Dergiler / Uluslararası Yönetim İktisat ve İşletme Dergisi / 2017 / Cilt: 13 - Sayı: 2

YÖNETİM BİLİMLERİ VE PAZARLAMA ALANINDA BAĞIMSIZ DEĞİŞKENLERİN KARŞILAŞTIRILMASI VE BASTIRICI ETKİ TESPİTİ

DETERMINATION OF SUPPRESSION EFFECT AND COMPARISON OF INDEPENDENT VARIABLE’S RELATIVE IMPORTANCE IN MANAGEMENT SCIENCES AND MARKETING

Sayfa
385–406
Yayın Tarihi
2017-04-01
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Ayrıca çalışma neticesinde bastırıcı etkiden ve çoklu-bağıntı sorunundankaynaklanarak yanlı olarak hesaplanan varyans miktarının tespitine ilişkin ve bağımsızdeğişkenlerin etki büyüklüklerinin β istatistiksel olarak karşılaştırılmasına ilişkin çıkarımlar sağlanmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada; çoklu doğrusal regresyon modellerinde yer alan bağımsız değişkenlerinbağımlı değişkeni yordama düzeylerinin yani etki büyüklüklerinin β karşılaştırılmasına,bastırıcı etkinin tespitine ve bağımsız değişkenlerin korelasyon halinde olması durumuna ilişkinolarak R 3.0.2 yazılımı aracılığıyla; structure coefficients, pratt measure, APS regresyon allpossible subset regression , commonality analysis, dominance analysis, relative importanceweights analizlerinin uygulanması gerçekleştirilmiştir.
📊
Temel Bulgular & Veri:R 3.0.2 yazılımı aracılığıylagerçekleştirilen ilgili analizler kapsamında, bastırıcı etki sorunu tespiti uygulamalı olarakgerçekleştirilmiştir.
💡
Sonuç & Katkı:Ayrıca çalışma neticesinde bastırıcı etkiden ve çoklu-bağıntı sorunundankaynaklanarak yanlı olarak hesaplanan varyans miktarının tespitine ilişkin ve bağımsızdeğişkenlerin etki büyüklüklerinin β istatistiksel olarak karşılaştırılmasına ilişkin çıkarımlar sağlanmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Çoklu Doğrusal Regresyon · Etki Büyüklükleri Karşılaştırma · Bastırıcı Değişken

Özet

Bu çalışmada; çoklu doğrusal regresyon modellerinde yer alan bağımsız değişkenlerinbağımlı değişkeni yordama düzeylerinin yani etki büyüklüklerinin β karşılaştırılmasına,bastırıcı etkinin tespitine ve bağımsız değişkenlerin korelasyon halinde olması durumuna ilişkinolarak R 3.0.2 yazılımı aracılığıyla; structure coefficients, pratt measure, APS regresyon allpossible subset regression , commonality analysis, dominance analysis, relative importanceweights analizlerinin uygulanması gerçekleştirilmiştir. R 3.0.2 yazılımı aracılığıylagerçekleştirilen ilgili analizler kapsamında, bastırıcı etki sorunu tespiti uygulamalı olarakgerçekleştirilmiştir. Ayrıca çalışma neticesinde bastırıcı etkiden ve çoklu-bağıntı sorunundankaynaklanarak yanlı olarak hesaplanan varyans miktarının tespitine ilişkin ve bağımsızdeğişkenlerin etki büyüklüklerinin β istatistiksel olarak karşılaştırılmasına ilişkin çıkarımlar sağlanmıştır.

Abstract

The structure coefficients, Pratt measure, APS regression, commonality analysis, dominance analysis, and relative importance weights analysis was implemented in this study regarding the comparison of the levels of the prediction of dependent variables by the independent variables within the multiple linear regression models. Analysis carried out via R software, the determination of the suppression effect problem has been carried out. In addition, some implications have been provided regarding the determination of the variance level calculated in bias due to the suppression effect and the multi-collinearity problem and the statistical comparison of β coefficients of the independent variables in this study

🔖

Bu Makaleye Atıf Yap

DOGAN, V., YİLMAZ, C. (2017). YÖNETİM BİLİMLERİ VE PAZARLAMA ALANINDA BAĞIMSIZ DEĞİŞKENLERİN KARŞILAŞTIRILMASI VE BASTIRICI ETKİ TESPİTİ. Uluslararası Yönetim İktisat ve İşletme Dergisi, Cilt: 13 - Sayı: 2, 385–406. https://ajindex.com/articles/169838

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  1. Abdi, H. (2007). Part (semi partial) and partial regression coefficients. In salkind, N. J. (Eds.), Encyclopedia of measurement and statistics (pp. 736-740).
  2. Thousand Oaks, CA: Sage. Aiken, L. S., West, S. G., & Pitts, S. C. (2003). Multiple linear regression. In Schinka, J. A., Velicer, N. F. (Eds.), Research Methods in Psychology. New Jersey: John Wiley & Sons. Ailawadi, K. L., Neslin, S. A., & Gedenk, K. (2001). Pursuing the value-conscious consumer: Store brands versus national brand promotions. Journal of Marketing, 65(January), 71-89.
  3. Azen, R., & Budescu, D. V. (2003). The dominance analysis approach for comparing predictors in multiple regression. Psychological Methods, 8, 129-148.
  4. Bagozzi, R. P. (1980). Performance and satisfaction in an ındustrial sales force: An examination of their antecedents and simultaneity. Journal of Marketing, 44(Spring), 65-77.
  5. Bagozzi, R. P., & Yi, Y. (1988). On the evaluation of structural equation models. Journal of the Academy of Marketing Science, 16(2), 74-94.
  6. Budescu, D. V. (1993). Dominance analysis: A new approach to the problem of relative importance of predictors in multiple regression. Psychological Bulletin, 114, 542-551.
  7. Canty, A., & Ripley, B. (2011). Boot: Bootstrap R (S-Plus) functions (R package version 1.3-2). Erisim tarihi: 12.1.2016, https://scholar.google.com/scholar?q=boot%3A+Bootstrap+R+%2 8S-Plus%29+functions+ripley&btnG=&hl=en&as_sdt=0%2C23. Capraro, R. M., & Capraro, M. M. (2001). Commonality analysis: Understanding variance contributions to overall canonical correlation effects of attitude toward mathematics on geometry achievement. Multiple Linear Regression Viewpoints, 27, 16-23.
  8. Chaudhuri, A., & Holbrook, M. B. (2001). The chain of effects from brand trust and brand affect to brand performance: The role of brand loyalty. Journal of Marketing, 65, 81-93.
  9. Cohen, J., & Cohen, P. (1983). Applied multiple regression/correlation analysis for the behavioral sciences. New Jersey, U.S: Hillsdale. Courville, T., & Thompson, B. (2001). Use of structure coefficients in published multiple regression articles: β is not enough. Educational & Psychological Measurement, 61, 229-248.
  10. Darlington, R. B. (1968). Multiple regression in psychological research and practice. Psychological Bulletin, 69, 161-182.
  11. Field, A. (2013). Discovering statistics using IBM SPSS Statistics. London, UK: Sage. Genizi, A. (1993). Decomposition of R2 in multiple regression with correlated regressors. Statistica Sinica, 3, 407-420. H