C.Ü. İktsad ve İdar Blmler Dergs, Clt 15, Sayı 1, 2014 95 SIRALI LOJĠSTĠK REGRESYON ANALĠZĠYLE ÜNĠVERSĠTE ÖĞRENCĠLERĠNĠN KENT MEMNUNĠYETĠNĠ ETKĠLEYEN FAKTÖRLERĠN BELĠRLENMESĠ: ERZĠNCAN ÜNĠVERSĠTESĠ ÖRNEĞĠ Selahattn YAVUZ *, Muhammet DEVECĠ **, Turgut KARABULUT *** ve Elf ġentürk **** Özet Sosyal blmlerde sıkça karģılaģılan memnunyet araģtırmalarında elde edlen verlern çoğu kategork ver yapısına uymaktadır. Bu tür verlern çözümlenmesnde kullanılacak teknğn doğru seçlmes, güvenlr sonuçların elde edlmes açısından çok önemldr. Bu açıdan sıralı lojstk regresyon analz, sıralı kategork değģkenlern tüm düzeylernde açıklayıcı değģkenlern etklern belrlemek çn uygun br teknktr. Ayrıca, lojstk regresyon analz bağımlı değģkenn kategork br değģken olması durumunda çoklu regresyon modelnn br türü olarak düģünüleblr. Bu çalıģmada önce lojstk regresyon ve sıralı lojstk regresyon analz teork olarak ncelenmģtr. Daha sonra Erzncan Ünverstes öğrenclernn kent memnunyet sosyo-demografk değģkenler bazında ncelenmģ. Farklı fakültelerde öğrenm gören öğrenclern, normal - knc öğretm öğrenclernn ve ayrıca farklı sınıflarda okuyan öğrenclern kent memnunyetlernn brbrnden farklı olduğu tespt edlmģtr. Anahtar Kelmeler: Lojstk Regresyon, Sıralı Lojstk Regresyon, Kent Memnunyet The Determnaton of Factors Influencng Cty Satsfacton of Unversty Students through Ordnal Logstc Regresson Analyss: The Case of Erzncan Unversty Abstract Most of data obtaned from satsfacton surveys whch were most frequently encountered n the socal scences comples wth the categorcal data structure. The correct selecton of the technque used n the analyss of such data, s very mportant to obtan * Yrd. Doç. Dr., Erzncan Ünverstes, ĠĠBF, ĠĢletme Bölümü, Erzncan, selahyavuz@hotmal.com. ** ArĢ. Gör., Yıldız Teknk Ünv., Makne Fakültes, Endüstr Mühendslğ Bölümü, Ġstanbul, mdevec@yldz.edu.tr. *** ArĢ. Gör., Erzncan Ünverstes, ĠĠBF, ĠĢletme Bölümü, Erzncan, tkarabulut@erzncan.edu.tr. **** Doktora Öğrencs, Marmara Ünverstes, Sosyal Blmler Ensttüsü, Ġstanbul, elfsenturk@marmara.edu.tr.
96 YAVUZ, DEVECİ, KARABULUT ve ŞENTÜRK relable results. In ths respect, ordnal logstc regresson analyss s a sutable technque n order to determne the effects of explanatory varables for all levels of ordered categorcal varables. In addton, n case of the dependent varable s a categorcal varable, logstc regresson analyss can be consdered as a type of multple regresson model. In ths study, frstly logstc regresson and ordnal logstc regresson analyss were examned theoretcally. Then, the cty satsfacton of Erzncan unversty students are nvestgated based on soco-demographc varables. t s founded that cty satsfacton of the students studyng on dfferent subjects, frst(day-tme) and second(ngth-tme) students,and also dfferent grade students are dfferent from each other. Keywords: Logstc Regresson, Logstc Regresson Lne, The Cty Satsfacton GĠRĠġ Günümüzde nsanların yaģadığı kentten memnun olup olmadıkları, üzernde durulması gereken en öneml konuların baģında gelmektedr. Ġnsanların yaģadığı kentten memnunyet hem kendlern hem de o Ģehrn yönetclern doğrudan lglendrmektedr. Ġnsanların yaģadığı kentten memnun olup olmadıkları, baģta yerel yönetcler olmak üzere o Ģehrn yönetclernn de baģarılı olup olmadığının br göstergesdr. Kentlerde yaģayan breylern öneml br kısmını ünverste öğrencler oluģturmaktadır. Ünverste sayısının sınırlı olduğu, ünverste adaylarının fazla olduğu yıllarda öğrencler, ünverste terchlern yaparken okuyacağı Ģehrn olumlu ve olumsuz yönlern blmeden ve kent hakkında araģtırma yapmadan terchlern yapmaktaydılar. Fakat günümüzde her lde br ünverste hatta bazı llerde brden fazla ünverste bulunması öğrenclern ünverste ve kent terchn daha da seçc kılmaktadır. Ünverste adayları, fazla sayıda ünverste bulunması fırsatını kullanarak terch edeceğ ünverstey sosyal medya aracılığıyla veya lgl ünverstede okuyan tanıdık öğrencler vasıtasıyla ünverste ve kent hakkında blg ednmektedr. Ünverstenn bulunduğu kent, öğrencler; sosyokültürel, yaģam kaltes ve ekonomk bakımdan etklemektedr. Hatta öğrencler ve aleler bakımından en öneml faktör olan baģarılarını dah etklemektedr. Bu çalıģmada Erzncan Ünverstes nde okuyan öğrenclern kent memnunyet araģtırılmaya çalıģılmıģtır. Kent memnunyet; öğrenclern yaģları, cnsyetler, okudukları fakülteler gb temel brtakım değģkenlere göre ncelenmek stenmģtr. Bu sebeple ünverste öğrenclerne br memnunyet anket uygulanmıģ ve ankette yer alan sosyo-demografk değģkenlern kategork yapıları sebebyle Ordnal Lojstk Regresyon Analz ne tab tutulması uygun bulunmuģtur. Daha önce Erzncan Ünverstesnde okuyan öğrenclern kent memnunyet lgl herhang br araģtırılma yapılmamıģtır. Bu çalıģma bu yönü le
C.Ü. İktsad ve İdar Blmler Dergs, Clt 15, Sayı 1, 2014 97 hem lk çalıģma hem de Erzncan Ünverstes ve Erzncan çn büyük br önem taģımaktadır. I.LĠTERATÜR Lteratür ncelendğnde memnunyet ve sıralı lojstk regresyon le lgl bazı çalıģmalar yapılmıģtır. Bunlar; Akın ve ġentürk (2012), Breylern mutluluk düzeylern ordnal lojstk regresyon analz le ncelemģtr. Bu çalıģmada Avrupa YaĢam Kaltes anktetnn 2007 Türkye verler kullanılmıģ olup, breylern mutluluk düzeyler sosyo-demografk değģkenlere göre ncelenmģtr. Yapılan analzle genel mutluluk düzeynn yüksek olduğu, erkeklern kadınlara göre daha mutlu olduğu, gelr arttıkça mutluluk sevyesnn yükselmesne karģın eğtm sevyes artıģının bell br düzeyden sonra mutluluk sevyesnn azalmasına sebep olduğu sonucuna ulaģılmıģtır. Cankurt ve arkadaģları (2010), çalıģmalarında Ġzmr de yaģayan nsanların sığır et terchn etkleyen faktörler belrlemeye çalıģmıģlardır. Faktörlern belrlenmesnde lojstk regresyon yöntem kullanılmıģtır. Kalp damar hastalığı bulunan nsanların sığır et tüketm daha düģük bulunurken, gelr yüksek olan nsanların se daha yüksek olarak bulmuģlardır. AkkuĢ ve arkadaģları (2010), çalıģmalarında 2007 yılında Türkye de faalyet gösteren tcar bankaların verlerne göre dskrmnant analz ve sıralı lojstk regresyon yöntemler kıyaslanmıģ ve sıralı lojstk regresyonun daha baģarılı br yöntem olduğunu tespt etmģlerdr. Cengz (2009), çalıģmasında breylern mevcut kred kartlarını değģtrmede terchlern araģtırıp, bnary lojstk regresyon analzne göre cnsyet, yaģ, kred kartının kullanım alanı çokluğu, kred kartının lmtnn yükseklğ, nternetten alıģ-verģe uygun olması, kred kartını sağlayan kurumun majı gb değģkenlern terch nasıl etkledğn tespt etmeye çalıģmıģtır. Akdenz ve Nzam (2008), hastanelerde verlen hzmet kaltesn sıralı lojstk regresyon le tahmnde bulunmuģlardır. Bu tahmn yapılırken doktor baģına düģen polklnk sayısı, uzman doktor baģına yatılan gün ve yatak baģına yatılan gün değģkenler göz önüne alınmıģtır. Totan ve Yöndem (2007), çalıģmalarında ergenlğe gren gençlerdek annebaba, arkadaģ lģklernn cnsyete dayalı olarak zorbalık davranıģları üzerndek etksn araģtırmıģlardır. Çoklu sıralı lojstk regresyon analzne göre gençlern anne-baba le olan lģks arttıkça zorbalık davranıģlarının azaldığını tespt etmģlerdr. Ġlhan ve arkadaģları (2002), alkol bağımlılarında alkole baģlamada, ale ve alede çen brnn varlığı, arkadaģ grubunun etkler le çme davranıģları
98 YAVUZ, DEVECİ, KARABULUT ve ŞENTÜRK arasındak lģk ncelenmģtr. Bu lģky ncelenrken k-kare, lojstk regresyon, One-way Anova ve Mann-Whtney U testler uygulanmıģtır. AraĢtırma sonucuna göre arkadaģ çevresnn etks en sık neden olarak bulunmuģtur. II. LOJĠSTĠK REGRESYON ANALĠZĠ Bağımlı ve bağımsız değģken ayırımın yapıldığı çok değģkenl br modelde bağımlı değģken nomnal ölçekl br değģken olduğunda en küçük kareler teknğyle elde edlen tahmnler yetersz kalmaktadır. Dğer br deyģle tahmn edlen varyanslar artık mnmum değldr. Çünkü en küçük kareler teknğ bağımlı değģkenn normal dağılıma uyduğunu varsaymaktadır. Bağımlı değģken nomnal ölçekl olduğunda bu varsayım sağlanamamaktadır. (Kalaycı vd., 2006: 273) Bağımlı değģkenn nomnal ölçekl olduğu br modelde en küçük kareler teknğne alternatf olarak kullanılablen teknkler arasında dskrmnant ve lojstk regresyon modeller yer almaktadır (Kalaycı vd.,2006: 273). Lojstk Regresyon Analz, bağımlı değģkenn kategork olduğu durumlarda değģkenler arasındak lģknn açıklanmasında kullanılan dğer yöntemlere terch edlmektedr. Bunun en öneml neden bağımsız değģkenlern çok değģkenl normal dağılıma uygun olması ve sahp olduğu blnen grupların varyans ve kovaryanslarının homojen (eģt) olması gb öneml varsayımlara htyaç duymadan kullanılablmesdr(akın ve ġentürk, 2012:184). Lojstk Regresyon Analz, bağımlı değģken k veya kden çok kategorye sahp olan br denklemde, bağımsız değģken veya değģkenler le bağımlı değģken arasındak lģky fade etmekte kullanılan br yöntemdr. k bağımsız değģken ve N gözlem olduğunda doğrusal regresyon modelnn genel formu.gözlem çn, y x x... x 0 1 1 2 2 k k (1) bçmndedr. Örneklem büyüklüğü n olduğunda se doğrusal regresyon model, ^ ^ ^ ^ 0 1 x1 2 x2... k y x e (2) Ģeklnde yazılır. k
C.Ü. İktsad ve İdar Blmler Dergs, Clt 15, Sayı 1, 2014 99 Bağımlı değģkenn alableceğ değerlern 0-1 arasında olmasını sağlamak çn bağımsız değģken ve bağımlı değģken arasında eğrsel br lģky sağlayan model kullanmak daha uygundur. β1 n Ģaretne göre S veya ters S Ģeklnde olan eğrler sağlayan, exp( 0 1x1 2x2... k xk E( y ) 1 exp( x x... x 0 1 1 2 2 formundak bu fonksyona Lojstk Fonksyon adı verlr. Bu lojstk fonksyonlar genellkle S Ģeklnde fonksyon olarak smlendrlr. Bunlar 0 ve 1 asmtotlarına sahptr ve böylece E(y), 0 le 1 sınırları arasında kalır (Le, 2003, 318). Lojstk fonksyonun dğer br özellğ de kolayca doğrusallaģtırılablr olmasıdır ve ln( ) (4) 1 dönüģümü yapılarak bağlantı fonksyonu elde edlr. EĢtlk (4) dek /( 1 ) oranı se Odds Oranı olarak ntelendrlr. Odds oranının doğal logartması alınarak log odds dönüģümü se Lojt dönüģüm olarak smlendrlr (Mles ve Shevln, 2001, 155) ve ln odds çn elde edlen, E ( y ) 0 1x1 2x2... k xk (5) modele Lojstk (ya da lojt) Regresyon Model denr. E( y ) se - ve arasında değer almaktadır (AktaĢ ve ErkuĢ, 2009: 51). Lojstk regresyon yöntemnde bağımlı değģken ntel(kategork) olmak zorunda ken, bağımsız değģken(ler) her türlü ölçüm bçmne sahp olablr. Yan lojstk regresyon analznde bağımsız değģkenlern ölçüm bçm hakkında kısıtlayıcı durum yoktur (Sümbüloğlu ve Akdağ, s:38). Lojstk regresyon analz normal doğrusal regresyon analzlernde farklı br yöntemle yorumlanır. Bu analzde kullanılan bağımlı değģken br oran Ģeklnde tanımlanırken, bağımsız değģkenlern öneml br kısmı kategork değģkenlerden oluģur (Kartal vd., 2011:54). Lojstk regresyon analz, bağımlı değģkenn ntelğne göre; Ġk kategorl (Bnary), Ġkden çok kategorl nomnal (Multnomal) ve Ġkden çok kategorl ordnal (Sıralı) lojstk regresyon olmak üzere 3 e ayrılmaktadır. Bağımlı değģken kden çok sayıda kategorl se multnomnal lojstk regresyon yöntem, bağımlı değģken kden çok sayıda kategorl ve sıralı olarak belrtlyorsa ordnal lojstk regresyon yöntem kullanılır. Bağımlı değģkenn kategor sayısına göre uygulanacak lojstk regresyon yöntem farklıdır. Hang yöntemn hang durumda kullanılacağı Tablo 1 de gösterlmģtr. k k (3)
100 YAVUZ, DEVECİ, KARABULUT ve ŞENTÜRK Tablo 1: Lojstk Regresyon Yöntemlernn Uygulanacağı Durumlar Bağımlı DeğĢken Kategor Sayısı Bağımsız DeğĢken Sayısı Bağımsız DeğĢkenn Kategor Sayısı Uygulanacak Yöntem 2 1 2 Bnomnal Lojstk Regresyon 2 1 2+ Bnomnal Lojstk Regresyon 2 2+ ÇeĢtl Çok değģkenl Lojstk Regresyon 2+sırasız Tek/Çok ÇeĢtl Multnomnal Lojstk Regresyon 2+sıralı Tek/Çok ÇeĢtl Ordnal Lojstk Regresyon Kaynak: http://78.189.53.61/-/bs/ess/k_sumbuloglu.pdf, 05/04/2013 A. SIRALI LOJĠSTĠK REGRESYON ANALĠZĠ Doğrusal, lojstk ve sıralı lojstk modellernn uygulanması büyük ölçüde bağımlı değģkene ve model varsayımlarının sağlanmasına bağlıdır. Bağımlı değģkenler sürekl, k kategorl veya sıralı çok kategorl olarak ölçülmüģ olablr. Doğrusal ve lojstk regresyon teknklernn yaygınlığına karģın, bağımlı değģkenn sıralı olarak gözlemlendğ çalıģmalarda sıralı lojstk regresyon analz tek alternatf teknktr (Ayhan, 2006:21) Bağımlı değģken kategorlernn kden fazla olması durumunda gelģtrlmģ br yöntem olan sıralı (ordered) olasılık modellernde düzeyler arasında belrgn br sıralama vardır. gözlenemez ve gözlenen olayın gzl eğlm olarak düģünülmektedr. Model, gzl değģken yaklaģımına dayalı olarak genel fades eģtlk(6) dak gbdr (Klaeboe, 2003). EĢtlk (6) da X açıklayıcı değģkenler vektörünü, k se modeldek açıklayıcı değģken sayısını göstermektedr. Hata term nun normal ya da lojstk gb 0 ortalama le belrl smetrk br dağılım gösterdğ varsayılır. Bağımlı değģkenn J tane sıralı kategorsnn olduğu düģünülürse, gözlenen düzeyler le eğlmler arasındak lģk aģağıdak gb verleblr. (6) (7) Burada,, gözlemler (=1, 2,, N), J se bağımlı değģkenn düzey sayısını göstermektedr. EĢtlk (7) de, bağımlı değģken düzeynn kodlaması 0 dan
C.Ü. İktsad ve İdar Blmler Dergs, Clt 15, Sayı 1, 2014 101 baģladığı çn toplam J+1 tane düzey olduğuna dkkat edlmeldr. ler, yan yana olan kategorler ayıran blnmeyen eģk parametrelerdr. Bu parametreler, gözlemlern gzl değģkenn ( ) hang değerlernden sonra fkr değģtrdklern ve bağımlı değģkende kodlanan dğer seçeneklere doğru yönlendklern göstermektedr. Sıralı kategorlere sahp olan bağımlı değģken modeller çn olasılıklar gzl değģken yaklaģımı kullanılarak Ģu Ģeklde fade edlrler (McKelvey, 1975). EĢtlk (8), gözlenen y nn j. kategorye düģmes olasılığının genel br bçmn vermektedr. Hata termnn dağılım fonksyonunu gösteren F n lojstk dağılımı fade ettğ varsayımı altında ler le lar sıralı lojt model le tahmn edlrler. Herhang br gözlemn bağımlı değģkenn j. kategorsne eģt ya da daha küçük olma olasılığı, bçmnde fade edlr., lojstk dağılımı göstermek üzere, gözlemlern bağımlı değģken kategorlerne düģme olasılıkları, (8) (9) (10) bçmnde hesaplanır. EĢtlk (8) de tüm olasılıkların poztf olablmes çn, kısıtının sağlanması gerekr. J+1 kategorl br bağımlı değģken çn gzl değģken ın J+1 tane alan oluģturacak bçmde bölünmes gerekmekte ve J+1 tane oluģturulablmes çn J tane eģk parametresne htyaç duyulmaktadır. Modeln sabt term çermes durumunda eģk parametrelernden br tanes tahmn edlemez. Bu amaçla Greene (2000), lk eģk parametresnn ( ), 0 a normalleģtrlmesn önermģtr. Bu durumda J-1 tane eģk parametresnn tahmnne htyaç duyulur. Ġlk eģk parametres 0 olduğundan tahmn edlen eģk parametrelernn hepsnn poztf olması gerekmektedr ve aralarında lģks vardır (Uçar, 2004). Sıralı lojstk regresyon modelndek katsayılar yorumlanırken poztf br katsayı olasılıkta br artıģ veya baģka deyģle bağımsız değģkenlerdek artıģ,
102 YAVUZ, DEVECİ, KARABULUT ve ŞENTÜRK bağımlı değģkende artıģ anlamına gelr. Negatf katsayılar çn de ters doğrudur (Öksüzler ve Sürekç, 2010:98). 1.Paralellk Varsayımı Test Ordnal Lojstk Regresyonun sahp olduğu paralellk varsayımı, bağımlı değģkene at kategorlern brbrne paralellğn gerektrr. Dolayısıyla Paralel Doğrular Varsayımı olarak blnr ve aynı parametrelere sahp bütün kategorlern uygunluğunu test eder. Bu varsayımın yerne gelmedğ durumlarda; örneğn az sayıda denek çeren kategorlern bulunması durumunda bunların brleģtrlmes yoluna gdleblr, ayrıca Bnary veya Multnomal Lojstk Regresyon Analz de varsayıma uyulmadığı durumlar çn alternatf olarak düģünüleblr (Akın ve ġentürk, s:185) Aynı parametrelere sahp tüm kategorlern uygunluk varsayımını test eder. Örneğn br katsayılar setnn tüm kategorler çn uygun olup olmadığı gb. Varsayım yerne gelmezse, değģk yaklaģımlar kullanılablr (Sümbüloğlu ve Akdağ, 2007:65): Bazı kategorler az sayıda denek çeryorsa, k ya da daha fazla kategor brleģtrleblr. Ġkl ordnal lojstk analz yapılablr. Bu analz herhang br bağımsız değģkenn, bağımlı değģkenn değģk kategorlernde farklı br etk yapıp yapmadığını denetler. Kısm orantılı odds model kullanılablr. Multnomnal lojstk regresyon kullanılablr. 2.Bağlantı (Lnk) Fonksyonları Sıralı regresyonda beģ farklı lnk fonksyonu vardır. Bunlar Tablo-2 de gösterldğ gb özetleneblr. Tablo-2 dek sembolü olayın meydana gelme olasılığını gösterr. Sıralı regresyonda unutulmamalıdır k br olayın htmal kümülatf olasılıklar açısından yenden tanımlanır(http://www.noruss.com). Tablo-2:Lnk(Bağlantı) Fonksyonları ve Bçmler Fonksyon Bçm Tpk BaĢvuru Lojt EĢt olarak dağıtılan kategorler ln( 1 ln( ) ln(1 Complementarylog-log )) Yüksek kategorler ve daha fazla htmal Negatvelog-log ln( ln( )) DüĢük kategorler ve daha fazla htmal Probt 1 ( ) Gzl değģkenn dağılımı normal Caucht (Ters Cauchy) tan( ( 0,5)) Gzl değģken aģırı uç değerl Kaynak: http://www.noruss.com/pdf/aspc_v13.pdf, 07/04/2013
C.Ü. İktsad ve İdar Blmler Dergs, Clt 15, Sayı 1, 2014 103 III. UYGULAMA Bu anket çalıģması 01-15 Mart 2013 tarhler arasında Erzncan Ünverstes ndek çeģtl fakültelerde toplam 1025 öğrencyle ttzlkle gerçekleģtrlmģtr. Bazı anketlerdek eksk verlerden dolayı 1011 anket değerlendrmeye alınmıģtır. Bu çalıģma çn beģl lkert ölçeğnde kent memnunyetne yönelk 6 sı demografk olmak üzere 32 sorudan oluģan soru formu hazırlanmıģtır. ÇalıĢmanın amacı, Erzncan da okuyan öğrenclern bu Ģehrden memnunyet düzeylern etkleyen faktörler belrlemek ve bunları okudukları fakülteler, sınıflar gb çeģtl değģkenlere göre detaylandırmaktır. AraĢtırmanın evren Erzncan Ünverstesnde okuyan ve Ģehr merkeznde kamet eden 13100 fakülte öğrencsdr. Bu ana kütleden %3 hata payı le en uygun örneklem büyüklüğünün belrlenmes çn (11) nolu formül uygulanarak (Saracel vd, 2002:28), N n 1 ( N * 0,03 13100 1 (13100 * 0,03 1024 2 ) 2 ) (11) Ģeklnde bulunmuģtur. Örnekleme hesaplamasına göre %95 güven düzey çn %3 lük br hata payı le yapılan bu anket çalıģmasının analzne baģlamadan önce anketn güvenrlğ Cronbach s Alpha katsayısı le ncelenmģ ve 0,891 çıkmıģtır. Analz çn araģtırma konusu olan öğrenclern memnunyet düzeyler bağımlı değģken göstermektedr. Bu vernn yapısı gereğ ntel özellk göstermektedr. Memnunyet, mutluluk, yaģam kaltes gb çalıģmalar genellkle ntel verlerle yapılmaktadır. Burada, br öncek kısımda açıklanan ntel ver le analz yapmaya uygun olan Lojstk Regresyon Analz kullanılmıģtır. Ayrıca bağımlı değģkene at verler kend çnde br sıraya sahp olduğu çn Ordnal Lojstk Regresyon Analz yöntemnn kullanılması uygun bulunmuģtur. AraĢtırmaya konu olan bağımsız değģkenler se yne kategork yapılı olup öğrenclern sosyo-demografk özellklern ortaya koyan değģkenlerden oluģmaktadır.
104 YAVUZ, DEVECİ, KARABULUT ve ŞENTÜRK A.ÇALIġMADA KULLANILAN DEĞĠġKENLER Bu çalıģmada, öğrenclern Erzncan dan genel memnunyet düzey bağımlı değģken; cnsyet, yaģ, fakülte, sınıf, öğrenm türü değģkenler se bağımsız değģken olarak alınmıģtır. Kategorlern örneklem sayısı arasındak yakınlıktan dolayı 1 den 5 e kadar lkert tp ölçekl olan bağımlı değģken, SPSS te recode nto dfferent varable komutu kullanılarak memnunyet adında 3 kategorl yen br değģkene dönüģtürülmüģtür. Bu kategorler; memnun değl- orta derecede memnun ve memnun olarak yen smlern almıģtır. Memnunyet değģkenne at 5 l ölçek 3 kategorye ndrlmek amacıyla öncelkle farklı Ģekllerde kategorze edlmģ ve elde edlen sonuçlar ncelenmģtr. Bu ncelemelerde elde edlen sonuçlar, ve model uygunluk statstkler yaklaģık olarak aynı olsa da parametre anlamlılıkları göz önüne alındığında yalnızca br denemenn yeterl açıklayıcılıkta olduğu değerlendrlmģtr. Bu kategorlere at denemelerden lk; memnun değl=1: 1, orta derecede memnun=2: 2-3 ve memnun=3: 4-5 tr. Ġknc deneme; memnun değl=1: 1-2, orta derecede memnun=2: 3-4, memnun=3: 5 olmaktadır. En y sonuçları veren memnunyet kategorlernn 1-2, 3, 4-5 aralıkları olduğu görülmüģtür. Bu sebeple 1-2 değerler memnun değl,3 değerler orta derecede memnun ve 4-5 değerler memnun olarak fade edlmģtr. Böylece bu değģken le paralellk varsayımının rahatlıkla sağlandığı gözlenmekle beraber dğer sonuçların da nspeten kabul edleblecek uygun sınırlarda çıktığı görülmüģtür. B. DEĞĠġKENLERE AĠT FREKANS ANALĠZĠ Bağımlı ve bağımsız değģkenlere at frekans ve yüzde değerler Tablo- 3 de gösterlmģtr.
C.Ü. İktsad ve İdar Blmler Dergs, Clt 15, Sayı 1, 2014 105 Tablo-3: Bağımlı ve Bağımsız DeğĢkenlere At Frekans ve Yüzde Değerler DeğĢkenler Kategorler Frekans Oran Erzncan'dan memnunyet Cnsyet Sınıf YaĢ Fakülte Öğrenm Türü Memnun değl 475 47,00% Orta derecede memnun 279 27,60% Memnun 257 25,40% Kız 576 57,00% Erkek 435 43,00% 1. Sınıf 361 35,70% 2. Sınıf 234 23,10% 3. Sınıf 278 27,50% 4. Sınıf 138 13,60% 17-20 389 38,50% 21-22 427 42,20% 23 ve üzer 195 19,30% İİBF 248 24,50% Eğtm 223 22,10% İlahyat 146 14,40% Fen-Edebyat 222 22,00% Mühendslk 82 8,10% Hukuk 90 8,90% Normal Öğretm 603 59,60% Ġknc Öğretm 408 40,40% Öğrenclern Erzncan dan genel memnunyet düzeylerne at frekanslar ncelendğnde genel memnunyetszlğn 475 kģ le %47 gb yüksek br orana sahp olduğu görülmektedr. Orta derece memnun olan öğrenclern oranı %27.6 (279 kģ) ve memnun öğrenclern oranı se %25.4 (257 kģ) le en düģük orana sahptr. Tablo-3 te gösterldğ üzere bu ankete cevap veren 1011 öğrencnn 576 sı kız, 435 erkektr. Ankete katılan kızların oranı %57 ken erkeklern oranı %43 tür. Sınıf değģken çn yapılan frekans analznde ankete en yüksek katılımın %35.7 le brnc sınıf öğrencler olduğu, en az katılımın se %13.6 le dördüncü sınıf öğrencler olduğu görülmektedr. Ankete katılanların yaģ ortalaması 21.09 olarak bulunmuģtur. Anket sorularına verlen cevaplardan yaģ değģken ncel olarak alınmıģ, fakat analze hazır hale getrmek amacıyla 3 farklı kategorye göre atanmıģtır. Bu kategorler 17-20 yaģ aralığı, 21-22 yaģ aralığı ve 23+ yaģ aralığı olarak belrlenmģtr. Yapılan frekans analznde 17-20 yaģ aralığında bulunan öğrenclern oranı %38.5, 21-22 yaģlarındak öğrenclern oranı 42.2 ve 23+ yaģ kategorsndek öğrenclern oranı
106 YAVUZ, DEVECİ, KARABULUT ve ŞENTÜRK se %19.3 olarak elde edlmģtr. Buradan da en yüksek orana genel yaģ ortalamasına uygun Ģeklde 21-22 yaģ kategorsnn sahp olduğu gözlemlenmģtr. Fakülteler bazında ankete en yüksek katılımın %24.5 le Ġktsad ve Ġdar Blmler Fakültes olduğu, en az katılımın se %8.10 le Mühendslk Fakültes olduğu görülmektedr.öğrenm türü değģkenne göre bakıldığında ankete katılanların %59.60 ı normal öğrenmde okuyan öğrencler, %40.40 ı se knc öğrenmde okuyan öğrencler olduğu görülmektedr. C. BAĞIMSIZ DEĞĠġKENLERE GÖRE ERZĠNCAN DAN MEMNUNĠYET DÜZEYLERĠ Tablo-5 te bağımsız değģkenlere göre Erzncan dan memnunyet düzeyler gösterlmģtr. Tablo-5: Bağımsız DeğĢkenlere Göre Erzncan dan Memnunyet Düzeyler DeğĢkenler Kategorler Memnun değl Orta derecede memnun Memnun Cnsyet Yaş Fakülte Sınıf Öğrenm Türü Erzncan'dan Genel Memnunyet (%) Kız 43,92 29,51 26,56 Erkek 51,03 25,06 23,91 17-20 47,56 26,74 25,71 21-22 45,43 27,63 26,93 23 ve üzer 49,23 29,23 21,54 ĠĠBF 44,35 29,03 26,61 Eğtm 47,09 26,01 26,91 Ġlahyat 38,36 32,19 29,45 Fen-Edebyat 50,45 25,23 24,32 Mühendslk 45,12 32,93 21,95 Hukuk 61,11 21,11 17,78 1. Sınıf 44,88 28,53 26,59 2. Sınıf 52,99 26,07 20,94 3. Sınıf 46,40 28,78 24,82 4. Sınıf 43,48 25,36 31,16 Normal Öğretm 45,77 25,70 28,52 Ġknc Öğretm 48,77 30,39 20,83 Tablo-5 tek değerler ncelendğnde aģağıdak blglere ulaģılır: Cnsyet değģkenne göre Erzncan dan genel memnunyet ncelendğnde, kız öğrenclern %43.9 u Erzncan dan genel tbaryle memnun değl ken,erkek öğrenclerde bu oran %51.03 tür. Kız öğrenclern %26,56 sı Erzncan dan genel
C.Ü. İktsad ve İdar Blmler Dergs, Clt 15, Sayı 1, 2014 107 tbaryle memnun ken, erkeklern %25.7 s Erzncan dan memnun olduğunu fade etmģtr. Buradan anlaģılacağı üzere erkek öğrenclern Erzncan dan genel memnunyet düzey kız öğrenclere göre braz daha düģüktür. YaĢ aralıklarına göre Erzncan dan genel memnunyet düzeyler ncelendğnde, 17-20, 21-22 ve 23+ yaģ aralığındak öğrenclern Erzncan dan genel memnunyet oranı sırasıyla %25.71, %26.93 ve %21.54 tür. Görüldüğü gb Erzncan dan memnunyet bakımından 21-22 yaģ aralığındak öğrenclern dğer yaģ gruplarındak öğrenclere göre braz daha memnun oldukları görülmektedr. Fakültelere göre Erzncan dan genel memnunyet düzeyler ncelendğnde, Erzncan dan memnunyet en yüksek olan öğrenclern %29.40 le Ġlahyat Fakültes öğrencler olduğu, memnunyet en düģük olan öğrenclern se %17.78 le Hukuk Fakültes öğrencler olduğu görülmektedr. Sınıflara göre Erzncan dan genel memnunyet düzeyler ncelendğnde, Erzncan dan memnunyet en yüksek olan öğrenclern %31.16 le dördüncü sınıf öğrencler olduğu, memnunyet en düģük olan öğrenclern se %20.94 le knc sınıf öğrencler olduğu görülmektedr. Öğrenm türüne göre Erzncan dan genel memnunyet düzeyler ncelendğnde, normal öğrenmde okuyan öğrenclern Erzncan dan memnunyet oranı %28.52, knc öğretmde okuyan öğrenclern Erzncan dan memnunyet oranı se %20.83 tür. Görüldüğü gb normal öğrenmde okuyan öğrenclern, knc öğrenmde okuyan öğrenclere göre Erzncan dan daha memnun oldukları görülmektedr. D. SIRALI LOJĠSTĠK REGRESYON ANALĠZĠ 1. Verlern Modellenmes Verlern modellenmes lojt bağlantı fonksyonu yardımıyla yapılmıģtır. Burada öncelkl olarak bahsedlmes gereken paralellk varsayımıdır. Dolayısıyla paralellk varsayımına uygunluğu test edldkten sonra modeln uyum ylkler ncelenmģtr. Daha sonra se parametrelere dar yorumlara yer verlmģtr. Paralellk Varsayımı Test:Paralellk varsayımı çn oluģturulan H 0 ve H 1 hpotezler, bçmndedr. = Parametre tahmnler aynı kesme noktasından geçer. = Parametre tahmnler farklı kesme noktalarından geçer. Lojt bağlantı fonksyonu aracılığıyla elde edlen paralellk varsayımına uygunluk testne dar sonuçlar Tablo-6 dak gbdr.
108 YAVUZ, DEVECİ, KARABULUT ve ŞENTÜRK Tablo-6: Paralellk Varsayımı Test Sonuçları Model Test of Parallel Lnes a -2 Log Lkelhood K kare sd Olasılık Yokluk 777,952 hpotez Genel 767,091 10,860 12,541 Blndğ gb paralellk varsayımı gereğ, parametrelern tahmn değerlernn bağımlı değģkenn tüm kategorler çn aynı kesme noktasından geçmeler Ģartı bulunmaktadır. Paralellk varsayımı Tablo-6 da görüldüğü üzere K kare test le test edlmģtr. P olasılığı 0,541 tür. olduğu çn parametres reddedlemez ve paralellk varsayımının sağladığı fade edleblr. Bunun anlamı; bağımlı değģken olan memnunyetn kategorlernn brbrne paralel olduğu; yan parametrelern her br kategorde brbrne eģt olduğudur. Kullanılacak modeln tahmn sonuçları aģağıdak tabloda gösterlmģtr; Tablo-7: Modeln Tahmn Sonuçları ve Güven Aralıkları Standart Güven Aralığı Değşkenler Tahmn hata Wald Sd Alt sınır Üst sınır Bağımlı değşken Threshold [Memnunyet = 1],811,321 6,387 1,182 1,440 Locaton [Memnunyet= 2] 2,038,326 38,985 1 1,398 2,678 Bağımsız değşkenler [Cnsyet=1],235,133 3,091 1 -,027,496 [Cnsyet=2] 0 a.. 0.. [Yas_kategor=1],125,221,320 1 -,309,559 [Yas_kategor=2],283,180 2,463 1 -,070,636 [Yas_kategor=3] 0 a.. 0.. [Fakülte=1],782,255 9,387 1,282 1,282 [Fakülte=2],813,259 9,834 1,305 1,322 [Fakülte=3] 1,019,269 14,304 1,491 1,546 [Fakülte=4],586,257 5,213 1,083 1,090 [Fakülte=5],882,332 7,055 1,231 1,532 [Fakülte=6] 0 a.. 0.. [Sınıf=1] -,211,245,739 1 -,691,270 [Sınıf=2] -,486,233 4,331 1 -,943 -,028 [Sınıf=3] -,253,211 1,432 1 -,667,161 [Sınıf=4] 0 a.. 0.. [Ogrenm=1],288,137 4,403 1,019,558 [Ogrenm=2] 0 a.. 0.. Modeln tahmn sonuçları fade edldğ ve oluģturulan modeldek değģkenler ve özellkler ayrıntılı olarak gösterldğ çn br sonrak aģama olan
C.Ü. İktsad ve İdar Blmler Dergs, Clt 15, Sayı 1, 2014 109 modeln uyum ylğne geçlmģtr. Modeln uyum ylğ le lgl sonuçlar Tablo- 8 de verlmģtr. Tablo-8: Pseudo Pseudo R-Square Cox and Snell 0,03 Nagelkerke 0,034 McFadden 0,014 Lnk functon: Logt Değerler Aracılığıyla Uyum Ġylğnn Ġncelenmes Modeln uyum ylğ aracılığıyla da ncelenmģtr. Blndğ gb, bağımlı değģkenn yüzde kaçının bağımsız değģkenler tarafından açıkladığını göstermektedr. Ancak, değerler Lojstk Regresyon çn y br ölçüt olmadığı çn bu analzlerde düģük çıkmaktadır. Görüldüğü üzere Cox ve Snell, değer 0.030 ken, bu, değerndek sınırlılığı ortadan kaldırmak çn kullanılan Nagelkerke, (0.034) değer nspeten yüksektr. Ayrıca McFadden, değer se 0.014 tür. Ayrıca bahsedldğ üzere bağımlı değģken olan memnunyetn 3 kategorye ndrgemenn 3 farklı denemes ve bunun sonuçlarının da bu noktada verlmes uygun bulunmuģtur. Tablo-9: Denemelere lģkn Elde Edlen Değerler R 2 Deneme_1Deneme_2 Paralellk Varsayımı 0,302 0,107 Cox-Snell 0,03 0,03 Nagelkerke 0,035 0,036 McFadden 0,015 0,017 Brnc deneme olan ve 1: 1, 2: 2-3, 3: 4-5 ve knc deneme olan 1: 1-2, 2: 3-4, 3: 5 Ģeklne getrlmģ memnunyet değģken aracılığıyla uygunlanan analzn sonuçları yukarıdak tabloda belrtlmģtr. Görüldüğü üzere her k denemede de paralellk varsayımı sağlanmıģ ve ler yaklaģık aynıdır. Ancak parametre anlamlılıkları göz önüne alınınca bu denemelern ger planda kaldığı fade edlmeldr. 1. denemede bazı değģkenlern yalnızca 1 er kategorlernn, 2. denemede de yalnızca k değģkene at bazı kategorlern anlamlı çıktığı görülmüģtür. Bu sebeple yapılablecek yorum belrl değģkenlerle ve bu değģkenlern yalnızca belrl kategorleryle kısıtlandığı çn yeterl blg verlemeyeceğ düģüncesyle bu denemelern alınmaması uygun bulunmuģtur. Tüm bu verlen blglere lave olarak burada bahsedlmes gereken, yapılan bu anket çalıģmasıyla öğrenclern (çalıģıyorlarsa) çalıģma durumu, alelernn gelr
110 YAVUZ, DEVECİ, KARABULUT ve ŞENTÜRK durumu veya kendlernn aylık kazançları/bursları, sağlık durumları gb bazı temel dğer sosyo-demografk değģkenlern de eklenerek daha detaylı br çalıģma yapılması durumunda bu faktörler açısından da kent memnunyetnn ncelenebleceğ ve bu sayede daha detaylı blg sağlanableceğdr. Böylece elde edlecek değerler farklılaģacaktır. Yapılacak br sonrak çalıģmada bu gb memnunyet besleyecek ve destekleyecek değģkenlern anket formuna eklenmes uygun görülmüģ ve eksklğn gderlmes gereğ anlaģılmıģtır. Parametrelern Yorumlanması: Yapılan ncelemelerden sonra elde edlen modeln parametre anlamlılıklarının değerlendrlmes yapılmalıdır. Bahsedldğ üzere bu modelde cnsyet, yaģ, fakülte, sınıf, öğrenm türü olmak üzere toplam 5 adet bağımsız değģken bulunmaktadır. Yorumlama yapablmek çn bu değģkenlern olasılık değerlerne bakılır. Bu olasılık değerler, parametrelern anlamlılık sınamaları çn kullanılan testlerden Wald Testne at değerler olmaktadır. Yalnızca olasılık değer 0.05 ten küçük olan değģkenler (statstksel olarak anlamlı bulunan değģkenler) yorumlanır. Ancak yorumlama yapmadan önce br takım Ģlemler yapılması gerekmektedr. Ordnal Lojstk Regresyon Analznn parametre yorumu Bnary ve Multnomal Lojstk Regresyon Analzne göre daha değģk ve karmaģıktır. Bu k lojstk regresyon analznde yorumlamalar odds oranına göre yapılmakta olup; bağımsız değģkendek değģm, bağımlı değģkendek meydana gelen değģm değl, bağımlı değģkenn olasılık değernde meydana gelen değģm fade eder. (Ertunga, 2009, 116). Bu yorumlama odds oranına göre yorumlama olup, Ordnal lojstk regresyon analznde yne odds oranı kullanılacak olunsa da dğer lojstk regresyon analznden farklı olarak tahmn edlen parametre değerlern yorumlayablmek çn bu değerlern e üssü alınmalıdır. Bu sayede elde edlen değerler yorumlama yapablmek çn son haln almıģ olur. Ancak yorum yapablmek çn referans kategorler de belrlenmeldr. Referans kategor, br değģkenn kategorlernden brsne göre dğer kategorlern yorumlanmasını sağlar. Tablo-9 ncelendğnde değģkenlern referans kategorlernn son kategorler olduğu anlaģılmaktadır. Dolayısıyla yorumlamalar da bu referans kategorler baz alınarak yapılmaktadır. Modeln parametrelernn anlamlılıkları Tabo-9 da gösterlmģtr. Bu tablo modeln tahmn sonuçlarına olasılık ve e üssü değerlernn eklenmģ haldr.
C.Ü. İktsad ve İdar Blmler Dergs, Clt 15, Sayı 1, 2014 111 Tablo-10: Modeln Parametrelernn Anlamlılıklarının Ġfade Edlmes DeğĢkenler SH Wald Bağımlı DeğĢken [Memnunyet = 1].811.321 6.387 1.011 [Memnunyet = 2] 2.038.326 38.985 1.000 Bağımsız DeğĢkenler [Cnsyet=1].235.133 3.091 1.079 [Cnsyet=2] 0 a.. 0. [Yas_kategor=1].125.221.320 1.571 [Yas_kategor=2].283.180 2.463 1.117 [Yas_kategor=3] 0 a.. 0. [Fakülte=1].782.255 9.387 1 2.180.002 [Fakülte=2].813.259 9.834 1 2.250.002 [Fakülte=3] 1.019.269 14.304 1 2.770.000 [Fakülte=4].586.257 5.213 1 1.790.022 [Fakülte=5].882.332 7.055 1 2.410.008 [Fakülte=6] 0 a.. 0. [Sınıf=1] -.211.245.739 1.390 [Sınıf=2] -.486.233 4.331 1.615.037 [Sınıf=3] -.253.211 1.432 1.231 [Sınıf=4] 0 a.. 0. [Ogrenm=1].288.137 4.403 1 1.333.036 [Ogrenm=2] 0 a.. 0. Sd Olasılık (P) Tablo-10 dak verlere göre 5 bağımsız değģkenden 3 ünün belrl kategorler tbaryle anlamlı çıktığı görülmektedr. Dolayısıyla bu 3 değģken (fakülte, sınıf ve öğrenm türü) anlamlı bulunan kategorler le yorumlanacak, anlamsız bulunan dğer 2 değģken olan cnsyet ve yaģ se yorumlanmayacaktır. Ġlk olarak fakülte değģken yorumlanacaktır. Fakülte: Tablo-10 a bakıldığında bu değģkenn referans kategorsnn hukuk kategors olduğunu görülür. Dolayısıyla anlamlı kategorler bu kategorye göre yorumlanmalıdır. Buradan Ġktsad ve Ġdar Blmler Fakültes öğrenclernn, Hukuk Fakültes öğrenclerne göre yaklaģık 2.1 kat daha memnun oldukları anlaģılmaktadır. Eğtm Fakültes öğrenclernn Hukuk Fakültes öğrenclerne göre2.2 kat daha memnun oldukları, Ġlahyat Fakültes öğrenclernn aynı öğrenclere göre 2.7 kat ve Fen-Edebyat Fakültes öğrenclernn 1.7 kat, Mühendslk Fakültes öğrenclernn se Hukuk Fakültes öğrenclerne göre Erzncan dan 2.4 kat daha memnun oldukları sonucu ortaya çıkmaktadır. Buradan çıkarılacak genel sonuç, öncek elde edlen verlere uygun ve paralel Ģeklde Hukuk Fakültes öğrencler, fakülteler arasında Erzncan dan memnunyet düzey en düģük olan öğrenclerdr.
112 YAVUZ, DEVECİ, KARABULUT ve ŞENTÜRK Sınıf: Bu değģkenn referans kategors değģkenn son kategors olan 4. sınıf kategorsdr. Bu katılımcılar ünverstedek son sınıf öğrenclern fade eder. Burada 2. sınıf kategorsndek öğrencler, 4. sınıf öğrenclerne göre statstksel olarak daha memnun görülmektedr. Bu memnunyetn oransal farkı; görüldüğü üzere çok yüksek olmayıp yaklaģık olarak 0,6 kattır. Ancak detaylı ncelendğnde bu sonucun beklenmes gerektğ anlaģılmaktadır. Ġknc sınıf öğrenclernn lk yılın ünversteye ve Ģehre adaptasyon sürecn geçrmģ, son yılın se yoğun ve mezun olma stresnden henüz uzak oldukları dönemde sorumlulukları fazla hssetmedkler çn genel memnunyet düzeylernn daha yüksek olması tahmn edleblen br sonuçtur. Bu soru hayattan genel memnunyet değl, Erzncan Ģehrnden memnunyet olarak sorulduğu çn de 0,6 dan daha yüksek br oranın çıkmaması da normal gözükmektedr. Öğrenm türü: Referans kategors knc öğrenm olan bu değģkende normal öğrenmde okuyan öğrenclern knc öğrenmde okuyan öğrenclere oranla 1,3 kat daha memnun oldukları görülmektedr. Genel olarak bakıldığında knc öğrenmde okuyan öğrenclern, brnc öğrenm öğrenclerne göre daha rahat br öğrenm hayatı geçrdğ düģünülse de öğrenclern derse adaptasyonu açısından bakıldığında brnc öğrenmn ders Ģleme ve kavrama açısından daha verml olduğu blnmektedr. Ayrıca Ģehrden memnunyet açısından düģünüldüğünde brnc öğrenmde okumanın günün kalan zamanını değerlendrme açısından yne daha verml kullanılabldğ düģünülecek olduğunda bu da beklenen br sonuçtur. SONUÇ Memnunyet, br breyn hayatından keyf alması, kend değerlendrmesyle kaltel br yaģam süreblmes demektr. Bu kavramın algılanması dah breyden breye değģeblmekte, bu sebeple brçok tanıma mkân vermektedr. Dolayısıyla bu fadenn çok çeģtl saptanma yönler vardır. Farklı değģkenler kullanılarak breylern farklı yönlerdek memnunyet düzeyler bulunablr. Devamlı gelģen ve yenlenen br konu olması sebebyle kendne çokça uygulama yöntem bulan memnunyet araģtırması bu özellğyle sürdürüleblr br ntelktedr. Erzncan Ünverstes nde yapılan kent memnunyet araģtırması anketne at sosyo-demografk değģken verlernn sıralı lojstk regresyon yöntem aracılığıyla analz le fakülteler arasında memnunyet düzeynn değģklk gösterdğ, örneğn Ġlahyat Fakültes öğrenclernn, Hukuk Fakültes öğrenclerne göre yaklaģık 2.7 kat daha memnun olduğu sonucuna ulaģılmıģtır. YaĢ değģkennn memnunyet düzey üzernde anlamlı br fark oluģturmadığı görülmüģ, çoğunun ünverste çağında olup yakın yaģlara sahp olmasından dolayı bu sonuç anlamlı olarak değerlendrlmģtr. Normal öğretmde okuyan öğrenclern knc öğretme göre; knc sınıf öğrenclernn de dördüncü sınıf öğrenclerne göre daha memnun olduğu saptanmıģtır.
C.Ü. İktsad ve İdar Blmler Dergs, Clt 15, Sayı 1, 2014 113 Genel olarak fade edlmes gereken se öğrenclern pek azının Erzncan dan memnunyet duyduğunu belrtmelerdr. Bu sonuçlar bazı olumsuzlukları gözler önüne sermes ve memnunyetszlğn sebeplernn araģtırılması açısından oldukça değerldr. Bu sebeple uzun sürel olarak yapılablecek ve çıkan sonuçlara göre bazı kararların alınablecek olması, yapılan bu çalıģmayı öneml kılmaktadır. KAYNAKÇA AKDENĠZ, Ahmet ve Kublay NĠZAM (2008), Türkye de Yataklı Tedav Kurumlarının Kategorze Edlen Yatak Kapastelernn Sıralı Logstk Regresyon Analz, Dokuz Eylül Ünverstes Sosyal Blmler Ensttüsü Dergs, Clt:10, Sayı:4, 1-18. AKIN, Besm ve Elf ġentürk (2012), Breylern mutluluk düzeylernn ordnal lojstk regresyon analz le ncelenmes, Marmara Ünverstes Sosyal Blmler Dergs, Clt:10, Sayı:37, 183-193. AKKUġ, Özge, Sema TÜRKAN ve Hüseyn TATLIDĠL (2010), Sıralı Bağımlı DeğĢken Model ve Dskrmnant Analz nn Tcar Bankaların Mal Performanslarına Göre Sınıflandırılmasında Kullanımı, Süleyman Demrel Ünverstes Ġktsad ve Ġdar Blmler Fakültes Dergs, 15, 319-332. AKTAġ, Cengz ve Orhan ERKUġ (2009), Lojstk Regresyon Analz Ġle EskĢehr Ġlnn Ss Kestrmnn Ġncelenmes, Ġstanbul Tcaret Ünverstes Fen Blmler Dergs, Sayı:16, 47-59. AYHAN, Sevg (2006), Sıralı Lojstk Regresyon Analzyle Türkye dek HemĢrelern ĠĢ Bırakma Nyetn Etkleyen Faktörlern Belrlenmes, Osmangaz Ünverstes, Fen Blmler Ensttüsü Yüksek Lsans Tez. CANKURT, Murat, Bülent MĠRAN ve Ahmet ġahġn (2010), Sığır Et Terchlern Etkleyen Faktörlern Belrlenmes Üzerne Br AraĢtırma: Ġzmr Ġl Örneğ, Hayvansal Üretm Dergs, 51, 16-22. CENGĠZ, Ekrem (2009), Breylern Kred Kartlarını DeğĢtrme Tutumları, Fırat Ünverstes Sosyal Blmler Dergs, 19, 179-196. ERTUNGA, Evrm Ġmer (2009), Küresel Mal Dalgalanmalar: Etkler ve Yaygınlığı, Doktora Tez, Ankara Ünverstes Sosyal Blmler Ensttüsü, Doktora Tez, Ankara. GREENE, Wllam H. (2000), Econometrc Analyss, New York Unversty, p.875-879.
114 YAVUZ, DEVECİ, KARABULUT ve ŞENTÜRK ĠLHAN, Özgür, vd. (2002), Alkol Bağımlılıklarında Alkole BaĢlamadan Belrleyc Rsk Etmenlernn GelĢm Dönemlerne Göre Ġncelenmes, Bağımlılık Dergs, 3 (2), 84-90 KALAYCI, ġahn vd.(2006), SPSS Uygulamalı Çok DeğĢkenl Ġstatstk Teknkler, Asl Yayın Dağıtım, Ankara. KARTAL, Mahmut, Azz KUTLAR ve Abdulkadr BEĞEN (2011), Lojstk Regresyon Teknğ Ġle Trafk Kazalarını Etkleyen Rsk Faktörlernn Ġncelenmes: Svas, Kayser ve Yozgat Örneğ, Ekonomk ve Sosyal AraĢtırmalar Dergs, Clt:7, Sayı:2, 45-68. KLAEBOE, R.,Turunen, vd. (2003), Vbraton In Dwellngs From Road And Ral Traffc Part II: Exposure Effect Relatonshps Based On Ordnal Logt And Logstc Regresson Models, Appled Acoustcs, 64, 89-109. LE, Chap T., Introductory Bostatstcs (2003), Canada: A John Wley&Sons Publcaton. MILES, Jeremy ve Mark Shevln, (2001), Applyng Regresson And Correlaton, 1. Edton, London: Sage Publcaton. ÖKSÜZLER, Oktay ve Dlek SÜREKÇĠ (2010), Ġlköğretmde BaĢarıyı Etkleyen Faktörler: Br Sıralı Lojt YaklaĢımı, Clt:47, Sayı:543, Fnans Poltk & Ekonomk Yorumlar. SARACEL, Nüket vd. (2002), Afyon Ġl Tüketm Analz-Tüketm DavranıĢları ve Eğlmler, Afyon Kocatepe Ünverstes, Yayın No:27, Afyon. SÜMBÜLOĞLU, Kadr ve Beyza AKDAĞ (2007), Regresyon Yöntemler ve Korelasyon Analz, Hatboğlu Basım ve Yayın, Ankara. TOTAN, Tarık ve Zeynep D. YÖNDEM (2007), Ergenlerde Zorbalığın Anne, Baba ve Akran ĠlĢkler Açısından Ġncelenmes, Ege Eğtm Dergs, 8, 53-68. UÇAR, Özge (2004), Ntel Verlern Analznde Lojt ve Probt Modeller, BasılmamıĢ Yüksek Lsans Tez, Hacettepe Ünverstes Fen Blmler Ensttüsü, Ankara. http://www.noruss.com/pdf/aspc_v13.pdf, 07/04/2013 http://78.189.53.61/-/bs/ess/k_sumbuloglu.pdf, 05/04/2013