X - ResearchGate

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 vrkalfa@pau.edu.tr
2
Pamukkale Üniversitesi Honaz Meslek Yüksekokulu ntokat@pau.edu.tr
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