Bu araştırmada Türkiye’de BİST100 ‘de bulunan işletmelerin kurumsal sosyal sorumluluk uygulamalarında kurumsal yönetimin etkisini belirtmek için lojistik regresyon modeli ile SPSS 16.0 programı ile analiz edilecektir.
Lojistik regresyon analizinin kullanım amacı, diğer istatistik modellerle aynıdır. Lojistik regresyon analizinde temel amaç bağımlı ve bağımsız değişkenler arasındaki ilişkiyi, en az değişken ile en iyi uyuma sahip olacak biçimde tanımlayabilmektir (Atasoy,2001).
Lojistik regresyon alanındaki ilk çalışmalar 1944, 1953 ve 1955 yıllarında Berkson tarafından yapılmıştır. Ayrıca Finney 1972 yılında lojistik regresyonu probit
analizine bir alternatif olarak önermiştir. Truett vd., 1967, Halpering vd., 1971 yılında lojistik regresyonun, ortalamanın 0 ve varyansın 1 olduğu normal dağılım sayıltıları ihlal edildiğine, diskiriminant analizine alternatif olarak önermişlerdir. Koch 1975 yılında eklemeli olasılık modellerindeki etkileşimi yok etmek için lojistik regresyonu önermiştir. Walker, bağımsız değişkenlerin bileşik dağılımının, hem deney, hem de kontrol gurubu için aynı yaryans-kovaryans matrisi ile çok değişkenli normal dağılıma uyduğunda risk kestirici olarak kullanılabileceğini belirtmiştir. Son yıllarda lojistik regresyon analizinin her alanda kullanımı artmıştır. Bu artışın en önemli nedeni de, istatistik paket programlarının kullanımının artmasıdır.
Lojistik regresyon analizi adını, bağımlı değişkene uygulanan logit dönüştürmeden (logit transformation) almaktadır. Bu durum aynı zamanda hem kestirim, hem de yorumlama sürecinde bazı farklılıklara neden olur (Hair vd.,2006). Lojistik regresyon analizi, bağımlı değişkenin ölçüldüğü ölçek türüne ve bağımlı değişkenin seçenek sayısına göre üçe ayrılmaktadır. Eğer bağımlı değişken iki seçenekli bir kategorik değişken ise “İkili Lojistik Regresyon Analizi (Binary Logistic Regression Analysis)” adını alır. Örneğin bir akademik programı bitirme durumuna göre öğrencilerin başarılı ve başarısız olarak nitelendirilmesi durumunda ikili lojistik regresyon uygulanır. Eğer bağımlı değişken ikiden çok kategorili (düzeyli) sınıflamalı bir değişken ise “Çok Kategorili/Düzeyli İsimsel Lojistik Regresyon Analizi (Multinominal Logistic Regression Analysis)” adını alır. Örneğin üç farklı akademik programda öğrenim görmekte olan öğrencilerden oluşan bir bağımlı değişkenin olması durumunda, çok düzeyli isimsel lojistik regresyon uygulanır. Eğer bağımlı değişken sıralama ölçeğiyle elde edilmiş ise, bu durumda da “Sıralı Lojistik Regresyon Analizi (Ordinal Logistic Regression Analysis)” kullanılır. Örneğin öğrencilerin öğrenim gördükleri akademik programdaki başarılarının “düşük”, “orta” ve “yüksek” olarak gruplandığı durumda sıralı lojistik regresyon uygulanır. Lo- jistik regresyon, “tek değişkenli lojistik regresyon (bağımsız değişkenin tek olduğu durum)” ve “çok değişkenli lojistik regresyon (bağımsız değişkenin iki veya daha fazla olduğu durum)” olarak da sınıflandırılmaktadır (Stephenson, 2008).
Uygulamalı sosyal bilimlerde karşılaşılan ve araştırılan olaylara ilişkin elde edilen veriler, çoğunlukla kesikli (süreksiz) değer alan kategorik (sınıflamalı) veriler ya da sıralamalı ölçekle elde edilmiş verilerdir. Kategorik verilerin çok değişkenli istatistiksel
analizi, hemen hemen tüm alanları ilgilendirmektedir. Lojistik regresyon analizi, regresyon tipi mantığıyla ve diğer analizlere göre daha kullanışlı olmasının sağladığı avantaj sebebiyle, kategorik veri analizinde önemli bir yere sahiptir (Kılıç, 2000).
Lojistik regresyon analizinde amaç, kategorik bağımlı değişkenin değerini tahmin etmek olduğundan, aslında burada yapılmaya çalışılan iki ya da daha fazla gruba ilişkin “üyelik” tahminidir. Buna göre analizin amaçlarından birinin sınıflandırma, diğerinin ise bağımlı ve bağımsız değişkenler arasındaki ilişkileri araştırmak olduğu söylenebilir (Mertler ve Vannatta, 2005).
Sonuç olarak lojistik regresyon analizinin normal dağılım, ortak kovaryansa sahip olma gibi sayıltılarının ihlal edilmesi durumunda, diskriminant analizi ve kontincensi tablo analizine bir alternatif oluşturduğu için, bağımlı değişken 0 ve 1 gibi ikili (binary) değer almaktadır. Ayrıca ikiden çok düzey içeren kesikli değişken (polychotomous) olduğu durumlarda normallik sayıltısının bozulması nedeniyle doğrusal regresyon analizine alternatif oluşturduğu söylenebilir.
Son yıllarda lojistik regresyon analizinin giderek daha yaygın kullanılmasının nedenleri kısaca şöyle açıklanmaktadır (Cook, 2008; Garson, 2008; Mertler ve Vannatta, 2005; Seven, 1997; Tabachnick ve Fidell, 1996):
1. Bağımlı değişken kategorik (kesikli, süreksiz) olmakla birlikte, bağımsız değişkenler sürekli, kategorik ya da ikilem halinde olabilir. Lojistik regresyon bağımsız değişkenlerin sürekli ya da süreksiz olmasına yönelik hiçbir kısıtlama getirmemektedir. 2. Lojistik modelin parametreleri kolaylıkla yorumlanabilmekte ve matematiksel olarak
kullanımı kolay olan fonksiyonlar üretilmektedir.
3. Lojistik modele dayalı analizleri yapabilmeyi sağlayan çok sayıda bilgisayar paket programı (SPSS, SAS vb.) mevcuttur.
4. Bağımsız değişkenlerin olasılık fonksiyonlarının dağılımı üzerinde kısıt olmaması (yarı parametrik) nedeni ile çeşitli testler uygulanabilmektedir.
5. Lojistik regresyon negatif yordama olasılıkları üretmez; lojistik regresyonda tüm olasılık değerleri pozitiftir ve ranjı 0 ile 1 arasında değişir.
6. Lojistik regresyon analizi, bağımsız ve bağımlı değişken arasındaki ilişkinin doğrusal olmasını gerektirmez; üstel veya polinom ilişkisi de olabilir. Lojistik regresyon bağımlı ve bağımsız değişkenler arasında logit bir ilişki olduğunu varsayar; dolayısıyla lojistik
regresyon doğrusal olmayan modeller üretebilir. Bir diğer deyişle lojistik regresyon, doğrusal olmayan ilişkiyi koruyarak, ilişkinin formunu doğrusal hale getiren logaritmik dönüştürmeler yapar. Lojistik regresyon bağımlı değişkene ilişkin verilerin dağılımının bir ya da daha fazla bağımsız değişkenle doğrusal olmayan ilişki gösterdiğinin bilinmesi ya da beklenmesi durumunda özellikle yararlıdır.