Girişim şirketlerinin finansal başarısızlıklarının yapay sinir ağları ve lojistik regresyon analizi ile tahmin edilmesi

Basit Öğe Kaydı
dc.contributor.advisorBaşar, Özlem Deniz
dc.contributor.authorErişlik, Kubilay
dc.date.accessioned2022-11-01T16:40:32Z
dc.date.available2022-11-01T16:40:32Z
dc.date.issued2020
dc.departmentEnstitüler, Fen Bilimleri Enstitüsü, İstatistik Ana Bilim Dalıen_US
dc.descriptionTez (Yüksek Lisans) -- İstanbul Ticaret Üniversitesi -- Kaynakça var.en_US
dc.description.abstractÖZET Girişim şirketleri üzerine yapılan bu araştırmanın amacı 2010 – 2015 yılları arasında melek, çekirdek ve girişim evrelerinde yatırım almış olan girişim şirketlerinin günümüzde başarılı ya da başarısız olduğunun tespit etmektir. Ayrıca yatırım aşamalarında alınan yatırımlar ve sektörler ile oluşturulan lojistik regresyon analizi modeli ve yapay sinir ağları modeli ile girişim şirketlerinin başarılı bir şekilde sınıflandırılıp sınıflandırılamayacağı ve bu modellerin yeni kurulan girişim şirketleri için ve yatırım alacak girişim şirketleri için ön analiz olarak kullanabilir olup olmadığı üzerinde durulmuştur. Çalışma kapsamında bir takım istatistiksel analizler yapılarak değişkenler arasındaki ilişkiler ortaya konulmuştur. Bununla birlikte girişim şirketlerinin finansal açıdan başarılı olup olmayacağının tahmin etme çalışmaları gerçekleştirilmiştir. Tahminleme yapmak için “İkili Lojistik Regresyon Analizi” ve “İleri Beslemeli Geri Yayılımlı Yapay Sinir Ağları” olmak üzere iki farklı metot kullanılmıştır ve 1675 girişim şirketi verileri üzerinde tahmin işlemi gerçekleştirilmiştir. Çalışma neticesinde ileri beslemeli geri yayılımlı yapay sinir ağı yöntemi ile daha başarılı bir sonuç elde edilmiştir. Anahtar Kelimeler: Finansal başarısızlık, girişim şirketleri, lojistik regresyon analizi, yapay sinir ağları, yatırım aşamaları. ABSTRACT The aim of this research on startup companies is to determine whether the startup companies that received investment in angel, seed and venture phases between 2010 and 2015 are successful or unsuccessful today. In addition, it is emphasized whether the startup companies can be successfully classified with the logistic regression analysis model and artificial neural networks model created by the investments in the companies in their sectors and investment stages and whether these models can be used as a preliminary analysis for newly established startup companies. Within the scope of the study, statistical analyzes were used and the relationships between the variables were determined. In addition, pretiction were made on whether startup companies would be financially successful or not. Two different methods were used to make prediction, namely “Binary Logistic Regression Analysis” and “Feed Forward Back Propagation Artificial Neural Networks” and estimation was performed on 1675 venture company data. As a result of the study, a more successful result was obtained with the feed forward back propagation artificial neural network method. Keywords: Artificial neural networks, financial failure, investment stages, logistic regression analysis, startups. İÇİNDEKİLER İÇİNDEKİLER . i ÖZET . iii ABSTRACT . iv TEŞEKKÜR . v ŞEKİLLER DİZİNİ . vi ÇİZELGELER DİZİNİ . vii SİMGELER VE KISALTMALAR DİZİNİ . ix 1. GİRİŞ. 1 2. LİTERATÜR ÖZETİ . 3 3. YAPAY SİNİR AĞLARI . 6 3. 1. Yapay Sinir Ağları’nın Tanımı ve Tarihçesi . 9 3. 1. 1. Camelot Çağı (1890 - 1969) . 10 3. 1. 2. Karanlık Çağ (1969 - 1982) . 11 3. 1. 3. Rönesans Çağı (1982 - 1986) . 11 3. 1. 4. Bağlantıcılık Çağı (1988 - 1994) . 12 3. 1. 5. Yapay Zeka Çağı (1998 - ) . 12 3. 2. Yapay Sinir Ağları’nın Çalışma Prensipleri . 12 3. 3. Yapay Sinir Ağları’nın Yapısı ve Elemanları . 13 3. 3. 1. Katmanlar . 14 3. 3. 2. Bağlantılar . 14 3. 4. Yapay Sinir Ağları’nın Çeşitleri . 15 3. 4. 1. Öğrenme kurallarına göre yapay sinir ağları . 15 3. 4. 1. 1. Denetimli öğrenme . 15 3. 4. 1. 2. Denetimsiz öğrenme . 16 3. 4. 1. 3. Pekiştirmeli öğrenme . 16 3. 4. 2. Ağ yapılarına göre yapay sinir ağları . 17 3. 4. 2. 1. İleri beslemeli ağlar . 17 3. 4. 2. 1. 1. Geri yayılım ağı . 18 3. 4. 2. 2. Geri beslemeli ağlar . 19 3. 5. Yapay Sinir Ağlarının Uygulama Alanları . 20 3. 6. Yapay Sinir Ağlarının Tahmin Amacı Kullanımı . 20 4. LOJİSTİK REGRESYON ANALİZİ . 21 4. 1. Lojistik Regresyon Analizinin Tarihçesi . 23 4. 2. Lojistik Regresyon Modelleri . 24 4. 2. 1. İkili lojistik regresyon modeli . 25 4. 2. 2. Sıralı lojistik regresyon modeli . 28 4. 2. 3. İsimsel lojistik regresyon modeli . 28 4. 3. Çok Değişkenli Lojistik Regresyon Analizi . 29 4. 4. Uyum İyiliği Testleri . 31 4. 4. 1. Pearson Ki-Kare testi . 31 4. 4. 2. Hosmer – Lemeshow testi . 31 4. 4. 3. Sınıflandırma tablosu . 32 ii 5. UYGULAMA . 33 5. 1. Araştırmanın Metodolojisi . 33 5. 1. 1. Araştırmanın amacı ve önemi . 33 5. 1. 2. Araştırmanın kapsamı ve kısıtları . 34 5. 1. 2. 1. Girişim şirketleri . 34 5. 1. 2. 2. Girişim şirketlerinin yatırım aşamaları . 35 5. 1. 2. 3. Girişim şirketlerinin başarısız olması . 36 5. 1. 2. 4. Araştırmaya dahil edilen sektörlerin belirlenmesi . 37 5. 2. Araştırmanın Yöntemi . 39 5. 2. 1. Araştırmanın verileri . 40 5. 3. Bulguların Değerlendirilmesi . 42 5. 3. 1. Tanımlayıcı istatistikler . 43 5. 3. 2. İkili lojistik regresyon analizinin uygulanması . 49 5. 3. 3. Yapay sinir ağlarının uygulanması . 53 5. 3. 4. Bulguların karşılaştırılması . 60 6. SONUÇ VE ÖNERİLER . 63 KAYNAKLAR . 67 EKLER. 71 EK A. Lojistik Regresyon Analizi Kodları . 71 EK A. Yapay Sinir Ağları Kodları . 73 ÖZGEÇMİŞ . 74 ABSTen_US
dc.identifier.endpage35en_US
dc.identifier.startpage1en_US
dc.identifier.urihttps://katalog.ticaret.edu.tr/e-kaynak/tez/88758.pdf
dc.identifier.urihttps://hdl.handle.net/11467/5555
dc.identifier.yoktezid636382en_US
dc.institutionauthorErişlik, Kubilay
dc.language.isotren_US
dc.publisherİstanbul Ticaret Üniversitesien_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectNeural networks (Computer science)en_US
dc.subjectNörol ağları (Bilgisayar bilimi)en_US
dc.subjectArtificial intelligenceen_US
dc.subjectYapay zekaen_US
dc.subjectComputer algorithmsen_US
dc.subjectBilgisayar algoritmalarıen_US
dc.subjectÜrün tasarımıen_US
dc.subjectProduct designen_US
dc.subject.otherQA 76.87/E75en_US
dc.titleGirişim şirketlerinin finansal başarısızlıklarının yapay sinir ağları ve lojistik regresyon analizi ile tahmin edilmesien_US
dc.typeMaster Thesisen_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
88758.pdf
Boyut:
1.51 MB
Biçim:
Adobe Portable Document Format
Açıklama:
İndir

Koleksiyon

Fen Bilimleri Enstitüsü Tez Koleksiyonu