Boş Hipotez ve P-değeri: Bilim Bir İddiayı Nasıl "Suçsuzluk Karinesiyle" Sınar?

Şans mı, Gerçek mi?

Bir araştırmacı yeni bir ilaç deniyor ve ilacı alan grup, almayan gruptan biraz daha hızlı iyileşiyor. Sevinmeli mi? Henüz değil. Çünkü kritik bir soru var: Bu fark gerçek bir etki mi, yoksa sadece şans eseri mi? İki grup arasında, ilaç tamamen etkisiz olsa bile, rastgele dalgalanmalar yüzünden her zaman bir miktar fark görülür. Peki gördüğümüz fark, "ilaç işe yarıyor" demek için yeterince büyük mü?

İstatistik bu soruyu yanıtlamak için zarif bir yöntem geliştirdi: boş hipotez testi. Ve mantığı, beklenmedik bir yere — mahkeme salonuna — çok benzer.

"Suçsuz" Sayma: Boş Hipotez

Bir mahkemede sanık, aksi kanıtlanana kadar suçsuz sayılır. Savcının görevi, "suçsuz" varsayımını çürütecek kadar güçlü kanıt sunmaktır. İstatistik de aynı şekilde çalışır.

İşin başında, "iddialı" olan değil, "sıkıcı" olan varsayımı kabul ederiz. Buna boş hipotez (null hypothesis) denir ve genellikle şöyle der: "Hiçbir etki yok. Gördüğümüz fark sadece tesadüf." İlaç örneğinde boş hipotez şudur: "İlacın hiçbir etkisi yoktur; iki grup arasındaki fark rastgeledir."

Buna karşılık, kanıtlamak istediğimiz iddia (ilaç işe yarıyor) alternatif hipotezdir. Tıpkı mahkemede olduğu gibi: boş hipotez "suçsuzluk" (etki yok), alternatif hipotez ise "suçluluk" (gerçek bir etki var). Görevimiz, boş hipotezi çürütecek kadar güçlü kanıt toplamaktır.

Kanıtın Gücü: P-değeri

Peki kanıtın ne kadar güçlü olduğunu nasıl ölçeriz? İşte istatistiğin en ünlü (ve en çok yanlış anlaşılan) kavramı devreye girer: p-değeri.

P-değeri şu soruyu yanıtlar: "Eğer boş hipotez doğru olsaydı (yani ilaç gerçekten etkisiz olsaydı), gördüğümüz kadar büyük ya da daha büyük bir farkı sırf şans eseri görme olasılığımız ne olurdu?"

• P-değeri çok küçükse (örneğin $0{,}01$): Bu, "ilaç etkisiz olsaydı, böyle bir farkı tesadüfen görmek çok zordu" demektir. Yani veri, boş hipotezle pek uyuşmuyor. Bu durumda boş hipotezi reddederiz ve "ilacın gerçek bir etkisi var gibi görünüyor" deriz. Buna istatistiksel olarak anlamlı sonuç denir.
• P-değeri büyükse (örneğin $0{,}40$): Bu, "böyle bir farkı şans eseri görmek gayet olası" demektir. Kanıt zayıftır; boş hipotezi reddedemeyiz. (Dikkat: bu, "ilaç kesinlikle etkisiz" demek değildir — sadece "yeterli kanıt yok" demektir, tıpkı mahkemede "suçsuz bulundu"nun "masum olduğu kanıtlandı" anlamına gelmemesi gibi.)

Bilimde geleneksel olarak $0{,}05$ (yani $\%5$) bir eşik olarak kullanılır: p-değeri bundan küçükse sonuç "anlamlı" sayılır. Ama bu eşik bir gelenektir, kutsal bir sınır değildir.

En Yaygın Yanlış Anlama

P-değeri o kadar sık yanlış anlaşılır ki, bunu netleştirmek şart. P-değeri şunlar değildir:

• ❌ "İlacın işe yaramama olasılığı." P-değeri, hipotezin doğru olma olasılığını vermez.
• ❌ "Sonucun şans eseri olma olasılığı."

P-değeri şudur: "Boş hipotez doğru olsaydı, bu kadar uç bir veriyi görme olasılığı." Yani p-değeri, hipotezin olasılığını değil, verinin olasılığını (belirli bir varsayım altında) ölçer. Bu ince ama kritik bir ayrımdır ve karıştırılması, bilimde sayısız hatalı yoruma yol açmıştır.

Tehlikeler ve Sınırlar

Boş hipotez testi güçlüdür ama kötüye kullanılabilir:

• P-avcılığı (p-hacking): Bir araştırmacı, anlamlı bir sonuç çıkana kadar veriyi farklı şekillerde dilimlerse, sırf şans eseri "anlamlı" bir p-değeri bulabilir. Yeterince çok şey denerseniz, etkisiz bir şey bile bir yerde "anlamlı" görünür.
• Anlamlılık ≠ önem: İstatistiksel olarak anlamlı bir fark, pratikte önemli olmayabilir. Çok büyük bir örneklemle, minicik ve önemsiz bir fark bile "anlamlı" çıkabilir.
• Tekrarlanabilirlik krizi: Bilimde, bazı "anlamlı" bulguların başka araştırmacılar tarafından tekrarlanamaması, p-değerine aşırı güvenmenin tehlikelerini ortaya koymuştur.

Bu yüzden modern istatistikçiler, p-değerini tek başına bir "doğru/yanlış" düğmesi gibi kullanmaktan kaçınmayı; etki büyüklüğü, güven aralıkları ve tekrar çalışmalarıyla birlikte değerlendirmeyi önerir.

Boş hipotez testi, bilimin belirsizlikle nasıl başa çıktığının zarif bir örneğidir. Tıpkı bir mahkeme gibi, "iddialı" olanı kanıtlama yükünü üstlenir ve şansı her zaman olası bir açıklama olarak masada tutar. P-değeri ise bu sürecin kalbinde, ama sürekli yanlış anlaşılan bir araçtır. Onu doğru anlamak — "verinin olasılığı, hipotezin olasılığı değil" — sadece istatistik öğrencileri için değil, bilime dayalı haberleri okuyan herkes için kritiktir.