Lojistik Regresyon Analizi ile Pisa Araştırmasında Öğrenci Başarısının Modellenmesi

Abstract

Bu çalışmanın amacı Türkiye örneklemindeki öğrencilerin PISA sınavındaki başarılarını binary lojistik regresyon ile

modellemektir. Açıklayıcı değişken olarak bazı sosyo-kültürel özellikler kullanımış olup Bağımlı değişken iki kategorilidir

ve öğrenci puanının OECD ortalaması üzerinde olup olmamasını belirtmektedir. Veriler PISA-2009 Türkiye örneklemine

aittir. PISA 2009 Türkiye örneklemi, okul türlerine göre tabakalı rastgele yöntemle belirlenen toplam 170 okuldan 4996

öğrenciden oluşmaktadır. Katılımcıların “başarı” grubuna girme ihtimali üzerine cinsiyet, evde konuşulan dil, evde kitap

sayısı, bölge, ebeveyn eğitim düzeyi, bilgisayara yönelik tutum, okula yönelik tutum ve varlık indeksinin etkilerini saptamak

için lojistik regresyon analizi uygulanmıştır. Model istatistiksel olarak anlamlı bulunmuştur. Modelin açıklanabilen

değişkenliği %23.8 (Nagelkerke R2), doğru sınıflandırma oranı %67,9’dir. Analiz sonuçlarına göre kızların başarılı grupta

yer alması erkeklere göre 1,71 kat daha olasıdır. Evde konuştuğu dil Türkçe olan öğrencinin başarılı grupta yer alması

diğerlerine göre 1,65 kat daha olasıdır. Evde bulunan kitap sayısının görece yüksek olması, ebeveyn eğitim düzeyi,

bilgisayar tutumu ve varlık indeksi (WEALTH) başarılı grupta yer alma olasılığının yükselmesi ile ilişkili bulunmuştur. Okula

yönelik tutum anlamlı bulunamadı.

Keywords

• Lojistik regresyon,PISA araştırması,Öğrenci başarısı

Modeling Students’ Achievement in PISA Research with Logistic Regression Analysis

Abstract

The aim of this study is to the model the achievements of students in the Turkey sample on the PISA exam with binary logistic

regression. Some socio-cultural variables were used as explanatory variables. The dependent variable is dichotomous and

indicates whether the student score is above the OECD average. The data were from PISA 2009. The PISA 2009 Turkey

sample consists of 4,996 students from 170 schools selected by stratified randomized sampling according to school types.

Logistic regression analysis was performed to ascertain the effects of gender, home language, number of books at home,

statistical region, parents’ education level, attitude toward computer, attitude toward school, and family wealth index on

the likelihood that participants belong to the “success” group. The model was statistically significant. The model explained

23.8% (Nagelkerke R2) of the variance in success and correctly classified 67.9% of cases. According to analysis, girls were

1.71 times more likely to exhibit success than boys. Students whose home language was Turkish were 1.65 times more likely

to exhibit success than students with other home languages. Increase in the number of books at home, parents’ educational

level, attitude toward computer, and family wealth (WEALTH) index were associated with an increase in the likelihood of

belonging to success group. Attitude toward school was not statistically significant.

Keywords

• Logistic regression,PISA survey,Student achievement

References

1. Acar, T. (2012). 2009 yılı uluslararası öğrenci başarılarını değerlendirme programında Türk öğrencilerin başarılarını etkileyen faktörler. Eğitimde ve Psikolojide Ölçme ve Değerlendirme Dergisi, 3(2), 309‒314.
2. Aktaş, C. (2009). Lojistik regresyon analizi: öğrencilerin sigara içme alışkanlığı üzerine bir uygulama. Erciyes Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 1(26), 107‒122.
3. Aktaş, C. ve Erkuş, O. (2009). Lojistik regresyon analizi ile Eskişehir’in sis kestiriminin incelenmesi. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 8(16), 47‒59.
4. Akyüz, G. ve Pala, N. M. (2010). Pisa 2003 sonuçlarına göre öğrenci ve sınıf özelliklerinin matematik okuryazarlığına ve problem çözme becerilerine etkisi. İlköğretim Online, 9(2), 668‒678. http://ilkogretim-online.org.tr adresinden edinilmiştir.
5. Alacacı, C. & Erbas, A. K. (2010). Unpacking the inequality among Turkish schools: Findings from PISA 2006. International Journal of Educational Development, 30, 182‒192.
6. Alkharusi, H. (2012). A logistic regression model predicting assessment literacy among in-service teachers. Eğitimde Kuram ve Uygulama, 7(2), 280‒291.
7. Anıl, D. (2009). Uluslararası öğrenci başarılarını değerlendirme programında (Pisa) Türkiye’deki öğrencilerin fen bilimleri başarılarını etkileyen faktörler. Eğitim ve Bilim, 34(152), 87–100.
8. Anıl, D. (2011). Türkiye’nin Pisa 2006 Fen Bilimleri başarısını etkileyen faktörlerin yapısal eşitlik modeli ile incelenmesi. Kuram ve Uygulamada Eğitim Bilimleri, 11(3), 1253‒1266.

9. Aydın, A., Erdağ, C. ve Taş, N. (2011). 2003-2006 Pisa okuma becerileri sonuçlarının karşılaştırmalı olarak değerlendirilmesi: En başarılı beş ülke ve Türkiye. Kuram ve Uygulamada Eğitim Bilimleri, 11(2), 651‒673.
10. Aydın, A., Sarıer, Y., & Uysal, Ş. (2012). Sosyoekonomik ve sosyokültürel değişkenler açısından PISA matematik sonuçlarının karşılaştırılması. Eğitim ve Bilim, 37(164), 20‒30.
11. Beyaztaş, U., & Alın, A. (2014). Jackknife-after-Bootstrap as logistic regression diagnostic tool. Communications in Statistics Simulation and Computation, 43, 2047‒2060.
12. Bircan, H. (2004). Lojistik regresyon analizi: Tıp verileri üzerine bir uygulama. Kocaeli Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 2, 185-208.
13. Bradshaw, J., Sturman, L., Vappula, H., Ager, R. & Wheater, R. (2007). Achievement of 15-year-olds in England: PISA 2006 National Report. Slough: NFER. Retrieved from: http://www.nfer.ac.uk/
14. Buzas, J. S. (2009). A note on corrected scores for logistic regression. Statistics and Probability Letters, 79, 2351‒2358.
15. Cordero Ferrera, J. M., Cebada, E. C., Chaparro, F. P. & González, D. S. (2011). Exploring educational efficiency divergences across Spanish regions in Pisa 2006. Revista de Economía Aplicada, XIX(57), 117‒145.
16. Cornoldi, C., Giofrè, D. & Martini, A. (2013). Problems in deriving Italian regional differences in intelligence from 2009 PISA data. Intelligence, 41, 25‒33.
17. Coşkun, S., Kartal, M., Coşkun, A. ve Bircan, H. (2004). Lojistik regresyon analizinin incelenmesi ve diş hekimliğinde bir uygulaması. Cumhuriyet Üniversitesi Diş Hekimliği Fakültesi Dergisi, 7(1), 41‒50.
18. Çokluk, Ö. (2010). Lojistik regresyon analizi Kavram ve uygulama. Kuram ve Uygulamada Eğitim Bilimleri, 10(3), 1357‒1407.
19. Demir, İ., & Kılıç, S. (2010). Using PISA 2003, examining the factors affecting students’ mathematics achievement. Hacettepe University Journal of Education, 38, 44‒54.
20. Ege, İ., & Bayrakdaroğlu, A. (2009). İMKB şirketlerinin hisse senedi getiri başarılarının lojistik regresyon tekniği ile analizi. Uluslararası Yönetim İktisat ve İşletme Dergisi, 5(10), 139‒158.
21. Ergül, B., Yavuz, A. A. & Yavuz, H. S. (2014). Classification of NBA league teams using discriminant and logistic regression analyses. Pamukkale Journal of Sport Sciences, 5(1), 48‒60.
22. Gamboa, L. F. & Waltenbergb, F. D. (2012). Inequality of opportunity for educational achievement in Latin America: Evidence from PISA 2006–2009. Economics of Education Review, 31, 694‒708.
23. Girginer, B. & Cankuş, B. (2008). Tramvay yolcu memnuniyetinin lojistik regresyon analiziyle ölçülmesi Estram örneği. CBÜ İİBF Yönetim ve Ekonomi Dergisi, 15(1), 181‒193.
24. Güneri, N. & Apaydın, A. (2004). Öğrenci başarılarının sınıflandırılmasında lojistik regresyon analizi ve yapay sinir ağları yaklaşımı. Gazi Üniversitesi Ticaret ve Turizm Fakültesi Dergisi, 1, 170‒188.
25. Gürsakal, S. (2012). PISA 2009 Öğrenci başarı düzeylerini etkileyen faktörlerin değerlendirilmesi. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 17(1), 441‒452.
26. Gürsakal, S., Murat, D. & Gürsakal, N. (2016). Assessment of Pisa 2012 results with quantile regression analysis within the context of inequality in educational opportunity. Alphanumeric Journal, 4(2), 41‒54
27. Güzle Kayır, Ç. (2012). Pisa 2009-Türkiye verilerine dayanarak okuma becerileri alanında başarılı okullar ile başarısız okulları ayırt eden okul içi etmenler ve sosyo-ekonomik faktörler. (Yüksek lisans tezi, Akdeniz Üniversitesi, Sosyal Bilimler Enstitüsü, Antalya). https://tez.yok.gov.tr/UlusalTezMerkezi/ adresinden edinilmiştir.
28. Hosmer, D. W., & Lemeshow, S. (2000). Applied logistic regression (Second edition). New York: John Wiley &Sons, Inc.
29. Karaman, E., Turtay, M., Çolak, C., Oğuztürk, H., Gürbüz, Ş., Kamışlı, S. ve Çelik, E. (2015). İskemik inmede risk faktörleri ve etkileri. Turgut Özal Tıp Merkezi Dergisi, 22(4), 225‒230
30. Kılıç, S., Çene, E. ve Demir, İ. (2012). Türkiye’deki matematik başarısının öğrenme stratejileri açısından 8 ülkeyle karşılaştırılması. Kuram ve Uygulamada Eğitim Bilimleri, 12(4), 2585‒2598
31. Lee, J. (2016). Attitude toward school does not predict academic achievement. Learning and Individual Differences, 52, 1‒9.
32. Lee, Y. H. & Wu, J.-Y. (2012). The effect of individual differences in the inner and outer states of ICT on engagement in online reading activities and Pisa 2009 reading literacy: Exploring the relationship between the old and new reading literacy. Learning and Individual Differences, 22, 336‒342. Retrieved from: https://ir.nctu.edu.tw/
33. Menard, S. (2001). Applied logistic regression analysis (Second edition). Thousand Oaks: Sage, CA.
34. Milli Eğitim Bakanlığı. (2007). Pisa 2006 ulusal ön raporu. Ankara: Milli Eğitim Bakanlığı.
35. Milli Eğitim Bakanlığı. (2010). Pisa 2009 ulusal ön raporu. Ankara, Milli Eğitim Bakanlığı.
36. Ngufor, C. & Wojtusiak, J. (2016). Extreme logistic regression. Advances in Data Analysis and Classification, 10, 27–52.
37. OECD. (2012). PISA 2009 technical report. OECD Publishing. Retrieved from: https://www.oecd.org/pisa/
38. Özdamar, K. (1997). Paket programlar ile istatistiksel veri analizi I. Eskişehir: Kaan Kitabevi
39. Özer Özkan, Y. ve Doğan, B. (2013). İlköğretim 8. sınıf öğrencilerinin okuma becerilerinin kestirilmesinde etkili olan değişkenlerin belirlenmesi. International Journal of Social Science, 6(4), 667‒680.
40. Sağıroğlu, Ş., Çolak, C., Çolak, M., Atıcı, M. ve Alasulu, N. (2014). Koroner arter hastalığının sınıflanmasında Radial Basis fonsiyonu sinir ağı ve lojistik regresyon analizi. Ankara Üniversitesi Tıp Fakültesi Mecmuası, 60(3), 97‒102.
41. Sökmen, A. (2016). Anadilde eğitim ve başarı üzerine etkileri: Almanya örneği. http://www.tepav.org.tr adresinden edinilmiştir.
42. Stoet, G., & Geary, D. C. (2013). Sex differences in mathematics and reading achievement are inversely related: Within- and across-nation assessment of 10 years of PISA Data. PLoS ONE 8(3), e57988
43. Sun, L. & Bradley, K. D. (2012). Using the U S Pisa results to investigate the relationship between school computer use and student academic performance. Retrieved from: http://www.uky.edu/
44. Takma, Ç., İşçi-Güneri, Ö. & Gevrekçi, Y. (2016). Investigation of stillbirth rate using logistic regression analysis in Holstein Friesian calves. Ege Üniversitesi Ziraat Fakültesi Dergisi, 53(3), 245‒250.
45. Tatlı, C. E., Ergin, D. A. ve Demir, E. (2016). Pisa 2012 Türkiye verilerine göre öğrencilerin matematik kaygısının sınıflandırıcıları. İlköğretim Online, 15(2), 696‒707. http://ilkogretim-online.org.tr adresinden edinilmiştir.
46. Tokmak, G. ve Aksoy, R. (2016). Futbol taraftarlarının takımın forma sponsor markasına olan satın alma niyetlerini etkileyen faktörlerin lojistik regresyon analizi ile tespit edilmesi. Spor Bilimleri Dergisi, 6(2), 1303‒1414.
47. Yıldırım, K. (2012). Pisa 2006 verilerine göre Türkiye’de eğitimin kalitesini belirleyen temel faktörler. Türk Eğitim Bilimleri Dergisi, 10(2), 229‒255.
48. Yılmaz, H. B. ve Aztekin, S. (2012, Haziran). Türkiye’deki 15 yaş grubu öğrencilerin matematik okuryazarlığı başarılarını etkileyen bazı faktörlerin okul ve öğrenci düzeyine göre incelenmesi. X. Ulusal Fen Bilimleri ve Matematik Eğitimi Kongresi, Niğde.
49. Yörük, D. ve Dündar, S. (2012). Tüketicilerin internetten alışveriş yapma olasılıklarının lojistik regresyon yöntemiyle tahmini. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 25, 451‒462.