15th ISEOS PROCEEDINGS BOOK 15th International Symposium on Econometrics, Operations Research and Statistics 22-25 May 2014 Suleyman Demirel University 15th International Symposium on Econometrics, Operations Research and Statistics 22-25 May 2014 Suleyman Demirel University, Isparta, TURKEY Suleyman Demirel University, Department of Econometrics CONTENTS ECONOMETRICS………………………………………………………………………………………..9 AN APPLICATION OF KEYNESIAN CONSUMPTION FUNCTION AND MULTIPLIER ON TURKISH ECONOMY ............................................................................................................................. 10 AR - GE HARCAMALARI VE EKONOMĠK BÜYÜME ARASINDAKĠ ĠLĠġKĠ: PANEL VERĠ ANALĠZĠ ................................................................................................................................................... 24 AR-GE‘NĠN TEġVĠKĠ AMACIYLA UYGULANAN MALĠYE POLĠTĠKALARININ ETKĠNLĠĞĠ VE GELĠġMĠġ ÜLKELERDEN ÖRNEKLER ............................................................................................... 40 BĠREYSEL EMEKLĠLĠK FONLARINI BELĠRLEYEN FAKTÖRLER: OECD ÖRNEĞĠ .................... 54 BURS VE SOSYAL YARDIM ALAN ÖĞRENCĠLERĠN HARCAMA VE AĠLE GELĠR BEYANLARININ EKONOMETRĠK MODELLENMESĠ ....................................................................... 65 ÇALIġAN KADIN BOġANIYOR MU? TÜRKĠYE ÜZERĠNE AMPĠRĠK BĠR ANALĠZ ..................... 78 DIġ TĠCARET-REEL DÖVĠZ KURU ĠLĠġKĠSĠ: TÜRKĠYE EKONOMĠSĠ ÜZERĠNE BĠR ĠNCELEME (2004-2013) ............................................................................................................................................... 90 DIġ TĠCARETTE REKABET GÜCÜNÜN BELĠRLEYĠCĠSĠ OLARAK AR-GE VE INOVASYON: EKONOMETRĠK BĠR ANALĠZ ............................................................................................................. 108 DÖVĠZ KURU OYNAKLIĞININ TÜRKĠYE‘NĠN EURO ALANINA OLAN ĠHRACATI ÜZERĠNE ETKĠSĠ (2002-2013) ................................................................................................................................ 122 FĠNANSAL ĠSTĠKRARSIZLIK VE KURUMSAL KALĠTE (YÖNETĠġĠM) ĠLĠġKĠSĠ: TÜRKĠYE ÖRNEĞĠ .................................................................................................................................................. 138 FORECASTING BIST NATIONAL-100 INDEX BY USING ARTIFICIAL NEURAL NETWORK AND REGRESSION MODELS .............................................................................................................. 155 HĠSSE SENEDĠ ENDEKSLERĠNE YÖNELĠK YATIRIM TERCĠHLERĠ: BĠST 100 ÜZERĠNE BĠR UYGULAMA .......................................................................................................................................... 167 KAMU HARCAMALARI VE EKONOMĠK BÜYÜME ĠLĠġKĠSĠNE WAGNER YASASI ÇERÇEVESĠNDEN BĠR BAKIġ: TÜRKĠYE ĠÇĠN EKONOMETRĠK BĠR ANALĠZ .......................... 182 MACROECONOMIC DETERMINANTS OF MERGER AND ACQUISITIONS IN TURKEY: AN ARDL BASED COINTEGRATION APPROACH ................................................................................. 192 MALĠYE POLĠTĠKASI AÇISINDAN REEL KAMU HARCAMALARI & EKONOMĠK BÜYÜME ĠLĠġKĠSĠ: TÜRKĠYE EKONOMĠSĠ ĠÇĠN ÇOK VEKTÖRLÜ EġBÜTÜNLEġĠM ÇÖZÜMLEMESĠ VE YAPISAL VEKTÖR HATA DÜZELTME MODELĠ BULGULARI ..................................................... 203 PARA VE FĠZĠKĠ SERMAYE ĠLĠġKĠSĠ: MCKĠNNON TAMAMLAYICILIK HĠPOTEZĠ TÜRKĠYE EKONOMĠSĠ ĠÇĠN NE KADAR GEÇERLĠ? ......................................................................................... 223 PETROL FĠYAT GETĠRĠLERĠ ĠLE BIST ANA SEKTÖR GETĠRĠLERĠ ARASINDA RĠSK ĠLĠġKĠSĠ ................................................................................................................................................................. 234 SABĠT ĠKAME ESNEKLĠKLĠ ÜRETĠM FONKSĠYONUNUN ĠKAME ESNEKLĠK PARAMETRESĠNĠN TAHMĠN EDĠLMESĠ: ÖRNEK OLAY ĠNCELEMESĠ ...................................... 250 SATIN ALMA GÜCÜ PARĠTESĠ TEORĠSĠNĠN GEÇERLĠLĠĞĠ: TÜRKĠYE ÖRNEĞĠ ...................... 262 TÜRKĠYE EKONOMĠSĠ ĠÇĠN SERMAYE HĠZMETLERĠ ENDEKSĠ: BÜYÜME MUHASEBESĠ YAKLAġIMI ........................................................................................................................................... 274 5 15th International Symposium on Econometrics, Operations Research and Statistics 22-25 May 2014 Suleyman Demirel University, Isparta, TURKEY Suleyman Demirel University, Department of Econometrics TÜRKĠYE‘DE ENERJĠ TÜKETĠMĠ, FĠNANSAL GELĠġME, EKONOMĠK BÜYÜME, SANAYĠLEġME VE KENTLEġME: ÇOKLU YAPISAL KIRILMALI BĠR ARAġTIRMA ............... 284 TÜRKĠYE‘DE SANAYĠ SEKTÖRÜ VE EKONOMĠK BÜYÜME ĠLĠġKĠSĠNĠN KALDOR YASASI ÇERÇEVESĠNDE SINANMASI: EKONOMETRĠK BĠR ANALĠZ ...................................................... 296 WHAT DETERMINES TO HOLD A HIGH-PAYING JOB? THE CASE OF TURKEY ..................... 310 WHAT IS THE SIGNIFICANCE OF IMPROVING HEALTH LEVEL IN ACCELERATING ECONOMIC GROWTH? ........................................................................................................................ 322 YABANCI SERMAYENĠN BÖLGELER ARASINDAKĠ DAĞILIM FARKLILIKLARI VE TERCĠH NEDENLERĠ: TÜRKĠYE ÖRNEĞĠ ....................................................................................................... 335 YABANCI YATIRIMCI PORTFÖYLERĠNE KUR RĠSKĠNĠN ETKĠSĠ............................................... 346 YURT DIġI EĞĠTĠM PROGRAMLARININ BĠREYLERĠN KISA VE UZUN DÖNEM GELĠRLERĠNE ETKĠSĠ: ÇALIġANLAR ÜZERĠNE EĞĠLĠM SKORU EġLEġTĠRMESĠ UYGULAMASI .................. 359 STATISTICS………………………………….…………………………………………………………373 BAĞIMSIZ ĠKĠ ÖRNEK ORTALAMASINI KARġILAġTIRMADA RANK TRANSFORM METODUNUN KULLANILMASI ĠLE OLUġAN AMPĠRĠK I.TĠP HATA ORANI ............................ 374 BAYESIAN MULTINOMIAL LOGISTIC REGRESSION MODEL OF ORGANIC FOOD BUYERS DATA ...................................................................................................................................................... 383 BULANIK ORTAMDA SATIġ GELĠRLERĠNĠN BELĠRLENMESĠNE YÖNELĠK ÇOKLU REGRESYON TAHMĠN MODEL ÖNERĠSĠ VE BĠR TEKSTĠL ĠġLETMESĠNE UYGULANMASI . 394 DEVLET ÜNĠVERSĠTELERĠNĠN AKADEMĠK PERFORMANSLARININ ÇOK BOYUTLU ÖLÇEKLEME YÖNTEMĠ ĠLE ANALĠZĠ .............................................................................................. 406 ÖZEL DERSANE VE KOLEJLERDEKĠ ÖĞRETMENLERĠN TÜKENMĠġLĠK DÜZEYLERĠNĠN MASLACH VE KOPENHAG ENVANTERLERĠNE GÖRE ÖLÇÜLMESĠ VE KARġILAġTIRMASI ................................................................................................................................................................. 417 HĠBRĠD SĠSTEMLER ĠÇĠN BAYESCĠ YAKLAġIM ............................................................................ 425 LIMITATIONS IN AVERAGE RUN LENGTH CALCULATIONS IN STATISTICAL PROCESS CONTROL .............................................................................................................................................. 446 LOJĠSTĠK REGRESYON VE BANKACILIK VERĠLERĠ ÜZERĠNE BĠR UYGULAMA ................... 455 NODEXL ĠLE SOSYAL AĞ ANALĠZĠ: #AKADEMĠKZAM ÖRNEĞĠ ............................................... 464 PAMUKKALE ÜNĠVERSĠTESĠ‘NDE OKUYAN ÖĞRENCĠLERĠN BAġARI DURUMLARINI ETKĠLEYEN FAKTÖRLERĠN LOJĠSTĠK REGRESYON ANALĠZĠ ĠLE BELĠRLENMESĠ .............. 483 RAYLI SĠSTEM FĠLO ARAÇLARINDA ARIZA DAĞILIM PARAMETRELERĠNĠN BELĠRLENMESĠ .................................................................................................................................... 492 SOSYAL AĞ VERĠLERĠNĠN KUVVET YASASI OLASILIK DAĞILIMINA UYGUNLUK ANALĠZĠ: TWĠTTER ÖRNEĞĠ ................................................................................................................................ 501 SU KĠRLĠLĠĞĠ VE SUBJEKTĠF YOKSULLUK ÜZERĠNE BĠR ALAN ÇALIġMASI: AġAĞI BÜYÜK MENDERES HAVZASI ÖRNEĞĠ ......................................................................................................... 524 SÜREKLĠ BAĞIMSIZ DEĞĠġKENLER ĠÇĠN ORANSAL ODDS MODELĠ, KARAR AĞACI ve YAPAY SĠNĠR AĞLARI YÖNTEMLERĠNĠN SINIFLANDIRMA PERFORMANSININ KARġILAġTIRILMASI .......................................................................................................................... 535 THE DETERMINATION OF THE FACTORS EFFECTING THE STUDENTS' FOREIGN LANGUAGE ACHIEVEMENT AT PAMUKKALE UNIVERSITY BY USING LOGISTIC REGRESSION ANALYSIS .................................................................................................................... 552 6 15th International Symposium on Econometrics, Operations Research and Statistics 22-25 May 2014 Suleyman Demirel University, Isparta, TURKEY Suleyman Demirel University, Department of Econometrics TOPKAPI SARAYI MÜZESĠ‘NDE ZĠYARETÇĠ PROFĠLĠ VE MEMNUNĠYET ARAġTIRMASI: ÖLÇEK TASARIMINA ĠLĠġKĠN BĠR UYGULAMA ........................................................................... 560 TÜRKĠYE‘DE HAVA YOLU ULAġIM TALEBĠNĠN BOX-JENKINS VE GRĠ TAHMĠN YÖNTEMLERĠ ĠLE TAHMĠNĠ .............................................................................................................. 576 TÜRKĠYE‘DEKĠ DOLAR KURU VOLATĠLĠTESĠNĠN MODELLENMESĠ ....................................... 589 TÜRKĠYE‘DEKĠ Ġġ KAZALARININ GELECEK YILLAR ĠÇĠN TAHMĠNĠ ...................................... 601 TÜRKĠYE‘NĠN MOBĠLYA SEKTÖRÜ REKABETÇĠLĠĞĠNĠN REKABET GÜCÜ ENDEKSLERĠ BAKIMINDAN ANALĠZĠ VE BAZI TESPĠTLER ................................................................................ 612 OPERATIONS RESEARCH…………………………………………………………………………….623 A FUZZY ANALYTIC HIERARCHY PROCESS MODEL FOR THE EVALUATION OF PRINT ADVERTISEMENT DESIGNS .............................................................................................................. 624 ACĠL SERVĠS ANAHTAR PERFORMANS ÖLÇÜTLERĠNĠN BULANIK AHP ĠLE ÖNCELĠKLENDĠRĠLMESĠ .................................................................................................................... 644 BĠNA ISI YALITIMINDA KULLANILAN EN UYGUN MALZEMENĠN SEÇĠMĠNDE AHP YÖNTEMĠNĠN UYGULANMASI ......................................................................................................... 655 BĠR RAYLI TAġIT ĠÇĠN PROJE YÖNETĠMĠ UYGULAMASI ........................................................... 664 BORSALARIN PERFORMANSININ ÇOK KRĠTERLĠ KARAR VERME YÖNTEMLERĠ ĠLE KARġILAġTIRILMASI .......................................................................................................................... 673 BUILDING SCENARIOS FOR WIND ENERGY WITH FUZZY COGNITIVE MAPS ...................... 690 BULANIK ANALĠTĠK HĠYERARġĠ PROSES KULLANILARAK TÜRKĠYE‘DE NÜKLEER ENERJĠ SANTRALĠNĠN KURULUġ YERĠ SEÇĠMĠ .......................................................................................... 699 BULANIK ÖLÇÜ UZAYLARI ve BULANIK KOALĠSYON FONKSĠYONLARININ RIESZ AYRIġIMI ............................................................................................................................................... 710 ÇOK AMAÇLI DOĞRUSAL PROGRAMLAMA PROBLEMLERĠNĠN ÇÖZÜMÜ ÜZERĠNE BĠR ARAġTIRMA: GLOBAL KRĠTER ve ÖNCELĠKLĠ HEDEF PROGRAMLAMA YÖNTEMLERĠNĠN KARġILAġTIRMASI ............................................................................................................................. 714 DEPO SÜREÇLERĠNĠN ĠYĠLEġTĠRĠLMESĠ VE BĠR UYGULAMA .................................................. 722 DEVELOPMENT OF A DECISION SUPPORT SYSTEM BASED ON ANALYTIC NETWORK PROCESS FOR NON-TRADITIONAL MACHINING PROCESS SELECTION ................................ 727 EKONOMĠK BĠR BÜYÜME MODELĠ‘NĠN YAPAY SĠNĠR AĞLARI ĠLE TAHMĠNĠ VE TÜRKĠYE UYGULAMASI ...................................................................................................................................... 738 GRĠ ĠLĠġKĠSEL ANALĠZ YÖNTEMĠ ĠLE TEDARĠKÇĠ SEÇĠMĠ VE BĠR TEKSTĠL FABRĠKASINDA UYGULAMA ÇALIġMASI .................................................................................................................... 750 GSM OPERATÖRÜ KULLANICILARININ MÜġTERĠ MEMNUNĠYETĠNĠN TOPSIS YÖNTEMĠYLE ÖLÇÜLMESĠ .......................................................................................................................................... 763 GUGUK KUġU ALGORĠTMASI: BIR PLASTĠK ATIK TOPLAMA UYGULAMASI ...................... 775 HÜCRESEL ÜRETĠMDE ĠġGÜCÜ PLANLAMASI VE UYGULAMASI ........................................... 785 ĠKĠLĠ KARġILAġTIRMA MATRISININ YEREL AĞIRLIKLARININ BULUNMASINDA LP-GWAHP METOT........................................................................................................................................... 792 KARMA ĠMALAT ORTAMI ĠÇĠN ÜRETĠM SEVKĠYAT ENTEGRE PLANLAMASI ..................... 799 KLASĠK VERĠ ZARFLAMA ANALĠZĠ ĠLE KATEGORĠK VERĠ ZARFLAMA ANALĠZĠ MODELLERĠNĠN ENERJĠ VERĠMLĠLĠĞĠ ÜZERĠNDE KARġILAġTIRMALI ĠNCELENMESĠ ...... 808 7 15th International Symposium on Econometrics, Operations Research and Statistics 22-25 May 2014 Suleyman Demirel University, Isparta, TURKEY Suleyman Demirel University, Department of Econometrics LOJĠSTĠK MERKEZĠ YER SEÇĠMĠ ĠÇĠN ANALĠTĠK AĞ SÜRECĠ YÖNTEMĠNĠN KULLANILMASI ................................................................................................................................................................. 823 MAKĠNE SEÇĠMĠ ĠÇĠN BULANIK DEMATEL VE BULANIK TOPSĠS YÖNTEMLERĠNĠN BĠRLEġTĠRĠLMESĠ ................................................................................................................................ 836 MOBĠL ĠġLETĠM SĠSTEMLERĠNĠN BULANIK VIKOR YAKLAġIMI ĠLE DEĞERLENDĠRĠLMESĠ ................................................................................................................................................................. 852 ON FILLED FUNCTION METHOD AND APPLICATIONS ............................................................... 864 ORACLE VERĠ TABANINDA PL/SQL DĠLĠNDE GENETĠK ALGORĠTMA KULLANILARAK YAPAY ZEKA VE BULANIK MANTIK TABANLI SORGULAMAYAZILIMI GELĠġTĠRĠLMESĠ VE UYGULAMASI ................................................................................................................................ 872 PATIENT PROFILE DETERMINATION FOR A PHARMACY VIA DATA MINING CLASSIFICATION TECHNIQUES ....................................................................................................... 892 PERFORMANCE EVALUATION OF THE HYBRID APPROACHES FOR SOLVING THE CAPACITATED LOT SIZING PROBLEM WITH SETUP CARRYOVER AND BACKORDERING 900 RESEARCH AND ANALYSIS ON A FURNITURE PRODUCTION SYSTEM VIA VALUE STREAM MAPPING AND WORK STUDY .......................................................................................................... 915 VERĠ ZARFLAMA ANALĠZĠ ĠLE MERMER ĠġLETMELERĠNĠN ETKĠNLĠK ÖLÇÜMÜ ............... 950 YAMUK BULANIK SAYILARLA BĠR BULANIK EKONOMĠK SĠPARĠġ MĠKTARI MODELĠ ..... 976 YAPAY ARI KOLONĠ ALGORĠTMASI ĠLE ZAMAN PENCERELĠ TAKIM ORYANTĠRĠNG PROBLEMLERĠNĠN ÇÖZÜMÜ ............................................................................................................ 986 YAPAY SĠNĠR AĞLARI ÇOKLU LOJĠSTĠK REGRESYON VE ÇOKLU DĠSKRĠMĠNANT ANALĠZ YÖNTEMLERĠNDEN YARARLANARAK YEREL SEÇĠMLERDE SEÇMEN TERCĠHLERĠNĠN SINIFLANDIRILMASI: OSMANĠYE ĠLĠ UYGULAMASI ................................................................ 1000 YAPAY SĠNĠR AĞLARI YÖNTEMĠ ĠLE TÜRKĠYE‘DEKĠ TURĠZM GELĠRĠNĠN TAHMĠN EDĠLMESĠ ............................................................................................................................................. 1022 POSTERS…………………………………………………………………..…………………………..1031 DEPO PLANLAMASI ve ÜRÜNLERĠN DEPOLARA ATANMASI PROBLEMĠNĠN MODELLENMESĠ ................................................................................................................................ 1032 PARA POLĠTĠKASI ARAÇLARININ ENFLASYON HEDEFLEMESĠ ÜZERĠNE GÖRELĠ ETKĠSĠ: TÜRKĠYE EKSENĠNDE BĠR ZAMAN SERĠSĠ ÇÖZÜMLEMESĠ..................................................... 1040 ÜNĠVERSĠTE ÖĞRENCĠLERĠNĠN ĠNTERNET KULLANIM TERCĠHLERĠNĠN AHP KULLANILARAK DEĞERLENDĠRĠLMESĠ ...................................................................................... 1053 8 15th International Symposium on Econometrics, Operations Research and Statistics 22-25 May 2014 Suleyman Demirel University, Isparta, TURKEY Suleyman Demirel University, Department of Econometrics PAMUKKALE ÜNĠVERSĠTESĠ‘NDE OKUYAN ÖĞRENCĠLERĠN BAġARI DURUMLARINI ETKĠLEYEN FAKTÖRLERĠN LOJĠSTĠK REGRESYON ANALĠZĠ ĠLE BELĠRLENMESĠ Veli Rıza KALFA1 Nigar KARAGÜL2 Özet Bu çalıĢmanın amacı Pamukkale Üniversitesi Honaz Meslek Yüksekokulu‘nda okumakta olan öğrencilerin baĢarılarını etkileyen değiĢkenleri belirlemektir. Buna dayanarak daha sonra kayıt yaptıracak öğrenciler için baĢarı durumlarını tahmin ederek danıĢmanlara ve öğrencilere yönelik öneriler getirmektir. ÇalıĢmada, 28.02.2013-08.10.2013 tarihleri arasında Pamukkale Üniversitesi Honaz Meslek Yüksekokulu‘ndan mezun olan 705 öğrencinin mezuniyet akademik ortalamaları bağımlı değiĢken, öğrenim türü, cinsiyet, nüfusa bağlı olduğu bölge, yerleĢme türü, lise türü ve burs/kredi alma durumları bağımsız değiĢken olarak belirlenmiĢtir. Lojistik regresyon analizi sonuçları, 0,05 anlamlılık düzeyinde öğrenim türünün normal öğretim, cinsiyetin erkek, nüfusa kayıtlı olduğu ilin Akdeniz ve Ege Bölgesi‘nde olmasının, Honaz Meslek Yüksek Okulu‘na sınavsız geçiĢle gelmesinin ve öğrencinin burs veya kredi almasının akademik baĢarı ortalamaları üzerinde önemli etkisinin bulunduğunu göstermektedir. Lojistik regresyon modelinde birimlerin doğru sınıflandırma oranı %69,6 olarak hesaplanmıĢtır. DüĢük baĢarılı olan 460 öğrenciden 423‘ü doğru, 37‘si yanlıĢ, yüksek baĢarılı olan 245 öğrenciden 68‘i doğru, 177‘si yanlıĢ sınıflandırılmıĢtır. BaĢka bir ifade ile düĢük baĢarılı öğrencilerin %92‘si, yüksek baĢarılı öğrencilerin ise %27,8‘i doğru sınıflandırılmıĢtır. Anahtar Kelimeler: Lojistik Regresyon, Akademik Başarı Ortalaması, Doğru Sınıflandırma Oranı Jel Kodu: C13, I21 DETERMINATIONOF THE FACTORS EFFECTING THE ACHIEVEMENT OF THE STUDENTS AT PAMUKKALE UNIVERSITY USINGLOGISTIC REGRESSION ANALIYSIS Abstract The aim of this paper is to determine the variables effecting success of students studyin at Pamukkale University Honaz Vocational Schools. Additionally, it is also aimed to offer recommendations to consultants and students by estimating the future academic standings of newly enrolled students. In this paper, academic average grades of 705 students graduated from Pamukkale University Honaz Vocational School between 28.02.2013-08.10.2013 are used as an dependent variable and type of education, sex, registered region, type of university entrance, type of high school, status of recieving a scholarship are used as independent variables. Logistic regression analysis indicated that all independent variables except type of high school have significant statistical effect on dependent variable at 5% level. Correct classification rate of units was calculated as 69.6% in the logistic model. 423 of 460 low-achieving students and 68 of 245 high-achieving students are classified correctly. In other words 92% of low-achieving students and 27.8% of high-achieving students are classified correctly. Keywords: Logistic Regression, Academic Success Mean, The Correct Classification Rate Jel Kodu: C13, I21 GĠRĠġ Bir ülkenin geleceğini meydana getirecek olan gençler ve eğitim konusu her zaman ülkelerin temel problem alanlarından birisi olma özelliğini korumaktadır. Bu nedenle eğitimin nasıl yapılandırıldığı ve akademik baĢarının yönlendirilmesi kadar, baĢarısızlığın kaynaklarının belirlenerek önleyici ve baĢarısızlığı düĢürecek önerilerin geliĢtirilmesi de oldukça önemlidir. Bu nedenle baĢarısızlığı önleyici ve azaltıcı modellerin geliĢtirilerek çözüm önerilerinin geliĢtirilmesi ülke eğitimine yapılabilecek önemli katkılardır. Bu çalıĢmalar yerel uygulamalar olsa da ölçek etkisi ile tüm ülke üzerinde bir katkı oluĢturması olasıdır. Bu konuda literatürde ortaya konmuĢ çalıĢmalar yer almaktadır. Güneri ve Apaydın tarafından yapılan çalıĢmada, üniversitede okuyan öğrencilerin baĢarısızlık nedenlerini belirlemek ve gelecekte karĢılaĢılabilecek baĢarısızlıkları önceden tahmin etmek amacıyla Gazi Üniversitesi Ticaret ve Turizm Eğitim Fakültesi‘ne kayıtlı 352 öğrenciden elde edilen verilere 1 Pamukkale Üniversitesi Honaz Meslek Yüksekokulu [email protected] 2 Pamukkale Üniversitesi Honaz Meslek Yüksekokulu [email protected] 483 Suleyman Demirel University, Department of Econometrics lojistik regresyon ve yapay sinir ağları yöntemleri uygulanmıĢtır. Yöntemler, bağımlı değiĢken akademik baĢarı, bağımsız değiĢkenler ise okuduğu program, cinsiyet, lise ortalaması, ÖSS puanı, ailenin yaĢadığı Ģehir, mezun olduğu lise türü ve yaĢ olarak belirlenmiĢtir. Her iki yaklaĢım sonucunda da verilerin doğru sınıflandırılma olasılığı %95,17 olarak bulunmuĢtur. Yazarlar tarafından, baĢarıyı etkileyen değiĢkenler bilindiğinde, modele yeni katılan öğrencilerin gelecekteki baĢarı durumlarını tahmin etmek için yapay sinir ağları yaklaĢımı, lojistik regresyon analizine alternatif bir yöntem olarak önerilmiĢtir (Güneri & Apaydın, 2004). Benzer bir çalıĢma, Ankara Üniversitesi‘nde okuyan öğrenciler arasından seçilen 419 öğrencinin genel akademik baĢarı ortalamasını etkileyen faktörler lojistik regresyon ve yapay sinir ağları yöntemleri ile araĢtırılmıĢ, her iki yöntemle bulunan sonuçlar karĢılaĢtırılmıĢtır. Doğru sınıflandırma oranı lojistik regresyon analizi ile %66,10; yapay sinir ağları ile %70,16 olarak bulunmuĢtur. Her iki analiz sonucunda da ortaöğretim mezuniyet ortalaması, mezun olunan lise ve üniversiteye giriĢ puanı değiĢkenleri genel akademik baĢarı ortalamasını etkileyen ortak değiĢkenler olarak belirlenmiĢtir (Çırak, 2012). Bir diğer çalıĢmada, öğrencileri akademik baĢarılarına göre sınıflandırmak için yapay sinir ağları, çok değiĢkenli lojistik regresyon analizi, diskriminant analizi ve kümeleme analizi yöntemleri kullanılmıĢtır. Mimar Sinan Güzel Sanatlar Üniversitesi Fen Edebiyat Fakültesi bölümlerinde okuyan öğrencilerin okul ortalamaları bağımlı değiĢken, ÖSYS sınav sonucu, lise mezuniyet derecesi, üniversiteye giriĢ yaĢı, lise türü, lise eğitim süresi, dershaneye gitme süresi, barınma durumu ve cinsiyetleri ise bağımsız değiĢken olarak kullanılmıĢtır. Yapılan analizlerden, yapay sinir ağları ile çok değiĢkenli lojistik regresyon yöntemlerinin diğer yöntemlere göre sınıflandırma iĢlemlerinde daha baĢarılı olduğu sonucuna ulaĢılmıĢtır (Erpolat, 2009). Peker çalıĢmasında Uludağ Üniversitesi Eğitim Fakültesi Beden Eğitimi ve Spor Bölümü‘nde okuyan öğrencilerin akademik baĢarılarının; cinsiyet, liseyi bitirme derecesi, lise diploma notu, lise türü ve liseden mezun olunan bölüme göre değiĢiklik gösterip göstermediğini belirlemek için 315 öğrenciden elde edilen verilere tek yönlü varyans analizi uygulanmıĢtır. Analiz sonuçlarına göre, öğrencilerin akademik baĢarılarının cinsiyet, liseyi bitirme derecesi, lise diploma notu ve liseden mezun olunan bölüme göre değiĢtiği ortaya konulmuĢtur (Peker, 2003).BaĢtürk ve arkadaĢları tarafından yapılan araĢtırmada, meslek yüksekokulunda eğitim gören öğrencilerin akademik baĢarılarını etkileyen değiĢkenlerin neler olduğunu belirlemek amacıyla bir meslek yüksekokulunda eğitim görerek 2002-2006 yılları arasında mezun olan 1105 öğrenci çalıĢma grubu olarak yer almıĢtır. Elde edilen sonuçlara göre: Kız öğrencilerin, erkek öğrencilere göre meslek yüksekokullarında daha baĢarılı oldukları; Öğrencilerin bağlı oldukları coğrafi bölgelere göre ise akademik baĢarılarının anlamlı bir farklılık göstermediği; Öğrencilerin mezun oldukları lise türü ile akademik baĢarıları arasında ―Genel liseler‖ lehine anlamlı bir farklılığın olduğu; Meslek yüksekokuluna sınavlı ve sınavsız olarak yerleĢen öğrencilerin akademik baĢarıları arasında sınavla yerleĢen öğrenciler lehine anlamlı bir farkın olduğu belirlenmiĢtir. Yapılan çoklu regresyon analizi sonucunda ise, YaĢ, Mezuniyet süresi ve Mesleki ve Teknik Eğitim Bölgesi (METEB) puanlarının, öğrencilerin akademik baĢarılarını istatistiksel olarak anlamlı bir Ģekilde yordadığı belirlenmiĢtir (BaĢtürk, Karagül, Karagül, & Doğan, 2012). ĠĢgören ve arkadaĢları tarafından yapılan çalıĢmada 2006-2007 Marmara Üniversitesi Teknik Bilimler Meslek Yüksekokulu Tekstil Programında okuyan 138 öğrencinin baĢarısını etkileyen faktörler faktör analizi ve lojistik regresyon analizi ile belirlenmiĢtir. Analiz sonuçlarına göre fiziki ortam ve süre değiĢkenleri öğrenci baĢarılarını etkileyen değiĢkenler olarak bulunmuĢtur. Lojistik regresyon analizi sonucunda geçerlilik oranının %73,7 olduğu görülmüĢtür (ĠĢgören, TektaĢ, & Ayla, 2008). Bir diğer çalıĢmada, çoklu lojistik regresyon analizi kullanılarak Atatürk Üniversitesi‘nin çeĢitli bölümlerinde öğrenim gören öğrencilerin Kredi ve Yurtlar Kurumu Yurtlarını tercih etmelerinde etkili olan faktörleri tespit etmek için Atatürk Üniversitesi‘nde öğrenim gören 335 öğrenciye anket uygulanmıĢ, öğrencilerin Kredi ve Yurtlar Kurumu Yurtlarını tercih etmelerinde etkili olan faktörler; cinsiyet, ailenin yaĢadığı yerleĢim yeri, öğrenim kredisi alma durumu ve kalabalık yerlerde ders çalıĢma durumu olarak belirlenmiĢtir. Ayrıca lojistik regresyon modelinin doğru tahmin yapma oranı %71,14 bulunmuĢtur (Oktay & Üstün, 2001). Daha önce yapılan çalıĢmalara bakıldığında, üniversitelerde okuyan öğrencilerin baĢarı durumlarını etkileyen faktörlerin belirlenmesinde çoğunlukla lojistik regresyon analizinin kullanıldığı görülmektedir. Bu çalıĢmada da Pamukkale Üniversitesi Honaz Meslek Yüksekokulu‘nda okuyan öğrencilerin akademik baĢarı ortalamasını etkileyen faktörler, lojistik regresyon analizi kullanılarak belirlenmiĢtir. ÇalıĢmanın diğer çalıĢmalardan farklı tarafı ise, veri kümesi olarak mezun olan öğrencilere iliĢkin verilerin kullanılmasıdır. 484 Suleyman Demirel University, Department of Econometrics LOJĠSTĠK REGRESYON Lojistik regresyon analizi normal dağılım, ortak kovaryans gibi birtakım varsayımların sağlanamadığı durumlarda diskriminant analizi ve çapraz tablolara alternatif bir yöntemdir. Bağımlı değiĢkenin 0 ve 1 gibi ikili (binary) ya da ikiden çok düzey içeren kesikli değiĢken olması durumunda oldukça uygun bir yaklaĢım olarak kullanılmaktadır. Bunun yanında elde edilen modelin matematiksel olarak çok esnek olması ve bulunan sonuçların yorumunun açık olması, bu yönteme olan ilgiyi daha da artırmaktadır (Tatlıdil, 1996: 289). Çoklu doğrusal regresyon analizinde olduğu gibi, çoklu lojistik regresyon analizinde de amaç; en az bağımsız değiĢken kullanarak, bağımlı değiĢkeni açıklama oranı en yüksek olan bir lojistik regresyon modeli elde edebilmektir (Alpar, 2010: 659). Doğrusal regresyon analizinde bağımlı değiĢkenin alacağı değer kestirilirken, lojistik regresyon analizinde ise bağımlı değiĢkenlerden birinin gerçekleĢme olasılığı kestirilir (CoĢkun vd, 2004: 42). Bu olasılık değeri veri yapılarına göre kurulan aĢağıdaki lojistik modeller yardımıyla elde edilir (Özdamar, 1999: 477 ). AĢağıda iki ve çok değiĢkenli lojistik regresyon modelleri, sırasıyla denklem 1 ve denklem 2‘de verilmiĢtir: P(Y )  e 0  1 X 1  0  1 X  (  0  1 X ) 1 e 1 e (1)    X   X ....  X P(Y )  p p e0 1 1 2 2 1  0  1 X1  2 X 2 ....  p X p  ( 0  1 X1  2 X 2 ....  p X p ) 1 e 1 e (2) Denklemlerde kullanılan değiĢken ve parametreler aĢağıdaki gibi tanımlanır (Özdamar, 1999: 477): 0 , 1 ,  2 ... n : Lojistik regresyon katsayıları X1 , X 2 ,..... X n : Bağımsız değiĢkenler p : Bağımsız değiĢken sayısı ARAġTIRMANIN AMACI Bu araĢtırmanın amacı, Pamukkale Üniversitesi Honaz Meslek Yüksekokulu‘nda okuyan öğrencilerin akademik baĢarı ortalamalarını etkileyen etmenleri, lojistik regresyon analizi ile belirlemektir. Elde edilen lojistik regresyon modelini kullanarak, yeni kayıt yaptıracak herhangi bir öğrencinin baĢarılı olma olasılığını hesaplamak, öğrenci ve danıĢmanlara tavsiyelerde bulunmaktır. ARAġTIRMANIN KAPSAMI VE UYGULAMA ÇalıĢmanın kapsamını, 28.02.2013-08.10.2013 tarihleri arasında Pamukkale Üniversitesi Honaz Meslek Yüksekokulu‘ndan mezun olan öğrenciler oluĢturmaktadır. Bu tarih aralığında mezun olan fakat bilgilerinde eksiklik bulunan öğrenciler çalıĢmanın kapsamından çıkarılmıĢ ve çalıĢmaya 705 öğrenciden elde edilen verilerle devam edilmiĢtir. ÇalıĢmada kullanılan veriler, Pamukkale Üniversitesi Bilgi ĠĢlem Daire BaĢkanlığı‘nın veri tabanından elde edilmiĢtir. Tablo 1‘de 705 mezun öğrencin verilerine iliĢkin özellikler verilmektedir. 485 Suleyman Demirel University, Department of Econometrics Tablo 1: Mezun Öğrencilerin Verilerine ĠliĢkin Özellikler DeğiĢken Kategori N % Cinsiyet Erkek 302 42.8 Kız 403 57.2 Akdeniz 89 12.6 Doğu Anadolu 52 7.4 Ege 345 48.9 Güneydoğu Anadolu 37 5.2 Ġç Anadolu 62 8.8 Karadeniz 67 9.5 Marmara 53 7.5 Genel Lise 448 63.5 Meslek Liseleri 233 33.0 Diğer 24 3.5 Sınavsız 205 29.1 Sınavlı 500 70.9 Normal Öğretim 378 53.3 Nüfusa Kayıtlı Olduğu Bölge Mezun Oldukları Lise Türü YerleĢme Türü Öğrenim Türü Ġkinci Öğretim Toplam 327 46.4 705 100 Tablo 1‘de yer alan frekans değerleri incelendiğinde mezun öğrencilerin %42,8‘inin erkek öğrencilerden oluĢtuğu, öğrencilerin %48,9‘unun Ege Bölgesi‘nde ikamet ettiği, çoğunlukla genel lise mezunu oldukları ve üniversite sınavı sonuçlarına göre kayıt yaptırdıkları, normal öğretim ve ikinci öğretimde okuyan öğrenci sayılarının birbirine yakın olduğu görülmektedir. ÇalıĢmada bağımlı değiĢken akademik baĢarı ortalaması iken bağımsız değiĢkenler; öğrenim türü, cinsiyet, nüfusa kayıtlı olduğu bölge, yerleĢme türü, lise türü ve burs/kredi alma durumudur. Bağımlı değiĢken olan akademik baĢarı ortalaması düĢük baĢarılı ve yüksek baĢarılı olarak iki gruba ayrılmıĢtır. Akademik baĢarı ortalaması 2,75‘in altında olan öğrenciler düĢük baĢarılı, akademik baĢarı ortalaması 2,75‘in üstünde olan öğrenciler ise yüksek baĢarılı olarak tanımlanmıĢtır. Modelde kullanılan bağımlı ve bağımsız değiĢkenler aĢağıda tanımlanmıĢtır: Y : Akademik BaĢarı Ortalaması 0,   1, Y  2,75 Y  2.75 486 Suleyman Demirel University, Department of Econometrics X1 : Öğrenim Türü 1: Normal Öğretim, 2: Ġkinci Öğretim X2 : Cinsiyet 1: Erkek, 2: Kız X3 : Nüfusa Kayıtlı Olduğu Bölge 1: Akdeniz, 2: Doğu Anadolu, 3: Ege, 4: Güneydoğu Anadolu, 5: Ġç Anadolu, 6: Karadeniz, 7: Marmara X4 : YerleĢme Türü 1:Sınavsız, 2: Sınavlı X5 : Lise Türü 1: Genel Liseler, 2: Meslek Liseleri, 3: Diğer X6 : Burs/Kredi Alma Durumu 0: Burs/Kredi almıyor, 1: Burs/Kredi alıyor Regresyon katsayılarının anlamlı olup olmadıklarının test edilmesinde kullanılan istatistiklerden biri de Wald istatistiğidir. Wald istatistiği, çoklu regresyonda, regresyon katsayılarının anlamlılığını test etmek için kullanılan t istatistiğine karĢılık gelmektedir. (Hair vd., 2010: 422). Wald istatistiği, lojistik regresyon katsayısının karesinin standart hatanın karesine bölünmesiyle hesaplanmaktadır. Formülü denklem 3‘de verilmektedir (Tabachnick,Fidell, 2007:445): wj  Bj2 (3) SEB 2 j Wald istatistiği, lojistik regresyon katsayısı mutlak değer olarak büyüdükçe tahmin edilen standart hatalar anormal bir biçimde büyümektedir. Bu durumdan dolayı Wald istatistiği küçük çıkmakta, sıfır hipotezi reddedilmesi gerekirken kabul edilmesine yol açmaktadır. Bu nedenle Wald istatistiğinin kullanılması önerilmemektedir. Bu istatistik yerine -2Log istatistiğindeki değiĢimler test edilmektedir (Kalaycı, 2008: 284). Lojistik regresyonda kullanılan uyum iyiliği istatistiği (-2Log istatistiği), modele ilave edilen bağımsız değiĢkenlerin modele olan katkısının araĢtırılmasında, baĢka bir ifadeyle lojistik regresyon katsayılarının anlamlı olup olmadıklarının test edilmesinde kullanılmaktadır (Kalaycı, 2008: 283). Yani, p adet  katsayısının sıfıra eĢit olup olmadığını test eder (Alpar, 2010: 636). Uyum iyiliği istatistiği, modelde sabit terimin bulunması durumunda hesaplanan -2Log değeri ile modelde sabit terimin bulunmadığı durumda hesaplanan -2Log değeri arasındaki farkla hesaplanır (CoĢkun, 2004: 46). Bu Ģekilde hesaplanan istatistik, asimptotik olarak ki-kare dağılır ve serbestlik derecesi iki modelde kestirilen parametre sayıları arasındaki farka eĢittir (Alpar, 2010: 626). ÇalıĢmada, sabit terimin bulunduğu modelin -2Log değeri 910,714 iken, bütün bağımsız değiĢkenlerin bulunduğu modelin -2Log değeri 830,829‘dur. Model ait ki-kare istatistiği bu iki değer arasındaki fark olan 79,885‘dir. Bulunan sonuç (0,05 anlamlılık düzeyinde) 6 serbestlik dereceli ki-kare tablo değeri olan 12,59‘dan büyüktür. Bu sonuca göre modelde bulunan bütün bağımsız değiĢken katsayılarının 0 olduğu Ģeklinde kurulan H0 hipotezi reddedilir ve lojistik regresyon katsayılarının anlamlı olduğu sonucuna ulaĢılır. Tablo 2‘de Lojistik regresyon modelinde yer alan sabit terimin ve bağımsız değiĢkenlerin lojistik regresyon katsayıları, katsayıların standart hataları, katsayıların anlamlılığını test etmek için kullanılan istatistikler verilmektedir. 487 Suleyman Demirel University, Department of Econometrics Tablo 2: Lojistik Regresyon Analizi Sonucu  Standart Hata (  ) Wald Serbestlik Derecesi p Odds Oranı Exp(  ) DeğiĢken Düzey Öğrenim Türü Normal Öğretim -0,360 0,179 4,019 1 0,045 0,698 Cinsiyet Nüfusa Kayıtlı Olduğu Bölge Erkek 0,685 14,897 1 0,000 1,985 23,027 6 0,001 0,178 Akdeniz Doğu Anadolu 0,168 0,402 0,175 1 0,676 1,183 Ege 0,794 0,277 8,247 1 0,004 2,213 Güneydoğu Anadolu -0.873 0,55 2,516 1 0,113 0,418 Ġç Anadolu 0,072 0,383 0,036 1 0,85 1,075 Karadeniz 0,029 0,381 0,006 1 0,939 1,030 Marmara 0,099 0,393 0,063 1 0,801 1,104 YerleĢme Türü Sınavsız 0,564 0,247 5,235 1 0,022 1,758 3,606 2 0,165 Lise Türü Burs/Kredi AlmaDurumu Sabit Terim Genel Liseler Meslek Liseleri 0,399 0,223 3,183 1 0,074 1,490 Diğer -0,179 0,489 0,134 1 0,714 0,836 Alıyor 0,725 0,175 17,202 1 0,000 2,065 -1,209 0,201 36,158 1 0,000 0,299 Tablo 2‘deki sonuçlar, öğrenim türünün normal öğretim, cinsiyetin erkek, nüfusa kayıtlı olduğu bölgenin Akdeniz ve Ege Bölgesi olması, Honaz Meslek Yüksek Okulu‘na sınavsız geçiĢle kayıtlı olması ve çeĢitli kurum ve kuruluĢlardan burs veya kredi alması 0,05 anlamlılık düzeyinde öğrencilerin akademik baĢarı ortalamaları üzerinde önemli etkileri bulunduğunu göstermektedir. Odds oranı bir olayın meydana gelme olasılığının meydana gelmeme olasılığına oranıdır. Ayrıca odds oranı, Y değiĢkeninin Xp değiĢkeninin etkisiyle kaç kat daha fazla ya da yüzde kaç oranda fazla gözlenme olasılığına sahip olduğunu belirtir (Özdamar, 1999: 477 ). Cinsiyet değiĢkeni için odds oranı 1,985 olarak bulunmuĢtur. Bu sonuca göre yeni kayıt yaptıracak bir kız öğrencinin akademik baĢarı ortalamasının 2,75‘ten fazla olma olasılığı, erkek öğrenciye göre 1,985 kat daha fazladır ( B katsayısının pozitif olmasından dolayı) ve bulunan bu sonuç istatistiksel olarak anlamlıdır (p=0,000). Öğrenim türü değiĢkeninin odds oranı ise 0,698 olarak bulunmuĢtur. Öğrenim türü değiĢkeninin B katsayısının negatif olmasından dolayı Odds oranı 1‘den küçük değer almakta ve bu değiĢken için yorum yaparken azdır ifadesi kullanılmaktadır. Ġkinci öğretime kayıt yaptıracak bir öğrencinin akademik baĢarı ortalamasının 2,75‘ten fazla olma olasılığı, normal öğretime kayıt yaptıracak bir öğrencinin akademik baĢarı ortalamasının 2,75‘ten fazla olma olasılığına göre 0,698 kat daha azdır. BaĢka bir ifadeyle, normal öğretime kayıt yaptıracak bir öğrencinin akademik baĢarı ortalamasının 2,75‘ten fazla olma olasılığı, ikinci öğretime kayıt yaptıracak bir öğrencinin akademik baĢarı ortalamasının 2,75‘ten fazla olma olasılığına göre 1,43 kat (1/0,698=1,43) daha fazladır. Yine burs/kredi alma durumu değiĢkeni için hesaplanan odds oranının 2,065 değerini aldığı görülmektedir. Burs veya kredi alan öğrencilerin akademik baĢarı ortalamasının 2,75‘ten fazla olma olasılığı, burs veya kredi almayan öğrencilere göre 2,065 kat daha fazladır ve istatistiksel olarak anlamlıdır (p=0,000). Öğrencilerin gelir seviyelerinin yükselmesi baĢarılarını olumlu anlamda etkilemektedir. Yukarıda yer alan lojistik regresyon modeli kullanılarak herhangi bir öğrencinin sahip olduğu özellikler bakımından baĢarılı olup olamayacağı tahmin etmek de mümkündür. Birimlerin hangi gruba atanacağının belirlenmesinde kesim noktası olarak 0,5 değeri alınır. Olasılık değeri 0,50‘nin üzerinde olduğunda kiĢi 1. 488 Suleyman Demirel University, Department of Econometrics gruba, 0,50‘nin altında olduğunda 0. gruba atanır (Alpar, 2010: 652). Örneğin, ikinci öğretimde okuyan, erkek, nüfusu Akdeniz Bölgesi‘ne kayıtlı olan, üniversiteye sınavsız geçiĢle gelen, meslek lisesi mezunu olan ve burs/kredi almayan bir öğrencinin baĢarılı olma olasılığı 0,11‘dir. Hesaplanan olasılık değerinin 0,50‘den küçük olması nedeniyle ( P(Y )  0,11  0,5) yukarıda verilen özelliklere sahip bir öğrencinin düĢük baĢarılı bir öğrenci olacağı tahmin edilmektedir. BaĢka bir örneğe göre, normal öğretimde okuyan, kız, nüfusu Ege Bölgesi‘ne kayıtlı olan, üniversiteye sınavsız geçiĢle gelen, meslek lisesi mezunu ve burs/kredi alan bir öğrencinin mezun olma olasılığı, 0,616‘dır. Hesaplanan olasılık değerinin 0,50‘den büyük olması nedeniyle ( P(Y )  0, 616  0,5) yukarıda verilen özelliklere sahip bir öğrencinin yüksek baĢarılı olacağı tahmin edilmektedir. Lojistik regresyon modelinde birimlerin doğru sınıflandırma oranı %69,6 olarak hesaplanmıĢtır. DüĢük baĢarılı olan 460 öğrenciden 423‘ü doğru, 37‘si yanlıĢ, yüksek baĢarılı olan 245 öğrenciden 68‘i doğru, 177‘si yanlıĢ sınıflandırılmıĢtır. BaĢka bir ifade ile düĢük baĢarılı öğrencilerin %92‘si, yüksek baĢarılı öğrencilerin ise %27,8‘i doğru sınıflandırılmıĢtır. Tablo 3: Lojistik Regresyon Modeli Ġçin Doğru Sınıflandırma Yüzdesi Beklenen DüĢük BaĢarılı DüĢük BaĢarılı Doğru Yüksek BaĢarılı Yüzdesi Sınıflandırma 423 37 92,0 177 68 27,8 Gözlenen Yüksek BaĢarılı Genel Yüzde 69,6 SONUÇ Öğrencilerin baĢarı durumlarını etkileyen faktörlerin belirlenmesi ve üniversitelere kayıt yaptıracak farklı özelliklere sahip öğrencilerin gelecekteki baĢarı durumlarının tahmin edilmesi (farklı üniversitelerde okuyan öğrenciler için farklı olsalar da) hem Eğitim Bilimlerinde hem de Sosyal Bilimlerde alanlarında çalıĢan araĢtırmacıların ilgisini çeken bir konu olmuĢtur. Bu konuyla ilgili yapılan çalıĢmalara bakıldığında analiz aĢamasında birbirinden farklı istatistiksel yöntemlerin kullanıldığı görülmektedir. ÇalıĢmanın ilk bölümünde literatür araĢtırmasına yer verilmiĢ, daha sonra lojistik regresyon analizine iliĢkin teori ve uygulama özellikleri ana hatlarıyla incelenmiĢ, son olarak da uygulama çalıĢması anlatılmıĢtır. Uygulamada 28.02.2013-08.10.2013 tarihleri arasında Pamukkale Üniversitesi Honaz Meslek Yüksekokulu‘ndan mezun olan 705 öğrencinin Pamukkale Üniversitesi Bilgi ĠĢlem Daire BaĢkanlığı‘nın veri tabanından elde edilen verilerine lojistik regresyon analizi uygulanmıĢ ve bulunan sonuçlar yorumlanmıĢtır. Lojistik regresyon modelinin belirlenmesinde metod olarak enter yöntemi kullanılmıĢtır. ÇalıĢmada bağımlı değiĢken akademik baĢarı ortalaması iken bağımsız değiĢkenler; öğrenim türü, cinsiyet, nüfusa kayıtlı olduğu bölge, yerleĢme türü, lise türü ve burs/kredi alma durumudur. Bağımlı değiĢken olan akademik baĢarı ortalaması düĢük baĢarılı ve yüksek baĢarılı olarak iki gruba ayrılmıĢtır. Akademik baĢarı ortalaması 2,75‘in altında olan öğrenciler düĢük baĢarılı, akademik baĢarı ortalaması 2,75‘in üstünde olan öğrenciler ise yüksek baĢarılı olarak tanımlanmıĢtır. Lojistik regresyon modelinin tahminlenen katsayılarının anlamlılığını test eden -2Log değeri 79,885 olarak bulunmuĢ ve 6 serbestlik dereceli ki-kare tablo değeri olan 12,59 değeri ile karĢılaĢtırılmıĢtır. 0,05 anlamlılık düzeyinde -2Log değerinin ki-kare tablo değerinden büyük olmasından dolayı lojistik regresyon katsayılarının anlamlı olduğu sonucuna ulaĢılmıĢtır. Cinsiyet değiĢkeninin odds oranı 1,985 olarak bulunmuĢtur. Bu sonuca göre Honaz Meslek Yüksekokulu‘na yeni kayıt yaptıracak kız öğrencinin akademik baĢarı ortalamasının 2,75‘ten fazla olma olasılığı, erkek öğrenciye göre 1,985 kat daha fazladır. Diğer bir ifadeyle Honaz Meslek Yüksekokulu‘na yeni kayıt olacak bir kız öğrencinin baĢarılı olma olasılığı, erkek öğrencinin baĢarılı olma olasılığından daha yüksek olacaktır. ÖSYM tarafından yapılan sınavların sonuçlarına bakıldığında kız öğrencilerin 489 Suleyman Demirel University, Department of Econometrics erkek öğrencilerden daha baĢarılı oldukları görülmektedir. Yani, üniversite sınavlarında erkeklere oranla daha baĢarılı olan kız öğrencilerin baĢarılarının, üniversitede de devam edeceği tahmin edilmektedir. Öğrenim türü değiĢkeninin odds oranı ise 0,698 olarak bulunmuĢtur. Ġkinci öğretime kayıt yaptıracak bir öğrencinin akademik baĢarı ortalamasının 2,75‘ten fazla olma olasılığı, normal öğretime kayıt yaptıracak bir öğrencinin akademik baĢarı ortalamasının 2,75‘ten fazla olma olasılığına göre 0,698 kat daha azdır. BaĢka bir ifadeyle, normal öğretime kayıt yaptıracak bir öğrencinin akademik baĢarı ortalamasının 2,75‘ten fazla olma olasılığı, Ġkinci öğretime kayıt yaptıracak bir öğrencinin akademik baĢarı ortalamasının 2,75‘ten fazla olma olasılığına göre 1,43 kat daha fazladır. Üniversitelere giriĢ puanlarına bakıldığında, bölümlerin normal öğretim puanlarının ikinci öğretim puanlarından daha yüksek olduğu görülmektedir. Yukarıda verilen odds oranından daha yüksek puanla üniversiteye kayıt olan öğrencilerin (normal öğretim öğrencilerinin) üniversitelerde de daha baĢarılı oldukları sonucu çıkarılmaktadır. Lojistik regresyon modelinde birimlerin doğru sınıflandırma oranı %69,6 olarak hesaplanmıĢtır. DüĢük baĢarılı olan 460 öğrenciden 423‘ü doğru 37‘si yanlıĢ sınıflandırılmıĢtır. BaĢka bir ifade ile düĢük baĢarılı öğrencilerin %92‘si doğru sınıflandırılmıĢtır. ÇalıĢmanın amaçlarından biri de düĢük baĢarılı öğrencilerin, derslerindeki baĢarısızlığın nedenlerini tespit etmek olduğuna göre oluĢturulan lojistik regresyon modeli bu amacı yüksek bir oranda karĢılamaktadır. KAYNAKÇA Alpar, R. (2011). UygulamalıÇok Değişkenli İstatistiksel Yöntemler (3 b.). Ankara: Detay Yayıncılık. Baştürk, R., Karagül, K., Karagül, N., & Doğan, M. (2012). Meslek Yüksekokulu Öğrencilerinin Akademik Başarılarının Yordanması. Çağdaş Eğitim Dergisi Akademik, 1 (1), 3-10. Coşkun, S., Kartal, M., Coşkun, A., & Bircan, H. (2004). Lojistik Regresyon Analizinin İncelenmesi ve Dş Hekimliğinde Bir Uygulaması. Cumhuriyet Üniversitesi Diş Hekimliği Fakültesi Dergisi , 41-50. Çırak, G. (2012). Yükseköğretimde Öğrenci Başarılarının Sınıflandırılmasında Yapay Sinir Ağları ve Lojistik Regresyon Yöntemlerinin Kullanılması. Ankara Üniversitesi Eğitim Bilimleri EnstitüsüÖlçme ve Değerlendirme Anabilim Dalı: Yayınlanmamış Yüksek Lisans Tezi. Erpolat, S. (2009). Akademik Başarımın Sınıflandırılmasında Farklı Yöntemlerin Karşılaştırılması. 18. İstatistik Araştırma Sempozyumu Bildiriler Kitabı, (s. 321-336). Ankara. Güneri, N., & Apaydın, A. (2004). Öğrencilerin Başarılarının Sınıflandırılmasında Lojistik Regresyon Analizi ve Yapay Sinir Ağları Yaklaşımı. Ticaret ve Turizm Eğitim Fakültesi Dergisi , 170-188. Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). Multivariate Data Analysis. New Jersey: Prentice Hall. İşgören, N. Ç., Tektaş, N., & Ayla, C. (2008). Uygulama Derslerinde Öğrenci Başarısını Etkileyen Faktörlerin Lojistik Regresyon Analizi. Niğde Tekstil Sempozyumu Bildiriler Kitabı, (s. 448-453). Niğde. Kalaycı, Ş. (2008). SPSS UygulamalıÇok Değişkenli İstatistik Teknikleri (3 b.). Ankara: Asil Yayın Dağıtım. Oktay, E., &Üstün, S. (2001). Lojistik Regresyon Modelleri Yardımıyla Erzurum'daki Yüksek Öğrenim Öğrencilerinin Yurt-Kur Yurtlarını Tercih Etmelerinde Etkili Olan Faktörlerin Belirlenmesi. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi , 347-364. Özdamar, K. (1999). Paket Programlar İle İstatistiksel Veri Analizi 1. Eskişehir: Kaan Kitabevi. Peker, R. (2003). UludağÜniversitesi Eğitim Fakültesi Beden Eğitimi ve Spor BölümüÖğrencilerinin Genel Akademik Başarılarının Bazı Değişkenlere Göre İncelenmesi. UludağÜniversitesi Eğitim Fakültesi Dergisi , 161-171. 490 Suleyman Demirel University, Department of Econometrics Tabachnick, B. G., & Fidell, L. S. (2007). Using Multivariate Statistics. Boston: Pearson International Edition. Tatlıdil, H. (1996). UygulamalıÇok Değişkenli İstatistiksel Analiz. Ankara: Cem Web Ofset. 491