TÜKETĠCĠLERĠN FĠYAT BĠLĠNCĠ ÜZERĠNDE ETKĠLĠ OLAN FAKTÖRLERE ĠLĠġKĠN BĠR ĠNCELEME

Transkript

1 Ġstanbul Ünverstes Ġktsat Fakültes Malye AraĢtırma Merkez Konferansları 46. Ser / Yıl 2004 Prof. Dr. Salh Turhan'a Armağan TÜKETĠCĠLERĠN FĠYAT BĠLĠNCĠ ÜZERĠNDE ETKĠLĠ OLAN FAKTÖRLERE ĠLĠġKĠN BĠR ĠNCELEME Yrd. Doç. Dr. Sema Ulutürk AKMAN İstanbul Ünverstes İktsat Fakültes Ekonometr Bölümü

2 130 ÖZET Bu çalıģmada, yaģ, cnsyet, meden durum, eğtm sevyes ve sosyoekonomk statü gb faktörlern tüketclern fyat blnc üzernde etkl olup olmadığı lojstk regresyon teknğ le belrlenmeye çalıģılmıģtır. ABSTRACT In ths study, t s tred to be determned whether age, sex, martal status, educatonal level and socal-economc status factors are effectve or not on the prce concousness of consumers by logstc regresson technque. 1.GrĢ Ġnsanoğlunun dünya üzernde varolablmes, üretmesne ve tüketmesne bağlıdır. Tüketm sürec nsanın dünyaya gelmes le brlkte baģlamakta ve ömrünün sonuna dek devam etmektedr. Üretm sürecne katılım se genel olarak belrl br brkm sonrasında baģlamakta, çoğunlukla sınırlı br zaman çn sürmekte ve br gün gelp sona ermektedr. Dolayısıyla, nsan yaģamı boyunca tüketmesne karģın, yalnızca belrl br dönem çn üreteblmektedr. Tüketm amaçlı programlanan nsanoğlunun tüketm, alıģ-verģ olarak tanımlanan eylem le gerçekleģmektedr. Dolayısıyla nsan, yaģamak, varlığını sürdürmek gb her türlü htyacı çn tüketmek, bunun çn de alıģverģ yapmak zorundadır. ġüphesz alıģverģ her brey veya alenn htyaçlarına yönelk olarak, bütçes le Ģekllenmekle beraber, htyaçların ötesnde reklamlar, moda, baģka tüketclern düģünce ve önerler gb çok çeģtl faktörün de etks altındadır. Kred kartlarının, özellkle takstl kred kartlarının yaģamımıza grmes le brlkte son yıllarda tüketm harcamalarının körüklendğn görüyoruz. Ntekm, ülkemzde kullanılan kred kartı sayısının 20 mlyona ve kred kartı sahplernn bankalara olan borç tutarının se 15,6 katrlyona ulaģtığı 1 düģünülürse, tüketclernn bütçelernn ötesnde harcama yaptığı ve bu harcamalar sonucunda çok büyük rakamlara ulaģan kred kartı ekstrelernn tüketcler zor durumda bıraktığı anlaģılmaktadır. Bu durum, tüketclern bütçelernn ötesnde alıģverģ yapmaları, alıģverģ sonrasında elde ettkler tatmnn, ürüne ödedkler meblağın üzerne çıkması, br baģka deyģle; alıģverģ tutkusunun ürünün fyatını gölgelemes le açıklanablr. Öte yandan, kred kartı kullanılarak yapılan alıģverģler çnde toplam Ģlem tutarının %20 snn gerçekleģtrldğ süpermarketlern ve alıģverģ merkezlernn lk sırada yer alması 2 da, günlük yaģamımız çnde süpermarket alıģverģlernn ne denl öneml br paya sahp olduğunu ortaya koymaktadır. Süpermarket alıģverģler sırasında tüketclern, ürünlern fyatına bakmaksızın alıģverģ yaptığı, promosyonlardan etklenerek htyacı olan ürünler dıģında ürünler de

3 131 satın aldığı, genel olarak benzer ürünlern fyatlarını karģılaģtırmadığı gb, marketler arasında da fyat kıyaslaması yapmadığı görülmektedr 3. Bu da, tüketclern alıģverģler sırasında alıģverģe odaklanarak fyatı göz ardı edebldğn, dolayısıyla zaman zaman fyat blnc çnde hareket etmedğn göstermektedr. Bu noktadan hareketle bz, tüketclern market alıģverģler sırasında fyat unsuruna ne derece dkkat ettğ le yaģ, cnsyet, eğtm, meden durum ve sosyoekonomk statü 4 gb faktörler arasında lģk olup olmadığını belrlemek styoruz. ÇalıĢmamızın verler Ġstanbul Ünverstes AraĢtırma Fonu tarafından desteklenen Süpermarket AlıĢverĢlernde Tüketclern Fyat Blnc sml araģtırma kapsamında, Ġstanbul l sınırları çnde gerçekleģtrlen anket çalıģmasına dayanmaktadır. Adı geçen anket çalıģması sırasında 1000 denekle görüģülmüģ ve deneklere süpermarket alıģverģler le lgl olarak standart br soru formunda yer alan sorular yöneltlmģtr. Tüketcnn market alıģverģler sırasında fyat unsuruna ne derece dkkat ettğn ortaya koymak üzere anket formunda yer alan k soruya verdkler cevaplar ele alınmıģtır. Bunlar, market alıģverģ sırasında benzer ürünler arasında fyat karģılaģtırması yapıp yapmamaları le marketler arasında fyat karģılaģtırması yapıp yapmamalarına lģkn sorulardır. ÇalıĢmamızda tüketclern market raflarında yer alan benzer ürünlern fyatları arasında ve aynı ürünün değģk marketlerdek fyatları arasında karģılaģtırma yapıp yapması le lglenldğnden, bağımlı değģkenmz fyat karģılaģtırması yapma ve yapmama bçmnde k sonucu olan br kategork değģken olacaktır. Bu tp bağımlı değģkenlere ntel bağımlı değşken adı verlmektedr. Bağımlı değģken ntel olan modellere se, kaltatf terch modeller (qualtatve response models), keskl terch modeller (dscrete choce models) veya bölünme modeller (categorcal models) adı verlmektedr 5. Kaltatf terch modeller, tüketclern fyat karģılaģtırması yapma ve yapmama terchne lģkn olasılık değern belrleyeceğnden, çalıģmamızda tüketclern yaģ, cnsyet, meden durum, eğtm sevyes ve sosyo-ekonomk statü gb özellklernden yola çıkarak market raflarında yer alan benzer ürünlern fyatları arasında, knc olarak da aynı ürünün değģk marketlerdek fyatları arasında karģılaģtırma yapıp yapmaması olasılıkları belrlenmeye çalıģılacaktır. Breylern k alternatf arasından seçm yapmaları halnde kl terch, kden fazla alternatf arasından seçm yapmaları halnde se çoklu terch söz konusu olmaktadır. ÇalıĢmamızda, tüketclern satın aldıkları ürüne lģkn fyat karģılaģtırması yapma ve yapmama bçmnde k sonuç üzernde durulduğundan kl terch durumu geçerl olmaktadır. Uygulama çalıģmamıza geçmeden önce kaltatf terch modellerne, (regresyon modellernden yola çıkarak) değnmenn uygun olacağı düģüncesndeyz. Regresyon modeller blndğ gb, bağımlı değģken le bağımsız değģken (veya değģkenler) arasındak lģky br denklem yardımıyla ortaya koyarak; bağımlı

4 132 değģkendek değģmeler, bağımsız değģkendek (değģkenlerdek) değģmelerle açıklamaya çalıģır. Br bağımlı ve br bağımsız değģkenden oluģan bast doğrusal regresyon model; Y = X +, (1) ve br bağımlı ve k tane bağımsız değģkenden oluģan regresyon model se; Y = X X k X k + (2) bçmndedr. Regresyon denklemlernde yer alan 0, 1, 2,..., k parametre olarak adlandırılmakta ve bağımsız değģkenlern bağımlı değģken üzernde ne yönde ve ne mktarda etkl olduğunu göstermektedr. Regresyon modelnde yer alan 0, 1, 2,..., k parametreler, bağımlı ve bağımsız değģkenlern ver dönemne lģkn değerlernden yola çıkarak, uygulanması çn herhang br varsayım gerektrmeyen, en küçük kareler yöntem le tahmn edlr. En küçük kareler yöntem, bağımlı değģkenn gözlenen değerler le regresyon denklemyle tahmn edlen değerler arasındak farkların kareler toplamını mnmze eden br yöntemdr. Dolayısıyla, ver dönemne lģkn blglerden hareketle, en küçük kareler yöntemyle tahmn edlen regresyon denklemn; Yˆ = ˆ ˆ 0 1 X e (3) ˆ, ˆ regresyon bçmnde göstereblmek mümkündür. Denklemde yer alan 0 1 katsayıları olup, regresyon parametrelernn tahmn değerlern oluģturmaktadır. En küçük kareler yöntem, uygulanması açısından herhang br varsayım gerektrmedğ halde; çok değģkenl regresyon modelnn bazı koģulları sağlaması gerekr. Bu koģullar, - hata payları tesadüf değģken olup, beklenen değerler sıfırdır, - hata payları varyansları alt ana kütleler çn sabttr, - hata payları arasında otokorelasyon olmaması, -bağımsız değģkenler, tesadüf olmayan değer sabt değģkenlerdr ve varyansları sıfırdan büyüktür 6 Ģeklndedr. Bu varsayımlarının gerçekleģmes halnde en küçük kareler yöntemyle elde edlen tahmnler etkn, sstematk hatasız, doğrusal, en y ve mnmum varyansa sahp olurlar 7. Bu varsayımlara ek olarak, hata paylarının dağılımının normal olması stenr. Hata paylarının normal dağılması, bağımlı değģkenn normal dağılması ve dolayısıyla ˆ lern de normal dağılması anlamına gelmektedr. Bu varsayım, anakütle regresyon denklemnde yer alan parametrelere lģkn olarak yapılan hpotez testler çn gerekldr. Bu varsayımın gerçekleģmemes durumunda tahmn edlen parametrelern test edlmes mümkün olamamaktadır 8.

5 133 Klask regresyon modellernde bağımlı değģken sürekl br değģken olup, teork olarak -, + arasında değer alablmektedr. Ancak bazı çalıģmalarda regresyon modelnde yer alan bağımlı değģken ntel olablmektedr. Örneğn, belrl br tüketm malını satın alıp almama, çeģtl seyahat araçlarından brn seçme gb terch gerektren durumlarda bağımlı değģken ntel özellk taģımaktadır. Breylern k alternatf arasından seçm yapması halnde kl terch, kden çok seçenek arasından seçm yapması halnde se çoklu terch söz konusudur. ĠĢte, bağımlı değģkenn sayısal değer almadığı ve kukla değģken olarak fade edldğ bu tür modellere kaltatf terch modeller adı verlmektedr. Y = 1, Belrl br ürünü terch etme 0, Belrl br ürünü terch etmeme durumunu gösterecektr. Dolayısıyla, bağımlı değģken bu tür örnekler çn sadece belrl değerler alablen keskl değģken olarak adlandırılacaktır. Kaltatf terch modeller, j tane alternatf arasından yapılan seçmn sonucunu açıklayan statk br olasılık model olup, seçmn k alternatf arasından yapılması halnde k durumlu (bnomal), kden çok alternatf arasından yapılması halnde se çok durumlu (multnomal) modeller olarak kye ayrılmaktadır 9. Öte yandan, bağımlı değģkenn olasılık değer olarak fade edldğ kaltatf terch modeller, doğrusal olasılık model ve doğrusal olmayan olasılık modeller olarak k baģlıkta ele alınmaktadır. 2. Doğrusal Olasılık Model Doğrusal olasılık modelnde kukla değģken durumundak bağımlı değģken, bağımsız değģkenlern doğrusal fonksyonu olarak açıklanmaya çalıģır. Dolayısıyla, bağımlı değģkenn beklenen değer, ver durumundak bağımsız değģkenlern koģullu olasılıklarından hareketle tahmn edlmektedr. BaĢka br deyģle; E(Y /X ) bağımsız değģken X koģulken, bağımlı değģken Y nn beklenen değern gösterrse, 0 E(Y /X ) 1 olacaktır. Dolayısıyla, amaç, X değģkennden hareketle, Y değģkennn olasılığını hesaplamaktır 10. Doğrusal olasılık modelnde bağımlı değģkenn k ya da kden çok seçenekl olması mümkündür ve bağımlı değģkenn evet-hayır, belrl br ürünü terch etmeetmeme gb k durumlu (0-1) olması halnde kl doğrusal olasılık model, hayırbazen-evet, gb kden çok durumlu (0-1-2) olması halnde se çoklu doğrusal olasılık model olarak adlandırılmaktadır.

6 134 Doğrusal olasılık modelnn parametrelern en küçük kareler yöntemyle tahmn etmek mümkündür. Ancak, hata paylarının bağımlı değģkene bağlı olarak bnom dağılımı göstermes, varyansların eģt olmaması ve bağımlı değģkene lģkn olarak hesaplanan olasılıkların 0-1 aralığının dıģına çıkması gb sorunlarla karģılaģılmaktadır. Bunun sonucu olarak, en küçük kareler yöntemyle yapılan parametre tahmnler eğlmsz olmasına rağmen, varyansların eģt olmaması nedenyle etkn değldr 11. Öte yandan çoğu kez R 2 değernn 0,2 0,6 arasında olması sebebyle R 2 model belrlemede uygun br krter olarak kabul edlememektedr 12. Bağımlı değģkene bağlı olarak hata paylarının bnom dağılımı göstermes, normal dağılım varsayımı altında kullanılablen hpotez testlernn uygulanablrlğn zedelemektedr. Ancak, gözlem sayısının yüksek olması halnde normal dağılıma yaklaģım kabul edlebleceğnden, bu sakınca kısmen de olsa ortadan kaldırılablmektedr 13. Doğrusal olasılık modelnn en öneml zayıflığı, bağımsız değģkenlere bağlı olarak bağımlı değģken çn tahmn edlen E(Y /X ) koģullu beklenen değernn br olasılık değer fade etmesne rağmen 0-1 aralığının dıģına çıkablmesdr 14. Oysa, blndğ gb olasılık, 0 le 1 arasında değer almakta ve bu sınırların dıģına çıkması mümkün olmamaktadır. Sayılan bu sakıncalar, doğrusal olasılık modelnn ntel bağımlı değģkenlere lģkn çözümlemelerde kullanılmasını kısıtlamaktadır. Bu sakıncaları ortadan kaldırmak üzere, doğrusal olasılık modelne alternatf olarak doğrusal olmayan olasılık modeller gelģtrlmģtr. Doğrusal olmayan olasılık modeller se, Probt Model, Logt (Lojstk) Model ve Probt Modeln br uzantısı olan Tobt Model olmak üzere üçe ayrılmaktadır. Logt, lojstk olasılık brmnn; probt 15 se olasılık brmnn kısaltılmıģ bçmdr. Öte yandan, probt lk gelģtrlen doğrusal olmayan olasılık modeldr. Bzm uygulama çalıģmamızda lojstk regresyon teknğ kullanıldığından bu teknğe ayrıntılı olarak değnlecektr. 3. Lojstk Regresyon Model (Logt Model): Kaltatf terch modeller arasında en çok kullanılanı lojstk model olup, probt model gb, 0 E(Y /X ) 1 koģulunu sağlamak çn gelģtrlmģtr. Bağımlı değģkenn k durumlu özellk taģıdığı br doğrusal olmayan olasılık model olarak logt model; veya; P = E (Y =1 / X ) = ( 0 1 e X P = E (Y =1 / X ) = 1 / (1 + denklemyle fade edlr 16. e e 1 X 0 ) / (1 + ) (4) ( 0 1X ) ) (5)

7 Bağımsız değģkenlern brden fazla- örneğn k adet- olması durumunda se; Z = X X k X k (6) Ģeklnde ve Z, bağımsız değģkenlern doğrusal kombnasyonunu göstermek üzere; veya; P = E (Y =1 / X ) = z e / (1 + P = E (Y =1 / X ) = 1 / (1 + z e ) (7) z e ) (8) 135 Ģeklnde tanımlanır ve bu denklem kümülatf lojstk dağılım fonksyonu olarak blnr 17. Denklemde yer alan 0 ve 1 verlerden hareketle tahmn edlen parametreler, X ler bağımsız değģkenler ve e se doğal logartma tabanını (e=2,718) fade etmektedr. Dolayısıyla P, (açıklayıcı değģken) X ver ken breyn belrl br seçm yapma olasılığını göstermektedr. Buradak Z değģken le + arasında değerler aldıkça, P de 0 le 1 arasında değerler alacak ve P le Z arasındak lģk doğrusal olmayacaktır. Böylece, breyn belrl br seçm yapma olasılığının (P ) 0 le 1 arasında olması ve Z le P arasındak lģknn doğrusal olmaması Ģartları sağlanmıģ olmaktadır. Öte yandan, P 1-P z = e (9) oranı yardımıyla lojstk fonksyon doğrusal regresyon analznde kullanılablr. Doğal logartma alınarak; z L = ln( e ) = Z = ln P /(1-P ) (10) elde edlr ve L değerler doğrusaldır. Modeln bu Ģeklde doğrusallaģtırılması tahmn çn büyük kolaylık sağlamaktadır. Logt model de hata termler gb bnom dağılımlı olduğundan değģen varyansa sahptr. Logt modelnn baģlıca özellkler Ģu Ģeklde sıralanablr 18 : - Olasılık değerlern fade eden P değerler 0 dan 1 e gderken logt değerler yan L ler, Z değerler gb dan + a değģr. Bu nedenle, olasılık değerler 0-1 arasında olmak zorundadır. Ancak, logt değerler çn br sınırlama söz konusu değldr. - L, X jk bağımsız değģkenne göre doğrusalken, olasılık değer P doğrusal değldr. Dğer doğrusal olmayan olasılık model olan probt model, kümülatf normal dağılıma, logt model se kümülatf lojstk dağılıma dayanmaktadır. Kümülatf lojstk dağılım le kümülatf normal dağılım brbrne benzemekte olup, aralarındak en öneml fark kümülatf lojstk fonksyonun kuyruk kısmının daha kalın olmasıdır. Uygulamada hesabının daha kolay olması bakımından lojstk modeln terch edldğn görüyoruz.

8 136 Logt ya da lojstk regresyon model, doğrusal dskrmnant analz çn de br alternatf oluģturmaktadır. Dskrmnant analznn uygulanablmes çn gerekl olan, verlern çok değģkenl normal dağılması ve grupların ortak varyans-kovaryans matrsl olması koģulları genel olarak sağlanamamaktadır. Oysa, lojstk regresyon model dskrmnant analznden farklı olarak bu varsayımlara htyaç göstermemekte ve bu sebeple daha genģ br kullanım alanına sahp olmaktadır 19. Ancak, yne de, bu varsayımların gerçekleģmes halnde lojstk regresyon modelyle yapılacak parametre tahmnlernn daha kararlı (stable) olacağı kabul edlmektedr. Bağımsız değģkenler arasında çoklu doğrusal bağlantı bulunmaması koģulu, çok değģkenl regresyon modelnde olduğu gb lojstk regresyon model çn de gerekldr. Zra, çoklu doğrusal bağlantı bulunması durumunda parametre tahmnler eğlml olmakta ve standart hatalar büyümektedr 20. Öte yandan, lojstk regresyon modelnde, sürekl bağımsız değģkenlern yer alması durumunda, bu tür katsayılardan alınan blgnn sınırlı kaldığı ve bu nedenle, sürekl ve nomnal değģkenlern kategork hale getrlerek modele dahl edlmesnn daha y sonuçlar verdğ fade edlmektedr 21. Bu baģlık altında son olarak, lojstk regresyon denklem le tahmn edlen parametrelern nasıl yorumlanacağı üzernde durmakta yarar vardır. Daha önce de değnldğ gb, lojstk regresyon model, P = E (Y =1 / X ) = 1 / (1 + z e ) (11) denklemyle fade edlmekteyd. Lojstk regresyon model, k adet bağımsız değģken bulunması durumunda, Z = X X k X k (12) Ģeklnde tahmn edlp, formülde yerne konarak X lern belrl değerler çn Y değģkennn olasılıkları hesaplanablr. Lojstk regresyon modelnn katsayıları, klask regresyon modelnden farklı olarak yorumlanmaktadır. Blndğ gb, klask çoklu regresyon modelnde, her br katsayı at olduğu değģkenn br brm değģmes durumunda, bağımlı değģkenn ne kadar değģeceğn gösterr. Oysa, lojstk regresyon modeln; ln P /(1-P ) = X X k X k (13) bçmnde gösterrsek, her br katsayı at olduğu değģkende meydana gelecek br brmlk değģmenn; ln (Y nn gerçekleģme olasılığı/y nn gerçekleģmeme olasılığı) bçmnde fade edlen olasılığın doğal logartmasında ortaya çıkaracağı değģme Ģeklnde yorumlanacaktır. BaĢka br deyģle, regresyon katsayılarının herbr, bağımlı değģkenn değer 0 dan 1 e geçtğnde, dğer bağımsız değģkenlern değer sabt tutulursa, olasılık oranının logartmasında meydana gelecek değģmey göstermektedr. Sabt katsayının se br anlamı yoktur 22.

9 4. Lojstk Regresyonda Çözüm Yöntem 137 Klask doğrusal regresyon çözümlemesnde genel olarak en küçük kareler yöntem terch edlmektedr. Blndğ gb; bu yöntem, gözlenen değerlerle, regresyon denklem le tahmn edlen değerler arasındak farkların kareler toplamını mnmze etmey amaçlar ve bu nedenle de En Küçük Kareler Yöntem olarak adlandırılır. Lojstk regresyon çözümlemesnde se parametre tahmnler daha çok En Çok Benzerlk Yöntem le yapılır 23. En çok benzerlk yöntem, gözlenen değerlere en çok benzeyen sonuçlara ulaģmayı amaçlayan br çözüm teknğ olup, çözüme terasyonlarla ulaģır. En çok benzerlk yöntemnde sonuçtan nedene, gerye doğru gdģ vardır. Örnek çekldkten sonra, gerye doğru dönülerek bu örneğn çeklme olasılığını maksmum yapan parametre tahmnnn değer araģtırılmaktadır 24. En çok benzerlk yöntem, tesadüf değģkenlern (yan örnek brmlernn) brleģk olasılık dağılımından oluģan ve en çok benzerlk fonksyonu olarak adlandırılan br fonksyonu temel alır. Örneğn, n adet brm çeren örnek çn örnek gözlem değerler (y 1, y 2,...,y n ) le (Y 1, Y 2,...,Y n ) tesadüf değģkenler lģklendrlr. Y lern brbrnden bağımsız olduğu varsayımı altında, brleģk olasılık yoğunluk fonksyonu, g(y 1, Y 2,...,Y n ) = f (Y ) = Y P P bçmnde yazılablr. n n 1 f (Y ) (14) 1 Y = 1 Y P ( 1 P ) 1 Y ( 1 ) ; Y = 0,1; = 0,1,2,...,n En çok benzerlk yöntemnde tahmn edcler (,,...) en çok benzerlk ˆ ˆ 0 1 fonksyonunun logartmasını maksmze ederek bulunmaktadır. ġöyle k; en çok benzerlk yöntemnde Y lern olasılığının olabldğnce yüksek olması amaçlandığından, en çok benzerlk fonksyonunun maksmumunun bulunması gerekr. Bunun çn, her parametreye göre, fonksyonun kısm türev alınıp sıfıra eģtlenr. En çok benzerlk fonksyonu dama poztf olup, monoton artan özellk gösterdğnden, maksmum benzerlk fonksyonu yerne, doğal logartmasının kullanılması çözümü kolaylaģtıracaktır 25.

10 138 Böylece, g(y 1, Y 2,...,Y n ) = ln n 1 Y P P 1 Y ( 1 ) (15) ve ln P /(1- P ) = 0 n = n 1 n Y ln( P ) + = Y P /(1 P ) 1 ˆ ˆ X 1 1 ( (16) 1 Y )ln(1 P ) ln + ln( 1 P ) (17) olduğundan, n 1 g(y 1, Y 2,...,Y n ) = n Y 1 ˆ ˆ ( X 0 1 n ) - 1 ln 1+ e ( ˆ ˆ 0 1X ) (18) bçmnde yazılablr 26. En çok benzerlk yöntemyle parametreler, bu fonksyonun ˆ 0 ve ˆ 1 e göre kısm türevler alınıp sıfıra eģtlenerek tahmn edlmektedr Lojstk Regresyonda Hpotez Testler: Wald Test Örnek hacmnn yeternce büyük olması durumunda, lojstk regresyon denklem le tahmn edlen katsayılarının sıfıra eģt olduğu bçmndek hpotezler Wald statstğ le test edlr. Dolayısıyla Wald test, klask regresyon analznde modelde yer alan her parametrenn teker teker test edlmesnde kullanılan t testnn lojstk regresyondak karģılığıdır. Wald testnde test statstğ, W= Wald hes = formülüyle hesaplanmaktadır. ( ˆ / S (19) 2 ˆ ) Wald statstğ, 1 serbestlk derecel 2 dağılımı göstermektedr. Wald test, özellkle örnek hacmnn yeternce büyük olması durumunda anlam kazanmaktadır En Çok Benzerlk Oranı Test (Lkelhood Rato Test) En çok benzerlk oranı test, yalnız en çok benzerlk yöntemyle yapılan parametre tahmnlernde kullanılan br testtr. Daha önce de fade ettğmz gb R 2, lojstk regresyon modelnde br uygunluk krter olarak kullanılamamaktadır. En çok

11 benzerlk oranı test, modeln geneln, yan sabt dıģındak tüm parametreler, br arada test etmekte ve dolayısıyla, klask regresyon analzndek F testne karģılık gelmektedr. En çok benzerlk oranı test statstğ, LR = - 2 ln L 0 /L = (-2 ln L 0 ) - (-2 ln L ) (20) Ģeklnde hesaplanır 29. = -2(ln L 0 - ln L ) (21) 139 Formülde yer alan L değer, en çok benzerlk fonksyonunun değerdr. L o se, sabt harç bütün katsayılar sıfır ken en çok benzerlk fonksyonunun maksmum değerdr. Sabt parametre dıģında, modelde yer alan tüm değģkenlere lģkn parametrelernn sıfıra eģt olduğu, baģka br deyģle anlamsız olduğu bçmdek H 0 hpotez, hesaplanan test statstğ 2 (k-1), krtk değer le karģılaģtırılarak karar verlmektedr. 6. Uygulama ÇalıĢmamızda, tüketclern alıģverģler sırasında fyat unsuruna ne derece dkkat ettğn ortaya koymak üzere, süpermarket alıģverģler sırasında raflarda yer alan benzer ürünlern fyatları arasında karģılaģtırma yapıp yapmamaları le yaģ, cnsyet, eğtm sevyes, meden durum ve sosyo-ekonomk statü arasında, öte yandan, aynı değģkenler le tüketclern br ürünün çeģtl marketlerdek fyatları arasında karģılaģtırma yapıp yapmamaları arasında lģk olup olmadığı tespt edlmeye çalıģılmıģtır. Bu amaçla lk olarak, tüketclern market raflarında yer alan benzer ürünlern fyatları arasında karģılaģtırma yapıp yapmaması le dğer tüm değģkenler arasında lojstk regresyon model oluģturulmuģ ve aģağıdak sonuçlar elde edlmģtr: Y=-1,758+0,525 Cns -0,260YaĢ + 0,472MDurum -0,058Eğtm -0,190 S.Ek.statü Wald: (5,415) (6,614) ( 7,363) ( 3,827) ( 0,250) ( 3,666) Anlamlılık Sevyes: (0,020) ( 0,010) (0,007) (0,050) (0,617) (0,056) Exp( ˆ ) (0,172) (1,690) (0,771) (1,602) (0,943) (0,827) Doğru sınıflama oranı: %87,0 Hosmer-Lemeshow test statstğ: 6,085 ve anlamlılık sevyes: 0,638-2log lkelhood : 750,258 Cox-Snell R 2 : 0,237 Nagelkerke R 2 : 0,351

12 140 Yukarıda verlen sonuçlar ncelendğnde, cnsyet, yaģ, meden durum ve sosyoekonomk statü değģkenlernn tüketcnn market raflarında yer alan benzer ürünler arasında fyat karģılaģtırması yapıp yapmaması üzernde etkl olduğu anlaģılmaktadır. Öte yandan, eğtm sevyesn gösteren değģkenn se bağımlı değģken üzernde etkl olmadığı görülmektedr. Bunun sonucu olarak, eğtm değģken model dıģında tutularak anlamlı bulunan değģkenler le yen br model oluģturulmuģ ve aģağıdak sonuçlara ulaģılmıģtır: Y= -2,075 +0,490 Cns -0,242YaĢ + 0,477MDurum 0,139 S.Ek.statü Wald: (17,871) (5,847) (6,502) (4,210) (3,280) Anlamlılık Sevyes: (0,000) (0,016) (0,011) (0,040) (0,070) Exp( ˆ ) 30 (0,126) (1,632) (0,785) (1,612) (0,870) Yukarıdak sonuçlar ncelendğnde, modelde yer alan tüm parametrelern anlamlı olduğu görülmektedr. Öte yandan modeln genel performansını belrlemede kullanılan statstkler se aģağıdak gb hesaplanmıģtır: Doğru sınıflama oranı: %86,8 Hosmer-Lemeshow test statstğ: 7,731 ve anlamlılık sevyes: 0,460-2log lkelhood : 761,267 Cox-Snell R 2 :0,236 Nagelkerke R 2 : 0,345 R 2 sonuçlarına göre, bağımsız değģkenlern bağımlı değģken açıklama oranı düģük olmakla beraber, model %86,8 oranında doğru sınıflama yapmaktadır. Modeln performansını sınamada kullanılablecek testlerden br de Hosmer-Lemeshow testdr. Bu test, verler, yaklaģık olarak 10 eģt gruba ayırarak, her br grubun gözlenen ve beklenen frekanslarını karģılaģtırmak suretyle aradak farkın anlamlı olup olmadığını test etme esasına dayanmaktadır. BaĢka br deyģle, gözlenen ve beklenen frekanslara 2 test uygulanmakta ve aralarında farklılık olup olmadığı test edlmektedr. Öte yandan, verler on gruba ayrılarak değerlendrldğnden Hosmer-Lemeshow testnn gözlem sayısının fazla olması durumunda anlamlı sonuçlar verdğn de belrtmek sterz 31. Uygulamamız 1000 tüketc le gerçekleģtrlen anket çalıģmasına dayandığından, çalıģmamızın ver büyüklüğü adı geçen testn kullanımı bakımından yeterldr. Modelde Hosmer-Lemeshow test statstğ, 7,731 olarak hesaplanmıģ ve 0,460 sevyesnde anlamlı bulunmuģtur. Bu sebeple, grupların gözlenen ve beklenen

13 141 frekansları arasında fark olmadığına dar kurulan hpotez kabul etmek gerekecektr. Dğer deyģle, yukarıdak model kullanılarak tahmn edlen beklenen frekanslar le gözlenen frekanslar brbrne uyumlu gözükmektedr. Bu model, bağımlı değģkendek değģmeler açıklama oranı düģük olmakla beraber, dğer testlerde y sonuçlar vermes sebebyle baģarılı kabul edlmģ ve yorumlanmaya çalıģılmıģtır. Modele göre tüketcnn cnsyet, fyat blnc üzernde etkl br değģkendr ve kadınlar, erkeklere oranla market alıģverģler sırasında benzer ürünler arasında fyat karģılaģtırması yapma eğlm çndedrler. Kadınlar erkeklere oranla 1,632 kat daha fazla bu karģılaģtırmayı yapmaktadırlar. Modelde, tüketcnn yaģını gösteren değģkene lģkn parametre 0,242 olarak tahmn edlmģtr. Dolayısıyla, tüketcnn yaģı lerledkçe benzer ürünler arasında fyat karģılaģtırması yapma eğlm artmaktadır. Ġler yaģtak tüketcler, genç yaģtaklere oranla ortalama olarak 0,785 kat daha fazla fyat karģılaģtırması yapmaktadır. Tüketcnn meden durumunu fade eden değģkenn parametres se, 0,477 olarak tahmn edlmģtr. Buna göre evller, bekarlara kıyasla daha fazla fyat karģılaģtırması yapmaktadır. Ntekm, evllerde benzer ürünlerde fyat karģılaģtırması yapma eğlm bekarlara oranla 1,612 kat daha fazla görülmektedr. Tüketcnn sosyo-ekonomk statüsünü gösteren değģkenn parametres se 0,139 olarak tahmn edlmģtr. Buna göre, tüketcnn sosyo-ekonomk statüsü düģtükçe, benzer ürünler arasında fyat karģılaģtırması yapma olasılığı artmaktadır. DüĢük sosyo-ekonomk statüde yer alan tüketcler, dğerlerne oranla ortalama olarak 0,870 kat daha fazla bu karģılaģtırmayı yapmaktadır. Bağımsız değģkenlern kden fazla kategor çermes halnde, her kategornn bağımlı değģken üzerndek etksn ayrı ayrı göreblmek mümkündür. Çok kategorl değģkenlern ayrıntılı olarak nceleneblmes çn, kategor sayısından br eksk yen br kodlama Ģlem yapılmaktadır. Örneğn, bzm çalıģmamızda yaģ değģken 5 kategorden oluģmaktadır. Bu tür br analz yapablmek çn aģağıdak gb br kodlama Ģlem uygun olacaktır 32 : Esk kodlama Yen kodlama yaģ grubu yaģ grubu yaģ grubu yaģ grubu yaģ grubu Yukarıdak kodlama Ģlem son kategor referans alınarak yapıldığından, değģkenlere lģkn parametrelern yorumu da son kategorye göre yapılacaktır 33.

14 142 Daha önce anlamlı bularak yorumladığımız modelde yer alan cnsyet ve meden durum dıģındak değģkenler çok kategorl olduğundan, her kategorye lģkn ayrıntılı analz yapablmek çn yukarıda bahsettğmz bçmde br çözüme gdlmģ ve aģağıdak sonuçlara ulaģılmıģtır: Anlamlılık ˆ Wald Sevyes Exp( ˆ ) Sabt 3,432 23,795 0,000 0,032 Cnsyet 0,476 5,418 0,020 1,609 YaĢ 11,888 0,018 YaĢ(1) 1,176 7,623 0,006 3,241 YaĢ(2) 0,821 5,162 0,023 2,273 YaĢ(3) 0,146 0,177 0,674 0,864 YaĢ(4) 0,259 1,166 0,280 1,295 Meden durum 0,480 3,951 0,047 1,616 S.Ek. Statü 10,580 0,032 S.Ek.Statü(1) 0,318 0,926 0,336 1,374 S.Ek.Statü(2) 0,133 0,160 0,689 0,875 S.Ek.Statü(3) 0,475 2,068 0,150 0,622 S.Ek.Statü(4) 0,471 1,920 0,166 0,625 Doğru sınıflama oranı : %86,8 Hosmer-Lemeshow test statstğ: 4,224 ve anlamlılık sevyes: 0,836-2log lkelhood : 747,874 Cox-Snell R 2 :0,268 Nagelkerke R 2 : 0,396 Çok kategorl olan yaģ ve sosyo-ekonomk statü değģkenlernn, her kategorsn ayrı olarak değerlendrmeye olanak sağlayan yukarıdak modeln sonuçları ncelendğnde, yaģ değģkenn 1 değern aldığı yaģ grubunda alıģverģ sırasında fyata çok fazla dkkat edlmedğ anlaģılmaktadır. Ntekm, bu özellkte br tüketc, ler yaģ grubundaklere kıyasla 3,241 kat daha fazla fyata dkkat etmemektedr. Benzer eğlm, yaģ grubu çnde geçerl olmakla beraber bu yaģ grubunda ler yaģtaklere kıyasla 2,273 kat daha fazla fyata dkkat edlmemektedr. Sosyo-ekonomk statü değģken açısından değerlendrldğnde özellkle alt gruplarda fyata dkkat etme eğlmnn daha fazla olduğu görülmektedr. Tüketclern fyat blncn ortaya koymak amacıyla, süpermarketlern fyatları arasında karģılaģtırma yapıp yapmadıkları da ncelenmģtr. Marketler arasında fyat karģılaģtırması yapma ve yapmama le tüketcnn cnsyet, yaģı, eğtm sevyes,

15 143 meden durumu ve sosyo-ekonomk statüsü yanında market alıģverģlernde fyata dkkat edp etmemes de modele açıklayıcı değģken olarak alınmıģ ve aģağıdak sonuçlara ulaģılmıģtır: Anlamlılık ˆ Wald Sevyes Exp( Sabt -4,666 41,009 0,000 0,009 Cnsyet 0,428 5,845 0,016 1,534 YaĢ -0,063 0,585 0,444 0,939 Meden Durum 0,032 0,026 0,871 1,033 Eğtm 0,264 6,451 0,011 1,302 S.Ek. Statü -0,089 1,056 0,304 0,915 Market 2, ,567 0,000 9,588 AlıĢverĢlernde Fyata Dkkat Edp Etmeme Doğru sınıflama oranı: %80,8 Hosmer-Lemeshow test statstğ: 3,149 ve anlamlılık sevyes: 0,925-2log lkelhood : 941,183 Cox-Snell R 2 : 0,225 Nagelkerke R 2 : 0,313 ˆ ) Yukarıdak sonuçlar ncelendğnde tüketcnn, cnsyet, eğtm sevyes ve market raflarında yer alan benzer ürünlern fyatlarını karģılaģtırıp karģılaģtırmaması dıģındak değģkenlern, marketler arasında fyat karģılaģtırması yapıp yapmamaları üzernde etkl olmadığı görülmektedr. Anlamsız olduğu tespt edlen değģkenler model dıģında bırakılarak yapılan çözüme lģkn sonuçlar se aģağıda gösterlmģtr: Y=-5, ,405Cns + 0,334Eğtm + 2,284 Benzer ürün. fyat karģ.yapma Wald (151,762) (5,388) (18,341) (114,253) Anlamlılık Sevyes (0,000) (0,020) (0,000) (0,000) Exp( ˆ ) 0,005 1,499 1,397 9,814 Doğru sınıflama oranı: %80,3 Hosmer-Lemeshow test statstğ: 2,852 ve anlamlılık sevyes: 0,898-2log lkelhood : 942,788 Cox-Snell R 2 :0,224 Nagelkerke R 2 : 0,312

16 144 Yukarıdak sonuçlar ncelendğnde, modelde yer alan tüm değģkenlern anlamlı olduğu görülmektedr. Buna göre, kadınlar erkeklere kıyasla marketler arasında daha fazla fyat karģılaģtırması yapmaktadır. BaĢka br deyģle, kadınlar erkeklere oranla 1,499 kat daha fazla marketler arasındak fyat değģmelern takp etmektedrler. Öte yandan, eğtm sevyes yükseldkçe, marketler arasında fyat karģılaģtırması yapmama eğlm artmaktadır. Market alıģverģler sırasında benzer ürünler arasında fyat karģılaģtırması yapan tüketclern, marketler arasında da fyat karģılaģtırması yapma eğlm çnde olduğu anlaģılmaktadır. Ntekm, market alıģverģler sırasında benzer ürünler arasında fyat karģılaģtırması yapan tüketclerde, marketler arasında da fyat karģılaģtırması yapma eğlm 9,814 kat daha fazla görülmektedr. Son olarak, eğtm sevyes çok kategorl br değģken olduğundan ayrıntılı olarak ele alınmıģ ve aģağıdak sonuçlar elde edlmģtr: Anlamlılık ˆ Wald Sevyes Exp( ˆ ) Sabt -3, ,910 0,000 0,020 Cnsyet 0,404 5,344 0,021 1,497 Eğtm 18,659 0,000 Eğtm(1) -0,983 15,760 0,000 0,374 Eğtm(2) -0,724 7,789 0,005 0,485 Eğtm(3) -0,377 3,476 0,053 0,686 Market 2, ,263 0,000 9,806 AlıĢverĢlernde Fyata Dkkat Edp Etmeme Doğru sınıflama oranı: %80,3 Hosmer-Lemeshow test statstğ: 2,249 ve anlamlılık sevyes: 0,945-2log lkelhood : 942,676 Cox-Snell R 2 :0,351 Nagelkerke R 2 : 0,462 Bu sonuçlara göre, yüksek eğtm sevyelerne kıyasla, düģük eğtm sevyelerndek tüketcler (ünverste mezunlarına göre lkokul (1), ünverste mezunlarına göre ortaokul (2), ünverste mezunlarına göre lse mezunları (3)) daha fazla fyat karģılaģtırması yapmaktadır. BaĢka br deyģle, ünverste mezunlarına kıyasla lkokul mezunları 0,374 kat, ortaokul mezunları 0,485 kat ve lse mezunları se 0,686 kat daha fazla marketler arasında fyat kıyaslaması yapmaktadır.

17 7. Sonuç 145 ÇalıĢmamızda, tüketclern alıģverģler sırasında fyat unsuruna ne derece dkkat ettğn ortaya koymak üzere, süpermarket alıģverģler sırasında raflarda yer alan benzer ürünlern fyatları arasında karģılaģtırma yapıp yapmamaları le yaģ, cnsyet, eğtm sevyes, meden durum ve sosyo-ekonomk statü arasında, öte yandan, aynı değģkenler le tüketclern br ürünün çeģtl marketlerdek fyatları arasında karģılaģtırma yapıp yapmamaları arasında lģk olup olmadığı tespt edlmeye çalıģılmıģ ve aģağıdak sonuçlara ulaģılmıģtır: Tüketcnn cnsyet, fyat blnc üzernde etkl br değģkendr ve kadınlar erkeklere oranla market alıģverģler sırasında benzer ürünler arasında daha fazla fyat karģılaģtırması yapmaktadır. Tüketcnn yaģı ve meden durumu da fyat blnc üzernde etkl olmaktadır. Buna göre, ler yaģ gruplarında yer alan tüketcler genç yaģ gruplarındaklere kıyasla daha fazla fyat karģılaģtırması yapmaktadır. Öte yandan, tüketcnn sosyo-ekonomk statüsü de fyat blnc üzernde etkl br dğer değģkendr ve tüketcnn sosyoekonomk statüsü düģtükçe fyat karģılaģtırması yapma eğlm artmaktadır. Dğer yandan cnsyet, marketler arasında fyat karģılaģtırması yapma üzernde de etkl olmaktadır ve kadınlar erkeklere oranla bu anlamda daha fazla fyat kıyaslaması yapmaktadır. Eğtm sevyes de marketler arasında fyat karģılaģtırması yapma üzernde etkl br faktör olup, eğtm sevyes yükseldkçe bu tür fyat kıyaslaması yapma eğlm azalmaktadır. Market alıģverģler sırasında, benzer ürünlern fyatları arasında karģılaģtırma yapan tüketcler, marketler arasında da fyat kıyaslaması yapmaktadır. NOTLAR Cumhuryet Gazetes, 12 Nsan 2004, s.13. Cumhuryet Gazetes, 17 Nsan 2004, s.12. ULUTÜRK, S., Süpermarket AlıĢverĢlernde Tüketclern Fyat Blnc, Malye AraĢtırma Merkez Konferansları 45. Ser, Ġstanbul, 2004, s Anket çalıģmalarında deneklern gelr düzeylerne lģkn sorulara verdkler cevapların gerçeğ yansıtmaması nedenyle, deneğn eğtm durumu ve mesleğnden yola çıkılarak oluģturulan sosyoekonomk statüsünün kullanılması uygun görülmüģtür. Bu sınıflamaya lģkn tabloya ekte yer verlmģtr. AKIN, F., Kaltatf Terch Modeller Analz, Ġstanbul, 1996, s.1. GENCELĠ, M., Ekonometr ve Ġstatstk Ġlkeler, Gözden geçrlmģ lavel knc baskı, Flz Ktabev, Ġstanbul, 2001, s KMENTA, J., Element of Econometrcs, Second Edton, Mc Mllan Publshng Company, Newyork, 1990, s.161 ve 208. GUJARATI, D.N.,Temel Ekonometr, Çev. ġenesen, Ü., ġenesen, G., Lteratür Yayıncılık, Ġstanbul, 1999, s ; Gencel, M., a.g.e., s.32. AKIN, F., a.g.e., s.3. GUJARATI, D.N., a.g.e., s GÜRĠġ, S., ÇAĞLAYAN, E., Ekonometr, Temel Kavramlar, Der Yayınları, Ġstanbul, 2000, s.655. AKIN, F., Ekonometr II-Ders Notları, Ġstanbul, 1997, s.311. GUJARATI, D.N., a.g.e., s

18 AMEMIYA, T., Qualtatve Response Models: A Survey, Journal of Economc Lterature, Vol.XIX (December 1981), s Kümülatf normal dağılımdan çıkarılan model normt model olarak da blnmektedr. ÖZDAMAR, K., Paket Programlar le Ġstatstksel Ver Analz, 4. Baskı, Kaan Ktabev, EskĢehr, 2002, s.625. ĠġYAR, Y., Ekonometrk Modeller, Uludağ Ünverstes Basımev, 1994, s.267. GÜRĠġ, S., ÇAĞLAYAN, E., a.g.e., s.659. TATLIDĠL, H., Uygulamalı Çok DeğĢkenl Ġstatstksel Analz, Engn Yayınev, Ankara, 1997, s.289 ve 313. SPSS Professonal Statstcs, 7.5, s.1-2. SPSS Professonal Statstcs, 7.5, s.49. AKIN, F., a.g.e., s.28. RYAN, T., Modern Regresson Methods, John Wıley & Sons Inc., 1997, s.258. GENCELĠ, M., a.g.e., s.58. GENCELĠ, M., a.g.e., s.63. Formüller çn bakınız: Ryan, T., a.g.e., s ; Tatlıdl, H., a.g.e., s KOUTSOYIANNIS, A., Ekonometr Kuramı Ekonometr Yöntemlernn Tanıtımına GrĢ, Çev.ġenesen, Ü., ġenesen, G., Teor Yayınları, Ankara, Ekm 1989, s RYAN, T., a.g.e., s.269. BROWN, W.S., Introducng Econometrcs, West Publshng Company, USA,1991, s.315. Exp( ˆ ) değerler, odds rato olarak değerlendrlmekte olup, Y olayının gerçekleģme olasılığının Y olayının gerçekleģmemes olasılığına oranlanmasıyla hesaplanmaktadır. Dolayısıyla Exp( ˆ ) değerler, Y değģkenn bağımsız değģkenn etksyle kaç kat daha fazla gözlenme olasılığına sahp olduğunu gösterr. parametresnn anlamlı bulunması Exp( ˆ ) değernn de anlamlı olduğunu fade etmektedr. Bkz: Özdamar, K., a.g.e., s SPSS, Professonal Statstcs, 7.5, s SPSS paket programı bu Ģlem Categores seçeneğ le otomatk olarak gerçekleģtrmektedr Ġlk kategory referans olarak almak da mümkündür. Bu taktrde yorumlamalar lk kategorye göre yapılacaktır.bkz: SPSS Professonal Statstcs 7.5, s KAYNAKLAR AKIN, F., Kaltatf Terch Modeller Analz, Ġstanbul, AKIN, F., Ekonometr II-Ders Notları, Ġstanbul, AMEMIYA, T., Qualtatve Response Models: A Survey, Journal of Economc Lterature, Vol.XIX (December 1981), s BROWN, W.S., Introducng Econometrcs, West Publshng Company, USA,1991. CUMHURĠYET GAZETESĠ, 12 Nsan 2004, s.13. CUMHURĠYET GAZETESĠ, 17 Nsan 2004, s.12. GENCELĠ, M., Ekonometr ve Ġstatstk Ġlkeler, Gözden geçrlmģ lavel knc baskı, Flz Ktabev, Ġstanbul, GUJARATI, D.N.,Temel Ekonometr, Çev. ġenesen, Ü., ġenesen, G., Lteratür Yayıncılık, Ġstanbul, GÜRĠġ, S., ÇAĞLAYAN, E., Ekonometr, Temel Kavramlar, Der Yayınları, Ġstanbul, ĠġYAR, Y., Ekonometrk Modeller, Uludağ Ünverstes Basımev, KMENTA, J., Element of Econometrcs, Second Edton, Mc Mllan Publshng Company, Newyork, 1990.

19 147 KOUTSOYIANNIS, A., Ekonometr Kuramı Ekonometr Yöntemlernn Tanıtımına GrĢ, Çev.ġenesen, Ü., ġenesen, G., Teor Yayınları, Ankara, Ekm ÖZDAMAR, K., Paket Programlar le Ġstatstksel Ver Analz, 4. Baskı, Kaan Ktabev, EskĢehr, RYAN, T., Modern Regresson Methods, John Wıley & Sons Inc., SPSS Professonal Statstcs 7.5. TATLIDĠL, H., Uygulamalı Çok DeğĢkenl Ġstatstksel Analz, Engn Yayınev, Ankara, ULUTÜRK, S., Süpermarket AlıĢverĢlernde Tüketclern Fyat Blnc, Malye AraĢtırma Merkez Konferansları 45. Ser, Ġstanbul, EK: SOSYO-EKONOMĠK YAPININ BELĠRLENMESĠNDE KULLANILAN TABLO HANE HALKI REĠSĠ EĞĠTĠM HANE HALKI REĠSĠ Ġlkokul Ortaokul Lse Ünverste MESLEK mezunu mezunu mezunu Mezunu KENDĠ HESABINA ÇALIġANLAR Profesyonel meslek sahpler (Doktor, avukat, mal müģavr A mmar, mühends vb.) Küçük esnaf (Bakkal, manav, kasap, balıkçı, büfe vb.) C2 C1 C1 Büyük esnaf (Mağaza, butk sahb vb.) C2 C1 B A Tüccar, thalatçı, hracatçı, dayanıklı tüketm malları ve oto bayler, C2 C1 B A toptancılar Sanayc, fabrkatör (üretm yapan tess sahb) C1 B A A Çftç, balıkçı (büyük motorla çalıģan) C2 C1 B ÜCRETLĠ ÇALIġANLAR Profesyonel meslek sahpler (Doktor, avukat, mal müģavr B mmar, mühends vb.) Üst düzey yönetc (Yanında 1-5 kģ çalıģtıran) C2 C1 B Üst düzey yönetc (Yanında 6 veya daha fazla kģ çalıģtıran) C1 B A Orta düzey yönetc Yanında 1-5 kģ çalıģtıran) C2 C1 C1 Orta düzey yönetc (Yanında 6 veya daha fazla kģ çalıģtıran) C2 C1 B Memur veya büro elemanı C2 C2 C1 Vasıflı Ģç C2 C2 C1 Vasıfsız Ģç C2 ÇALIġMAYANLAR Ġrad, rant sahb (Kra, faz, borsa gelr) C2 C1 B A