Regresyon modellerinde parametre tahminlerinde kullanılan bazı linear programlama yöntemleri ve en küçük kareler yönteminin bilgisayar simulasyonu ile karşılaştırılması
Comparison of some linear programming procedures with least-square method as the estimators of the linear regression cofficients: A computer simulation
- Tez No: 16606
- Danışmanlar: PROF.DR. TAHSİN KESİCİ
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 1991
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Belirtilmemiş.
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 41
Özet
iii. ÖZET Yüksek Lisans Tezi REGRESYON MODELLERİNDE PARAMETRE TAHMİNLERİNDE KULLANILAN BAZI LINEAR PROGRAMLAMA YÖNTEMLERİ VE EN KÜÇÜK KARELER YÖNTEMİNİN BİLGİSAYAR SİMULASYONU ÎLE KARŞILAŞTIRILMASI Duygu ÇELİK Ankara üniversitesi Fen Bilimleri Enstitüsü Zootekni Anabil im Dalı Danışman: Prof.Dr. Tahsin KESiCi 1991. Sayfa: 41 Jüri: Prof.Dr. Tahsin KESİCİ Prof.Dr. Alptekin Esin Doç. Dr. Orhan Kavuncu Bu çalışmada doğrusal regresyon modelindeki parametreleri tahmin eden bazı metodlar karşı laşt ırılmıştır. Bu metodlar en küçük kareler, mutlak sapmaların top lamının minimizasyonu ve mutlak sapmaların maksimumunun minimizasyonudur.Bu metodlardan son ikisi linear program lama tekniği ile çözülen metodlardır.Söz konusu paramet re tahmin metodları için. regresyon modellerinden sapma lar (hatalar) 100, 500, 1000 deneme 1 i k örnekler halinde bilgisayarda simulasyon tekniği ile üretilmiştir. Bu örnekler ortalaması sıfır, varyansı ise sırasıyla 100, 144, 225, 324 ve 441 olan normal dağılımlardan çekilmiş tir. Bu dağılımlar yardımı ile regresyon katsayıları (a,b) tahmin edilerek, bunların ortalama ve varyansları bulunmuştur. Elde edilen bu ortalama ve varyanslar metod- ların birbirleriyle karşılaştırılmasında kriter olarak kullanılmıştır. Söz konusu tahmin metodlarının, tahmin lerin ortalama ve varyansları dikkate alınarak karşılaş tırılmaları sonucu, en küçük kareler, tahmin metodunun ele alınan şartlarda diğer iki tahmine göre daha uygun bir me t od olduğu sonucuna varılmıştır. ANAHTAR KELİMELER: Basit regresyon modeli, linear prog ramlama", en küçük fareler, mutlak sapmaların toplamının minimizasyonu, mutlak sapmaların maksimumunun mini mizasyonu.
Özet (Çeviri)
iv ABSTRACT Masters Thesis COMPARISON OF SOME LINEAR PROGRAMMING PROCEDURES WITH LEAST-SQUARE METHOD AS THE ESTIMATORS OF THE LINEAR REGRESSION COFFICIENTS: A COMPUTER SIMULATION DUYGU ÇELİK Ankara University Graduate School of Natural and Applied Sciences Department of Animal Science Supervisor : Prof.Dr. Tahsin KESİCİ 1991.Page: 41 Jury : Prof.Dr. Tahsin KESİCİ Prof.Dr. Alptekin Esin Assoc. Prof.Dr. Orhan Kavuncu In this study some methods that estimate the parameters in linear regression model were compared. These methods were least square, minimizing the sum of absolute deviations and minimizing the maximum absolute deviation. The last two of these methods are solved by linear programming techniques. For the error terms of the regression models samples were generated by computer simulation and replicated 100. 500, 1000 times. These samples are drawn randomly from normal distributions with the zero mean and variances 100, 144, 225. 324 and 441. Expected values of the regression coefficients (a.b) were estimated through these samples and then the mean and variances of this regression coefficients were calcu lated. These mean and variances are used as. criteria for the comparison of the methods with each other. The comparison of the estimation methods according to means and variances of the estimations show that least square method are better than the other two methods. KEY WORDS: Simple regression model. Linear programming. Least square method. Minimi zing the sum of absolute deviations. Minimizing the maximum absolute deviation methods.
Benzer Tezler
- Kategorik bağımlı değişken modellerinde parametre tahmini için klasik yaklaşımlara alternatif bazı sezgisel optimizasyon teknikleri
Some heuristic optimization techniques to the classical approaches for the parameter estimation in categorical dependent variable models
EMRE DEMİR
Yüksek Lisans
Türkçe
2014
İstatistikMuğla Sıtkı Koçman Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. ÖZGE AKKUŞ
- Bayesian variable selection in circular regression models using lasso
Dairesel regresyon modellerinde lassoya dayalı Bayesçi değişken seçimi
ONUR ÇAMLI
Doktora
İngilizce
2023
İstatistikOrta Doğu Teknik Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. ZEYNEP IŞIL KALAYLIOĞLU AKYILDIZ
PROF. DR. ASHİS SENGUPTA
- Ampirik olabilirlik yöntemi ile robust regresyon analizi
Robust regression analysis with empirical likelihood
ŞENAY ÖZDEMİR
- A quantitative comparison of regression models on timely evolving datasets
Zamanla değişen datalarda regresyon modellerinin nicel karşılaştırılması
MİTHAT SİNAN ERGEN
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. KEZİBAN ORMAN