Hayatta kalma yanlılığı, bir veri setinde yalnızca “hayatta kalan”, yani belirli bir eleme sürecinden geçip günümüze veya sonuca ulaşan örneklerin incelenmesi, elenen veya kaybolan örneklerin göz ardı edilmesi sonucu ortaya çıkan sistematik bir çarpıtmadır. Futbol istatistiklerinde bu yanılgı, örneğin yalnızca büyük kulüplere transfer olmuş genç oyuncuların gelişim yolunu inceleyip alt yapıdan elenen binlerce ismi dikkate almamak şeklinde karşımıza çıkar.
Bu kavramı anlamadan veri okumak, editörün de sık gördüğü bir tuzağa yol açıyor: “Bu yöntemle yetişen oyuncular hep başarılı oluyor” cümlesi, aslında başarısız olup sistemden düşenlerin sayılmadığı bir örneklemden çıkarılmış olabilir. Betpir Veri’nin metodolojik yaklaşımı, tam da böyle eksik örneklemleri işaretlemeyi ve okuyucuya şeffaf biçimde göstermeyi öncelik sayar.
Hayatta Kalma Yanlılığı Futbol Verisinde Nasıl Ortaya Çıkar?
En klasik örnek, ikinci dünya savaşı döneminde uçaklardaki hasar analizinden gelir ama futbola uyarlaması da kolaydır: sahaya çıkabilen, sakatlanmadan kariyerine devam eden oyuncuların verisi incelenir; erken yaşta sakatlık nedeniyle bırakan ya da hiç profesyonel olamayan yetenekli isimler veri setinin dışında kalır. Sonuçta ortaya “bu antrenman programı oyuncuyu güçlendirir” gibi bir yanlış genelleme çıkabilir; oysa asıl bakılması gereken, programı uygulayıp da sahadan kopan grubun akıbetidir.
Benzer durum lig bazlı karşılaştırmalarda da görülür. Belirli bir yaştan sonra üst lige çıkabilen oyuncuların istatistikleri toplanıp “bu yaş grubu daha verimli” sonucuna varılırsa, alt liglerde kalıp hiç fırsat bulamamış oyuncular yok sayılmış olur. Bu yüzden bir istatistiksel iddiayı değerlendirirken şu soruyu sormak gerekir: veri setine kimler dahil edilmedi ve neden?
- Elenen veya sakatlanan örnekler veri dışı bırakılmış mı, kontrol edilmeli.
- Yalnızca “başarıya ulaşmış” grup mu inceleniyor, sorgulanmalı.
- Karşılaştırma için tam popülasyon mu yoksa filtrelenmiş bir alt küme mi kullanılmış, belirlenmeli.
Ortalamaya Dönüş (Regression to the Mean) Nedir?
Ortalamaya dönüş, aşırı uçlarda gözlemlenen bir performansın sonraki ölçümde uzun vadeli ortalamaya yaklaşma eğilimini ifade eden istatistiksel bir kavramdır. Bir oyuncu bir sezonun ilk haftalarında beklenenin çok üstünde gol katkısı üretmişse, sonraki haftalarda bu tempoyu koruyamaması genellikle “form düşüşü” olarak yorumlanır; oysa bu, büyük ölçüde doğal bir istatistiksel dengelenmedir.
Aynı mantık ters yönde de işler: kötü başlayan bir takımın sonraki periyotta toparlanması mutlaka taktik değişiklikle açıklanmak zorunda değildir, çünkü şans faktörünün payı azaldıkça sonuçlar gerçek seviyeye yaklaşır. Bu ayrımı yapabilmek, transfer kararlarını ya da teknik direktör değerlendirmelerini yorumlarken kritik bir filtre görevi görür.
Örneklem Seçimi Neden Sonucu Çarpıtır?
Örneklem, incelenen popülasyondan seçilen alt gruptur ve bu grubun temsil gücü ne kadar zayıfsa, çıkarılan sonuç o kadar güvenilmezdir. Futbolda örneklem seçimi genelde şu üç şekilde bozulur: zaman aralığının kısıtlı tutulması, belirli maç türlerinin (örneğin yalnızca deplasman maçları) dışarıda bırakılması ve rakip kalitesinin dengesiz dağılması.
Örneğin bir oyuncunun “her turnuvada kritik gol attığı” iddiası, yalnızca birkaç maçlık bir örneklemden çıkarılmışsa istatistiksel olarak zayıf bir temele oturur. Örneklem büyüklüğü arttıkça, rastlantısal sapmaların etkisi azalır ve gerçek performans eğilimi daha net görülür. Bu nedenle arastirma sürecinde her zaman “kaç maçlık veri kullanıldı” sorusu ilk sorulması gereken sorulardan biridir.
Küçük Örneklemin Getirdiği Riskler
- Şans faktörünün etkisi büyür, tutarlılık azalır.
- Aykırı bir maç (outlier) genel ortalamayı ciddi şekilde etkiler.
- Kısa vadeli sonuç, uzun vadeli eğilimi yansıtmayabilir.
Survivorship Bias’tan Kaçınmak İçin Hangi Yöntemler Kullanılır?
Bu yanılgıyı azaltmanın ilk adımı, veri setinin kapsamını netleştirmektir: incelenen grup yalnızca “başarılı” örnekleri mi içeriyor, yoksa elenmiş ya da yarım kalmış vakalar da dahil mi? İkinci adım, karşılaştırma yapılan referans grubunun aynı koşullardan geçip geçmediğini kontrol etmektir. Örneğin bir gençlik akademisinin başarı oranını değerlendirirken, akademiden ayrılan ve profesyonel olamayan tüm isimlerin de sayılması gerekir.
Üçüncü bir yöntem, zaman içindeki tutarlılığı test etmektir. Bir metrik yalnızca tek bir sezonda mı öne çıkıyor, yoksa birden fazla dönemde de benzer eğilim gösteriyor mu? Bu tür çapraz kontrol, hem metrik güvenilirliğini artırır hem de tesadüfi bir sıçramayı kalıcı bir trend gibi sunma riskini azaltır.
Korelasyon ile Nedensellik Karıştırılınca Ne Olur?
İki değişkenin birlikte artıp azalması, aralarında doğrudan bir neden-sonuç ilişkisi olduğu anlamına gelmez. Futbolda sıkça görülen bir örnek, top hakimiyeti yüksek olan takımların daha çok kazanması gözleminden yola çıkıp “top hakimiyeti galibiyeti getirir” sonucuna varmaktır. Oysa her iki değişken de üçüncü bir faktörden, örneğin takımın genel kalitesinden etkileniyor olabilir; kaliteli takım hem topu daha çok tutar hem de daha çok kazanır, ama biri diğerinin doğrudan nedeni değildir.
Bu ayrımı gözden kaçırmak, yanlış taktik çıkarımlarına yol açabilir. Bir istatistiksel ilişkiyi nedensel olarak sunmadan önce, alternatif açıklamaların elenip elenmediğine, kontrollü karşılaştırma yapılıp yapılmadığına bakmak gerekir.
Doğru Veri Yorumlama İçin Hangi Kontroller Yapılmalı?
Pratikte bir istatistiği okurken uygulanabilecek birkaç kontrol maddesi vardır. Öncelikle örneklem büyüklüğü ve zaman aralığı sorgulanmalı; ardından eksik veya elenen grupların varlığı araştırılmalı; son olarak öne sürülen ilişkinin nedensel mi yoksa yalnızca birlikte hareket eden bir örüntü mü olduğu değerlendirilmelidir.
Bu üç kontrolü sistematik biçimde uygulayan bir okuyucu, gördüğü tabloyu ya da grafiği daha eleştirel değerlendirir. Betpir Veri’nin metodoloji anlayışı da bu noktada devreye girer: sayıyı sunmadan önce onun nasıl toplandığını, hangi örneklemden geldiğini ve hangi sınırlamalar taşıdığını açıklamak, güvenilir bir istatistik okuryazarlığının temelini oluşturur. Detaylı hesap yöntemlerine meraklı okuyucular, temel hesaplama mantığını inceleyerek bu kontrolleri kendi analizlerinde de uygulayabilir. Konuyla ilgili akademik çerçeveyi genişletmek isteyenler Wikipedia’nın survivorship bias maddesine göz atabilir.
Sonuç olarak bu kavramlar bahis kararı vermek için değil, veriyi doğru okumak için birer araçtır; herhangi bir tahmin ya da oyun kararı almadan önce 18 yaş sınırı ve sorumlu oyun ilkeleri her zaman göz önünde bulundurulmalıdır. Daha fazla bilgi için sorumlu-oyun sayfasına bakılabilir.
18+ — bilgilendirme amaçlıdır.
Sıkça Sorulan Sorular
Hayatta kalma yanlılığı futbol istatistiğinde neden önemlidir?
Yalnızca başarılı olmuş oyuncu veya takımlara bakıp elenmiş ya da sahadan silinmiş örnekleri göz ardı ederseniz, ortaya çıkan sonuç gerçek başarı oranını olduğundan yüksek gösterir; bu yüzden veri setinin tamamı incelenmelidir.
Ortalamaya dönüş ile form grafiği arasında ne ilişki var?
Bir oyuncu ya da takım olağanüstü iyi veya kötü bir dönem geçirdikten sonra sonraki periyotta performansının uzun vadeli ortalamasına yaklaşması beklenir; bu doğal istatistiksel eğilim, "mucizevi değişim" gibi yorumlanmamalıdır.
Küçük örneklemle geniş genelleme yapmak neden risklidir?
Az sayıda maç veya dakika üzerinden çıkarılan sonuç, şans faktörünün etkisini büyütür; örneklem büyüdükçe rastlantısal dalgalanmalar azalır ve tahmin daha güvenilir hale gelir.
Korelasyon bulmak nedensellik kanıtlamak mıdır?
Hayır; iki değişken birlikte hareket etse bile aralarında doğrudan neden-sonuç bağı olmayabilir, üçüncü bir gizli faktör her ikisini de etkiliyor olabilir.