Soru

Zorluk: ZorÇoklu Doğrusal Bağlantı Tespiti ve Giderme Yöntemleri

Bir konut değerleme analisti, ev fiyatlarını (YY) bağımlı değişken olarak aldığı bir regresyon analizinde; evin brüt metrekare alanı (X1X_1), oda sayısı (X2X_2), binanın yaşı (X3X_3) ve şehir merkezine uzaklığı (X4X_4) değişkenlerini kullanarak Çoklu Doğrusal Regresyon modeli kurmuştur. Elde edilen En Küçük Kareler (EKK) tahmin sonuçlarına ve tanısal testlere göre şu bulgulara ulaşılmıştır:

• Modelin belirtme katsayısı (R2R^2) 0.880.88 olarak hesaplanmış ve varyans analizi sonucunda modelin genel anlamlılığını sınayan FF-istatistiği istatistiksel olarak anlamlı bulunmuştur (p<0.01p < 0.01).
• Buna karşın, X1X_1 ve X2X_2 değişkenlerine ait eğim katsayılarının bireysel tt-testleri α=0.05\alpha = 0.05 anlamlılık düzeyinde anlamsızdır.
• Bu iki değişken için hesaplanan Varyans Şişme Faktörü (VIF) değerleri sırasıyla 12.412.4 ve 11.811.8, modelin Durum İndeksi (CI) ise 3535 olarak bulunmuştur.
• Kalıntılar üzerinden yapılan Durbin-Watson testi dd-istatistiği 1.981.98, White testi p-değeri ise 0.340.34 olarak elde edilmiştir.

Bu regresyon modelinin bulguları ve olası müdahale yöntemleriyle ilgili aşağıdakilerden hangisi istatistiksel açıdan en uygun ve doğrudur?

  1. Modeldeki temel sorun çoklu doğrusal bağlantıdır; EKK tahmincilerinin varyansını küçültmek amacıyla bir miktar yanlılık (sapma) yaratmayı göze alarak Ridge regresyonu uygulanması istatistiksel olarak geçerli bir çözüm yoludur.Cevap
  2. B
    VIF ve Durum İndeksi değerleri, çoklu doğrusal bağlantı nedeniyle EKK tahmincilerinin sapmalı (yanlı) hale geldiğini gösterir; bu sapmayı ortadan kaldırmak için modelin fonksiyonel formu tam logaritmik yapıya dönüştürülmelidir.
  3. C
    FF-testinin anlamlı bulunması modeldeki tüm değişkenlerin bireysel etkilerinin de anlamlı olduğunu garanti ettiğinden, tt-testlerinin anlamsız sonuçları göz ardı edilerek EKK tahminlerine mevcut şekliyle devam edilmelidir.
  4. D
    Durbin-Watson istatistiğinin yaklaşık 22 değerini alması modelde şiddetli bir otokorelasyon sorununa işaret ettiğinden, parametreler Cochrane-Orcutt dönüştürme prosedürü ile yeniden tahmin edilmelidir.
  5. E
    White testinin sonucuna göre modelin hata terimlerinde değişen varyans (heteroskedastisite) ihlali bulunmaktadır; tahmincilerin etkinliğini sağlamak amacıyla EKK yerine Ağırlıklı En Küçük Kareler (WLS) yöntemi tercih edilmelidir.

Cevap

Modeldeki sorunun çoklu doğrusal bağlantı olduğunu belirterek, varyansı küçültmek için sapma yaratmayı göze alan Ridge regresyonunu öneren seçenek.
Verilen bulgularda VIF değerlerinin 10 sınırını, Durum İndeksi'nin (CI) 30 sınırını aşması ve anlamlı bir genel F-testine karşın bireysel t-testlerinin anlamsız çıkması, modelde şiddetli bir çoklu doğrusal bağlantı problemi olduğunu kesinleştirir. Çoklu doğrusal bağlantı, EKK tahmincilerinin varyanslarını aşırı derecede şişirerek güven aralıklarını genişletir ancak tahmincileri sapmalı hale getirmez. Ridge regresyonu, modele kasıtlı olarak küçük bir sapma (yanlılık) dâhil edip karşılığında toplam varyansı çok büyük ölçüde daraltarak bu sorunu çözen en saygın yöntemlerden biridir.

Adım Adım Çözüm

1
Tanısal istatistiklerin (VIF, CI, DW, White) ve temel test sonuçlarının (R2R^2, FF, tt) yorumlanması.
VIF > 10, CI > 30 bulguları ve yüksek R2R^2'ye rağmen anlamsız tt-testleri şiddetli Çoklu Doğrusal Bağlantıyı işaret eder. DW = 1.98 otokorelasyon olmadığını, White testi p=0.34p = 0.34 ise değişen varyans olmadığını gösterir.
Regresyon modelinin hangi varsayımları ihlal edip hangilerini sağladığını doğru tespit etmeden uygun çözüm politikası geliştirilemez.
2
Tespit edilen temel problemin (Çoklu Doğrusal Bağlantı) EKK tahmincileri üzerindeki matematiksel etkisinin belirlenmesi.
Çoklu doğrusal bağlantı EKK tahmincilerinin sapmasızlık özelliğini korumasına rağmen, varyanslarını (standart hatalarını) aşırı derecede büyüterek tahmincilerin etkinliğini bozar.
Önerilecek düzeltici işlemin, doğrudan bu artmış varyansı hedef alması gerekir.
3
En uygun giderme yönteminin (remediation) seçilmesi.
Ridge regresyonu, ceza katsayısı (lambda) aracılığıyla modele kontrollü bir sapma (bias) ekleyerek katsayıların devasa varyanslarını dramatik şekilde küçültür ve modeli çoklu bağlantının yıkıcı etkilerinden kurtarır.
Değişken çıkartmak bilgi kaybına yol açabileceğinden, matematiksel daraltma sağlayan Ridge regresyonu istatistiksel açıdan yetkin bir çözüm yöntemidir.

Anahtar Kavram

Çoklu Doğrusal Bağlantının tanı testleri (VIF, CI, R²-t zıtlığı) ile teşhisi ve Ridge regresyonunun (bias-variance tradeoff) çözümdeki rolü.
Bu soruyu puanla