| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| Seçim Analizi | MIS 414 | | | 3 + 0 | 3 | 5,00 |
| |
| Ders Bilgileri |
| Dersin Öğretim Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | |
| Dersin Veriliş Biçimi | Yüz Yüze |
| |
Dersin Öğrenme Kazanımları:
Bu dersi başarı ile tamamlayan öğrenciler: |
| 1. Kesikli seçim modellerinin temelini oluşturan seçim teorilerine ilişkin bir anlayış geliştirir. |
| 2. Ders kapsamında ele alınacak kesikli seçim modellerinin yöntem ve uygulamaları konusunda yeterlilik gösterir. |
| 3. En uygun bir şekilde kesikli seçim modelleri kullanılarak modellenebilecek seçim problemlerini belirleyebilir. |
| 4. Uygun kesikli seçim modeli spesifikasyonlarını geliştirebilir. |
| 5. Kesikli seçim modellemesindeki güncel çalışmalara aşina olur. |
| 6. Kesikli seçim modellerini tahmin etmek için R yazılım paketini kullanma ve sonuçları yorumlama ve analiz etme konusunda yeterlilik gösterir. |
| |
| Dersin Önkoşulları ve Birlikte Alınması Gereken Dersler | Yok |
| Daha Önce Alınmış Olması Önerilen Dersler | Yok |
| |
Dersin Tanımı:
Talep dinamiklerini hesaba katması gereken birçok disiplin için bireysel seçim davranışını anlamak çok önemlidir. Kesikli seçim modelleri, bireysel karar vermenin bilişsel yönlerini yakalar ve uygulamalı iktisat, pazarlama, mühendislik ve şehir planlama dahil olmak üzere çeşitli alanlarda geniş uygulamalara sahiptir. Son zamanlarda seyahat modları, kahve markaları, telefon hizmetleri, alkolsüz içecekler ve çeşitli gıda ürünleri gibi alanlarda, farklı fiyatlandırma ve pazarlama stratejilerine yanıt olarak talebi tahmin etmek ve tüketicilerin bu ürünlerdeki niteliksel iyileştirmeler için ne kadar ödemeye hazır olduklarını belirlemek için kullanılmaktadırlar. Kesikli seçim modelleri ayrıca otomobiller, dizüstü bilgisayarlar, akıllı telefonlar, buzdolapları, klimalar ve evler gibi dayanıklı mallarla ilgili seçimleri incelemek için de kullanılabilmektedir. Bu ders, bireysel kesikli seçim davranışı modellerinin formülasyonu ve tahminine yönelik teori ve pratiği, özellikle yönetimsel karar alma ile ilgili uygulamalara odaklanarak sunmaktadır. Bu dersi alan öğrenciler probit, logit, çok terimli logit, yuvalanmış logit ve sıralı logit modellerinin teorisi, yöntemleri, uygulaması ve yorumlanması hakkında bilgi sahibi olacaklardır. |
| |
Üretken Yapay Zeka Kullanımı:
ChatGPT, Copilot, Claude ve Gemini gibi üretken yapay zeka araçları, bu derste tamamlayıcı öğrenme araçları olarak kullanılacaktır. Öğrencilerin, veri seti özelliklerine göre farklı modelleri (örneğin, Doğrusal Olasılık Modeli vs. Logit vs. Probit) karşılaştırma, yapay zeka tarafından üretilen regresyon çıktılarının açıklamalarını yorumlama ve veri analizi için R kodları oluşturma veya hata ayıklama gibi görevlerde bu yapay zeka araçlarını kullanmaları teşvik edilecektir. Ayrıca, öğrenciler hata mesajlarını çözümlemek, problem çözme yaklaşımlarını geliştirmek ve yapay zeka tarafından üretilen çözümleri kendi çözümleriyle karşılaştırarak hataları ve verimsizlikleri belirlemek için bu araçlardan faydalanabileceklerdir. Yapay zeka araçları değerli bir destek mekanizması olarak hizmet edecek olsa da, öğrenciler yapay zeka çıktılarını eleştirel bir bakış açısıyla değerlendirmeleri ve bağımsız analitik düşünme becerilerini geliştirmeleri konusunda yönlendirilecektir. |
| |
| Dersin İçeriği (Haftalık Konu Dağılımı): |
| |
| Hafta | Konu |
| 1 | Geleneksel Tüketici Teorisi |
| 2 | Kesikli Seçim Teorisi |
| 3 | Olasılıklı Seçim Teorisi |
| 4 | Rassal Fayda Modelleri |
| 5 | İkili Seçimler için Olasılık Modelleri: Probit ve Logit Modelleri |
| 6 | İkili Seçim Modellerinin Maksimum Olabilirlik Tahmini |
| 7 | Logit ve Probit Tahminlerini Yorumlama: Kısmi Etkiler, Esneklikler ve Olasılık Oranları |
| 8 | R Programı ile İkili Seçim Model Uygulamaları |
| 9 | Çok Terimli Seçim Teorisi |
| 10 | Çok Terimli Logit Modeli |
| 11 | Yuvalanmış Logit ve Sıralı Logit Modelleri |
| 12 | Çok Terimli, Yuvalanmış ve Sıralı Logit Modellerinin Tahmin Edilmesi ve Sonuçların Yorumlanması |
| 13 | Çok Terimli Logit Modelinin R ile Uygulamaları |
| 14 | R ile Yuvalanmış Logit ve Sıralı Logit Modellerinin Uygulamaları |
| |
| Kaynaklar: |
| Ben-Akiva, M. and S. R. Lerman (1997), Discrete Choice Analysis: Theory and Application to Travel Demand. The MIT Press. (ISBN: 0262022176). |
| |
| Diğer Kaynaklar: |
| (1) Hensher, D. A.; J. M. Rose and W. H. Greene (2015), Applied Choice Analysis, 2nd edition. Cambridge University Press. (ISBN: 9781107092648).
(2) Greene, W. H. and D. A. Hensher (2010), Modeling Ordered Choices: A Primer. Cambridge University Press. (ISBN: 9780521194204).
(3) Train, K. E. (2009), Discrete Choice Methods with Simulation, 2nd edition. Cambridge University Press. (ISBN: 9780521766555).
(4) Chandukala, S. R.; J. Kim; T. Otter; P. E. Rossi and G. M. Allenby (2008), Choice Models in Marketing: Economic Assumptions, Challenges and Trends. Now Publishers. (ISBN: 9781601981646).
(5) Páez, A. and G. Boisjoly (2022), Discrete Choice Analysis with R. Springer. (ISBN: 9783031207181).
(6) Koppelman, F. S. and C. Bhat (2006), A Self Instructing Course in Mode Choice Modeling: Multinomial and Nested Logit Models. U.S. Department of Transportation. |
| |
| Öğretim Yöntem ve Teknikleri: |
| Öğretim stratejisi çoğunlukla derslere ve problem çözmeye dayanmaktadır. Sınıf için tartışmalara katılmaları beklenen öğrenciler soru sorma ve düşüncelerini paylaşma konularında teşvik edilirler. Ders sorumlusu, öğrencilerin ders materyali hakkındaki sorularını cevaplamak ve onlara yardımcı olmak için düzenli görüşme saatlerine sahiptir. |
| |
| Değerlendirme Sistemi: |
| Yöntem | Adet | Katkı (%) |
| Midterm Exam | 1 | %40 |
| Final Sınavı | 1 | %40 |
| Ödev | 1 | %20 |
| |
| Ders İşbaşı Eğitimi (iş yerinde eğitim) Gerektiriyor mu? |
| Gerektirmiyor |
| |
Dersin Program Yeterlilikleri vs. Öğrenme Kazanımları:
|
| # | Program Yeterlilikleri | Katkı |
| 1 | Bilişim teknolojileri altyapısını öğrenmek ve gelişmeleri takip etmek. | 0 |
| 2 | Örgüt yapısına uygun bilişim sistemleri tasarlamak. | 0 |
| 3 | Yazılım bilgileri edinmek ve etkin bir şekilde kullanabilmek. | 4 |
| 4 | Veri toplama, temizleme ve saklama yöntemlerini öğrenmek. | 3 |
| 5 | Gelecekteki veri ve yazılım gereksinimlerini tahmin edebilmek. | 3 |
| 6 | Firma içindeki veri odaklı yönetim süreçlerini takip etmek. | 4 |
| 7 | "Büyük Veri" kullanarak bilgi elde etme yöntemlerini öğrenmek. | 0 |
| 8 | Bilgi teknolojilerindeki gelişmeleri takip etmek. | 2 |
| 9 | Bir kuruluşun bilgi teknolojileri ve veri problemlerini anlamak ve değerlendirmek. | 2 |
| 10 | Veri toplama, yorumlama, analiz etme ve yayma süreçlerinde bilimsel, sosyal ve etik standartları korumak. | 4 |
| 11 | Bilgi sistemleri arasındaki birlikte çalışabilirliği anlamak. | 0 |
| 12 | İş ortamını anlamak ve değerlendirmek. | 4 |