Lineer regresyonda küçültme yöntemlerinin karşılaştırılması
A comparison of shrinkage methods in linear regression
- Tez No: 629568
- Danışmanlar: DOÇ. DR. PAKİZE TAYLAN
- Tez Türü: Yüksek Lisans
- Konular: Matematik, Mathematics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Matematik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 78
Özet
İstatistiksel araştırmalar ve analizlerde veri kümesine dayalı olarak elde edilen regresyon modelleri çok önemli rol oynar. Bu modellerden biride çoklu doğrusal regresyon modelidir. Ancak çoklu doğrusal regresyon analizinde, iç ilişki problemi ortaya çıktığında en küçük kareler tahmin edicileri yansız olmasına rağmen büyük varyanslı olarak elde edilirler. Bu durum yapılan istatistiksel analizin doğruluğunu olumsuz yönde etkilemektedir. İstatistiksel araştırmalarda küçültme yöntemlerinin birinin kullanılması ile tahmin edicilerin varyansı küçültülerek iç ilişki problem ortadan kalkabilmektedir. Bu tez çalışmasında iç ilişki problemi ele alınarak, iç ilişkinin giderilmesi için Ridge Regresyon, LASSO, Elastik Net ve Liu gibi küçültme yöntemleri incelenmiştir.Uygulama çalışması olarak da, iç ilişkinin saptandığı veri üzerinden adı geçen küçültme yöntemlerinin hata kareler toplamı, hata kareler ortalamaları ve belirleme katsayıları karşılaştırılmıştır. Bu karşılaştırmalarda yukarıdaki küçültme yöntemlerinin tamamı en küçük karelere göre daha iyi sonuçlar vermekle birlikte, LASSO hem en küçük karelere göre hem de ele alınan bütün küçültme yöntemlerine göre daha iyi sonuçlar vermiştir. Sonuç olarak iç ilişki problemin varlığı durumunda en küçük kareler yöntemi yerine küçültme yöntemlerinin, özelliklede LASSO nun kullanılmasının daha doğru sonuçlar verdiği kararına varılmıştır.
Özet (Çeviri)
Regression models based on data set play a very important role in statistical research and analysis. One of these models is multiple linear regression model. However, in multiple linear regression analysis, when multicolinearity problem arises, the least squares estimators are obtained with large variance although they are unbiased. This situation negatively affects the accuracy of statistical analysis. In statistical research, by using one of the shrinkage methods, the variance of the estimators can be reduced and the multicolinearity problem can be eliminated. In this thesis, colinearity problem is investigated and Ridge Regression, LASSO, Elastic Net and Liu shrinkage methods are examined to eliminate multicolinearity problem. As an application study, sum of squares errors, mean squares erros mean and determination coefficients of shrikage methods were compared over the data in which colinearity was determined. In these comparisons, all of the above shrinkage methods yielded better results than the least squares, while the LASSO yielded better results than both the least squares and all the shrinkage methods discussed for this data set. As a result, it is concluded that the shrinkage methods instead of least squares method, especially LASSO, give more accurate statistical results in case of multicolinearity problem.
Benzer Tezler
- Comparison and assessment of shrinkage methods in case of multicollinearity problem
Çoklu bağlantı sorunu durumunda küçültme yöntemlerinin karşılaştırılması ve değerlendirilmesi
ŞEVVAL KILIÇOĞLU
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri MühendisliğiAtılım ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATMA YERLİKAYA ÖZKURT
- Estimation of uncertainty of individual steps in pesticide residue analysis
Pestisit analiz aşamalarında belirsizliklerin tahminlenmesi
PERİHAN YOLCI ÖMEROĞLU
Doktora
İngilizce
2010
Gıda Mühendisliğiİstanbul Teknik ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
PROF. DR. ARPAD AMBRUS
PROF. DR. DİLEK BOYACIOĞLU
- 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
- Cox regresyon modelinde değişken seçim yöntemleri
Variable selection methods in cox regression model
PINAR AKBABA
Yüksek Lisans
Türkçe
2022
İstatistikHacettepe Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. NİHAL ATA TUTKUN
- Yüksek boyutlu kısmi doğrusal modellerin ağırlıklı-rıdge yaklaşımıyla seçim sonrası tahmini
Post shrinkage estimation in high-dimensional partially linear models with weighted-ridge approach
ERSİN YILMAZ
Doktora
Türkçe
2023
İstatistikMuğla Sıtkı Koçman Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. DURSUN AYDIN