II. Hafta Dersleri (Anadolu Üniversitesi)

“Refinitiv DataStream&EIKON ve Eviews 13 Tanıtımı Global, Bölgesel ve Ülke Bazlı Verilerin Elde Edilmesi”

Saat: 16.00 / BİST-LAB Laboratuvarı

Zekeriya Yıldırım (Anadolu Ün.)

**Panel tüm katılımcılara ücretsizdir.

Koordinatör: Mustafa Özer (Anadolu Ün.)

1. Zaman serilerinin tanımlayıcı istatistikleri (durağanlık, otoregresif ve harketli ortalama süreçleri, örnek otokorelasyon ve kısmi otokorelasyon fonksiyonları).
2. ARIMA modelleri (Box-Jenkins model belirleme yaklaşımı, bilgi kriterlerine dayalı model seçimi).
3. Durağan olmayan seriler ve birim kök testleri: Birim kök ve sahte regresyon, geleneksel birim kök testleri, yapısal kırılmalı birim kök testleri (Bai-Perron, Zivot-Andrews ve Lee-Strazicich testleri).
4. Çok değişkenli zaman serileri analizi

• Durağan Vektör Otoregresif (VAR)

6.1.1. VAR modellerini gösterimi ve tahmini

6.1.2. Granger nedensellik testleri

6.1.3. Etki-tepki analizi

6.1.4. Varyans ayrıştırması.

• Durağan olmayan VAR modelleri ve eşbütünleşme analizi
  • Eşbütünleşme kavramı
  • Eşbütünleşme testleri
    • Tek eşitlikli eşbütünleşme testleri (Engle-Granger ve Philips-Quilaris)
    • Johansen eşbütünleşme testi
  • Vektör Hata Düzeltme Modeli (VECM)
    • Kısa ve uzun dönemli Granger nedensellik testleri
    • Etki-tepki analizi
    • Varyans ayrıştırması
  • Otoregresif gecikmesi dağıtılmış (ARDL) ve doğrusal olmayan otoregresif gecikmesi dağıtılmış (NARDL) modelleri
    • Kısa ve uzun dönem katsayılarının tahmini
    • Kısa ve uzun dönem asimetrik etkilerin testi
    • Dinamik çarpan analizi

7. Tek Eşitlikli ARCH/GARCH modelleri
   • EGARCH Modeli
   • TARCH Modeli
   • IGARCH Modeli
   • PARCH Modeli
   • Component GARCH Modeli
   • GARCH_in_mean
   • FIGARCH Modeli
   • FIEGARCH(1,1) Modeli
8. Ek Konular
   • Toda-Yamamoto (TY) nedensellik testi
   • Frekansta nedensellik (FDC) testi
   • Varyansta nedensellik (Hafner&Herwartz) testi
   • Bağlantılılık (Connectedness) ve Yayılma (Spillover) Analizi
   • Asimetrik VAR
     • Etki-Tepki analizi
     • Simetri testi

Koordinatör: Bülent Güloğlu (İTÜ), Murat Güven (SAÜ), Merve Altaylar

İşlenecek Konular:

• Panel veri modelleri hakkında genel bilgi
  • Ekonometrik modelin bileşenlerinin detaylı şekilde açıklanması
  • panel veri ile ilgili örnek veri setleri gösterimi
  • Stata programı genel tanıtımı
  • Stata’ya veri yüklenmesi
  • Stata’da verinin panel olarak tanıtılması
  • Stata’da verinin logaritmasının-üstel fonksiyonun ve karekökünün alınması alınması
  • Stata’da panel veri modelinin birimleri için ID atanması ( egen komutu)
  • Stata’da betimleyici istatistiklerin elde edilmesi
  • Stata’da korelasyon tablosunun elde edilmesi
  • Stata’da panel verinin uzun – geniş ( long- wide) ve geniş-uzun (wide-long) formata dönüştürülmesi
  • Stata’da panel veride bireysel ortalama- zaman ortalaması ve genel ortalamanın elde edilmesi
  • Gauss programı genel tanıtımı
  • Gauss’a veri yüklenmesi
  • Gauss’ta Panel veri gecikmelerin sayılarının belirlenmesi
  • Gauss’ta panel verinin uzun (long) formata dönüştürülmesi
  • Gauss’ta panel verinin geniş (geniş) formata dönüştürülmesi

 

Yatay Kesit Bağımlılığı ve Bağımsızlığı Durumu
• Homojen panel ve heterojen panel seçimi
• Yatay kesit bağımlılık ve homojenlik testleri
• LM ve CD testleri
• Sapması düzeltilmiş LM testi
• Pesaran and Yamagata Delta testleri

Panel Birim Kök Testleri

• Birinci Nesil Panel Birim Kök Testleri
  Levin-Lin Chu Testi
  Im-Pesaran- Shin Testi
  Maddal- Wu Testi
  Choi Testi
  Hadri Testi

İkinci Nesil Panel Birim Kök Testleri
• CADF testi
• Hadri _ Kurozomi testi

Panel Eşbütünleşme Testleri

• Birinci Nesil Panel Eşbütünleşme Kök testleri
  Kao testi
  Larson testi
  Pedroni testi

 

• İkinci Nesil Panel Eşbütünleşme Kök Testleri
  Westerlund ECM testi
  Westerlund & Edgerton LM testi
  Westerlund(2008) testi

Panel Nedensellik Testleri

• Panel Pairwise Granger Causality testi
  • Panel Dumitrescu Hurlin Granger Causality testi

Değişen Varyans ve Otokorelasyon

• Değişen Varyans Testleri
  • Otokorelasyon testleri
  • Değişen Varyans ve Otokorelasyonun düzeltilmesi

 

 

Tahminciler

White (1980) tahmincisi

Newey- West(1987) tahmincisi

Driscoll-Kraay (1998)  tahmincisi

 

• Tek Yönlü Hata Bileşen Modeli
  Sabit Etki Modeli
  Rassal Etki Modeli
• İki Yönlü Hata Bileşen Modeli
  Sabit Etki Modeli
  Rassal Etki Modeli
  Bireysel Etkilerin test edilmesi
• Population-Averaged Modelleri
  • Between-Effects Modeli
  • En Küçük Kareler Kukla Değişken Modeli -LSDV
• Panel FMOLS
  • Panel DOLS
  • Pooled Mean-Group tahmincisi (PMG)
• Panel Ortalama Grup tahmincileri
  Mean Group Estimator- MG(Pesaran and Smith, 1995)
  Common Correlated Effects -CCE(Pesaran, 2006)
  Augmented Mean Group estimator- AMG( Eberthart and Teal, 2010)
• Panel Kantil Regresyon
  Generalized Quantile Regression
  Quantile Regression for Panel Data (QRPD)

Method of moments(Machado and Silva, 2019)

• Panel Sayma Veri (Count Data) Modelleri Analizi
  Poisson regression
  Negative Binomial Fixed Effects
  • Dinamik Panel CCE modeli- DCCE( Chudik and Pesaran, 2015)

Koordinatör: Ezgi Demir (Lancaster Ün.- Sümer Teknoloji)

İşlenecek Konular:

1. Veri Bilimi ile İlgili Genel Kavramlar
-Veri Bilimi Nedir ve Veri Bilimci Kimdir
-Veriden Faydalı Bilgi Çıkarabilmek
-Veri Okuryazarlığı Nedir
-Popülasyon ve Örneklem
-Gözlem Birimi
-Değişkenler ve Değişken Türleri
-Ölçek Türleri
-Merkezi Eğilim Ölçüleri (Aritmetik Ortalama, Medyan, Mod, Kartiller)
-Dağılım Ölçüleri (Değişim Aralığı, Standart Sapma, Varyans, Çarpıklık, Basıklık)
2. Python Programlama
-Anaconda, Colab Giriş İşlemleri
-Windows, Linux, MacOS Kurulum İşlemleri
-Sayılar ve Karakter Dizileri (Strings)
-Uzunluk İşlemleri (len Komutu)
-Upper & Lower Metotları
-Replace & Strip Metodu
-Substrings
-Değişkenler & Değişken Tipleri Dönüşümleri
-Print yazdırma komutu
-Liste Elemanlarına Erişim
-Listelere Eleman Ekleme & Değiştirme & Silme
-Append & Remove Metotları
-Insert & Pop Komutları
-Tuple Oluşturma, Eleman İşlemleri
-Dictionary Oluşturma, Eleman Seçme, Ekleme ve Değiştirme
-Set Oluşturma, Ekleme, Çıkarma, Fark İşlemleri, Kesişim & Birleşim ve Sorgu İşlemleri
-Fonksiyonlar (ön tanımlı argümanlar, return fonksiyonu, local ve global değişkenler)
-True – False İşlemleri
-Koşul İfadeleri (if, else, elif)
-Döngüler ( for, while)
-Break-continue işlemleri
-Sınıf Yapıları
-Miras Yapıları
-Fonksiyonel Programlama
-Modül Programlama
3. Veri Manipülasyonu
– NumPy Giriş
-NumPy Array Özellikleri
-Reshape, Concetenation, Splitting & Sorting Komutları
-Index İşlemleri
-Array Alt Küme İşlemleri
-Koşullu Eleman İşlemleri
-Matematiksel İşlemler
-Denklem Çözümleri
-Pandas Giriş, DataFrame Oluşturma ve Eleman İşlemleri
-Gözlem ve Değişken Seçimleri
-Koşullu Eleman İşlemleri
-Join, Aggregation & Grouping İşlemleri
4. Veri Ön İşleme
-Aykırı Gözlem
-Aykırı Değerleri Yakalamak
-Çok Değişkenli Aykırı Gözlem Analizi
-Baskılama Yöntemi
-Eksik Gözlem Analizi
-Silme Yöntemleri
-Basit Değer Atama Yöntemleri
-Kategorik Değişkenler İçin Değer Atama
-Tahmine Dayalı Değer Atama
-Değişken Standardizasyonu
-Değişken Dönüşümleri
-One-Hot Dönüşümü ve Dummy Değişken
-Veri Standardizasyonu
5. Keşifçi Veri Analizi ve Veri Görselleştirme
-Python’da Veri Görselleştirme
-Veri Setinin İncelenmesi
-Eksik Değerlerin İncelenmesi
-Kategorik Değişken ve Sürekli Değişkenlerin Belirlenmesi
-Sütun Grafiği
-Histogram ve Yoğunluk Grafiği
-Kutu Grafiği
-Violin Grafiği
-Korelasyon Grafiği
-Doğrusal İlişkinin Gösterilmesi
-Scatter Plot Matrisi
-Isı Haritası
-Çizgi Grafiği
-Zaman Serisi Grafiği
6. Veri Bilimi İçin İstatistik
-Örnek Teorisi
-Betimsel İstatistik ve Uygulamaları
-Güven Aralıkları
-Olasılık ve Olasılık Dağılımları
-Bernoulli Dağılımı ve Uygulamaları
-Binom Dağılımı ve Uygulamaları
-Poisson Dağılımı ve Uygulamaları
-Normal Dağılım ve Uygulamaları
-Hipotez Testi ve Türleri
-Hata Tipleri
-p – value
-Hipotez Testi Adımları
-Tek Örneklem T Testi
-Nonparametrik Tek Örneklem Testi
-Tek Örneklem Oran Testi
-Bağımsız İki Örneklem T Testi
-Nonparametrik Bağımsız İki Örneklem T Testi
-Bağımlı İki Örneklem T Testi
-Nonparametrik Bağımlı İki Örneklem Testi
-İki Örneklem Oran Testi
-Varyans Analizi
-Hipotez Testi
-Nonparametrik Hipotez Testi
-Korelasyon Analizi
-Korelasyon Katsayısı Hipotez Testi
-Nonparametrik Korelasyon Testi
7. Makine Öğrenmesi ve Sınıflandırma Algoritmaları(Gözetimli Öğrenme)
-Giriş ve Terminoloji
-Model Doğrulama Yöntemleri
-Model Başarısı
-Yanlılık
-Parametre & Hiperparametre & Model Optimizasyonu
-Basit Doğrusal Regresyon
-Çoklu Doğrusal Regresyon
-Temel Bileşen Regresyon (PCR)
-Kısmi En Küçük Kareler Regresyonu (PLS)
-Ridge Regresyon
-Lasso Regresyon
-K En Yakın Komşu Algoritması ve Uygulaması
-Destek Vektör Regresyonu
-Doğrusal Olmayan Destek Vektör Regresyonu
-Yapay Sinir Ağları
-Regresyon Ağaçları (CART)
-Bagged Trees
-Rastgele Ağaç Algoritması (Random Forests)
-Boosting Algoritmaları (Gradient Boosting, XGBoost, LightGBM ve CatBoost Algoritmaları)
–
8. Makine Öğrenmesi Gözetimsiz Öğrenme Algoritmaları
– K Means Algoritması
-Hiyerarşik Kümeleme Algoritması
-Temel Bileşen Analizi
9.Büyük Veri Analitiği
– Büyük Veri Nedir?
-Apache Hadoop, Apache Spark
-Kurulum İşlemleri
-Temel DataFrame İşlemleri
-Büyük Veri Görselleştirme
10. Veri Tabanı ve SQL
– Veri Setleri
-Kişisel Veri Tabanı Oluşturmak
-Sorgu Diline Giriş
-Select, Where Komutları
-Aggregation ve Gruplama İşlemleri
-Join İşlemleri
11. Julia İle Veri Analizi
-Julia Programlama Dilinin Tanıtımı
-Julia Programlama Dilinin Avantajları ve Dezavantajları
-Julia Ortamının Kurulması
-Farklı Dosya Formatlarından Veri Okunması
-Eksik Veri ve Aykırı Değerlerin Temizlenmesi
-Keşifsel Veri Analizi( Açıklayıcı İstatistikler, Plots.jl ile Veri Görselleştirilmesi)
-DataFrames.jl ile Veri Manipülasyonu (Verilerin Seçilmesi, filtrelenmesi ve dönüştürülmesi)
-Veri Kümelerinin Birleştirilmesi ve Gruplaması
-StatsBase.jl ile İstatistiksel Analiz
-MLJ.jl ile Makine Öğrenimi
-Zaman Serisi Analizi
-Paralel ve Dağıtık Hesaplamalar (Büyük Veri İçin)
–
12. Veri Biliminde Proje Yönetimi
– Problemlere Yaklaşım
-Proje Döngüsü
-Adımlar

Koordinatör: Selim Yıldırım (Anadolu Ün.)

İşlenecek Konular:

• R ve RStudio tanıtımı

R ve RStudio kurulumu; R programlamasına girişiş.

• Olasılık ve İstatistik

Olasılık ve istatistikte temel kavramlara giriş.

• Regresyon Modeli

Tek ve çok  bağımsız değişkene sahip regresyon modellerinin keşfi.

• Monte Carlo Simülasyonu

Modelleme ve analiz için Monte Carlo yönteminin anlaşılması.

• İhmal edilmiş Değişken Sapması ve Çoklu Bağlantılılık

İhmal edimiş değişken sapması ve çoklu bağlantılılıkla ilgili konuların ele alınması.

• Hipotez Testi

Regresyon modellerinde t, F ve LM testlerinin incelenmesi

• OLS Asimptotikleri

Sıradan En Küçük Kareler (OLS) tahmincilerinin asimptotik özelliklerinin incelenmesi.

• Endojenite

Ekonometrik modellerde endojenite sorunlarını anlama.

• Varyasyon ve Tanımlama

Model tanımlama için varyasyon kaynaklarını ve yöntemleri keşfetme.

• Enstrümantal Değişken Yaklaşımı

Endojenite ile başa çıkmak için enstrümantal değişken yaklaşımının tanıtılması.

• Farklılıkta Farklar

Farklılıkta Farklar yönteminin anlaşılması.

 

Bu eğitimin iki temel amacı bulunmaktadır. Birincisi eğitim sonunds nispeten bağımsız bir şekilde serisel korelasyon tlışımayan veriler ile ampirik araştırma yapmayı öğrenmektir. Bu hedefe ulaşmak için öğrencilere temel ekonometri teorileri dersler aracılığıyla tanıtılacaktır. Ayrıca, teorik bilgi örnek çözümü ile gerçek ampirik sorunlara uygulama fırsatları sağlanacaktır. Bu eğitim katılımcıların istatistiksel yazılım kullanmayı, ekonometrik analiz yapmayı, veri yönetimi ve görselleştirmeyi bağımsız bir şekilde öğrenmeleri için tasarlanmıştır.

Koordinatör: Erkan Işığıçok (Uludağ Ün.)

İşlenecek Konular:

• İş Dünyasında Karar Vermek, Fark Yaratmak ve Değer Katmak İçin Üçüncü Göz : İstatistik
• Altı Sigma Metodolojisi, Altı Sigma Aşamaları, Altı Sigmada Kullanılan İstatistiksel Araçlar
• İş Dünyasında Anahtar Performans Göstergeleri (KPI)
• Nicel ve/veya Nitel Verilerin Tablolar, Grafikler ve Hesaplamalar ile Özetlenmesi
• Excel İle İstatistiksel Veri Analizi
• Temel Excel : Excel Özellikleri ve Komutları
• Excel’de İstatistiksel Fonksiyonlar ve Uygulamaları
• Excel’de Veri Çözümleme Komutu Uygulamaları
  • Rassal Sayı Üretme
  • Histogram Çizimi
  • Betimsel (Tanımlayıcı) İstatistik Hesaplamaları, Tek Anakütle Ortalamasına İlişkin Güven Aralığı Tahmini
  • Ortalamalara İlişkin Tek Örneklem t ve z Testi
  • İki Bağımlı ve İki Bağımsız t ve z Testleri
  • K Bağımsız Örneklem İçin Tek Faktör ANOVA (F Testi)
  • Regresyon ve Korelasyon Analizi
• SPSS İle İstatistiksel Veri Analizi
• Nicel ve Nitel Verilerin Tablolar İle Özetlenmesi
• Nicel ve Nitel Verilerin Grafikler İle Özetlenmesi
• Nicel Verilerin Hesaplamalar İle Özetlenmesi
• Normallik Testleri (Kolmogorov Smirnov ve Shapiro Wilk)
• Parametrik Hipotez Testleri
• Parametrik Olmayan Hipotez Testleri
• F Testi (ANOVA) (Ortalamaların Karşılaştırılmasında ve Regresyon Analizinde)
• Güvenirlik Analizi
• Kümeleme Analizi
• Faktör Analizi
• İkili Lojistik Regresyon Analizi
• Minitab İle İstatistiksel Veri Analizi
• Betimsel İstatistikler ve Anderson Darling Normallik Testi
• Parametrik ve Parametrik Olmayan Hipotez Testleri
• Regresyon ve Korelasyon Analizi
• İstatistiksel Proses Kontrol
• Zaman Serileri Analizi
• Deney Tasarımı (DoE : Design of Experimental Analysis)
• Eviews İle İstatistiksel Veri Analizi
• Betimsel İstatistikler ve Jarque Bera Normallik Testi
• Regresyon ve Korelasyon Analizi
• Regresyon Varsayımlarının Test Edilmesi
• R İle İstatistiksel Veri Analizi
• R ile Genel Bazı Uygulamalar
• R ile Betimsel İstatistik Uygulamaları

R ile Çıkarımsal İstatistik Uygulamaları

Koordinatör: Murat ATAN (AHVÜ)

İşlenecek Konular:

Tüm MENÜ komutlarının detaylı incelenmesi (File, Edit, View, Data, Transform, Analyis, Graph, Utilities)

 

İSTATİSTİKSEL ANALİZ

 

1. Ölçme Düzeyleri (Sınıflama, Sıralama, Eşit Aralıklı ve Oransal ölçme düzeyi)

1. Sosyal Bilimlerinde Verilerin Toplanması

B.1. Veri Toplama Yöntemleri

      B.1.a.  Sistematik Veri Toplama Yöntemleri

      B.1.b.  Özel Veri Toplama Yöntemleri

B.2.  Verilerin Sınıflandırılması

B.3.  Verilerin Tablolaştırılması

      B.3.a.  Tablo Düzenleme Kuralları

      B.3.b.  Tablo Tipleri

B.4.  Verilerin Özetlenmesi (Bireysel ve Gruplandırılmış Veriler için)

• Ortalama
• Medyan (Ortanca)
• Mod (Tepe Değer)
• Varyans ve Standart Sapma
• Çarpıklık ve Basıklık
• Frekans Dağılımı (%)
• Çapraz Tablolama
• Ki – Kare (c²)
• Contingency Coefficient
• Phi and Cramér’s V
• Lambda
• Uncertainty Coefficient
• Kendall Tau b ve Tau c
• Gamma ve Somers’d
• Eta
• Kappa, Risk McNemar
• Cochran’s Mantel-Haenszel

 

 

 

1. İstatistiksel Analiz Yöntemleri

C.1.  Raporlama (Betimleyici İstatistikler) – Case Summarize

         Merkezi Eğilim ve Dağılım Ölçütleri

C.2.  Güven Aralığı / Z_skor (Standartlaştırma) / Normal Dağılım Testleri

C.3.  Hipotez Testleri

      C.3.a.  Hipotezlerin Kurulması, Test İşlemleri ve Yorumlanması

      C.3.b.  Hipotez Testlerinin Çeşitleri

C.3.b.i.  Parametrik Testler

                                 C.3.b. i.1.  Tek Örneklem t- Testi Uygulamaları ve Yorumlanması

                                 C.3.b. i.2.  Bağımsız Örneklem t – Testi, Uyg. ve Yorumlanması

               C.3.b. i.3.  Eşleştirilmiş T – Testi Uygulamaları ve Yorumlanması

                      C.3.b. i.4.  Tek Yönlü Varyans Analizi

      C.3.b.ii.  Parametrik Olmayan Testler

                                 C.3.b. ii.1.  Kolmogorov – Smirnof  (KS)  Testi

                                 C.3.b. ii.2.  Bağımsız 2 Örneklem t – Testi, Uyg. ve Yorumlanması

                                                    (Mahn – Whitney U Testi)

                                 C.3.b. ii.3.  Bağımsız k Örneklem t – Testi, Uyg. ve Yorumlanması

                                                    (Kruskal Wallis H Testi)

                                 C.3.b. ii.4.  2 İlişkili Örneklem t – Testi, Uyg. ve Yorumlanması

                                                    (Wilcoxon İşaret Testi)

                                 C.3.b. ii.5.  k İlişkili Örneklem t – Testi, Uyg. ve Yorumlanması

                                                    (Fredman Testi)

 

1. Korelâsyon Analizi

E.1.  Korelâsyon Analizi

• Bivariate Pearson  Korelasyon  Analizi
• Spearman Sıra Korelasyon  Analizi
• Kısmi Korelasyon  Analizi

 

1. Regresyon

F.1.  Regresyon Analizi Yöntemleri

F.2.  Basit Doğrusal Regresyon Analizi

F.3.  Çoklu Regresyon Analiz

F.4.  Lojistik Regresyon (Binary ve Multinominal)

 

1. Anket tipi (Yatay – Kesit) veriler için Geçerlilik ve güvenilirlik analizleri

G.1.  Cronbach Alpha

G.2.  Split Half (Yarı Bölme)

G.3.  Guttman

G.4.  Paralel / Strict Paralel

Kazanımlar

• Akademik çalışma için veri toplama yöntemleri, veri türleri, değişken ölçme düzeyleri
• SPSS paket programının ara yüzlerinin tanıtımı, temel komutlar ve işlevleri
• Hangi tür veriye ne tür bir analiz uygulanabilir?
• SPSS Analiz menüsünün detaylı tanıtımı
• Tüm testler için gerçek veriler ile bilgisayar başında birebir uygulama
• Temel düzey veri bilimci olabilme

Koordinatör: Semra Günay (Anadolu Ün.)

İşlenecek Konular:

1. GÜN: Proje yazımının temel bileşenleri, Problem durumunun tespiti, paydaş analizinin yapılması
2. GÜN: Genel ve özel amacın belirlenmesi, hedeflerin belirlenmesi, literatür ve özgün değerin ortaya konması
3. GÜN: Yöntem, başarı kriterleri, risk planının oluşturulması, beklenen sonuçlar, yaygın etki, iş paketlerinin, faaliyetler hiyerarşisinin, zaman çizelgesinin ve konsorsiyumun oluşturulması.

Koordinatör: Bülent Batmaz (Anadolu Ün.)

İşlenecek Konular:

İçerik: Sosyal bilimlerde araştırma yaparken ölçüm aracı olarak kullanılan ölçeklerin geliştirilmesi, doğrulanması ve uyarlama süreçleri, araştırmacılar için kritik bir öneme sahiptir. Bu seminer, SPSS ve LISREL gibi yaygın istatistiksel araçların kullanımıyla bu süreçlerin nasıl yürütüleceğini katılımcılara pratik bir şekilde aktaracak.

1.Gün: TEMEL KAVRAMLAR

• İstatistiksel kavramlar:

1. Değişken, ölçme ve ölçme araçları ve türleri
2. Merkezi eğilim ölçüleri ve değişkenlik, normallik.

• Değişkenlerin ölçme düzeylerine göre: Veri derleme türleri
• Korelasyon ve Korelasyon matrisi incelenmesi ve yorumlanması.

 

2.Gün: ÖLÇEK GELİŞTİRME SÜRECİ

1. Ölçek Geliştirme Süreci
• Kavramsallaştırma
• Ölçek geliştirme adımları ve süreçleri : Ölçek maddelerinin oluşturulması ve seçimi
• Madde havuzu oluşturma süreci
• Geçerlik ve güvenirlik testleri
• İçerik geçerliliği
• Pilot Uygulama / Anket (yeterli örneklem üzerinde uygulama)
• Örneklem yeterliliğinin hesaplanması
2. Faktör Analizi ve Yapısal Eşitlik Modellemesi (SEM)
• Faktör analizi: Temel kavramlar ve uygulama adımları
• Yapısal Eşitlik Modellemesi (SEM) nedir? LISREL ile model oluşturma ve analiz adımları
3. SPSS ve LISREL Uygulamaları
• SPSS ile veri analizi ve temel istatistiksel işlemler
• LISREL kullanarak yapısal eşitlik modellemesi yapma adımları
• Örnek uygulamalar ve pratik çalışmalar

4. Yapı Geçerliliği:

Ölçeğin amaçlanan yapıyı ne ölçüde ölçtüğünü değerlendirilme süreci:

1. (AFA) Faktör Analizi: SPSS ve LISREL uygulaması
2. (DFA) Doğrulayıcı faktör analizi LISREL uygulamalı
3. Norm Oluşturma: Cut-off (Kesim noktalarının) değerleri belirlenerek, ölçeğin hangi puanlarda (sevilerde) veya hangi durumlarda nasıl yorumlanması gerektiği saptanması süreci.

ÖLÇEK UYARLAMA:

1. Kültürler Arası Uyum
2. Zamana göre Uyum
3. Norm oluşturma

3.Gün: UYGULAMA ve TARTIŞMA

Uygulama ve tartışma örnek veri seti üzerinde SPSS ve LİSREL paket program ile uygulama ve sonuçları yorumlama üzerine çalışmaları ve tartışmaları içerir.

Koordinatör: Veysel Yılmaz (ESOGÜ), Yasemin KİNAŞ (MAPEG)

İşlenecek Konular:

• Amaç

  Bu eğitimin temel amacı, sosyal bilimlerde yaygın olarak kullanılan klasik yapısal eşitlik modellemesi (SEM) ve kısmi en küçük kareler yapısal eşitlik modellemesinin (PLS-SEM) aktarılmasıdır. SEM’in kuramsal ve kavramsal boyutları aktarıldıktan sonra makaleler ve tezlerde sonuçların nasıl raporlanacağına değinecektir. Eğitim alan kursiyerlere SmartPls yazılımıyla PLS-SEM analizlerinin nasıl yapılacağı, nasıl yorumlanacağı ve akademik çalışmalarda nasıl raporlanacağı aktarılacaktır.

  Öğrenme hedefleri

  Eğitimi tamamlayan katılımcıların aşağıdaki konularda temel bilgi ve becerileri kazanması hedeflenmektedir.

  1. Değişken türleri, ve anket yoluyla veri toplama
  2. YEM’de Araştırma modeli tasarımı ve hipotez kurulumu,
  3. SEM ve SmartPls zaılımında PLS-SEM analizleri.
  4. YEM ve PLS-YEM sonuçlarının raporlanması.
  5. PLS-SEM’de aracılık ( mediating) ve düzenleyicilik (moderating) analizi

  Eğitim içeriği

  • Yapısal Eşitlik Modellemesi (SEM)
  • Kovaryans Tabanlı –Klasik SEM
  • Kısmi En Küçük Kareler SEM (PLS-SEM)
  • SEM ve PLS-SEM Yöntemlerinin Karşılaştırılması
  • SmartPLS Programında Uygulamalar
  • Aracılık Etkisi
  • Düzenleyicilik Etkisi

  SEM ve PLS-SEM sonuçlarının raporlanması

Koordinatör: Semra Günay (Anadolu Ün.)

İşlenecek Konular:

ERASMUS+ PROJELERİ HAZIRLAMA EĞİTİMİ

1. İÇERİK:

   4. GÜN: ERASMUS+ projelerinde amaç ve hedeflerin belirlenmesi, mantıksal çerçevenin oluşturulması
   5. GÜN: ERASMUS+ projelerinde ortaklıkların oluşturulması, proje etkinliklerinin temel unsurları, başvuru sistemi

Koordinatör: Necmi Gürsakal (Uludağ Ün. Emekli-Mudanya Ün.)

İşlenecek Konular:

1. GİRİŞ
Karmaşıklık
Bağlantısallık
Kısa Bir Tarihçe
Ağ Bilimi
Ağ Bilimi ve Makine Öğrenmesi
Sosyal Ağ Analizi

2. ÇİZGE KURAMI
Çizge Kuramı Nedir?
Çizge Türleri
Görüntüler, metinler ve moleküller çizge olabilir mi?
Derece ve Derece Dağılımı
Merkezilik Ölçüleri
En Kısa Patika ve Uzaklıklar
Sayfa Sırası
Ego ve Hub
Zengin Kulüp
Kümelenme Katsayısı
Geçişlilik Oranı
Ağ Ölçüleri ve Ağ Güvenliği
Ağ Gösterim Türleri

3. AĞ MODELLERİ
Rassal Ağ Modeli
Dev Bileşen Oluşumu
Küçük Dünya Ağları
Ölçekten Bağımsız Ağlar

4. PAKET PROGRAM UYGULAMALARI
NodeXL
R
Gephi
Ucinet

Koordinatör: Nurullah Celal Uslu (Ticaret Bakanlığı)

İşlenecek Konular:

1. Makine Öğrenmesine Giriş ve Kavramlar
2. Denetimli Öğrenme Yöntemler
   1. Regresyon
      1. Doğrusal Regresyon
   2. Sınıflandırma
      1. Logistic Regresyon
   3. İleri Seviye Modeller
      1. Naive Bayes
      2. K-en yakın komşu

• Karar Ağaçları

1. Rastgele Ağaç
2. Gradyan Artırma
3. Destek Vektör Makineleri

3. Denetimsiz Öğrenme
   1. Kümeleme
   2. Anomali Saptama
   3. Boyu Azaltma
4. Veri Önişleme
5. Model açıklama