9 - Basit Doğrusal Regresyon

Bölüm 13
Basit Doğrusal Regresyon

Öğrenme Hedefleri
Bu bölümde aşağıdaki konulara değinilecektir:
 Bağımsız bir değişkene dayalı olarak bağımlı bir
değişkenin değerinin tahmini için regresyon analizi nasıl
kullanılır
 b0 ve b1regresyon katsayılarının anlamı
 Regresyon analizinin varsayımlarının nasıl
değerlendirileceği ve varsayımlar ihlal edildiğinde ne
yapılması gerektiği
 Eğim ve korelasyon katsayısı ile ilgili çıkarımlar yapmak
 Ortalama değerlerin tahmin edilmesi ve bağımsız
değerlerin kestirilmesi
Copyright ©2014 Pearson Education
Korelasyon İle Regresyon İlişkisi
 İki değişkenin arasındaki ilişkinin gösterimi için
bir serpme diyagramı kullanılabilir
 Korelasyon analizi iki değişkenin arasındaki
birlikteliğin (doğrusal ilişki) gücünün ölçülmesi
için kullanılır
 Korelasyon sadece ilişkinin gücüyle ilgilenmektedir
 Korelasyon ile hiçbir nedensel etki ifade edilmez
 Serpme diyagramları ilk defa bölüm. 2’de
gösterilmiştir
 Korelasyon ilk defa bölüm. 3’te gösterilmiştir

Regresyon Analizine Giriş
 Regresyon analizi :
 En az bir bağımsız değişkenin değerine dayalı olarak
bağımsız bir değişkenin değerini tahmin etmek,
 Bağımsız bir değişkendeki değişimin bağımsız bir
değişken üzerindeki etkisini açıklamak, için kullanılır
Bağımlı değişken: tahmin etmek veya açıklamak
istediğimiz değişken
Bağımsız değişken: bağımlı değişkeni tahmin
etmek veya açıklamak için
kullanılan değişken

Modeli
 Sadece bir bağımsız değişken, X

 X ve Y arasındaki ilişki bir doğrusal
fonksiyon ile tanımlanır
 Y’deki değişimlerin X’deki değişimler ile
bağlantılı olduğu varsayımı vardır

İlişki Tipleri
Doğrusal İlişkiler Eğrisel İlişkiler
Y Y
X X
Y Y
X X
İlişki Tipleri
(devamı)
Kuvvetli İlişkiler Zayıf İlişkiler
Y Y
X X
Y Y
X X
İlişki Tipleri
(devamı)
İlişki yoktur
X
Modeli
Popülasyon Rassal
Popülasyon Bağımsız
eğim hata
Y kesişimi değişken
katsayısı ifadesi
Bağımlı
Değişken
Yi = β0 + β1Xi + ε i
Doğrusal bileşen Rassal Hata bileşeni

Modeli
(devamı)
Y Yi = β0 + β1Xi + ε i
Xi için Y’nin
gözlenen değeri
εi Eğim = β1
Xi için Y’nin
tahmin edilen Bu Xi değeri için
değeri rassal hata
Kesim
noktası = β0
Xi X
Denklemi (Tahmin Çizgisi)
Basit doğrusal regresyon denklemi popülasyon
regresyon çizgisinin bir tahmininin yapılmasını sağlar
Regresyonun
i gözlemi için
Y eksenini
tahmin Regresyon
kesme
edilmiş Y eğiminin tahmini
noktasının
değeri
tahmini
i gözlemi için
Ŷi = b0 + b1Xi
X değeri

En Küçük Kareler Yöntemi
b0 ve b1 ,Y ve Ŷ arasındaki fark karelerinin

toplamını en küçük yapan değerlerin
bulunmasıyla elde edilir :
min ∑ (Yi −Ŷi ) = min ∑ (Yi − (b0 + b1Xi ))

2 2

En Küçük Kareler Denkleminin
Bulunması
 b0 ve b1 katsayıları ve bu bölümdeki diğer

regresyon sonuçları Excel kullanılarak
bulunacaktır
İlgi duyanlar için formüller kitaptaki bölümde

verilmiştir.

Eğim ve Kesme noktasının
Çıkarımı
 b0 , X’in değeri sıfır olduğunda Y’nin

beklenen ortalama değeridir
 b1 ,X’in değerindeki bir birimlik artış

sonucu olarak Y’nin ortalama
değerindeki beklenen değişim
miktarıdır

Örnek
 Bir emlak acentesi bir evin satış fiyatı ile boyutu
(feet-kare olarak ölçülmüştür) arasındaki ilişkiyi
ölçmek istemektedir.
 Rassal olarak 10 evlik bir örnek seçilmiştir
 Bağımlı değişken(Y) = $1000 cinsinden ev fiyatı
 Bağımsız değişken(X) = feet-kare (ev boyutu)

Örnek: Veri
$1000 cinsinden ev
Feet-kare (ev boyutu)
fiyatları
(X)
(Y)
245 1400
312 1600
279 1700
308 1875
199 1100
219 1550
405 2350
324 2450
319 1425
255 1700

Basit Doğrusal Regresyon Örnek:
Serpme Diyagramı
Ev fiyatı Modeli: Serpme

Diyagramı
450
400
Ev Fiyatları ($1000)
350
300
250
200
150
100
50
0
0 500 1000 1500 2000 2500 3000
Feet-kare

Basit Doğrusal Regresyon Örnek: Excel
Veri Çözümleyici Fonksiyonu Kullanılarak
1. Veri’yi Seç 2. Veri çözümleyici’yi seç
3. Regresyonu Seç

Basit Doğrusal Regresyon Örnek: Excel
Veri Çözümleyici Fonksiyonu Kullanılarak
(devamı)
Y aralığını ve X aralığını ve gerekli seçenekleri girin

PHStat Kullanarak
Eklentiler: PHStat: Regression: Simple Linear Regression

Excel Çıktısı
Regression Statistics
Multiple R 0.76211 Regresyon denklemi:
R Square 0.58082
Adjusted R Square 0.52842 ev fiyatı = 98.24833 + 0.10977 (feet - kare)
Standard Error 41.33032
Observations 10
ANOVA
df SS MS F Significance F
Regression 1 18934.9348 18934.9348 11.0848 0.01039
Residual 8 13665.5652 1708.1957
Total 9 32600.5000
Coefficients Standard Error t Stat P-value Lower 95% Upper 95%

Intercept 98.24833 58.03348 1.69296 0.12892 -35.57720 232.07386
Square Feet 0.10977 0.03297 3.32938 0.01039 0.03374 0.18580

Basit doğrusal Regresyon Örnek:
Grafik Gösterim
Ev fiyatı modeli: Serpme diyagramı ve tahmin çizgisi

450
400
Ev fiyatları ($1000)
350 Eğim
300
= 0.10977
250
200
150
100
50
Kesim
0
noktası 0 1000 2000 3000
= 98.248 Feet-kare
ev fiyatı = 98.24833 + 0.10977 (feet - kare)

bo’ın yorumlanması
 b0 , X’in değeri sıfır olduğunda Y’nin almış

olduğu ortalama değerdir (Eğer X = 0 X’in
alabileceği değer aralığında ise)
 Bir evin alanı sıfır olamayacağı için, b0 ‘ın
pratiğe dönük bir uygulaması yoktur.

b1’in yorumlanması
Ev fiyatı = 98.24833 + 0.10977 (feet - kare)
 b1 , X’deki bir birimlik artış sonucunda

Y’nin ortalama değerindeki değişimi
tahmin eder.
 Burada, b1 = 0.10977, bize ev alanındaki bir foot-
karelik artışın, bir evin ortalama fiyatının ortalama
olarak .10977($1000) = $109.77 artacağını
söylemektedir.

Örnek: Çıkarımların Yapılması
2000 feet-kare olan bir evin
fiyatı hakkında çıkarım yapalım:

= 98.25 + 0.1098(2000)
= 317.85
2000 feet-kare alana sahip bir evin tahmin

edilen fiyatı 317.85($1,000s) = $317,850’dır
Örnek: Çıkarımların Yapılması
 Bir regresyon modeli çıkarım yapmak için kullanılırken,
sadece verinin ilgili aralığı içerisinde kullanılmalıdır
Interpolasyon için
ilgili aralık
450
400
Ev Fiyatları ($1000)
350
300
250
200
150
100
50 X’in gözlemlenen
0 aralığı dışında
0 1000 2000 3000
ekstrapolasyon
Feet-Kare yapılmaya
çalışılmamalıdır
Değişim Ölçüleri
 Toplam Değişim iki bölümden oluşmaktadır:
TKT = RKT + HKT

Toplam Kareler Regresyon Hata Kareler
Toplamı Kareler Toplamı toplamı
TKT = ∑ (Yi − Y ) 2 RKT = ∑ (Yî − Y ) 2 HKT = ∑ (Yi − Yî ) 2
Y = Bağımlı değişkenin ortalama değeri

Yi = Bağımlı değişkenin gözlenen değeri
Yî = Verilen Xi değerine göre Y’nin tahmin edilen değeri
(devamı)
 TKT = toplam kareler toplamı (Toplam değişim)

 Yi değerlerinin, ortalama değerleri olan Y etrafındaki
değişim miktarını ölçer
 RKT = regresyon kareler toplamı (Açıklanmış değişim)
 X ve Y arasındaki ilişkiye atfedilen değişim
 HKT = hata kareler toplamı (Açıklanmamış değişim)
 X’den başka diğer faktörlere atfedilen Y’deki değişim

(devamı)
Y
Yi ∧ ∧
HKT = ∑(Yi - Yi )2 Y
_
TKT = ∑(Yi - Y)2
∧
Y ∧ _
_ RKT = ∑(Yi - Y)2 _
Y Y
Xi X
Determinasyon Katsayısı, r2
 Determinasyon katsayısı, bağımlı değişkende
toplam değişimin bağımsız değişkendeki
değişim tarafından açıklanan kısmıdır
 Determinasyon katsayısı r-kare olarak da
adlandırılır ve r2 olarak gösterilir.
RKT regresyon kareler toplamı

r =2
=
TKT toplam kareler toplamı
not:
0 ≤r ≤1
2

Yaklaşık r2 Değerlerine
Örnekler
Y
r2 = 1
X ve Y arasında kusursuz bir

ilişki mevcuttur:
X
r2 = 1
Y Y’deki değişimin %100’ü,
X’deki değişim ile
açıklanmaktadır
X
r2 =1
Örnekler
Y
0 < r2 < 1
X ve Y arasında daha zayıf

ilişkiler :
X
Y’deki bir kısım değişimler
Y
X’deki değişimlerle
açıklanır fakat tüm
değişimleri içermez
X
Örnekler
r2 = 0
Y
X ve Y arasında doğrusal
bir ilişki yoktur:
Y’nin değeri X’e bağlı

r2 = 0
X olarak açıklanamaz.
(Y’deki değişimlerin hiçbiri
X’deki değişimlerle
açıklanamaz)

Excel’de Determinasyon Katsayısı, r2
RKT 18934.9348
r =
2
= = 0.58082
Multiple R 0.76211 TKT 32600.5000
R Square 0.58082
Adjusted R Square 0.52842 Ev fiyatlarındaki değişimin
Standard Error 41.33032 %58.08’i ev alanındaki (feet-
Observations 10
kare) değişim ile açıklanmaktadır
ANOVA
Regression 1 18934.9348 18934.9348 11.0848 0.01039
Residual 8 13665.5652 1708.1957
Total 9 32600.5000

Intercept 98.24833 58.03348 1.69296 0.12892 -35.57720 232.07386
Square Feet 0.10977 0.03297 3.32938 0.01039 0.03374 0.18580

Tahminin Standart Hatası
 Regresyon çizgisi etrafındaki gözlemlerin
değişimlerinin standart sapması şöyle tahmin
edilir:
n
HKT ∑ i i
(Y − Yˆ ) 2
SYX = = i =1
n−2 n−2
HKT = Hata kareleri toplamı

n = örnek büyüklüğü

Excel’de Standart Hata Tahmini
Multiple R 0.76211 S YX = 41.33032
R Square 0.58082
Adjusted R Square 0.52842
Observations 10
ANOVA
Regression 1 18934.9348 18934.9348 11.0848 0.01039
Residual 8 13665.5652 1708.1957

Total 9 32600.5000

Intercept 98.24833 58.03348 1.69296 0.12892 -35.57720 232.07386
Square Feet 0.10977 0.03297 3.32938 0.01039 0.03374 0.18580

Standart Hataların
Karşılaştırılması
SYX gözlemlenen Y değerlerinin regresyon
çizgisinden sapmasının bir ölçüsüdür
Y Y
küçük SYX X X
geniş SYX
SYX’in büyüklüğü (şiddeti) örnek verisindeki Y değerlerinin

boyutuyla ilişkili olarak değerlendirilmelidir
yani, $200K - $400K aralığındaki ev fiyatlarıyla bağlantılı olarak
SYX = $41.33K kısmen küçük bir değerdir.
Regresyon Çizgisinin
Varsayımları
 Doğrusallık
 X ve Y arasındaki ilişki doğrusaldır
 Hataların bağımsızlığı
 Hata değerleri istatistiksel olarak bağımsızdır
 Hatanın normalitesi
 Hata değerleri verilen bir X değeri için normal
dağılmıştır
 Eşit Sapma (homosedastisite olarak da adlandırılır)
 Hata değerlerinin olasılık dağılımı sabit varyansa
sahiptir

Artık Değer (Residual) Analizi
ei = Yi − Ŷi
 i gözlemi için artık değeri, ei, gözlenen değer ile tahmin
değeri arasındaki farktır.
 Artık değerlerini test ederek regresyon varsayımlarını
kontrol edin
 Doğrusal varsayımını test edin
 Bağımsızlık varsayımını değerlendirin
 Normal dağılım varsayımını değerlendirin
 X’in tüm seviyeleri için sabit değişimi (homosedastisite)
sorgulayın
 Artık Değerlerin Grafik Analizi

 X’e karşılık artık değerlerin çizimi
Doğrusallık İçin Artık Değer
Analizi
Y Y
x x
residual
x residual x
Doğrusal
değil
 Doğrusal
Bağımsızlık İçin Artık Değer
Analizi
Bağımsız değil
 Bağımsız
residual
residual
X
residual

Normalitenin Kontrolü
 Artık değerler için Kök ve Yaprak gösteriminin

incelenmesi
 Artık değerlerin kutu diyagramının incelenmesi
 Artık değerlerin histogramının incelenmesi
 Artık değerlerin bir normal olasılık diyagramının
oluşturulması

Normalite için Artık Değer
Analizi
Normal olasılık grafiği kullanılırken, normal

hatalar yaklaşık olarak doğru bir çizgi üzerinde
olacaktır
Yüzde
100
0
-3 -2 -1 0 1 2 3
Artık değer

Eşit Değişim İçin Artık Değer
Analizi
Y Y
x x
residual
x residual x
Sabit olmayan değişim  Sabit değişim

Excel Artık değer Çıktısı
ARTIK DEĞER ÇIKTISI Ev Fiyatı Modeli Artık Değer Çizimi

Tahmini Ev Artık
Fiyatı Değerler 80
1 251.92316 -6.923162
60
2 273.87671 38.12329
40
3 284.85348 -5.853484 Residual
20
4 304.06284 3.937162
5 218.99284 -19.99284 0
0 1000 2000 3000
6 268.38832 -49.38832 -20
7 356.20251 48.79749 -40
8 367.17929 -43.17929
-60
9 254.6674 64.33264 Feet-Kare
10 284.85348 -29.85348
Herhangi bir regresyon varsayımını ihlal

ettiği görülmemektedir
Otokorelasyonun Ölçümü:
Durbin-Watson İstatistiği
 Veriler zamanla toplandığında

otokorelasyon olup olmadığını tespit etmek
için kullanılır
 Bir zaman periyodundaki artık değerler
başka bir periyottaki artık değerlerle ilgili
ise, otokorelasyon mevcuttur

Otokorelasyon
 Otokorelasyon, zamana göre hataların (artık
değerlerin) korelasyonudur
Zaman (t) Artık değer çizimi
15
 Burada artık değerler, 10
rassal değil, döngüsel bir Residual 5
model gösterirler. 0
Çevrimsel modeller pozitif -5 0 2 4 6 8
bir otokorelasyonun -10

işaretidir -15
Zaman (t)
 Artık değerlerin rassal ve bağımsız olduğu

regresyon varsayımını ihlal eder
Durbin-Watson İstatistiği
 Durbin-Watson istatistiği, otokorelasyonu test etmek için

kullanılır
H0: artık değerler ilişkili değildir
H1: pozitif otokorelasyon mevcuttur
n  Mümkün aralık 0 ≤ D ≤ 4
∑ (e − e i i−1 ) 2
 H0 doğru ise D 2’ye yakın olmalıdır

D= i= 2
n
∑ i
e
i=1
2
 2’den küçük D değeri pozitif
otokorelasyonun işaretidir, 2’den
büyük D değeri negatif
otokorelasyonun işaretidir.
Pozitif Otokorelasyon İçin Test
Etme
H0: pozitif otokorelasyon yoktur
H1: pozitif otokorelasyon mevcuttur
Durbin-Watson test istatistiğini = D hesapla
(Durbin-Watson İstatistiği Excel veya Minitab kullanılarak hesaplanabilir)
 Durbin-Watson tablosundan dL ve dU değerlerini bulun

(n örnek boyutu için ve k bağımsız değişken sayısı için)
Karar Kuralı: Eğer D < dLise H0’ı reddet
H0’ı reddet Yorum yapılamaz H0’ı reddetme
0 dL dU 2
Etme (devamı)
 Elimizde şu zaman seri tablosu olduğunu

düşünelim:
160
140
120
100
Satışlar
80 y = 30.65 + 4.7038x
R2 = 0.8976
60
40
20
0
0 5 10 15 20 25 30
Zam an
 Otokorelasyon var mıdır?

Etme (devamı)
160
 n = 25 büyüklüklü örnek: 140
Excel/PHStat çıktısı:
120
100
Satışlar
Durbin-Watson Calculations 80 y = 30.65 + 4.7038x
R2 = 0.8976
60
Sum of Squared
Difference of Residuals 3296.18 40
20
Sum of Squared
Residuals 3279.98 0
0 5 10 15 20 25 30
Durbin-Watson Zam an
Statistic 1.00494
∑ (e − ei i−1 )2
3296.18
D= i= 2
n
= = 1.00494
3279.98
∑ ei
2
i=1
Etme (devamı)
 Burada, n = 25 ve k = 1 olmak üzere bir bağımsız değişken

vardır
 Durbin-Watson tablosunu kullanarak, dL=1.29 ve dU=1.45
elde edilir
 D = 1.00494 < dL = 1.29, H0 reddedilir ve önemli bir pozitif
otokorelasyon olduğu yorumu yapılır
Karar:D = 1.00494 < dL

olduğundan H0 reddedilir
H0’ı reddet Yorum yapılamaz H0’ı reddetme

0 dL=1.29 dU=1.45 2
Eğimle İlgili Çıkarımlar
 Regresyon eğimi katsayısı (b1) standart hata

tahmini şu formülle yapılır:
SYX SYX
Sb1 = =
XKT ∑ (X i − X) 2
Sb1 = Eğimin standart hata tahmini

HKT
SYX = = Tahminin standart hatası
n−2
Eğimle İlgili Çıkarımla:
t Testi
 Bir popülasyon eğimi için t testi

 X ve Y arasında doğrusal bir ilişki var mıdır?
 Sıfır ve alternatif hipotezler
 H0: β1 = 0 (doğrusal ilişki yok)
 H1: β1 ≠ 0 (doğrusal bir ilişki mevcut)
 Test istatistiği b1 = regresyon eğim
b1 − β 1 katsayısı
t STAT = β1 = hipotezle belirlenmiş
Sb eğim
1
Sb1 = eğimin standart hatası
s.d . = n − 2
Eğimle İlgili Çıkarımlar:
t Testi Örneği
Ev Fiyatları Beklenen Regresyon Denklemi:

Feet-Kare
$1000
(x)
(y)
245 1400
312 1600
279 1700
308 1875 Bu modelin eğimi 0.1098’dir
199 1100
219 1550
Evin alanı (feet-kare) ile satış fiyatı
405 2350 arasında doğrusal bir ilişki var mıdır?
324 2450
319 1425
255 1700

Eğim İle İlgili Çıkarımlar:
t Testi Örneği
H0: β1 = 0
Excel Çıktısından: H1: β1 ≠ 0
Coefficients Standard Error t Stat P-value
Intercept 98.24833 58.03348 1.69296 0.12892
Square Feet 0.10977 0.03297 3.32938 0.01039
b1 Sb1
b1 − β 1 0.10977 − 0
t STAT = = = 3.32938
Sb 0.03297
1

t Testi Örneği
H0: β1 = 0
Test İstatistiği: tSTAT = 3.329 H1: β1 ≠ 0
s.d.= 10- 2 = 8
α/2=.025 α/2=.025
Karar: H0‘ı Reddet
Ev alanının (feet-kare) ev
H0 ’ı Reddet
-tα/2 0
H ’ı Reddetme H ’ı Reddet
tα/2 0
fiyatlarını etkilediği
-2.3060
0
2.3060 3.329 yönünde yeterli kanıt
mevcuttur
t Testi Örneği
H0: β1 = 0
H1: β1 ≠ 0
Excel Çıktısından:
Coefficients Standard Error t Stat P-value
Intercept 98.24833 58.03348 1.69296 0.12892
Square Feet 0.10977 0.03297 3.32938 0.01039
p-değeri
Karar: p-değeri < α olduğundan H0’ı reddet
Ev alanının (feet-kare) ev fiyatlarını
etkilediği yönünde yeterli kanıt mevcuttur.
Anlamlılık İçin F Testi
F Test istatistiği: F MSR

STAT =

MSE
RKT
MSR =
k
HKT
MSH =
n − k −1
FSTAT , k pay ve (n – k - 1) payda serbestlik derecesine sahip F
dağılımına uymaktadır
(k = regresyon modelindeki bağımsız değişkenlerin sayısı)

Excel Çıktısı
Multiple R 0.76211
MSR 18934.9348
R Square 0.58082 FSTAT = = = 11.0848
Adjusted R Square 0.52842 MSH 1708.1957
Observations 10 1 ve 8 serbestlik F testi için
dereceleriyle p-değeri
ANOVA
Regression 1 18934.9348 18934.9348 11.0848 0.01039
Residual 8 13665.5652 1708.1957
Total 9 32600.5000

(devamı)
H0: β1 = 0 Test İstatistiği:

H1: β1 ≠ 0 MSR
FSTAT = = 11.08
α = .05 MSH
df1= 1 df2 = 8
Karar:
Kritik α = 0.05 düzeyinde H0
değer:
reddedilir
Fα = 5.32
α = .05 Çıkarım:
Ev boyutlarının satış fiyatlarını
0 F etkilediği yönünde yeterli kanıt
H0’ı reddetme H0’ı reddet mevcuttur.
F.05 = 5.32
Eğim İçin Güven Aralığı Tahmini
Eğimin Güven Aralığı Tahmini:
b1 ± t α / 2 S b s.d. = n - 2
1
Ev fiyatları İçin Excel Çıktısı:

Intercept 98.24833 58.03348 1.69296 0.12892 -35.57720 232.07386
Square Feet 0.10977 0.03297 3.32938 0.01039 0.03374 0.18580
%95 güven düzeyinde, eğim için güven aralığı (0.0337,

0.1858) olacaktır

Eğim İçin Güven Aralığı Tahmini
(devamı)

Intercept 98.24833 58.03348 1.69296 0.12892 -35.57720 232.07386
Square Feet 0.10977 0.03297 3.32938 0.01039 0.03374 0.18580
Ev fiyatı değişkeninin birimi $1000 olduğundan,

satış fiyatları üzerindeki ortalama etkinin ev
boyutunun herbir foot-karesi için $33.74 ve
$185.80 arasında olduğunu %95 güven
düzeyinde söyleyebiliriz
Bu %95 güven aralığı 0 içermeyecektir.
Çıkarım: .05 önem seviyesinde ev fiyatları ile ev boyutu
arasında önemli bir ilişki mevcuttur.

Korelasyon Katsayısı için t Testi
 Hipotezler
H0: ρ = 0 (X ve Y arasında korelasyon yoktur)
H1: ρ ≠ 0 (korelasyon mevcuttur)
 Test istatistiği
r -ρ
t STAT = (n – 2 serbestlik derecesiyle)
2
1− r
n−2 r = + r 2 if b1 > 0
r = − r 2 if b1 < 0

(devamı)
.05 önem seviyesinde ev boyutu (feet-

kare)ile satış fiyatı arasında bir doğrusal
ilişki olduğuna dair bir kanıt var mıdır?
H0: ρ = 0 (korelasyon yok)

H1: ρ ≠ 0 (korelasyon mevcut)
α =.05 , sd = 10 - 2 = 8
r −ρ .762 − 0
t STAT = = = 3.329
1− r2 1 − .762 2
n−2 10 − 2

(devamı)
r −ρ .762 − 0 Karar:
t STAT = = = 3.329
H0’ı reddet
1− r2 1 − .762 2
n−2 10 − 2 Conclusion:
%5 önem
s.d. = 10-2 = 8
seviyesinde bir
doğrusal
α/2=.025 α/2=.025
etkileşim
olduğuna dair
H0’ı reddet H0’ı reddetme H ’ı reddet
kanıt vardır
-tα/2 tα/2 0
0
-2.3060 2.3060
3.329
Ortalama Değerlerinin Tahmini
ve Bağımsız Değerlerin Çıkarımı
Amaç: Verilen bir Xi için Y’nin değeriyle ilgili
Xi belirsizliğin aktarılması için Y etrafındaki
verildiğinde aralıkları oluşturmak
Y’nin
ortalaması
Y ∧
Y
için Güven
aralığı
∧
Y = b0+b1Xi
Xi verildiğinde,
bağımsız bir Y
değerinin tahmin
aralığı Xi X
X Verildiğinde Ortalama Y Değeri
İçin Güven Aralığı
Belirli bir Xi verildiğinde Y’nin ortalama
değeri için güven aralığı tahmini
μ Y|X = X i için Güven aralıra :

Yˆ ± tα / 2SYX hi
Aralığın boyutu Ortalamadan X ,
olan uzaklığa göre değişir
1 (Xi − X)2 1 (Xi − X)2

hi = + = +
n SSX n ∑ (Xi − X)2
X Verildiğinde Bağımsız Y Değeri
İçin Güven Aralığı
Belirli bir Xi verildiğinde Y’nin bağımsız bir
değeri için güven aralığı tahmini
YX = X i icin guven araligi :

Yˆ ± tα / 2SYX 1 + hi
Bu fazladan terim, aralık genişliğine, tek bir

bağımsız değer için eklenmiş belirsizliği
yansıtacak şekilde eklenir

Ortalama Değerlerin Tahmini:
Örnek
μY|X=Xi için Güven aralığı
2,000 feet-kare evlerin ortalama fiyatlarının %95

güven aralığında tahmini değerini bulunuz
∧
Tahmini Fiyat Yi = 317.85 ($1,000s)
1 (X i − X) 2
Ŷ ± t 0.025S YX + = 317.85 ± 37.12
n
∑ (X i − X) 2
Güven aralığı uç noktaları( Excel’den) 280.66 ve

354.90’dır, veya $280,660’dan $354,900’a değer alır
Bağımsız tek Değerlerin Tahmini:
Örnek
YX=X için kestirim aralığı tahmini
i
2,000 feet-kare olan bir bağımsız evin %95 güven

düzeyinde kestirim aralığını bulunuz
∧
Tahmini Fiyat Yi = 317.85 ($1,000s)
1 (X i − X) 2
Ŷ ± t 0.025S YX 1 + + = 317.85 ± 102.28
n
∑ (X i − X) 2
Excel’den elde edilen kestirim aralığı uç noktaları 215.50

ve 420.07, veya $215,500’dan $420,070’a olacaktır
Excel’de Güven ve Kestirim
Aralıklarının Bulunması
 Excel’de
PHStat | regression | simple linear regression …
sıralamasını kullan
 “X için güven ve kestirim aralığı =”

“confidence and prediction interval for X=”
kutucuğunu işaretle
ve X-değerini ve istenen güven seviyesini gir

Excel’de Güven ve Kestirim
Aralıklarının Bulunması
(devamı)
Girdi değerleri
∧
Y
μY|X=Xi için güven aralığı tahmini
YX=Xi için kestirim aralığı tahmini

Regresyon Analizinde
Düşülebilecek Hatalar
 En küçük kareler regresyonunun altında yatan

varsayımların farkında olmamak
 Varsayımların nasıl değerlendireceğini bilmemek
 Belli bir varsayım ihlal edilirse, en küçük kareler
regresyonunun alternatiflerini bilmemek
 Konu bilgisi olmaksızın bir regresyon modeli
kullanılması
 İlgili alanın dışında ekstrapolasyon yapmak

Regresyonda Karşılaşılabilecek
Hataların Önlenmesi İçin Stratejiler
 Olası ilişkinin gözlemlenmesi için X ve Y’nin
bir serpme diyagramı ile başlanır
 Varsayımları kontrol etmek için artık değer
analizi yapılmalıdır
 Homosedastisite gibi varsayımların ihlalini kontrol
etmek içinX ve Artık değerlerin diyagramı çizilir
 Olası normal olmayanlığı ortaya çıkarmak için
artık değerlerin histogramı, kök ve yaprak
diyagramı, kutu diyagramı veya artık değerlerin
normal olasılık grafiği kullanılır

Regresyonda Karşılaşılabilecek
Hataların Önlenmesi İçin Stratejiler
(devamı)
 Herhangi bir varsayımın ihlali mevcutsa,

alternatif metot veya modeller kullanılır
 Varsayım ihlali ile ilgili kanıt yoksa, regresyon
katsayılarının önem derecesi için test edilir ve
güven aralığı ve kestirim aralıkları oluşturulur
 Kestirim yapılması önlenir veya ilgili aralık
dışında tahmin yapılır

Bölüm Özeti
Bu bölümde aşağıdaki konulara değinilmiştir;

 Regresyon modellerinin tipleri
 Regresyon ve korelasyonun varsayımları
 Basit doğrusal regresyonun elde edilmesi
 Değişim ölçüleri
 Artık değer (Residual) analizi
 Otokorelasyonun ölçümü

Bölüm Özeti
(devamı)
 Eğim ile ilgili çıkarımlar yapmak

 Korelasyon – birlikteliğin gücünü ölçmek
 Ortalama değerlerin tahmini ve bağımsız
değerlerin kestirimi
 Regresyondaki olası tuzaklar ve bunların
önlenmesi için önerilen stratejiler

9 - Basit Doğrusal Regresyon

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

9 - Basit Doğrusal Regresyon

Uploaded by

Copyright:

Available Formats

Bölüm 13

Basit Doğrusal Regresyon

Copyright ©2014 Pearson Education

Copyright ©2014 Pearson Education

 Sadece bir bağımsız değişken, X

Copyright ©2014 Pearson Education

Doğrusal İlişkiler Eğrisel İlişkiler

Copyright ©2014 Pearson Education

Copyright ©2014 Pearson Education

b0 ve b1 ,Y ve Ŷ arasındaki fark karelerinin

min ∑ (Yi −Ŷi ) = min ∑ (Yi − (b0 + b1Xi ))

Copyright ©2014 Pearson Education

 b0 ve b1 katsayıları ve bu bölümdeki diğer

İlgi duyanlar için formüller kitaptaki bölümde

Copyright ©2014 Pearson Education

 b0 , X’in değeri sıfır olduğunda Y’nin

 b1 ,X’in değerindeki bir birimlik artış

Copyright ©2014 Pearson Education

 Bağımsız değişken(X) = feet-kare (ev boyutu)

Copyright ©2014 Pearson Education

Copyright ©2014 Pearson Education

Ev fiyatı Modeli: Serpme

Copyright ©2014 Pearson Education

1. Veri’yi Seç 2. Veri çözümleyici’yi seç

Copyright ©2014 Pearson Education

Y aralığını ve X aralığını ve gerekli seçenekleri girin

Copyright ©2014 Pearson Education

Copyright ©2014 Pearson Education

Coefficients Standard Error t Stat P-value Lower 95% Upper 95%

Copyright ©2014 Pearson Education

Ev fiyatı modeli: Serpme diyagramı ve tahmin çizgisi

ev fiyatı = 98.24833 + 0.10977 (feet - kare)

Copyright ©2014 Pearson Education

ev fiyatı = 98.24833 + 0.10977 (feet - kare)

 b0 , X’in değeri sıfır olduğunda Y’nin almış

Copyright ©2014 Pearson Education

Ev fiyatı = 98.24833 + 0.10977 (feet - kare)

 b1 , X’deki bir birimlik artış sonucunda

Copyright ©2014 Pearson Education

ev fiyatı = 98.25 + 0.1098 (feet - kare)

2000 feet-kare alana sahip bir evin tahmin

 Toplam Değişim iki bölümden oluşmaktadır:

TKT = RKT + HKT

TKT = ∑ (Yi − Y ) 2 RKT = ∑ (Yˆi − Y ) 2 HKT = ∑ (Yi − Yˆi ) 2

Y = Bağımlı değişkenin ortalama değeri

 TKT = toplam kareler toplamı (Toplam değişim)

Copyright ©2014 Pearson Education

RKT regresyon kareler toplamı

Copyright ©2014 Pearson Education

X ve Y arasında kusursuz bir

X ve Y arasında daha zayıf

Y’nin değeri X’e bağlı

Copyright ©2014 Pearson Education

Coefficients Standard Error t Stat P-value Lower 95% Upper 95%

Copyright ©2014 Pearson Education

HKT = Hata kareleri toplamı

Copyright ©2014 Pearson Education

Residual 8 13665.5652 1708.1957

Coefficients Standard Error t Stat P-value Lower 95% Upper 95%

Copyright ©2014 Pearson Education

SYX’in büyüklüğü (şiddeti) örnek verisindeki Y değerlerinin

Copyright ©2014 Pearson Education

 Artık Değerlerin Grafik Analizi