Parametrik olmayan regresyonda düzeltme teknikleri
Smoothing techniques in non-parametric regression
- Tez No: 543635
- Danışmanlar: PROF. DR. ZEKİ YILDIZ
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 73
Özet
Regresyon analizi, bağımlı değişken ile bağımsız değişken veya değişkenler arasındaki ilişkinin matematiksel bir fonksiyon şeklinde açıklayan istatistiksel yöntemdir. Değişkenler arası ilişkiyi açıklamada kullanılan parametrik regresyon yöntemine ait varsayımlar her zaman sağlanmayabilir. Bu durumda değişkenler arası ilişkiyi açıklamada parametrik olmayan regresyon yöntemi kullanılabilir. Bu tezde Çekirdek, LOWESS ve Splayn Düzeltme Teknikleri ele alınmıştır. Düzeltme parametresi seçiminde genelleştirilmiş çapraz geçerlilik ölçütü kullanılmıştır. R paket programında iki farklı veri seti kullanılarak 5 farklı örneklem hacmi için performans kriterleri simülasyon yardımı ile ilgili teknikler karşılaştırılmıştır. Simülasyon çalışmasında LOWESS Düzeltme Tekniği, Kernel ve Splayn Düzeltme Tekniklerinin gerisinde kaldığı görülmüştür.
Özet (Çeviri)
Regression analysis is the statistical method that describes the relationship between the dependent variable and the independent variable or variables as a mathematical function. The assumptions of the parametric regression method used to explain the relationship between variables may not always be provided. In this case, nonparametric regression method can be used to explain the relationship between variables. In this thesis, Kernel, LOWESS and Spline Smoothing Techniques are discussed. The generalized cross-validation criterion was used in the selection of smoothing parameters. In the R package program, the performance criteria for the 5 different sample sizes were compared by using two different data sets and the related techniques were compared. In the simulation study, LOWESS Smoothing Technique, Kernel and Spline Smoothing Techniques were found to be behind.
Benzer Tezler
- Parametrik olmayan regresyonda düzeltme teknikleri
Smoothing methods in nonparametric regression
İDRİS BAKIRHAN
- Regresyonda yeniden örnekleme yöntemlerinin karşılaştırmalı olarak incelenmesi
Comperative investigation of the resampling methods in regression analysis
DERVİŞ TOPUZ
Yüksek Lisans
Türkçe
2002
BiyolojiNiğde ÜniversitesiBiyoloji Ana Bilim Dalı
PROF. DR. AHMET YAYINTAŞ
YRD. DOÇ. DR. SUAT ŞAHİNLER
- Semiparametrik regresyon ve bir uygulama
Semiparametric regression and an application
SEDA BAĞDATLI
Yüksek Lisans
Türkçe
2010
İstatistikİstanbul Ticaret Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. MÜNEVVER TURANLI
- Destek vektör regresyonu ile PID kontrolör tasarımı
Design of PID controller via support vector regression
KEMAL UÇAK
Yüksek Lisans
Türkçe
2012
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. GÜLAY ÖKE
- Machine learning-based energy consumption forecastingfor stores in a shopping center - A case study
Alışveriş merkezindeki dükkânların enerji tüketimininmakine öğrenmesiyle tahmini - Vaka çalışması
NADIA AHBAB
Yüksek Lisans
İngilizce
2023
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
ÖĞR. GÖR. MUSTAFA BERKER YURTSEVEN