Etkinliğin amacı, katılımcıların ileri düzey istatistiksel teknikleri hangi durumlarda kullanacaklarını belirlemeleri, uygulamaları ve sonuçlarını yorumlamalarıdır.

Etkinlikte yer alacak analiz türleri aşağıda özetlenmiştir.
 
Meta Analiz (Meta-Analysis): Aynı konuda yapılmış birincil araştırmalar belirli dahil etme kriterlerine göre seçilir ve sonuçları birleştirilerek etki büyüklüğü hesaplanır. Bu sayede örneklem büyüklüğü artar, istatistiksel güç yükselir ve araştırmalar arasındaki çelişkiler çözülebilir. Ayrıca, birincil araştırmalarla cevaplanamayan sorulara da yanıt bulunabilir. Özetle bir konu hakkındaki çalışmaların sentezlenmesi sürecidir (Bornstein vd., 2021).

Gizil Büyüme Modelleri (Latent Growth Models, LGM): Bireylerin zaman içindeki gelişim veya değişimlerini doğrusal ve doğrusal olmayan şekilde inceleyen istatistiksel yaklaşımlardır. Bu modeller, gelişimi gizil (örtük) bir yapı olarak ele alır ve hem birey içi değişimi hem de bireyler arası farklılıkları modelleyerek gelişim süreçlerini tahmin etmeyi sağlar (Kline, 2023).

Gizil Sınıf ve Profil Analizi (Latent Class/Profile Analysis, LCA/LPA): Heterojen örneklemlerde farklı alt grupları belirlemeye yönelik kişi odaklı yöntemlerdir (Collins ve Lanza, 2010). LCA, katılımcıların kategorik verilerinden gizil sınıfları ortaya çıkarırken; LPA, sürekli verileri üzerinden gizil profilleri belirlemeyi amaçlar (Collins ve Lanza, 2010; Hagenaars ve McCutcheon, 2002). Bu sayede örneklemdeki alt grupların özelliklerini anlamak ve karşılaştırmak mümkün olur.

Açımlayıcı Yapısal Eşitlik Modellemesi (Exploratory Structural Equation Modeling, ESEM): Açımlayıcı faktör analizi (AFA) ve doğrulayıcı faktör analizi (DFA)’nin avantajlarını birleştiren bir yapısal eşitlik modeli yaklaşımıdır. ESEM, faktörler arası çapraz yüklemelere izin vererek DFA’ya göre daha esnek bir modelleme sağlar, AFA’ya benzer şekilde döndürme tekniği kullanır. ESEM’de faktör sayısı belirlenir, uyum istatistikleri, hata kovaryansları elde edilir ve böylece faktör yapılarının daha doğru ve gerçekçi temsil edilmesi mümkün olur (Kline, 2023).

Aracı, Düzenleyici, Baskılayıcı ve Karıştırıcı Değişken Analizi (Mediators, Moderators, Suppressors, and Confounders): Değişkenler arası ilişkiler bazen karmaşık olabilir. İki değişken arasındaki ilişki, başka bir değişken aracılığıyla dolaylı olarak ortaya çıkabilir (aracı-mediator), değişken belirli koşullar altında ilişkinin gücünü ve yönünü değiştirebilir (düzenleyici-moderator), diğer değişkenlerdeki artık varyansı ortadan kaldırabilir (baskılayıcı-suppressor) veya bağımsız ve bağımlı değişkeni etkileyerek yanıltıcı bir ilişki görünümü oluşturabilir (karıştırıcı-confounder) (Hayes, 2022; Tabachnick ve Fidell, 2018). Bu nedenlerle, modelin doğru kurulabilmesi için söz konusu değişkenlerin etkilerinin dikkate alınması önemlidir (Hair vd., 2019).