G*Power: Araştırmacılar İçin Kapsamlı Kullanım Rehberi

G*Power, Düsseldorf Heinrich Heine Üniversitesi tarafından geliştirilen ve araştırmacıların istatistiksel güç analizi yapmasını sağlayan ücretsiz bir yazılımdır. Veri toplamadan önce gerekli örneklem büyüklüğünü hesaplamak, mevcut örneklemin gücünü değerlendirmek ve minimum tespit edilebilir etki büyüklüğünü bulmak gibi işlevleri bünyesinde barındırır. t-testi, ANOVA, ki-kare, korelasyon ve regresyon dahil onlarca istatistiksel test için güç analizi yapabilen program, hem Windows hem de macOS’ta çalışır ve herhangi bir lisans ücreti gerektirmez.

• İndirme bağlantısı: https://www.psychologie.hhu.de/arbeitsgruppen/allgemeine-psychologie-und-arbeitspsychologie/gpower
  • Sayfaya girince biraz aşağıya inerek Download bölümü içerisinde indirme bağlantısını bulabilirsiniz.

Güç Analizi Nedir ve Neden Önemlidir?

Bir araştırma tasarlarken en kritik kararlardan biri örneklem büyüklüğünü belirlemektir. “Kaç katılımcı yeterli?” sorusu sezgisel bir tahminle yanıtlanamaz; bu soruyu istatistiksel zemine oturtmak için güç analizi yapılması gerekir.

Güç analizi, bir araştırmanın gerçekte var olan bir etkiyi tespit edebilme olasılığını inceler. Bunu anlamak için istatistikte yapılabilecek iki tür hatayı kavramak gerekir:

• Tip I Hata (α — Yanlış Alarm): Aslında hiçbir etki yokken sanki varmış gibi sonuç çıkarmaktır. Buna “alfa hatası” ya da “yanlış pozitif” de denir. Genellikle 0.05 düzeyinde tutulur; yani 100 denemeden en fazla 5’inde bu hatayı yapmayı göze alırsınız.
• Tip II Hata (β — Gözden Kaçırma): Gerçekte var olan bir etkiyi tespit edememektir. Buna “beta hatası” ya da “yanlış negatif” denir. İstatistiksel güç ise tam olarak bu hatanın tersidir: Güç = 1 – β.

Yani gücü 0.80 olarak ayarladığınızda şunu söylüyorsunuzdur: “Gerçek bir etki varsa, bunu %80 olasılıkla tespit ederim.” Peki ya kalan %20? O çalışmalar gerçek bir etkiyi gözden kaçırır, “istatistiksel olarak anlamlı değil” der ve sonuçlar yanlış yorumlanır.

Yetersiz güçle yapılan araştırmalar bilim dünyasında ciddi bir sorundur. Küçük örneklemlerle yapılan çalışmaların tekrarlanabilirliği düşük olmakta, bu da “replikasyon krizi” olarak adlandırılan sorunu beslemektedir. G*Power tam da bu noktada devreye girer.

G*Power Nedir?

GPower, Almanya’daki Düsseldorf Heinrich Heine Üniversitesi’nden Franz Faul ve ekibi tarafından geliştirilmiş, ücretsiz ve açık erişimli bir güç analizi yazılımıdır. İlk sürümü 1990’larda yayımlanmış, en yaygın kullanılan sürümü ise G*Power 3.1.9.7’dir (30.03.2026).

Program; t-testleri, ANOVA, korelasyon, regresyon, ki-kare, lojistik regresyon ve daha pek çok istatistiksel test için güç analizi yapmanıza olanak tanır. Üstelik tüm bu analizleri görsel grafiklerle destekler.

G*Power’ın sunduğu başlıca imkânlar şunlardır:

• Veri toplamadan önce gerekli örneklem büyüklüğünü hesaplamak (A priori analiz)
• Veri toplandıktan sonra çalışmanın gücünü değerlendirmek (Post hoc analiz)
• Belirli bir örneklemde tespit edilebilecek minimum etki büyüklüğünü bulmak (Sensitivity analiz)
• Belirli bir etki büyüklüğü için gereken α değerini hesaplamak (Criterion analiz)
• Örneklem ve güç arasındaki ilişkiyi grafiksel olarak görmek

Arayüzü Tanıyalım

G*Power’ı ilk açtığınızda sade ama işlevsel bir arayüzle karşılaşırsınız. Ana ekranı şu bölümlere ayrılır:

Test Ailesi (Test Family)

Kullanacağınız istatistiksel testin genel kategorisini seçersiniz. Seçenekler arasında şunlar yer alır:

• t tests — Bağımsız ve bağımlı örneklem t-testleri, tek örneklem t-testi
• F tests — ANOVA, MANOVA, regresyon analizleri
• χ² tests — Ki-kare uyum ve bağımsızlık testleri
• z tests — Oran ve ortalama testleri
• Exact — Korelasyon, binom testleri gibi kesin testler

İstatistiksel Test (Statistical Test)

Seçtiğiniz test ailesine göre spesifik analiz türünü belirlersiniz. Örneğin t tests seçtiğinizde karşınıza şu seçenekler gelir: iki bağımsız grup ortalaması farkı, bağımlı örneklemler, tek örneklem, vb.

Analiz Türü (Type of Power Analysis)

Bu menü, hangi soruyu yanıtlamak istediğinizi belirler. Beş seçenek bulunur:

Analiz Türü	Sorusu	Ne Hesaplar?
A priori	Kaç kişi gerekli?	Örneklem büyüklüğü
Post hoc	Gücüm ne kadar?	İstatistiksel güç
Sensitivity	Neyi tespit edebilirim?	Minimum etki büyüklüğü
Criterion	α değerim ne olmalı?	Kritik α
Compromise	Denge nerede?	α ve β dengesi

Giriş Parametreleri (Input Parameters)

Seçilen analiz türüne göre doldurmanız gereken değerler burada listelenir. Örneğin A priori analiz için etki büyüklüğü, α ve güç değerlerini girersiniz; program örneklem büyüklüğünü hesaplar.

Çıktı Parametreleri (Output Parameters)

Hesaplama tamamlandığında sonuçlar bu alanda görüntülenir: gerekli örneklem büyüklüğü, kritik t/F/z değeri, fiilî güç düzeyi gibi bilgiler.

Güç Eğrisi Grafiği

Ekranın alt kısmında bir grafik yer alır. Bu grafik genellikle örneklem büyüklüğü arttıkça gücün nasıl değiştiğini gösterir. Güç eğrisini inceleyerek farklı senaryolar arasında kıyaslama yapabilirsiniz.

Etki Büyüklüğü: En Kritik Parametre

Güç analizinde en çok kafaları karıştıran parametre etki büyüklüğüdür (effect size). Etki büyüklüğü, “bu araştırmada ortaya çıkmasını beklediğim etkinin büyüklüğü ne kadar?” sorusunu sayısal olarak ifade eder.

Cohen’in Etki Büyüklüğü Sınıflandırması

Jacob Cohen, etki büyüklükleri için pratik kılavuzlar önermiştir. Bu değerler alana göre farklılık gösterse de yaygın kabul gören eşikler şunlardır:

Ölçüt	Küçük	Orta	Büyük
Cohen’in d (t-testi)	0.20	0.50	0.80
Cohen’in f (ANOVA)	0.10	0.25	0.40
Cohen’in f² (regresyon)	0.02	0.15	0.35
Pearson r (korelasyon)	0.10	0.30	0.50
Cohen’in w (ki-kare)	0.10	0.30	0.50

Etki Büyüklüğünü Nasıl Belirlemelisiniz?

• Literatüre dayanan tahmin: Alanınızdaki meta-analizler veya benzer çalışmalar en güvenilir kaynaktır. Bir önceki çalışma Cohen’in d = 0.42 raporlamışsa, siz de benzer bir etki bekleyebilirsiniz.
• Pilot çalışma: 20-30 kişilik küçük bir ön çalışmadan elde edilen etki büyüklüğünü temel alabilirsiniz. Ancak bu tahminin geniş güven aralıklarına sahip olduğunu unutmayın.
• Klinik veya pratik anlam: “Bu değişim pratikte anlamlı olur mu?” sorusunu sorun. İki tedavi arasındaki fark klinik açıdan önemliyse orta veya büyük etki, ince farklılıklar araştırılıyorsa küçük etki seçilebilir.
• Muhafazakâr yaklaşım: Emin değilseniz orta düzey etki büyüklüğü seçmek, aşırı örneklem ya da yetersiz güçten daha iyi bir denge kurar.

G*Power’da Etki Büyüklüğü Dönüştürme

G*Power, farklı ölçütler arasında dönüşüm yapmanıza olanak tanıyan yerleşik bir araç sunar. Örneğin elinizde r değeri varken d gerekiyorsa, “Determine” veya “Effect size calculator” butonuna tıklayarak bu dönüşümü yapabilirsiniz. Cohen’in d’sini doğrudan girmek yerine iki grubun ortalama ve standart sapmasını girip programın hesaplamasını da sağlayabilirsiniz.

Adım Adım Kullanım Örnekleri

Örnek 1: Bağımsız Örneklem t-Testi

• Senaryo: İki farklı öğretim yöntemi uygulanan grubun sınav puanlarını karşılaştırmak istiyorsunuz.
• Adım 1: Test Family → t tests
• Adım 2: Statistical Test → Means: Difference between two independent groups
• Adım 3: Type of Power Analysis → A priori: Compute required sample size
• Adım 4: Parametreleri girin:
  • Effect size d: 0.50 (literatüre göre orta düzey etki bekleniyor)
  • α err prob: 0.05
  • Power (1-β err prob): 0.80
  • Allocation ratio N2/N1: 1 (iki grup eşit büyüklükte)
  • Tail(s): Two (yönlü hipotez yoksa çift kuyruklu)
• Adım 5: Calculate butonuna basın.

Sonuç: Her grupta 51, toplamda 102 katılımcı gereklidir.

Örnek 2: Tek Yönlü ANOVA

• Senaryo: Üç farklı terapi yönteminin kaygı puanları üzerindeki etkisini karşılaştıracaksınız.
• Adım 1: Test Family → F tests
• Adım 2: Statistical Test → ANOVA: Fixed effects, omnibus, one-way
• Adım 3: Type of Power Analysis → A priori
• Adım 4: Parametreleri girin:
  • Effect size f: 0.25 (orta düzey)
  • α err prob: 0.05
  • Power: 0.80
  • Number of groups: 3
• Adım 5: Calculate butonuna basın.

Sonuç: Her grupta yaklaşık 52 kişi, toplamda 156 katılımcı gerekmektedir. Serbestlik derecesi (df numerator) otomatik olarak 2 (grup sayısı – 1) hesaplanır.

Örnek 3: Korelasyon Analizi

• Senaryo: Stres ve tükenmişlik arasındaki ilişkiyi inceleyeceksiniz; r ≈ 0.30 bekliyorsunuz.
• Adım 1: Test Family → Exact
• Adım 2: Statistical Test → Correlation: Bivariate normal model
• Adım 3: A priori seçin
• Adım 4:
  • Correlation ρ H1: 0.30
  • α err prob: 0.05
  • Power: 0.80
  • Tail(s): Two
  • Correlation ρ H0: 0 (sıfır korelasyon hipotezi)
• Adım 5: Calculate butonuna basın.

Sonuç: 84 katılımcı gereklidir.

Örnek 4: Çoklu Doğrusal Regresyon

• Senaryo: 4 bağımsız değişkenle iş performansını açıklamaya çalışıyorsunuz; beklenen R² = 0.15.
• Adım 1: Test Family → F tests
• Adım 2: Statistical Test → Linear multiple regression: Fixed model, R² deviation from zero
• Adım 3: A priori seçin
• Adım 4:
  • Effect size f²: 0.18 (R²/(1-R²) formülüyle hesaplanır: 0.15/0.85 ≈ 0.18)
  • α err prob: 0.05
  • Power: 0.80
  • Number of predictors: 4
• Adım 5: Calculate butonuna basın.

Sonuç: 85 katılımcı yeterlidir.

Not: f² değerini kendiniz hesaplamak yerine “Determine” butonuna tıklayarak R² değerini girip programın f²’yi otomatik hesaplamasını sağlayabilirsiniz.

Örnek 5: Ki-Kare Bağımsızlık Testi

• Senaryo: Cinsiyet ile ürün tercihinin ilişkili olup olmadığını test edeceksiniz; 2×3 tablo bekliyorsunuz.
• Adım 1: Test Family → χ² tests
• Adım 2: Statistical Test → Goodness-of-fit tests: Contingency tables
• Adım 3: A priori seçin
• Adım 4:
  • Effect size w: 0.30 (orta düzey)
  • α err prob: 0.05
  • Power: 0.80
  • Df: 2 (satır-1 × sütun-1 = 1×2 = 2)
• Adım 5: Calculate butonuna basın.

Sonuç: 111 katılımcı gerekmektedir.

Örnek 6: Post Hoc Analiz (Veri Toplandıktan Sonra)

• Senaryo: 45 kişilik bir örneklemle çalışma yaptınız, Cohen’in d = 0.40 buldunuz. Gücünüz ne kadar?
• Adım 1: Test Family → t tests → Bağımsız örneklem testi
• Adım 2: Type of Power Analysis → Post hoc: Compute achieved power
• Adım 3:
  • Effect size d: 0.40
  • α err prob: 0.05
  • Total sample size: 45 (her grupta 22-23 kişi)
  • Tail(s): Two
• Adım 4: Calculate butonuna basın.

Sonuç: Güç ≈ 0.45. Bu, gerçek bir etkiyi yakalama olasılığınızın yalnızca %45 olduğu anlamına gelir. Bu düzeyde bir güçle elde edilen “anlamlı değil” sonucu, etkinin olmadığını değil, yalnızca tespit edilemediğini gösterir.

Sensitivity Analizi: Minimum Tespit Edilebilir Etki

Örneklem büyüklüğünüz sabitlenmişse (örneğin bir kurumda sadece 60 öğrenci varsa), “Bu örneklemle en az hangi büyüklükteki etkiyi tespit edebilirim?” sorusunu sorabilirsiniz.

Analiz türünü Sensitivity olarak seçin, örneklem büyüklüğünüzü girin ve program size minimum tespit edilebilir etki büyüklüğünü verir. Bu değer beklediğinizden çok büyükse, mevcut örneklemle anlamlı bulgular elde etmenin güç olduğunu önceden bilmiş olursunuz.

Güç Eğrisi Grafiğini Kullanmak

“X-Y plot for a range of values” sekmesi, örneklem büyüklüğü ile güç arasındaki ilişkiyi eğri üzerinde görsel olarak incelemenizi sağlar. Bu grafik sayesinde:

• Gücün hızla arttığı “kırılma noktasını” görebilirsiniz.
• Örneğin N = 50 ile N = 100 arasındaki güç farkının N = 150 ile N = 200 arasındaki farktan çok daha büyük olduğunu fark edersiniz.
• Farklı etki büyüklükleri için aynı grafiği çizdirerek senaryolar karşılaştırabilirsiniz.

Sonuçları Akademik Yazıda Raporlamak

APA formatında güç analizi raporlaması için örnek bir paragraf:

“Çalışmanın örneklem büyüklüğü GPower 3.1 yazılımı (Faul et al., 2007) kullanılarak belirlenen a priori güç analizi ile hesaplanmıştır. Literatürde benzer çalışmalarda raporlanan orta düzey etki büyüklüğü (d = 0.50), α = .05 hata olasılığı ve .80 istatistiksel güç düzeyi temel alındığında her grupta en az 51 katılımcıya ihtiyaç duyulduğu saptanmıştır. Olası veri kayıpları gözetilerek her gruba 60 katılımcı dahil edilmiş ve çalışma toplam 120 kişiyle yürütülmüştür.”

Faul ve arkadaşlarının 2007 yılında yayımladığı makale G*Power için standart atıf kaynağıdır. Bunun yanı sıra 2009 yılında lojistik regresyon ve diğer ek analizleri kapsayan genişletilmiş bir makale de yayımlanmıştır.

Sık Yapılan Hatalar ve Kaçınma Yolları

• “Zaten büyük etki çıkar” varsayımı: Örneklemi küçük tutmak için büyük etki büyüklüğü seçmek yaygın bir hatadır. Gerçek etki daha küçük çıkarsa çalışma yetersiz güçle yapılmış olur. Literatürden makul bir tahmin kullanın.
• Gücü 0.80’in altında tutmak: Bazı araştırmacılar örneklem maliyetini azaltmak için gücü 0.70’e çeker. Bu pratik bir uzlaşı gibi görünse de gerçek etkileri kaçırma riskini önemli ölçüde artırır. Klinik çalışmalarda 0.90 veya 0.95 kullanılması tavsiye edilir.
• Tek kuyruklu testi yanlış seçmek: Hipoteziniz açıkça yönlü değilse (“A grubu B grubundan yüksek olacak” yerine “A ile B arasında fark olacak” diyorsanız) çift kuyruklu test seçin.
• Kayıp veriyi hesaba katmamak: Hesaplanan örneklem büyüklüğüne %10-20 ekleyerek başlangıçta daha fazla katılımcı almak, analiz sürecindeki kayıpları telafi eder.
• ANOVA için yanlış serbestlik derecesi: Omnibus ANOVA’da df numerator, grup sayısı eksi birdir. Çok değişkenli analizlerde bunu doğru girmek kritik önem taşır.

İndirme ve Kurulum

G*Power, Düsseldorf Heinrich Heine Üniversitesi’nin resmi web sitesinden ücretsiz indirilebilir. Windows 7 ve üzeri ile macOS için ayrı sürümler mevcuttur. Kurulum basittir; herhangi bir lisans gerektirmez. Program yaklaşık 30 MB yer kaplar ve ek bir bağımlılık gerektirmeden çalışır.

Güç analizi bir formalite değil, sağlam bir araştırmanın temel taşıdır. G*Power’ı öğrenmek için harcadığınız zaman, ileride veri topladıktan sonra “örneklemim yetmedi” pişmanlığını yaşamamanızı sağlar.