Lineer regresyon modellernde etkili gözlemlerin tespiti için yeni bir yöntem
A new method for detection of influential observations in linear regression models
- Tez No: 651936
- Danışmanlar: DOÇ. DR. DENİZ İNAN
- Tez Türü: Yüksek Lisans
- Konular: Matematik, İstatistik, Mathematics, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Matematik Ana Bilim Dalı
- Bilim Dalı: Matematik Bilim Dalı
- Sayfa Sayısı: 54
Özet
Etkili gözlemler, veri kümesinde yer alan diğer gözlemlerden farklılık gösteren, regresyon katsayılarında büyük değişikliğe sebep olan gözlemlerdir. Veri setinde bu tür gözlemlerin varlığı istatistiksel analizlerin geçerliliğini ve duyarlılığını azaltmaktadır. Literatürde etkili gözlemleri belirlemek için kullanılan birçok yöntem vardır. Ancak bu yöntemlerin çoğu dağılımsal varsayımlar gerektirir ve maskeleme ve süpürme etkilerinden oldukça etkilenirler. Özellikle veri setinde birden fazla etkili gözlem olması durumunda bu yöntemlerin çoğu yetersiz kalmaktadır. Bu tezin amacı, meta-sezgisel Kesikli Parçacık Sürü Optimizasyon algoritmasını kullanarak etkili gözlem kümelerini tespit etmek için yeni bir teşhis yöntemi geliştirmektir. Önerilen bu yaklaşım, herhangi bir dağılımsal varsayım gerektirmemekte ve ayrıca klasik yöntemler gibi maskeleme ve süpürme etkilerinden etkilenmemektedir. Önerilen yöntemin performansı çeşitli simülasyonlar ve gerçek veri setleri ile analiz edilmiştir.
Özet (Çeviri)
Influential observations are observations that differ from other observations in the data set and cause a large change (effect) in the regression coefficients. The presence of such observations in the data set reduces the validity and sensitivity of statistical analyzes. There are many methods used to determine influential observations in the literature. However, most of these methods require distributional assumptions and are highly affected by masking and swamping effects. Most of these methods are inadequate, especially if there is more than one influential observation in the data set. The aim of this thesis is to develop a new diagnostic method to detect influential observation sets using the meta-heuristic Binary Particle Swarm Optimization algorithm. This proposed approach does not require any distributional assumptions and is also not affected by the masking and swamping effects such as the classical methods. The performance of the proposed method has been analyzed via various simulations and real data set applications.
Benzer Tezler
- A stress testıng framework for the Turkısh bankıng sector: an augmented approach
Türk bankacılık sektörü için bir stres testi çerçevesi: Bir genişletilmiş yaklaşım
BAHADIR ÇAKMAK
Doktora
İngilizce
2014
BankacılıkOrta Doğu Teknik Üniversitesiİktisat Ana Bilim Dalı
PROF. DR. NADİR ÖCAL
- GNSS gözlemlerindeki troposferik gecikmenin destek vektör makineleri algoritması ile kestirimi
Estimation of tropospheric delay in GNSS observations using support vector machines algorithm
ALİ UTKU AKAR
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. CEVAT İNAL
- Doğrusal regresyon modellerinde aykırı gözlemlerin tespiti için sağlam tahmin edicilere dayalı etkili uzaklığın performansının incelenmesi
Performance analysis of the influence distance based on robust estimators for the identification of outliers in linear regression models
FULYA KARAKOCA
- Genetic algorithm based outlier detection using information criterion
Bilgi kriterleri kullanarak genetik algoritma tabanlı aykırı değer tespiti
ÖZLEM GÜRÜNLÜ ALMA
Doktora
İngilizce
2009
İstatistikDokuz Eylül Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. SERDAR KURT
- A hybrid prediction approach using multiple linear regression and decision tree
Çoklu doğrusal regresyon ve karar ağacı kullanarak hibrit tahmin yaklaşım
MARYAM ARIF AZEEZ AZEEZ
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KAYHAN AYAR