Korelasyon: İlişki Var mı, Yoksa Biz mi Uyduruyoruz?

Merhaba, bu yazımızda korelasyon tanımını, ne olmadığını ve en önemlisi klinikte sıkça düştüğümüz “ilişki var sanma” tuzağını ele alacağız.

Acil serviste hepimiz bunu yapıyoruz. CRP yüksek olan hastaların mortalitesinin daha fazla olduğunu görüyoruz. Yaş arttıkça komplikasyon artıyor diyoruz. Laktat yükseldikçe kötü sonlanım artıyor diyoruz.

Ve sonra biri çıkıp soruyor: “Peki bu gerçekten bir ilişki mi, yoksa biz mi öyle görmek istiyoruz?” İşte burada devreye korelasyon giriyor.

1. Korelasyon Nedir?

Korelasyon, en basit haliyle iki değişkenin birlikte değişip değişmediğini ölçer. Biri artarken diğeri de artıyor mu? Biri artarken diğeri azalıyor mu? Yoksa tamamen bağımsız mı hareket ediyorlar? Korelasyon bize sadece bu eşlik etme durumunu gösterir. Yani “birlikte hareket etme derecesini” ölçer. Ama nedenini söylemez. İşte en kritik nokta da tam burada başlar.

2. Korelasyon Katsayısı Nasıl Yorumlanır?

Bu ilişkiyi sayısal olarak ifade eden değer ise korelasyon katsayısı (r)’dir. r değeri –1 ile +1 arasında değişir:

• r = +1: Mükemmel pozitif doğrusal ilişki (bir değişken artarken diğeri de tam olarak artar)
• r = -1: Mükemmel negatif doğrusal ilişki (bir değişken artarken diğeri tam olarak azalır)
• r = 0: Doğrusal ilişki yok
• 0 < r < 1: Pozitif ilişki (gücü |r|’nin değerine bağlı)
• -1 < r < 0: Negatif ilişki (gücü |r|’nin değerine bağlı)

Pozitif korelasyon demek, iki değişkenin aynı yönde hareket etmesi demektir. Örneğin boy arttıkça kilonun artma eğiliminde olması gibi. Negatif korelasyon ise biri artarken diğerinin azalmasıdır.

Ama burada önemli bir nokta var: r değeri ilişkinin yönünü ve gücünü söyler, fakat ilişkinin nedenini söylemez.

Yön: Pozitif (+) veya negatif (-) işareti

Gücü: Katsayının mutlak değeri (|r|)

Peki r’nin büyüklüğünü nasıl yorumlayacağız? Tıbbi araştırmalarda genellikle şu şekilde bir sınıflama kullanılır^​1​:

Tablo 1. Tıp Literatüründe Korelasyon Katsayısının (r) Gücüne Göre Yorumlanması

Ancak bu sınırlar mutlak değildir. Klinik çalışmalarda r = 0.35 bile anlamlı bir ilişki olabilirken, bazı temel bilim çalışmalarında bu oldukça zayıf kabul edilebilir. Yani korelasyonun gücü her zaman bağlama göre değerlendirilmelidir.

2.1. Pearson’s r, Spearman’s rho (ρ) ve Kendall’s Tau (τ)

Bu üç katsayı, iki değişken arasındaki doğrusal ilişkiyi test eder:

Pearson’s r: Parametrik bir test olup, normal dağılmış veriler için kullanılır. Gerçek değerler üzerinden hesaplanır.

Spearman’s rho (ρ): Non-parametrik bir test olup, sıralamaya dayalı veriler için veya normal dağılmayan veriler için kullanılır. Aykırı değerlere daha dirençlidir.

Kendall’s Tau (τ): Spearman’s rho’nun bir uzantısı olup, küçük veri setlerinde daha doğru genellemeler sağlar.

3. Korelasyon Ne Değildir? (En Büyük Yanılgılar)

3.1. Korelasyon Nedensellik Değildir

Korelasyon, iki değişkenin birlikte değiştiğini gösterir; ancak bu birlikte değişimin nedeni hakkında tek başına hüküm verdirmez. “X ile Y ilişkili” demek, “X, Y’ye neden olur” demek değildir. Klinik araştırmalarda en sık yapılan hata, gözlenen ilişkiyi doğrudan nedenselliğe dönüştürmektir (causal inference overreach)^​2​.

Bu yanılgıyı somutlaştıran klasik örnek şudur: Yaz aylarında dondurma satışları artarken boğulma vakaları da artar. Arada güçlü bir korelasyon görülebilir; ancak dondurmanın boğulmaya neden olduğunu söyleyemeyiz. İki olayı birlikte artıran üçüncü bir değişken vardır: sıcak hava / yaz mevsimi. Korelasyon bu “gizli üçüncü değişkeni” tek başına ayırt edemez; yalnızca eş zamanlı değişimi ölçer^​3​.

Acil serviste de benzer bir tuzağa düşmek kolaydır. “CRP yükseldikçe mortalite artıyor” gözlemi doğru bir korelasyon olabilir; fakat buradan “CRP mortaliteye neden olur” sonucunu çıkaramayız. Daha olası açıklama, sepsisin/inflamasyonun şiddetinin hem CRP’yi yükseltmesi hem de mortalite riskini artırmasıdır. Yani CRP çoğu zaman “neden” değil, klinik tabloyu yansıtan bir göstergedir. Bu nedenle korelasyon, klinik düşünmede hipotez üretmek için güçlü bir başlangıçtır; ancak nedensellik iddiası için uygun çalışma tasarımı (zaman ilişkisi), karıştırıcıların kontrolü ve mümkünse deneysel kanıt gerekir^​2​. Aksi halde, birlikte artan olayları birbirinin sebebi sanarak hatalı klinik çıkarımlara gidebiliriz çünkü korelasyon nedensellik değildir^​1​.

3.2. Korelasyon Doğrusal Olmayan İlişkiyi Göstermez

Korelasyon katsayısı (özellikle Pearson’ın r değeri), iki değişken arasındaki doğrusal (lineer) ilişkiyi ölçer. Yani bir değişken artarken diğeri sabit bir eğimle artıyor ya da azalıyorsa bu ilişkiyi yakalar. Ancak ilişki doğrusal değilse örneğin U-şeklinde, J-şeklinde ya da eğrisel bir yapıdaysa korelasyon katsayısı düşük hatta sıfıra yakın çıkabilir. Bu durum, arada ilişki olmadığı anlamına gelmez; yalnızca doğrusal bir ilişki olmadığını gösterir^​3​.

Mukaka’nın da vurguladığı gibi, iki değişken arasında matematiksel bir ilişki bulunması her zaman korelasyon olduğu anlamına gelmez^​4​. Örneğin y = 2x² gibi eğrisel bir ilişkide x ve y arasında açık bir bağlantı vardır; fakat bu ilişki doğrusal olmadığı için korelasyon katsayısı ±1 olmaz ve hatta bazı aralıklarda düşük çıkabilir. Bu nedenle r = 0 sonucunu “ilişki yok” şeklinde yorumlamak hatalı olabilir.

Acil tıp pratiğinde de benzer durumlarla karşılaşabiliriz. Örneğin yaş ile mortalite arasındaki ilişki her zaman doğrusal olmayabilir. Çok genç ve çok ileri yaş gruplarında risk artarken orta yaş grubunda daha düşük seyredebilir. Böyle bir dağılımda Pearson korelasyon katsayısı düşük çıkabilir; ancak klinik olarak anlamlı bir ilişki mevcuttur. İşte bu nedenle literatürde korelasyon analizi öncesinde saçılım grafiğinin incelenmesi https://acilci.net/sacilim-grafiginin-gorunmeyen-gucu-once-verini-ciz/ özellikle önerilmektedir^​3​.

Özetle, korelasyon “ilişki var mı?” sorusuna yanıt verirken aslında “doğrusal bir ilişki var mı?” sorusuna yanıt verir. Eğrisel ilişkileri tek başına yakalayamaz. Bu yüzden korelasyon katsayısını yorumlamadan önce veriyi görselleştirmek, ilişki biçimini değerlendirmek ve gerekirse doğrusal olmayan modelleri düşünmek gerekir.

3.3. Korelasyon Karıştırıcı Etkileri Kontrol Etmez

Korelasyon analizi, iki değişkenin birlikte değişip değişmediğini gösterir; ancak bu ilişkinin başka değişkenlerden bağımsız olup olmadığını söylemez. Yani korelasyon, potansiyel karıştırıcı (confounder) etkileri kontrol etmez. Bu, literatürde özellikle vurgulanan temel sınırlılıklardan biridir^​3​.

Bir karıştırıcı değişken, hem bağımsız değişkenle hem de sonuç değişkeniyle ilişkili olan ve aradaki ilişkinin gücünü olduğundan fazla ya da az gösterebilen üçüncü bir faktördür. Örneğin “laktat düzeyi ile mortalite arasında güçlü bir korelasyon var” dediğimizde, aslında altta yatan hastalık şiddeti hem laktatı yükseltiyor hem de mortalite riskini artırıyor olabilir. Bu durumda gözlenen ilişki doğrudan laktata ait değil, hastalık şiddetine bağlı olabilir.

Benzer şekilde, yaş ile kan basıncı arasında pozitif bir korelasyon saptandığında, fiziksel aktivite düzeyi, obezite, komorbiditeler gibi başka değişkenler bu ilişkiye katkıda bulunuyor olabilir. Korelasyon katsayısı bu değişkenleri otomatik olarak ayıklamaz; yalnızca iki değişkenin birlikte değişimini ölçer^​1​.

İşte bu nedenle korelasyon analizi çoğu zaman ilk adımdır; fakat bağımsız ilişkiyi değerlendirmek için çok değişkenli analizler (örneğin regresyon modelleri) gerekir. Klinik araştırmalarda “korelasyon bulundu” ifadesi, “bağımsız bir ilişki gösterildi” anlamına gelmez. Karıştırıcılar kontrol edilmeden yapılan yorumlar, ilişkiyi olduğundan güçlü veya yanıltıcı gösterebilir.

Özetle, korelasyon bize birlikte değişimi söyler; ancak bu değişimin arkasındaki diğer etkileri ayıklamaz. Bu ayrımı yapmadan sonuç çıkarmak, özellikle klinik karar süreçlerinde ciddi hatalara yol açabilir.

Korelasyonla ilgili bir diğer önemli yanlış anlama ise, iki ölçüm yönteminin birbirine ne kadar “uyumlu” olduğunu değerlendirmede kullanılmasıdır.

3.4 Korelasyon Uyum (Agreement) Ölçmez

Korelasyon katsayısı iki değişkenin birlikte değişip değişmediğini gösterir; ancak bu iki ölçümün birbirinin yerine kullanılabilir olup olmadığını, yani uyumunu (agreement) göstermez. Bu ayrım literatürde özellikle vurgulanmaktadır ^​5​.

İki ölçüm yöntemi arasında yüksek bir korelasyon bulunması, bu iki yöntemin aynı sonuçları verdiği anlamına gelmez. Korelasyon yalnızca “birlikte artma ya da azalmanın” derecesini ölçer. Örneğin bir tansiyon ölçüm cihazı değerleri sistematik olarak gerçek değerden 10 mmHg yüksek ölçüyor olsun. Ölçümler diğer cihazla birlikte artıp azalacağı için korelasyon katsayısı yüksek çıkabilir. Ancak bu iki cihaz arasında gerçek bir uyum yoktur; biri sürekli sapmalı ölçmektedir.

Benzer şekilde, Potasyum (K⁺) için kan gazı analiz cihazı ile biyokimya laboratuvarı arasında r = 0.85 gibi yüksek bir korelasyon bulunması, iki yöntemin birbirinin yerine güvenle kullanılabileceğini garanti etmez. Korelasyon yalnızca değerlerin birlikte artıp azaldığını gösterir; ancak aralarındaki sistematik farkı (bias) ortaya koymaz. Örneğin kan gazı cihazı potasyumu sürekli olarak 0.4 mmol/L daha düşük ölçüyorsa, r yüksek olsa bile gerçek hiperkalemi gözden kaçabilir. Potasyum gibi küçük farkların bile tedavi kararını değiştirdiği bir parametrede bu durum klinik olarak kritik sonuçlar doğurabilir. Bu nedenle iki yöntemin uyumu korelasyonla değil, uyum analizleriyle değerlendirilmelidir.

Uyum analizi için korelasyon değil, farklı istatistiksel yaklaşımlar gerekir (örneğin Bland–Altman analizi). Bu nedenle iki yöntemin “aynı şeyi ölçüp ölçmediğini” test ederken yalnızca korelasyon katsayısına bakmak ciddi bir metodolojik hatadır.

Korelasyon birlikte değişimi ölçer; uyumu ölçmez. İki ölçüm yüksek korelasyon gösterebilir, ama yine de klinik olarak birbirinin yerine kullanılamayabilir.

3.5 Korelasyonun Anlamlı Olması Güçlü Olduğu Anlamına Gelmez

Korelasyon analizinde en sık yapılan hatalardan biri, istatistiksel anlamlılık ile ilişkinin gücünü karıştırmaktır. Oysa p-değeri ile korelasyon katsayısı (r) aynı şeyi ölçmez. r değeri ilişkinin gücünü ve yönünü, p-değeri ise bu ilişkinin tesadüfen ortaya çıkmış olma olasılığını gösterir^​1​.

Özellikle örneklem büyüklüğü arttıkça, çok küçük korelasyon katsayıları bile istatistiksel olarak anlamlı çıkabilir. Literatürde vurgulandığı gibi, orta ve büyük örneklemlerde oldukça düşük r değerleri dahi anlamlılık sınırını geçebilir. Örneğin r = 0.18 gibi zayıf bir ilişki, binlerce hastalık bir veri setinde p < 0.001 olabilir. Bu durumda istatistiksel olarak anlamlı bir ilişki vardır; ancak klinik olarak güçlü bir ilişki olduğu söylenemez.

Acil tıp pratiğinden bir örnek düşünelim: Yaş ile hastanede kalış süresi arasında r = 0.22 ve p < 0.001 bulunmuş olsun. Bu sonuç, yaş ile yatış süresi arasında tesadüfi olmayan bir doğrusal ilişki olduğunu gösterir; fakat ilişkinin gücü zayıftır. Bu düzeyde bir korelasyon, bireysel hasta düzeyinde güçlü bir öngörü sağlamaz.

Bu nedenle korelasyon rapor edilirken yalnızca “anlamlı” ifadesi kullanılmamalı; r değerinin büyüklüğü açıkça belirtilmeli ve klinik bağlam içinde yorumlanmalıdır. Anlamlılık, ilişkinin varlığını destekler; gücü ise r değeri belirler.^​1​

Özetle, p-değeri bize “ilişki var mı?” sorusuna yanıt verir; r değeri ise “ilişki ne kadar güçlü?” sorusunu cevaplar.

Sonuç: Korelasyon Nerede Durur?

• Korelasyon, iki değişkenin birlikte değişip değişmediğini gösterir.
• İlişkinin yönünü söyler, gücünü sayısallaştırır.
• Ancak nedeni açıklamaz, doğrusal olmayan yapıları yakalayamaz, karıştırıcıları ayıklamaz, ölçüm uyumunu göstermez ve istatistiksel olarak anlamlı olması güçlü olduğu anlamına gelmez.

Klinik araştırmalarda korelasyon çoğu zaman ilk adımdır. Bize “Burada bir şey olabilir” der. Ama “Neden?” sorusunu cevaplamaz.

Bu nedenle:

• Önce veriyi çizeriz.
• İlişkinin biçimini inceleriz.
• Karıştırıcıları düşünürüz.
• Gerekirse çok değişkenli analiz yaparız.
• Klinik bağlamı asla göz ardı etmeyiz.

Aksi halde, birlikte değişen iki değişkeni neden–sonuç ilişkisi sanarak hem metodolojik hem de klinik hatalar yapabiliriz.

Unutmayalım:

Korelasyon, sorunun başlangıcıdır; cevabı değildir.

Referanslar