genel pazar talebini art\u0131ran veya belirli bir kitleye hitap eden bir etkisi varken, Rekabet\u00e7i_Promosyon&#8217;lar bu etkiyi bir bast\u0131r\u0131c\u0131 olarak gizlemi\u015f olabilir. Belki de \u015firket, sosyal medya harcamalar\u0131n\u0131, rakiplerin promosyonlar\u0131 artt\u0131k\u00e7a (pazar\u0131n daha hareketli oldu\u011fu d\u00fc\u015f\u00fcncesiyle) art\u0131rd\u0131. Ancak rakiplerin promosyonlar\u0131, \u015firketimizin sat\u0131\u015flar\u0131n\u0131 d\u00fc\u015f\u00fcr\u00fcc\u00fc bir etkiye sahipti. \u0130lk modelde, SM_Harcama hem kendi pozitif etkisini hem de rakiplerin promosyonlar\u0131n\u0131n neden oldu\u011fu pazar hareketlili\u011fini birle\u015ftiriyordu. \u0130kinci de\u011fi\u015fken eklendi\u011finde, Rekabet\u00e7i_Promosyonlar kendi negatif etkisini ortaya koyarken, SM_Harcama&#8217;n\u0131n ger\u00e7ek, belki de n\u00f6tr veya zay\u0131f pozitif\/negatif etkisi belirginle\u015fti.<\/p>\n<p>\u015eimdi bu senaryoyu basit bir Python kodu ile sim\u00fcle edelim ve katsay\u0131 de\u011fi\u015fimini g\u00f6zlemleyelim:<\/p>\n<pre><code>\nimport pandas as pd\nimport statsmodels.api as sm\nimport numpy as np\n\n# \u00d6rnek veri seti olu\u015fturma\nnp.random.seed(42)\nn_samples = 100\n\n# Ger\u00e7ek ili\u015fkileri sim\u00fcle edelim\n# Reklam harcamas\u0131n\u0131n sat\u0131\u015flara pozitif etkisi var gibi g\u00f6r\u00fcnse de...\n# ...asl\u0131nda rakip promosyonlar\u0131 ile g\u00fc\u00e7l\u00fc bir ili\u015fki i\u00e7inde\n# ve rakip promosyonlar\u0131n\u0131n sat\u0131\u015flara negatif etkisi var.\nsm_harcama = np.random.rand(n_samples) * 100 # 0-100 aras\u0131 sosyal medya harcamas\u0131\nrakip_promosyon = sm_harcama * 0.7 + np.random.rand(n_samples) * 30 # SM harcama ile ili\u015fkili\nsatis_geliri = 50 + (sm_harcama * 0.5) - (rakip_promosyon * 0.8) + np.random.randn(n_samples) * 10\n\ndata = pd.DataFrame({\n    'SM_Harcama': sm_harcama,\n    'Rakip_Promosyon': rakip_promosyon,\n    'Satis_Geliri': satis_geliri\n})\n\nprint(\"Olu\u015fturulan veri setinin ilk 5 sat\u0131r\u0131:\")\nprint(data.head())\nprint(\"\\n\")\n\n# Korelasyon matrisi\nprint(\"De\u011fi\u015fkenler aras\u0131 korelasyon matrisi:\")\nprint(data.corr())\nprint(\"\\n\")\n\n# Model 1: Sadece SM_Harcama ile Regresyon\nX1 = sm.add_constant(data['SM_Harcama'])\nmodel1 = sm.OLS(data['Satis_Geliri'], X1).fit()\nprint(\"Model 1 Sonu\u00e7lar\u0131 (Sadece SM_Harcama):\")\nprint(model1.summary())\nprint(\"\\n\")\nprint(f\"Model 1'de SM_Harcama katsay\u0131s\u0131: {model1.params['SM_Harcama']:.2f}\")\nprint(\"\\n\" + \"=\"*50 + \"\\n\")\n\n# Model 2: SM_Harcama ve Rakip_Promosyon ile Regresyon\nX2 = sm.add_constant(data[['SM_Harcama', 'Rakip_Promosyon']])\nmodel2 = sm.OLS(data['Satis_Geliri'], X2).fit()\nprint(\"Model 2 Sonu\u00e7lar\u0131 (SM_Harcama ve Rakip_Promosyon):\")\nprint(model2.summary())\nprint(\"\\n\")\nprint(f\"Model 2'de SM_Harcama katsay\u0131s\u0131: {model2.params['SM_Harcama']:.2f}\")\nprint(f\"Model 2'de Rakip_Promosyon katsay\u0131s\u0131: {model2.params['Rakip_Promosyon']:.2f}\")\n    <\/pre>\n<p><\/code><\/p>\n<p>Yukar\u0131daki kod \u00e7\u0131kt\u0131s\u0131nda g\u00f6receksiniz ki, Model 1'de SM_Harcama katsay\u0131s\u0131 pozitif bir de\u011fer al\u0131rken, Model 2'ye Rakip_Promosyon eklendi\u011finde SM_Harcama katsay\u0131s\u0131 negatif bir de\u011fere d\u00f6n\u00fc\u015fecektir. Bu, rakip promosyonlar\u0131n\u0131n asl\u0131nda sat\u0131\u015flar\u0131 d\u00fc\u015f\u00fcr\u00fcc\u00fc bir etkisi oldu\u011funu ve bu de\u011fi\u015fken modele eklenmeden \u00f6nce SM_Harcama'n\u0131n bu olumsuz etkiyi (kendi i\u00e7inde bar\u0131nd\u0131rd\u0131\u011f\u0131 g\u00fc\u00e7l\u00fc pozitif etkiye ra\u011fmen) dolayl\u0131 olarak gizledi\u011fini g\u00f6sterir. Bu senaryo, bast\u0131rma etkisinin klasik bir \u00f6rne\u011fidir ve modelleme s\u00fcrecinde ne kadar dikkatli olmam\u0131z gerekti\u011fini g\u00f6zler \u00f6n\u00fcne serer.<\/p>\n<h2>Sorunu Tan\u0131mlama ve \u00c7\u00f6z\u00fcm Yollar\u0131: Regresyon Modellerinizi Nas\u0131l G\u00fc\u00e7lendirirsiniz?<\/h2>\n<p>Regresyon katsay\u0131s\u0131n\u0131n y\u00f6n de\u011fi\u015ftirmesi gibi durumlarla kar\u015f\u0131la\u015fmak, modelleme s\u00fcrecinin do\u011fal bir par\u00e7as\u0131d\u0131r ve \u00e7o\u011fu zaman modellerimizi daha iyi anlamak i\u00e7in bir f\u0131rsat sunar. Bu t\u00fcr sorunlar\u0131 tan\u0131mlamak ve \u00e7\u00f6zmek i\u00e7in atabilece\u011finiz birka\u00e7 \u00f6nemli ad\u0131m bulunmaktad\u0131r:<\/p>\n<ul>\n<li><strong>Kapsaml\u0131 Veri Ke\u015ffi ve Korelasyon Analizi:<\/strong> Modellemeye ba\u015flamadan \u00f6nce, t\u00fcm de\u011fi\u015fkenler aras\u0131ndaki ili\u015fkileri anlamak \u00e7ok \u00f6nemlidir. Korelasyon matrislerini incelemek, scatter plot'lar (nokta grafikleri) olu\u015fturmak ve de\u011fi\u015fkenlerin da\u011f\u0131l\u0131mlar\u0131n\u0131 g\u00f6rselle\u015ftirmek, potansiyel multikolinearite sorunlar\u0131n\u0131 veya gizli ili\u015fkileri \u00f6nceden tespit etmenize yard\u0131mc\u0131 olabilir. \u00d6zellikle, ba\u011f\u0131ms\u0131z de\u011fi\u015fkenler aras\u0131ndaki y\u00fcksek korelasyonlara dikkat edin.<\/li>\n<li><strong>Alan Bilgisi ve Teorik \u00c7er\u00e7eve:<\/strong> \u0130statistiksel analizler sadece matematiksel i\u015flemlerden ibaret de\u011fildir; ayn\u0131 zamanda analiz etti\u011finiz konuya dair derinlemesine alan bilgisi gerektirir. Modelinize hangi de\u011fi\u015fkenlerin dahil edilece\u011fine karar verirken, teorik beklentilerinizi ve ilgili literat\u00fcr\u00fc g\u00f6z \u00f6n\u00fcnde bulundurun. Bir de\u011fi\u015fkenin katsay\u0131s\u0131 y\u00f6n de\u011fi\u015ftirdi\u011finde, bunun mant\u0131kl\u0131 bir a\u00e7\u0131klamas\u0131 olup olmad\u0131\u011f\u0131n\u0131 sorgulay\u0131n. Bazen, ekledi\u011finiz de\u011fi\u015fkenin teorik olarak bir konfounder veya bast\u0131r\u0131c\u0131 etkisi olmas\u0131 beklenir.<\/li>\n<li><strong>Varyans B\u00fcy\u00fctme Fakt\u00f6r\u00fc (VIF) Kontrol\u00fc:<\/strong> Multikolineariteyi nicel olarak de\u011ferlendirmek i\u00e7in VIF de\u011ferlerini kullan\u0131n. Y\u00fcksek VIF de\u011ferleri (genellikle 5 veya 10'dan b\u00fcy\u00fck), o de\u011fi\u015fkenin di\u011fer ba\u011f\u0131ms\u0131z de\u011fi\u015fkenlerle g\u00fc\u00e7l\u00fc bir \u015fekilde ili\u015fkili oldu\u011funu ve katsay\u0131 tahminlerinin karars\u0131z olabilece\u011fini g\u00f6sterir. Y\u00fcksek VIF'e sahip de\u011fi\u015fkenlerden birini modelden \u00e7\u0131karmak veya bunlar\u0131 birle\u015ftirerek yeni bir de\u011fi\u015fken olu\u015fturmak (\u00f6rne\u011fin PCA kullanarak), multikolinearite sorununu hafifletebilir.<\/li>\n<li><strong>Ad\u0131m Ad\u0131m Model Kurulumu ve Kar\u015f\u0131la\u015ft\u0131rma:<\/strong> Modelinizi t\u00fcm de\u011fi\u015fkenleri ayn\u0131 anda eklemek yerine, ad\u0131m ad\u0131m kurmak, her yeni de\u011fi\u015fkenin mevcut katsay\u0131lar \u00fczerindeki etkisini g\u00f6zlemlemenizi sa\u011flar. Farkl\u0131 de\u011fi\u015fken kombinasyonlar\u0131yla modeller olu\u015fturun ve bunlar\u0131n hem istatistiksel anlaml\u0131l\u0131klar\u0131n\u0131 hem de katsay\u0131lar\u0131n i\u015faret ve b\u00fcy\u00fckl\u00fcklerini kar\u015f\u0131la\u015ft\u0131r\u0131n. Her ad\u0131mda \"Bu de\u011fi\u015fim mant\u0131kl\u0131 m\u0131?\" sorusunu sormak \u00f6nemlidir.<\/li>\n<li><strong>Etkile\u015fim Terimleri ve Do\u011frusals\u0131zl\u0131k:<\/strong> Bazen iki ba\u011f\u0131ms\u0131z de\u011fi\u015fkenin ba\u011f\u0131ml\u0131 de\u011fi\u015fken \u00fczerindeki etkisi, birbirleriyle etkile\u015fimlerine ba\u011fl\u0131 olabilir. Bu durumda, modele etkile\u015fim terimleri (iki de\u011fi\u015fkenin \u00e7arp\u0131m\u0131) eklemek, bu karma\u015f\u0131k ili\u015fkileri yakalamaya yard\u0131mc\u0131 olabilir. Ayr\u0131ca, do\u011frusal olmayan ili\u015fkilerin modellenmesi i\u00e7in de\u011fi\u015fken d\u00f6n\u00fc\u015f\u00fcmleri (logaritma, karek\u00f6k vb.) veya daha geli\u015fmi\u015f regresyon teknikleri de d\u00fc\u015f\u00fcnebilirsiniz.<\/li>\n<\/ul>\n<p>Unutmay\u0131n, iyi bir regresyon modeli in\u015fa etmek yinelemeli bir s\u00fcre\u00e7tir. Verilerinizi sorgulamaktan, farkl\u0131 hipotezleri test etmekten ve modellerinizi ele\u015ftirel bir g\u00f6zle de\u011ferlendirmekten \u00e7ekinmeyin. Katsay\u0131 y\u00f6n de\u011fi\u015fimi bir hata de\u011fil, genellikle modelinizdeki eksik bir par\u00e7ay\u0131 veya yanl\u0131\u015f bir varsay\u0131m\u0131 g\u00f6steren de\u011ferli bir ipucudur.<\/p>\n<h2>\u0130leri D\u00fczey Teknikler ve Kritik \u0130pu\u00e7lar\u0131: Daha Sa\u011flam ve Anlaml\u0131 Modeller \u0130\u00e7in<\/h2>\n<p>Regresyon katsay\u0131lar\u0131n\u0131n beklenmedik davran\u0131\u015flar\u0131n\u0131 anlamak ve y\u00f6netmek, veri bilimci olarak becerilerinizi geli\u015ftirmek i\u00e7in \u00f6nemli bir ad\u0131md\u0131r. Kar\u015f\u0131la\u015ft\u0131\u011f\u0131n\u0131zda bu durumlar\u0131 bir problemden ziyade, veri setinizdeki derin ili\u015fkileri ke\u015ffetme f\u0131rsat\u0131 olarak g\u00f6rmelisiniz. \u0130\u015fte daha sa\u011flam ve anlaml\u0131 modeller olu\u015fturman\u0131za yard\u0131mc\u0131 olacak baz\u0131 ileri d\u00fczey teknikler ve ipu\u00e7lar\u0131:<\/p>\n<ul>\n<li><strong>D\u00fczenlile\u015ftirme (Regularization) Teknikleri:<\/strong> Ridge ve Lasso regresyonu gibi d\u00fczenlile\u015ftirme y\u00f6ntemleri, \u00f6zellikle y\u00fcksek multikolineariteye sahip veya \u00e7ok say\u0131da ba\u011f\u0131ms\u0131z de\u011fi\u015fken i\u00e7eren modellerde katsay\u0131lar\u0131 stabilize etmek i\u00e7in kullan\u0131\u015fl\u0131d\u0131r. Bu teknikler, a\u015f\u0131r\u0131 uydurmay\u0131 (overfitting) azaltmaya yard\u0131mc\u0131 olur ve katsay\u0131lar\u0131n varyans\u0131n\u0131 d\u00fc\u015f\u00fcrerek daha yorumlanabilir sonu\u00e7lar elde etmenizi sa\u011flayabilir. Lasso, baz\u0131 katsay\u0131lar\u0131 s\u0131f\u0131ra indirerek de\u011fi\u015fken se\u00e7imi de yapabilir.<\/li>\n<li><strong>\u00c7apraz Do\u011frulama (Cross-Validation):<\/strong> Modelinizin genellenebilirli\u011fini ve sa\u011flaml\u0131\u011f\u0131n\u0131 de\u011ferlendirmek i\u00e7in \u00e7apraz do\u011frulama tekniklerini kullan\u0131n. Bu y\u00f6ntem, modelinizi verinin farkl\u0131 alt k\u00fcmeleri \u00fczerinde e\u011fiterek ve test ederek, katsay\u0131lar\u0131n\u0131z\u0131n farkl\u0131 \u00f6rneklerde ne kadar kararl\u0131 oldu\u011funu g\u00f6rmenizi sa\u011flar. E\u011fer katsay\u0131lar farkl\u0131 b\u00f6l\u00fcmlerde b\u00fcy\u00fck \u00f6l\u00e7\u00fcde de\u011fi\u015fiyorsa, modelinizde hala bir karars\u0131zl\u0131k veya a\u015f\u0131r\u0131 duyarl\u0131l\u0131k sorunu olabilir.<\/li>\n<li><strong>Bayesci Regresyon:<\/strong> Geleneksel (frekans\u0131) regresyon modellerine bir alternatif olarak, Bayesci regresyon, katsay\u0131lar \u00fczerindeki belirsizli\u011fi do\u011frudan modellemenize olanak tan\u0131r. Bu yakla\u015f\u0131m, \u00f6nsel (prior) bilgiyi modellemeye dahil ederek, \u00f6zellikle k\u00fc\u00e7\u00fck veri setlerinde veya belirsizli\u011fin y\u00fcksek oldu\u011fu durumlarda daha stabil ve bilgilendirici katsay\u0131 tahminleri sa\u011flayabilir.<\/li>\n<li><strong>Daima Alan Uzmanl\u0131\u011f\u0131na Ba\u015fvurun:<\/strong> \u0130statistiksel sonu\u00e7lar ne kadar g\u00fc\u00e7l\u00fc olursa olsun, ger\u00e7ek d\u00fcnya ba\u011flam\u0131 olmadan anlams\u0131z kalabilirler. Bir katsay\u0131n\u0131n y\u00f6n de\u011fi\u015ftirmesi durumunda, bu de\u011fi\u015fimin i\u015f veya bilimsel ba\u011flamda mant\u0131kl\u0131 bir a\u00e7\u0131klamas\u0131 olup olmad\u0131\u011f\u0131n\u0131 anlamak i\u00e7in daima alan uzmanlar\u0131yla ileti\u015fim kurun. Bazen istatistiksel bir \"anormallik\" asl\u0131nda \u00e7ok \u00f6nemli bir i\u015f bilgisini veya bilimsel ke\u015ffi i\u015faret edebilir.<\/li>\n<li><strong>Modelin S\u0131n\u0131rlar\u0131n\u0131 Anlay\u0131n:<\/strong> Her modelin belirli varsay\u0131mlar\u0131 ve s\u0131n\u0131rlamalar\u0131 vard\u0131r. Modellerinizin bu varsay\u0131mlar\u0131 ne kadar iyi kar\u015f\u0131lad\u0131\u011f\u0131n\u0131 ve sonu\u00e7lar\u0131n\u0131z\u0131n ne kadar genellenebilir oldu\u011funu anlamak, yanl\u0131\u015f sonu\u00e7lar \u00e7\u0131karmaktan ka\u00e7\u0131nman\u0131za yard\u0131mc\u0131 olur. Regresyon katsay\u0131s\u0131n\u0131n y\u00f6n de\u011fi\u015ftirmesi gibi durumlar, bu varsay\u0131mlardan birinin ihlal edildi\u011finin bir g\u00f6stergesi olabilir.<\/li>\n<\/ul>\n<div class=\"tip-box\">\n        Uzman \u0130pucu: Karma\u015f\u0131k regresyon sorunlar\u0131yla kar\u015f\u0131la\u015ft\u0131\u011f\u0131n\u0131zda, her zaman \"k\u00fc\u00e7\u00fck ba\u015fla, b\u00fcy\u00fck d\u00fc\u015f\u00fcn\" prensibini uygulay\u0131n. \u00d6nce en basit modeli kurun, ard\u0131ndan ad\u0131m ad\u0131m de\u011fi\u015fken ekleyerek her birinin etkisini g\u00f6zlemleyin. Bu iteratif yakla\u015f\u0131m, katsay\u0131 de\u011fi\u015fikliklerinin nedenlerini daha net anlaman\u0131za olanak tan\u0131r ve b\u00f6ylece daha g\u00fc\u00e7l\u00fc ve a\u00e7\u0131klay\u0131c\u0131 modeller olu\u015fturabilirsiniz.\n    <\/div>\n<p>Son olarak, modern web uygulamalar\u0131 geli\u015ftirirken kullan\u0131c\u0131 deneyimini iyile\u015ftirmek ve modellerinizin \u00e7\u0131kt\u0131lar\u0131n\u0131 daha eri\u015filebilir k\u0131lmak ad\u0131na, mobil uyumlulu\u011fa \u00f6zen g\u00f6stermek \u00f6nemlidir. \u00d6rne\u011fin, regresyon sonu\u00e7lar\u0131n\u0131 veya korelasyon matrislerini g\u00f6steren tablolar\u0131n k\u00fc\u00e7\u00fck ekranlarda da d\u00fczg\u00fcn g\u00f6r\u00fcnmesi i\u00e7in CSS media query'lerini kullanabilirsiniz. A\u015fa\u011f\u0131da, temel bir mobil uyumlu tablo \u00f6rne\u011fi bulunmaktad\u0131r:<\/p>\n<pre><code>\n<!-- HTML Tablo Yap\u0131s\u0131 -->\n<div class=\"responsive-table\">\n  <table>\n    <thead>\n      <tr>\n        <th>De\u011fi\u015fken<\/th>\n        <th>Katsay\u0131 (Model 1)<\/th>\n        <th>Katsay\u0131 (Model 2)<\/th>\n      <\/tr>\n    <\/thead>\n    <tbody>\n      <tr>\n        <td data-label=\"De\u011fi\u015fken\">SM_Harcama<\/td>\n        <td data-label=\"Katsay\u0131 (Model 1)\">+0.75<\/td>\n        <td data-label=\"Katsay\u0131 (Model 2)\">-0.15<\/td>\n      <\/tr>\n      <tr>\n        <td data-label=\"De\u011fi\u015fken\">Rakip_Promosyon<\/td>\n        <td data-label=\"Katsay\u0131 (Model 1)\">N\/A<\/td>\n        <td data-label=\"Katsay\u0131 (Model 2)\">-0.80<\/td>\n      <\/tr>\n    <\/tbody>\n  <\/table>\n<\/div>\n    <\/pre>\n<p><\/code><\/p>\n<p>Yukar\u0131daki <code><\/p>\n<style><\/code> etiketi i\u00e7indeki CSS kurallar\u0131 ve HTML yap\u0131s\u0131ndaki <code>data-label<\/code> kullan\u0131m\u0131 sayesinde, tablo k\u00fc\u00e7\u00fck ekranlarda daha okunabilir hale getirilebilir, her h\u00fccrenin ba\u015fl\u0131\u011f\u0131 g\u00f6r\u00fcn\u00fcr hale gelir ve kullan\u0131c\u0131lar\u0131n veriyi anlamas\u0131n\u0131 kolayla\u015ft\u0131r\u0131r.<\/p>\n<h2>Sonu\u00e7: Regresyon Modellerinde Derinlemesine Anlay\u0131\u015f\u0131n \u00d6nemi<\/h2>\n<p>Bir regresyon katsay\u0131s\u0131n\u0131n pozitiften negatife d\u00f6nmesi veya tam tersi, ilk bak\u0131\u015fta kafa kar\u0131\u015ft\u0131r\u0131c\u0131 olsa da, asl\u0131nda veri modellemenin derinliklerine inmek i\u00e7in harika bir f\u0131rsatt\u0131r. Bu durum, bize modeldeki de\u011fi\u015fkenler aras\u0131ndaki karma\u015f\u0131k ve bazen gizli kalm\u0131\u015f ili\u015fkileri ke\u015ffetme \u015fans\u0131 verir. Gizli de\u011fi\u015fken \u00f6nyarg\u0131s\u0131, multikolinearite ve bast\u0131rma etkileri gibi mekanizmalar, katsay\u0131lar\u0131n neden bu \u015fekilde davrand\u0131\u011f\u0131n\u0131 a\u00e7\u0131klayan ana nedenlerdir.<\/p>\n<p>\u00d6nemli olan, bu t\u00fcr de\u011fi\u015fiklikleri bir hata olarak g\u00f6rmek yerine, modelinizi daha iyi anlamak, geli\u015ftirmek ve ger\u00e7ek d\u00fcnya fenomenlerini daha do\u011fru yans\u0131tmak i\u00e7in bir ipucu olarak de\u011ferlendirmektir. Kapsaml\u0131 veri ke\u015ffi, alan uzmanl\u0131\u011f\u0131yla birle\u015fen g\u00fc\u00e7l\u00fc istatistiksel y\u00f6ntemler ve dikkatli model se\u00e7imi, daha sa\u011flam ve g\u00fcvenilir sonu\u00e7lar elde etmenizi sa\u011flayacakt\u0131r. Unutmay\u0131n, iyi bir model sadece tahmin yapmakla kalmaz, ayn\u0131 zamanda 'neden' sorusuna da anlaml\u0131 cevaplar sunar.<\/p>\n<h2>S\u0131k\u00e7a Sorulan Sorular (SSS)<\/h2>\n<dl>\n<dt><strong>Regresyon katsay\u0131s\u0131n\u0131n y\u00f6n de\u011fi\u015ftirmesi her zaman k\u00f6t\u00fc bir \u015fey midir?<\/strong><\/dt>\n<dd>Hay\u0131r, her zaman k\u00f6t\u00fc bir \u015fey de\u011fildir. Bazen, modele \u00f6nemli bir de\u011fi\u015fkenin eklenmesi, orijinal katsay\u0131n\u0131n asl\u0131nda gizli bir etkiyi yans\u0131tt\u0131\u011f\u0131n\u0131 ve yeni de\u011fi\u015fken eklendi\u011finde daha do\u011fru, saf bir etkinin ortaya \u00e7\u0131kt\u0131\u011f\u0131n\u0131 g\u00f6sterebilir. Bu, modelinizi daha do\u011fru ve a\u00e7\u0131klay\u0131c\u0131 hale getirdi\u011fi anlam\u0131na gelebilir.<\/dd>\n<dt><strong>Multikolineariteyi nas\u0131l tespit edebilirim?<\/strong><\/dt>\n<dd>Multikolineariteyi tespit etmenin ba\u015fl\u0131ca yollar\u0131 \u015funlard\u0131r: Ba\u011f\u0131ms\u0131z de\u011fi\u015fkenler aras\u0131ndaki y\u00fcksek korelasyonlara bakmak, VIF (Variance Inflation Factor) de\u011ferlerini kontrol etmek (genellikle VIF > 5 veya > 10 sorunlu kabul edilir) ve katsay\u0131lar\u0131n standart hatalar\u0131n\u0131n beklenenden \u00e7ok daha b\u00fcy\u00fck olup olmad\u0131\u011f\u0131n\u0131 g\u00f6zlemlemektir.<\/dd>\n<dt><strong>Hangi durumda yeni de\u011fi\u015fken eklemek regresyon katsay\u0131s\u0131n\u0131 de\u011fi\u015ftirmez?<\/strong><\/dt>\n<dd>Yeni eklenen de\u011fi\u015fken, mevcut ba\u011f\u0131ms\u0131z de\u011fi\u015fkenlerle veya ba\u011f\u0131ml\u0131 de\u011fi\u015fkenle ili\u015fkili de\u011filse, mevcut katsay\u0131lar\u0131n de\u011ferini veya y\u00f6n\u00fcn\u00fc istatistiksel olarak anlaml\u0131 bir \u015fekilde de\u011fi\u015ftirmeyecektir. Bu durum, eklenen de\u011fi\u015fkenin model i\u00e7in a\u00e7\u0131klay\u0131c\u0131 bir g\u00fcc\u00fc olmad\u0131\u011f\u0131n\u0131 g\u00f6sterir.<\/dd>\n<dt><strong>Y\u00f6n de\u011fi\u015ftiren katsay\u0131 durumunda en iyi yakla\u015f\u0131m nedir?<\/strong><\/dt>\n<dd>En iyi yakla\u015f\u0131m, durumu kapsaml\u0131 bir \u015fekilde incelemektir. \u0130lk olarak, eklenen de\u011fi\u015fkenin teorik olarak neden b\u00f6yle bir etkiye sahip olabilece\u011fini d\u00fc\u015f\u00fcn\u00fcn (konfounder, bast\u0131r\u0131c\u0131 etkisi vb.). Daha sonra veri ke\u015ffi, korelasyon analizleri ve VIF de\u011ferlerini kullanarak istatistiksel nedenleri ara\u015ft\u0131r\u0131n. Son olarak, alan uzmanlar\u0131yla g\u00f6r\u00fc\u015ferek sonu\u00e7lar\u0131n\u0131z\u0131 do\u011frulamaya \u00e7al\u0131\u015f\u0131n ve modelinizi revize etmek i\u00e7in bilin\u00e7li bir karar verin.<\/dd>\n<\/dl>\n<p><\/body><\/p>\n","protected":false},"excerpt":{"rendered":"Regresyon analizi, veri biliminin ve istatisti\u011fin temel ta\u015flar\u0131ndan biridir; bir veya daha fazla ba\u011f\u0131ms\u0131z de\u011fi\u015fkenin, ba\u011f\u0131ml\u0131 bir de\u011fi\u015fken&hellip;","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1],"tags":[],"class_list":{"0":"post-34952","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"<!-- This site is optimized with the Yoast SEO Premium plugin v20.5 (Yoast SEO v25.3.1) - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Regresyon Katsay\u0131s\u0131 Neden Y\u00f6n De\u011fi\u015ftirir?<\/title>\n<meta name=\"description\" content=\"Regresyon analizi, veri biliminin ve istatisti\u011fin temel ta\u015flar\u0131ndan biridir; bir veya daha fazla ba\u011f\u0131ms\u0131z de\u011fi\u015fkenin, ba\u011f\u0131ml\u0131 bir de\u011fi\u015fken \u00fczerindeki etkisini anlamam\u0131z\u0131 sa\u011flar. Genellikle, bir de\u011fi\u015fkenin sonucumuz \u00fczerindeki etkisini pozitif olarak bekleriz, ancak bazen modelimize yeni bir de\u011fi\u015fken ekledi\u011fimizde, o de\u011fi\u015fkenin katsay\u0131s\u0131 \u015fa\u015f\u0131rt\u0131c\u0131 bir \u015fekilde negatif hale gelebilir. Bu durum, veri analistlerinin ve ara\u015ft\u0131rmac\u0131lar\u0131n s\u0131k\u00e7a kar\u015f\u0131la\u015ft\u0131\u011f\u0131, kafa kar\u0131\u015ft\u0131r\u0131c\u0131 ancak son derece \u00f6\u011fretici bir fenomendir. Peki, bu beklenmedik y\u00f6n de\u011fi\u015fimi neden meydana gelir ve arkas\u0131ndaki istatistiksel mekanizmalar nelerdir?\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/fatihsoysal.com\/blog\/regresyon-katsayisi-neden-yon-degistirir\/\" \/>\n<meta property=\"og:locale\" content=\"tr_TR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Regresyon Katsay\u0131s\u0131 Neden Y\u00f6n De\u011fi\u015ftirir?\" \/>\n<meta property=\"og:description\" content=\"Regresyon analizi, veri biliminin ve istatisti\u011fin temel ta\u015flar\u0131ndan biridir; bir veya daha fazla ba\u011f\u0131ms\u0131z de\u011fi\u015fkenin, ba\u011f\u0131ml\u0131 bir de\u011fi\u015fken \u00fczerindeki etkisini anlamam\u0131z\u0131 sa\u011flar. Genellikle, bir de\u011fi\u015fkenin sonucumuz \u00fczerindeki etkisini pozitif olarak bekleriz, ancak bazen modelimize yeni bir de\u011fi\u015fken ekledi\u011fimizde, o de\u011fi\u015fkenin katsay\u0131s\u0131 \u015fa\u015f\u0131rt\u0131c\u0131 bir \u015fekilde negatif hale gelebilir. Bu durum, veri analistlerinin ve ara\u015ft\u0131rmac\u0131lar\u0131n s\u0131k\u00e7a kar\u015f\u0131la\u015ft\u0131\u011f\u0131, kafa kar\u0131\u015ft\u0131r\u0131c\u0131 ancak son derece \u00f6\u011fretici bir fenomendir. Peki, bu beklenmedik y\u00f6n de\u011fi\u015fimi neden meydana gelir ve arkas\u0131ndaki istatistiksel mekanizmalar nelerdir?\" \/>\n<meta property=\"og:url\" content=\"https:\/\/fatihsoysal.com\/blog\/regresyon-katsayisi-neden-yon-degistirir\/\" \/>\n<meta property=\"og:site_name\" content=\"Kodlar\u0131n Gizemli D\u00fcnyas\u0131\" \/>\n<meta property=\"article:published_time\" content=\"2025-11-24T00:00:55+00:00\" \/>\n<meta name=\"author\" content=\"Fatih Soysal\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Yazan:\" \/>\n\t<meta name=\"twitter:data1\" content=\"Fatih Soysal\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tahmini okuma s\u00fcresi\" \/>\n\t<meta name=\"twitter:data2\" content=\"20 dakika\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/regresyon-katsayisi-neden-yon-degistirir\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/regresyon-katsayisi-neden-yon-degistirir\/\"},\"author\":{\"name\":\"Fatih Soysal\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"headline\":\"Regresyon Katsay\u0131s\u0131 Neden Y\u00f6n De\u011fi\u015ftirir?\",\"datePublished\":\"2025-11-24T00:00:55+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/regresyon-katsayisi-neden-yon-degistirir\/\"},\"wordCount\":3653,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"inLanguage\":\"tr\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/fatihsoysal.com\/blog\/regresyon-katsayisi-neden-yon-degistirir\/#respond\"]}],\"copyrightYear\":\"2025\",\"copyrightHolder\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#organization\"}},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/regresyon-katsayisi-neden-yon-degistirir\/\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/regresyon-katsayisi-neden-yon-degistirir\/\",\"name\":\"Regresyon Katsay\u0131s\u0131 Neden Y\u00f6n De\u011fi\u015ftirir?\",\"isPartOf\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#website\"},\"datePublished\":\"2025-11-24T00:00:55+00:00\",\"description\":\"Regresyon analizi, veri biliminin ve istatisti\u011fin temel ta\u015flar\u0131ndan biridir; bir veya daha fazla ba\u011f\u0131ms\u0131z de\u011fi\u015fkenin, ba\u011f\u0131ml\u0131 bir de\u011fi\u015fken \u00fczerindeki etkisini anlamam\u0131z\u0131 sa\u011flar. Genellikle, bir de\u011fi\u015fkenin sonucumuz \u00fczerindeki etkisini pozitif olarak bekleriz, ancak bazen modelimize yeni bir de\u011fi\u015fken ekledi\u011fimizde, o de\u011fi\u015fkenin katsay\u0131s\u0131 \u015fa\u015f\u0131rt\u0131c\u0131 bir \u015fekilde negatif hale gelebilir. Bu durum, veri analistlerinin ve ara\u015ft\u0131rmac\u0131lar\u0131n s\u0131k\u00e7a kar\u015f\u0131la\u015ft\u0131\u011f\u0131, kafa kar\u0131\u015ft\u0131r\u0131c\u0131 ancak son derece \u00f6\u011fretici bir fenomendir. Peki, bu beklenmedik y\u00f6n de\u011fi\u015fimi neden meydana gelir ve arkas\u0131ndaki istatistiksel mekanizmalar nelerdir?\",\"breadcrumb\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/regresyon-katsayisi-neden-yon-degistirir\/#breadcrumb\"},\"inLanguage\":\"tr\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/fatihsoysal.com\/blog\/regresyon-katsayisi-neden-yon-degistirir\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/regresyon-katsayisi-neden-yon-degistirir\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Anasayfa\",\"item\":\"https:\/\/fatihsoysal.com\/blog\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Regresyon Katsay\u0131s\u0131 Neden Y\u00f6n De\u011fi\u015ftirir?\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#website\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/\",\"name\":\"Fatihsoysal.com\",\"description\":\"Blog - Yaz\u0131l\u0131m D\u00fcnyas\u0131 Tecr\u00fcbelerim\",\"publisher\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/fatihsoysal.com\/blog\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"tr\"},{\"@type\":[\"Person\",\"Organization\"],\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\",\"name\":\"Fatih Soysal\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"tr\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png\",\"contentUrl\":\"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png\",\"width\":512,\"height\":512,\"caption\":\"Fatih Soysal\"},\"logo\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/\"},\"description\":\"Kullan\u0131m ve kodlama m\u00fckemmeliyetini odak alan uygulamalar olu\u015fturma deneyimine sahip, profesyonel olarak 15+ y\u0131l \u00fczeri deneyime sahip bir yaz\u0131l\u0131m m\u00fchendisi.\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/author\/fatihsoysal\/\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"Regresyon Katsay\u0131s\u0131 Neden Y\u00f6n De\u011fi\u015ftirir?","description":"Regresyon analizi, veri biliminin ve istatisti\u011fin temel ta\u015flar\u0131ndan biridir; bir veya daha fazla ba\u011f\u0131ms\u0131z de\u011fi\u015fkenin, ba\u011f\u0131ml\u0131 bir de\u011fi\u015fken \u00fczerindeki etkisini anlamam\u0131z\u0131 sa\u011flar. Genellikle, bir de\u011fi\u015fkenin sonucumuz \u00fczerindeki etkisini pozitif olarak bekleriz, ancak bazen modelimize yeni bir de\u011fi\u015fken ekledi\u011fimizde, o de\u011fi\u015fkenin katsay\u0131s\u0131 \u015fa\u015f\u0131rt\u0131c\u0131 bir \u015fekilde negatif hale gelebilir. Bu durum, veri analistlerinin ve ara\u015ft\u0131rmac\u0131lar\u0131n s\u0131k\u00e7a kar\u015f\u0131la\u015ft\u0131\u011f\u0131, kafa kar\u0131\u015ft\u0131r\u0131c\u0131 ancak son derece \u00f6\u011fretici bir fenomendir. Peki, bu beklenmedik y\u00f6n de\u011fi\u015fimi neden meydana gelir ve arkas\u0131ndaki istatistiksel mekanizmalar nelerdir?","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/fatihsoysal.com\/blog\/regresyon-katsayisi-neden-yon-degistirir\/","og_locale":"tr_TR","og_type":"article","og_title":"Regresyon Katsay\u0131s\u0131 Neden Y\u00f6n De\u011fi\u015ftirir?","og_description":"Regresyon analizi, veri biliminin ve istatisti\u011fin temel ta\u015flar\u0131ndan biridir; bir veya daha fazla ba\u011f\u0131ms\u0131z de\u011fi\u015fkenin, ba\u011f\u0131ml\u0131 bir de\u011fi\u015fken \u00fczerindeki etkisini anlamam\u0131z\u0131 sa\u011flar. Genellikle, bir de\u011fi\u015fkenin sonucumuz \u00fczerindeki etkisini pozitif olarak bekleriz, ancak bazen modelimize yeni bir de\u011fi\u015fken ekledi\u011fimizde, o de\u011fi\u015fkenin katsay\u0131s\u0131 \u015fa\u015f\u0131rt\u0131c\u0131 bir \u015fekilde negatif hale gelebilir. Bu durum, veri analistlerinin ve ara\u015ft\u0131rmac\u0131lar\u0131n s\u0131k\u00e7a kar\u015f\u0131la\u015ft\u0131\u011f\u0131, kafa kar\u0131\u015ft\u0131r\u0131c\u0131 ancak son derece \u00f6\u011fretici bir fenomendir. Peki, bu beklenmedik y\u00f6n de\u011fi\u015fimi neden meydana gelir ve arkas\u0131ndaki istatistiksel mekanizmalar nelerdir?","og_url":"https:\/\/fatihsoysal.com\/blog\/regresyon-katsayisi-neden-yon-degistirir\/","og_site_name":"Kodlar\u0131n Gizemli D\u00fcnyas\u0131","article_published_time":"2025-11-24T00:00:55+00:00","author":"Fatih Soysal","twitter_card":"summary_large_image","twitter_misc":{"Yazan:":"Fatih Soysal","Tahmini okuma s\u00fcresi":"20 dakika"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/fatihsoysal.com\/blog\/regresyon-katsayisi-neden-yon-degistirir\/#article","isPartOf":{"@id":"https:\/\/fatihsoysal.com\/blog\/regresyon-katsayisi-neden-yon-degistirir\/"},"author":{"name":"Fatih Soysal","@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"headline":"Regresyon Katsay\u0131s\u0131 Neden Y\u00f6n De\u011fi\u015ftirir?","datePublished":"2025-11-24T00:00:55+00:00","mainEntityOfPage":{"@id":"https:\/\/fatihsoysal.com\/blog\/regresyon-katsayisi-neden-yon-degistirir\/"},"wordCount":3653,"commentCount":0,"publisher":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"inLanguage":"tr","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/fatihsoysal.com\/blog\/regresyon-katsayisi-neden-yon-degistirir\/#respond"]}],"copyrightYear":"2025","copyrightHolder":{"@id":"https:\/\/fatihsoysal.com\/blog\/#organization"}},{"@type":"WebPage","@id":"https:\/\/fatihsoysal.com\/blog\/regresyon-katsayisi-neden-yon-degistirir\/","url":"https:\/\/fatihsoysal.com\/blog\/regresyon-katsayisi-neden-yon-degistirir\/","name":"Regresyon Katsay\u0131s\u0131 Neden Y\u00f6n De\u011fi\u015ftirir?","isPartOf":{"@id":"https:\/\/fatihsoysal.com\/blog\/#website"},"datePublished":"2025-11-24T00:00:55+00:00","description":"Regresyon analizi, veri biliminin ve istatisti\u011fin temel ta\u015flar\u0131ndan biridir; bir veya daha fazla ba\u011f\u0131ms\u0131z de\u011fi\u015fkenin, ba\u011f\u0131ml\u0131 bir de\u011fi\u015fken \u00fczerindeki etkisini anlamam\u0131z\u0131 sa\u011flar. Genellikle, bir de\u011fi\u015fkenin sonucumuz \u00fczerindeki etkisini pozitif olarak bekleriz, ancak bazen modelimize yeni bir de\u011fi\u015fken ekledi\u011fimizde, o de\u011fi\u015fkenin katsay\u0131s\u0131 \u015fa\u015f\u0131rt\u0131c\u0131 bir \u015fekilde negatif hale gelebilir. Bu durum, veri analistlerinin ve ara\u015ft\u0131rmac\u0131lar\u0131n s\u0131k\u00e7a kar\u015f\u0131la\u015ft\u0131\u011f\u0131, kafa kar\u0131\u015ft\u0131r\u0131c\u0131 ancak son derece \u00f6\u011fretici bir fenomendir. Peki, bu beklenmedik y\u00f6n de\u011fi\u015fimi neden meydana gelir ve arkas\u0131ndaki istatistiksel mekanizmalar nelerdir?","breadcrumb":{"@id":"https:\/\/fatihsoysal.com\/blog\/regresyon-katsayisi-neden-yon-degistirir\/#breadcrumb"},"inLanguage":"tr","potentialAction":[{"@type":"ReadAction","target":["https:\/\/fatihsoysal.com\/blog\/regresyon-katsayisi-neden-yon-degistirir\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/fatihsoysal.com\/blog\/regresyon-katsayisi-neden-yon-degistirir\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Anasayfa","item":"https:\/\/fatihsoysal.com\/blog\/"},{"@type":"ListItem","position":2,"name":"Regresyon Katsay\u0131s\u0131 Neden Y\u00f6n De\u011fi\u015ftirir?"}]},{"@type":"WebSite","@id":"https:\/\/fatihsoysal.com\/blog\/#website","url":"https:\/\/fatihsoysal.com\/blog\/","name":"Fatihsoysal.com","description":"Blog - Yaz\u0131l\u0131m D\u00fcnyas\u0131 Tecr\u00fcbelerim","publisher":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/fatihsoysal.com\/blog\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"tr"},{"@type":["Person","Organization"],"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1","name":"Fatih Soysal","image":{"@type":"ImageObject","inLanguage":"tr","@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/","url":"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png","contentUrl":"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png","width":512,"height":512,"caption":"Fatih Soysal"},"logo":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/"},"description":"Kullan\u0131m ve kodlama m\u00fckemmeliyetini odak alan uygulamalar olu\u015fturma deneyimine sahip, profesyonel olarak 15+ y\u0131l \u00fczeri deneyime sahip bir yaz\u0131l\u0131m m\u00fchendisi.","url":"https:\/\/fatihsoysal.com\/blog\/author\/fatihsoysal\/"}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts\/34952","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/comments?post=34952"}],"version-history":[{"count":0,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts\/34952\/revisions"}],"wp:attachment":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/media?parent=34952"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/categories?post=34952"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/tags?post=34952"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}