Applications of logistic regression with missing data
Kayıp veri olması durumunda lojistik regresyon uygulamaları
- Tez No: 328472
- Danışmanlar: PROF. DR. C. CENGİZ. ÇELİKOĞLU
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2013
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 85
Özet
Kayıp veri, istatistiksel çalışmalarda sıkça karşılaşılan problemlerden biridir. Kayıp verileri göz ardı etmek bir seçenek iken, bunları çeşitli istatistiksel yöntemlerle çözümleyerek çalışmaya katmakta mümkündür. Kayıp veri analizi araştırmacıların çok sık karşılaştıkları kayıp veri sorununa çözüm getirmeyi amaçlayan yöntemler içerir. Bu yöntemler, silme (Liste/Durum Düzeyli ve Çiftler Düzeyinde) ve atama (Regresyon Ataması, Hot Deck Ataması, Beklenti Maksimizasyonu ve Çoklu Atama) olarak sınıflandırılmıştır.İkili bağımlı değişkeni modellemek için uygulanabilen en popüler regresyon yöntemlerinden biri olan Lojistik Regresyon Analizi'nde, bağımlı değişken 0 ve 1 gibi iki olası kategoriye sahiptir. Lojistik Regresyon Analizi, bağımlı değişkenin sınıflayıcı ve sıralı olmasına göre genişletilebilir. Burada bağımsız değişkenler için kısıtlama getirilmemiştir.Bu çalışmanın amacı, kayıp veri analizi ve lojistik regresyon yöntemlerini inceleyerek, farklı kayıp veri analizi yöntemlerinin lojistik regresyondaki performanslarının değerlendirilmesidir.
Özet (Çeviri)
Missing data is a common problem in statistical studies. While ignoring missing data is an option, it is possible to contribute to study by analyzing them with various statistical methods. Missing data analysis includes methods aiming at missing data problem solving. These methods are classified as deletion (Listwise and Pairwise) and imputation (Regression imputation, Expectation Maximization and Multiple Imputation).Logistic regression analysis method, one of the most popular methods applied for modeling two dependent variables, has two possible categories of dependent variable 0 and 1. Logistic Regression Analysis can be expanded according to the dependent variable as nominal and ordinal. There is no limitation for independent variables.The aim of this study is to examine the methods of missing value analysis and logistic regression and to evaluate the performance of different missing value analysis methods on logistic regression.
Benzer Tezler
- Reinforcement learning-driven ensemble neural networks for heart disease prediction
Kalp hastalığı tahmini için takviyeli öğrenme tabanlı topluluk sinir ağları
ÖZGE HÜSNİYE NAMLI DAĞ
Doktora
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEDA YANIK ÖZBAY
- Veri kalitesinin bozulduğu durumlarda veri madenciliği sınıflandırma algoritmalarının performanslarınınkarşılaştırılması
Comparison of performances data mining classificationalgorithms when data quality is defective
SAYGIN DİLER
Doktora
Türkçe
2023
İstatistikVan Yüzüncü Yıl Üniversitesiİstatistik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YILDIRIM DEMİR
- Makine öğrenmesi algoritmalarının hibrit yaklaşımı ile ağ anomalisi tespiti
Network anomaly detection with a hybrid approach of machine learning algorthms
FEYZA ÖZGER
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİT ÖZTEKİN
- A data-driven approach to understanding visitors' behaviorto reduce the negative effects of tourism in historical cities
Tarihi kentlerde turizmin olumsuz etkilerini azaltmak için ziyaretçi davranışlarını anlamaya yönelik veri odaklı bir yaklaşım
SEVİM SEZİ KARAYAZI
Doktora
İngilizce
2024
MimarlıkTechnische Universiteit EindhovenMimarlık ve Yapılı Çevre Ana Bilim Dalı
PROF. DR. THEO ARENTZE
DR. ÖĞR. ÜYESİ GAMZE DANE
- Makine öğrenmesi algoritmaları kullanılarak diyabetin erken teşhisi ve performans karşılaştırması
Early diagnosis of diabetes using machine learning algorithms andperformance comparison
ALMİLA SU SALİN
Yüksek Lisans
Türkçe
2025
Yönetim Bilişim SistemleriUfuk ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
PROF. DR. ARAL EGE