TY - JOUR T1 - Verilerin Lineer İç İlişkili Olduğu Lojistik Regresyonda Bazı Yanlı Parametre Kestiricileri ve Hata Karaler Ortalamasına Göre Karşılaştırmaları TT - Some biased estimators and their comparisons using mean squared error criterion in logistic regression when data are collinear AU - Urgan, N. N. AU - Tez, M. PY - 2008 DA - March JF - İstatistikçiler Dergisi:İstatistik ve Aktüerya JO - JSSA PB - Aktüerya Derneği WT - DergiPark SN - 1308-0539 SP - 1 EP - 8 VL - 1 IS - 1 LA - tr AB - En çok olabilirlik kestirimi kullanılan lojistik regresyon yaygın kullanım alanlarına sahiptir. Lojistik regresyon genellikle, medikal alanlarda yaşam olasılığı modelleme ve hastalık ve travmadaki risk faktörlerinin değerlendirme gibi alanlarda kullanılır. Lojistik regresyonda bağımsız değişkenler arasındaki lineer iç ilişki en çok olabilirlik kestiricisinin (MLE) varyansını büyük oranda etkiler. Bu çalışmada MLE’ ne alternatif olarak başka kestiriciler önerildi. Belirli koşullar altında Ridge (Smidt&McDonald,1976) kestiricisi, Stein (Stein,1960) kestiricisinin toplam hata kareler ortalamalarının dolayısıyla varyanslarının en çok olabilirlik kestiricisininkinden (MLE) daha küçük olduğu biliniyor. Buna benzer olarak, Ridge ve Stein kestiricilerinin konveks bileşimi olan Liu (Liu,1993) kestiricisinin lojistik regresyondaki toplam hata kareler ortalamasının da MLE kestiricisininkinden daha küçük olabileceği üzerinde çalışılmaktadır KW - Lojistik regresyon KW - En çok olabilirlik kestiricisi(MLE) KW - Yinelemeli ağırlıklandırılmış en küçük kareler(IWLS) KW - Ridge kestirimi KW - Stein kestirimi KW - Liu kestirimi KW - lineer iç ilişki N2 - Logistic regression using maximum likelihoodestimation has recently gained widespread use. Many of these applications havebeen in situations in which the independent variables are collinear. The collinearityamong the independent variables seriously effects the variance of the maximumlikelihood estimation. In this study, several alterative estimators aresuggested, which are combat the collinearity and easy to obtain in practice. Ithas been known that under some situations of the Ridge estimator and Steinestimator are less affected by the variance of the MLE. Similarly, we arestudying on Liu estimator which is the convex combining of them in logisticregression. CR - Gunst, R.F., Mason, R.L. (1977b). Biased estimation in Regression: An evaluation Using Mean Square Error. JASA, 72, pp. 616-627. CR - Hoerl, A.E., Kennard, R.W. (1970a). Ridge Regression: Biased estimation for Nonorthogonal problems. Technometrics, 12, pp. 55-67. CR - Hoerl, A.E., Kennard, R.W. (1970b). Ridge Regression: Applications Nonorthogonal problems. Technometrics, 12, pp. 69-82. CR - Hoerl, A.E., Kennard, R.W. and Baldwin, K.F. (1975). Ridge Regression: Some Simulations. Communications in Statistics, 4(2), pp. 1105-1123. CR - Kejian, L. (1993). A new class of biased estimate in linear regression. Commun. Statistics: Theory and Methods, 22(2), pp. 393-402. CR - Myers, R.H., Montgomery, D.C., Vining, G.G. (2001). Generalized Linear Models: with applications in engineering and sciences. Wiley & Sons, Inc., New York. CR - Schaeffer, R.L., Roi, L.D. and Wolfe, R.A. (1984). A Ridge logistic estimator. Communications in Statistics: Theory and Methods, Vol.13, No.1, pp. 99-113. CR - Schaeffer, R.L. (1986). Alternative estimators in logistic regression when the data are collinear. J. Statist. Comput. Simul., Vol. 25, pp. 75-91. CR - Urgan, N.N. (2007). Lojistik Regresyonda Bazı Yanlı Kestiricilerin İncelenmesi. Doktora tezi. Dicle Üniversitesi, Fen Bilimleri Enstitüsü. UR - https://dergipark.org.tr/en/pub/jssa/issue//123845 L1 - https://dergipark.org.tr/en/download/article-file/105632 ER -