LOJİSTİK REGRESYON ANALİZİ İLE BANKA SEKTÖR PAYLARININ TAHMİNLENMESİ

Abstract

Son yıllarda artan rekabetçi ortamda ve küresel ekonominin yarattığı etkiler sonucunda, işletmeler için yaşamlarını devam ettirmek ve fark yaratabilmek adına en önemli araçlardan birisi de geleceğe yönelik tahminlerde bulunmak ve stratejilerini buna göre belirlemek olmuştur. Bu bağlamda işletmeler riskleri en aza indirgemek için, birçok uygulama alanında yer bulan tahminleme yöntemlerinin ve istatistiksel analizlerin kullanılmasına yönelmektedirler. Lojistik Regresyon Analizi, sonuç değişkeninin iki veya çok düzeyli kategorik değişken olması, 0 ve 1 gibi kesikli değerler alması durumunda kullanılmakta ve bağımlı değişken “başarılı-başarısız”, “az-orta-çok”, “olumlu-olumsuz” gibi kategorik değerlerden oluştuğunda lojistik regresyon yöntemi tercih edilmektedir. Son yıllarda lojistik regresyon analizi kullanım kolaylığının yanında rahat yorumlanabilmesiyle ön plana çıkmış ve sosyal bilimler alanında birçok uygulamada yaygın olarak kullanılmaya başlanmıştır. Lojistik Regresyon Analizinde, bağımlı değişken üzerinde açıklayıcı değişkenlerin etkileri olasılık olarak elde edilerek, bu faktörlerin olasılık olarak belirlenmesi sağlanmaktadır. Bu çalışmada, Lojistik Regresyon Analizi bir tahmin yöntemi olarak incelenmiş ve bu kapsamda bankaların sektör paylarının tahminlenmesine yönelik bir model oluşturularak, bankaların sektör paylarına göre ilk on banka arasına girip girememeleri açısından incelenmek suretiyle bir uygulama yapılmış olup, elde edilen sonuçlar yorumlanmıştır. Sonuçlar ile gerçekleşen veriler kıyaslanarak, bunların birbirlerine çok yakın olduğu ve böylece önerilen modelin etkinliği ortaya koyulmuştur

Keywords

• Lojistik Regresyon Analizi, Tahminleme

FORECASTING THE SECTOR PORTIONS OF BANKS BY LOGISTIC REGRESSION ANALYSIS

Abstract

In recent years, in increasingly competitive environment and as results of global economy, one of the most important tools for enterprises has become forecasting the future and determining their strategies in this way in order that enterprises maintain their life and create a difference. In this sense, for minimizing the risks, enterprises tend towards using of forecasting methods and statistical analysis that take part in many applications. Logistic Regression Analysis is used for the situation that the outcome variable is binomial or multinomial categorical variable, and take discrete values like 0 and 1 and it is preferred when dependent variable consists of categorical values like “successful-unsuccessful”, “small-medium-large”, “positive-negative” etc. In Logistic Regression Analysis, the effects of explanatory variables on dependent variable are obtained as a probability in order to determine these factors as a probability. In this study, Logistic Regression Analysis is examined as a forecasting method and within this scope an application is carried out for forecasting the sector portions of the banks by setting models and evaluated about whether the banks enter the top ten, Consequently the obtained results interpreted by comparing with actual data and achieved that they are very close to each other, therefore the study proved the proposed model’s effectiveness

Keywords

• Logistic Regression Analysis, Forecasting

References

1. Akaya, Ş. & Pazarlıoğlu, M.V. (1998). Ekonometri, Erkan Matbaacılık, İzmir.
2. Altaş, D. & Giray, S. (2005). Mali Başarısızlığın Çok Değişkenli İstatistiksel Yöntemlerle Belirlenmesi: Tekstil Sektörü Örneği. Marmara Üniversitesi Sosyal Bilimler Dergisi, Sayı 2, 13-28.
3. Anderson, J.A. (1979). Multivariate Logistic Compounds. Biometrika, 66(1), 17–26.
4. Berkson, J. (1944). Application of the Logistic Function to Bio-Assay, Journal of the American Statistical Association, 39(227), 357-365.
5. Bircan, H. (2004). Lojistik Regresyon Analizi: Tıp Verileri Üzerine Bir Uygulama. Kocaeli Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, Sayı:2, 185-208.
6. Cox, D.R. (1972). The Analysis of Multivariate Binary Data. Journal of the Royal Statistical Society, Applied Sciences, 21(2), 113-120.
7. Dong, G., Lai, K.K. & Yen, J. (2010). Credit Scorecard Based on Logistic Regression with Random Coefficients. Procedia Computer Science 1, 2457-2462.
8. Duffy, D.E. (1990). On Continuity-Corrected Residuals in Logistic Regression. Biometrika, 77(2), 287-293.

9. Girginer, N. & Cankuş, B. (2008). Tramvay Yolcu Memnuniyetinin Lojistik Regresyon Analiziyle Ölçülmesi: Estram Örneği. Celal Bayar Üniversitesi Yönetim ve Ekonomi Dergisi, 15(1), 181-193.
10. Hosmer, D.W. & Lemeshow, S. (2000). Applied Logistic Regression, Second Edition. USA: John Wiley&Sons Inc.
11. Hout, A., Heijden, P.G.M. & Gilchrist, R. (2007). The Logistic Regression Model with Response Variables Subject to Randomized Response. Computational Statistics&Data Analysis 51, 6060-6069.
12. Hsu, J.S. & Leonard, T. (1997). Hierarchical Bayesian Semiparametric Procedures for Logistic Regression. Biometrika, 84(1), 85-93.
13. Keskin Benli, Y. (2005). Bankalarda Mali Başarısızlığın Öngörülmesi Lojistik Regresyon ve Yapay Sinir Ağı Karşılaştırması. Gazi Üniversitesi Endüstriyel Sanatlar Eğitim Fakültesi Dergisi, Sayı 16, 31-46.
14. Kim, H. & Gu, Z. (2009). Financial Features of Dividend-Paying Firms in the Hospitality Industry: A Logistic Regression Analysis. International Journal of Hospitality Management 28, 359-366.
15. Roy, S.S. & Guria, S. (2008). Diagnostics in Logistic Regression Models. Journal of the Korean Statistical Society, 37, 89-94.
16. Taç, H.K. & Budak, F. (2007). İşletmelerin TS-ISO 14000 Standartlarını Uygulama Kararlarına Etki Eden Faktörlerin Belirlenmesi. Çukurova Üniversitesi Çevre Mühendisliği Fakültesi Dergisi, 22(1), 379-389.
17. Türkiye Bankalar Birliği (2010). İstatistiki Raporlar. İndirilme Tarihi: 30 Mayıs _ve_Sektor_Bilgileri/Tum_Raporlar.aspx.
18. Bankacılık Düzenleme ve Denetleme Kurulu (2010). Finansal Piyasalar Raporları. İndirilme WWW:Web:http://www.bddk.org.tr/websitesi/turkce/Raporlar/Fina Tarihi: nsal_Piyasalar_Raporlari/Finansal_Piyasalar_Raporlari.aspx. 2010,