stanbul niversitesi

ktisat Fakltesi
Maliye Aratrma Merkezi Konferanslar
46. Seri / Yl 2004
Prof. Dr. Salih Turhan'a Armaan














TKETCLERN FYAT BLNC ZERNDE
ETKL OLAN FAKTRLERE LKN
BR NCELEME
















Yrd. Do. Dr. Sema Ulutrk AKMAN

stanbul niversitesi
ktisat Fakltesi
Ekonometri Blm


130

ZET
Bu almada, ya, cinsiyet, medeni durum, eitim seviyesi ve sosyo-
ekonomik stat gibi faktrlerin tketicilerin fiyat bilinci zerinde etkili olup
olmad lojistik regresyon teknii ile belirlenmeye allmtr.


ABSTRACT
In this study, it is tried to be determined whether age, sex, maritial status,
educational level and social-economic status factors are effective or not on the
price conciousness of consumers by logistic regression technique.

1.Giri
nsanolunun dnya zerinde varolabilmesi, retmesine ve tketmesine baldr.
Tketim sreci insann dnyaya gelmesi ile birlikte balamakta ve mrnn sonuna dek
devam etmektedir. retim srecine katlm ise genel olarak belirli bir birikim sonrasnda
balamakta, ounlukla snrl bir zaman iin srmekte ve bir gn gelip sona ermektedir.
Dolaysyla, insan yaam boyunca tketmesine karn, yalnzca belirli bir dnem iin
retebilmektedir.
Tketim amal programlanan insanolunun tketimi, al-veri olarak
tanmlanan eylem ile gereklemektedir. Dolaysyla insan, yaamak, varln
srdrmek gibi her trl ihtiyac iin tketmek, bunun iin de alveri yapmak
zorundadr.
phesiz alveri her birey veya ailenin ihtiyalarna ynelik olarak, btesi ile
ekillenmekle beraber, ihtiyalarn tesinde reklamlar, moda, baka tketicilerin
dnce ve nerileri gibi ok eitli faktrn de etkisi altndadr. Kredi kartlarnn,
zellikle taksitli kredi kartlarnn yaammza girmesi ile birlikte son yllarda tketim
harcamalarnn krklendiini gryoruz. Nitekim, lkemizde kullanlan kredi kart
saysnn 20 milyona ve kredi kart sahiplerinin bankalara olan bor tutarnn ise 15,6
katrilyona ulat
1
dnlrse, tketicilerinin btelerinin tesinde harcama yapt ve
bu harcamalar sonucunda ok byk rakamlara ulaan kredi kart ekstrelerinin
tketicileri zor durumda brakt anlalmaktadr. Bu durum, tketicilerin btelerinin
tesinde alveri yapmalar, alveri sonrasnda elde ettikleri tatminin, rne dedikleri
meblan zerine kmas, bir baka deyile; alveri tutkusunun rnn fiyatn
glgelemesi ile aklanabilir.
te yandan, kredi kart kullanlarak yaplan alveriler iinde toplam ilem
tutarnn %20sinin gerekletirildii spermarketlerin ve alveri merkezlerinin ilk
srada yer almas
2
da, gnlk yaammz iinde spermarket alverilerinin ne denli
nemli bir paya sahip olduunu ortaya koymaktadr.
Spermarket alverileri srasnda tketicilerin, rnlerin fiyatna bakmakszn
alveri yapt, promosyonlardan etkilenerek ihtiyac olan rnler dnda rnler de


131
satn ald, genel olarak benzer rnlerin fiyatlarn karlatrmad gibi, marketler
arasnda da fiyat kyaslamas yapmad grlmektedir
3
. Bu da, tketicilerin alverileri
srasnda alverie odaklanarak fiyat gz ard edebildiini, dolaysyla zaman zaman
fiyat bilinci iinde hareket etmediini gstermektedir.
Bu noktadan hareketle biz, tketicilerin market alverileri srasnda fiyat
unsuruna ne derece dikkat ettii ile ya, cinsiyet, eitim, medeni durum ve sosyo-
ekonomik stat
4
gibi faktrler arasnda iliki olup olmadn belirlemek istiyoruz.
almamzn verileri stanbul niversitesi Aratrma Fonu tarafndan
desteklenen Spermarket Alverilerinde Tketicilerin Fiyat Bilinci isimli aratrma
kapsamnda, stanbul ili snrlar iinde gerekletirilen anket almasna
dayanmaktadr. Ad geen anket almas srasnda 1000 denekle grlm ve
deneklere spermarket alverileri ile ilgili olarak standart bir soru formunda yer alan
sorular yneltilmitir.
Tketicinin market alverileri srasnda fiyat unsuruna ne derece dikkat ettiini
ortaya koymak zere anket formunda yer alan iki soruya verdikleri cevaplar ele
alnmtr. Bunlar, market alverii srasnda benzer rnler arasnda fiyat
karlatrmas yapp yapmamalar ile marketler arasnda fiyat karlatrmas yapp
yapmamalarna ilikin sorulardr.
almamzda tketicilerin market raflarnda yer alan benzer rnlerin fiyatlar
arasnda ve ayn rnn deiik marketlerdeki fiyatlar arasnda karlatrma yapp
yapmas ile ilgilenildiinden, baml deikenimiz fiyat karlatrmas yapma ve
yapmama biiminde iki sonucu olan bir kategorik deiken olacaktr. Bu tip baml
deikenlere nitel baml deiken ad verilmektedir. Baml deikeni nitel olan
modellere ise, kalitatif tercih modelleri (qualitative response models), kesikli tercih
modelleri (discrete choice models) veya blnme modelleri (categorical models) ad
verilmektedir
5
.
Kalitatif tercih modelleri, tketicilerin fiyat karlatrmas yapma ve yapmama
tercihine ilikin olaslk deerini belirleyeceinden, almamzda tketicilerin ya,
cinsiyet, medeni durum, eitim seviyesi ve sosyo-ekonomik stat gibi zelliklerinden
yola karak market raflarnda yer alan benzer rnlerin fiyatlar arasnda, ikinci olarak
da ayn rnn deiik marketlerdeki fiyatlar arasnda karlatrma yapp yapmamas
olaslklar belirlenmeye allacaktr.
Bireylerin iki alternatif arasndan seim yapmalar halinde ikili tercih, ikiden
fazla alternatif arasndan seim yapmalar halinde ise oklu tercih sz konusu
olmaktadr. almamzda, tketicilerin satn aldklar rne ilikin fiyat karlatrmas
yapma ve yapmama biiminde iki sonu zerinde durulduundan ikili tercih durumu
geerli olmaktadr.
Uygulama almamza gemeden nce kalitatif tercih modellerine, (regresyon
modellerinden yola karak) deinmenin uygun olaca dncesindeyiz.
Regresyon modelleri bilindii gibi, baml deiken ile bamsz deiken (veya
deikenler) arasndaki ilikiyi bir denklem yardmyla ortaya koyarak; baml


132
deikendeki deimeleri, bamsz deikendeki (deikenlerdeki) deimelerle
aklamaya alr.
Bir baml ve bir bamsz deikenden oluan basit dorusal regresyon modeli;
Y
i
= |
0
+ |
1
X
i
+ c
i
, (1)
ve bir baml ve k tane bamsz deikenden oluan regresyon modeli ise;
Y
i
= |
0
+ |
1
X
1
+ |
2
X
2
+...................

+ |
k
X
k
+ c
i
(2)
biimindedir.
Regresyon denklemlerinde yer alan |
0
, |
1
, |
2
,...........,|
k
parametre olarak
adlandrlmakta ve bamsz deikenlerin baml deiken zerinde ne ynde ve ne
miktarda etkili olduunu gstermektedir.
Regresyon modelinde yer alan |
0
, |
1
, |
2
,...........,|
k
parametreleri, baml ve
bamsz deikenlerin veri dnemine ilikin deerlerinden yola karak, uygulanmas
iin herhangi bir varsaym gerektirmeyen, en kk kareler yntemi ile tahmin edilir.
En kk kareler yntemi, baml deikenin gzlenen deerleri ile regresyon
denklemiyle tahmin edilen deerleri arasndaki farklarn kareleri toplamn minimize
eden bir yntemdir. Dolaysyla, veri dnemine ilikin bilgilerden hareketle, en kk
kareler yntemiyle tahmin edilen regresyon denklemini;
i
Y

=
i i
e X + +
1 0

| |

(3)
biiminde gsterebilmek mmkndr. Denklemde yer alan
1 0

,

| | regresyon
katsaylar olup, regresyon parametrelerinin tahmin deerlerini oluturmaktadr.
En kk kareler yntemi, uygulanmas asndan herhangi bir varsaym
gerektirmedii halde; ok deikenli regresyon modelinin baz koullar salamas
gerekir. Bu koullar,
- hata paylar tesadfi deiken olup, beklenen deerleri sfrdr,
- hata paylar varyanslar alt ana ktleler iin sabittir,
- hata paylar arasnda otokorelasyon olmamas,
-bamsz deikenler, tesadfi olmayan deeri sabit deikenlerdir ve varyansla-
r sfrdan byktr
6

eklindedir. Bu varsaymlarnn gereklemesi halinde en kk kareler yntemiyle elde
edilen tahminler etkin, sistematik hatasz, dorusal, en iyi ve minimum varyansa sahip
olurlar
7
.
Bu varsaymlara ek olarak, hata paylarnn dalmnn normal olmas istenir.
Hata paylarnn normal dalmas, baml deikenin normal dalmas ve dolaysyla
i
|

lerin de normal dalmas anlamna gelmektedir. Bu varsaym, anaktle regresyon

denkleminde yer alan parametrelere ilikin olarak yaplan hipotez testleri iin gereklidir.
Bu varsaymn gereklememesi durumunda tahmin edilen parametrelerin test edilmesi
mmkn olamamaktadr
8
.


133
Klasik regresyon modellerinde baml deiken srekli bir deiken olup, teorik
olarak -, + arasnda deer alabilmektedir. Ancak baz almalarda regresyon
modelinde yer alan baml deiken nitel olabilmektedir. rnein, belirli bir tketim
maln satn alp almama, eitli seyahat aralarndan birini seme gibi tercih gerektiren
durumlarda baml deiken nitel zellik tamaktadr.
Bireylerin iki alternatif arasndan seim yapmas halinde ikili tercih, ikiden ok
seenek arasndan seim yapmas halinde ise oklu tercih sz konusudur. te, baml
deikenin saysal deer almad ve kukla deiken olarak ifade edildii bu tr
modellere kalitatif tercih modelleri ad verilmektedir.

1, Belirli bir rn tercih etme
0, Belirli bir rn tercih etmeme

durumunu gsterecektir. Dolaysyla, baml deiken bu tr rnekler iin sadece
belirli deerler alabilen kesikli deiken olarak adlandrlacaktr.
Kalitatif tercih modelleri, j tane alternatif arasndan yaplan seimin sonucunu
aklayan statik bir olaslk modeli olup, seimin iki alternatif arasndan yaplmas
halinde iki durumlu (binomial), ikiden ok alternatif arasndan yaplmas halinde ise ok
durumlu (multinomial) modeller olarak ikiye ayrlmaktadr
9
.
te yandan, baml deikenin olaslk deeri olarak ifade edildii kalitatif
tercih modelleri, dorusal olaslk modeli ve dorusal olmayan olaslk modelleri olarak
iki balkta ele alnmaktadr.

2. Dorusal Olaslk Modeli
Dorusal olaslk modelinde kukla deiken durumundaki baml deiken,
bamsz deikenlerin dorusal fonksiyonu olarak aklanmaya alr. Dolaysyla,
baml deikenin beklenen deeri, veri durumundaki bamsz deikenlerin koullu
olaslklarndan hareketle tahmin edilmektedir. Baka bir deyile;
E(Y
i
/X
i
) bamsz deiken X
i
koulken, baml deiken Ynin beklenen
deerini gsterirse,
0s E(Y
i
/X
i
) s 1
olacaktr. Dolaysyla, ama, X deikeninden hareketle, Y deikeninin olasln
hesaplamaktr
10
.
Dorusal olaslk modelinde baml deikenin iki ya da ikiden ok seenekli
olmas mmkndr ve baml deikenin evet-hayr, belirli bir rn tercih etme-
etmeme gibi iki durumlu (0-1) olmas halinde ikili dorusal olaslk modeli, hayr-
bazen-evet, gibi ikiden ok durumlu (0-1-2) olmas halinde ise oklu dorusal olaslk
modeli olarak adlandrlmaktadr.
Y
i
=


134
Dorusal olaslk modelinin parametrelerini en kk kareler yntemiyle tahmin
etmek mmkndr. Ancak, hata paylarnn baml deikene bal olarak binom
dalm gstermesi, varyanslarn eit olmamas ve baml deikene ilikin olarak
hesaplanan olaslklarn |0-1| aralnn dna kmas gibi sorunlarla
karlalmaktadr. Bunun sonucu olarak, en kk kareler yntemiyle yaplan
parametre tahminleri eilimsiz olmasna ramen, varyanslarn eit olmamas nedeniyle
etkin deildir
11
. te yandan ou kez R
2
deerinin 0,2 0,6 arasnda olmas sebebiyle
R
2
model belirlemede uygun bir kriter olarak kabul edilememektedir
12
.
Baml deikene bal olarak hata paylarnn binom dalm gstermesi,
normal dalm varsaym altnda kullanlabilen hipotez testlerinin uygulanabilirliini
zedelemektedir. Ancak, gzlem saysnn yksek olmas halinde normal dalma
yaklam kabul edilebileceinden, bu saknca ksmen de olsa ortadan
kaldrlabilmektedir
13
.
Dorusal olaslk modelinin en nemli zayfl, bamsz deikenlere bal
olarak baml deiken iin tahmin edilen E(Y
i
/X
i
) koullu beklenen deerinin bir
olaslk deeri ifade etmesine ramen |0-1| aralnn dna kabilmesidir
14
. Oysa,
bilindii gibi olaslk, 0 ile 1 arasnda deer almakta ve bu snrlarn dna kmas
mmkn olmamaktadr.
Saylan bu sakncalar, dorusal olaslk modelinin nitel baml deikenlere
ilikin zmlemelerde kullanlmasn kstlamaktadr. Bu sakncalar ortadan kaldrmak
zere, dorusal olaslk modeline alternatif olarak dorusal olmayan olaslk modelleri
gelitirilmitir.
Dorusal olmayan olaslk modelleri ise, Probit Model, Logit (Lojistik) Model ve
Probit Modelin bir uzants olan Tobit Model olmak zere e ayrlmaktadr. Logit,
lojistik olaslk biriminin; probit
15
ise olaslk biriminin ksaltlm biimidir. te
yandan, probit ilk gelitirilen dorusal olmayan olaslk modelidir.
Bizim uygulama almamzda lojistik regresyon teknii kullanldndan bu
teknie ayrntl olarak deinilecektir.

3. Lojistik Regresyon Modeli (Logit Model):
Kalitatif tercih modelleri arasnda en ok kullanlan lojistik model olup, probit
model gibi, 0s E(Y
i
/X
i
) s1 koulunu salamak iin gelitirilmitir. Baml deikenin
iki durumlu zellik tad bir dorusal olmayan olaslk modeli olarak logit model;

P
i
= E (Y
i
=1

/ X
i
) = (
i
X
e
1 0
| | +
) / (1 +
i
X
e
1 0
| | +

) (4)
veya;
P
i
= E (Y
i
=1

/ X
i
) = 1 / (1 +
) (
1 0 i
X
e
| | +

) (5)
denklemiyle ifade edilir
16
.


135
Bamsz deikenlerin birden fazla- rnein k adet- olmas durumunda ise;
Z
i
= |
0
+ |
1
X
1
+ |
2
X
2
+...................

+ |
k
X
k
(6)

eklinde ve Z, bamsz deikenlerin dorusal kombinasyonunu gstermek zere;
P
i
= E (Y
i
=1

/ X
i
) =
i
z
e / (1 +
i
z
e ) (7)
veya;
P
i
= E (Y
i
=1

/ X
i
) = 1

/ (1 +
i
z
e

) (8)
eklinde tanmlanr ve bu denklem kmlatif lojistik dalm fonksiyonu olarak bilinir
17
.
Denklemde yer alan |
0
ve |
1
verilerden hareketle tahmin edilen parametreleri, X
i
ler
bamsz deikenleri ve e ise doal logaritma tabann (e=2,718) ifade etmektedir.
Dolaysyla P
i
, (aklayc deiken) X
i
veri iken bireyin belirli bir seimi yapma
olasln gstermektedir.
Buradaki Z
i
deikeni ile + arasnda deerler aldka, P
i
de 0 ile 1 arasnda
deerler alacak ve P
i
ile Z
i
arasndaki iliki dorusal olmayacaktr. Bylece, bireyin
belirli bir seimi yapma olaslnn (P
i
) 0 ile 1 arasnda olmas ve Z
i
ile P
i
arasndaki
ilikinin dorusal olmamas artlar salanm olmaktadr.
te yandan,
P
i

=
i
z
e

(9)

1-P
i

oran yardmyla lojistik fonksiyon dorusal regresyon analizinde kullanlabilir. Doal
logaritma alnarak;
L
i
= ln(
i
z
e ) = Z
i
= ln| P
i
/(1-P
i
)| (10)
elde edilir ve L
i
deerleri dorusaldr. Modelin bu ekilde dorusallatrlmas tahmin
iin byk kolaylk salamaktadr. Logit modeli de hata terimleri gibi binom dalml
olduundan deien varyansa sahiptir. Logit modelinin balca zellikleri u ekilde
sralanabilir
18
:
- Olaslk deerlerini ifade eden P
i
deerleri 0dan 1e giderken logit deerleri
yani L
i
ler, Z
i
deerleri gibi dan +a deiir. Bu nedenle, olaslk deerleri 0-1
arasnda olmak zorundadr. Ancak, logit deerleri iin bir snrlama sz konusu deildir.
- L
i
, X
jk
bamsz deikenine gre dorusalken, olaslk deeri P
i
dorusal
deildir.
Dier dorusal olmayan olaslk modeli olan probit model, kmlatif normal
dalma, logit model ise kmlatif lojistik dalma dayanmaktadr. Kmlatif lojistik
dalm ile kmlatif normal dalm birbirine benzemekte olup, aralarndaki en nemli
fark kmlatif lojistik fonksiyonun kuyruk ksmnn daha kaln olmasdr. Uygulamada
hesabnn daha kolay olmas bakmndan lojistik modelin tercih edildiini gryoruz.


136
Logit ya da lojistik regresyon modeli, dorusal diskriminant analizi iin de bir
alternatif oluturmaktadr. Diskriminant analizinin uygulanabilmesi iin gerekli olan,
verilerin ok deikenli normal dalmas ve gruplarn ortak varyans-kovaryans matrisli
olmas koullar genel olarak salanamamaktadr. Oysa, lojistik regresyon modeli
diskriminant analizinden farkl olarak bu varsaymlara ihtiya gstermemekte ve bu
sebeple daha geni bir kullanm alanna sahip olmaktadr
19
. Ancak, yine de, bu
varsaymlarn gereklemesi halinde lojistik regresyon modeliyle yaplacak parametre
tahminlerinin daha kararl (stable) olaca kabul edilmektedir. Bamsz deikenler
arasnda oklu dorusal balant bulunmamas koulu, ok deikenli regresyon
modelinde olduu gibi lojistik regresyon modeli iin de gereklidir. Zira, oklu dorusal
balant bulunmas durumunda parametre tahminleri eilimli olmakta ve standart hatalar
bymektedir
20
.
te yandan, lojistik regresyon modelinde, srekli bamsz deikenlerin yer
almas durumunda, bu tr katsaylardan alnan bilginin snrl kald ve bu nedenle,
srekli ve nominal deikenlerin kategorik hale getirilerek modele dahil edilmesinin
daha iyi sonular verdii ifade edilmektedir
21
.
Bu balk altnda son olarak, lojistik regresyon denklemi ile tahmin edilen
parametrelerin nasl yorumlanaca zerinde durmakta yarar vardr.
Daha nce de deinildii gibi, lojistik regresyon modeli,
P
i
= E (Y
i
=1

/ X
i
) = 1 / (1 +
i
z
e

) (11)
denklemiyle ifade edilmekteydi. Lojistik regresyon modeli, k adet bamsz deiken
bulunmas durumunda,
Z
i
= |
0
+ |
1
X
1
+ |
2
X
2
+...................

+ |
k
X
k
(12)

eklinde tahmin edilip, formlde yerine konarak X
i
lerin belirli deerleri iin Y
deikeninin olaslklar hesaplanabilir.
Lojistik regresyon modelinin katsaylar, klasik regresyon modelinden farkl
olarak yorumlanmaktadr. Bilindii gibi, klasik oklu regresyon modelinde, her bir
katsay ait olduu deikenin bir birim deimesi durumunda, baml deikenin ne
kadar deieceini gsterir. Oysa, lojistik regresyon modelini;
ln|P
i
/(1-P
i
)| = |
0
+ |
1
X
1
+ |
2
X
2
+...................

+ |
k
X
k
(13)
biiminde gsterirsek, her bir katsay ait olduu deikende meydana gelecek bir
birimlik deimenin;
ln (Ynin gerekleme olasl/Ynin gereklememe olasl)
biiminde ifade edilen olasln doal logaritmasnda ortaya karaca deime
eklinde yorumlanacaktr. Baka bir deyile, regresyon katsaylarnn herbiri, baml
deikenin deeri 0dan 1e getiinde, dier bamsz deikenlerin deeri sabit
tutulursa, olaslk orannn logaritmasnda meydana gelecek deimeyi gstermektedir.
Sabit katsaynn ise bir anlam yoktur
22
.



137
4. Lojistik Regresyonda zm Yntemi
Klasik dorusal regresyon zmlemesinde genel olarak en kk kareler
yntemi tercih edilmektedir. Bilindii gibi; bu yntem, gzlenen deerlerle, regresyon
denklemi ile tahmin edilen deerler arasndaki farklarn kareleri toplamn minimize
etmeyi amalar ve bu nedenle de En Kk Kareler Yntemi olarak adlandrlr.
Lojistik regresyon zmlemesinde ise parametre tahminleri daha ok En ok
Benzerlik Yntemiile yaplr
23
.
En ok benzerlik yntemi, gzlenen deerlere en ok benzeyen sonulara
ulamay amalayan bir zm teknii olup, zme iterasyonlarla ular. En ok
benzerlik ynteminde sonutan nedene, geriye doru gidi vardr. rnek ekildikten
sonra, geriye doru dnlerek bu rnein ekilme olasln maksimum yapan
parametre tahmininin deeri aratrlmaktadr
24
.
En ok benzerlik yntemi, tesadfi deikenlerin (yani rnek birimlerinin)
birleik olaslk dalmndan oluan ve en ok benzerlik fonksiyonu olarak adlandrlan
bir fonksiyonu temel alr. rnein, n adet birim ieren rnek iin rnek gzlem
deerleri (y
1
, y
2
,........... ,y
n
) ile (Y
1
, Y
2
,........... ,Y
n
) tesadfi deikenleri ilikilendirilir.
Y
i
lerin birbirinden bamsz olduu varsaym altnda , birleik olaslk younluk
fonksiyonu,
g(Y
1
, Y
2
,........... ,Y
n
) =
[
=
n
i 1
f
i
(Y
i
) (14)
=
i i
Y
i
n
i
Y
i
P P

=

[
1
1
) 1 (
f
i
(Y
i
) =
i
i
Y
i
Y
i
P P

1
) 1 ( ; Y
i
= 0,1; i = 0,1,2,...........,n
biiminde yazlabilir.
En ok benzerlik ynteminde tahmin ediciler ( ,

1 0
| | .........) en ok benzerlik
fonksiyonunun logaritmasn maksimize ederek bulunmaktadr. yle ki; en ok
benzerlik ynteminde Ylerin olaslnn olabildiince yksek olmas amalandndan,
en ok benzerlik fonksiyonunun maksimumunun bulunmas gerekir. Bunun iin, her
parametreye gre, fonksiyonun ksmi trevi alnp sfra eitlenir.
En ok benzerlik fonksiyonu daima pozitif olup, monoton artan zellik
gsterdiinden, maksimum benzerlik fonksiyonu yerine, doal logaritmasnn
kullanlmas zm kolaylatracaktr
25
.






138
Bylece,
g(Y
1
, Y
2
,........... ,Y
n
) = ln |
i i
Y
i
n
i
Y
i
P P

=

[
1
1
) 1 ( | (15)
=

=
n
i
i i
P Y
1
) ln( +

=

n
i
i i
P Y
1
) 1 ln( ) 1 ( (16)
= | |

=

n
i
i i i
P P Y
1
) 1 /( ln +

=

n
i
i
P
1
) 1 ln( (17)
ve ln |P
i
/(1- P
i
)| =
i
X
1 0

| | + olduundan,
g(Y
1
, Y
2
,........... ,Y
n
) =

=
n
i
i
Y
1
(
i
X
1 0

| | + ) -

=
n
i 1
ln |1+
)

(
1 0 i
X
e
| | +

| (18)
biiminde yazlabilir
26
.
En ok benzerlik yntemiyle parametreler, bu fonksiyonun
0

| ve
1

| e gre
ksmi trevleri alnp sfra eitlenerek tahmin edilmektedir
27
.

5. Lojistik Regresyonda Hipotez Testleri:
5. 1. Wald Testi
rnek hacminin yeterince byk olmas durumunda, lojistik regresyon denklemi
ile tahmin edilen |
i
katsaylarnn sfra eit olduu biimindeki hipotezler Wald
istatistii ile test edilir. Dolaysyla Wald testi, klasik regresyon analizinde modelde
yer alan her parametrenin teker teker test edilmesinde kullanlan t testinin lojistik
regresyondaki karldr.
Wald testinde test istatistii,
W= Wald
hes
=
2

) /

(
i
S
i
|
| (19)
formlyle hesaplanmaktadr.
Wald istatistii, 1 serbestlik dereceli _
2
dalm gstermektedir. Wald testi,
zellikle rnek hacminin yeterince byk olmas durumunda anlam kazanmaktadr
28
.

5. 2. En ok Benzerlik Oran Testi (Likelihood Ratio Test)
En ok benzerlik oran testi, yalnz en ok benzerlik yntemiyle yaplan
parametre tahminlerinde kullanlan bir testtir. Daha nce de ifade ettiimiz gibi R
2
,
lojistik regresyon modelinde bir uygunluk kriteri olarak kullanlamamaktadr. En ok


139
benzerlik oran testi, modelin genelini, yani sabit dndaki tm parametreleri, bir arada
test etmekte ve dolaysyla, klasik regresyon analizindeki F testine karlk gelmektedir.
En ok benzerlik oran test istatistii,
LR = - 2 ln L
0
/L
i
= (-2 ln L
0
) - (-2 ln L
i
) (20)
= -2(ln L
0
- ln L
i
) (21)
eklinde hesaplanr
29
.
Formlde yer alan L
i
deeri, en ok benzerlik fonksiyonunun deeridir. L
o
ise,
sabit hari btn katsaylar sfr iken en ok benzerlik fonksiyonunun maksimum
deeridir.
Sabit parametre dnda, modelde yer alan tm deikenlere ilikin
parametrelerinin sfra eit olduu, baka bir deyile anlamsz olduu biimdeki H
0

hipotezi, hesaplanan test istatistii _
2
(k-1), o

kritik deeri ile karlatrlarak karar
verilmektedir.

6. Uygulama
almamzda, tketicilerin alverileri srasnda fiyat unsuruna ne derece dikkat
ettiini ortaya koymak zere, spermarket alverileri srasnda raflarda yer alan benzer
rnlerin fiyatlar arasnda karlatrma yapp yapmamalar ile ya, cinsiyet, eitim
seviyesi, medeni durum ve sosyo-ekonomik stat arasnda, te yandan, ayn deikenler
ile tketicilerin bir rnn eitli marketlerdeki fiyatlar arasnda karlatrma yapp
yapmamalar arasnda iliki olup olmad tespit edilmeye allmtr.
Bu amala ilk olarak, tketicilerin market raflarnda yer alan benzer rnlerin
fiyatlar arasnda karlatrma yapp yapmamas ile dier tm deikenler arasnda
lojistik regresyon modeli oluturulmu ve aadaki sonular elde edilmitir:

Y=-1,758+0,525 Cns -0,260Ya + 0,472MDurum -0,058Eitim -0,190 S.Ek.stat
Wald: (5,415) (6,614) ( 7,363) ( 3,827) ( 0,250) ( 3,666)
Anlamllk
Seviyesi: (0,020) ( 0,010) (0,007) (0,050) (0,617) (0,056)
Exp(
i
|

) (0,172) (1,690) (0,771) (1,602) (0,943) (0,827)

Doru snflama oran: %87,0
Hosmer-Lemeshow test istatistii: 6,085 ve anlamllk seviyesi: 0,638
-2log likelihood : 750,258
Cox-Snell R
2
: 0,237
Nagelkerke R
2
: 0,351


140
Yukarda verilen sonular incelendiinde, cinsiyet, ya, medeni durum ve sosyo-
ekonomik stat deikenlerinin tketicinin market raflarnda yer alan benzer rnler
arasnda fiyat karlatrmas yapp yapmamas zerinde etkili olduu anlalmaktadr.
te yandan, eitim seviyesini gsteren deikenin ise baml deiken zerinde etkili
olmad grlmektedir. Bunun sonucu olarak, eitim deikeni model dnda tutularak
anlaml bulunan deikenler ile yeni bir model oluturulmu ve aadaki sonulara
ulalmtr:

Y= -2,075 +0,490 Cns -0,242Ya + 0,477MDurum 0,139 S.Ek.stat
Wald: (17,871) (5,847) (6,502) (4,210) (3,280)
Anlamllk
Seviyesi: (0,000) (0,016) (0,011) (0,040) (0,070)
Exp(
i
|

)
30
(0,126) (1,632) (0,785) (1,612) (0,870)

Yukardaki sonular incelendiinde, modelde yer alan tm parametrelerin
anlaml olduu grlmektedir. te yandan modelin genel performansn belirlemede
kullanlan istatistikler ise aadaki gibi hesaplanmtr:

Doru snflama oran: %86,8
Hosmer-Lemeshow test istatistii: 7,731 ve anlamllk seviyesi: 0,460
-2log likelihood : 761,267
Cox-Snell R
2
:0,236
Nagelkerke R
2
: 0,345

R
2
sonularna gre, bamsz deikenlerin baml deikeni aklama oran
dk olmakla beraber, model %86,8 orannda doru snflama yapmaktadr. Modelin
performansn snamada kullanlabilecek testlerden biri de Hosmer-Lemeshow testidir.
Bu test, verileri, yaklak olarak 10 eit gruba ayrarak, her bir grubun gzlenen ve
beklenen frekanslarn karlatrmak suretiyle aradaki farkn anlaml olup olmadn
test etme esasna dayanmaktadr. Baka bir deyile, gzlenen ve beklenen frekanslara _
2
testi uygulanmakta ve aralarnda farkllk olup olmad test edilmektedir. te yandan,
veriler on gruba ayrlarak deerlendirildiinden Hosmer-Lemeshow testinin gzlem
saysnn fazla olmas durumunda anlaml sonular verdiini de belirtmek isteriz
31
.
Uygulamamz 1000 tketici ile gerekletirilen anket almasna dayandndan,
almamzn veri bykl ad geen testin kullanm bakmndan yeterlidir.
Modelde Hosmer-Lemeshow test istatistii, 7,731 olarak hesaplanm ve 0,460
seviyesinde anlaml bulunmutur. Bu sebeple, gruplarn gzlenen ve beklenen


141
frekanslar arasnda fark olmadna dair kurulan hipotezi kabul etmek gerekecektir.
Dier deyile, yukardaki model kullanlarak tahmin edilen beklenen frekanslar ile
gzlenen frekanslar birbirine uyumlu gzkmektedir.
Bu model, baml deikendeki deimeleri aklama oran dk olmakla
beraber, dier testlerde iyi sonular vermesi sebebiyle baarl kabul edilmi ve
yorumlanmaya allmtr.
Modele gre tketicinin cinsiyeti, fiyat bilinci zerinde etkili bir deikendir ve
kadnlar, erkeklere oranla market alverileri srasnda benzer rnler arasnda fiyat
karlatrmas yapma eilimi iindedirler. Kadnlar erkeklere oranla 1,632 kat daha
fazla bu karlatrmay yapmaktadrlar.
Modelde, tketicinin yan gsteren deikene ilikin parametre 0,242 olarak
tahmin edilmitir. Dolaysyla, tketicinin ya ilerledike benzer rnler arasnda fiyat
karlatrmas yapma eilimi artmaktadr. leri yataki tketiciler, gen yatakilere
oranla ortalama olarak 0,785 kat daha fazla fiyat karlatrmas yapmaktadr.
Tketicinin medeni durumunu ifade eden deikenin parametresi ise, 0,477
olarak tahmin edilmitir. Buna gre evliler, bekarlara kyasla daha fazla fiyat
karlatrmas yapmaktadr. Nitekim, evlilerde benzer rnlerde fiyat karlatrmas
yapma eilimi bekarlara oranla 1,612 kat daha fazla grlmektedir.
Tketicinin sosyo-ekonomik statsn gsteren deikenin parametresi ise
0,139 olarak tahmin edilmitir. Buna gre, tketicinin sosyo-ekonomik stats
dtke, benzer rnler arasnda fiyat karlatrmas yapma olasl artmaktadr.
Dk sosyo-ekonomik statde yer alan tketiciler, dierlerine oranla ortalama olarak
0,870 kat daha fazla bu karlatrmay yapmaktadr.
Bamsz deikenlerin ikiden fazla kategori iermesi halinde, her kategorinin
baml deiken zerindeki etkisini ayr ayr grebilmek mmkndr. ok kategorili
deikenlerin ayrntl olarak incelenebilmesi iin, kategori saysndan bir eksik yeni bir
kodlama ilemi yaplmaktadr. rnein, bizim almamzda ya deikeni 5
kategoriden olumaktadr. Bu tr bir analiz yapabilmek iin aadaki gibi bir kodlama
ilemi uygun olacaktr
32
:

Eski kodlama Yeni kodlama
16-20 ya grubu 1 1 0 0 0
21-25 ya grubu 2 0 1 0 0
26-30 ya grubu 3 0 0 1 0
31-40 ya grubu 4 0 0 0 1
41 + ya grubu 50 0 0 0 0

Yukardaki kodlama ilemi son kategori referans alnarak yapldndan,
deikenlere ilikin parametrelerin yorumu da son kategoriye gre yaplacaktr
33
.


142
Daha nce anlaml bularak yorumladmz modelde yer alan cinsiyet ve medeni
durum dndaki deikenler ok kategorili olduundan, her kategoriye ilikin ayrntl
analiz yapabilmek iin yukarda bahsettiimiz biimde bir zme gidilmi ve aadaki
sonulara ulalmtr:

Anlamllk

i
|

Wald Seviyesi Exp(

i
|

)
Sabit 3,432 23,795 0,000 0,032
Cinsiyet 0,476 5,418 0,020 1,609
Ya 11,888 0,018
Ya(1) 1,176 7,623 0,006 3,241
Ya(2) 0,821 5,162 0,023 2,273
Ya(3) 0,146 0,177 0,674 0,864
Ya(4) 0,259 1,166 0,280 1,295
Medeni durum 0,480 3,951 0,047 1,616
S.Ek. Stat 10,580 0,032
S.Ek.Stat(1) 0,318 0,926 0,336 1,374
S.Ek.Stat(2) 0,133 0,160 0,689 0,875
S.Ek.Stat(3) 0,475 2,068 0,150 0,622
S.Ek.Stat(4) 0,471 1,920 0,166 0,625

Doru snflama oran : %86,8
Hosmer-Lemeshow test istatistii: 4,224 ve anlamllk seviyesi: 0,836
-2log likelihood : 747,874
Cox-Snell R
2
:0,268
Nagelkerke R
2
: 0,396

ok kategorili olan ya ve sosyo-ekonomik stat deikenlerinin, her
kategorisini ayr olarak deerlendirmeye olanak salayan yukardaki modelin sonular
incelendiinde, ya deikenin 1 deerini ald 16-20 ya grubunda alveri srasnda
fiyata ok fazla dikkat edilmedii anlalmaktadr. Nitekim, bu zellikte bir tketici,
ileri ya grubundakilere kyasla 3,241 kat daha fazla fiyata dikkat etmemektedir. Benzer
eilim, 21-25 ya grubu iinde geerli olmakla beraber bu ya grubunda ileri yatakilere
kyasla 2,273 kat daha fazla fiyata dikkat edilmemektedir.
Sosyo-ekonomik stat deikeni asndan deerlendirildiinde zellikle alt
gruplarda fiyata dikkat etme eiliminin daha fazla olduu grlmektedir.
Tketicilerin fiyat bilincini ortaya koymak amacyla, spermarketlerin fiyatlar
arasnda karlatrma yapp yapmadklar da incelenmitir. Marketler arasnda fiyat
karlatrmas yapma ve yapmama ile tketicinin cinsiyeti, ya, eitim seviyesi,


143
medeni durumu ve sosyo-ekonomik stats yannda market alverilerinde fiyata dikkat
edip etmemesi de modele aklayc deiken olarak alnm ve aadaki sonulara
ulalmtr:

Anlamllk

i
|

Wald Seviyesi Exp(

i
|

)
Sabit -4,666 41,009 0,000 0,009
Cinsiyet 0,428 5,845 0,016 1,534
Ya -0,063 0,585 0,444 0,939
Medeni Durum 0,032 0,026 0,871 1,033
Eitim 0,264 6,451 0,011 1,302
S.Ek. Stat -0,089 1,056 0,304 0,915
Market 2,261 110,567 0,000 9,588
Alverilerinde
Fiyata Dikkat Edip Etmeme

Doru snflama oran: %80,8
Hosmer-Lemeshow test istatistii: 3,149 ve anlamllk seviyesi: 0,925
-2log likelihood : 941,183
Cox-Snell R
2
: 0,225
Nagelkerke R
2
: 0,313

Yukardaki sonular incelendiinde tketicinin, cinsiyeti, eitim seviyesi ve
market raflarnda yer alan benzer rnlerin fiyatlarn karlatrp karlatrmamas
dndaki deikenlerin, marketler arasnda fiyat karlatrmas yapp yapmamalar
zerinde etkili olmad grlmektedir. Anlamsz olduu tespit edilen deikenler
model dnda braklarak yaplan zme ilikin sonular ise aada gsterilmitir:

Y=-5,293 + 0,405Cns + 0,334Eitim + 2,284 Benzer rn. fiyat kar.yapma
Wald (151,762) (5,388) (18,341) (114,253)
Anlamllk
Seviyesi (0,000) (0,020) (0,000) (0,000)
Exp(
i
|

) 0,005 1,499 1,397 9,814

Doru snflama oran: %80,3
Hosmer-Lemeshow test istatistii: 2,852 ve anlamllk seviyesi: 0,898
-2log likelihood : 942,788
Cox-Snell R
2
:0,224
Nagelkerke R
2
: 0,312


144
Yukardaki sonular incelendiinde, modelde yer alan tm deikenlerin anlaml
olduu grlmektedir. Buna gre, kadnlar erkeklere kyasla marketler arasnda daha
fazla fiyat karlatrmas yapmaktadr. Baka bir deyile, kadnlar erkeklere oranla
1,499 kat daha fazla marketler arasndaki fiyat deimelerini takip etmektedirler.
te yandan, eitim seviyesi ykseldike, marketler arasnda fiyat karlatrmas
yapmama eilimi artmaktadr.
Market alverileri srasnda benzer rnler arasnda fiyat karlatrmas yapan
tketicilerin, marketler arasnda da fiyat karlatrmas yapma eilimi iinde olduu
anlalmaktadr. Nitekim, market alverileri srasnda benzer rnler arasnda fiyat
karlatrmas yapan tketicilerde, marketler arasnda da fiyat karlatrmas yapma
eilimi 9,814 kat daha fazla grlmektedir.
Son olarak, eitim seviyesi ok kategorili bir deiken olduundan ayrntl
olarak ele alnm ve aadaki sonular elde edilmitir:
Anlamllk

i
|

Wald Seviyesi Exp(

i
|

)
Sabit -3,934 115,910 0,000 0,020
Cinsiyet 0,404 5,344 0,021 1,497
Eitim 18,659 0,000
Eitim(1) -0,983 15,760 0,000 0,374
Eitim(2) -0,724 7,789 0,005 0,485
Eitim(3) -0,377 3,476 0,053 0,686
Market 2,283 114,263 0,000 9,806
Alverilerinde
Fiyata Dikkat Edip Etmeme

Doru snflama oran: %80,3
Hosmer-Lemeshow test istatistii: 2,249 ve anlamllk seviyesi: 0,945
-2log likelihood : 942,676
Cox-Snell R
2
:0,351
Nagelkerke R
2
: 0,462

Bu sonulara gre, yksek eitim seviyelerine kyasla, dk eitim
seviyelerindeki tketiciler (niversite mezunlarna gre ilkokul (1), niversite
mezunlarna gre ortaokul (2), niversite mezunlarna gre lise mezunlar (3)) daha
fazla fiyat karlatrmas yapmaktadr. Baka bir deyile, niversite mezunlarna kyasla
ilkokul mezunlar 0,374 kat, ortaokul mezunlar 0,485 kat ve lise mezunlar ise 0,686
kat daha fazla marketler arasnda fiyat kyaslamas yapmaktadr.



145
7. Sonu
almamzda, tketicilerin alverileri srasnda fiyat unsuruna ne derece dikkat
ettiini ortaya koymak zere, spermarket alverileri srasnda raflarda yer alan benzer
rnlerin fiyatlar arasnda karlatrma yapp yapmamalar ile ya, cinsiyet, eitim
seviyesi, medeni durum ve sosyo-ekonomik stat arasnda, te yandan, ayn deikenler
ile tketicilerin bir rnn eitli marketlerdeki fiyatlar arasnda karlatrma yapp
yapmamalar arasnda iliki olup olmad tespit edilmeye allm ve aadaki
sonulara ulalmtr:
Tketicinin cinsiyeti, fiyat bilinci zerinde etkili bir deikendir ve kadnlar
erkeklere oranla market alverileri srasnda benzer rnler arasnda daha fazla fiyat
karlatrmas yapmaktadr.
Tketicinin ya ve medeni durumu da fiyat bilinci zerinde etkili olmaktadr.
Buna gre, ileri ya gruplarnda yer alan tketiciler gen ya gruplarndakilere kyasla
daha fazla fiyat karlatrmas yapmaktadr. te yandan, tketicinin sosyo-ekonomik
stats de fiyat bilinci zerinde etkili bir dier deikendir ve tketicinin sosyo-
ekonomik stats dtke fiyat karlatrmas yapma eilimi artmaktadr.
Dier yandan cinsiyet, marketler arasnda fiyat karlatrmas yapma zerinde
de etkili olmaktadr ve kadnlar erkeklere oranla bu anlamda daha fazla fiyat
kyaslamas yapmaktadr. Eitim seviyesi de marketler arasnda fiyat karlatrmas
yapma zerinde etkili bir faktr olup, eitim seviyesi ykseldike bu tr fiyat
kyaslamas yapma eilimi azalmaktadr.
Market alverileri srasnda, benzer rnlerin fiyatlar arasnda karlatrma
yapan tketiciler, marketler arasnda da fiyat kyaslamas yapmaktadr.

NOTLAR

1
Cumhuriyet Gazetesi, 12 Nisan 2004, s.13.
2
Cumhuriyet Gazetesi, 17 Nisan 2004, s.12.
3
ULUTRK, S., Spermarket Alverilerinde Tketicilerin Fiyat Bilinci, Maliye Aratrma Merkezi
Konferanslar 45. Seri, stanbul, 2004, s. 56-76.
4
Anket almalarnda deneklerin gelir dzeylerine ilikin sorulara verdikleri cevaplarn gerei
yanstmamas nedeniyle, denein eitim durumu ve mesleinden yola klarak oluturulan sosyo-
ekonomik statsnn kullanlmas uygun grlmtr. Bu snflamaya ilikin tabloya ekte yer verilmitir.
5
AKIN, F., Kalitatif Tercih Modelleri Analizi, stanbul, 1996, s.1.
6
GENCEL, M., Ekonometri ve statistik lkeleri, Gzden geirilmi ilaveli ikinci bask, Filiz Kitabevi,
stanbul, 2001, s.27-32.
7
KMENTA, J., Element of Econometrics, Second Edition, Mc Millan Publishing Company, Newyork,
1990, s.161 ve 208.
8
GUJARATI, D.N.,Temel Ekonometri, ev. enesen, ., enesen, G., Literatr Yaynclk, stanbul,
1999, s.102-105; Genceli, M., a.g.e., s.32.
9
AKIN, F., a.g.e., s.3.
10
GUJARATI, D.N., a.g.e., s.541-542.
11
GR, S., ALAYAN, E., Ekonometri, Temel Kavramlar, Der Yaynlar, stanbul, 2000, s.655.
12
AKIN, F., Ekonometri II-Ders Notlar, stanbul, 1997, s.311.
13
GUJARATI, D.N., a.g.e., s.542-543.


146

14
AMEMIYA, T., Qualitative Response Models: A Survey, Journal of Economic Literature, Vol.XIX
(December 1981), s.1483-1536.
15
Kmlatif normal dalmdan karlan model normit model olarak da bilinmektedir.
16
ZDAMAR, K., Paket Programlar ile statistiksel Veri Analizi, 4. Bask, Kaan Kitabevi, Eskiehir, 2002,
s.625.
17
YAR, Y., Ekonometrik Modeller, Uluda niversitesi Basmevi, 1994, s.267.
18
GR, S., ALAYAN, E., a.g.e., s.659.
19
TATLIDL, H., Uygulamal ok Deikenli statistiksel Analiz, Engin Yaynevi, Ankara, 1997, s.289 ve
313.
20
SPSS Professional Statistics, 7.5, s.1-2.
21
SPSS Professional Statistics, 7.5, s.49.
22
AKIN, F., a.g.e., s.28.
23
RYAN, T., Modern Regression Methods, John Wley & Sons Inc., 1997, s.258.
24
GENCEL, M., a.g.e., s.58.
25
GENCEL, M., a.g.e., s.63.
26
Formller iin baknz: Ryan, T., a.g.e., s.258-260; Tatldil, H., a.g.e., s.295-296.
27
KOUTSOYIANNIS, A., Ekonometri Kuram Ekonometri Yntemlerinin Tantmna Giri,
ev.enesen, ., enesen, G., Teori Yaynlar, Ankara, Ekim 1989, s.442-443.
28
RYAN, T., a.g.e., s.269.
29
BROWN, W.S., Introducing Econometrics, West Publishing Company, USA,1991, s.315.
30
Exp(
i
|

) deerleri, odds ratio olarak deerlendirilmekte olup, Y olaynn gerekleme olaslnn Y

olaynn gereklememesi olaslna oranlanmasyla hesaplanmaktadr. Dolaysyla Exp(
i
|

) deerleri,
Y deikenin bamsz deikenin etkisiyle ka kat daha fazla gzlenme olaslna sahip olduunu
gsterir. |
i
parametresinin anlaml bulunmas Exp(
i
|

) deerinin de anlaml olduunu ifade etmektedir.

Bkz: zdamar, K., a.g.e., s.625.
31
SPSS, Professional Statistics, 7.5, s.63-64.
32
SPSS paket program bu ilemi Categories seenei ile otomatik olarak gerekletirmektedir.
3333
lk kategoriyi referans olarak almak da mmkndr. Bu taktirde yorumlamalar ilk kategoriye gre
yaplacaktr.Bkz: SPSS Professional Statistics 7.5, s.49-52.

KAYNAKLAR
AKIN, F., Kalitatif Tercih Modelleri Analizi, stanbul, 1996.
AKIN, F., Ekonometri II-Ders Notlar, stanbul, 1997.
AMEMIYA, T., Qualitative Response Models: A Survey, Journal of Economic Literature,
Vol.XIX (December 1981), s.1483-1536.
BROWN, W.S., Introducing Econometrics, West Publishing Company, USA,1991.
CUMHURYET GAZETES, 12 Nisan 2004, s.13.
CUMHURYET GAZETES, 17 Nisan 2004, s.12.
GENCEL, M., Ekonometri ve statistik lkeleri, Gzden geirilmi ilaveli ikinci bask, Filiz
Kitabevi, stanbul, 2001.
GUJARATI, D.N.,Temel Ekonometri, ev. enesen, ., enesen, G., Literatr Yaynclk,
stanbul, 1999.
GR, S., ALAYAN, E., Ekonometri, Temel Kavramlar, Der Yaynlar, stanbul, 2000.
YAR, Y., Ekonometrik Modeller, Uluda niversitesi Basmevi, 1994.
KMENTA, J., Element of Econometrics, Second Edition, Mc Millan Publishing Company,
Newyork, 1990.


147

KOUTSOYIANNIS, A., Ekonometri Kuram Ekonometri Yntemlerinin Tantmna Giri,
ev.enesen, ., enesen, G., Teori Yaynlar, Ankara, Ekim 1989.
ZDAMAR, K., Paket Programlar ile statistiksel Veri Analizi, 4. Bask, Kaan Kitabevi,
Eskiehir, 2002.
RYAN, T., Modern Regression Methods, John Wley & Sons Inc., 1997.
SPSS Professional Statistics 7.5.
TATLIDL, H., Uygulamal ok Deikenli statistiksel Analiz, Engin Yaynevi, Ankara, 1997.
ULUTRK, S., Spermarket Alverilerinde Tketicilerin Fiyat Bilinci, Maliye Aratrma
Merkezi Konferanslar 45. Seri, stanbul, 2004.

EK: SOSYO-EKONOMK YAPININ BELRLENMESNDE KULLANILAN TABLO
HANE HALKI RES ETM
HANE HALKI RES
MESLEK
lkokul
mezunu
Ortaokul
mezunu
Lise
mezunu
niversite
Mezunu
KEND HESABINA ALIANLAR
Profesyonel meslek sahipleri
(Doktor, avukat, mali mavir
mimar, mhendis vb.)
A
Kk esnaf (Bakkal, manav, kasap,
balk, bfe vb.)
C2 C1 C1
Byk esnaf (Maaza, butik sahibi
vb.)
C2 C1 B A
Tccar, ithalat, ihracat, dayankl
tketim mallar ve oto bayileri,
toptanclar
C2 C1 B A
Sanayici , fabrikatr (retim yapan
tesis sahibi)
C1 B A A
ifti, balk (byk motorla
alan)
C2 C1 B
CRETL ALIANLAR
Profesyonel meslek sahipleri
(Doktor, avukat, mali mavir
mimar, mhendis vb.)
B
st dzey ynetici (Yannda 1-5 kii
altran)
C2 C1 B
st dzey ynetici (Yannda 6 veya
daha fazla kii altran)
C1 B A
Orta dzey ynetici Yannda 1-5 kii
altran)
C2 C1 C1
Orta dzey ynetici (Yannda 6 veya
daha fazla kii altran)
C2 C1 B
Memur veya bro eleman C2 C2 C1
Vasfl ii C2 C2 C1
Vasfsz ii C2
ALIMAYANLAR
rad, rant sahibi (Kira, faiz, borsa
geliri)
C2 C1 B A