İstatistiksel Danışmanlık

Joiner, Brian(1982) “Consulting, Statistical”, Encyclopedia of  Statistical Sciences, (Edited by Kotz,S. and Johnson,N.L.,Read,C.B.), Volume  2,  John Wiley  and Sons, Inc. , New York,1982:147-155’den Türkçeleştirildi.

Tanım 
Danışman ne yapar?
Tarihsel bakış
Bir danışmanda olması gereken beceriler
Danışmanlık ve iletişim
Bilgisayar ve danışman
İstatistik alanındaki gelişmeleri izlemek
Etik
Danışmanlık öğretimi
Danışmanlığın ödülü
Başvurular

İstatistiksel danışmanlık, kişiden kişiye değişen oldukça farklı anlamlara gelebilir. Biz, “istatistikçilerin, bir sorunun çözümünde istatistiksel yardıma gereksinim duyan araştırmacılarla  birlikte çalışması” biçiminde en geniş anlamını benimseyeceğiz.  Kimyasal bir üretimin verimliliğini geliştirmek için deney tasarlayan ve verileri çözümleyen bir kimya mühendisi[1] ile birlikte yıllarca çalışan bir istatistikçinin[2] olduğu gibi, telefonla standart sapmanın nasıl hesaplanacağı sorusunu yanıtlayan bir istatistikçinin çabası da bu tanımın kapsamındadır.

Bu tanım evrensel olduğu söylenemez. Kimileri, istatistikçinin yaptığı işin danışmanlık olarak nitelenebilmesi için,  araştırmanın tüm istatistiksel yönlerinin sorumluluğunun istatistikçi tarafından üstlenilmesi gerektiğini düşünebilir. Kimileri ise, istatistikçinin ana rolü üstlendiği bir ortak girişimin, tanımı gereği bir danışmanlık değil, işbirliği ilişkisi olduğu görüşündedir. Bu görüşte olanlara göre danışmanlık,  büyük bir sorumluluk üstlenmeden yerine getirilen daha yüzeysel bir iştir.

Bize göre her ikisi de “danışmanlık” olarak kabul edilebilir ve aralarındaki fark, yalnızca bir nitelik farkından ibarettir. Derinlemesine “bütünüyle gömülmek”, iyi bir danışmanlık;  ciddi olmayan soruları çabucak yanıtlamak ya da zayıf çözümlemeleri “istatistiksel anlamlılık” ile kutsamak ise kötü bir danışmanlıktır. Ancak, sürekli bir iletişimi  güçlendirmek üzere telefondan yararlanmak da, genellikle iyi bir danışmanlık ilişkisinin kurulmasında değerli bir araçtır.⇑

İyi bir danışmanın ne yaptığına ilişkin iki mükemmel betimleme Marquardt[12] ve Deming[7] tarafından verilmiştir. Marquardt’a göre iyi istatistikçi, üzerinde çalıştığı projeye “bütünüyle gömülür”. Araştırmanın ilgi alanındaki ana konuları, yetkili kişileri, verilerin nasıl derlendiğini, proje amaçlarının neler olduğunu, zaman ve kaynak açısından kısıtların neler olduğunu öğrenir. Sonra nitelikli verilerin derlenmesini ve derlenen verilere doğru çözümlemenin uygulanmasını sağlayacak bir eylem planının biçimlendirilmesine yardım eder. Araştırma sonuçlarının belgelenmesine yardım eder. Danışman, araştırmadan çıkarılan sonuçlar benimsenip eyleme konmadıkça, gerçekten başarılı olduklarını savunamaz. İstatistiksel bir danışman, aşağıdaki örneklerden de anlaşılacağı üzere, çok çeşitli biçimlerde çalışabilir.

Örnek 1.   Bir kamu kuruluşunda çalışan  Jane, çeşitli projelerde gereksinim duyulan uzman istatistikçi hizmetinin çoğunu tek başına sağlamak zorundadır.

Projelerinden biri,  atık suların içine salındığı ve iki yakasında yoğun sanayileşme yaşanan White River’daki bir sorunun çözümünü amaçlamaktadır. Son federal yasalar, nehirin kıyısındaki sanayi kuruluşlarının hepsini atık sularını arıtmaya zorlamakta, ancak yine de nehir suyunun düşük ve su sıcaklığının yüksek olduğu zamanlarda yaşanan bir sorun sürmektedir. Böyle günlerde, nehir suyunda çözülen oksijen miktarı, sudaki yaşamın güvenliği için gerekli olan en küçük düzeyin altına düşmektedir. İstatistiksel olarak yapılacak iş, akış hızı ve sıcaklığa ilişkin geçmiş verileri inceleyerek, bu iki etkenin birlikte nasıl değiştiğini gösteren yeterli bir  yaklaşım geliştirmektir. Geçmiş 45 yıllık veri bulunmasına karşılık, sorun çeşitli yollardan karmaşık bir durum almaktadır: akış ölçüm süreci iki kez ayarlanmış; ısı ölçümleri için su örnekleme yöntemleri iki farklı zamanda değiştirilmiş; kimi veriler “apaçık” yanlış ve diğer bir çoğu ise pek olmayacak değerde; bir dizi kayıp değer; ve akışı düzenleyen barajların yönetim uygulamalarında çeşitli dönemlerde yapılan ve kimileri yalnızca tahmin edilebilen değişiklikler.

Böylece, White River verilerinin çözümlemesi, umulmadık bir biçimde, basit bir çizelgeleme ve düzgünleştirme işleminden, oldukça yoğun bir hafiyelik işi gerektiren daha çapraşık bir sürece dönüştü: telefon konuşmaları, mektuplaşmalar, nehirdeki akışı düzenlemekten sorumlu Ordu Mühendisler Kurulu’na, ilk ısı ölçümlerinin yapıldığı St.Claire kentindeki görevlilere ve sonraki ölçümlerin yapıldığı Black Kağıt Fabrikası’na yapılan ziyaretler….. Çalışmayı sürdürmek, ilk ölçümleri yapan kişilerden çoğunun ölmüş ya da yer değiştirmiş olması ile daha da zora girdi. Jane, sürekli çevre kirliliği uzmanları  ve diğer kamu kuruluşlarının önde gelen yetkilileri ile  çok yakın bir ilişki içinde çalıştı. Şimdi, milyarlarca liralık yeni çevre kirliliği önlemlerine ilişkin kararların temeli olarak kullanılacak raporunu bitirmek üzere. Jane, böyle önemli projelerle uğraşmayı keyif verici ama biraz da ürkütücü buluyor. Kuruluşunda, yaptığı işi ikinci bir kez gözden geçirerek birlikte denetleyebilecekleri başka uzman istatistikçiler de olsaydı, ne kadar iyi olurdu!

Örnek 2.   Fred bir seramik malzemeleri üreticisi için çalışmaktadır. Birkaç ay önce kendisine, üretimde karşılaşılan kimi ana sorunların çözümüne yardımcı olacak geniş bir veri tabanının kuruluş sorumluluğu verilmiş. Şimdiye kadar bu proje üzerindeki çalışması şunları içermiştir:

1. Derlenmesi gereken verilerin ve ölçümlerinin tanımına yardım edebilmek için, karmaşık üretim süreci ve makineleri tanıma.
2. Yüzey düzgünlüğü gibi iki-boyutlu yüzey karakteristiklerini ölçmek için örnekleme planları tasarlama.
3. Pilot verilerin keşifsel çözümlemesi.
4. Veri derleme formlarının tasarımı.
5. Verilerin özetlenmesi ve çözümlenmesi için gerekli algoritmaların belirlenmesi.
6. Verilerin saklanması ve erişimi için etkin yordamların bilgisayar uzmanları ile birlikte tasarımı.
7. Uygun bir rapor düzeninin geliştirilerek başlatılması.

Geri kalan diğer önemli adımlar şunları kapsamaktadır:  verilerin çözümlenmesi; sonuçların duyurulması; değişiklikler için önermede bulunmak; ve uygun değişikliklerin yapılıp yapılmadığını izlemek. Fred, zor bir işi olduğunu ve çok dikkatli davranmazsa, bu işin epey para yatırılacak ancak karşılığı alınamayacak bir iş olacağını biliyor. Bununla birlikte başarılı olursa, ki öyle olacağını umuyor, yaptığı iş çalıştığı işyerine büyük kazançlar sağlayacak.

Örnek 3.     Al, resmi bir fizik bilimleri araştırma laboratuarında, üç istatistik ve iki bilgisayar uzmanından oluşan bir araştırma takımının önderidir. Grup içi öğretime verdiği ağırlık, Al’ın danışmanlık yaklaşımının önemli bir parçası.Grubunun üzerinde çalıştıkları sorunlarla bağlantılı istatistiksel bilgilerini hem eski hem de yeni gelişmeler ışığında canlı tutmaya çalışıyor. “Sınıflar”ındaki bilimciler, sürekli olarak ona yeni sorunlar getiriyor. Her sorunu anlayıncaya kadar üzerinde çalıştıktan sonra, sorunu “öğrenci” bilimciye kendi güdümünde çözdürüyor. Bu yolla hem kendi hem de bilimci çok şeyler  öğreniyor.

Laboratuarındaki işin büyük bölümünün, doğrusal olmayan model uydurma ve sıra-dışı zaman dizileri çözümlemesi alanlarında olduğu görülüyor. Grup, hazır bilgisayar programları gereksinimlerini karşılamadığından, veri çözümlemesi için yeni bilgisayar programları geliştirmeye oldukça yoğun bir çaba harcamaktadır. Al ve grubu tüm bunların yanında bildik danışmanlık hizmetlerini de vermekteler.

Bu birkaç örneğin, istatistiksel danışmanların çalışma biçimleri ve ortamlarının zengin çeşitliliğini tümüyle ortaya koyması beklenemez. Kimisi yalnız, kimisi de takım içinde resmi kuruluşlarda, sanayide, evrenkentlerde, bankalarda, ve diğer kurumlarda, ya da özel danışman olarak çalışabilirler. Çalışma alanları arasında mühendislik, tarım, tıp, biyoloji, sosyoloji, pazarlama, siyaset, hukuk, iktisat, fiziksel bilimler,  nüfus bilim, meteoroloji, ve kısaca verilerden bilgi elde etmeye yönelik her konu sayılabilir. Daha fazla bilgi için , Woodward ve Schucany [17]’nin danışmanlık üzerine kaynakçalarına ve Tanur v.d [16] ile Cameron [5] ve Daniel [6]’deki istatistik uygulamalarının ilginç örneklerine bakılabilir.⇑

Çağdaş istatistiksel yöntemler ile yöntemler arasındaki birliği sağlayan istatistik kuramı, büyük ölçüde, verilerden bilgi üretmek isteyen danışmanların ve diğer bilimcilerin gereksinimlerine yanıt aranırken gelişmiştir. İstatistik kuramı ve yöntemlerini geliştiren ilk öncülerin  çoğu sonradan istatistiğe yönelen bilimcilerdi. Örneğin ilk kez birilişki katsayısını,  insandaki sürekli değişkenlerde kalıtım miktarını ölçmek üzere, öneren Francis Galton’ dur.  Karl Pearson, genç bir matematikçi olarak Galton’la birlikte çalışmaya başlamış, sonra ilgisini çeken istatistiğe yönelerek Galton ve diğerleri ile birlikte danışmanlık yaparken istatistiğe önemli katkılarda bulunmuştur. “Student”(Öğrenci) takma adı ile ünlü W.S.Gosset , bira üreticisi Arthur Guinness ve Oğulları, Ltd. şirketinde bir kimyager olarak çalışırken, düzenlediği deney sonuçlarını değerlendirmek için daha iyi tekniklere gereksinim duyunca, bir yıl kadar Karl Pearson’la birlikte çalıştıktan sonra, çok yaygın olarak kullanılmakta olan “Student”in t-sınamasını geliştirmiştir.

Çağdaş istatistiğe şu ana kadar en önemli katkıları yapmış bulunan R.A.Fisher, istatistikle ilgilenmeye bir evrim biyoloğu olarak başladı. İlk matematik öğrenimi ve özgünlüğü ona, istatistiksel yaklaşımda önemli gelişmeler yapabilmesini ve henüz 29 yaşındayken İngiltere’deki Rothamsted Deney İstasyonu’na bir istatistikçi olarak atanmasını sağladı. En büyük katkıları, Rothamsted’daki kimya, bakterioloji, entomoloji, bitki fizyolojisi, botanik ve tarım gibi çok farklı alanlardaki bilimcilere istatistiksel danışman olarak verdiği hizmet sonucunda oluştu. Daha sonra Fisher, çığır açan “Araştırma İşçileri İçin İstatistiksel Yöntemler” adlı yapıtının ön sözünde şöyle yazar: “Burada sunulan yöntemlerin dayandığı salt matematiksel araştırmaları zorunlu yapan, laboratuar işçisinin istatistiksel sorunlarla günlük içiçeliğidir.” Şimdi olduğu gibi, o zaman da, iyi istatistik kuramı ve uygulaması arasında güçlü bir etkileşim vardı. (Box [3]’ a da bakınız.)

Yüksek okul düzeyinde ilk istatistik programını geliştiren ve uygulayan Birleşik Devletler’deki Iowa Eyaleti Evrenkenti’dir.  1924 yılında, (daha sonra Tarım Bakanı ve Başkan Yardımcısı olan) Henry A. Wallace, ileşke ve çekim üzerine çalışan 20 bilimciden oluşan bir gruba önderlik etti. Bunun hemen ardından, George W.Snedecor ve A.E.Brant’ın yönetiminde, Iowa’da bir istatistiksel danışmanlık merkezinin kuruluşu geldi. Bu merkez, Birleşik Devletler’deki  başlangıçtaki istatistik çalışmalarının pınarı ve 1930’larda aralarında R.A.Fisher, John Wishart, Frank Yates, ve Jerzy Neyman gibi ünlü istatistikçilerin bulunduğu konukların uzun süreli olarak ağırlandığı yer oldu. Önde gelen öğretim üyeleri arasında, Gertrude Cox, W.G.Cochran, ve Charles P.Winsor bulunuyordu. Iowa’daki öğrenim programları başlangıçta danışmanlık çizgisinde yürütüldü. Örneğin Fisher geldiğinde, yerel araştırmacılar sırayla seminerlerinde, kendi deneysel verilerini ve çözümlemelerinin bir bölümünü sunuyorlardı. Daha sonra, deney ve çözümlemenin yanıtlamaya çalıştığı sorunun deneycinin sormak istediği soru olup olmadığı, başka ne gibi çıkarımlarda bulunulabileceği ve benzeri konularda konuşmacının açıklamaları üzerine, Fisher ve oradaki diğerleri yorumda bulunmak için kürsüye davet ediliyordu.

Rothamsted  ve  Iowa’daki ilk çalışmaların ilgi merkezi tarımdı ve tarım için geliştirilen yöntemlerin bir çoğu sanayideki kullanıma hemen uyarlanmaya hazırdı. Ancak farklı türde yöntemlere de gereksinim vardı. Ölçümler genelde zaman boyutunda yakın aralıklarla yapılmadığından,  türdeş olduğu varsayılan ölçümlerden oluşan küçük kümeler içindeki zaman sıralamasında her hangi bir sorun yoktu. Ancak,  fizikçi Walter A.Shewart, çok iyi laboratuar bilimcilerininkiler de dahil incelediği veri kümelerine zaman boyutundaki sıralanışlarına göre baktığında, değişmez biçimde fiziksel bilimler ve sanayi verilerinin hemen hemen hepsinin belirli özellikler içerdiğini gördü. Durağan olduğu varsayılan laboratuar işlemlerinden elde edilen küçük veri kümeleriyle yaptığı çalışmalarda Shewart,  eğilimler, düzeyde kaymalar, ve başka kalıplar buldu. Çözüm olarak getirdiği basit ve etkin kontrol kartı tekniği kısa sürede, üretim süreçlerinin denetim ve izleniminde vazgeçilemez bir araç oldu.

İkinci Dünya Savaşı sırasında, sorunların çözümünde istatistiksel ve diğer nicel yöntemlere başvurma gereksinimi daha da çok belirginlik kazandı. İngiltere silahlı kuvvetlerin içinde harekat araştırma takımlarını örgütledi ve Birleşik Devletler de, Iowa’dan A.E.Brandt ve aslında bir  sanayi kimyageri olan W.J.Youden gibi istatistikçileri istihdam ederek hemen buna ayak uydurdu. Bell Laboratuarları’ndan Harold F.Dodge ve Harry G.Roming ile aynı anda Phillips-Eindhoven’den Hugo Hamaker kabul örneklemesi planlarını geliştiriyorlardı. Bu planlar, büyük çaba ile tek tek muayene etmeden, mermilerin kullanılacağı tüfeklere uygunluğunu sağlama almaya yardım ediyordu. Kalımsal verilerin istatistiksel çözümlemesi, Atlantiği geçerken batırılan gemi sayısının konvoydaki gemi sayısından bağımsız olduğunu, böylece daha büyük konvoylarda batacak gemi yüzdesinin daha az olacağını gösterdi. Diğer istatistiksel çözümlemeler, hava saldırılarına karşı yerden atışların isabetini arttırdı.  Gelişmiş test planları ve çözümlemeleri, bombaların ortalama patlama gücünü belirlemeye yardım etti.

Savaştan hemen sonra,  W.E. Deming sanayide istatistiksel kalite kontrolünü öğretmek üzere,  Japonya’ya 18 yolculuktan oluşan bir dizi ziyarette bulundu. Bu ziyaretler ve Japon yönetiminin tavrı, Japon mallarının kötü kalitesini  mükemmelle dönüştürdü.

Burada kısaca değinilen ve diğer bir sürü gelişme, savaştan hemen sonra istatistiksel öğüt almak için çok geniş ve çeşitli yerlerden büyük bir istem demekti. Bu istem, sanayiden, devletten, tarımdan, tıptan, biyolojiden, eğitimden, sosyolojiden, psikolojiden ve daha bir çok alandan geldi. İstatistiksel danışmanlığa olan istemde hızlı bir büyüme başladı. Şimdiye kadar yaklaşık 35 yıldır da bunda bir yavaşlama olmadı.⇑

Bir danışmanın tam yeterli olabilmesi için bir çok çeşitli becerilere sahip ol-ması gerekir. İdeal olarak,  bir danışman:

• Gerçek sorunları çözmek ve başkalarının çözmesine yardım etmek için gerçekten istek duymalıdır.
• Araştırmacıların sorunlarını ölçülebilir değişkenler cinsinden ifade etmelerine yardımcı olabilmelidir.
• Dikkatle dinleyip, konuyu daha da aydınlatıcı sorular sorabilmelidir.
• İstatistiksel ve bilimsel yöntemler hakkında doğru ve derin bilgi sahibi olmalıdır.
• Varolan istatistiksel yöntemleri yeni durumlara uyarlayabilmelidir.
• İyi istatistiksel yöntemleri yerinde kullanabilmeli yada geliştirebilmelidir.
• İstatistik alanındaki gelişmeleri yakından izleyebilmelidir.
• Fazladan çaba gerektirse bile, sürebitimlere uyma konusunda istekli olmalıdır.
• Müşterinin uzmanlık konusundan biraz anlamalı ve onun dilinden konuşabilmelidir.
• İyi bir öğretmen olmalıdır. Danışmanlıktaki başarı büyük ölçüde istatistiksel tekniklerin zayıf ve güçlü yanlarını diğerlerinin anlamasına yardım edebilmeye bağlıdır.
• Üzerinde uğraştığı sorun için yeterince doğru ve yaklaşık bir sonuç elde ettikten sonra, bir sonraki soruna yönelmeye istekli olmalıdır.
• Önemli sorunları ayırd edebilmeli ve böylece daha önemsiz projelere gereğinden fazla zaman harcamayı önliyebilmelidir.
• Tasarım ya da çözümleme olsun, işin başarılmasına yetecek kadar basit bir yöntemi kullanmada güven sahibi olmalıdır.
• Sağlam bir çözümün geçerliliğine başkalarını inandırabilmeli ve doğru önlemin alındığını görmelidir.
• Bilgisayarları etkin biçimde kullanabilmeli ve bilgisayar kullanımında başkalarını yönlendirebilmelidir.
• İyi bir sorun çözücü olmalıdır.
• Müşterilerle düzenli olarak kendi yerlerinde görüşmeye ve çalışma takımının tüm üyelerinin buluşma ve iletişiminin sorumluluğunu almaya istekli olmalıdır.
• Diplomatik olmalı, ne zaman alttan alınacağını ve ne zaman katı durulacağını, takımın diğer üyeleri arasındaki sürtüşmeleri nasıl düzeltmeye yardım edeceğini bilmelidir.
• Verilerin derlenmesinden deneyim elde etmeye istekli olmalıdır.
• Yöntem ve sonuçları denetlemeye ve denetletmeye zaman ayırma konusunda istekli olmalıdır.
• Sözel olduğu kadar yazılı olarak da, etkin biçimde iletişebilmeli ve müşterilerin kendi raporlarını yazmalarına yardım edebilmelidir.
• Sorunun kendisini gerçekten çözmeden, sorunu çözmek için ne kadar çaba gerekeceğinin iyi bir tahminini yapabilmelidir.

⇑

Tanımı gereği istatistiksel danışmanlık farklı alanlardaki kişiler arasında bir işbirliğidir. Başarılı danışmanlık için, iyi iletişimin yaşamsal önemi vardır. İletişimde tıkanmalar sıkça yaşanabilir ve bir dizi    istenmeyen sonuçlar doğurabilir. Bu istenmeyen durumların belki de en yaygın olanı Kimball [11]’ın “üçüncü tür bir hata” olarak adlandırdığı, yanlış soruna güzel bir çözüm uydurmaktır. İyi danışman çabucak bir yanıt verme dürtüsüne karşı  direnç gösterir. Her hangi somut bir öneride bulunmadan önce, durumu iyi kavradıklarından ve projenin amaçlarının yeterince açık olduğundan emin olmaya çalışır. İstatistikçi veya konunun uzmanı yada her ikisi birden yanlış yönlere gitmesin diye, sık ve sürekli etkileşim de genellikle gereklidir.

Başarılı bir danışman olmanın anahtarı iyi bir iletişim olduğuna göre, iletişim yeteneği sürekli geliştirilmelidir. Boen ve Fryd [1] ile Zahn ve Isenberg [18]’in makaleleri iyi bir başlangıç olmakla birlikte, istatistiksel iletişim özünde genel iletişimden  pek de farklı olmadığından, bu alandaki yaygın genel-amaçlı yaklaşımlar da yararlıdır. Bunların önde gelenleri, Boen ve Fryd tarafından verilen kaynaklar arasında yer almaktadır.

Yazılı anlatım becerisinin danışmanlar için ne kadar önemli olduğu,   Salsburg [13]’un makalesi ile Snee v.d. [15]   tarafından hazırlanan önemli bir raporda vurgulanmıştır.⇑

Yirminci yüzyıl ortalarına kadar istatistiksel danışmanlar için bilinen en önemli gelişme, görece olarak ucuz elektronik bilgisayarların ve bilgisayar kullanımını kolaylaştıran programların yaygın biçimde ulaşılabilir duruma gelmesidir. Bilgisayar yardımı ile, hesaplanması basit olanlarla sınırlı kalmadan çok çeşitli modelleri denemek mümkündür. Çözümü karmaşık adımsal hesaplamalar gerektiren modeller ( Efron [9]’a bknz.) de dahil,  hataların bağımsız ve normal dağıldığı gibi standart varsayımlarda bulunmayan modeller de denenebilir olmuştur.

Belki de daha önemlisi, bilgisayarların çok büyük ve karmaşık veri tabanları ile baş edebilmesidir. Bilgisayarlar bir çok alanda, fiziksel ölçümleri sayısallaştıran almaçları ile, veri derleme sürecinin ayrılmaz bir aracı gibi kullanılabilmektedir. Bilgisayarlar, enerji tüketimi, çevre kirliliği, hava durumu, ve laboratuar deneylerini izleyerek, ayrıca bir veri girişi işlemine gerek bırakmadan, milyonlarca rakam içeren veri tabanlarını kendiliğinden oluşturabilirler. Böyle büyük ölçekli veri kümelerinin çözümlenmesi,  veriler üzerinde yeni düşünce yaklaşımları gerektirir. Bununla birlikte, bilgisayarlar 50 veya daha fazla değişkenin 10,000 bireyden elde edilen ölçümlerinden oluşan veri tabanlarının çözümlenmesini oldukça yaygın duruma getirmiştir.

Giderek artan karmaşık yapılardaki veri tabanlarının genişleyen ölçekleri ile, istatistik yordamları da belirgin olmaktan çıkabilir. Örneğin, birisi aile bireylerinin her birinin sözel ve sözel olmayan  karşılıklı işaretleşmesini ve yöneltildiği kişiyi sayısallaştırılarak aile içi etkileşim biçimlerini kaydedilebilir. Bu hafta içi ve hafta sonu günlerin farklı saatlerinde, farklı mevsimlerde ve farklı yaşlar için yapılmış olabilir. Ailelerin bir bölümüne iletişim biçimlerini geliştirmek üzere tasarlanmış kimi “iyileştirmeler” uyarlanabilir. Araştırma sorusu ,  “İyileştirmenin iletişim biçimlerine etkisi nedir?”  olabilir. Verilerin tümü bilgisayarda bulunabilir, ancak çözümleme için uygun araçları geliştirmeye yine de sıkça ve yaygın biçimde gereksinim duyulabilir.

Bilgisayarların istatistiksel danışmanlar için belki de en önemli yararlarından biri, verileri çok az bir çaba ile çok farklı biçimlerde çizgeleyebilmesidir. Çizgelerin bir veri kümesinde gerçekten neler olup bittiğini anlamada olağanüstü büyük bir yardımı olduğu sıkça görülür.

Ancak bilgisayarlar bu yararlarının yanında yeni sorunlar da getirir.  Bir “bilgisayar”daki kolaylıkla erişilemeyen veriler, hiç varolmamış gibidir. Benzer biçimde, bilgisayarın tek katkısı, yığınla çizelge biçiminde çıktı vermekse, bilgisayarla verilerin işlenmesinden pek de bir değer elde edilmiş olmaz. Büyük veri tabanları ile ilgili olarak yaşanan bir başka sorun da, programlardaki küçücük bir gözden kaçırmanın hatalı sonuçlara götüren ve yakalanması çok güç olan ince “bilgisayar hataları”na yol açmasıdır.⇑

İdeal danışman, istatistiğin çok çeşitli alanlarında derin ve geniş bir bilgi sahibidir. Bu bilgiyi güncel tutmak ve çağdaş bir biçimde yeni bir alanda yeterli derinlikte bilgi edinmeye hazır olmak sürekli bir çaba gerektirir. Bu açıdan yardım almak ve vermek için, istatistikçilerin çoğu, bölgesel, ulusal ve uluslararası istatistiksel ve istatistik ağırlıklı teknik dernekler gibi mesleki kuruluşlarda örgütlenirler. Bu toplulukların düzenli aralıklarla yapılan toplantılarında, ilgi alanlarındaki meslektaşları ile yüz yüze görüşüp tanışma olanağı bulabilir ve yeni gelişmeleri birinci elden öğrenebilirler. Danışmanların çoğu, kısa kurslara, özel konulardaki mesleki toplantılara, ve kurum içi seminer ve kollokyumlara katılmaya özen gösterirler.

Bir çok mesleki alanda olduğu gibi, basılı istatistik   yayınları da artan bir hızda çoğalmaktadır. Önemli gelişmeler yeni kitaplarda veya Encyclopedia of Statistical Sciences (İstatistiksel Bilimler Ansiklopedisi), International Encyclopedia of Statistics (Uluslararası İstatistik Ansiklopedisi) gibi uzman ansiklopedilerde özetlenir. Current Index to Statistics: Applications, Method and Theory (Güncel İstatistik Dizini:Uygulamalar, Yöntem ve Kuram)  , yıllık olarak American Statistical Association (Amerikan İstatistik Derneği) ve Institute of Mathematical Statistics (Matematiksel İstatistik Enstitüsü) tarafından yayınlanır. Bu dizin yazar ve konu dizinlerini verir ve istatistik alanının görece tümünü kapsamaya yöneliktir. Her cilt,  bilgi alma dizgesi ve ilgili dizinlerin bir dizelgesini içerir.⇑

“Üç tür yalan vardır: yalan, kahreden yalan, ve istatistik” (Disraeli). “İstatistik herşeyi kanıtlar.” Bunlara benzer kanılar, istatistiksel danışmanların karşılaştığı etik sorunların yalnızca bir bölümünü yansıtır. Kısmen üzerinde çalıştıkları sorunların araştırma sonuçlarının çok  önemli olması, ama aynı ölçüde kesin olmaması,ve danışmanlık ücretini ödeyen müşterinin çıkarları doğrultusunda olmayabilmesi nedeni ile, danışman istatistikçiler için etik sorunlar, diğer bir çok meslekte olduğundan daha sık olarak ortaya çıkıyor gibidir. Dahası, bir çok durumda, istatistiksel çözümlemenin eniyi ve tek bir biçimi bulunmayabilir. Tüm bunlara birazcık insanın doğası ve kimi olağan düşünce ayrılıkları da eklendi  mi, aşağıdaki örneklerde olduğu gibi etik ikilemlerin ortaya çıkışına şaşmamak gerekir. İşte birkaç örnek.

Örnek 1.  Bir üniversitenin  farklı iki bölümündeki ücretler karşılaştırılmaktadır. Gruplardan biri kendilerine düşük ücret ödendiğini öne sürmekte ve merkezi idare ise bu gruba daha az ücret ödendiğini kabul etmekte ancak bu farkın deneyim, akademik üretkenlik ve ilgili diğer etmenlerdeki farklılıktan kaynaklandığını söylemektedir. Taraflar, deneyim süresi, yayınlar ve benzeri etmenlere göre ayarlama yapmak için ücretlerin regresyon çözümlemesinin bilgilendirici olacağı konusunda anlaşırlar. Merkezi idare bir çalışma komisyonu kurar, ancak hoşlanmadığı sonuçlar çıkmaya başlayınca, ücretlerin hemen hemen denk olduğunu gösterecek bir modeli kullanmaları yolunda istatistikçilere baskı uygular.İstatistikçiler bunun etik anlayışa sığmayacağı inancı ile, her birinin güçlü ve zayıf yanlarını da belirterek farklı modellerden elde ettikleri sonuçları belgelemede ısrar ederler. Çok diplomatik olmaya çalışırlar, ancak bu içtenliklerinin kendilerine gelecekte ne gibi  maliyetler getireceğinin de bilincinde-dirler.

Örnek 2.  Yeni bir tedavi yöntemi üzerindeki çalışmada, kuruluşun istatistikçisi, olası ciddi yan bir etkinin güçlü belirtisini fark eder. Sonuç istatistiksel olarak çok da anlamlı değildir ve bunu deşmek fazladan epey maliyet ve çalışma gerektirecektir. İşveren, yasal olarak daha fazla incelemeye gerek olmadığını söylemekte ve kuruluşun farmokologları da, sonucun kimyasal açıdan pek olası olmadığına inanmaktadırlar. Her zaman sözde istatistiksel anlamlı sonuçlarla karşılaşılabildiğini bilen istatistikçi ne yapacağından pek emin değildir. Sonunda, her hangi bir ipucu yada olayın tekrarı için benzer durumları yakalamak üzere, bekleyip görmeye karar verir.

 Örnek 3.  Eyalet ulaştırma biriminin, sorun sürücüler için “Sürücü Geliştirme Programı”nın etkinliğini ölçmek üzere bir çözümleme yapılmıştır. Çalışma, bu eğitim programının her hangi bir yarar sağlamadığını göstermektedir. Bir rapor yazılmış ve projeyi desteklenene verilmiş, ancak rapor sessizce hasır altı edilerek milyonlarca dolarlık program sürdürülmeye devam edilmiştir. İstatistikçiler basını mı aramalı? Eyalet başkanına mı başvurmalı? Yoksa, gerçeğin uzun dönemde kazanacağına mı güvenmeliler? Program iptal edildiğinde sağlanacak tasarrufu farkedecek bir yönetim kademesi bulmak umudu ile çeşitli yolları denemeye karar verilir.

Burada verilen örneklerdeki durumlar, her gün danışmanın karşısına çıkmasa da, bir çok danışmanı yakından ilgilendirecek kadar  sıkça yaşanır. Bu konudaki daha ileri tartışmalar için, Deming [7,8], Bross [4], Science [14], ve bu makalelerdeki başvurulara bakılabilir.⇑

İstatistik derecesi alan öğrencilerin bir çoğu danışman istatistikçi olmak için öğrenimlerine devam ederler. Ancak, derslikten canlı danışmanlığın ateş hattına geçişi kolaylaştırmada onlara yardımcı olacak programlar sunmaya hazırlıklı istatistik bölümleri  pek nadirdir. Sorunun en veciz ifadesi Box [2]’ınki olabilir:

Yüzme,  haftada üç kez, yüzme biçimi ve suda batmama ilkeleri ve benzeri konularda yüzme öğrencilerine sınıfta ders verilerek öğretilebilir. Kimileri, böyle bir kurs çalışmasını bitirdikten sonra, mezunların hevesle havuza koşup içine atlayarak, hemen yüzmeye başlayacağına inanabilirler. Oysa ben, yeni gelenlere tüm öğrendiklerini öğretmek üzere sınıfta oturmayı istemelerinin daha olası olduğunu düşünüyorum.

Dolayısı ile öğrencilerin iyi danışmanlarla aktif olarak çalışacağı ve kötü alışkanlıklar geliştirmeden daha iyi nasıl başarabileceğini görmesine yardım edebilen  birinin gözetiminde, danışman olmak için deneyim kazanacağı koşulların oluşturulmasına gerek vardır. Akademik ortamdan ayrılmadan önce biraz danışmanlık yapma konusunda teşvik edilmek, istatistik öğretmeye devam edecek olanların da, hiç olmazsa istatistiğin gerçek kullanımının değerini takdir etmeleri demektir. Sorun üzerine eğilen bir çok kişi, istatistikçilerin de hekimler gibi bir staj programına gereksinimleri olduğuna inanmaktadır. Kimi okullar bunu yapmakta ise de, daha fazlasına gerek bulunmaktadır.

Danışmanlar için düzenlenen iyi bir program, kişisel iletişimi geliştirme yolarını, istatistiksel yayınların nasıl izleneceğini ve kullanılacağını, verilerin nasıl çözümleneceğini, iyi verilerin nasıl toplanacağını ve kötü verilerin nasıl farkına varılacağını, bilgisayarın nasıl kullanılacağını, ve sıradışı durumlar için yöntemlerin nasıl geliştirilebileceğini kapsamalıdır. Program , bunların tümünü yoğun olarak gerçek veri çözümleme, tasarım, rapor yazma, ve danışmanlık biçiminde vermelidir.

Böyle bir programın çok önemli bir öğesi, veri toplama ve çözümleme içeren bir projenin gerçekten yürütülmesi olmalıdır. Ünlü danışman W.E.Deming , “Verilerle deneyim kazanma fırsatını asla kaçırmam; 1940 Sayımı’nda bir bölgeyi kendim saydım; çalışma , iş gücü, sosyal soruşturma, pazar araştırması sayımlarında görüşme yapmak için, en az 40 kere yöre dışına çıkmışımdır; telefon kullanmışımdır; fiziksel ve kimyasal denemelerde, güvenirlik ve  fabrikalarda sınama ve yoklama üzerine yüzlerce deneyde veri toplamışımdır; bu deneyimler, benim için son derece önemli olmuştur.” Hunter [10], bir veri toplama projesinin, sağlam verilerin toplanması ile ilgili ayrıntıların ve gerçek güçlüklerin öğretimindeki yararını göstermektedir. Tüm danışmanların ve hatta verilerden bir bilgi elde etme  peşindeki herkesin, veri kümelerinin bir çoğunun ve belki de pek çoğunun, verilerini yeterince tanımayan her hangi bir çözümlemenin etkinliğini ortadan kaldıran türden önemli hatalar içerdiği gerçeğinin farkında olmaları gerekir. Örneğin, fabrikalardaki verilerde genellikle üretime başlangıç etkileri, fareler üzerindeki deneylerde kafese ilişkin etkiler, büyük veri tabanlarında bilgi-işlem hataları bulunur, yerleri değiştirilen çiçek saksıları olabilir ve insanlar kayıt hataları yaparlar.⇑

Danışmanların çoğu işlerinden büyük bir zevk alır. Genç danışmanların bile, önemli kararlarda büyük ve sonucu etkileyici bir rol alma şansları vardır. Kendilerinden, önemli kararları almada kullanılacak verilerin toplanması ve sonra da  verilerin çözümlenmesi ve karar almaya yardımları istenebilir.

İstatistiksel danışmanlar, DNA mikrobiyolojisinden tek-yataklı ve çift-yataklı çekicili uzun yük taşıyıcılarının göreli kaza  oranlarına kadar bir çok konuda sürekli olarak  yeni bilgiler edinirler. İstatistikçi olmak bir tür hafiye olmak demektir. Danışmanlar, ne olup bittiğini anlamak için, verilerdeki gizli ipuçlarını yada verilerin arkasındaki kuramı araştırırlar. Gömü çıkarmak için zor bir kazının ardından aydınlamanın zevki gelir ve bunu, sonuçların başkalarına nasıl açıklanacağı ile uğraşmak izler.⇑

[1]  Boen,James-Fryd, David  Six-state transactional analysis of statistical consultation,  The American   Statistician ,32(2),1978.58-60

[2]  Box, G.E.P.  Some problems of statistics and everyday life(Presidential Address),         Journal of the American Statistical Society,74(365),1979.1-4

[3]   Box, J.F.    R.A.Fisher, The Life of a Scientist,Wiley,New York,1978

[4]  Bross, I.D.J.  The role of the statistician:scientist or shoe clerk , The American Statistician, 28,1974.126-127

[5]   Cameron, J. M.  The statistical consultant in a scientific laboratory,  Technomet-rics , 11,1969.247-254

[6]  Daniel, C.  Some general remarks on cosulting in statistics, Technometrics ,11, 1969.241-245

[7] Deming, W.E.   Principles of professional statistical practice, Annals of Mathematical Statistics, 36,1965.1883-1900

[8]   Deming, W.E.  Code of professional conduct, International Statistical Review ,40, 1972.215-219

[9]   Efron, B. Computers and the theory of statistics:thinking the unthinkable , SIAM Review ,21,1979.460-480

[10]  Hunter, W.G.  Some ideas about teaching design of experiments with 2⁵ examples of experiments conducted by students , The American Statistician ,31(1), 1977.12-17

[11]  Kimball, A.W.   Errors of the third kind in statistical consulting, Journal of the American Statistical Society,52(278),1957.133-147

[12]  Marquardt, D.W.  Statistical consulting in industry , The American Statistician , 33,1979.102-107

[13]  Salsburg, D.S. Sufficiency and waste of information, the American Statistician , 27,1973.152-154

[14]  Science,198,1977.677-705

[15]  Snee,R.D.-Boardman,T.H.-Hahn,G.J.-Hill,W.J.-Hocking,R.R.-Hunter,W.G.-Lawton, W.H.-Ott,R.L.-Strawderman,W.E. Preparing statisticians for careers in industry , The American Statistician ,34,1980.65-75

[16] Tanur,J.M.-Mosteller,F.-Kruskal,W.H.-Link,R.F.-Pieters,R.S.-Rising,G.R. Statis-tics:  A Guide to the Unknown, 2 ^nd ed. Holden-Day, San Francisco,1978.

[17] Woodward,W.A.-Schucany,W.R.  Bibliography of statistical consulting, Biometrics,33,1977.564-564

[18] Zahn,D.A.-Isenberg,D.J. Non-statistical aspects of statistical consulting, Proceedings of the Section on Statistical Education,the American Statistical Association,Washington,D.C. , 1979.67-72 ⇑

---

[1] George E.P.Box

[2] R.A.Fisher.