Olasılık Odds Logit Dönüştürücü Hesaplama

İstatistikSon güncelleme: 22 Ağustos 2026

Olasılık, odds (bahis oranı) ve logit aynı bilgiyi üç farklı ölçekte anlatır. Olasılık 0 ile 1 arasında sıkışmıştır; odds = p / (1 − p) bu sınırı kaldırıp 0 ile sonsuz arasına açar; logit = ln(odds) ise eksi sonsuzdan artı sonsuza uzanan simetrik bir ölçek verir. Lojistik regresyonun bağımlı değişkeni tam olarak bu logit ölçeğidir; bu yüzden model katsayıları doğrudan olasılık değil, log-odds değişimi olarak yorumlanır.

Bu araç herhangi bir ölçekten girdiğiniz değeri diğer ikisine çevirir ve isteğe bağlı olarak bir lojistik regresyon katsayısı (β) girmenize izin verir. β girildiğinde odds oranı e^β, katsayının uygulanmasından sonraki yeni olasılık, yüzde puan cinsinden değişim ve marjinal etki p(1 − p)·β birlikte hesaplanır. Sonuçta ayrıca yaygın olasılık değerleri için dönüşüm tablosu ve logit ekseninde lojistik eğri çizilir.

Elinizdeki değer hangi ölçekteyse onu seçin; diğer ölçeklerin tamamı hesaplanır.
Ondalık ayırıcı olarak virgül kullanabilirsiniz (örn. 0,25).
Bir birimlik artışın log-odds üzerindeki etkisi. Boş bırakılırsa yalnızca dönüşümler gösterilir.

Olasılık, Odds ve Logit Dönüşüm Formülleri

Odds (lehte):     odds = p / (1 − p)
Odds (aleyhte):   odds' = (1 − p) / p = 1 / odds
Olasılık:         p = odds / (1 + odds)
Logit:            L = ln(odds) = ln[ p / (1 − p) ]
Ters logit:       p = e^L / (1 + e^L) = 1 / (1 + e^(−L))
Odds oranı:       OR = e^β
Katsayı etkisi:   L_yeni = L + β   →   p_yeni = e^(L+β) / (1 + e^(L+β))
Marjinal etki:    ∂p/∂x ≈ p · (1 − p) · β
Lojistik model:   ln[ p / (1 − p) ] = β₀ + β₁x₁ + … + βₖxₖ

Logit dönüşümü [0, 1] aralığındaki olasılığı tüm reel eksene açar; lojistik regresyonun doğrusal modeli bu ölçekte kurulur. p = 0 ve p = 1 için odds ve logit tanımsızdır, bu yüzden uç değerler kabul edilmez.

Nasıl Hesaplanır?

  1. Elinizdeki değerin türünü seçin: olasılık, yüzde, lehte odds, aleyhte odds ya da logit.
  2. Değeri yazın; ondalık ayırıcı olarak virgül kullanabilirsiniz (örn. 0,25).
  3. Lojistik regresyon çıktısını yorumluyorsanız katsayıyı (β) da girin; boş bırakırsanız yalnızca dönüşümler gösterilir.
  4. Sonuç kartında olasılık, odds, bahis oranı ve logit karşılıklarını birlikte okuyun.
  5. β girdiyseniz odds oranını (e^β) ve olasılığın kaç yüzde puan değiştiğini karşılaştırın; odds oranı sabit, yüzde puan değişimi başlangıç olasılığına bağlıdır.
  6. Dönüşüm tablosundan komşu olasılık değerlerini ve lojistik eğriden logit'in olasılığa nasıl bağlandığını inceleyin.

Örnek Hesaplamalar

Olasılıktan odds ve logit'e

p = 0,25 olasılığı odds ölçeğinde 0,3333 (bahis oranıyla 1 : 3,00) ve logit ölçeğinde -1,0986 değerine karşılık gelir. β = 0,7 katsayısı odds oranını e^0,7 = 2,0138 yapar; yeni logit -0,3986, yeni odds 0,6713 ve yeni olasılık 0,4016 olur — yani olasılık %25,00'ten %40,16'ya, 15,16 yüzde puan yükselir.

Olasılık (p): 0,250000 · Tümleyen olasılık (1 − p): 0,750000 · Odds (lehte): 0,333333

Bahis oranından olasılığa

Lehte odds = 4 (yani 4 : 1) olan bir olayın olasılığı p = 4 / 5 = 0,80'dir; aleyhte odds 0,25, logit ise ln 4 = 1,3863 olur. Ondalık bahis oranı 1 / 0,8 = 1,25 olup adil bir bahiste 1 birim yatırıma karşılık toplam 1,25 birim ödeme anlamına gelir.

Olasılık (p): 0,800000 · Tümleyen olasılık (1 − p): 0,200000 · Odds (lehte): 4,000000

Lojistik regresyon katsayısını yorumlama

Temel risk %10 iken (odds 0,1111, logit -2,1972) β = 1,1 katsayılı bir değişkenin bir birim artışı odds oranını e^1,1 = 3,0042 yapar. Yeni logit -1,0972, yeni olasılık %25,03'tür: risk 15,03 yüzde puan artar. Odds üç katına çıksa da olasılık üç katına çıkmaz — bu ayrım odds oranı yorumunun özüdür.

Olasılık (p): 0,100000 · Tümleyen olasılık (1 − p): 0,900000 · Odds (lehte): 0,111111

Sıkça Sorulan Sorular

Odds ile olasılık arasındaki fark tam olarak nedir?
Olasılık, olumlu sonuçların tüm sonuçlara oranıdır ve 0 ile 1 arasındadır. Odds ise olumlu sonuçların olumsuz sonuçlara oranıdır ve 0 ile sonsuz arasında değişir. Örneğin altı yüzlü bir zarda 6 gelme olasılığı 1/6 ≈ 0,167 iken odds 1/5 = 0,20'dir; günlük dilde "5'e 1" denen budur.
Logit dönüşümü neden gerekli?
Doğrusal bir model olasılığı doğrudan tahmin etmeye çalışırsa 0'ın altında ya da 1'in üstünde değerler üretebilir; ayrıca hata varyansı olasılığa bağlı olduğu için sabit varyans varsayımı bozulur. Logit, [0, 1] aralığını tüm reel eksene açar ve doğrusal modelin sınırsız bir ölçekte kurulmasını sağlar. Tahmin ters logit ile geri çevrildiğinde sonuç her zaman geçerli bir olasılık olur.
Lojistik regresyonda e^β kaç çıkarsa etkili sayılır?
Odds oranının 1 olması etkisizliği gösterir. Kabaca 1,5 civarı küçük, 2–3 arası orta, 4 ve üstü güçlü etki olarak yorumlanır; 1'in altındaki değerler koruyucu (riski azaltan) etkiye işaret eder. Ancak asıl ölçüt güven aralığıdır: aralık 1'i içeriyorsa etki istatistiksel olarak anlamlı değildir, büyüklüğü ne olursa olsun.
Odds oranı ile göreli risk aynı şey mi?
Hayır. Göreli risk iki olasılığın, odds oranı ise iki odds'un oranıdır. Olay nadirse (yaklaşık p < 0,10) ikisi birbirine yakınlaşır, ancak olay yaygınlaştıkça odds oranı göreli riskten belirgin biçimde uzaklaşır ve etkiyi olduğundan büyük gösterir. Vaka-kontrol çalışmalarında göreli risk hesaplanamadığı için odds oranı kullanılır; kohort çalışmalarında göreli risk tercih edilmelidir.
p = 0 ya da p = 1 girersem neden hata alıyorum?
p = 1 olduğunda odds = 1/0 tanımsızdır, p = 0 olduğunda ise logit = ln(0) eksi sonsuza gider. Gerçek verilerde bu durum genellikle tam ayrışma (complete separation) belirtisidir ve lojistik regresyon katsayıları yakınsamaz. Çözüm olarak Firth cezalı olabilirlik yöntemi ya da olay sayısına küçük bir düzeltme (örneğin 0,5 eklenmesi) kullanılır.
Excel, SPSS ve R'da bu dönüşümleri nasıl yaparım?
Excel'de odds için =p/(1-p), logit için =LN(p/(1-p)), ters logit için =EXP(L)/(1+EXP(L)) yazmak yeterlidir. R'da qlogis(p) ve plogis(L) fonksiyonları aynı işi yapar; glm(y ~ x, family = binomial) çıktısındaki katsayılar log-odds ölçeğindedir ve exp(coef(model)) ile odds oranına çevrilir. SPSS'in Binary Logistic çıktısında B sütunu katsayıyı, Exp(B) sütunu doğrudan odds oranını verir.
Aynı odds oranı neden farklı olasılık değişimleri yaratıyor?
Lojistik eğri doğrusal değildir; en dik olduğu yer p = 0,5 civarıdır. Aynı β katsayısı başlangıç olasılığı 0,5'e yakınken büyük bir yüzde puan farkı, uçlara (0 ya da 1'e) yakınken çok küçük bir fark yaratır. Bu yüzden politika ya da klinik kararlarda odds oranının yanında mutlak risk farkı ve marjinal etki de raporlanmalıdır.