Regresyon Analizi

210 questions

Bir kamu kurumunda, illere yapılan kamu yatırımları ( $X$ ) ile bölgesel gelişmişlik endeksi ( $Y$ ) arasındaki ilişkiyi belirlemek amacıyla $22$ ilin verileri kullanılarak basit doğrusal regresyon analizi yapılmıştır. Analiz sonucunda elde edilen varyans analizi (ANOVA) tablosunun bir kısmı aşağıda verilmiştir:

Varyans Kaynağı	Serbestlik Derecesi ( $sd$ )	Kareler Toplamı ( $KT$ )
Regresyon	$1$	$400$
Hata (Artık)	$?$	$100$
Genel	$?$	$500$

Bu bilgilere göre, tahmin edilen regresyon modeline ilişkin belirleme katsayısı ( $R^2$ ) değeri aşağıdakilerden hangisidir?

0,20

0,25

0,50

0,80

1,25

Show answer & explanation

Answer: 0,80

Answer

Modelin belirleme katsayısı (

R^2

) 0,80 olarak hesaplanır.

Doğru cevapta belirtilen değer, Regresyon Kareler Toplamının (

400

) Genel Kareler Toplamına (

500

) oranlanmasıyla elde edilir. Bu oran, bölgesel gelişmişlik endeksindeki değişimin %80'inin kamu yatırımları değişkeni tarafından açıklandığını ifade eder.

Step-by-Step Solution

Belirleme katsayısı (

R^2

) formülü tanımlanır.

R^2 = \frac{RKT}{GKT}

Belirleme katsayısı, bağımlı değişkendeki toplam değişimin model tarafından açıklanan kısmının oranını gösterir.

Tablodan ilgili değerler seçilir.

RKT = 400

GKT = 500

Regresyon Kareler Toplamı (

RKT

) paya, Genel Kareler Toplamı (

GKT

) paydaya yerleştirilir.

Hesaplama yapılır.

R^2 = \frac{400}{500} = 0,80

İki değerin oranlanmasıyla modelin açıklayıcılık gücü bulunur.

Key Concept

Belirleme katsayısı (

R^2

), regresyon modelinin verilere uyum iyiliğini ölçen ve

0

ile

1

arasında değer alan bir istatistiktir.

Practice More

Bu verileri kullanarak modelin F-istatistiğini hesaplamayı deneyebilirsiniz.

Estimated Time:45s

Question 162Question →

Zaman serisi verileriyle yapılan regresyon analizlerinde hata terimleri arasındaki otokorelasyonun tespiti için yaygın olarak kullanılan Durbin-Watson ( $d$ ) istatistiğinin alabileceği değerlerin teorik aralığı aşağıdakilerden hangisidir?

0 \leq d \leq 4

-1 \leq d \leq 1

0 \leq d \leq 1

-2 \leq d \leq 2

1 \leq d \leq 3

Show answer & explanation

Answer: $0 \leq d \leq 4$

Answer

Durbin-Watson (

d

) istatistiği teorik olarak

0

ile

4

arasında değer alır.

Durbin-Watson (

d

) istatistiği, hata terimleri arasındaki birinci dereceden otokorelasyon katsayısı (

\rho

) ile doğrudan ilişkilidir ve yaklaşık olarak

d \approx 2(1-\rho)

şeklinde hesaplanır. Korelasyon katsayısı

-1

ile

+1

arasında değer alabildiğine göre,

\rho = 1

olduğunda

d = 0

\rho = -1

olduğunda ise

d = 4

değerine ulaşılır. Bu durum istatistiğin

0

ile

4

arasında bir değer almasını zorunlu kılar.

Step-by-Step Solution

Durbin-Watson istatistiği ile otokorelasyon katsayısı (

\rho

) arasındaki temel matematiksel ilişkiyi belirleyin.

d \approx 2(1-\rho)

İstatistiğin hangi sınırlar içerisinde hareket edeceğini anlamak için bu yaklaşık ilişki kullanılır.

Korelasyon katsayısının (

\rho

) alabileceği uç değerleri formülde yerine koyun.

\rho = 1

(mükemmel pozitif) için

d = 2(1-1) = 0

;

\rho = -1

(mükemmel negatif) için

d = 2(1-(-1)) = 4

;

\rho = 0

(otokorelasyon yok) için

d = 2(1-0) = 2

Uç durumlar, istatistiğin alabileceği minimum ve maksimum değerleri ortaya çıkarır.

Elde edilen sınır değerleri bir aralık olarak ifade edin.

0 \leq d \leq 4

Tüm olası

\rho

değerleri için

d

istatistiği bu kapalı aralıkta kalmaktadır.

Key Concept

Durbin-Watson İstatistiği Özellikleri

Estimated Time:45s

Question 163Question →

Basit doğrusal regresyon analizinde, farklı gözlemlere ( $i \neq j$ ) ait hata terimleri ( $u_i, u_j$ ) arasında herhangi bir sistematik ilişkinin bulunmadığını, yani hata terimleri arasındaki kovaryansın sıfır olduğunu ifade eden temel varsayım aşağıdakilerden hangisidir?

Otokorelasyonun (öz ilinti) bulunmaması

Sabit varyans (homoskedasite) varsayımı

Hata terimlerinin normal dağılımı

Modelin parametrelere göre doğrusal olması

Çoklu doğrusal bağlantının bulunmaması

Show answer & explanation

Answer: Otokorelasyonun (öz ilinti) bulunmaması

Answer

Farklı gözlemlere ait hata terimleri arasında sistematik bir ilişkinin bulunmaması 'Otokorelasyonun bulunmaması' varsayımıdır.

Otokorelasyonun bulunmaması varsayımı, regresyon modelinde hata terimlerinin birbirinden bağımsız olduğunu ve bir gözlemdeki hatanın diğer gözlemlere dair herhangi bir bilgi taşımadığını ifade eder. Matematiksel olarak bu durum

Cov(u_i, u_j) = 0

(

i \neq j

) şeklinde gösterilir.

Step-by-Step Solution

Modelin hata terimi yapısını analiz etme

u_i

u_j

terimlerinin birbirinden bağımsızlığı incelenmelidir.

Regresyon modelinde her bir gözlemin hatasının diğerlerinden bağımsız olması temel bir gerekliliktir.

Kovaryans koşulunu değerlendirme

Cov(u_i, u_j) = 0

koşulu hata terimleri arasında doğrusal bir bağ olmadığını gösterir.

İstatistiksel olarak kovaryansın sıfır olması, değişkenler (bu durumda hatalar) arasında doğrusal bir ilişki bulunmadığı anlamına gelir.

Kavramsal terminolojiyi eşleştirme

Gözlemler arası bu bağımsızlık durumu literatürde 'otokorelasyonun yokluğu' olarak adlandırılır.

Özellikle zaman serisi veya ardışık verilerde bu varsayımın ihlali 'otokorelasyon sorunu' olarak bilinir.

Key Concept

Hata terimlerinin bağımsızlığı (Otokorelasyon yokluğu)

Practice More

Otokorelasyonun varlığı durumunda EKK tahmin edicilerinin tarafsızlık ve varyans özelliklerinin nasıl etkilendiğini inceleyebilirsiniz.

Estimated Time:45s

Question 164Question →

Zaman serisi verileri kullanılarak tahmin edilen bir doğrusal regresyon modelinde, hata terimleri ( $u_t$ ) arasında ardışık bir bağımlılık (ilişki) olup olmadığını belirlemek için yaygın olarak kullanılan test istatistiği aşağıdakilerden hangisidir?

Durbin-Watson testi

White testi

Jarque-Bera testi

Goldfeld-Quandt testi

Varyans Şişirme Faktörü (VIF)

Show answer & explanation

Answer: Durbin-Watson testi

Answer

Hata terimleri arasındaki ardışık bağımlılığı (otokorelasyon) test etmek için Durbin-Watson testi kullanılır.

Durbin-Watson testi, regresyon modelinin artıklarını (hata terimi tahminlerini) kullanarak ardışık gözlemler arasındaki bağımlılığı ölçen standart bir istatistiksel araçtır.

Step-by-Step Solution

Sorunun kapsamını belirleme

Zaman serisi analizi ve hata terimleri arasındaki ilişki (otokorelasyon) tespiti.

Zaman serisi verilerinde gözlemlerin zaman içindeki sıralaması, hata terimlerinin birbirini etkilemesine neden olabilir.

İstatistiksel testleri karşılaştırma

Otokorelasyon tespiti için Durbin-Watson (

d

) istatistiği birincil araçtır.

Ekonometri literatüründe birinci dereceden otokorelasyonu

[AR(1)]

test etmek için en yaygın kabul gören yöntemdir.

Key Concept

Otokorelasyon Tespiti

Question 165Question →

Bir ziraat mühendisi, belirli bir bölgedeki gübre kullanım miktarı ( $X$ ) ile buğday verimi ( $Y$ ) arasındaki ilişkiyi basit doğrusal regresyon modeli ile analiz etmiştir. Yapılan varyans analizi (ANOVA) sonucunda elde edilen kareler toplamı değerleri aşağıdaki tabloda verilmiştir:

Varyans Kaynağı	Kareler Toplamı (KT)
Regresyon ( $SSR$ )	$320$
Hata / Artık ( $SSE$ )	$80$
Toplam ( $SST$ )	?

Buna göre, bağımlı değişkendeki toplam değişimin bağımsız değişken tarafından açıklanan kısmını gösteren belirleme katsayısı ( $R^2$ ) değeri aşağıdakilerden hangisidir?

0,20

0,25

0,40

0,75

0,80

Show answer & explanation

Answer: 0,80

Answer

Belirleme katsayısı (

R^2

) değeri 0,80 olarak hesaplanır.

Verilen değerlere göre toplam değişim

320 + 80 = 400

birimdir. Belirleme katsayısı, açıklanan değişimin (

320

) bu toplam değişime (

400

) oranı olduğu için

320 / 400 = 0,80

sonucu doğrudur.

Step-by-Step Solution

Toplam Kareler Toplamının (

SST

) hesaplanması

SST = SSR + SSE = 320 + 80 = 400

Regresyonda varyans analizinin temel özdeşliği gereği toplam değişim, açıklanan (regresyon) ve açıklanamayan (hata) kısımların toplamına eşittir.

Belirleme katsayısının (

R^2

) hesaplanması

R^2 = \frac{SSR}{SST} = \frac{320}{400} = 0,80

Belirleme katsayısı, bağımlı değişkendeki toplam değişimin regresyon modeli (bağımsız değişken) tarafından ne kadarının açıklandığını gösteren orandır.

Key Concept

Belirleme katsayısı (

R^2

), basit doğrusal regresyonda açıklanan kareler toplamının toplam kareler toplamına oranıdır.

Alternative Method

R^2

değeri

1 - (SSE / SST)

formülü ile de hesaplanabilir:

1 - (80 / 400) = 1 - 0,20 = 0,80

Estimated Time:45s

Question 166Question →

Bir araştırmacı, $n = 50$ gözlemden oluşan bir veri setiyle kurduğu çoklu doğrusal regresyon modeline, bağımlı değişkenle doğrusal bir ilişkisi bulunmayan (etkisiz) yeni bir bağımsız değişken dahil etmiştir. Bu işlem sonucunda modelin belirleme katsayısı ( $R^2$ ) ve düzeltilmiş belirleme katsayısı ( $\bar{R}^2$ ) değerlerinde meydana gelmesi beklenen değişim ile ilgili aşağıdaki ifadelerden hangisi doğrudur?

Belirleme katsayısı (

R^2

) artar veya değişmez; düzeltilmiş belirleme katsayısı (

\bar{R}^2

) ise azalır.

Her iki katsayı da modeldeki değişken sayısı arttığı için mutlaka değerce artış gösterir.

Belirleme katsayısı (

R^2

) azalırken düzeltilmiş belirleme katsayısı (

\bar{R}^2

) artar.

Her iki katsayı da gözlem sayısı sabit kalıp değişken sayısı arttığı için mutlaka azalma gösterir.

Değişken eklenmesi her iki katsayıyı da etkilemez çünkü sadece örneklem hacmi önemlidir.

Show answer & explanation

Answer: Belirleme katsayısı ( $R^2$ ) artar veya değişmez; düzeltilmiş belirleme katsayısı ( $\bar{R}^2$ ) ise azalır.

Answer

Belirleme katsayısının (

R^2

) artması veya değişmemesi, düzeltilmiş belirleme katsayısının (

\bar{R}^2

) ise azalması beklenir.

Çoklu regresyonda belirleme katsayısı (

R^2

), modele eklenen her yeni değişkenle birlikte (değişken tamamen anlamsız olsa bile) artış gösterir veya sabit kalır. Ancak düzeltilmiş belirleme katsayısı (

\bar{R}^2

), serbestlik derecesini dikkate alır. Eğer eklenen değişken bağımlı değişkeni açıklamada yeterli katkıyı sağlamazsa, formüldeki değişken sayısı (

k

) artışının getirdiği 'ceza' etkisi nedeniyle

\bar{R}^2

değeri düşer. Bu durum, anlamsız değişkenlerin modele eklenmesini önlemek için bir kriter olarak kullanılır.

Step-by-Step Solution

Belirleme katsayısının (

R^2

) özelliğini hatırla

R^2

katsayısı, modele eklenen değişkenin kalitesine bakmaksızın matematiksel olarak azalmaz.

Yeni bir değişken eklemek, modelin açıklanan kareler toplamını (

SSR

) artırabilir veya aynı bırakabilir ancak asla azaltmaz.

Düzeltilmiş belirleme katsayısının (

\bar{R}^2

) formülünü analiz et

\bar{R}^2 = 1 - (1 - R^2) \frac{n-1}{n-k-1}

Formülde görüldüğü üzere

k

(değişken sayısı) arttıkça ceza terimi olan

\frac{n-1}{n-k-1}

büyür.

Değişkenin etkisiz olma durumunu değerlendir

R^2

katsayısındaki artış,

k

sayısındaki artıştan kaynaklanan cezayı karşılayamazsa

\bar{R}^2

azalır.

Soruda değişkenin 'etkisiz' olduğu belirtildiği için modelin açıklama gücündeki artış çok küçük kalacak ve serbestlik derecesi kaybı baskın gelecektir.

Key Concept

Düzeltilmiş R-kare'nin modele eklenen anlamsız değişkenlere karşı duyarlılığı

Question 167Question →

Bir üniversitedeki öğrencilerin haftalık kütüphane kullanım sürelerini ( $Y$ , saat) incelemek amacıyla bir regresyon modeli kurulmuştur. Modelde öğrencilerin öğrenim düzeyi bir kukla değişken ( $D$ ) olarak tanımlanmış; lisansüstü öğrenciler için $D = 1$ , lisans öğrencileri için $D = 0$ değeri verilmiştir.

Tahmin edilen regresyon denklemi şu şekildedir:

\hat{Y} = 12 + 5D

Bu modele göre, lisansüstü öğrencilerin haftalık ortalama kütüphane kullanım süresi tahmini kaç saattir?

Show answer & explanation

Answer: 17

Answer

Lisansüstü öğrencilerin haftalık ortalama kütüphane kullanım süresi tahmini 17 saattir.

Verilen modelde

D=1

lisansüstü öğrencileri temsil etmektedir. Denklemde

D

yerine

1

yazıldığında

\hat{Y} = 12 + 5(1) = 17

sonucu elde edilir. Bu değer, lisansüstü öğrencilerin beklenen ortalama kütüphane kullanım süresidir.

Step-by-Step Solution

Kukla değişkenin hangi grup için hangi değeri aldığını belirlemek.

Lisansüstü öğrenciler için

D = 1

olarak verilmiştir.

Soruda lisansüstü öğrencilerin ortalaması sorulduğu için ilgili değişken değeri denklemde yerine yazılmalıdır.

Belirlenen değeri tahmin denkleminde yerine koymak.

\hat{Y} = 12 + 5(1)

Model parametreleri kullanılarak spesifik bir grup için beklenen değer hesaplanır.

Matematiksel işlemi tamamlamak.

\hat{Y} = 12 + 5 = 17

Kesme noktası (baz grup ortalaması) ile kukla değişken katsayısının (farkın) toplamı hedef grubun ortalamasını verir.

Key Concept

Kukla değişkenli regresyonda, katsayı (

\\beta_1

), kukla değişkenin 1 değerini aldığı grubun, 0 değerini alan baz gruptan olan ortalama farkını gösterir.

Hints

Denklemde

D

yerine hangi sayısal değeri koymanız gerektiğini belirleyin.

Lisansüstü öğrenciler için

D=1

bilgisini kullanarak denklemi yeniden yazın.

Referans grubun ortalaması olan 12'ye, gruplar arasındaki fark olan 5'i ekleyin.

Practice More

Modelde

D=0

verildiğinde sonucun neyi temsil ettiğini düşünerek referans grup kavramını pekiştirin.

Estimated Time:45s

Question 168Question →

Çoklu doğrusal regresyon analizinde, modele yeni bağımsız değişkenler eklendiğinde belirleme katsayısının ( $R^2$ ) matematiksel olarak hiçbir zaman azalmaması ve genellikle artma eğiliminde olması, farklı sayıda değişken içeren modellerin karşılaştırılmasını zorlaştırmaktadır. Bu durumu kontrol altına almak ve modelleri daha sağlıklı bir şekilde kıyaslayabilmek amacıyla kullanılan istatistik aşağıdakilerden hangisidir?

Düzeltilmiş belirleme katsayısı (

\bar{R}^2

)

Belirleme katsayısı (

R^2

)

Varyans şişme faktörü (VIF)

Durbin-Watson istatistiği

Hata kareler toplamı (HKT)

Show answer & explanation

Answer: Düzeltilmiş belirleme katsayısı ( $\bar{R}^2$ )

Answer

Düzeltilmiş belirleme katsayısı (

\bar{R}^2

)

Düzeltilmiş belirleme katsayısı, modeldeki bağımsız değişken sayısını (p) ve örneklem hacmini (n) dikkate alan bir serbestlik derecesi düzeltmesi yapar. Bu sayede modele eklenen gereksiz değişkenler için bir 'ceza' uygulanmış olur ve farklı karmaşıklıktaki modellerin birbirleriyle adil bir şekilde karşılaştırılmasına olanak tanır.

Step-by-Step Solution

Regresyon modellerinde

R^2

\bar{R}^2

arasındaki farkı belirle.

R^2

değişken sayısı arttıkça artarken,

\bar{R}^2

serbestlik derecesine göre düzeltme yapar.

Model karşılaştırmasında değişken sayısının 'ceza' olarak modele yansıtılması gerekir.

Düzeltilmiş belirleme katsayısının formülünü incele.

\bar{R}^2 = 1 - (1 - R^2) \frac{n-1}{n-p-1}

formülünde

p

(değişken sayısı) arttıkça payda küçülür.

Anlamsız değişken eklenmesi

\bar{R}^2

değerinin düşmesine neden olabilir, bu da model seçimi için bir kriter sunar.

Key Concept

Modeller arası karşılaştırmada düzeltilmiş belirleme katsayısının kullanımı

Practice More

AIC ve BIC gibi bilgi kriterlerinin (Information Criteria) hangi durumlarda düzeltilmiş R-kare'ye tercih edildiğini inceleyebilirsiniz.

Estimated Time:45s

Question 169Question →

Çoklu doğrusal regresyon analizinde bağımsız değişkenler arasında yüksek dereceli doğrusal bir ilişkinin bulunması (çoklu doğrusal bağlantı sorunu) durumunda, En Küçük Kareler (EKK) tahmin edicilerinin özellikleri ile ilgili aşağıdaki ifadelerden hangisi doğrudur?

Parametre tahmin edicileri sapmasızdır ancak varyansları büyür.

Parametre tahmin edicileri sapmalı (biased) hale gelir.

Parametre tahmin edicilerinin standart hataları küçülür.

Parametre tahmin edicileri tutarsız (inconsistent) hale gelir.

Tahmin edicilerin varyansları minimum kalmaya devam eder.

Show answer & explanation

Answer: Parametre tahmin edicileri sapmasızdır ancak varyansları büyür.

Answer

Çoklu doğrusal bağlantı durumunda parametre tahmin edicileri sapmasız kalmaya devam eder ancak varyansları ve standart hataları büyür.

Çoklu doğrusal bağlantı durumunda parametre tahmin edicileri sapmasız kalmaya devam eder (unbiased). Ancak değişkenler arasındaki bilgi örtüşmesi nedeniyle varyanslar ve standart hatalar büyür, bu da

t

istatistiklerinin küçülmesine ve katsayıların anlamsız görünmesine neden olur. Bu durum tahmin edicilerin artık etkin (efficient) olmadığını gösterir.

Step-by-Step Solution

Çoklu doğrusal bağlantının tanımını ve EKK üzerindeki etkisini hatırla.

Çoklu doğrusal bağlantı, bağımsız değişkenler arasındaki yüksek korelasyondur.

Bu durum, Gauss-Markov varsayımlarından biri olan 'bağımsız değişkenler arasında tam doğrusal bağlantı olmaması' varsayımının ihlali değil, verinin kalitesi ile ilgili bir sorundur.

EKK tahmin edicilerinin sapmasızlık ve varyans özelliklerini değerlendir.

EKK tahmin edicileri hala sapmasızdır (

E[\hat{\beta}] = \beta

), ancak 'En İyi' (minimum varyanslı) olma özelliğini kaybederler.

Çoklu doğrusal bağlantı varlığında matris işlemleri sırasında determinant sıfıra yaklaştığı için parametre varyansları (

VIF

ile orantılı olarak) hızla artar.

Key Concept

Sapmasızlık ve Etkinlik Ayrımı

Hints

Çoklu doğrusal bağlantının tahmin edicinin merkezi (sapmasızlık) mi yoksa yayılımı (varyans) üzerinde mi etkili olduğunu düşünün.

Practice More

Varyans Şişirme Faktörü (

VIF

) ve Tolerans (

Tolerance

) arasındaki matematiksel ilişkiyi incelemek konuyu pekiştirecektir.

Estimated Time:45s

Question 170Question →

Çoklu doğrusal regresyon analizinde, bağımsız değişkenler arasında yüksek dereceli doğrusal bir ilişkinin bulunması (çoklu doğrusal bağlantı) durumunda, En Küçük Kareler ( $EKK$ ) tahmin edicilerinin istatistiksel özellikleri ile ilgili aşağıdakilerden hangisi doğrudur?

Parametre tahmin edicileri sapmasız kalmaya devam eder ancak varyansları büyüdüğü için etkinliklerini kaybederler.

Bağımsız değişkenler arasındaki doğrusal ilişki, parametre tahmin edicilerinin sapmalı (

biased

) hale gelmesine neden olur.

Çoklu doğrusal bağlantı sorunu olan bir modelde hata terimlerinin varyansı artık sabit (

homoscedastic

) değildir.

Tolerans değerinin

1

olması, modelde çok yüksek dereceli bir çoklu doğrusal bağlantı sorunu olduğunu gösterir.

Tahmin ediciler her zaman tutarsız (

inconsistent

) hale gelir ve örneklem hacmi artsa da gerçek değerlere yaklaşmazlar.

Show answer & explanation

Answer: Parametre tahmin edicileri sapmasız kalmaya devam eder ancak varyansları büyüdüğü için etkinliklerini kaybederler.

Answer

Parametre tahmin edicilerinin sapmasız kalmaya devam ettiği ancak varyanslarının büyümesi nedeniyle etkinliklerini kaybettiği ifade doğrudur.

Çoklu doğrusal bağlantı sorunu durumunda, En Küçük Kareler (

EKK

) tahmin edicileri hala sapmasızdır; yani parametrelerin beklenen değeri gerçek değerlerine eşittir. Ancak bu tahmin edicilerin varyansları çok büyük olduğu için tahminlerin hassasiyeti azalır ve bu durum istatistiksel literatürde 'etkinlik kaybı' olarak adlandırılır.

Step-by-Step Solution

Çoklu doğrusal bağlantının tahmin ediciler üzerindeki temel etkisini hatırla.

Çoklu doğrusal bağlantı bir veri sorunudur ve Gauss-Markov varsayımlarından biri olan 'bağımsız değişkenler arasında tam doğrusal ilişki yoktur' varsayımının ihlalidir.

Sorunun hangi istatistiksel özelliği etkilediğini belirlemek için gereklidir.

EKK tahmin edicilerinin özelliklerini (BLUE) bu ihlal altında değerlendir.

Bağlantı 'tam' (perfect) olmadığı sürece,

EKK

tahmin edicileri hala En İyi Doğrusal Sapmasız Tahmin Ediciler (

BLUE

) olma özelliğini korur. Yani hala sapmasızdırlar.

Sapmasızlık özelliğinin korunup korunmadığını teyit etmek için gereklidir.

Varyans ve etkinlik durumunu analiz et.

Değişkenler arası ilişki arttıkça, parametre varyansları şişer (

VIF

artar). Bu durum, güven aralıklarının genişlemesine ve

t

testlerinin anlamsız çıkmasına (verimsizliğe) yol açar.

Tahmin edicilerin 'etkinlik' durumunu açıklamak için gereklidir.

Key Concept

Çoklu Doğrusal Bağlantının Sonuçları

Hints

EKK

tahmin edicilerinin Gauss-Markov teoremindeki 'sapmasızlık' özelliğinin hangi durumlarda korunduğunu düşünün.

Estimated Time:45s

Question 171Question →

Bir özel sektör kuruluşunda, yıllık Ar-Ge harcamaları ( $X$ ) ile şirketin net kârlılığı ( $Y$ ) arasındaki ilişki basit doğrusal regresyon analizi ile incelenmiştir. $12$ aylık veriler kullanılarak yapılan analiz sonucunda elde edilen varyans analizi (ANOVA) tablosunun bir kısmı aşağıda sunulmuştur:

Değişim Kaynağı	Kareler Toplamı (KT)
Regresyon ( $RKT$ )	$210$
Hata (Artık) ( $AKT$ )	$90$
Genel ( $GKT$ )	$300$

Buna göre, bu regresyon modeline ait belirleme katsayısı ( $R^2$ ) kaçtır?

0,30

0,67

0,70

0,75

1,42

Show answer & explanation

Answer: $0,70$

Answer

Regresyon modeline ait belirleme katsayısı

0,70

olarak hesaplanır.

Belirleme katsayısı (

R^2

), bağımlı değişkendeki toplam değişkenliğin ne kadarının modeldeki bağımsız değişkenlerce açıklandığını gösteren bir orandır. Basit doğrusal regresyonda bu oran, Regresyon Kareler Toplamı (

RKT

) değerinin Genel Kareler Toplamı (

GKT

) değerine bölünmesiyle bulunur. Verilen tabloda

RKT = 210

GKT = 300

olduğundan,

R^2 = 210 / 300 = 0,70

sonucuna ulaşılır. Bu da Ar-Ge harcamalarının, kârlılıktaki değişimin %70'ini açıkladığı anlamına gelir.

Step-by-Step Solution

Belirleme katsayısı (

R^2

) formülünü belirleme

R^2 = \frac{RKT}{GKT}

veya

R^2 = 1 - \frac{AKT}{GKT}

Belirleme katsayısı, bağımlı değişkendeki toplam değişimin bağımsız değişken tarafından açıklanan yüzdesini gösterir.

Tablodaki değerleri formülde yerine koyma

R^2 = \frac{210}{300}

Regresyon Kareler Toplamı (

RKT

)

210

ve Genel Kareler Toplamı (

GKT

)

300

olarak verilmiştir.

Bölme işlemini gerçekleştirme

R^2 = 0,70

Sadeleştirme yapıldığında

\frac{21}{30}

ifadesi

0,70

sonucunu verir.

Key Concept

Belirleme katsayısı (

R^2

), modelin açıklayıcılık gücünü ölçen ve regresyon varyans analizinden elde edilen temel bir istatistiktir.

Estimated Time:45s

Question 172Question →

Doğrusal bir regresyon modelinde sabit varyans (homoskedasite) varsayımının ihlal edilmesiyle ortaya çıkan değişen varyans (heteroskedasite) sorunu hakkında aşağıdakilerden hangisi yanlıştır?

En Küçük Kareler (EKK) katsayı tahmincileri sapmasızlık (unbiasedness) özelliğini korumaya devam ederler.

Tahminciler artık en küçük varyanslı (etkin) olma özelliğine sahip değildir.

Standart hatalar sapmalı (biased) tahmin edildiği için

t

F

testleri güvenilirliğini yitirir.

Sorunun varlığını tespit etmek için Durbin-Watson testi kullanılır.

White, Park ve Glejser testleri değişen varyansın belirlenmesinde kullanılan yöntemler arasındadır.

Show answer & explanation

Answer: Sorunun varlığını tespit etmek için Durbin-Watson testi kullanılır.

Answer

Durbin-Watson testinin değişen varyans tespiti için kullanıldığı ifadesi yanlıştır; bu test otokorelasyonun tespiti için tasarlanmıştır.

Durbin-Watson testi, regresyon modelinde hata terimleri arasındaki birinci dereceden ardışık bağımlılığı (otokorelasyon) belirlemek için kullanılır. Değişen varyans (heteroskedasite) tespiti için ise White, Park, Glejser, Breusch-Pagan veya Goldfeld-Quandt gibi yöntemlerin kullanılması gerekir. Bu nedenle D seçeneğindeki ifade hatalıdır.

Step-by-Step Solution

Değişen varyansın katsayı tahmincileri üzerindeki etkisini değerlendirin.

EKK tahmincileri sapmasız (unbiased) ve tutarlı (consistent) kalmaya devam eder ancak etkin (efficient) değildir.

Sabit varyans varsayımı sadece etkinlik (minimum varyans) için gereklidir, sapmasızlık için değil.

Hipotez testleri üzerindeki sonuçları inceleyin.

Standart hatalar yanlış (sapmalı) tahmin edildiği için bu hatalara dayanan

t

F

testleri geçersiz hale gelir.

Test istatistiklerinin hesaplanmasında kullanılan varyans formülü artık doğru varyansı temsil etmez.

Tespit yöntemlerini karşılaştırın.

Değişen varyans için White, Park, Glejser veya Goldfeld-Quandt gibi testler kullanılırken; Durbin-Watson testinin otokorelasyon için olduğu belirlenir.

Durbin-Watson testi hata terimlerinin kendisiyle olan ilişkisini ölçer, varyansın sabitliğini ölçmez.

Key Concept

Değişen varyansın (heteroskedasite) teorik sonuçları ve ayırt edici testleri

Estimated Time:45s

Question 173Question →

Basit doğrusal regresyon analizinde, klasik doğrusal regresyon modelinin (KDRM) varsayımlarından biri olan 'bağımsız değişken ( $X$ ) ile hata terimi ( $u$ ) arasında bir ilişki bulunmadığı' (korelasyonun olmadığı) varsayımı matematiksel olarak aşağıdakilerden hangisi ile ifade edilir?

Cov(X_i, u_i) = 0

E(u_i) = 0

Var(u_i) = \sigma^2

Cov(u_i, u_j) = 0

u_i \sim N(0, \sigma^2)

Show answer & explanation

Answer: $Cov(X_i, u_i) = 0$

Answer

Bağımsız değişken ile hata terimi arasındaki ilişkisizlik varsayımı

Cov(X_i, u_i) = 0

şeklinde gösterilir.

Klasik Doğrusal Regresyon Modeli'nin (KDRM) en temel kabullerinden biri, bağımsız değişkenin (

X

) hata terimi (

u

) ile hiçbir ilişkisinin bulunmamasıdır. Matematiksel olarak, iki değişken arasındaki doğrusal ilişkinin yokluğu kovaryanslarının sıfır olması (

Cov(X, u) = 0

) ile ifade edilir. Bu varsayımın ihlali durumunda En Küçük Kareler (EKK) tahmin edicileri yanlı ve tutarsız sonuçlar verir.

Step-by-Step Solution

Soruda istenen kavramsal varsayımı belirleyin.

Bağımsız değişken (

X

) ile hata terimi (

u

) arasında herhangi bir sistematik bağın olmaması varsayımı aranmaktadır.

Bu varsayım, modeldeki katsayı tahminlerinin tarafsız ve tutarlı olması için gereklidir.

İlişkisizliğin istatistiksel sembolünü hatırlayın.

İstatistiksel olarak iki değişken arasında ilişki yoksa bu değişkenlerin kovaryansı sıfırdır.

Kovaryans, iki değişkenin birlikte ne yönde değiştiğini ölçen temel göstergedir.

Seçeneklerdeki matematiksel ifadeleri karşılaştırın.

Cov(X_i, u_i) = 0

ifadesi doğru temsilidir.

Diğer ifadeler hata teriminin dağılımsal özellikleri (ortalama, varyans, normal dağılım) ile ilgilidir.

Key Concept

Bağımsız Değişken ve Hata Terimi İlişkisizliği

Hints

İki değişken arasında doğrusal bir bağ bulunmadığında istatistiksel olarak kovaryans değerinin ne olması gerektiğini düşünün.

Practice More

Regresyon modelindeki diğer hata terimi varsayımlarını (sıfır ortalama, sabit varyans, otokorelasyon yokluğu) listeleyerek her birinin sembolik gösterimini ezberlemek sınavda hız kazandıracaktır.

Estimated Time:45s

Question 174Question →

Çoklu doğrusal regresyon analizinde, mevcut bir modele yeni bir bağımsız değişken dahil edildiğinde belirleme katsayısı ( $R^2$ ) ve düzeltilmiş belirleme katsayısı ( $\bar{R}^2$ ) değerlerinde meydana gelebilecek değişimlerle ilgili aşağıdaki ifadelerden hangisi doğrudur?

Modele eklenen yeni değişkenin bağımlı değişken üzerindeki açıklayıcı gücü çok düşükse,

R^2

değeri artarken

\bar{R}^2

değeri azalabilir.

Modele her yeni değişken eklendiğinde, modelin karmaşıklığı arttığı için hem

R^2

hem de

\bar{R}^2

değerleri her zaman artış gösterir.

Düzeltilmiş belirleme katsayısı (

\bar{R}^2

), her zaman belirleme katsayısından (

R^2

) daha büyük veya ona eşit bir değer alır.

Modele yeni bir değişken eklendiğinde

R^2

değeri azalabilir, ancak

\bar{R}^2

değeri her zaman sabit kalır.

Bağımsız değişken sayısı arttıkça, örneklem büyüklüğünden bağımsız olarak

R^2

\bar{R}^2

değerleri arasındaki fark her zaman azalır.

Show answer & explanation

Answer: Modele eklenen yeni değişkenin bağımlı değişken üzerindeki açıklayıcı gücü çok düşükse, $R^2$ değeri artarken $\bar{R}^2$ değeri azalabilir.

Answer

Modele eklenen yeni değişkenin açıklayıcı gücü düşük olduğunda, belirleme katsayısının artmasına karşın düzeltilmiş belirleme katsayısının azalabileceğini belirten ifade doğrudur.

Doğru cevap, modele eklenen yeni değişkenin bağımlı değişkeni açıklama gücü yeterli değilse, serbestlik derecesindeki kaybın düzeltilmiş belirleme katsayısını aşağı çekeceğini, ancak standart belirleme katsayısının her zaman artacağını veya sabit kalacağını ifade eden seçenektir.

Step-by-Step Solution

Belirleme katsayısının (

R^2

) özelliğini hatırla.

R^2

değeri, modele eklenen her yeni bağımsız değişkenle birlikte (değişken anlamsız olsa bile) matematiksel olarak artar veya en azından aynı kalır.

Regresyon modeline eklenen her değişken, açıklanan kareler toplamını (AKP) artırır veya değiştirmez.

Düzeltilmiş belirleme katsayısının (

\bar{R}^2

) özelliğini ve formülünü analiz et.

\bar{R}^2 = 1 - (1 - R^2) \frac{n - 1}{n - k - 1}

formülüne göre,

k

(değişken sayısı) arttıkça ceza terimi büyür.

Düzeltilmiş

R^2

, modeldeki değişken sayısı artışının getirdiği serbestlik derecesi kaybını bir 'ceza' olarak modele yansıtır.

İki katsayı arasındaki etkileşimi karşılaştır.

Yeni değişkenin modele katkısı (yani

R^2

üzerindeki artış), serbestlik derecesindeki kaybın etkisinden küçükse

\bar{R}^2

düşer.

Bu mekanizma, modele sadece anlamlı katkı sağlayan değişkenlerin dahil edilmesini teşvik etmek için kullanılır.

Key Concept

Düzeltilmiş R-Kare'nin Değişken Sayısına Karşı Duyarlılığı

Estimated Time:45s

Question 175Question →

Bir araştırmacı, hanehalkı gelir ve tüketim harcamaları arasındaki ilişkiyi incelediği regresyon modelinde hata terimlerinin varyansının sabit olmadığını ve gelir düzeyine bağlı olarak değiştiğini (değişen varyans sorunu) saptamıştır. Bu durumda, klasik En Küçük Kareler (EKK) yöntemiyle elde edilen katsayı tahmincileri hakkında aşağıdakilerden hangisi söylenebilir?

Tahminciler sapmasız ve tutarlı kalmaya devam eder, ancak artık en küçük varyanslı (etkin) değildirler.

Tahminciler sapmalı hale gelir ancak tutarlılık özelliğini korurlar.

Tahminciler hem sapmalı hem de tutarsız hale gelerek güvenilirliğini tamamen yitirirler.

Tahminciler hala en iyi doğrusal sapmasız tahminci (BLUE) olma özelliğini tam olarak korurlar.

Tahminciler sapmasızdır ancak örneklem hacmi büyüdükçe tutarsız hale gelirler.

Show answer & explanation

Answer: Tahminciler sapmasız ve tutarlı kalmaya devam eder, ancak artık en küçük varyanslı (etkin) değildirler.

Answer

En Küçük Kareler (EKK) tahmincileri sapmasız ve tutarlı kalır ancak en küçük varyanslı (etkin) olma özelliğini kaybederler.

Değişen varyans (heteroskedasite) sorunu varlığında, klasik En Küçük Kareler (EKK) yöntemiyle elde edilen tahminciler hala sapmasızlık ve tutarlılık özelliklerini korurlar. Bunun nedeni, sapmasızlık ispatında hata terimlerinin varyansının sabit olması (

Var(u_i) = \sigma^2

) varsayımının kullanılmamasıdır. Ancak, Gauss-Markov teoreminin geçerli olması için sabit varyans şarttır. Bu varsayım ihlal edildiğinde, EKK tahmincileri artık minimum varyansa sahip olmazlar, yani 'etkin' değildirler. Bu durum, standart hataların yanlış hesaplanmasına ve dolayısıyla

t

F

testlerinin geçersiz kalmasına yol açar.

Step-by-Step Solution

Varsayım ihlalinin türünü belirleme

Değişen varyans (heteroskedasite) durumu:

Var(u_i) = \sigma_i^2 \neq \sigma^2

Soruda hata terimlerinin varyansının gelir düzeyine göre değiştiği belirtilmiştir.

EKK tahmincilerinin sapmasızlık özelliğini kontrol etme

E[\hat{\beta}] = \beta

özelliği hala geçerlidir.

EKK tahmincilerinin sapmasız olması için varyansın sabit olması gerekmez; doğrusal yapı ve

E(u|X)=0

varsayımları yeterlidir.

Etkinlik (Varyans) özelliğini kontrol etme

EKK varyansları artık minimum değildir (

Var(\hat{\beta})_{EKK} > Var(\hat{\beta})_{GKK}

Gauss-Markov teoremine göre EKK'nın BLUE olması için sabit varyans gereklidir. Bu varsayım bozulduğunda tahminciler artık 'en iyi' (en küçük varyanslı) değildir.

Key Concept

Değişen varyans durumunda EKK tahmincileri sapmasız ve tutarlıdır ancak etkin (BLUE) değildirler.

Practice More

Değişen varyansın varlığında standart hataların neden saptığı ve bu durumun güven aralıkları üzerindeki etkisini inceleyen bir soru çözebilirsiniz.

Estimated Time:45s

Question 176Question →

Basit doğrusal bir regresyon modelinde hata terimlerinin varyansının gözlemden gözleme farklılık gösterdiği (değişen varyans durumu) belirlenmiştir. Bu varsayım ihlalinin varlığı altında, En Küçük Kareler ( $EKK$ ) tahmincilerinin özelliklerine ilişkin aşağıdaki ifadelerden hangisi doğrudur?

Tahminciler sapmasızlık özelliğini korur ancak artık en küçük varyanslı (etkin) değildir.

Tahminciler sapmalı hale gelir ve kitle parametrelerini ortalamada doğru tahmin edemez.

Tahminciler tutarsız hale gelir ve örneklem hacmi büyüdükçe gerçek parametre değerine yaklaşmaz.

Tahminciler hem sapmasız hem de en küçük varyanslı (

BLUE

) olma özelliğini sürdürür.

Tahmincilerin standart hataları sapmasız kalarak

t

F

testlerinin geçerliliğini korur.

Show answer & explanation

Answer: Tahminciler sapmasızlık özelliğini korur ancak artık en küçük varyanslı (etkin) değildir.

Answer

Tahminciler sapmasızlık özelliğini korur ancak artık en küçük varyanslı (etkin) değildir.

Doğrusal regresyon modelinde değişen varyans sorunu olduğunda, En Küçük Kareler (

EKK

) yöntemi ile elde edilen katsayı tahmincileri hala sapmasız ve tutarlıdır. Ancak, sabit varyans varsayımı ihlal edildiği için bu tahminciler artık kendi sınıfları içindeki en küçük varyanslı tahminciler değildir, yani 'etkin' olma özelliklerini kaybederler. Bu durum,

EKK

tahmincilerinin artık

BLUE

(En İyi Doğrusal Sapmasız Tahminci) olmadığı anlamına gelir.

Step-by-Step Solution

Değişen varyansın sapmasızlık üzerindeki etkisini değerlendir.

Sapmasızlık özelliği korunur (

E[\hat{\beta}] = \beta

Sapmasızlık için gerekli olan temel varsayım, hata terimlerinin beklenen değerinin sıfır olması ve açıklayıcı değişkenlerle bağımsız olmasıdır; varyansın yapısı sapmasızlığı etkilemez.

Değişen varyansın etkinlik (

efficiency

) üzerindeki etkisini değerlendir.

Etkinlik özelliği kaybolur.

Gauss-Markov teoremine göre

EKK

tahmincilerinin minimum varyanslı (

BLUE

) olabilmesi için varyansın sabit (homoskedasite) olması gerekir.

Key Concept

Değişen varyansın EKK tahmincileri üzerindeki temel teorik sonuçları

Question 177Question →

Çoklu doğrusal regresyon analizinde, modele yeni bağımsız değişkenler eklendikçe belirleme katsayısının ( $R^2$ ) yapay olarak artmasını önlemek ve değişken sayısındaki artışın serbestlik derecesi üzerindeki etkisini hesaba katmak amacıyla kullanılan istatistiksel ölçüt aşağıdakilerden hangisidir?

Düzeltilmiş belirleme katsayısı (

\bar{R}^2

)

Kısmi korelasyon katsayısı

Standart hata

Varyans şişkinlik faktörü (

VIF

)

Durbin-Watson istatistiği

Show answer & explanation

Answer: Düzeltilmiş belirleme katsayısı ( $\bar{R}^2$ )

Answer

Düzeltilmiş belirleme katsayısı, serbestlik derecesindeki kaybı cezalandırarak modelin açıklayıcılık gücünü daha gerçekçi bir şekilde ölçen istatistiksel ölçüttür.

Düzeltilmiş belirleme katsayısı, modeldeki bağımsız değişken sayısı (

k

) arttıkça

R^2

'nin yapay olarak şişmesini önlemek için tasarlanmıştır. Bu ölçüt, formülünde serbestlik derecelerini (gözlem sayısı ve parametre sayısı) kullanarak, modele eklenen değişkenin açıklayıcılık gücündeki artışın, serbestlik derecesindeki azalmayı karşılayıp karşılamadığını test eder.

Step-by-Step Solution

Regresyon modelinde belirleme katsayısının (

R^2

) özelliğini analiz etme

R^2

katsayısı, modele eklenen her yeni değişkenle birlikte (değişken anlamsız olsa dahi) matematiksel olarak artma veya sabit kalma eğilimindedir.

R^2

, açıklanan kareler toplamının genel kareler toplamına oranıdır ve pay kısmındaki artış katsayıyı yukarı çeker.

Serbestlik derecesi ve değişken sayısı ilişkisini değerlendirme

Modele eklenen her yeni değişken, hata teriminin serbestlik derecesini (

n-k-1

) azaltır.

Gerçek bir iyileşme sağlamayan değişkenlerin modele dahil edilmesi, modelin genelleştirilebilirliğini düşürür.

Düzeltilmiş

R^2

(

\bar{R}^2

) formülünü ve amacını belirleme

\bar{R}^2 = 1 - (1 - R^2) \frac{n - 1}{n - k - 1}

formülü ile serbestlik derecesi kaybı cezalandırılır.

Bu ölçüt, modele eklenen değişkenin modeldeki açıklayıcılığa katkısı, serbestlik derecesindeki kaybı telafi edemiyorsa azalır; böylece yapay artışın önüne geçilir.

Key Concept

Düzeltilmiş R-kare, modeldeki bağımsız değişken sayısını cezalandırarak aşırı uyum (overfitting) riskine karşı daha güvenilir bir ölçüm sağlar.

Hints

R^2

katsayısının modele her yeni değişken eklendiğinde artma eğiliminde olduğunu hatırlayın.

Modeldeki serbestlik derecesi kaybını bir "ceza" olarak hesaba katan ölçütü düşünün.

Practice More

Düzeltilmiş R-kare'nin normal R-kare'den büyük olup olamayacağını ve nedenlerini araştırabilirsiniz.

Estimated Time:45s

Question 178Question →

Ekonomik bir araştırmada, bireylerin 'aylık gelir' seviyeleri ile 'aylık tasarruf' miktarları arasındaki ilişki analiz edilmektedir. Araştırmacı, 'hane halkı genişliği' değişkeninin hem gelir hem de tasarruf üzerindeki etkisini matematiksel olarak dışarıda bırakarak (sabit tutarak), gelir ile tasarruf arasındaki net ilişkiyi ölçmek istemektedir. Buna göre, araştırmacının hesaplaması gereken katsayı aşağıdakilerden hangisidir?

Kısmi korelasyon katsayısı

Belirleme katsayısı (

R^2

)

Düzeltilmiş belirleme katsayısı (

\bar{R}^2

)

Çoklu korelasyon katsayısı

Varyans şişme faktörü (VIF)

Show answer & explanation

Answer: Kısmi korelasyon katsayısı

Answer

Kısmi korelasyon katsayısı

Kısmi korelasyon katsayısı, kontrol edilen (üçüncü) bir değişkenin etkisini hem bağımlı hem de bağımsız değişkenden matematiksel olarak çıkararak, incelenen iki ana değişken arasındaki 'saf' veya 'net' ilişkiyi temsil eder.

Step-by-Step Solution

Araştırmacının amacını analiz edin.

Bir değişkenin (hane halkı genişliği) etkisinin diğer iki değişkenden (gelir ve tasarruf) arındırılması hedeflenmektedir.

İstatistiksel olarak 'sabit tutma' veya 'arındırma' işlemleri korelasyon türünü belirler.

Uygun istatistiksel terimi eşleştirin.

Üçüncü bir değişkenin etkisini kontrol ederek iki değişken arasındaki ilişkiyi ölçen katsayı kısmi korelasyondur.

Tanım gereği kısmi korelasyon, diğer değişkenlerin etkisinden temizlenmiş ilişkiyi verir.

Key Concept

Kısmi korelasyon, iki değişken arasındaki ilişkiyi incelerken, bu değişkenlerle ilişkili olan diğer değişkenlerin etkisini kontrol altında tutar.

Estimated Time:45s

Question 179Question →

Çoklu doğrusal regresyon analizinde, modele bağımlı değişkenle gerçek bir ilişkisi bulunmayan (anlamsız) yeni bağımsız değişkenler eklendiğinde belirleme katsayısı ( $R^2$ ) ve düzeltilmiş belirleme katsayısı ( $\bar{R}^2$ ) değerlerinde gerçekleşmesi beklenen değişim aşağıdakilerden hangisidir?

R^2

artar veya değişmez,

\bar{R}^2

ise azalır.

Hem

R^2

hem de

\bar{R}^2

her zaman artış gösterir.

R^2

değeri azalırken,

\bar{R}^2

değeri artış gösterir.

Her iki katsayı da her zaman azalış gösterir.

Modele yeni değişken eklenmesi bu iki katsayıyı hiçbir şekilde etkilemez.

Show answer & explanation

Answer: $R^2$ artar veya değişmez, $\bar{R}^2$ ise azalır.

Answer

Belirleme katsayısı (

R^2

) artar veya değişmezken, düzeltilmiş belirleme katsayısı (

\bar{R}^2

) azalır.

Doğru yanıt olan seçenekte belirtildiği üzere, belirleme katsayısı (

R^2

) matematiksel yapısı gereği modele eklenen her yeni değişkenle birlikte açıklanan varyans miktarını azaltamayacağı için artar veya sabit kalır. Ancak düzeltilmiş belirleme katsayısı (

\bar{R}^2

), modeldeki değişken sayısını (

k

) ve gözlem sayısını (

n

) dikkate alarak serbestlik derecesi üzerinden bir düzeltme yapar. Eğer modele eklenen değişken anlamsızsa, yani bağımlı değişkendeki varyasyonu açıklamaya yeterli katkı sağlamıyorsa, serbestlik derecesindeki azalma (cezalandırma) etkisi baskın gelir ve düzeltilmiş

R^2

değeri düşer.

Step-by-Step Solution

Belirleme katsayısının (

R^2

) davranışını analiz et.

R^2

katsayısı, modele eklenen değişkenlerin anlamlı olup olmadığına bakmaksızın artar veya en azından sabit kalır.

Çünkü modele eklenen her değişken, açıklanan kareler toplamını (AKT) azaltmaz, aksine artırma eğilimindedir.

Düzeltilmiş belirleme katsayısının (

\bar{R}^2

) amacını değerlendir.

\bar{R}^2

, modeldeki bağımsız değişken sayısındaki artışı serbestlik derecesi kaybı olarak hesaba katar ve modeli cezalandırır.

Modele eklenen değişkenin sağladığı açıklayıcılık artışı, serbestlik derecesindeki kaybı karşılayamazsa katsayı düşer.

Anlamsız değişken senaryosu için sonucu belirle.

R^2

yapay olarak yükselirken,

\bar{R}^2

gerçek katkı olmadığı için düşer.

Anlamsız bir değişken modele katkı sağlamaz ancak bir serbestlik derecesi tüketir, bu da düzeltilmiş değerin azalmasına neden olur.

Key Concept

Düzeltilmiş belirleme katsayısı, model karmaşıklığı ile açıklayıcılık gücü arasındaki dengeyi serbestlik derecesi üzerinden kurar.

Hints

Modeldeki değişken sayısı arttığında serbestlik derecesinin nasıl değiştiğini ve bunun hangi katsayıyı etkilediğini düşünün.

Hangi katsayının 'cezalandırıcı' bir terim içerdiğini hatırlayın. Bu terim anlamsız değişkenlere nasıl tepki verir?

Practice More

Düzeltilmiş R-kare'nin formülündeki

(n-1)/(n-k-1)

teriminin etkisini inceleyerek sayısal bir örnek çözebilirsiniz.

Estimated Time:45s

Question 180Question →

Bir araştırmacı, 20 öğrencinin günlük ders çalışma süreleri ( $X$ ) ile sınav başarı puanları ( $Y$ ) arasındaki ilişkiyi basit doğrusal regresyon analizi ile incelemiştir. Analiz sonucunda elde edilen varyans analizi (ANOVA) tablosunun bir kısmı aşağıda verilmiştir:

Değişim Kaynağı	Kareler Toplamı (KT)	Serbestlik Derecesi (sd)
Regresyon	$240$	$1$
Hata	$160$	$18$
Genel	$400$	$19$

Buna göre, bu model için hesaplanan belirleme katsayısı ( $R^2$ ) değeri aşağıdakilerden hangisidir?

0,40

0,58

0,60

0,66

1,50

Show answer & explanation

Answer: 0,60

Answer

Modelin belirleme katsayısı (

R^2

) 0,60'tır.

Belirleme katsayısı (

R^2

), Regresyon Kareler Toplamı'nın (

RKT

) Genel Kareler Toplamı'na (

GKT

) oranlanmasıyla hesaplanır. Soruda verilen tabloda

RKT = 240

GKT = 400

olduğu görülmektedir. Bu durumda

R^2 = 240 / 400 = 0,60

sonucuna ulaşılır.

Step-by-Step Solution

Genel Kareler Toplamı (

GKT

) değerini kontrol et.

GKT = 400

Belirleme katsayısı formülünde payda olarak toplam değişkenlik kullanılır.

Belirleme katsayısı formülünü uygula:

R^2 = \frac{RKT}{GKT}

R^2 = \frac{240}{400} = 0,60

Belirleme katsayısı, bağımlı değişkendeki toplam değişkenliğin ne kadarının bağımsız değişken tarafından açıklandığını gösterir.

Key Concept

Belirleme Katsayısı (

R^2

)

Estimated Time:45s

PreviousPage 9 / 11Next

Regresyon Analizi

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Practice More

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Practice More

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Alternative Method

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Hints

Practice More

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Practice More

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Hints

Practice More

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Hints

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Hints

Practice More

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Practice More

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept