The Analysis of the Success of University Placement in Turkey with Hyerarchical Cluster Analysis and Biclustering Analysis Done by Using Bootstrap Sampling Method

Year 2019, Volume: 23 Issue: 3, 925 - 935, 25.12.2019

Tuğba Tuğ Karoğlu Hayrettin Okut

https://doi.org/10.19113/sdufenbed.544934

Abstract

In this
study, the success in the university entrance exam has been observed in regard
to the number of schools in the provinces, the teachers, the graduates, the
students, rate of unemployment and employment rate. Evaluation has been made by
using R package Programme (pvclust library) with hierarchical clustering
analysis by years. A p- value used
for bootstrap sampling via multiple scaling has been calculated for each
cluster in hierarchical clustering. Calculated p-value shows how clustering is supported by the available
data.  The clustering analysis results
which were done by using sampling methods have been obtained by 5000 bootstrap
samples and the average value has been used. In the study the success of the
high school students from 81 cities in the university entrance exam between the
years 2010 and 2013 is assessed by using the data taken from TUIK (Turkey
Statistical Institue) and OSYM (Student Selection and Placement Center). The
provinces are coded according to the license plate numbers and the variables
are shown on the graphics by abbreviations. As a result of the research, it is
understood that the included variables have significant effect on the success
in the university entrance exams. Hierarchical clustering results depicted that
the provinces within Eastern Anatolia clustered in the same cluster group.
Likewise, the provinces of Marmara, Western Eagen and Southern Mediterranean
regions clustered in the same cluster in term of similarities. 

Keywords

Bootstrap, Hierarchical cluster, Biclustering

Türkiye’de Üniversiteye Yerleşme Başarısının Bootstrap Örnekleme Yöntemi Kullanılarak Yapılan Hiyerarşik Kümeleme Analizi ve İki Yönlü Kümeleme Analiziyle İncelenmesi

Abstract

Bu
çalışmada ülkemizde üniversite giriş sınavlarındaki yerleşme başarısının;
illerdeki okul sayısı, öğretmen sayısı, öğrenci sayısı, üniversite mezunu
sayısı, işsizlik oranı, istihdam oranı gibi değişkenler yönünden incelenerek, R
paket programı aracılığıyla hiyerarşik kümeleme analizi ile değerlendirmesi
yapılmıştır. Hiyerarşik kümeleme içerisindeki her küme için çoklu ölçekleme
yoluyla bootstrap örneklemesi için kullanılan bir p- değeri hesaplanmıştır. Bootstrap örnekleme yöntemi kullanılarak
yapılan kümeleme analizi sonuçları 5000 bootstrap örnekleminden elde edilmiş
olup ortalama değer kullanılmıştır. Çalışmada; 2010-2013 yılları arasında
Türkiye'de 81 ilden lise öğrencilerinin üniversite sınavında yerleşme başarısı,
TÜİK (Türkiye İstatistik Kurumu) ve ÖSYM (Öğrenci Seçme ve Yerleştirme Merkezi)
arşivinden alınan verilere göre değerlendirilmiştir. İller ile değişkenler
birlikte hiyerarşik kümelemede konumlanmıştır. İller plaka numaralarına göre
kodlanmış, değişkenler de kısaltılarak kodlanarak grafik üzerinde
gösterilmiştir. Araştırma sonucunda, ele alınan değişkenlerin üniversite
başarısı üzerinde etkili olduğu anlaşılmış, özellikle Doğu Anadolu Bölgesinde
yer alan illerin başarı oranları bakımdan kendi arasında, Marmara, Batı Ege ve
Batı Akdeniz'de yer alan illerin ise kendi arasında gruplaşmış olduğu
görülmüştür. 

Keywords

Bootstrap, Hiyerarşik kümeleme, İki yönlü kümeleme

References

• [1] Augusty, S. M., Izudheen, S. 2013. Ensemble Classifiers A Survey: Evaluation of Ensemble classifiers and data level methods to deal with imbalanced data problem in protein- protein interactions. Review of Bionformatics and Biometrics, 2(1): 1-9.
• [2] Lee, S. L.A., Kouzani, A. Z., Hu, E. J. 2010. Random forest based lungnodule classification aided bu clustering. Computerized Medical Imagingand Graphics, 34: 535-542.
• [3] Tartar, A., Kılıç, N., Akan, A. 2013. Bagging support vector machine approaches for pulmonary nodule detection.IEEE InternationalConference on Control, Decisionand Information Technologies. Tunisia, 47-50.
• [4] Zeng, X. D., Chao, S., Wang, F. 2010. Optimization of Bagging Classifiers Based on SBCB Algorithm. Proceedings of the ninth International Conference on Machine Learning and Cybernetics.11-14 July 2010, Qingdao. 262-267.
• [5] Hsu, K. W. 2013. Weight-Adjusted Bagging of classification algorithms sensitive to mising values. International Journal of Information and Education Technology, 3 (5) : 560-566.
• [6] Biggio, B., Corona, I., Fumera, G., Giacinto, G., Roli, F., 2011. Bagging Classifiers for Fighting Poisoning Attacks in Adversarial Classification Tasks. Springer Verlag Berlin Heidelberg,350-359.
• [7] Alpar, R. 2011. Uygulamalı Çok Değişkenli İstatistiksel Yöntemler.Detay Yayıncılık, 3. Baskı, Ankara.
• [8] Suner A., Çelikoğlu, C.C. 2010. Toplum Tabanlı Bir Çalışmada Çoklu Uygunluk Analizi ve Kümeleme Analizi ile Sağlık Kurumu Seçimi. Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 25(2) : 43-55.
• [9] Özdamar, K., 2002. Paket programlar ile istatistiksel veri analizi, Kaan Yayınları, 4. Baskı, Eskişehir.
• [10] Anderberg, M. R. 1973. Cluster Analysis for Applications, Academic Press, New York.
• [11] Govaert, G., Nadif, M. 2008. Block clustering with Bernoulli mixture models: Comparison of different approaches. Computational Statistics and Data Analysis, 52 (6), 3233–3245.
• [12] Govaert, G., Nadif, M. 2013. Co-clustering: Models, algorithms and applications. ISTE, Wiley.
• [13] Van Mechelen I, Bock H.H., De Boeck P. 2004. Two-mode clustering methods: A structured overview, Statistical Methods in Medical Research, 13 (5), 363–94.
• [14] Zhao, H., Liew, A.W.C., Xie, X., Yan, H. 2007. A new geometric biclustering algorithm based on the Hough transform for analysis of large-scale microarray data, J.Theor. Biol. 251, 264–74.
• [15] Zhao, H., Chan, K.L., Cheng, L.M., Hong, Y. 2009. A probabilistic relaxation labeling framework for reducing the noise effect in geometric biclustering of gene expression data, Pattern Recognite, 42 (11), 2578–2588.
• [16] Coşgun, E., Limdi, N.A., Duarte C.W. 2011. High dimensional pharmacogenetic prediction of a continuous trait using machine learning techniques with application to warfarin dose prediction in African American. Bioinformatics, 27(10): 1384-1389.
• [17] Breiman, L., 1996. Bagging predictors. Machine Learning, 24(2):123-140.
• [18] Efron, B., Tibshirani, R. 1993. An Introduction to the Bootstrap. Chapman and Hall. London. 430.