REGRESSION MODELS USED FOR DIFFERENT DATA STRUCTURES

Yıl 2013, Cilt: 28 Sayı: 3, 168 - 174, 05.10.2013

Arzu Arı Hasan Onder

https://doi.org/10.7161/anajas.2013.28.3.168

Cited By: 22

Öz

Regression can be expressed as a function between interested response variable and explanatory variables thought to be related on response. Functional form of the relationship between the explanatory variables and response variable described as regression model. The regression model must be chosen according to the data structure. If the chosen model is wrong, it leads to erroneous results. In this review, regression methods were examined to determine which regression models such as; linear regression, logistic regression, negative binomial regression, poisson regression, principal components regression, probit regression, ridge regression and Cox regression, is suitable for different data structure. 

Anahtar Kelimeler

Regression, Linear regression, Nonlinear regressions

FARKLI VERİ YAPILARINDA KULLANILABİLECEK REGRESYON YÖNTEMLERİ

Öz

Regresyon, üzerinde durulan yanıt değişkeni ile ilişkili olabileceği düşünülen açıklayıcı değişkenlerin bir fonksiyonu olarak ifade edilmektedir. Değişkenler arasındaki ilişkinin fonksiyonel şekli regresyon modelleri ile incelenmektedir. Kullanılması gereken regresyon modeli verinin yapısına göre farklılık göstermekte ve yanlış model kullanılması hatalı sonuçların elde edilmesine neden olabilmektedir. Bu derlemede regresyon modellerinden; doğrusal regresyon, lojistik regresyon, negatif binom regresyon, poisson regresyon, temel bileşenler regresyonu, probit regresyon, ridge regresyon, Cox regresyon modellerinin hangi durumlarda kullanılabileceği incelenmiştir.

Anahtar Kelimeler

Regresyon, Doğrusal regresyon, Doğrusal olmayan regresyonlar

Kaynakça

• Aktaş, A., Saraçbaşı,O., 2005. Negatif Binom Regresyon Modeli, VIII. Ulusal Biyoistatistik Kongresi, 20-22 Eylül 2005, Bursa, 124 – 129.
• Albayrak, A. S. 2006. Uygulamalı Çok Değişkenli İstatistik Teknikleri, Asil Yayın Dağıtım Ltd. Şti.
• Albayrak, A.S. 2011. Çoklu Doğrusal Bağlantı Halinde Enküçük Kareler Tekniğinin Alternatifi Yanlı Tahmin Teknikleri Ve Bir Uygulama. sbd.karaelmas.edu.tr/makaleler/13039245/200501001105126.pdf. Erişim Tarihi: 27.04.2011.
• Al-Hassan, Y.M., Al-Kassab, M. M., 2009. A Monte Carlo Comparison between Ridge and Principal Components Regression Methods. Applied Mathematical Sciences, 3(42), 2085 – 2098.
• Alma, G.Ö., Vupa, Ö., 2008. Regresyon Analizinde Kullanılan En Küçük Kareler Ve En Küçük Medyan Kareler Yöntemlerinin Karşılaştırılması. SDÜ Fen Edebiyat Fakültesi Fen Dergisi (E-Dergi). 2008, 3(2) 219-2
• Aswani, A., Bickel, P., Tomlin, C., 2011. Regression on Manifolds: Estimation of the Exterior Derivative. Ann. Statist. 39(1), 48 – 81.
• Ata, N., Karasoy, D., Sözer, M.T. 2007. Orantısız Hazardlar İçin Tabakalandırılmış Cox Regresyon Modeli ve Meme Kanseri Hastaları Üzerine Bir Uygulama. Türkiye Klinikleri J Med Sci, s. 28.
• Bek, Y., 2009. R Programında Doz-Yanıt Uygulamaları Çalıştayı Dinleyici Notları. 27 – 29 Mayıs 2009, Samsun.
• Bircan, H. 2004. Lojistik Regresyon Analizi: Tıp Verileri Üzerine Bir Uygulama. Kocaeli Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 2004 / 2 : 185-208.
• Bulut, E., Alın, A., 2009. Kısmi En Küçük Kareler Regresyon Yöntemi Algoritmalarından Nipals ve PLS Kernel Algoritmalarının Karşılaştırılması ve Bir Uygulama. Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 24(2), 127 – 138.
• Chen, M., Ibrahim, J.G., Shao, Q., 2009. Maximum Likelihood İnference for the Cox Regression Model with Applications to Missing Covariates. Journal of Multivariate Analysis 100, 2018 – 2030.
• Cox, R., 1983. Some Remarks on Overdispersion. Biometrika,70: 269-274.
• Deniz, Ö. 2005. Poısson Regresyon Analizi. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi Yıl:4 Sayı:7 Bahar 2005/1 S. 59-72.
• Damodar, N. 2001. Temel Ekonometri, 2. Basım, İstanbul: Literatür Yayıncılık, s.192.
• Demaris, A., 2004. Regression with Social Data : Modeling Continuous and Limited Response Variables. John Wiley & Sons, Inc. Hoboken, New Jersey.
• Freese, J. and Long, J.S., 2006. Regression Models for Categorical Dependent Variables Using. Stata. College Station: Stata Pres.
• Frome, E.D., Kutner, M.H., Beauchamp, J.J., 1973. Regression Analysis of Poisson- Distributed Data. Journal of American Statistical Association, 68(344): 935-9
• Hadayeghi, A., 2002. Accident Prediction Models for Safety Evaluation of Urban Safety Transportation, Yüksek Lisans Tezi, Toronto Üniversitesi İnşaat Mühendisliği Bölümü, Kanada.
• İpek, O. 2011. Rıdge Regresyon Üzerine Bir Çalışma. idari.cu.edu.tr/sempozyum/bil28.htm Erişim Tarihi: 002011.
• Çizelge 1. Model seçimi için karar mekanizması Yöntem Histogram grafiği Do ğrusal regresyon Poisson Negatif binom Loj ist ik ve Probit Cox Karadavut, U., Genç, A., Tozluca, A., Kınacı, İ., Aksoyak, Ş., Palta, Ç., Pekgör, A. 2005. Nohut (Cicer Arietinum L.) Bitkisinde Verime Etki Eden Bazı Karakterlerin Alternatif Regresyon Yöntemleriyle Karşılaştırılması. Tarım Bilimleri Dergisi 2005, 11 (3) 328-333.
• Kleinbaum, D. G., Kupper, L. L., Muller, K. E., Nizam, A., 1998, Applied Regression Analysis and Other Multivariable Methods, 798, Duxbury Press, 511 Forest Lodge Road Pacific Grove, CA 93950 USA.
• Kulendran, N., Wong, K.K.F., 2011. Determinants versus Composite Leading Indicators in Predicting Turning Points in Growth Cycle. Journal of Travel Research, 50(4), 417 – 430.
• Kutner, M. H., Nachtsheim, C. J., Neter, J. ve Li, W., 2005. Applied Linear Statistical Models. McGraw-Hill Irwin Companies inc. New York.
• Laubender, R.P., Bender, R., 2010. Estimating Adjusted Risk Difference (RD) and Number Needed to Treat (NNT) Measures in the Cox Regression Model. Statist. Med. 29, 851 – 859.
• Liu, M., Lu, W., Shore, R.E., Zeleniuch-Jacquotte, A., 2010. Cox Regression Model with Time-Varying Coefficients in Nested Case–Control Studies. Biostatistics, 11 (4), 693 – 706.
• MacKinnon, D.P., Lockwood, C.M., Brown, C.H., Wang, W., Hoffman, J.M., 2007. The Intermediate Endpoint Effect in Logistic and Probit Regression. Clinical Trials, 4, 499 – 513.
• Okur, S. 2009. Parametrik Ve Parametrik Olmayan Doğrusal Regresyon Analiz Yöntemlerinin Karşılaştırmalı Olarak İncelenmesi. Çukurova Üniversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tez, Adana.
• Orhunbilge, N. 2002. Uygulamalı Regresyon Ve Korelasyon Analizi, İ.Ü. İşletme Fakültesi Yayınları, İstanbul.
• Önder, H., Cebeci, Z., 2002. Lojistik Regresyonlarda Değişken Seçimi. Çukurova Üniv. Ziraat Fakültesi Dergisi, 17(2),105–114.
• Özarıcı, Ö. 1996. Farklı Not Sistemlerinde Öğrencinin Başarılı Olma Olasılığının Probit Regresyon Analiziyle Değerlendirilmesi, Osmangazi Üniversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi.
• Özdamar, K. 2001.SPSS ile Biyoistatistik, Kaan Kitabevi, Eskişehir.
• Özkan, K. 2009. Toprağın Tarla Kapasitesi Değişiminin Toprak Türüne Göre Temel Bileşenler Regresyon Analizi İle Modellenmesi Süleyman Demirel Üniversitesi Orman Fakültesi Dergisi Seri: A, Sayı: 2, Issn: 1302-7085, Sayfa: 1-9.
• Pamukçu, E., Çolak, C., Çalık, S., Kuzu, Z., 2010. Sistolik Kan Basıncının Tahmininde Yanlı Regresyon Yöntemlerinin Kullanılması. Journal of Inonu University Medical Faculty, 17(4), 347 – 353.
• Polat, E. 2009. Kısmi En Küçük Kareler Regresyonu. Hacettepe Üniversitesi, Fen bilimleri Enstitüsü, Yüksek Lisans Tezi.
• SAS, 2005. SAS/STAT Software:Hangen and Enhanced. SAS, Inst. Inc., USA.
• Selim, S. 2003. Sayma Veri Modelleri İle Çocuk Sayısı Belirleyicileri: Türkiye’deki Seçilmiş İller İçin Sosyoekonomik Analizler. D.E.Ü.İ.İ.B.F.Dergisi Cilt:18 Sayı:2, Ss:13-31.
• Topcu, Y. 2008. Çiftçilerin Tarımsal Destekleme Politikalarından Faydalanma İstekliliğinde Etkili Faktörlerin Analizi: Erzurum İli Örneği. Akdeniz Üniversitesi Ziraat Fakültesi Dergisi, 21(2), 205–212. URL 1 : http://www.oxfordjournals.org/our_journals/tropej/onlin e/ma_chap13.pdf. Poisson Regression Analysis (Erişim Tarihi: 01.05.2011). URL 2 : http://theclimatescepticsparty.blogspot.com/2011/08/nzc limate-truth-newsletter-no-273.html (Erişim Tarihi: 02012). URL 3 : http://www.ats.ucla.edu/stat/r/dae/zipoisson.htm (Erişim Tarihi: 10.01.2012). URL 4 : http://www.philender.com/courses/categorical/notes1/tru nc0.html (Erişim Tarihi: 10.01.2012). URL 5 : http://archimede.bibl.ulaval.ca/archimede/fichiers/23662
• /ch0html (Erişim Tarihi: 10.01.2012).
• Ürük, E. , 2007. İstatistiksel Uygulamalarda Lojistik Regresyon Analizi. Marmara Vural, A. 2007. Aykırı
• Değerlerin Regresyon Modellerine Etkileri ve Sağlam Kestiriciler. Marmara Üniversitesi Sosyal Bilimler Enstitüsü, Yüksek Lisans Tezi, İstanbul. Vural, A. 2007. Aykırı Değerlerin Regresyon Modellerine
• Etkileri ve Sağlam Kestiriciler. Marmara Üniversitesi Sosyal Bilimler Enstitüsü, Yüksek Lisans Tezi, İstanbul. Weisberg, S., 2005. Applied Linear Regression. John Wiley
• & Sons, Inc. Hoboken, New Jersey. Yay, M., Çöker, E., Uysal, Ö. 2007. Yaflam Analizinde Cox
• Regresyon Modeli ve Artıkların İncelenmesi. Cerrahpaşa Tıp Dergisi, 38:139-145, ISSN: 1300-5227.
• Yıldırım, N., 2010. En Küçük Kareler, Ridge Regresyon Ve Robust Regresyon Yöntemlerinde Analiz Sonuçlarına
• Aykırı Değerlerin Etkilerinin Belirlenmesi. Çukurova Üniversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tez, Adana.