T.C.
FEN BĠLĠMLERĠ ENSTĠTÜSÜ
SĠYAH ALACA SIĞIRLARDA MASTĠTĠSE ETKĠ EDEN FAKTÖRLERĠN LOJĠSTĠK
REGRESYON ANALĠZĠ ĠLE TESPĠTĠ BÜġRA KILIÇ
YÜKSEK LĠSANS TEZĠ
Zootekni Anabilim Dalı
Ağustos-2019 KONYA Her Hakkı Saklıdır
i
Büşra KILIÇ tarafından hazırlanan “Siyah Alaca Sığırlarda Mastitise Etki Eden Faktörlerin Lojistik Regresyon Analizi İle Tespiti” adlı tez çalışması 19/08/2019 tarihinde aşağıdaki jüri tarafından oy birliği ile Selçuk Üniversitesi Fen Bilimleri Enstitüsü Zootekni Anabilim Dalı’nda YÜKSEK LİSANS olarak kabul edilmiştir.
Jüri Üyeleri İmza Başkan
Prof. Dr. Ufuk KARADAVUT ……….. Danışman
Prof. Dr. İsmail KESKİN ……….. Üye
Doç. Dr. İbrahim AYTEKİN ………..
Yukarıdaki sonucu onaylarım.
Prof. Dr. Mustafa YILMAZ FBE Müdürü
ii
Bu tezdeki bütün bilgilerin etik davranıĢ ve akademik kurallar çerçevesinde elde edildiğini ve tez yazım kurallarına uygun olarak hazırlanan bu çalıĢmada bana ait olmayan her türlü ifade ve bilginin kaynağına eksiksiz atıf yapıldığını bildiririm.
DECLARATION PAGE
I hereby declare that all information in this document has been obtained and presented in accordance with academic rules and ethical conduct. I also declare that, as required by these rules and conduct, I have fully cited and referenced all material and results that are not original to this work.
Ġmza
BüĢra KILIÇ 19/08/2019
iii ÖZET
YÜKSEK LĠSANS TEZĠ
SĠYAH ALACA SIĞIRLARDA MASTĠTĠSE ETKĠ EDEN FAKTÖRLERĠN LOGĠSTĠK REGRESYON ANALĠZĠ ĠLE TESPĠTĠ
BÜġRA KILIÇ
Selçuk Üniversitesi Fen Bilimleri Enstitüsü Zootekni Anabilim Dalı DanıĢman: Prof. Dr. Ġsmail KESKĠN
2019, 41Sayfa
Jüri
DanıĢmanın Prof. Dr. Ġsmail KESKĠN Prof. Dr. Ufuk KARADAVUT
Doç. Dr. Ġbrahim AYTEKĠN
Mastitis, süt sığırcılığı yapılan iĢletmelerde görülen önemli derecede ekonomik kayıplara sebep olan bir meme hastalığıdır. Sığırcılık iĢletmelerinde mastitise bağlı olarak meydana gelebilecek süt kaybını önlemek ve oluĢabilecek risk faktörlerini önceden tahmin edebilmek oldukça önemlidir.
Bu çalıĢmada KoçaĢ Tarım ĠĢletmesi’nde yetiĢtirilen 192 baĢ birinci laktasyondaki sağmal Siyah Alaca süt sığırların ilk olarak kolayca tespit edilebilen bazı özelikler (süt verimi (SV), sağımda geçen gün (SGG), sütün donma noktası (DN), pH ve elektrik iletkenliği) kullanılarak ineklerin mastitis olup olmadığı teĢhis edilmeye çalıĢılmıĢtır. Daha sonra mastitisin teĢhisinde etkili olabilecek sütün renk (L (parlaklık), a (kırmızılık) ve b (sarılık)) özellikleri kullanılmıĢtır. Son olarak süt verim ve renk özellikleri birlikte kullanılarak mastitis teĢhis edilmeye çalıĢılmıĢtır. Somatik hücre sayısına göre (SHS, 200.000'den az olanlar mastitis değil (sağlıklı), 200.000'den yüksek olanlar mastitis (hastalıklı)) mastitis olan inekler 1, mastitis olmayan inekler ise 0 olarak kodlanıp, analizler buna göre yapılmıĢtır.
ÇalıĢma sonuçlarına göre tüm özellikler dikkate alındığında, özgünlüğünün (Spesifite) % 98.7 ve duyarlılığın ise % 34.9 olduğu görülmektedir. Genel olarak tüm verilerin doğruluğunun tahmin değeri ise % 84.4 olarak belirlenmiĢtir.
Anahtar Kelimeler: Süt, Lojistik Regresyon, Mastitis, Somatik Hücre Sayısı, Elektrik Ġletkenliği
iv
ABSTRACT
MS THESIS
DETERMINATION OF FACTORS AFFECTING MASTITIS IN HOLSTEIN CATTLE BY LOGISTIC REGRESSION ANALYSIS
BüĢra KILIÇ
THE GRADUATE SCHOOL OF NATURAL AND APPLIED SCIENCE OF SELÇUK UNIVERSITY
THE DEGREE OF MASTER OF SCIENCE IN ANIMAL SCIENCE
Advisor: Prof. Dr. Ġsmail KESKĠN 2019, 41 Pages
Jury
Advisor Prof. Dr. Ġsmail KESKĠN Prof. Dr. Ufuk KARADAVUT
Doç. Dr. Ġbrahim AYTEKĠN
Mastitis is a udder disease that causes significant economic losses in dairy cattle breeding. It is very important to prevent milk loss due to mastitis and to predict the risk factors that may occur in cattle farms.
In this study, it was tried to determine whether cows have mastitis by using some characteristics (milk yield, days in milk, freeze point, pH and electrical conductivity) of 192 Holstein dairy cattle in the first lactation reared at KoçaĢ TĠM. Then, the color (L (brightness), a (redness) and b (jaundice)) of the milk which were effective in the diagnosis of mastitis were used. Finally, mastitis was tried to be diagnosed by using milk yield and color characteristics together. According to the number of somatic cells (SHS, less than 200.000 mastitis (healthy), those higher than 200.000 mastitis (diseased)) mastitis cows were coded as 1 and non-mastitis cows were coded as 0 and analyzes were performed accordingly.
According to the results of the study, the specifity was 98.7% and the sensitivity was 34.9%. In general, the predicted value of the accuracy of all data was 84.4%.
Keywords: Milk, Logistik Regression, Mastitis, Somatic Cell Counts, Electrical Conductivity
v ÖNSÖZ
Bu tez çalıĢması kapsamlı araĢtırma ve analizler ile ortaya çıkmıĢtır. Tez araĢtırma konusunun belirlenmesinden itibaren baĢlayıp bugün tez bitimine kadar emeğini ve desteğini esirgemeyen kıymetli danıĢman hocam Prof. Dr. Ġsmail KESKĠN’e teĢekkürü bir borç bilirim.
Lisans ile baĢlayıp Yüksek Lisans ile devam eden eğitim hayatımda desteğini benden esirgemeyen kıymetli hocam Doç. Dr. Ġbrahim AYTEKĠN’e verdiği tüm emeklerinden dolayı teĢekkür ederim.
Tez çalıĢmam için veri toplamamda bana yardımcı olan emeğini ve tecrübelerini esirgemeyen baĢta babam Vet. Sağ. Tek. Kemal KILIÇ olmak üzere KoçaĢ Tarım ĠĢletmesi Müdürlüğü Hayvancılık ġubesi personeline teĢekkür ederim.
Analiz çalıĢmalarımda benden desteklerini esirgemeyen kıymetli arkadaĢlarım Atiye-Akif PARLADICI, Deniz YÜCEDOĞAN, Fırat UZUN ve Güngör GülĢah GÖKÇER’e teĢekkür ederim.
Bugünümün mimarı her daim yanımda olan değerli aileme ve sevgili niĢanlım Ġbrahim TEKDURMAZ’a sonsuz teĢekkürler.
Son olarak Yüksek Lisans eğitimimde sağlamıĢ oldukları desteklerden dolayı Selçuk Üniversitesi BAP Koordinatörlüğüne ve Selçuk Üniversitesi Fen Bilimleri Enstitüsüne teĢekkürlerimi sunarım.
BüĢra KILIÇ KONYA-2019
vi
ĠÇĠNDEKĠLER
TEZ KABUL VE ONAYI ... i
TEZ BĠLDĠRĠMĠ ... ii DECLARATION PAGE ... ii ÖZET ... iii ABSTRACT ... iv ÖNSÖZ ... v ĠÇĠNDEKĠLER ... vi
SĠMGELER VE KISALTMALAR ... viii
1.GĠRĠġ ... 1
2.KAYNAK ARAġTIRMASI ... 4
2.1. Logistik regresyon konusunda farklı alanlarda yapılmıĢ çalıĢmalar... 5
2.2. Logistik regresyon konusunda hayvancılık alanında yapılmıĢ çalıĢmalar ... 7
3.MATERYAL VE YÖNTEM ... 11
3.1. Materyal ... 11
3.2. Yöntem ... 11
3.2.1. Süt Örneklerinin Alınması ... 11
3.2.2 Laboratuar Analizleri ... 13
3.2.3. Lojistik Regresyon Analiz Yöntemi ... 14
3.2.3.1. Ġkili Lojistik Regresyon (Binary) Analizi ... 16
3.2.3.1.1. Lojit Model ... 17
3.2.3.1.2. Katsayıların Önemliliğinin Test Edilmesi... 18
3.2.3.1.3. Olabilirlik Oranı ... 19
3.2.3.1.4. Wald Testi ... 19
3.2.3.1.5. Skor Testi ... 19
4. ARAġTIRMA SONUÇLARI VE TARTIġMA ... 21
4.1. Süt Verim Özellikleri Kullanılarak Mastitisin TeĢhisi ... 21
4.2. Sütün Renk Özellikleri Kullanılarak Mastitisin TeĢhisi ... 23
4.3. Süt Verim ve Renk Özellikleri Kullanılarak Mastitisin TeĢhisi ... 25
vii
5.1. Sonuçlar ... 28
5.2.Öneriler ... 29
KAYNAKLAR ... 30
viii
SĠMGELER VE KISALTMALAR
KISALTMALAR
SV : Süt Verimi
SHS : Somatik Hücre Sayısı CMT : Kaliforniya Mastitis Testi EĠ : Elektrik Ġletkenliği
SGG : Sağımda Geçen Gün DN : Donma Noktası LS : Laktasyon Sırası L : Sütün Parlaklık Derecesi a : Sütün Kırmızılık Derecesi b : Sütün Sarılık Derecesi SD : Serbestlik Derecesi
1. GĠRĠġ
Süt insan ömrünün her döneminde tüketilebilen, içeriğindeki zengin besin materyalleri sayesinde insan sağlığını koruyan, hastalıklara karĢı direncini arttıran bir besin kaynağıdır. GeliĢen ve artan dünya nüfusu, insan beslemesinde önemli yere sahip olan sütün tüketimini arttırmıĢtır. Süt tüketiminin artması, süt üretiminin ve ticaretinin artmasına neden olmuĢ süt sığırcılığı yapan iĢletmelerin sektörde önemli ölçüde değerini arttırmıĢtır. FAOSTAT (2018), verilerine göre dünyada yaklaĢık 1.5 milyar sığır bulunmakta olup, bunlardan yaklaĢık 278 milyon baĢı sağılmaktadır. Dünya toplam süt üretimi 825 milyon ton olup, toplam üretilen sütün yaklaĢık % 82’si sığırlardan (675.6 milyon ton) elde edilmekte ve sığır baĢına süt verim ortalaması 2430 kg/baĢ’tır. Türkiye’de ise TUĠK (2018) verileri dikkate alındığında toplam sığır varlığı yaklaĢık 17 milyon baĢ olup, bunlardan yaklaĢık 6.4 milyon baĢı sağılmaktadır. Sağılan sığır varlığı dikkate alındığında hayvan baĢına laktasyon süt verim ortalaması 3161 kg/baĢ olup, toplam süt üretiminin % 90.6’sını oluĢturmaktadır. Türkiye’de içme sütü tüketimi dikkate alındığında yaklaĢık 25 kg/gün olan miktar gerek AB gerekse ABD’nin neredeyse yarısı kadardır.
Kaliteli süt üretiminin yolu sağlıklı sürüden geçer. Günümüzde süt sığırcılığı yapan iĢletmelerde, sürü yönetimi ve sürü sağlığı en önemli hususlardan biri haline gelmiĢtir. Etkin bir sürü yönetimi ile sürüdeki hayvanların hastalık etmenlerinden arındırılmıĢ ortamda hastalandırılmadan en ekonomik Ģekilde süt üretimini sağlanabilmektedir. Etkin sürü yönetimi olamayan iĢletmelerin sık sık karĢılaĢtığı ve süt üretimini önemli düzeyde etkileyen hastalıklardan birisi mastitistir.
Mastitis, süt sığırcılığı iĢletmelerinde görülen önemli derecede ekonomik kayıplara sebep olan bir meme hastalığıdır. Mastitis toplam sığır hastalıklarının %26’sını oluĢturmakta ve üretim kaybına neden olan hastalıklar içerisinde % 38’lik bir paya sahip olmaktadır (Batmaz, 2015).
tepkidir. Bu uyarıcı etkiler genellikle memenin hem iç hem de dıĢ yapısını olumsuz yönde etkilemekte meme fonksiyonlarını yerine getirmesine engel olmaktadır. Uyarıcı etkenler genellikle mikroorganizmalardır. Bu mikroorganizmalar memenin dıĢ kısmına bulaĢarak meme baĢından meme iç bezlerine geçmekte daha sonra memenin kompozisyonunu bozarak iĢlevlerini yerine getirmesini zorlaĢtırmakta hatta durdurmaktadır.
Mastitis klinik ve subklinik mastitis olmak üzere iki durumda gözlenir. Klinik mastitis, gözle görülebilir durumda memede ĢiĢkinlik, yangı ve ağrı gibi belirtiler gösterir. Bu tip durumlarda mastitisin tedavisi kaçılmaz olup müdahale edilmediği taktirde meme iĢlevini kaybetmekle birlikte söz konusu hayvanın hayatı riske girebilmektedir. Subklinik mastitis ise memenin klinik tablo göstermemesi nedeniyle fark edilmez, uzun süre devam eder ve klinik mastitise sebep olur.
Mastitis nedeniyle sürüde meydana gelen ekonomik kayıplarının % 20-30'unun klinik mastitis kaynaklı olduğu, kalan kayıpların (% 70-80) subklinik mastitis kaynaklı olduğu, sürü yönetiminde meme sağlığı kontrolünü yapmayan iĢletmelerde ineklerin yarısının subklinik mastitis yönünden enfekte olduğu tahmin edilmektedir (Tekeli, 2005). Süt sığırcılığı iĢletmelerinin asıl amacının karlılık ve verimliliği artırmak olduğu düĢünüldüğünde, mastitise bağlı süt kayıplarının önlenmesi ve oluĢabilecek risklerin önceden tahmin edilmesi hem iĢletmede karlığı arttırır hem de istenmeyen olası bir duruma karĢılık erken tedbir almayı kolaylaĢtırabilir (Mammadova ve Keskin, 2015).
Süt sığırcılığında subklinik mastitis ekonomik olarak büyük kayıplar meydana getirmektedir. Subklinik mastitiste % 90-95’inde meme ve süt normal olmakta, somatik hücre sayısı artmakta, süt verimi ve kalitesi düĢmekte, buna bağlı olarak iĢletmenin geliri azalmaktadır. Subklinik mastitiste hastalıklar daha uzun sürmekte ve yavru geliĢimi yavaĢlamaktadır (Tekeli, 2005). Klinik mastitiste ise tedavi masrafları ile gerek tedaviden sonra elde edilen sütlerin imha edilmesinden dolayı oluĢan süt kaybı, gerekse yeniden memeden sağlıklı süt elde edinceye kadarki süt kaybı önemlidir. Klinik ve subklinik mastitiste, enfeksiyonun uzun süre devam etmesi meme dokusunda
bağ doku oluĢmasına neden olmakta ve bu bağ doku artıĢı süt veriminin düĢmesine, muhtemelen hayvanın elden çıkarılmasına neden olmaktadır.
Subklinik mastitisin teĢhisinde SHS ve toplam bakteri sayısı kadar hassas olmasa da pratik olarak mastitisin erken tanısı için sağım öncesinde CMT (Kaliforniya Mastitis Testi) ve strip kap testleri de baĢarılı bir Ģekilde kullanılmaktadır (Erdem, 2005). Bu yöntemlerin yanında mastitisin teĢhisinde sensör teknolojisi ile süt rengi (Kamphuis ve ark., 2008) ve özellikle saha Ģartlarında kullanım kolaylığı bakımından sütün iletkenlik değerini ölçen cihazlar da son yıllarda yaygın bir Ģekilde kullanılmaktadır.
Genel olarak sağlıklı bir inek sütündeki somatik hücre sayısı genellikle ml’de 200.000’in altında olmalıdır (Caraviello, 2004). Ancak SHS sürü yönetimi iyi olan sürülerde veya ilk laktasyondaki hayvanlarda 100.000 adet/ml’nin altında olabilmektedir (Aytekin ve Boztepe, 2014). Somatik hücre sayısının ml’de 250.000-300.000’in üzerinde olması ise genellikle sütün anormal olduğunun ve memenin bir enfeksiyona maruz kalarak süt veriminde ve kalitesinde düĢmeye sebep olduğunun göstergesi olarak kabul edilmektedir (Rice ve Bodman, 1997; Kirk, 2005).
Türkiye’de mastitis kaynaklı yıllık ekonomik kaybın yaklaĢık 41.5 milyon TL olduğu, buna karĢılık etkin bir mastitis kontrol programı için harcanan her 1 TL’nin 5 TL olarak yetiĢtiriciye geri döneceği hesaplandığında (Tekeli, 2005), kaliteli süt üretiminin önündeki engellerin aĢılmasında ve hayvan refahının korunmasında en önemli adımlar olarak mastitise sebep olan faktörlerin bilinmesi ve gerekli tedbirlerin alınmasıdır (Atasever ve Erdem, 2008). Mastitisin erken dönemde teĢhisi, üretilen sütün kalitesini arttırmak, ekonomik kayıpları ortadan kaldırmak ve hayvan refahını korumak açısından oldukça önemlidir (Mammadova ve Keskin, 2013).
Bu çalıĢmada, Aksaray ilinde bulunan Tarım ĠĢletmeleri Genel Müdürlüğü’ne bağlı KoçaĢ Tarım ĠĢletmesi’nde yetiĢtirilen 192 baĢ birinci laktasyondaki sağmal Siyah Alaca süt sığır ırkı sığırların mastitis hastalığının varlığı ve süt kalite unsurlarıyla iliĢkisinin lojistik regresyon analizi yardımıyla belirlenmesi amaçlanmıĢtır.
2. KAYNAK ARAġTIRMASI
Bağımsız değiĢkenin (ya da değiĢkenlerin) kendi ölçü birimi cinsinden bir birim değiĢmesine karĢılık bağımlı değiĢkenin (ya da değiĢkenlerin) kendi ölçü birimi cinsinden ortalama olarak ne kadar değiĢeceğini gösteren katsayıya regresyon katsayısı denmektedir (Kesici ve KocabaĢ, 2007). Bağımsız değiĢken veya değiĢkenler ile bağımlı değiĢken arasındaki iliĢkiyi inceleyen regresyon analizi; basit veya çoklu olabildiği gibi, doğrusallık, normallik, homojenlik, toplanabilirlik gibi birtakım varsayımların yerine getirilmesinden sonra uygulanabilmektedir. Bağımlı değiĢken, regresyon modelinde açıklanan ya da tahmin edilen değiĢken olup, bu değiĢkenin bağımsız değiĢken ya da değiĢkenler ile iliĢkili olduğu varsayılır. Bağımlı değiĢkenin sürekli (ölçüm, tartım veya analiz sonucu elde edilen veri) olması gerekmektedir.
Bununla birlikte bazı durumlarda bağımlı değiĢkenin kesikli (sayılarak elde edilen veri) olduğu durumlarla da karĢılaĢılabilir. Bu gibi durumlarda bağımlı ve bağımsız değiĢkenler arasındaki iliĢki lojistik regresyon yardımı ile incelenebilir. Bağımsız değiĢken ise regresyon modelinde açıklayıcı değiĢken olup, bağımlı değiĢkenin değerini tahmin etmek için kullanılmaktadır.
Örneğin süt sığırcılığı yapılan bir iĢletmede sürü genelinde mastitis hastalığını var ve yok Ģeklinde nitelendirilmesinde ikili lojistik regresyon kullanılabilir. Sadece bir bağımsız değiĢkenin olduğu varsayılarak bir model oluĢturulursa;
X: bağımsız değiĢkene iliĢkin veri matrisi olsun. X=x olduğunda (X’ in değeri bilindiğinde) olayın olması olasılığı ya da Y=1 olması olasılığı π ile gösterilsin. π’yi tanımlamak için standart doğrusal model kullanılsaydı aĢağıdaki model oluĢabilirdi.
E(Y|X) ( )
( ( ) ) ( ( ) )
Bu doğrusal fonksiyonun sonucu 0 ve 1 arasında sınırlı olmadığından olasılığı modellemek için kullanılamaz. Burada, doğrusal regresyonda katsayı kestirimi için kullanılan en küçük kareler yönteminin kullanılamamasının nedeni yanıt değiĢkeni Y
binomiyal rastgele değiĢken olduğundan, Y’nin varyansı ’nin bir fonksiyonu olup (( ( )) ( ( )), X’e bağlı olmasıdır. Bu nedenle, varyansın eĢitliği (homoscedasticity) varsayımı sağlanmaz (Alpar, 2011).
Logistik regresyon analizi farklı alanlarda (sağlık, sosyal ve fen bilimleri) oldukça yaygın bir Ģekilde kullanılmaktadır. Ġlk olarak farklı alanlarda yapılan bazı çalıĢmalardan örnekler verilmiĢ, daha sonra ise hayvancılık ile ilgili örnekler verilmeye çalıĢılmıĢtır.
2.1. Logistik regresyon konusunda farklı alanlarda yapılmıĢ çalıĢmalar
Kalp hastalığına neden olan faktörlerin belirlenmesinde lojistik regresyon analizinden yararlanılabilir. Bu amaçla kalp hastalığına yakalanmıĢ bireyleri 1 kategorik değiĢkenle ve kalp hastalığına yakalanmamıĢ bireyleri 0 kategorik değiĢkenle tanımlanabilir. Her bir birey için çeĢitli değiĢkenler (sigara içip içmediği, düzenli spor yapıp yapmadığı, beden kitle indeksi, kolesterol düzeyi, yeme içme alıĢkanlıkları, vb.) açısından incelenerek bu değiĢkenlerin kalp hastalığı oluĢumu üzerine etkileri incelenebilir. Trafik kaza tutanaklarına ait veriler kullanılarak kazaların oluĢumuna neden olan faktörler lojistik regresyon analizi ile belirlenebilir. Bu amaçla, kaza yapmıĢ ya da yapmamıĢ bireylerin oluĢturduğu popülasyondan rastgele alınan bir örneklemin lojistik regresyon analiz yönteminde uygulanarak, yol, araç ve araç Ģoförü ile ilgili hangi özelliklerin trafik kazasının olabileceğini belirlemede önemli bir etkiye sahip olduğu hesaplanabilmektedir. Ayrıca, bireylerin bilinen özelliklerinden hareketle kaza yapma veya yapmama olasılıkları hesaplanabilir. Herhangi bir iĢ yerinde çalıĢanların yaptıkları iĢle ilgili memnuniyetlerini etkileyen faktörlerin belirlenmesi istensin. ÇalıĢanların memnuniyetlerini belirlemek için, memnun olma durumu: 0 ile ya da memnun olmama durumu: 1 Ģeklinde kategorik değiĢkene atanarak değerlendirilmekte olup memnuniyet durumları üzerinde etkili olduğu düĢünülen ücret, yaĢ, cinsiyet, çalıĢma süresi ve eğitim değiĢkenlerinin etkisi araĢtırılabilmektedir. Bu durumda bağımlı değiĢken olan memnuniyet durumu kategorik iki değiĢken (memnun-memnun değil) ve bağımsız değiĢkenler hem sayısal hem de niteliksel veri tipindedir. Memnuniyet durumlarını etkileyen
değiĢkenleri belirlemek amacıyla ikili kategorili/durumlu lojistik regresyon analizinden yararlanılır (Alpar, 2011).
Akademik baĢarı üniversite öğrencilerinin gelecek planlamasında önemli bir role sahiptir. Akademik baĢarıya etki eden faktörlerin ikili lojistik regresyon analizi ve ikili probit model analizi kullanılarak analizler sonucunda, iletiĢimsel motivasyon yönünden eksiklik, ders çalıĢma becerisi eksikliği ve yanlıĢ tercih ve gelecek kaygısı üniversite öğrencilerinin akademik not ortalamalarını olumsuz yönde etkilediği tespit edilmiĢtir (TanıĢ, 2016).
Kadın ve erkeklerin yaĢlarının ölüm olasılığının lojistik regresyonla analizi sonucunda yaĢ arttıkça erkeklerin ölüm olasılıkları azalırken, kadınların ölüm olasılıkları artmaktadır. Sonuç olarak; erkeklerde ortalama ölüm yaĢı kadınlardaki ortalama ölüm yaĢından daha küçük olduğu tespit edilmiĢtir. 86 yaĢına kadar erkeklerin ölüm olasılıkları kadınların ölüm olasılıklarından fazla iken 86 ve sonrasında durum tersine dönmektedir. Basit lojistik regresyonda meslek durumu, medeni durum ve yaĢ grupları değiĢkenlerini aldığımızda model için önemli oldukları tespit edilmiĢtir (Türker, 2016).
ġahin ve Efe (2018) yaptıkları bir çalıĢmada, doğum ağırlığına etki edebileceği düĢünülen, yaĢ, son adet dönemi vücut ağırlığı, annenin sigara içme durumu, annenin daha önce doğum yapıp yapmadığı, toplam gebelik sayısı, akrabalık durumu, cinsiyet, hemoglobin düzeyi ve hipertansiyon değiĢkenleri dikkate alınmıĢtır. Lojistik regresyon analizi sonuçlarına göre, doğum ağırlığı üzerinde, yaĢ, son adet dönemi vücut ağırlığı, annenin sigara içme durumu, toplam gebelik sayısı, cinsiyet ve hipertansiyon değiĢkenlerinin etkili olduğu tespit etmiĢlerdir (P< 0.01).
2.2. Logistik regresyon konusunda hayvancılık alanında yapılmıĢ çalıĢmalar
BaĢtan ve ark. (1997), süt sığırcılığı yapan dört farklı iĢletmeden rastgele seçilen ineklerden, steril ortamda alınan, toplam 370 adet süt örneğini analiz etmiĢlerdir. Süt örneklerinin hepsinde albümin, total protein, laktoz seviyeleri ve elektrik iletkenliği belirlenirken; 200 örnekte (Grup1) Kalifornia Mastitis Testi (CMT) ve 170 örnekte (Grup 2) ise ıĢık mikroskobu ile somatik hücre sayıları (SHS) belirlenmiĢtir. ÇalıĢma sonucunda; somatik hücre sayısı, CMT ve elektrik iletkenliği değerleri arasında pozitif bir korelasyon gözlenirken; BSA, laktoz ve total protein arasında bir iliĢki kurulamamıĢ, elektrik iletkenliği artarken veya azalırken serum albümin, laktoz ve total protein miktarı değiĢken tespit edilmiĢtir.
Uzmay ve ark. (2003), Ġzmir Ġli Holstein Damızlık Süt Sığırı YetiĢtiriciliği Birliği üyesi iĢletmelerde yetiĢtirilen ineklerde meme ve meme baĢı formu, laktasyon sırası ve laktasyon safhası ile subklinik mastitis arasındaki iliĢkileri incelemiĢlerdir. AraĢtırmada 21 iĢletmedeki 887 ineğe ait veriler kullanılmıĢtır. Meme baĢı ve meme formu puanlama yapılarak değerlendirilmiĢtir. Subklinik mastitis tanısı sütün elektrik iletkenliğini ölçen bir el cihazı ile yapılmıĢtır. Ġneklerin % 55.9’unun koltuk, % 25.9’unun küresel, % 11.5’inin kademeli, % 6.7’sinin ise sarkık memeli olduğu tespit edilmiĢtir. Meme baĢları, ineklerin % 73.3’ünde silindirik, % 18.8’inde huni, % 3.2’sinde armut Ģekilli, % 4.7’sinde ise uzun-kalın formdadır. Ġneklerin % 54.1’inde meme baĢı yerleĢiminin kare Ģeklinde, % 45.9’unda ise arka meme baĢlarının önlere göre birbirine daha yakın olduğu tespit edilmiĢtir. Çoklu lojistik regresyon analizi sonuçlarına göre meme formu, meme baĢı formu, laktasyon sırası ve iĢletmenin subklinik mastitise yakalanma olasılığını önemli düzeyde etkilediği bulunmuĢtur (P<0.001).
Eyduran ve ark. (2005), Siyah Alaca ineklerde süt somatik hücre sayısı ile süt verimi, laktasyon sırası ve mevsim (Ağustos-Kasım) gibi faktörler ile olan iliĢkilerini ortaya koymak amacıyla yaptığı çalıĢmada, süt örneklemesini Kasım ve Ağustos ayları olmak üzere akĢam sağımlarında iki defa almıĢtır. Somatik hücre sayımı “direkt sayım metodu-breed yöntemi” ile yapılmıĢ ve bağımsız tesadüfi hatadan kaynaklanan heterojenliği minimize etmek için aylık SHS değerlerine
logaritmik transformasyon yapılmıĢtır. Ağustos ve Kasım ayı için ortalama SHS değeri, sırasıyla 1311761±239631 adet/ml ve 732810±146264 adet/ml tespit edilmiĢtir. LogSHS’nin laktasyon sıralarına göre değiĢimi incelendiğinde, Ağustos ayındaki gözlenen LogSHS, Kasım ayında gözlenenden çok daha yüksektir. Tekrarlanan ölçümlü deneme deseninde, LogSHS’ye göre hem laktasyon sıraları hem de dönem ortalamaları arasındaki fark önemli bulunmuĢtur (P<0.05). Sonuç olarak, laktasyon sırası ve mevsim faktörlerinin SHS üzerine negatif etkili olduğu bulunmuĢtur
Çoban ve Tüzemen (2007), yaptıkları bir çalıĢmada subklinik mastitis üzerine etki eden faktörleri incelemiĢlerdir. Ġki değiĢik iĢletmeden toplam 186 baĢ Esmer ve Siyah Alaca ineklerden 5208 gözlem yapmıĢlardır. Kalifornia mastitis testi laktasyondaki tüm ineklerin her meme lobuna uygulanmıĢtır. Irk ve genetik olmayan faktörlerin (laktasyon sırası, laktasyon dönemi, buzağılama mevsimi ve iĢletme) subklinik mastitis oluĢumu ile iliĢkilerinin belirlenmesinde çoklu lojistik regresyon analizini kullanmıĢlardır. CMT skorlarına ait veriler laktasyon baĢı (doğumdan sonra 7- 90 gün), ortası (91-180. gün) ve sonu (181-305 gün) Ģeklinde sınıflandırılarak analiz edilmiĢtir. Ġneklerde, laktasyon sırası ve döneminin ilerlemesiyle subklinik mastitise yakalanma riski de artmıĢtır. Subklinik mastitis, Esmer ırk ineklerde, Siyah Alacalara göre önemli derecede düĢük oranda tespit etmiĢlerdir.
Atasever ve Erdem (2008), tarafından yapılan bir araĢtırmada iĢletmelerde kârlı bir yetiĢtiricilik faaliyetinin sürdürülebilmesini, hayvanların verim düzeylerinin yakından izlenerek, gerekli önlemlerin alınmasıyla mümkün olabileceğini bildirdikleri çalıĢmalarında, günlük elektrik iletkenliği değerlerini kullanmıĢlardır. Düzenli olarak ölçülen ve kayıt altına alınan elektrik iletkenliği değerlerinden, mastitise karĢı uygulanacak ulusal ıslah programlarında etkin bir seleksiyon vasıtası olarak yararlanılabileceği kanısına varmıĢlardır. Bununla birlikte, özellikle yüksek SHS’na sahip ineklerde elektrik iletkenliği değerlerinin yalnız baĢına bir seleksiyon ölçütü olarak kullanımından kaçınılarak diğer mastitis testlerinden de yararlanılması, seleksiyonun baĢarısını artıracak önemli bir faktör olarak değerlendirilebilir.
Özyurt ve Özkan (2009), Süt sığırı ıslah programlarında laktasyon eğri Ģekli ve eğriye iliĢkin parametreler, isabetli seleksiyon karar ve stratejilerinin geliĢtirilmesinde Lojistik regresyon yöntemi ile, sadece buzağılama mevsiminin, laktasyon eğri Ģekli üzerine etkili (P<0.001) olduğunu tespit etmiĢlerdir.
Blowey ve Edmondson (2010), mastitisin çiftçiyi ekonomik olarak iki Ģekilde etkilediğini, bunlardan birinin doğrudan (atılan süt, ilaç ve veteriner masrafları) diğerinin ise dolaylı yoldan (süt veriminde azalma, subklinik enfeksiyon, tedavi için ekstra iĢ gücü, genetik potansiyel kayıpları, ölümler) olduğunu ifade etmiĢlerdir. 2009 yılında meydana gelen mastitis vakalarının ortalama maliyetinin ortalama olarak 125£ olduğunu bildirmiĢlerdir.
Özyurtlu (2011), süt sığırcılık iĢletmelerinde klinik mastitisin ineğin sağlığını olumsuz etkilenmesi nedeniyle inek maliyeti, tedavi giderleri, tedavi öncesi ve tedavisi tamamlanıncaya kadar sütün kullanılamaması, süt veriminde azalma, iĢ gücü kayıpları ve dolaylı kayıplara neden olabileceğini ifade etmiĢtir. Klinik mastitislerden kaynaklanan bu kayıplar ile ilgili yapılan bir çalıĢmada maddi kaybın inek baĢına 180- 200 dolar arasında olduğu belirtilmiĢtir. Ekonomik açıdan mastitis hastalığında subklinik formun daha önemli olduğunu ve ekonomik kayıpların % 70-80’inin subklinik mastitislerden kaynaklandığı ifade etmiĢtir.
Memmedova (2012), Holstein sığırlarda subklinik mastitisin yapay zeka yöntemleri ile tespit edilmesi için yaptığı çalıĢmada, subklinik mastitise sebep olan faktörler olarak laktasyon sırası, süt verimi, elektrik iletkenliği, ortalama sağım süresi ve kontrol mevsimi gibi faktörleri araĢtırmıĢtır. On beĢ aylık sürede ayda bir yapılan süt örneklerinde somatik hücre sayısı hesaplanmıĢ ve hayvanların sağlıklı/subklinik mastitisli olup olmadıklarına karar verilmiĢtir. ÇalıĢma sonunda yapay zeka kavramı, bulanık mantık, yapay sinir ağları, bulanık arayüzlü yapay sinir ağları (ANFIS), destek vektör makineleri (SVM) yöntemleri incelenmiĢ ve bunlara yönelik modellemeler yapılarak en iyi yöntem tespitte seçilmiĢtir. ÇalıĢma sonucunda ele alınan dört model sonucuna göre bulanık mantık modelinde hassaslık % 82, belirlilik % 74, hata ise % 60; yapay sinir ağı modelinde bu değerler sırasıyla % 80, % 91 ve % 64, ANFIS modelinde % 55, % 91 ve % 35 ve SVM modelinde ise % 89, % 92 ve % 50 olduğu sonucuna ulaĢılmıĢtır.
Mundan ve ark. (2015), süt sığırı iĢletmelerinde kar oranını azaltan ve ulusal ekonomiyi olumsuz yönde etkileyen birçok faktörün mevcut olduğunu, bu faktörlerden mastitisin ise en önemli sürü sağlığı problemi olduğunu bildirmiĢlerdir. Toplam bakteri (TB) ve somatik hücre sayısı (SHS), meme sağlığı ve sütün kalitesini belirlemede güvenilir bir ölçüt olarak kullanılmaktadır. Normal Ģartlar altında sağlıklı bir inekten elde edilen sütteki SHS, 200x103 hücre/ml altında olmalıdır. Dünya genelinde ve Türkiye’de süt kontrolleri, süt soğutma tankından alınan süt örnekleri ile yapılmaktadır. Yapılan çalıĢmaların sonuçlarına göre somatik hücre sayısının artıĢından kaynaklanan süt verim kaybı % 5-25 arasında, meme sağlığı problemlerinin sürü bazında oranı ise % 21.2-34.5 arasında değiĢmektedir. Sonuç olarak; SHS’nın belirlenmesi, sağlıklı ve kaliteli çiğ süt üretimi ile süt sığırı iĢletmelerinde sürü yönetimi hakkında önemli bir ölçüt olduğu, sürü yönetiminde, SHS’nın belirlenmesiyle subklinik mastitisin ön aĢamaları tespit edilebileceği bildirilmiĢtir.
Aytekin ve ark. (2018), süt kalitesini ve sütün kompozisyonunu etkileyen faktörlerin; CMT, elektrik iletkenliği (EĠ), renk parametreleri ile iliĢkisi değerlendirdikleri bir çalıĢmada, 117 baĢ Siyah Alaca inekten alınan süt numunelerini kullanmıĢlardır. ÇalıĢmada, mastitisin teĢhisi için CMT uygulanmıĢtır. CMT skoruna göre süt numuneleri sağlık veya sağlıksız olarak nitelendirilmiĢtir. Modelde bağımsız değiĢken olarak elektrik iletkenliği, sütün renk ölçümü (L, a ve b), süt yağı, buzağılama ayı ve donma noktası kullanılmıĢtır. AraĢtırma materyali olarak kullanılan verilerinin özgünlüğü % 89.6 doğru olarak sınıflandırılmıĢtır. Sınıflandırmada regresyon ağacı kullanılarak sağlıklı ineklerin doğru sınıflandırma oranı % 77.2 olarak belirlenmiĢtir. Sonuç olarak CMT, elektrik iletkenliği, süt rengi değerlerinin sütün kalitesi ve kompozisyonunu etkilediği tespit edilmiĢtir.
3.MATERYAL VE YÖNTEM
3.1. Materyal
Bu çalıĢmanın araĢtırma materyalini Aksaray ilinde bulunan Tarım ĠĢletmeleri Genel Müdürlüğü’ne bağlı KoçaĢ Tarım ĠĢletmesi’nde yetiĢtirilen birinci laktasyondaki 192 baĢ sağmal Siyah Alaca süt sığır ırkı oluĢturmuĢtur.
Ġlk laktasyondaki 192 baĢ Siyah Alaca sığıra ait süt örnekleri alınarak Kaliforniya mastitis testi (CMT), somatik hücre sayısı (SHS), sütün renk değerleri (L, a, b), sütün donma noktası (DN), pH, elektrik iletkenliği (EĠ), sağımda geçen gün (SGG), ve süt verimi (SV)) değerleri tespit edilmiĢtir. Somatik hücre sayısına göre (SHS, 200000'den az olanlar mastitis değil (sağlıklı), 200000'den yüksek olanlar mastitis (hastalıklı)) mastitis olan inekler 1, mastitis olmayan inekler ise 0 olarak kodlanıp, analizler buna göre yapılmıĢtır.
3.2. Yöntem
3.2.1. Süt Örneklerinin Alınması
Aksaray ilinde bulunan KoçaĢ Tarım ĠĢletmesi Müdürlüğü Sığırcılık iĢletmesinde 1600 sağmal mevcudu bulunmakta olup, 60 baĢ döner platform sağım sistemi sayesinde her sağımda 60 hayvan ortalama 7 dakikada sağılmakta, sağım sistemi Westfalia sürü yönetimi Dairplan C21 sürü yönetim programı ile hayvanların hem sürü takibi hem de hayvanlara ait bireysel veriler anlık olarak sisteme iĢlenmektedir. Sürü yönetim programı ile çalıĢmanın materyalini oluĢturan hayvanlar, bireysel kontrol edilerek rapor haline getirilmiĢtir. Raporda mevcut hayvanlar birinci laktasyon ve sağımda geçen günü yüz günün altında olacak Ģekilde gruplanmıĢtır. Gruplanan hayvan mevcudu 192 baĢ olarak belirlenmiĢtir.
ĠĢletmede sağımlar sabah ve akĢam olmak üzere 12 saat arayla günde iki kez yapılmaktadır. Seçilen hayvanlar sabah sağımında aynı anda 50 cc’lik ve 15 cc’lik ependorf tüplere her memeden homojen olacak Ģekilde elle sağılarak süt numuneleri alınmıĢtır. 50 cc’lik ve 15 cc’lik epondorf tüpler ġekil 3.1 ve ġekil 3.2’de aĢağıda gösterilmiĢtir.
ġekil 3.1. 50 cc’lik Ependorf Tüp
Alınan süt numunelerinin homojenliğinin bozulması ve sağlıklı veriler elde edilmesi için numuneler ısı geçirgenliği oldukça az olan strafor köpük kutularda buz aküleri yardımıyla sıcaklıkları sabit olacak Ģekilde zaman kaybetmeden S.Ü Ziraat Fakültesi Hayvancılık Biyoteknoloji Laboratuarına getirilmiĢtir.
3.2.2 Laboratuar Analizleri
S.Ü Ziraat Fakültesi Biyoteknoloji Laboratuarına getirilen süt numuneleri oda sıcaklığına gelmesi için bir süre bekletilmiĢ daha sonra analiz iĢlemleri baĢlamıĢtır. 15cc’lik tüplere alınan süt numuneleri ve somatik hücre sayımı için ayrılmıĢ, 50 cc’lik tüplere alınan süt numuneleri ise süt analizi ve renk parametreleri değerleri ölçülmüĢtür.
Süt örneklerinin elektrik iletkenlikleri, % yağ, % protein, % katı madde, donma noktası, % laktoz, % SNF, yoğunluk değerleri Lastoscan MMC-30 süt analiz cihazı (ġekil 3.3) ile ölçülmüĢtür.
ġekil 3.3. Lactoscan MMC-30 Süt Analiz Cihazı
ġekil 3.4. NucleoCounter SCC-100
Somatik Hücre Sayım Cihazı Somatik hücre sayıları ise NucleoCounter SCC-400 somatik hücre sayım cihazı (ġekil 3.4) ile ölçümleri yapılmıĢtır. Her cihaz için elde edilen veriler bilgisayar ortamında kayıt altına alınmıĢtır.
3.2.3. Lojistik Regresyon Analiz Yöntemi
Bağımlı ve bağımsız değiĢken arası iliĢki doğrusal değilse çoklu lojistik regresyon çözümleme eĢitliği;
( ( )) ( ( )
( ) ) ∑
Ģeklinde formüle edilir. Burada,
Z ∑
( )
Z Fonksiyonun tanım aralığı ( (Z) ) arasında değerler alarak her bir X değeri için S-eğrisi oluĢturulur (Agresti ve ark., 1990).
( ) Kategorik değiĢkene ait istenilen bir durumun gerçekleĢme olasılığını ifade etmektedir.
X ( ( ) ) değiĢkenleri bağımlı değiĢkeni etkileyen ve sürekli veya nominal ölçekli değiĢkenler olabilen nitel veya nicel değiĢkenleri temsil eder.
'ler bilinmeyen eĢitlik katsayıları olup [ ] Ģeklinde gösterilir. Bu katsayılar Xi değiĢkenindeki bir birimlik değiĢmenin bağımlı
değiĢkenin olma ihtimalinin olmama ihtimaline oranının logaritmik değerinde meydana getirdiği değiĢmeyi temsil eder (Abdalla, 2012).
Lojistik regresyon çözümleme yöntemi matematiksel olarak olasılık, odds ve odds’ değerinin logaritmasına dayanır. Ancak yöntem, odds değerini temel aldığı için bu dönüĢüm olasılık oranı olarak bilinen (odds değeri) kavram üzerinde uygulanmaktadır. Burada dikkat edilmesi gereken nokta, olasılıkların her zaman 0-1 sınırları arasında değiĢeceğidir. Lojit dönüĢüm iĢlemi ile tahmin edilen olasılıkların bu sınır değerleri arasında değer alması iki basamakta gerçekleĢtirilmektedir. Hesaplanan olasılıkların odds değerleri olarak yeniden ifade edilmesidir. Teorik olarak olasılık değerleri 0 ile1 sınırları arasında değer almaktadır. Ancak, odds değeri 0 ile 1 sınırları arasında sınırlı olmadığı için odds oranı 1’den büyük olabilir. Dolayısıyla herhangi bir yeni değiĢkenin her zaman 0 ile 1 sınırları arasında olasılığa sahip olması, olasılığın ancak odds değeri olarak
yeniden ifade edilmesi ile mümkün olmaktadır. Lojistik regresyon çözümleme eĢitliğinin teorik temellerini oluĢturan Odds değeri bağımlı değiĢken için istenilen sonuçtan birinin gerçekleĢme olasılığının ( ( )), istenmeyen sonuçların gerçekleĢmeme olasılığına ( ( )) oranı olarak tanımlanır.
Bağımlı değiĢkenin iki seçenekli bir kategorik değiĢken olması durumunda hesaplanacak sonuçlar üzerinde bağımsız değiĢkenlerin etkisi odds değeri (olasılık oranı) ile temsil edilir. Odds değeri;
( ) ( )
Ģeklinde ifade edilir (Mertler ve Vannatta, 2005). Bu Ģekilde ifade edilen ölçü, herhangi bir olasılık değerinin doğrudan tahmin edilebilen kantitatif bir değiĢkene dönüĢtürülmüĢ olarak tekrar ifade edilmiĢ Ģekli olur. Hesaplanan herhangi bir odds değeri de her zaman 0 ile 1 sınır değerleri arasında değer alabilen olasılığa geri çevrilebilmektedir. Bu özellikten yararlanarak bağımlı değiĢkene ait tahmin edilen değerlerin 0 ile 1 sınır değerleri arasında değerlerin alınması sağlanarak sınırlandırma problemi çözümlenmiĢ olur.
Lojistik regresyon çözümleme eĢitliğinde, üzerinde inceleme yapılan bir olayın Odds değeri lojistik fonksiyona iliĢkin olasılık oran değerleri kullanılarak, Ģu Ģekilde tanımlanmaktadır:
Lojistik Fonksiyon f(z); E(Y|X) ( ) ( ( ) ) ( ( ) ) ( ) ( ( ) ) (∑ )
ile ifade edilen artan yada azalan S-Ģeklindeki fonksiyona “Lojistik dağılım Fonksiyonu” denir ve f(z) ile temsil edilir (Pourahmad, 2013). Burada
( ) Ģeklinde iken ( ) E(Y|X) (Y ) ve
Lojistik regresyon analizi, bağımlı değiĢkenin ölçüldüğü ölçek türüne ve bağımlı değiĢkenin seçenek sayısına göre üçe ayrılmaktadır (Özdamar, 1999).
Ġkili Lojistik Regresyon Analizi (Binary Logistic Regression)
Sıralı (Ordinal) Lojistik Regresyon Analizi (Ordinal Logistic Regression)
Ġsimsel Lojistik Regresyon Analizi (Nominal Logistic Regression). 3.2.3.1. Ġkili Lojistik Regresyon (Binary) Analizi
Ġki seçenek içeren bağımlı değiĢkenlerle bir ya da daha fazla bağımsız değiĢkenler arasındaki iliĢkiyi ortaya koyar. Faktör değiĢkenler kategorik isimsel ölçeklidirler, ortak değiĢkenler ise sürekli değiĢken olmalıdır. MINITAB ve SPSS programları tanımlanmadıkça değiĢkenleri ortak değiĢken olarak almaktadır (Özdamar, 1999). BLOGREG analizinde model tanımlama iĢlemleri kullanıcının doğrudan tanımlaması yöntemine göre yapılabileceği gibi AĢamalı regresyon yaklaĢımı ile de yapılabilir. AĢamalı model seçiminde koĢullu olasılık yaklaĢımına göre ileriye doğru seçim, geriye doğru eleme yöntemleri uygulanabilir (Özdamar, 1999).
Örneğin süt sığırcılığı yapılan bir iĢletmede sürü genelinde mastitis hastalığını var ve yok Ģeklinde nitelendirilmesinde ikili lojistik regresyon kullanılabilir. Sadece bir bağımsız değiĢkenin olduğu varsayılarak bir model oluĢturulursa;
X: bağımsız değiĢkene iliĢkin veri matrisi olsun. X=x olduğunda (X’ in değeri bilindiğinde) olayın olması olasılığı ya da Y=1 olması olasılığı π ile gösterilsin. π’ yi tanımlamak için standart doğrusal model kullanılsaydı aĢağıdaki model oluĢabilirdi.
E(Y|X) ( )
( ( ) )
Bu doğrusal fonksiyonun sonucu 0 ve1 arasında sınırlı olmadığından olasılığı modellemek için kullanılamaz. Burada, doğrusal regresyonda katsayı kestirimi için kullanılan en küçük kareler yönteminin kullanılamamasının bir diğer nedeni de, yanıt değiĢkeni Y binomiyal rastgele değiĢken olduğundan, Y’ nin varyansı ’ nin bir fonksiyonu olup (( ( )) ( ( )), X’ e bağlı olmasıdır. Bu nedenle, varyansın eĢitliği (homoscedasticity) varsayımı sağlanmaz (Alpar, 2011).
3.2.3.1.1. Lojit Model
Olasılık ( ) ile X bağımsız değiĢkeleri arasındaki iliĢki, sıklıkla lojistik yanıt/cevap fonksiyonu (S biçiminde bir eğri) ile gösterilebilir. BaĢlangıçta, X değerlerindeki artıĢla birlikte olasılık yavaĢça artar, sonra artıĢ hızlanır ve sonunda da durağanlaĢır. Hiçbir zaman 1’ in üstüne çıkmaz. Lojistik fonksiyonunu tanımlayan lojistik regresyon modeli;
( ) (Y X ⁄ ) ( )( ) ( )
eĢitliği ile ifade edilir. Buna göre X = x olduğunda Y = 1 olması olasılığı ( )’ dir denir (ya da X bağımsız değiĢkeni bilindiğinde Y’nin 1 olması olasılığı ( )’dir denir).
Doğrusal olmayan lojistik regresyon fonksiyonuna lojit dönüĢüm uygulandığında doğrusallaĢtırılabilmektedir. Lojit dönüĢüm bir olayın odds’ unun doğal logaritması alınarak yapılır.
Yukarıda tanımlandığı gibi, bir olayın odds’u ( ( )) ile verilir ve bu oran 0 ile ( ) sınır değerleri arasında değer alabilir. Odds’ ların doğal logaritması alındığında ise lojit dönüĢüm yapılmıĢ olur ve lojit değerleri ise ile sonsuz arasında değer alabilir. Özet olarak lojit, odds’un doğal logaritmasıdır.
( ) ( ) ( ( ) ( ))
Lojistik regresyon modeli, yanıt değiĢkeninin odds’u türünden aĢağıdaki gibi belirtilebilir.
( ( )
Odds’un doğal logaritması alındığında model doğrusal modele dönüĢür. ( ) ( ( )
( )) ( )
EĢitlikten de görüleceği gibi lojit dönüĢüm parametrelerinin doğrusal bir fonksiyonunu oluĢturur. Diğer bir deyiĢle, lojit ile bağımsız değiĢkenler arasındaki iliĢkinin doğrusal olması gerekmektedir. Lojistik regresyon modelinin tek varsayımı da budur.
Yukarıda belirtildiği gibi, olasılık değeri ( ) sınır değerleri arasında değiĢirken x’ in değerine bağlı olarak lojit değerleri de ile arasında değer alabilir. Lojit model, doğrusal regresyon modelinin istenen birçok özelliğini içerir. Doğrusal modelde bağımsız değiĢken x’deki 1 birim değiĢimin bağımlı değiĢkende ne kadarlık bir değiĢime neden olduğunu gösterirken, lojistik modelde x’deki 1 birim değiĢimin lojit’te ne kadar değiĢime neden olduğunu gösterir. Doğrusal regresyonda hata değerlerinin ortalaması 0 ve sabit varyansla normal dağılım gösterirken, lojistik regresyonda hata değerlerinin ortalaması sıfır ve varyansı ( )( ( )) olan binom dağılımı gösterir (Alpar, 2011).
3.2.3.1.2. Katsayıların Önemliliğinin Test Edilmesi
Yöntemin temel amacı bağımlı değiĢkenin alabileceği değerlerin tahmin edilebilmesi için en uygun eĢitliklerin oluĢturulmasıdır. EĢitliğe ait katsayıların anlamlılığını test edebilmek için istatistik hipotezler kullanılır ve bağımsız değiĢkenin bağımlı değiĢkeni açıklamada ne derecede etkin olduğu incelenir. Yapılacak hipotez testleri oluĢturulan eĢitliklere göre farklılık gösterir. OluĢturulan eĢitliğin uygun olup olmadığını “ki-kare” testi ile her bir bağımsız değiĢkenin eĢitlikte varlığının anlamlı olup olmadığını ise Wald istatistiği ile test edilir (Alpar, 2011). Lojistik regresyon çözümleme yönteminde bağımsız değiĢkenin eĢitlikte olduğu ve olmadığı durumlarda karĢılaĢtırma yapabilmek için en çok olabilirlik fonksiyonu kullanılmaktadır.
3.2.3.1.3. Olabilirlik Oranı
Bağımsız değiĢkenin (ya da çoklu lojistik regresyon modelinde bağımsız değiĢkenlerin) önemliliği olabilirlik oranı G istatistiği ile incelenir.
( ( ) ( ) )
Serbestlik derecesi iki modelde tahmin edilen parametre sayısı arasındaki farka eĢittir. Bu test olabilirlik oranı testi ya da sapma testi olarak adlandırılır. Sapma doğrusal regresyondaki hata kareler toplamına karĢılık gelmektedir. Basit olarak sadece tek bağımsız değiĢken olması durumu ele alındığında, öncelikle sadece sabit terimin olduğu model oluĢturulur. Bu modelden elde edilen iki değer arasındaki fark -2 ile çarpılarak olabilirlik oranı test değeri hesaplanır (Alpar, 2011).
3.2.3.1.4. Wald Testi
Wald testinde de olabilirlik oran testinde olduğu gibi beta katsayılarının en çok olabilirlik kestirimlerinden yararlanılır. Wald testi, eğim parametresi ’ in en çok olabilirlik tahmininin ( ̂ ya da ) standart hatasına (ya da ( )) bölünmesi ile elde edilir.
̂ ( ̂ )
Yine in en çok olabilirlik kestiriminin karesi standart hatasının karesine bölündüğünde Wald istatistiği ki-kare dağılımına uymaktadır.
̂ ( ) X
Wald istatistiği ile ilgili olarak SPSS ve SAS yazılımları Ki-kare, Stata yazılımı standart normal dağılım testi sonucunu vermektedir (Alpar, 2011).
3.2.3.1.5. Skor Testi
Skor testinde en çok olabilirlik kestiriminin hesaplanmasına gerek yoktur. Bu nedenle, en büyük avantajı hesaplama iĢlemlerini çok fazla kısaltmasıdır. Genel olarak, Skor testi matris hesaplamaları gerektiren çok değiĢkenli testtir.
∑ ( ̅) √ ( ̅) ∑ ( ̅)
Skor test istatistiği standart normal dağılıma uymaktadır. Bazı istatistik yazılımlarında olmaması bu testin kullanımını sınırlamaktadır (Alpar, 2011).
4. ARAġTIRMA SONUÇLARI VE TARTIġMA
Süt sığırcılığı iĢletmelerinde asıl amaç verimliliği artırmak ve kar etmektir. Bu sebeple mastitise bağlı olarak süt kaybını önlemek ve oluĢabilecek riskleri önceden tahmin edebilmek iĢletme için oldukça önemlidir. Sağımların bilgisayar destekli sürü takip sistemleri ile yapıldığı modern süt sığırcılık iĢletmelerinde süt verimi, sütün akıĢ hızı ve elektrik iletkenliği gibi özellikler sağımda otomatik olarak kayıt altına alınabilmektedir. Bu çalıĢmada ilk olarak sağım esnasında kolayca tespit edilebilen bu özelikler (süt verimi (SV), sağımda geçen gün (SGG), sütün donma noktası (DN), pH ve elektrik iletkenliği) kullanılarak ineklerin mastitis olup olmadığı teĢhis edilmeye çalıĢılmıĢtır. Daha sonra mastitisin teĢhisinde etkili olabilecek sütün renk (L (parlaklık), a (kırmızılık) ve b (sarılık)) özellikleri kullanılmıĢtır. Son olarak süt verim ve renk özellikleri birlikte kullanılarak mastitis teĢhis edilmeye çalıĢılmıĢtır.
4.1. Süt Verim Özellikleri Kullanılarak Mastitisin TeĢhisi
Mastitisin tespiti için oluĢturulan logit modelde, ilk aĢamada bir baz model oluĢturulmuĢ ve bağımsız değiĢkenlerin hepsinin bir arada yer aldığı yöntem (enter) uygulanmıĢtır. Baz model incelendiğinde mastitis olmayan 149 hayvan doğru tahmin edilmiĢ olup, doğru sınıflandırma oranı % 100’dür. Mastitisli 43 örneğin ise tamamı yanlıĢ tahmin edilmiĢ olup doğru sınıflandırma oranı % 0 olarak belirlenmiĢ ve 192 baĢ ineğe ait verinin doğru sınıflandırma oranı ise % 77.6 olarak tespit edilmiĢtir. Tüm bağımsız değiĢkenlerin ele alındığı logit modelin çözümlemesinde maksimum olabilirlik yöntemi kullanılmıĢtır. Modelin önem kontrolü ise Ki-Kare testiyle kontrol edilmiĢ ve istatistik olarak önemli bulunmuĢtur (P<0.01).
Modelin uygunluğunun analiz edilmesinde, L (likelihood), bağımsız değiĢkenler tarafından tahmin edilme olasılığı olup L+(-2 Log likelihood) = 1`dir. Bu durumda -2 Log likelihood değeri azaldıkça modelin uyumluluğu artmaktadır. “-2 Log likelihood” değerinin 0 olması durumunda model mükemmel uyumlu
demektir. ÇalıĢmada modelinin -2 Log likelihood değeri 169.905 olarak tespit edilmiĢtir.
Modelin uyumluluğunun bir baĢka kriteri ise “Cox ve Snell R²” ve “Nagelkerke R²” değerleridir. Analiz sonucuna göre bağımsız değiĢkenlerin, bağımlı değiĢkendeki değiĢimin yüzde olarak ne kadar değiĢtiğinin belirlemek “Cox ve Snell R²” ve “Nagelkerke R²” değerlerinden yararlanılmıĢ olup, sırasıyla % 14.4 ile % 25.0 değerlerini almıĢtır. Logit modelde belirleme katsayılarının düĢük olmasının muhtemel sebebi ele alınan bağımsız değiĢkenlerde varyasyonun çok fazla olması olabilir. Ayrıca bağımlı değiĢken üzerinde etkisi olan baĢka faktörlerin de ele alınması gerekebilir.
Mastitisin tespiti için kurulan model; ( ) Ģeklindedir. Bu modelin kullanılması Bu modelin kullanılması ile yapılan tahminlerde (Tablo 4.1), mastitis olmayan 149 hayvanın, 144 tanesi (0) 5 tanesinin ise (1) yani mastitisli olduğu tespit edilmiĢtir. Mastitisli olan 43 hayvanın, 11 tanesinin mastitis (1) olduğu ve 32’inin ise sağlıklı (0) olduğu tespit edilmiĢtir. Bu sonuca göre, özgünlüğünün (Spesifite) % 96.6 ve duyarlılığın ise % 25.6 olduğu görülmektedir. Genel olarak tüm verilerin doğruluğunun tahmin değeri ise % 80.7 olarak belirlenmiĢtir (Tablo 4.1).
Tablo 4.1. Sınıflandırma Tablosu
Gözlemler Tahminler Mastitis Doğruluk Yüzdesi 0 1 Mastitis 0 144 5 96.6 1 32 11 25.6 Genel 80.7
OluĢturulan lojistik regresyon modelindeki bağımsız test değiĢkenleri ile bağımlı değiĢken için olasılık analizi yapılarak elde edilen sonuçlar Tablo 4.2.’deki gibidir.
Tablo 4.2. Lojistik regresyona ait parametre tahminleri ve odds oranları sonuçları
DeğiĢkenler Beta
katsayıları Standart Hata
Ki- Kare Değeri SD P Değeri Odds oranları % 95 Güven Aralıkları (Odds) SV -0.058 0.062 0.868 1 0.352 0.943 0.835 1.066 SGG -0.004 0.004 1.361 1 0.243 0.996 0.989 1.003 DN -11.219 7.794 2.072 1 0.150 0.000 0.000 57.779 pH 4.177 2.242 3.469 1 0.063 65.139 0.804 5278.869 EĠ 2.747 0.731 14.118 1 0.000 15.596 3.721 65.360 Sabit -49.566 17.919 7.651 1 0.006 0.000
Tablo 4.2’de değiĢkenlerin Beta katsayıları (B), standart hatası (SE), Wald istatistiğine göre Ki-Kare değerleri (Wald), serbestlik dereceleri (sd), sig. (P değeri), odds oranları (Exp(B)) ve % 95 güven aralıkları görülmektedir. Analiz sonucuna göre süt verimi, sağımda geçen gün, donma noktası ve pH değerlerinin etkisinin istatistik olarak önemsiz olduğu görülmektedir (Tablo 4.2). Elektrik iletkenliğinin etkisi ise istatistik olarak önemli (P<0.01) bulunmuĢ, elektrik iletkenliğindeki bir birimlik artıĢın mastitise yakalanma olasılığını 15.596 kat arttırdığı tespit edilmiĢtir.
4.2. Sütün Renk Özellikleri Kullanılarak Mastitisin TeĢhisi
Sağım esnasında otomatik olarak kaydedilen süt verim özelliklerinin yanı sıra süt renk parametreleri de kullanılarak hayvanların mastitisli olup olmadığı teĢhis edilmeye çalıĢılmıĢtır. Bu amaçla süt numunelerinden tespit edilen L (parlaklık), a (kırmızılık) ve b (sarılık) değerleri kullanılmıĢtır.
Sütün renk değerleri (L, a ve b) kullanılarak oluĢturulan baz model incelendiğinde mastitis olmayan 149 hayvan doğru tahmin edilmiĢ olup, doğru sınıflandırma oranı % 100`dür. Mastitisli 43 örneğin ise tamamı yanlıĢ tahmin edilmiĢ olup doğru sınıflandırma oranı % 0 olarak belirlenmiĢ ve 192 baĢ ineğe ait verinin doğru sınıflandırma oranı ise % 77.6 olarak tespit edilmiĢtir (Tablo 4.3). Model istatistik olarak önemli bulunmuĢtur (P<0.01).
Modelin uygunluğunun analiz edilmesinde kullanılan -2 Log likelihood, Cox ve Snell R² ve Nagelkerke R² değerleri ise sırasıyla 177.952, 0.128 ve 0.195 olarak tespit edilmiĢtir.
Tablo 4.3. Sınıflandırma Tablosuna
Gözlemler Tahminler Mastitis Doğruluk Yüzdesi 0 1 Mastitis 0 145 4 97.3 1 34 9 20.9 Genel 80.2
Sınıflandırma tablosuna (Tablo 4.3) bakıldığı zaman bağımlı değiĢkenlerden yola çıkarak gözlenen değerler ve yürütülen tahminde mastitis olmayanların (0) belirlendiği 145 tane veri ve bu verilerin 4 tanesinin ise yüksek değere (1) sahip olduğu hatalı tahmininde bulunduğunu ancak 149 tane veriden elde edilen değerlerin özgünlüğünün % 97.3 olduğu görülmektedir. Mastitis (1) olarak belirlenen 43 tane verinin 34’inin sağlıklı (0), 9 tanesinin ise mastitis olduğu, duyarlılığın ise % 20.9 olduğu görülmektedir. Genel olarak tüm verilerin doğru sınıflandırma oranı % 80.2 olarak belirlenmiĢtir.
Sütün renk özellikleri kullanılarak oluĢturulan lojistik regresyon modelinden elde edilen sonuçlar Tablo 4.4.’teki gibidir.
Tablo 4.4. Sütün renk özellikleri kullanıldığında Lojistik regresyona ait parameter tahminleri ve odds oranları sonuçları
DeğiĢkenler Beta
katsayıları Standart Hata
Ki- Kare Değeri SD P Değeri Odds
oranları % 95 Güven Aralıkları (Odds)
L -0.358 0.110 10.527 1 0.001 0.699 0.563 0.868
a 0.276 0.370 0.557 1 0.455 1.318 0.638 2.721
b 0.590 0.141 17.533 1 0.000 1.803 1.368 2.377
Sabit 28.559 9.114 9.820 1 0.002 2,529E12
etkisinin istatistik olarak önemsiz olduğu görülmektedir. L (parlaklık) ve b (sarılık) değerinin etkisinin ise istatistik olarak önemli olduğu tespit edilmiĢtir (P<0.01). Sütün rengindeki L özelliğinin bir birim artması mastitise yakalanma olasılığını 0.699 kat, b’nin bir birim artması ise mastitise yakalanma olasılığını 1.803 artırmaktadır.
Tablo 4.4’ de yer alan Beta Katsayıları, denklemde yer alan bağımsız değiĢkenlerin katsayıları olup bu katsayıları dikkate alarak model ( ) Ģeklinde oluĢturulabilir.
4.3. Süt Verim ve Renk Özellikleri Kullanılarak Mastitisin TeĢhisi
Süt verim ve renk özellikleri kullanılarak mastitisin teĢhisi için oluĢturulan logit modelde, ilk aĢamada bir baz model oluĢturulmuĢtur. Baz model incelendiğinde mastitis olmayan 149 hayvan doğru tahmin edilmiĢ olup, doğru sınıflandırma oranı % 100`dür. Mastitisli 43 örneğin ise tamamı yanlıĢ tahmin edilmiĢ olup doğru sınıflandırma oranı % 0 olarak belirlenmiĢ ve 192 baĢ ineğe ait verinin doğru sınıflandırma oranı ise % 77.6 olarak tespit edilmiĢtir.
Modelin uygunluğunun analiz edilmesinde kullanılan -2 Log likelihood değeri 158.353, “Cox ve Snell R²” değeri % 21.3 ve “Nagelkerke R²” değeri % 32.5 olarak tespit edilmiĢtir.
Tablo 4.5. Sınıflandırma Tablosu
Gözlemler Tahminler Mastitis Doğruluk Yüzdesi 0 1 Mastitis 0 147 2 98.7 1 28 15 34.9 Genel 84.4
Tablo 4.5'ten de görülebileceği gibi bağımlı değiĢkenler ele alınarak yapılan tahminde 149 mastitis olmayan ineğin, 2 tanesinin mastitisli olduğu (hatalı tahmininde bulunulduğu) ve özgünlüğünün % 98.7 olduğu görülmektedir. Mastitisli
43 ineğin, 28’inin sağlıklı (0), 15 tanesinin ise mastitisli olduğu, duyarlılığın ise % 34.9 olduğu görülmektedir. Genel olarak tüm verilerin doğru sınıflandırma oranı % 84.4 olarak belirlenmiĢtir.
Süt verim (süt verimi (SV), sağımda geçen gün (SGG), sütün donma noktası (DN), pH ve elektrik iletkenliği)) ve sütün renk (L (parlaklık), a (kırmızılık) ve b (sarılık)) renk özellikleri kullanıldığında lojistik regresyona ait parametre tahminleri ve odds oranları sonuçları Tablo 4.6'da verilmiĢtir.
Tablo 4.6. Süt verim ve renk özellikleri kullanıldığında Lojistik regresyona ait parametre tahminleri ve odds oranları sonuçları
DeğiĢkenler Beta
katsayıları Standart Hata Ki- Kare Değeri
SD P
Değeri oranları Odds Aralıkları (Odds) % 95 Güven
L -0.187 0.062 2.121 1 0.145 0.830 0.145 0.830 a -0.478 0.004 1.132 1 0.287 0.620 0.287 0.620 b -0.472 7.794 8.967 1 0.003 1.604 0.003 1.604 SV -0.001 0.062 0.000 1 0.987 0.999 0.987 0.999 SGG -0.003 0.004 0.588 1 0.443 0.997 0.443 0.997 DN -4.264 7.794 0.189 1 0.664 0.014 0.664 0.014 pH 3.290 2.242 1.888 1 0.169 26.856 0.169 26.856 EĠ 2.606 0.731 8.642 1 0.003 13.549 0.003 13.549 Constant -26.903 25.197 1.140 1 0.286 0.000 0.286 0.000
Tablo 4.6’ de yer alan Beta Katsayıları, denklemde yer alan bağımsız değiĢkenlerin katsayıları olup bu katsayıları dikkate alarak model aĢağıdaki gibi oluĢturulur.
( )
OluĢturulan lojistik regresyon modelindeki beta katsayıları (β), standart hatası (SE), Wald istatistiğine göre Ki-Kare değerleri (Wald), serbestlik dereceleri (df), önemlilik (P değeri), odds oranları (Exp(B)) ve % 95 güven aralıkları görülmektedir. Tablo 4.6'dan da görüldüğü gibi L (parlaklık), a (kırmızılık), süt verimi (SV), sağımda geçen gün (SGG), sütün donma noktası (DN), pH değerlerinin
mastitise yakalanma olasılığına etkisinin istatistik olarak önemli olmadığı, ancak b (sarılık) değerinin bir birim artması sonucu mastitise yakalanma olasılığını 1.6, elektrik iletkenliğinin bir birim artması sonucu ise mastitise yakalanma olasılığını 13.549 kat arttırdığı gözlenmiĢtir.
5.SONUÇLAR VE ÖNERĠLER
5.1. Sonuçlar
Sığırcılık iĢletmelerine büyük ölçüde ekonomik olarak zarar veren mastitisin erken dönemde (subklinik) teĢhis edilmesi oldukça önemlidir. Günümüzde sürü yönetim programlarının içerisinde yer alan (elektrik iletkenliği, süt verimi, sağımda geçen gün vb) ve ilave edilebilecek sütün renk (L, a ve b) özellikleri ile mastitisin erken dönemde teĢhisi, iĢletmelere süt verimindeki kayıp, ilaç ve veterinerlik masrafları, ölüm vb nedenlerden doğabilecek maddi zararın önüne geçmeye yardımcı olacaktır.
Bu amaçla Tarım iĢletmeleri Genel Müdürlüğüne Bağlı Aksaray ilinde bulunan KoçaĢ Tarım ĠĢletmesi Müdürlüğü Sığırcılık Tesisindeki 192 baĢ 1. laktasyondaki Siyah Alaca Süt Sığırında mastitis erken dönemde tespit edilmeye çalıĢılmıĢtır.
Mastitisin teĢhisi için oluĢturulan lojistik regresyon modelindeki bağımsız test değiĢkenleri üç aĢamada (birinci aĢama: sadece süt verim özellikleri (süt verimi (SV), sağımda geçen gün (SGG), sütün donma noktası (DN), pH ve elektrik iletkenliği (EĠ)), ikinci aĢama: renk özellikleri (L (parlaklık), a (kırmızılık) ve b (sarılık)), üçüncü aĢama: süt verim özellikleri ve renk özellikleri birlikte), ile bağımlı değiĢken için olasılık analizleri yapılmıĢtır. Analiz sonuçları incelendiği zaman sadece süt özellikleri ele alındığında elektrik iletkenliğinin mastitisin teĢhisinde önemli olduğu (elektrik iletkenliğinin (mS/cm) bir birim artması sonucunda iĢletmede bulunan hayvanların mastitise yakalanma olasılığı yaklaĢık 16 kat artmaktadır. Sadece sütün renk özelliklerine bakıldığında ise L (parlaklık) ve b (sarılık) değerinin bir birim artması sonucunda iĢletmede bulunan hayvanların mastitise yakalanma olasılığını sırasıyla 0.699 ve 1.8 kat artmaktadır. Süt verim özellikleri ve renk özellikleri birlikte incelendiğinde ise hem elektrik iletkenliği hem de b renk özelliği logistik regresyon ile mastitisin teĢhisinde istatistik olarak önemli olmuĢlardır. Elektrik iletkenliğindeki bir birimlik artıĢ mastitise yakalanma olasılığını 13.549, b renk özelliğindeki bir birimlik artıĢ ise 1.604 kat artırmaktadır.
5.2.Öneriler
Bağımlı değiĢkenin kesikli olduğu durumlarda bağımlı ve bağımsız değiĢkenler arasındaki iliĢkiyi klasik regresyon analizi ile incelemek doğru bir yaklaĢım değildir. Bu gibi durumlarda baĢvurulacak yollardan biri lojistik regresyon analizidir. Lojistik regresyon analizinde, sınıflama ve atama iĢlemlerinin yapılabilmesi, normal dağılım ve süreklilik varsayımı gerektirmemesi nedeniyle bu çalıĢmada lojistik regresyon analizi uygulanmıĢtır.
Bu çalıĢma sonucunda ineklerin mastitis olup olmadığının tespitinde tüm özellikler (süt verimi sağımda geçen gün, sütün donma noktası, pH ve elektrik Ġletkenliği, sütün renk (L (parlaklık), a (kırmızılık) ve b (sarılık)) birlikte ele alındığında % 84.4 gibi yüksek sayılabilecek bir doğru sınıflandırma oranı elde edilmiĢtir. Mastitis üzerine elektrik iletkenliği (EĠ) ve sarı (b) renk özelliğinin etkili olduğu, çalıĢmada ele alınan diğer bağımsız değiĢkenlerin ise istatistik olarak önemli etkileri olmadığı tespit edilmiĢtir. Elde edilen modelin doğruluğunun, analiz edilen verilerin tutarlılığı ve değiĢken sayısı gibi faktörlere bağlı olduğu da unutulmamalıdır.
ÇalıĢa sonuçlarına dayanarak mastitisin tespitinde elektrik iletkenliği ve renk özelliklerinden L ve b önemli bulunmuĢ olup sağım sistemleri bünyesinde bulunan elektrik iletkenliği ölçümlerinin düzenli olarak kontrolü ile mastitis nedeniyle oluĢabilecek iĢletmeye zarar verecek düzeydeki ekonomik kayıpların önlenebileceği söylenebilir.
KAYNAKLAR
Agresti, A., Mehta, C. R. ve Patel, N. R., 1990, Exact inference for contingency tables with ordered categories, Journal of the American Statistical
Association, 85 (410), 453-458.
Alpar, R., 2011, Çok değiĢkenli istatistiksel yöntemler, Ankara: Detay Yayıncılık, 286- 301.
Atasever, S. ve Erdem, H., 2008, Relationships between mastitis and electrical conductivity of raw milk in dairy cows, Anadolu Journal of Agricultural
Sciences (Turkey).
Aytekin, I., Eyduran, E. ve Keskin, I., 2018, Detectıng The Relatıonshıp Of Calıfornıa Mastıtıs Test (Cmt) Wıth Electrıcal Conductıvıty, Composıtıon And Qualıty Of The Mılk In Holsteın-Frıesıan And Brown Swıss Cattle Breeds Usıng Cart Analysıs, FRESENIUS ENVIRONMENTAL BULLETIN, 27 (6), 4559-4565.
Aytekin, Ġ. ve Boztepe, S., 2014, Süt sığırlarında somatik hücre sayısı, önemi ve etki eden faktörler, Türk Tarım–Gıda Bilim ve Teknoloji Dergisi, 2 (3), 112-121.
BaĢtan, A., Fındık, M., Kaymaz, M. ve Duru, Ö., 1997, Ġnek sütlerinde somatik hücre sayısı, serum proteinleri, laktoz ve elektriksel iletkenlik arasındaki iliĢkinin araĢtırılması, Ankara Üniversitesi Veteriner Fakültesi Dergisi, 44, 63-67. Batmaz, H., 2015, Sığırlarda Sürü Sağlığı ve Yönetimi Seçkin yayıncılık, Ankara, p.
Blowey, R. W. ve Edmondson, P., 2010, Mastitis control in dairy herds, Cabi, p.
Caraviello, D., 2004, Selection for clinical mastitis and somatic cell count. The Babcock Institute University of Winconsin. Dairy Updates. Reproduction and Genetics No: 613.
Çoban, Ö. ve Tüzemen, N., 2007, Risk factors for subclinical mastitis in Holstein Friesian and Brown Swiss cows, Veteriner Fakültesi Dergisi, Uludağ
Üniversitesi, 26 (1/2), 27-31.
Erdem, H., 2005, Sağım ve sağım hijyeni. AB sürecinde kaliteli süt üretimi ve somatik hücre sayısı. GüzeliĢ Ofset Matbaa.
36-56. Konya.
Eyduran, E., Özdemir, T., Yazgan, K. ve Keskin, S., 2005, Siyah Alaca inek sütündeki somatik hücre sayısına laktasyon sırası ve dönemin etkisi, Yüzüncü
Yıl Üniversitesi Veteriner Fakültesi Dergisi, 16 (1), 61-65.
FAOSTAT, 2018, http://www.fao.org/faostat/en/#data EriĢim Tarihi: 20.06.2019. Kamphuis, C., Pietersma, D., Van der Tol, R., Wiedemann, M. ve Hogeveen, H.,
2008, Using sensor data patterns from an automatic milking system to develop predictive variables for classifying clinical mastitis and abnormal milk, Computers and Electronics in Agriculture, 62 (2), 169-181.
Kesici, T. ve KocabaĢ, Z., 1998, Biyoistatiststik. Ankara Üniversitesi Eczacılık Fakültesi Yayın No:79, Ankara.
Kirk, J., 2005, The effect of poor quality raw milk on finished products. Extension Veterinarian School of Veterinary Medicine University of California Davis Tulare, CA.
Mammadova, N. ve Keskin, Ġ., 2013, Application of the support vector machine to predict subclinical mastitis in dairy cattle, The Scientific World Journal, 2013.
Mammadova, N. M. ve Keskin, I., 2015, Application of neural network and adaptive neuro-fuzzy inference system to predict subclinical mastitis in dairy cattle,
Indian J. Anim. Res, 49 (5), 671-679.
Memmedova, N., 2012, Süt sığırlarında mastitisin bazı yapay zeka yöntemleri kullanılarak erken dönemde tespiti, Selçuk Üniversitesi Fen Bilimleri
Enstitüsü.
Mertler, C. ve Vannatta, R., 2005, Logistic regression, Advanced and multivariate
statistical methods, 313-330.
Mundan, D., Meral, B. A., Demir, A. ve Doğaner, M., 2015, Süt sığırı iĢletmelerinde sütteki toplam bakteri ve somatik hücre sayısının ekonomik açıdan değerlendirilmesi, Harran Üniversitesi Veteriner Fakültesi Dergisi, 4 (2), 84-89.
Özdamar, K., 1999, Paket programlar ile istatistiksel veri analizi-1: SPSS-MINITAB, Kaan Kitabevi, p.
Özyurt, A. ve Özkan, M., 2009, Orta Anadoluâ da YetiĢtirilen Siyah-Alaca Sığırlarda Laktasyon Eğri ġekli ve Eğriye Etkili Olan Faktörler, Hayvansal
Üretim, 50 (1).
Özyurtlu, N., 2011, Ġneklerde mastitisin ekonomik ve sağlık açısından önemi, Dicle
Üniversitesi Veteriner Fakültesi Dergisi (1), 36-38.
Rice, D. N. ve Bodman, G. R., 1997, The somatic cell count and milk quality, Cooperative Extension, Institute of Agriculture and Natural Resources. ġahin, M. ve Efe, E., 2018, Determining the Factors Affecting Birth Weight by
Using
Logistic Regression Method, Black Sea Journal of Health Science, 1 (2), 22-27. TanıĢ, C., 2016, Akademik BaĢarıyı Etkileyen Faktörlerin Lojistik Regresyon
Analizi Ġle Ġncelenmesi: Selçuk Üniversitesi Örneği, Selçuk Üniversitesi
Fen Bilimleri Enstitüsü, Konya.
Tekeli, T., 2005, Kaliteli süt, AB sürecinde kaliteli süt üretimi ve somatik hücre sayısı, Konya Ticaret Borsası Yayını, 8-18.
TUĠK, 2018, http://www.tuik.gov.tr EriĢim Tarihi: 20.06.2019.
Türker, H., 2016, Lojistik Regresyon ve Uygulamaları, Çanakkale On Sekiz Mart
Üniversitesi Fen Bilimleri Üniversitesi, Çanakkale.
Uzmay, C., Kaya, Ġ., AkbaĢ, Y. ve Kaya, A., 2003, Effects of udder and teat morphology, parity and lactation stage on subclinical mastitis in Holstein cows, Turkish Journal of Veterinary and Animal Sciences, 27 (3), 695-701.
