3.3 Yöntem
3.3.2 Analiz Yöntem ve Tekniklerinin Belirlenmesi
Ekonomik coğrafyacılar uzun bir süredir, ekonomik aktörlerin diğer aktörlerle kurdukları ilişkiler ve bu ilişkilerin ekonomik yaşamları için sağladıkları pozitif dışsallıklara ilgi duymuşlardır. Özellikle, 1980’li yıllardan itibaren çeşitli şekillerde ortaya çıkan firmalar arası işbirlikleri, ekonomik eylemlerin sosyal ağlar içinde yerleşik olduğunu destekleyen varsayımları ortaya çıkarmıştır. Ekonomik coğrafya ve bölgesel gelişme çalışmalarının birçoğunda, ağların kalkınma ve yenilikçilik aktiviteleri üzerindeki potansiyel etkileri hakkındaki çalışmalara odaklanmıştır. Ağlar, sanayi coğrafyasını tanımlayan temel karakter olmasının yanında, işbirlikçi ilişkilerin gelişmesi ve yenilikçi sistemlerin oluşması için köprü görevi görmektedir. Dolayısıyla, sanayi coğrafyasında tüm ekonomik eylemler bireyler, firmalar, kurumlar arasındaki yoğun ağ ilişkileri içinde yerleşiktir. Ancak, genelde başarılı sanayi kümelerinin bir özelliği olarak ortaya çıkan ağların yapısı, yoğunluğu ve rolleri, konumlarına ilişkin değerlendirmeler yapılmamıştır. Ana tema, ağlar firmalar arasında yeni bilginin yayılmasını kolaylaştırır ve firmanın gelişimi için fırsatlar yaratır şeklindedir [18, 227]. Dolayısıyla, sanayi kümelerinde ağ ilişkilerine dayalı çalışmalar analitik olmaktan çok tanımlayıcı (descriptive) nitelikte kalmıştır [227].
Bu değerlendirmeler ışığında; A firmasının B firmasıyla kurduğu işbirliğinin yoğunluğu ve yapısal özellikleri ile sosyal sermaye göstergeleri arasındaki ilişkileri belirlemek,
96
sonrasında ise yapısal özelliklere göre biçimlenen sosyal ilişkilerin firmaların bilişsel kapasitesi ve ekonomik performansa etkisini belirlemeye yönelik yöntemler belirlenmiştir. Bu noktada, ilişkiler ve bu ilişki dokuları üzerine yoğunlaşan ve ikiden fazla ilişkinin tarif edildiği veri gruplarının analizinde; geleneksel istatistikî veri analizleri dışında önemli imkânlar sağlayan sosyal ağ analizi-SAA (social network analysis) yöntemi, firmalar arasındaki bağlantıların yapısını analiz etmek amacıyla kullanılmıştır. Çünkü SAA, ilişkisel kavramlarla tanımlanması neredeyse imkânsız olan yapıları ve sistemleri matematiksel tanımlara dönüştürerek açıklayabilir, test edilebilir ve ölçülebilir [228]. A firmasıyla B firması arasındaki bağlantıların yapısal özellikleri SAA yöntemiyle analiz edildikten sonra; ağların yapısal özellikleri ile sosyal sermaye göstergeleri ve sosyal sermaye göstergeleri ile firmanın bilişsel ve ekonomik başarısı arasındaki ilişkiler çok değişkenli istatistikî yöntemler ile analiz edilmiştir. SAA aktörler arasındaki yapısal ilişkilerin belirlenmesinde önemli avantajlar sağlarken; matematiksel analizlerin yetersiz kaldığı durumlarda aktörler arasındaki ilişkileri anlaşılması için olanaklar sağlamaktadır. Bu nedenle çalışmada, iki farklı niceliksel yöntem kullanılmıştır. SAA ile firmaların küme içindeki rolü ve konumu analiz edilirken; çok değişkenli istatistikî analizlerle değişkenler arasındaki ilişkilerin düzeyi analiz edilmiştir. SAA sonuçları betimleyici bulgular ortaya koyarken; çok değişkenli istatistikî analizler niceliksel bulgular ortaya koymuştur.
- Sosyal Ağ Analizi (SAA)
Mekân ve ağlar arasındaki etkileşim, sosyal ağ analizinin (SAA) ekonomik coğrafya yazınında önemli bir yer tutmasına katkıda bulunmuştur. SAA ilişkisel kavramları ve süreçleri içeren uygulamalar, modeller, teorileri kapsayan ve aktörler arasındaki sosyal ilişkilere yönelik analizler yapan bir yöntemdir. Bir başka deyişle, SAA bölge içinde ya da bölgeler arasında (sanayi kümeleri gibi) firmaların bilgi akışlarını, firmalar arasındaki etkileşimleri değerlendiren ve bu ilişkiler bütününü araştıran ve sonuçlandıran bir ampirik araştırma yöntemidir. SAA’ne olan ilgi, özellikle bölgelerde ve endüstriyel kümelerde nasıl bir etkileşimin olduğunu belirlenmeye yönelik kaygılar sonucu artmıştır. SAA ekonomik coğrafya yazınında endüstriyel kümelerde firmalar arası ilişkiler, bölgesel yenilikçi sistemler ve yığılma ekonomileri gibi konularda çalışma olanağı sunmaktadır.
SAA temel hedefi aktörler arasındaki yapısal ilişkileri ölçmek ve göstermektir. Bu yapısal ilişkilerin niçin meydana geldiğini ve sonuçları SAA’nin (social network
97
analysis) temel yaklaşımlarından biridir. SAA’nde verilerin kaynakları; sorular, gözlemler, yazılı kayıtlar-arşivler, deneyimler ve çeşitli kaynaklardan elde edilen verilerdir. Aktörler arasındaki “bağlar”, maddesel ya da maddesel olmayan kaynakların transfer edildiği kanallardır. İletişimsel bağın en belirgin özelliği bir çift aktör (dyads) arasındaki bağlantıyı ortaya koymasıdır. Bu bağlar çok farklı tiplerde gerçekleşebilir. Bir insanın bir başka insan tarafından değerlendirilmesi (arkadaşlık, saygı yada beğenme), akraba (kan bağı), sosyal roller (patron, öğretmen vb.), ilgiler (hobiler, nefret edilen şeyler vb.), eylemler (konuşmalar vb.), maddesel kaynak transferi (borç verme- alma, iş ilişkileri), birlikler veya cemiyetler (sosyal bir olaya katılım veya aynı sosyal kulübe üye olma), davranışsal etkileşim (beraber konuşma, mesajlaşama), fiziksel bağlantılar (yol, nehir, köprü vb.), resmi ilişkiler (otorite), biyolojik ilişkiler (akrabalık ve ırk) sosyal ağ analizinde kullanılan bağlara örnek verilebilir [228, 229, 230]. SAA’nın önemi üç temel varsayıma dayanmaktadır. Birinci varsayım; yapısal ilişkiler, yaş, cinsiyet, değerler ve ideoloji gibi davranışlardan çok davranış tarzlarının anlaşılması açısından önemlidir. Örneğin 15.yy Floransa’sında elit aileler politik davranışlarında sınıf, statü gibi özelliklerden çok ekonomik, evlilik, koruma-kollama gibi davranışları ön planda tutmuştur. Buna karşılık bazı yapısal ilişkiler belirli zaman ve mekânlarda gerçekleşir. Örneğin öğrenci-öğretmen ilişkileri sadece okul dönemlerinde vardır. Bir diğer örnek evlilik ya da bir ölüm sebebiyle ya da eşlerin ayrılması durumunda son bulur. İkinci varsayım, sosyal ağlar inanışları, beklentileri ve eylemleri etkiler. Direkt ilişkiler ve yoğun etkileşimler bilgiye erişmeyi, duyarlılığı ve etkilenme düzeyini ortaya çıkarır. Endirekt ilişkiler ise aktörleri yeni iddialar ve kabullere açık hale getirir. Üçüncü varsayım, yapısal ilişkiler dinamik süreçler olmak zorundadır. Ağlar statik bir yapıda olmamalı ve sürekli olarak aktörler arasındaki etkileşimle değişebilir olmalıdır [231].
SAA çeşitli istatistikî analizlerle birlikte değerlendirilmektedir. SAA aktörler arasındaki bağlantılar-akımlar haritalandırırken, istatistiki analizler değişkenler arasındaki ilişkileri ölçer. SAA yöntemiyle; grafik yöntemi, ego ağlar (ego networks), merkezilik (centrality), kendi içine kapalı grup/alt gruplar ya da hizip kümeler (clique/sub-groups), yapısal eşitlik (equivalence), kümeleşme (clustering) gibi birçok analiz yöntemiyle ağların rolü ve konumu analiz edilebilmektedir. Bu çalışma kapsamında ise; ego ağlar, bileşenler (component) analizi ve kendi içine kapalı grup/alt grup ya da hizip kümeler gibi grafik analizlerin yanı sıra; güç merkezilik derecesi (power centrality), biraradalık
98
merkeziliği (betweenness centarlity), yoğunluk derecesi (degree centrality) gibi matematiksel analiz yöntemleri kullanılmıştır.
- Grafik Analizi
Grafik analizi, aktörler arasındaki sosyal ilişkilerin yönü ve yapısal özellikleri anlamak amacıyla sosyal ağ analizinde kullanılan temel yöntemlerden biridir. Grafik analizi, iki aktör arasında bir bağlantının varlığına ilişkin tespitleri yapar. Grafik analizinde “node” aktörü, “line” iki aktör arasındaki bağlantıyı ifade eder.
Şekil 3.3’te dokuz aktör arasındaki sosyal ağlar analiz edilmiştir. Grafikte her node’un büyüklüğü, kümedeki merkezilik derecesini ifade etmektedir. Buna göre; N1 ve N7 aktörleri kümede en fazla bağlantıya sahip aktörlerdir. Şekilde, N4 en fazla bağlantıya sahip firma olmasına rağmen; N1 ve N7’in merkezilik derecesinin büyük olması, bu şekildeki ilişki ağlarının bir alt küme analizi olduğu ve N1 ve N7 nodlarının başka alt kümelere üye nodlarla bağlantılarının olduğunu göstermektedir. Şekilde nodların farklı renklerde ifadesi, kendi içine kapalı alt gruplar ya da hizip gruplarını göstermektedir. Ancak, N2 ve N1 farklı hizip kümelerine üye oldukları için, bağlantı düzeyi en güçlü hizip kümelerinin renkleriyle gösterilmiştir. Buna göre; (N1, N2, N3), (N1, N2, N4), (N1, N3, N4), (N2, N4, N5), (N3, N4, N5), (N6, N7, N9) olmak üzere altı farklı hizip kümesi, N1, N6 arasında köprü bağlantı ve N1, N6 farklı bileşen kümelerinin bağlayan nodlar (cutpoint) gibi özellikler göstermektedir.
99
Şekil 3.3’deki sosyal ağ analizinde, aktörler arasındaki ilişkiler ve türleri çizelge 3.2’de verilmektedir. Örneğin; (N3, N4, N5) hizip kümesinde ilişkiler arkadaşlık odaklı gelişirken; (N6, N7, N9) hizip kümesi hemşerilik odaklı gelişmektedir. Bileşen kümesinde, farklı bileşen kümelerini bağlayan (cutpoint) konumuyla ve aralarındaki bağlantı nedeniyle farklı bileşenler kümesini bağlayan köprü konumuyla en önemli nodlar olarak öne çıkan, N1 ve N6 arasındaki ilişkiler ise ticari işbirliklerine odaklanmaktadır.
Çizelge 3.2 Aktörler arası ilişkilerin matris gösterimi
Aktör Node Sosyal İlişki Türü Line
Aktör 1 N1 Ticari işbirliği L1 : (n1 , n6)
L2 : (n1 , n2) L3 : (n3 , n4) L4 : (n4 , n5) L5 : (n3 , n4) L6 : (n5 , n2) L4 : (n6 , n7) L5 : (n7 , n9) L6 : (n6 , n9) Aktör 2 N2 Ticari işbirliği
Aktör 3 N3 Arkadaşlık Aktör 4 N4 Arkadaşlık Aktör 5 N5 Arkadaşlık Aktör 6 N6 Aile Aktör 7 N7 Aile Aktör 8 N8 Hemşerilik Aktör 9 N9 Hemşerilik
- Merkezilik (Centrality) Analizi
Sosyal ağ analizinde güç aktörler arasındaki ilişkilerin sonucu olarak ortaya çıkmaktadır. Aktörlerin bir diğer aktöre göre baskın olma durumu, o aktör karşısında gücünü de ortaya koyabilmektedir. Bir ilişkiler setinde aktörler ne kadar yoğun ilişkilere sahipse o kadar güçlüdür. Bavelas [232] tarafından geliştirilen merkezilik kavramı, iletişim ağları üzerine yaptığı bir çalışmayı, merkezilik kavramı çerçevesinde uygulamıştır. Bu tarihten itibaren merkezilik derecelerine yönelik birçok çalışma yapılmıştır. Son olarak, Freeman [233, 234] farklı gruplar içindeki ağ yapılarının anlamak için merkezilik derecesini kullanmıştır. Freeman [233, 234], bu çalışmasında aktörler arasında merkezilik derecesini ölçmeye yönelik biraradalık derecesini (betweenness) gibi yeni bir merkezilik ölçümü geliştirmiştir [230]. Bir aktörün ağ içindeki konumu stratejik açıdan aktöre bir rol verir. Çünkü aktör bir ağ içerisinde ne kadar çok bağlantıya sahip ise, ihtiyaç duyduğunda o kadar fazla alternatife sahiptir, bağlantılı olduğu aktörlere daha az bağımlıdır. Örneğin, bir sanayi kümesinde merkezilik derecesi yüksek bir firmanın dışsal bilgiye erişme imkânı, işgücü ve makine gibi teknik ihtiyaçlarını karşılama imkânı, tedarik edeceği ürün konusunda sıkıntı
100
doğduğunda alternatif yollar bulma imkânı diğer firmalara göre daha yüksektir. Direkt bağlantılara sahip aktörler ile direkt olmayan bağlantılara sahip aktörlerin merkezilik ölçümleri farklıdır. Direkt bağlantıya sahip aktör bağlantılı olduğu aktörlerle karşılıklı bir ilişkiye sahipken, direkt bağlantıya sahip olmayan aktörler bağlantılı olduğu aktörlerle tek yönlü bir ilişkisi söz konusudur. Sosyal ağ analizinde, farklı merkezilik dereceleri ölçmek mümkündür. Bu çalışma kapsamında güç merkezilik derecesi (power centrality), biraradalık merkezilik derecesi (betweenness centrality) ve yoğunluk derecesi (degree centrality) bağlamında ağların rolü ve konumu analiz edilmiştir.
Güç merkezilik derecesi farklı merkezilik ölçümleri arasındaki en basit yöntemlerden biridir. Güç merkezilik derecesi, bir ağda i aktörünün sahip olduğu bağlantıların toplam bağlantılara oranıdır [235]. Ancak i aktörünün ilişki içerisinde bulunduğu diğer aktörler ne kadar fazla bağlantıya sahipse, i aktörünün küme içindeki rolü o kadar yüksektir [236]. Örneğin şekil 3.4’te aktör 3 ve aktör 6 aynı sayıda ağ bağlantısına sahiptir. Ancak aktör 6’nın işbirliğinde olduğu aktör 7 bir, aktör 8 bir, aktör 1 iki olmak üzere toplam dört bağlantıya sahiplerken, aktör 3’ün işbirliğinde olduğu aktör 4 sıfır, aktör 5 sıfır, aktör 2 ise bir olmak üzere toplam 1 bağlantıya sahiptirler. Dolayısıyla, aktör 6’nın işbirliğinde olduğu aktörlerin toplam bağlantı sayısı daha fazla olduğu için, aktör 3 ile aynı sayıda bağlantıya sahip olmasına karşın, küme içinde daha merkezidir. Bu merkezilik ölçümü güç merkezilik derecesi (power centrality) olarak tanımlanmaktadır. Biraradalık merkezilik derecesi, bir aktörler seti içinde birbirleriyle direkt bağlantılı olmayan aktörlerin başka bir aktör üzerinden ilişki içinde olması durumu biraradalık derecesi olarak ifade edilmektedir. Bir başka deyişle, aralarında bağlantı olmayan iki aktör arasındaki direkt olmayan ilişkiyi sağlayan aktörlerin biraradalık derecesi yüksektir. Dolayısıyla, biraradalık derecesi yüksek aktörler seti içinde önemli bir role sahiptir. Şekil 3.4.’deki örnek incelendiğinde; bir aktörler seti içindeki ilişkiler biraradalık derecelerine göre analiz edilmiş ve grafik olarak ifade edilmiştir. Bu ilişkiler ağında aktör 1 tüm aktörler arasında bir köprü görevi gördüğü için biraradalık derecesi en fazladır. Çünkü aktör 1, üç faklı küme içinde yoğunlaşan ilişkiler arasındaki bağlantıyı sağlayan aktör konumundadır. Bir başka ifadeyle, aktörler seti içinde aktör 1 ortadaki aktör konumundadır (actors in the middle) ve diğerleri üzerinde daha fazla ilişkiler kurma olanağına sahiptir. Yine şekil 3.4’e göre, aktör 5 aktör 2 ile iletişim kurması için aktör 3’ün köprü oluşturması gerekir. Bu ağ ilişkileri içerisinde aktör 3
101
aktör 5 ile aktör 2 arasındaki ilişkilerden sorumludur. Çünkü aktör 3, aktör 2 ile aktör 5 arasındaki bağlantının kurulması için en kısa coğrafi mesafedir.
Biraradalık dereceleri aşağıdaki eşitliğe göre hesaplanmaktadır. Aşağıdaki her iki eşitlikte, aktör i’nin biraradalık indeksini belirlemektedir. İkinci eşitlik, standartlaştırılmış bir eşitliktir. Bu eşitlik 0 ile 1 arasında değer almaktadır. Dolayısıyla aktörlerin sahip oldukları biraradalık indeksleri daha karşılaştırılabilir olmaktadır.
k j jk i jk i B n g n g C ( ) ( )/ ( 1( 2)/2 / ) ( ) ( ' n C n g g C B i B iCB = i aktörünün biraradalık indeksi,
C’B = i aktörünün standartlaşmış biraradalık indeksi,
g = i aktörünün ilişkili olduğu aktör sayısı
Yoğunluk derecesi ise, sosyal ağ analizinde merkezilik ölçümleri içinde en basitidir. Ağların yoğunluğu aktörün sahip olduğu bağlantı sayısının toplam bağlantı içindeki oranı olarak tanımlanmaktadır [230]. Buna göre bir aktörün küme içinde ağlarının yoğunluğu ve büyüklüğü aşağıdaki eşitliğe göre hesaplanmaktadır.
N i N j ij Z N j ji Z ij Z n C D i 1 1 ) 1 ( ) ( '
C’D (ni) = i aktörünün sahip olduğu ağ bağlantı sayısı,
Zij = i aktörünün j aktörüne gönderdiği bağlantı sayısı,
Zji = j aktörünün i aktörüne gönderdiği bağlantı sayısı,
N = toplam aktör sayısı,
Sosyal ağ analizinde merkezilik derecelerinin hesaplanması ve aktörler arasındaki ilişkilerin grafik yöntemiyle ifade edilebilmesi için, aktörler arası ilişkilerin kare matris biçiminde oluşturulması gerekmektedir.
102
Şekil 3.4 Grafik yöntemine göre, aktörlerin merkezilik dereceleri ve küme içindeki rolleri, konumları
- Çok Değişkenli İstatistikî Analizler
- Temel Bileşenler Analizi (Principle Component Analysis)
Temel Bileşenler Analizi (TBA) orijinal p değişkenin varyans yapısını daha az sayıda ve değişkenlerin doğrusal bileşenleri olan yeni değişkenlerle ifade etme yöntemidir. Aralarında korelasyon bulunan p sayıda değişkenin açıkladığı yapıyı, aralarında korelasyon bulunmayan ve sayıca orijinal değişken sayısından daha az sayıda (p>k) orijinal değişkenlerin doğrusal bileşenleri olan değişkenlerle ifade etme yöntemine temel bileşenler analizi denir [237]. Temel bileşenler analizinin üç temel amacı vardır.
- Veri indirgemesi yapmak, - Tahminleme yapmak,
- Veri setinin bazı yöntemlerin analiz edebileceği forma sokmak,
Bir oluşumu ifade etmek üzere p değişkenle ilgili veri toplanmış ise bu değişkenlerin belirlediği toplam değişkenliği ifade etmek üzere k sayıda ana bileşen bulmak, böylece daha az sayıda değişken ile çalışarak p boyutlu uzay yerine k boyutlu (k<p) bir uzayda çalışmak, boyut indirgemek amaçlanır [238, 239].
Aktör 12 Aktör 7 Aktör 8 Aktör 6 Aktör 4 Aktör 5 Aktör 3 Aktör 2 Aktör 10 Aktör 9 Aktör 11 Aktör 1 KÜME 1 KÜME 2 KÜME 3 KÜME 4
103
- Bağımsız İki Örnek t-Testi (Independent Samples t-Test)
Bağımsız iki örnek t testi iki farklı örneklem grubunun ortalamalarını karşılaştırmaktadır. İki grubun üyeleri birbirinden ayrıdır. Gruplar arasında kesinlikle ortak üye olmamalıdır.
- Ki-Kare Bağımsızlık Testi
Ki-kare bağımsızlık testi iki veya daha fazla değişken grubu arasında ilişki bulunup bulunmadığını incelemek için kullanılmaktadır. Yani değişkenler arasında bağımsızlık olup olmadığı araştırılmaktadır. Hipotezler; Ho= Değişkenler birbirinden bağımsızdır, HA= Değişkenler birbirinden bağımsız değildir şeklinde olmaktadır. Ki-kare bağımsızlık testinin uygulanabilmesi için gözlem sonuçlarının sınıflandırılmış veya gruplandırılmış bileşik seriler şeklinde gösterilmesi gerekmektedir. Bu gösterim şekline “kontenjan tablosu” denilir. Bu tablo değişkenlerin sınıflarının yer aldığı satır ve sütunlardan oluşmaktadır. Tablodaki satır (row) sayısı (r) ve sütun (column) sayısı (c) ile gösterilirse (rXc) lik bir kontenjan tablosu elde edilmektedir. Bu şekilde çapraz sınıflandırma, herhangi bir sıradaki elemanla, sütundaki eleman arasındaki ilişkinin (bağımlılık yada bağımsızlık) incelenmesi amacıyla yapılmaktadır. Bunun için her sıra veya sütundaki elemanlara ait beklenen (expected) frekansların, gözlenen (observed) frekanslarla karşılaştırılması gerekmektedir.
- Kruskal-Wallis Testi
Kruskal-Wallis testi gruplar arası tek yönlü varyans analizinin (One-way-ANOVA) parametrik olmayan alternatifidir. Bu analiz, sürekli değişkenlere sahip üç ya da daha fazla grup için karşılaştırmayı sağlamaktadır. Değerler sıralı hale çevrilmekte ve her grup için sıralı ortalamalar karşılaştırılmaktadır. Bu bir gruplar arası analizdir, bu nedenle farklı grupların her birinde farklı birimler olmalıdır.
- Lojistik Regresyon Analizi
Lojistik regresyon analizi, bağımlı değişkenin kategorik bir yapıya sahip olduğu bağımsız değişkenlerin ise sürekli veya kategorik bir yapıda olabildiği durumlarda kullanılan bir tekniktir. Sonuç değişkeninin kategorik bir yapı sergilediği lojistik regresyon analizi üç şekilde uygulanmaktadır. Bunlar; bağımlı değişkenin iki şıklı olması durumunda ikili (binary) lojistik regresyon analizi, bağımlı değişkenin sınıflayıcı ölçme düzeyine sahip en az üç şıklı olduğu durumda sınıflayıcı (nominal) lojistik regresyon analizi ve bağımlı değişkenin sıralayıcı ölçme düzeyine sahip ve yine en az
104
üç şıklı olması halinde sıralayıcı (ordinal) lojistik regresyon analizi olarak adlandırılır [303]. Bu çalışmada ikili lojistik regresyon (binary logistic regression, BLR) analizi kullanılmıştır.
Bağımlı değişkenin 0 ve 1 gibi ikili ya da ikiden çok düzey içeren kesikli değişken olması durumunda, normallik varsayımının sağlanması şartı olmadığı için rahatlıkla kullanılabilir. Ayrıca elde edilen modelin matematiksel olarak çok esnek olması ve kolay yorumlanabilir olması bu yönteme olan ilgiyi artırmaktadır. Lojistik regresyon modelinin, temeli olasılık oranına (odds ratio) dayanır. Olasılık oranı, bir olayın gerçekleşmesi olasılığı ile söz konusu olayın gerçekleşmemesi olasılığını karşılaştırır. Böylece lojistik regresyon modeli, olasılık oranının doğal logaritması alınarak elde edilir. Olasılık oranının doğal logaritması alınarak elde edilen lojistik regresyon modelinin parametrelerini tahmin ederken en yüksek olabilirlik (maximum likelihood) yöntemi yaygın olarak kullanılır [240]. İki değişkenli lojistik regresyon modeli aşağıdaki gibi yazılmaktadır.
( ) = exp ( + )
1 + exp( + ) =
1
1 + exp(− − )
- Korelasyon Analizi
Korelasyon, iki veri seti arasındaki doğrusal ilişkiyi veya bir değişkenin iki veya daha çok değişken ile olan ilişkisini test etmek, varsa bu ilişkinin derecesini ölçmek için kullanılan istatistiksel bir yöntemdir. Korelasyon analizinde amaç; bağımsız değişken değiştiğinde, bağımlı değişkenin ne yönde değişeceğini görmektir. Korelasyon analizi yapmak için, gerek bağımlı değişken gerekse bağımsız değişkenin sürekli olmaları ve normal dağılım göstermeleri gerekir. Korelasyon analizi sonucunda, doğrusal ilişkinin olup olmadığı, varsa bu ilişkinin derecesinin ne olduğu korelasyon katsayısı ile hesaplanır. Korelasyon analizinde değerler -1 ile +1 arasında değişir.
N i y y N i x x y y N i x x R 1( ) 1( ) ) )( 1 ( _ 2 _ 2 _ _
105