Search

İşsizlik,1950'li yıllardan beri ülkemizin gündeminde olan bir sorundur. İşsizlik düzeyi,hızlı nüfus artışı ve şehirleşmenin de etkisiyle 1970'li yıllarda oldukçayüksek değerlere ulaşmıştır. 2000'li yıllarda yaşanan ekonomik krizler veözellikle son global kriz olan 2008 krizi de işsizlik sorununun büyümesineneden olmuştur.İşsizlikoranının düşürülmesi için açık iş sayıları (Türkiye İş Kurumu’na işverenlertarafından bildirilen işçi talebi) ve açık işlerin meslek, sektör, eğitimdüzeyi açılarından irdelenmesi de önem kazanmaktadır.Buçalışma kapsamında, en güncel il istihdam ve mesleki eğitim kurul raporlarıincelenerek il bazında bir veri seti oluşturulmuş, şehirler işgücü talebine vebu talebin yapısına göre sınıflandırılmıştır. Talebin yapısı kavramı ilekastedilen, ilgili talebin özellikle hangi meslek grubu, sektör ve eğitimeyönelik olduğudur. Ayrıca konu ile ilgili çeşitli önemli değişkenler arasındakiilişki yapısı kategoriler bazında irdelenmiştir. Çalışma kapsamında kullanılanbaşlıca çok değişkenli analiz teknikleri, İki Aşamalı Kümeleme Analizi veHomojenlik Analizi’dir. Uygulanan analizler sonucunda ulaşılan bulgular karşılaştırmalıolarak yorumlanmıştır.&nbsp, The problem of unemployment is aproblem that has been on the agenda of our country since the 1950s. The levelof unemployment has increased with rapid population growth and urbanization,reaching quite high values ​​in the 1970s. In addition, the economic crises ofthe 2000s and especially the 2008 global crisis, also caused the unemploymentproblem to become more serious.In order to decrease the unemploymentrate, it is important to know the number of open jobs (open employment from theTurkish Employment Agency and employers who are transferred from the employers)and to examine them in terms of profession, sector, skills required andeducation level.Within the scope of this study, themost up-to-date provincial employment and vocational education board reportswill be examined and a more comprehensive data set will be created on provincebasis and provinces will be classified according to this demand structure. Themeaning of demand structure concept is with which profession group, sector andeducation the demand is related. In addition, the relationship between variousimportant variables related to the subject will be examined in category basis.The main multivariate analysis techniques to be used in the study are Two-StageClustering Analysis and Homogeneity Analysis. The findings obtained as a resultof the analyzes carried out, will be interpreted comparatively.

74

Günümüzde internet ağlarının yaygınlaşması ve internete erişimin bir ihtiyaç haline gelmesi internet sitelerinde ve diğer dijital platformlardaki reklamların kullanılmasını yaygınlaştırmıştır. Dijital reklamcılık olarak adlandırılan bu süreç firmalar, markalar ve diğer kuruluşlar için insanlara ulaşma ve reklam amaçları doğrultusunda hedeflerini gerçekleştirmelerinde vazgeçilmez bir reklam aracı olmuştur. En önemli özelliği ölçülebilir olan dijital reklamcılık, firmalara çok geniş veriler(istatistikler) vermektedir. Firmalar bu verileri kullanıp dijital reklamların değerlendirmesini yaparak gelecek reklam planları için ön görüye sahip olurlar. Dijital reklam yayınlarından elde edilen veriler çeşitli istatistiksel yöntemlerle analiz elde edilebilir. Bu tezin amacı bir inşaat firmasının dijital reklam kampanyasından elde edilen kullanıcı verilerini kullanarak bir sınıflandırma yapmaktır. Kullanıcıların satış ofisine gelip gelmediklerinin kaydının tutulduğu veriler analiz edilerek bir sınıflandırıcı oluşturulmuştur. Bundan sonraki reklamlarla elde edilen kullanıcı verileri bu sınıflandırıcı kullanılarak sınıflandırılabilir. Böylece kullanıcıların satış ofisine gelip gelmemeleriyle ilgili bir ön bilgi elde edilir. Firma bu ön bilgi sayesinde satış ve pazarlama doğrultusundaki hedeflerini daha doğru bir şekilde belirleyebilir. Tezin amacı doğrultusunda bağımlı değişken olarak kullanıcıların satış ofisine gelip gelmemesi, bağımsız değişken olarak ise dijital reklamlar sayesinde kullanıcın iletişim bilgilerini hangi gün firma çalışanlarına gönderdiği, kullanıcının cinsiyeti, reklamı hangi sitede görüp siteye geldiği, reklamı hangi reklam alanında (doğal, 300*250 görsel boyutlu vb.) gördüğü, hangi cihazdan (bilgisayar veya telefon) gördüğü, kullanıcının daha önce ilgili firmada kayıtlı olup olmaması ve bu formu hangi amaçla doldurduğu (yatırım, ev sahibi olma vb.) olmak üzere toplamda 7 adet bağımsız değişken kullanılmıştır.Tez kapsamında, karar ağaçları algoritmaları ile birlikte topluluk öğrenme algoritmaları Rastgele Orman (Random Forset), Hızlandırma (Boosting) ve Torbalama (Bagging) algoritmaları tanıtılmış olup aralarındaki farklardan söz edilmiştir.Uygulamada R programı kullanılmış ve veriyi analiz etmek için bir topluluk öğrenme algoritması olan Rastgele Ormanlar Yöntemi kullanılmıştır. Temelinde karar ağaçları olan bu yöntem diğer sınıflandırma algoritmalarına göre daha iyi sonuçlar vermiştir. --------------------The widespread use of internet networks and the need to access the internet has become widespread in the use of internet sites and other digital platforms. This process, which is called digital advertising, has become an indispensable advertising tool for companies, brands and other organizations to reach their goals and to realize their goals in accordance with advertising purposes. Digital advertising, the most important feature of which is measurable, gives companies very large data (statistics). Digital advertising, the most important feature of which is measurable, gives companies very large data (statistics). Firms use this data to evaluate the digital advertising and have a look to the future advertising plans. Data obtained from digital advertising publications can be analyzed by various statistical methods. The purpose of this thesis is to make a classification by using user data from a construction company's digital advertising campaign. A classifier is created by analyzing the data that the users are kept in the sales office and a classifier is created and the user data obtained with the subsequent ads can be classified using this classifier. Thus, a preliminary information can be obtained about whether the users come to the sales office. Through this preliminary information, the company will determine its targets in sales and marketing more accurately. For the purpose of the thesis, as a dependent variable, whether the users come to the sales office, as the independent variable, thanks to digital ads, the user sends which days the contact information to the employees of the company, the gender of the user, the site in which the advertisement is seen and the site in which it is advertised, in which advertisement area (native, 300*250 visual size etc.). a total of 7 independent variables were used, which were seen by the user (computer or telephone), whether the user had previously been registered in the relevant company and for which purpose he filled in this form (investment, host, etc.)Within the scope of the thesis, Random Forset, Boosting and Bagging algorithms have been introduced together with decision trees algorithms and differences between them have been mentioned In practice the R program was used and the Random Forests Method, a community learning algorithm, was used to analyze the data. This method, which is based on decision trees, yields better results than other classification algorithms.

Bu çalışmada Yapısal Eşitlik Modelinin (YEM) teorik özellikleri anlatılmış ve bir uygulaması yapılmıştır. Uygulamanın amacı, YEM ile üniversite öğrencilerinin başarı beklentilerini etkileyen faktörleri belirlemek ve faktörler arasındaki nedensel ilişkileri açıklamaktır. Çalışma üç bölümden oluşmaktadır. Birinci bölümde Faktör Analizi, Açıklayıcı Faktör Analizi (AFA) ve Doğrulayıcı Faktör Analizi (DFA) kavramları üzerinde durulmuştur. İkinci bölümde Yapısal Eşitlik Modelinin teorik yapısı anlatılmıştır. Üçüncü bölümde ise Yapısal Eşitlik Modeline ilişkin uygulamaya yer verilmiştir. Uygulamada Marmara Üniversitesi İktisat Fakültesinde öğrenim gören 261 öğrenciye anket uygulanmıştır. Uygulanan bu ankette elde edilen veriler SPSS ve AMOS paket programları ile analiz edilerek, bulgular değerlendirilmiştir.--------------------In this study, the theoretical features of Structural Equation Model (SEM) were explained and an application was made. The aim of application is to determine the factors affecting the success expectations of university students with SEM and to explain the causal relationships between factors. The study consists of three parts. In the first part, the consepts of Factor Analysis, Explanatory Factor Analysis (EFA) and Confirmatory Factor Analysis (CFA) are emphasized. In the second part, the theoritical structure of Structural Equation Model is explained. In the third part, the implementation of Structural Equation Model is given. In the application, a questionnaire was applied to 261 students studying at Marmara University Faculty of Economics. The data obtained from this questionnaire were analyzed with SPSS and AMOS package programs and the findings were evaluated. The data obtained from this questionnaire were analyzed with SPSS and AMOS package programs and the findings were evaluated.

Ülkelerin gelişmişliklerinin yalnızca ekonomik gelişme ile olmayacağını savunan Amartya Sen tarafından geliştirilen İnsani Gelişmişlik Endeksi, eğitim, sağlık ve gelir göstergeleri ile hesaplanmaktadır. Ülkeler, hesaplanan İGE değerlerine göre Birleşmiş Milletler' in yaptığı bir sınıflandırmaya göre 'Çok Gelişmiş', 'Gelişmiş', 'Gelişmekte Olan' ve 'Gelişmemiş' ülkeler olarak 4 sınıfta toplanır. Bu çalışmada, 188 ülkenin 2015 yılı İGE verileri, yani; eğitim, sağlık ve gelir endeksleri kullanılmıştır. Ülkeler, Kümeleme Analizinin farklı yöntemlerine göre sınıflandırılmıştır. Hiyerarşik Kümeleme Analizinde Ward tekniği kullanılırken Hiyerarşik Olmayan Kümeleme Analizinde k – ortalamalar yöntemi kullanılmıştır. Hiyerarşik Olmayan Kümeleme uygulanırken uygun küme sayısı Birleşmiş Milletler' in oluşturduğu İGE sıralaması baz alınarak 4 olarak belirlenmiştir. Geleneksel yöntemlere ek olarak, bir de İki Aşamalı Kümeleme Analizi uygulanmıştır.Hiyerarşik Kümeleme sonuçlarına göre, Birleşmiş Milletler'in önerdiğinden farklı olarak 3 kümenin yeterli olacağı saptanmıştır. Hiyerarşik Kümeleme Analizi sonucunda oluşan kümelerde gelirin çok etkili olduğu belirlenince, İki Aşamalı Kümelemede gelirin etkisini azaltmak amacı ile Kişi Başı GSMH değerleri yerine Dünya Bankası'nın oluşturduğu ülke gelir sınıfları kullanılmıştır. Sonuç olarak Birleşmiş Milletlere en yakın sonucu veren yöntem İki Aşamalı Kümeleme Analizi olmuştur. Hatta İki Aşamalı Kümelemenin, BM sıralamasından daha başarılı sonuç verdiğini söylemek mümkündür. Türkiye ise İki Aşamalı Kümeleme yöntemine göre BM'e benzer şekilde Gelişmiş Ülkeler kümesinde yer alırken k – ortalamalar yöntemine göre Gelişmekte Olan Ülkeler sınıfındadır. Elde edilen sonuçlara göre ülkeler kaynaklarını daha çok eğitim ve sağlığa yönlendirmelidir. Amartya Sen, who defends that economic development is not a good indicator for countries' development level, introduced Human Development Index. HDI composes from education, health and income indices. United Nations classify countries into 4 groups according to their HDI value. Those classes named; 'High Developed', 'Developed', 'Developing' and 'Under Developed'. In this study, 2015 values of HDI, in other words, health, education and income indices of 188 countries are used. Countries are classified with different methods of Cluster Analysis. Ward technique is used for Hierarchical Clustering while k – means is used for Non – Hierarchical Clustering. Non – Hierarchical Clustering is applied for 4 clusters since United Nations also uses 4 groups for development classification. In addition to traditional clustering techniques, Two Step Clustering is also applied to data. The result of Hierarchical Cluster is different than UN, since this technique classify countries under 3 groups. Moreover, the results of Non – Hierarchical Clustering is dramatically affected by income index. That's why, Two Step Clustering is applied with income classes of World Bank instead of GNI per capita. In the end, the most similar results with UN is obtained from Two Step Clustering. Even, it is possible to say that this technique ends better that UN classification. The position of Turkey differs when the technique is changed. According to Two Step Clustering, Turkey is in the Developed Countries cluster as it is in UN classification. However, in Non – Hierarchical Clustering, country takes place in Developing Countries cluster. To increase the development level, countries should invest more on education and health. 108