{"id":730764,"date":"2019-03-14T22:43:49","date_gmt":"2019-03-15T05:43:49","guid":{"rendered":"https:\/\/www.questionpro.com\/blog\/regresyon-analizi-tanim-turler-vaka-calismasi-avantajlar-ve-daha-fazlasi\/"},"modified":"2019-03-14T22:43:49","modified_gmt":"2019-03-14T22:43:49","slug":"regresyon-analizi-tanim-turler-vaka-calismasi-avantajlar-ve-daha-fazlasi","status":"publish","type":"post","link":"https:\/\/www.questionpro.com\/blog\/tr\/regresyon-analizi-tanim-turler-vaka-calismasi-avantajlar-ve-daha-fazlasi\/","title":{"rendered":"Regresyon Analizi: Tan\u0131m, t\u00fcrler, vaka \u00e7al\u0131\u015fmas\u0131, avantajlar ve daha fazlas\u0131"},"content":{"rendered":"

Regresyon analizi, ba\u011f\u0131ml\u0131 de\u011fi\u015fken ile bir dizi ba\u011f\u0131ms\u0131z a\u00e7\u0131klay\u0131c\u0131 de\u011fi\u015fken aras\u0131ndaki ili\u015fkiyi ara\u015ft\u0131rmak veya tahmin etmek i\u00e7in belki de en yayg\u0131n kullan\u0131lan istatistiksel tekniktir.<\/p>\n

Ayr\u0131ca, \u00e7ok say\u0131da de\u011fi\u015fkeni modellemek ve analiz etmek i\u00e7in nitel bir ara\u015ft\u0131rma<\/a> y\u00f6nteminde kullan\u0131lan \u00e7e\u015fitli veri analizi teknikleri<\/a> i\u00e7in genel bir terim olarak kullan\u0131l\u0131r. Regresyon y\u00f6nteminde, ba\u011f\u0131ml\u0131 de\u011fi\u015fken bir tahmin edici veya a\u00e7\u0131klay\u0131c\u0131 unsurdur ve ba\u011f\u0131ml\u0131 de\u011fi\u015fken sonu\u00e7 veya belirli bir sorguya verilen yan\u0131tt\u0131r.
\n<\/code><\/p>\n

\n

\u0130\u00e7erik Dizini<\/p>\n

    \n
  1. Regresyon Analizi: Tan\u0131m<\/a><\/li>\n
  2. Regresyon Analizi T\u00fcrleri<\/a>\n
      \n
    1. Do\u011frusal Regresyon Analizi<\/a><\/li>\n
    2. Lojistik Regresyon Analizi<\/a><\/li>\n
    3. Polinom Regresyon Analizi<\/a><\/li>\n
    4. Ad\u0131msal Regresyon Analizi<\/a><\/li>\n
    5. Ridge Regresyon Analizi<\/a><\/li>\n
    6. Kement Regresyon Analizi<\/a><\/li>\n
    7. Elastik A\u011f Regresyon Analizi<\/a><\/li>\n<\/ol>\n<\/li>\n
    8. Pazar ara\u015ft\u0131rmas\u0131nda regresyon analizinin kullan\u0131m\u0131<\/a>\n
        \n
      1. Regresyon analizi anketlerden nas\u0131l i\u00e7g\u00f6r\u00fc elde eder?<\/a><\/li>\n<\/ol>\n<\/li>\n
      2. \u00c7evrimi\u00e7i bir ankette regresyon analizi kullanman\u0131n avantajlar\u0131<\/a>\n
          \n
        1. Tahmine dayal\u0131 analiti\u011fe eri\u015fim elde edin<\/a><\/li>\n
        2. Operasyonel verimlili\u011fi art\u0131r\u0131n<\/a><\/li>\n
        3. Karar verme i\u00e7in niceliksel destek<\/a><\/li>\n
        4. Sezgiler nedeniyle meydana gelen hatalar\u0131 \u00f6nleyin<\/a><\/li>\n<\/ol>\n<\/li>\n<\/ol>\n<\/div>\n

          Regresyon Analizi: Tan\u0131m<\/b><\/a><\/h2>\n

          Regresyon analizi genellikle verileri modellemek veya analiz etmek i\u00e7in kullan\u0131l\u0131r. Anket analistlerinin \u00e7o\u011fu bu y\u00f6ntemi de\u011fi\u015fkenler aras\u0131ndaki ili\u015fkiyi anlamak i\u00e7in kullanmaktad\u0131r ve bu da kesin sonucu tahmin etmek i\u00e7in kullan\u0131labilir.<\/span><\/p>\n

          \u00d6rne\u011fin<\/b> – Bir me\u015frubat \u015firketinin \u00fcretim birimini daha yeni bir yere geni\u015fletmek istedi\u011fini varsayal\u0131m. \u0130lerlemeden \u00f6nce; \u015firket, gelir yaratma modelini ve bunu etkileyebilecek \u00e7e\u015fitli fakt\u00f6rleri analiz etmek istiyor. Bu nedenle, \u015firket bir <\/span>
          \n online anket<\/span>
          \n<\/a> belirli bir anket ile.<\/span><\/p>\n

          Regresyon analizini kulland\u0131ktan sonra, \u015firketin anket sonu\u00e7lar\u0131n\u0131 analiz etmesi ve elektrik ile gelir gibi farkl\u0131 de\u011fi\u015fkenler aras\u0131ndaki ili\u015fkiyi anlamas\u0131 kolayla\u015f\u0131r – burada gelir ba\u011f\u0131ml\u0131 de\u011fi\u015fkendir. Buna ek olarak, fiyatland\u0131rma, i\u015f\u00e7i say\u0131s\u0131 ve lojistik gibi farkl\u0131 ba\u011f\u0131ms\u0131z de\u011fi\u015fkenlerin gelirle olan ili\u015fkisinin anla\u015f\u0131lmas\u0131, \u015firketin \u00e7e\u015fitli fakt\u00f6rlerin \u015firketin sat\u0131\u015flar\u0131 ve k\u00e2r\u0131 \u00fczerindeki etkisini tahmin etmesine yard\u0131mc\u0131 olur.<\/span><\/p>\n

          Anket ara\u015ft\u0131rmac\u0131lar\u0131 bu tekni\u011fi genellikle ilgilenilen farkl\u0131 de\u011fi\u015fkenler aras\u0131ndaki korelasyonu incelemek ve bulmak i\u00e7in kullan\u0131rlar. \u015eunlar\u0131 sa\u011flar <\/span>Farkl\u0131 ba\u011f\u0131ms\u0131z de\u011fi\u015fkenlerin ba\u011f\u0131ml\u0131 de\u011fi\u015fken \u00fczerindeki etkisini \u00f6l\u00e7mek i\u00e7in bir f\u0131rsat. Genel olarak regresyon analizi, \u00e7ok say\u0131da ba\u011f\u0131ms\u0131z de\u011fi\u015fkeni tablolar halinde d\u00fczenlemek ve ba\u011f\u0131ml\u0131 de\u011fi\u015fken \u00fczerindeki etkisini test etmek veya hesaplamak i\u00e7in anket ara\u015ft\u0131rmac\u0131lar\u0131n\u0131n ek \u00e7abalar\u0131ndan tasarruf sa\u011flayan bir tekniktir. Yeni \u00fcr\u00fcnleri de\u011ferlendirmek i\u00e7in farkl\u0131 t\u00fcrde analitik y\u00f6ntemler yayg\u0131n olarak kullan\u0131lmaktad\u0131r. <\/span>
          \n i\u0307\u015f fi\u0307ki\u0307rleri\u0307<\/span>
          \n<\/a> ve bilin\u00e7li kararlar vermelerini sa\u011flar.<\/span><\/p>\n

          \u00dccretsiz Hesap Olu\u015fturun<\/strong><\/a><\/p>\n

          Regresyon Analizi T\u00fcrleri<\/b><\/a><\/h2>\n

          Ara\u015ft\u0131rmac\u0131lar genellikle ilk olarak do\u011frusal ve lojistik regresyonu \u00f6\u011frenerek i\u015fe ba\u015flarlar. Bu iki y\u00f6ntemin yayg\u0131n olarak bilinmesi ve uygulama kolayl\u0131\u011f\u0131 nedeniyle, bir\u00e7ok analist sadece iki t\u00fcr model oldu\u011funu d\u00fc\u015f\u00fcnmektedir. <\/span> Her modelin kendi uzmanl\u0131k alan\u0131 ve belirli ko\u015fullar sa\u011fland\u0131\u011f\u0131nda ger\u00e7ekle\u015ftirme yetene\u011fi vard\u0131r. Bu blog, \u00e7e\u015fitli formatlardaki say\u0131s\u0131z veriyi yorumlamak i\u00e7in kullan\u0131labilecek yayg\u0131n olarak kullan\u0131lan yedi t\u00fcr regresyon analizi y\u00f6ntemini a\u00e7\u0131klamaktad\u0131r.<\/span><\/p>\n

          Do\u011frusal Regresyon Analizi<\/b><\/a><\/h3>\n

          Tahmine dayal\u0131 modellemeyi \u00f6\u011frenirken insanlar taraf\u0131ndan se\u00e7ilen ilk se\u00e7kin regresyon analizi y\u00f6ntemlerinden biri oldu\u011fu i\u00e7in en yayg\u0131n bilinen modelleme tekniklerinden biridir. Burada, ba\u011f\u0131ml\u0131 de\u011fi\u015fken s\u00fcreklidir ve ba\u011f\u0131ms\u0131z de\u011fi\u015fken daha \u00e7ok s\u00fcreklidir veya do\u011frusal bir regresyon \u00e7izgisi ile ayr\u0131kt\u0131r.<\/span><\/p>\n

          \u00c7oklu do\u011frusal regresyonda birden fazla ba\u011f\u0131ms\u0131z de\u011fi\u015fken oldu\u011funu, basit do\u011frusal regresyonda ise yaln\u0131zca bir ba\u011f\u0131ms\u0131z de\u011fi\u015fken oldu\u011funu l\u00fctfen unutmay\u0131n. Bu nedenle, do\u011frusal regresyon yaln\u0131zca ba\u011f\u0131ms\u0131z ve ba\u011f\u0131ml\u0131 de\u011fi\u015fken aras\u0131nda do\u011frusal bir ili\u015fki oldu\u011funda kullan\u0131lmal\u0131d\u0131r<\/span><\/p>\n

          \u00d6rnek: <\/b>Bir i\u015fletme, pazarlama kampanyalar\u0131n\u0131n, fiyatland\u0131rman\u0131n ve promosyonlar\u0131n bir \u00fcr\u00fcn\u00fcn sat\u0131\u015flar\u0131 \u00fczerindeki etkinli\u011fini \u00f6l\u00e7mek i\u00e7in do\u011frusal regresyonu kullanabilir. Diyelim ki spor malzemeleri satan bir \u015firket, \u00fcr\u00fcnlerinin pazarlanmas\u0131 ve markala\u015fmas\u0131 i\u00e7in yat\u0131rd\u0131\u011f\u0131 fonlar\u0131n kendilerine \u00f6nemli bir getiri sa\u011flay\u0131p sa\u011flamad\u0131\u011f\u0131n\u0131 anlamak istiyor. Do\u011frusal regresyon, sonu\u00e7lar\u0131 yorumlamak i\u00e7in en iyi istatistiksel y\u00f6ntemdir. Do\u011frusal regresyonun en iyi yan\u0131, her bir pazarlama ve markala\u015fma faaliyetinin belirsiz etkisini analiz etmeye yard\u0131mc\u0131 olurken, ayn\u0131 zamanda bile\u015fenin sat\u0131\u015flar\u0131 d\u00fczenleme potansiyelini kontrol etmesidir. E\u011fer \u015firket ayn\u0131 anda iki ya da daha fazla reklam kampanyas\u0131 y\u00fcr\u00fct\u00fcyorsa, \u00f6rne\u011fin biri televizyonda, ikisi radyoda, o zaman do\u011frusal regresyon hem ba\u011f\u0131ms\u0131z hem de bu reklamlar\u0131n birlikte y\u00fcr\u00fct\u00fclmesinin birle\u015fik etkisini kolayca analiz edebilir. <\/span><\/p>\n

          Lojistik Regresyon Analizi<\/b><\/a><\/h3>\n

          Lojistik regresyon, genellikle a\u015fa\u011f\u0131daki durumlar\u0131n olas\u0131l\u0131\u011f\u0131n\u0131 belirlemek i\u00e7in kullan\u0131l\u0131r <\/span>
          \n olay=Ba\u015far\u0131<\/span>
          \n<\/i> ve <\/span>
          \n olay=Ba\u015far\u0131s\u0131zl\u0131k<\/span>
          \n<\/i>. Ba\u011f\u0131ml\u0131 de\u011fi\u015fken 0\/1, Do\u011fru\/Yanl\u0131\u015f, Evet\/Hay\u0131r gibi ikili oldu\u011funda lojistik regresyon kullan\u0131l\u0131r. Bu nedenle, lojistik regresyonun a\u015fa\u011f\u0131daki iki durumu analiz etmek i\u00e7in kullan\u0131ld\u0131\u011f\u0131 s\u00f6ylenebilir <\/span>
          \n kapal\u0131 u\u00e7lu sorular<\/span>
          \n<\/a> veya bir ankette say\u0131sal yan\u0131t gerektiren sorular.<\/span><\/p>\n

          Lojistik regresyonun, do\u011frusal regresyon gibi ba\u011f\u0131ml\u0131 ve ba\u011f\u0131ms\u0131z de\u011fi\u015fken aras\u0131nda do\u011frusal bir ili\u015fkiye ihtiya\u00e7 duymad\u0131\u011f\u0131n\u0131 l\u00fctfen unutmay\u0131n. Lojistik regresyon, olas\u0131l\u0131k oran\u0131n\u0131 tahmin etmek i\u00e7in do\u011frusal olmayan bir log d\u00f6n\u00fc\u015f\u00fcm\u00fc uygular; bu nedenle, bir ba\u011f\u0131ml\u0131 ve bir ba\u011f\u0131ms\u0131z de\u011fi\u015fken aras\u0131ndaki \u00e7e\u015fitli ili\u015fki t\u00fcrlerini kolayca ele al\u0131r.<\/span><\/p>\n

          \u00d6rnek:<\/b> Lojistik regresyon, kategorik verileri analiz etmek i\u00e7in, \u00f6zellikle de i\u015f veri modellemesinde ikili yan\u0131t verileri i\u00e7in yayg\u0131n olarak kullan\u0131lmaktad\u0131r. Lojistik regresyon daha \u00e7ok ba\u011f\u0131ml\u0131 de\u011fi\u015fken kategorik oldu\u011funda, \u00f6rne\u011fin bir ki\u015fi taraf\u0131ndan yap\u0131lan sa\u011fl\u0131k iddias\u0131n\u0131n ger\u00e7ek(1) mi yoksa sahte mi oldu\u011funu tahmin etmek, t\u00fcm\u00f6r\u00fcn k\u00f6t\u00fc huylu(1) olup olmad\u0131\u011f\u0131n\u0131 anlamak i\u00e7in kullan\u0131l\u0131r. \u0130\u015fletmeler, belirli bir demografik gruptaki t\u00fcketicilerin \u00fcr\u00fcnlerini sat\u0131n al\u0131p almayacaklar\u0131n\u0131 veya ya\u015f, gelir, cinsiyet, \u0131rk, ikamet durumu, \u00f6nceki sat\u0131n alma vb. temelinde rakiplerden sat\u0131n al\u0131p almayacaklar\u0131n\u0131 tahmin etmek i\u00e7in lojistik regresyonu kullan\u0131r. <\/span><\/p>\n

          Polinom Regresyon Analizi<\/b><\/a><\/h3>\n

          Polinom regresyon genellikle e\u011frisel verileri analiz etmek i\u00e7in kullan\u0131l\u0131r ve bu, ba\u011f\u0131ms\u0131z bir de\u011fi\u015fkenin g\u00fcc\u00fc 1’den fazla oldu\u011funda ger\u00e7ekle\u015fir. Bu regresyon analizi y\u00f6nteminde, en iyi uyum \u00e7izgisi hi\u00e7bir zaman bir ‘d\u00fcz \u00e7izgi’ de\u011fil, her zaman veri noktalar\u0131na uyan bir ‘e\u011fri \u00e7izgi’dir.<\/span><\/p>\n

          L\u00fctfen polinom regresyonun, de\u011fi\u015fkenlerin \u00e7ok az\u0131n\u0131n \u00fcsl\u00fc, \u00e7ok az\u0131n\u0131n ise \u00fcss\u00fcz oldu\u011fu durumlarda kullan\u0131lmas\u0131n\u0131n daha iyi oldu\u011funu unutmay\u0131n. Ayr\u0131ca, do\u011frusal olarak ayr\u0131lamayan verileri modelleyebilir ve her de\u011fi\u015fken i\u00e7in tam \u00fcss\u00fc se\u00e7me \u00f6zg\u00fcrl\u00fc\u011f\u00fc sunar ve bu da mevcut modelleme \u00f6zellikleri \u00fczerinde tam kontrol sa\u011flar.<\/span><\/p>\n

          \u00d6rnek:<\/b> Polinom regresyonu, yan\u0131t y\u00fczeyi analizi ile birle\u015ftirildi\u011finde, \u00e7ok kaynakl\u0131 geri bildirim ara\u015ft\u0131rmalar\u0131nda yayg\u0131n olarak kullan\u0131lan sofistike bir istatistiksel yakla\u015f\u0131m olarak kabul edilir. Polinom regresyonu \u00e7o\u011funlukla ba\u011f\u0131ml\u0131 ve ba\u011f\u0131ms\u0131z de\u011fi\u015fken aras\u0131ndaki ili\u015fkinin e\u011frisel oldu\u011fu finans ve sigortac\u0131l\u0131kla ilgili sekt\u00f6rlerde kullan\u0131l\u0131r. Bir ki\u015finin belirli bir miktar paray\u0131 kazanmak i\u00e7in ne kadar zaman gerekti\u011fini belirleyerek gider planlamas\u0131 yapmak istedi\u011fini varsayal\u0131m. Polinom regresyonu, gelirini dikkate alarak ve harcamalar\u0131n\u0131 tahmin ederek, belirli bir miktar kazanmak i\u00e7in \u00e7al\u0131\u015fmas\u0131 gereken kesin s\u00fcreyi kolayca belirleyebilir.<\/span><\/p>\n

          Ad\u0131msal Regresyon Analizi<\/b><\/a><\/h3>\n

          Bu, tahmin edilen katsay\u0131lar\u0131n\u0131n t-istatistiklerine ba\u011fl\u0131 olan de\u011fi\u015fkenlerin eklenmesi veya \u00e7\u0131kar\u0131lmas\u0131 yoluyla istatistiksel bir modelin olu\u015fturuldu\u011fu yar\u0131 otomatik bir s\u00fcre\u00e7tir. Do\u011fru kullan\u0131ld\u0131\u011f\u0131nda, kademeli regresyon size herhangi bir y\u00f6ntemden daha g\u00fc\u00e7l\u00fc verileri parmaklar\u0131n\u0131z\u0131n ucunda sunacakt\u0131r. \u00c7ok say\u0131da ba\u011f\u0131ms\u0131z de\u011fi\u015fkenle \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131zda iyi sonu\u00e7 verir. Sadece de\u011fi\u015fkenleri rastgele d\u00fcrtmek suretiyle analiz modeline ince ayar yapar. Ad\u0131msal regresyon analizinin birden fazla ba\u011f\u0131ms\u0131z de\u011fi\u015fken oldu\u011funda kullan\u0131lmas\u0131 tavsiye edilir, burada ba\u011f\u0131ms\u0131z de\u011fi\u015fkenlerin se\u00e7imi insan m\u00fcdahalesi olmadan otomatik olarak yap\u0131l\u0131r.<\/span><\/p>\n

          A\u015famal\u0131 regresyon modellemesinde, de\u011fi\u015fkenin a\u00e7\u0131klay\u0131c\u0131<\/a> de\u011fi\u015fkenler k\u00fcmesine eklendi\u011fini veya \u00e7\u0131kar\u0131ld\u0131\u011f\u0131n\u0131 l\u00fctfen unutmay\u0131n. Eklenen veya \u00e7\u0131kar\u0131lan de\u011fi\u015fkenler k\u00fcmesi, tahmin edilen katsay\u0131n\u0131n test istatistiklerine ba\u011fl\u0131 olarak se\u00e7ilir.<\/span><\/p>\n

          \u00d6rnek: <\/b>Diyelim ki ya\u015f, kilo, v\u00fccut y\u00fczey alan\u0131, hipertansiyon s\u00fcresi, bazal nab\u0131z ve stres indeksi gibi kan bas\u0131nc\u0131 \u00fczerindeki etkisini analiz etmek istedi\u011finiz bir dizi ba\u011f\u0131ms\u0131z de\u011fi\u015fkeniniz var. Ad\u0131msal regresyonda, ba\u011f\u0131ms\u0131z de\u011fi\u015fkenin en iyi alt k\u00fcmesi otomatik olarak se\u00e7ilir, ya ilerlemek i\u00e7in hi\u00e7bir de\u011fi\u015fken se\u00e7meyerek ba\u015flar (her seferinde bir de\u011fi\u015fken ekler) ya da modeldeki t\u00fcm de\u011fi\u015fkenlerle ba\u015flar ve geriye do\u011fru ilerler (her seferinde bir de\u011fi\u015fkeni kald\u0131r\u0131r). B\u00f6ylece, regresyon analizini kullanarak, her bir de\u011fi\u015fkenin veya bir grup de\u011fi\u015fkenin kan bas\u0131nc\u0131 \u00fczerindeki etkisini hesaplayabilirsiniz.<\/span><\/p>\n

          Ridge Regresyon Analizi<\/b><\/a><\/h3>\n

          Ridge regresyonu, \u00e7oklu do\u011frusal ba\u011flant\u0131 verilerini (ba\u011f\u0131ms\u0131z de\u011fi\u015fkenlerin y\u00fcksek oranda ili\u015fkili oldu\u011fu veriler) analiz etmek i\u00e7in kullan\u0131lan s\u0131radan bir en k\u00fc\u00e7\u00fck kare y\u00f6ntemine dayanmaktad\u0131r. Do\u011frusal ba\u011flant\u0131, de\u011fi\u015fkenler aras\u0131nda do\u011frusala yak\u0131n bir ili\u015fki olarak a\u00e7\u0131klanabilir. \u00c7oklu do\u011frusal ba\u011flant\u0131 oldu\u011funda, en k\u00fc\u00e7\u00fck kareler tahminleri yans\u0131z olacakt\u0131r; ancak, aralar\u0131ndaki fark daha b\u00fcy\u00fckse, o zaman ger\u00e7ek de\u011ferden uzak olabilir. Ancak ridge regresyonu, daha g\u00fcvenilir tahminler sa\u011flamak amac\u0131yla regresyon tahminlerine bir dereceye kadar yanl\u0131l\u0131k ekleyerek standart hatalar\u0131 ortadan kald\u0131r\u0131r.<\/span><\/p>\n

          L\u00fctfen ridge regresyonu yoluyla elde edilen varsay\u0131mlar\u0131n en k\u00fc\u00e7\u00fck kareli regresyona benzer oldu\u011funu, tek fark\u0131n normallik oldu\u011funu unutmay\u0131n. Katsay\u0131n\u0131n de\u011feri ridge regresyonunda daralm\u0131\u015f olsa da, hi\u00e7bir zaman s\u0131f\u0131ra ula\u015fmaz ve bu da de\u011fi\u015fkenlerin se\u00e7ilemedi\u011fini g\u00f6sterir.<\/span><\/p>\n

          \u00d6rnek:<\/b> Diyelim ki yak\u0131n\u0131n\u0131zdaki bir etkinlikte canl\u0131 performans sergileyen iki gitarist i\u00e7in deli oluyorsunuz ve kimin daha iyi bir gitarist oldu\u011funu \u00f6\u011frenmek i\u00e7in performanslar\u0131n\u0131 izlemeye gidiyorsunuz. Ancak performans ba\u015flad\u0131\u011f\u0131nda, her ikisinin de ayn\u0131 anda siyah-mavi notalar \u00e7ald\u0131\u011f\u0131n\u0131 fark ediyorsunuz. Her ikisi de y\u00fcksek sesle ve h\u0131zl\u0131 \u00e7alarken aralar\u0131nda ses \u00fczerinde en b\u00fcy\u00fck etkiye sahip olan en iyi gitaristi bulmak m\u00fcmk\u00fcn m\u00fc? Her ikisi de farkl\u0131 notalar \u00e7ald\u0131\u011f\u0131ndan, bunlar\u0131 ay\u0131rt etmek olduk\u00e7a zordur, bu da \u00e7oklu do\u011frusall\u0131\u011f\u0131n en iyi \u00f6rne\u011fidir ve bu da katsay\u0131lar\u0131n standart hatalar\u0131n\u0131 art\u0131rma e\u011filimindedir. Ridge regresyonu bu gibi durumlarda \u00e7oklu do\u011frusall\u0131\u011f\u0131 ele al\u0131r ve sonu\u00e7lar\u0131 elde etmek i\u00e7in yanl\u0131l\u0131k veya daralma tahmini i\u00e7erir.<\/span><\/p>\n

          Kement Regresyon Analizi<\/b><\/a><\/h3>\n

          Kement (En K\u00fc\u00e7\u00fck Mutlak K\u00fc\u00e7\u00fcltme ve Se\u00e7im Operat\u00f6r\u00fc) s\u0131rt regresyonuna benzer; ancak s\u0131rt regresyonunda kullan\u0131lan kare \u00f6nyarg\u0131 yerine mutlak de\u011fer \u00f6nyarg\u0131s\u0131 kullan\u0131r. Bu y\u00f6ntem, 1989 y\u0131l\u0131nda geleneksel en k\u00fc\u00e7\u00fck kareler tahminine alternatif olarak, verilerin \u00e7ok say\u0131da ba\u011f\u0131ms\u0131z de\u011fi\u015fkene sahip oldu\u011fu durumlarda a\u015f\u0131r\u0131 uyumla ilgili sorunlar\u0131n \u00e7o\u011funu ortadan kald\u0131rmak amac\u0131yla geli\u015ftirilmi\u015ftir. Lasso, de\u011fi\u015fkenleri se\u00e7me ve yumu\u015fak bir e\u015fikle birlikte d\u00fczenli hale getirme gibi her ikisini de ger\u00e7ekle\u015ftirme yetene\u011fine sahiptir. Kement regresyonu uygulayarak, nicel bir yan\u0131t\u0131 analiz ederken tahmin hatalar\u0131n\u0131n en aza indirilebilmesi i\u00e7in bir tahminci alt k\u00fcmesi t\u00fcretmek daha kolay hale gelir.<\/span><\/p>\n

          Kement modelinde, daraltma sonras\u0131nda s\u0131f\u0131r de\u011ferine ula\u015fan regresyon katsay\u0131s\u0131n\u0131n modelden \u00e7\u0131kar\u0131ld\u0131\u011f\u0131n\u0131 l\u00fctfen unutmay\u0131n. Aksine, s\u0131f\u0131rdan b\u00fcy\u00fck de\u011fere sahip regresyon katsay\u0131lar\u0131, a\u00e7\u0131klay\u0131c\u0131 de\u011fi\u015fkenlerin nicel, kategorik veya her ikisi birden olabilece\u011fi yan\u0131t de\u011fi\u015fkenleriyle g\u00fc\u00e7l\u00fc bir \u015fekilde ili\u015fkilidir.<\/span><\/p>\n

          \u00d6rnek:<\/b> Bir otomobil \u015firketinin ABD’deki otomobillerin ortalama yak\u0131t t\u00fcketimine ili\u015fkin bir ara\u015ft\u0131rma analizi yapmak istedi\u011fini varsayal\u0131m. \u00d6rnekler i\u00e7in 32 otomobil modeli ve otomobil tasar\u0131m\u0131n\u0131n 10 \u00f6zelli\u011fini se\u00e7tiler – Silindir say\u0131s\u0131, Deplasman, Br\u00fct beygir g\u00fcc\u00fc, Arka aks oran\u0131, A\u011f\u0131rl\u0131k, \u00bc mil s\u00fcresi, v\/s motor, \u015fanz\u0131man, vites say\u0131s\u0131 ve karb\u00fcrat\u00f6r say\u0131s\u0131. G\u00f6rd\u00fc\u011f\u00fcn\u00fcz gibi yan\u0131t de\u011fi\u015fkeni mpg (galon ba\u015f\u0131na mil) ile a\u011f\u0131rl\u0131k, silindir say\u0131s\u0131 ve beygir g\u00fcc\u00fc gibi baz\u0131 de\u011fi\u015fkenler aras\u0131nda son derece y\u00fcksek bir korelasyon vard\u0131r. Bu sorun, a\u015fa\u011f\u0131daki y\u00f6ntemlerden yararlan\u0131larak analiz edilebilir <\/span>
          \n glmnet <\/span>
          \n<\/i>paketini kullanarak ve \u00f6zellik se\u00e7imi i\u00e7in lasso regresyonu kullanarak ger\u00e7ekle\u015ftirilmi\u015ftir. <\/span> <\/p>\n

          Elastik A\u011f Regresyon Analizi<\/b><\/a><\/h3>\n

          L1 ve L2 normu ile e\u011fitilmi\u015f ridge ve lasso regresyon modellerinin bir kar\u0131\u015f\u0131m\u0131d\u0131r. Elastik a\u011f, g\u00fc\u00e7l\u00fc korelasyon g\u00f6steren tahmin edicilerin modele birlikte girip \u00e7\u0131kma e\u011filiminde oldu\u011fu bir gruplama etkisi yarat\u0131r. Tahmin edicilerin say\u0131s\u0131 g\u00f6zlem say\u0131s\u0131ndan \u00e7ok daha fazla oldu\u011funda elastik a\u011f regresyon modelinin kullan\u0131lmas\u0131 \u00f6nerilir.<\/span><\/p>\n

          Elastik net regresyon modelinin, lasso regresyon modeline bir se\u00e7enek olarak ortaya \u00e7\u0131kt\u0131\u011f\u0131n\u0131 l\u00fctfen unutmay\u0131n, \u00e7\u00fcnk\u00fc lasso’nun de\u011fi\u015fken b\u00f6l\u00fcm\u00fc verilere \u00e7ok fazla ba\u011f\u0131ml\u0131yd\u0131 ve bu da onu karars\u0131z hale getiriyordu. Elastik a\u011f regresyonunu kullanarak istatistik\u00e7iler, her iki modelden de en iyi sonucu almak i\u00e7in ridge ve lasso regresyonunun cezalar\u0131n\u0131 a\u015fma yetene\u011fine sahip oldular.<\/span><\/p>\n

          \u00d6rnek:<\/b> L\u00f6semi (LEU) ile ilgili bir mikroarray veri setine eri\u015fimi olan bir klinik ara\u015ft\u0131rma ekibi, l\u00f6semi t\u00fcr\u00fcn\u00fc tahmin etmek i\u00e7in sunulan gen \u00f6rneklerinin ifade d\u00fczeyine dayal\u0131 bir tan\u0131 kural\u0131 olu\u015fturmak istiyordu. Ellerindeki veri seti, \u00e7ok say\u0131da gen ve az say\u0131da \u00f6rnekten olu\u015fuyordu. Bunun d\u0131\u015f\u0131nda, e\u011fitim numunesi olarak kullan\u0131lmak \u00fczere, baz\u0131lar\u0131 tip 1 l\u00f6semi (akut lenfoblastik l\u00f6semi) ve baz\u0131lar\u0131 tip 2 l\u00f6semi (akut miyeloid l\u00f6semi) ile enfekte olan belirli bir numune seti verildi. E\u011fitim verileri \u00fczerinde model uydurma ve on kat CV ile ayarlama parametresi se\u00e7imi ger\u00e7ekle\u015ftirilmi\u015ftir. Daha sonra, gerekli sonu\u00e7lar\u0131 elde etmek i\u00e7in test verileri \u00fczerinde tahmin ortalama-kare hatalar\u0131n\u0131 hesaplayarak bu y\u00f6ntemlerin performans\u0131n\u0131 kar\u015f\u0131la\u015ft\u0131rd\u0131lar.<\/span><\/p>\n

          Pazar ara\u015ft\u0131rmas\u0131nda kullan\u0131m<\/b><\/a><\/h3>\n

          \u00dc\u00e7 ana matrise odaklanan bir pazar ara\u015ft\u0131rmas\u0131 anketi ger\u00e7ekle\u015ftirilir; <\/span>
          \n M\u00fc\u015fteri Memnuniyeti<\/span>
          \n<\/a>, M\u00fc\u015fteri Sadakati ve M\u00fc\u015fteri Savunuculu\u011fu. Unutmay\u0131n, bu matrisler bize m\u00fc\u015fteri sa\u011fl\u0131\u011f\u0131 ve niyetleri hakk\u0131nda bilgi verse de, durumu iyile\u015ftirmenin yollar\u0131n\u0131 g\u00f6stermez. Bu nedenle, t\u00fcketicilere memnuniyetsizliklerinin nedenini sormay\u0131 ama\u00e7layan derinlemesine bir           anket<\/a> kesinlikle pratik bilgiler edinmenin bir yoludur.<\/span><\/p>\n

          Ancak, insanlar\u0131n genellikle motivasyonlar\u0131n\u0131 veya motivasyonsuzluklar\u0131n\u0131 ortaya koymakta veya memnuniyetlerini veya memnuniyetsizliklerini tan\u0131mlamakta zorland\u0131klar\u0131 tespit edilmi\u015ftir. Buna ek olarak, insanlar her zaman fiyat, ambalaj vb. gibi baz\u0131 rasyonel fakt\u00f6rlere gere\u011finden fazla \u00f6nem vermektedir. Genel olarak, pazar ara\u015ft\u0131rmas\u0131nda \u00f6ng\u00f6r\u00fcc\u00fc bir analitik ve tahmin arac\u0131 olarak i\u015flev g\u00f6r\u00fcr. <\/span><\/p>\n

          Bir tahmin arac\u0131 olarak kullan\u0131ld\u0131\u011f\u0131nda regresyon analizi, d\u0131\u015f pazar verilerini dikkate alarak bir kurulu\u015fun sat\u0131\u015f rakamlar\u0131n\u0131 belirlemek i\u00e7in kullan\u0131labilir. \u00c7ok uluslu bir \u015firket, GSY\u0130H (Gayri Safi Yurti\u00e7i Has\u0131la), T\u00dcFE (T\u00fcketici Fiyat Endeksi) ve di\u011fer benzer fakt\u00f6rler gibi \u00e7e\u015fitli fakt\u00f6rlerin gelir yaratma modeli \u00fczerindeki etkisini anlamak i\u00e7in bir pazar ara\u015ft\u0131rmas\u0131<\/a> y\u00fcr\u00fct\u00fcr. A\u00e7\u0131k\u00e7as\u0131, gelecek \u00e7eyreklerde ve hatta gelecek y\u0131llarda elde edilecek ge\u00e7ici bir geliri tahmin etmek i\u00e7in tahmini pazarlama g\u00f6stergeleri dikkate al\u0131narak regresyon analizi kullan\u0131lm\u0131\u015ft\u0131r. Ancak, gelecekte daha ileri gidildik\u00e7e veriler daha g\u00fcvenilmez hale gelecek ve geni\u015f bir hata pay\u0131 b\u0131rakacakt\u0131r. <\/span><\/p>\n

          \u00d6rnek:<\/b> Bir su ar\u0131tma cihaz\u0131 \u015firketi, marka tercih edilirli\u011fine yol a\u00e7an fakt\u00f6rleri anlamak istedi. Anket, mevcut ve potansiyel m\u00fc\u015fterilere ula\u015fmak i\u00e7in en iyi ara\u00e7t\u0131. B\u00fcy\u00fck \u00f6l\u00e7ekli bir t\u00fcketici anketi planlanm\u0131\u015f ve en iyi anket arac\u0131<\/a> kullan\u0131larak gizli bir anket haz\u0131rlanm\u0131\u015ft\u0131r. Ankette marka, tercih edilirlik, memnuniyet ve olas\u0131 memnuniyetsizlikle ilgili bir dizi soru etkin bir \u015fekilde sorulmu\u015ftur. Ankete optimum yan\u0131tlar al\u0131nd\u0131ktan sonra, marka tercih edilirli\u011fini y\u00f6nlendiren ilk on fakt\u00f6r\u00fc daraltmak i\u00e7in regresyon analizi kullan\u0131lm\u0131\u015ft\u0131r. T\u00fcretilen (a\u015fa\u011f\u0131daki resimde belirtilen) on \u00f6zelli\u011fin t\u00fcm\u00fc, \u015fu veya bu \u015fekilde, s\u00f6z konusu su ar\u0131tma cihaz\u0131 markas\u0131n\u0131n tercih edilirli\u011fini etkilemedeki \u00f6nemlerini vurgulam\u0131\u015ft\u0131r.<\/span><\/p>\n

          \"Pazar<\/p>\n

          Regresyon analizi anketlerden nas\u0131l i\u00e7g\u00f6r\u00fc elde eder?<\/b><\/a><\/p>\n

          Excel veya SPSS kullanarak bir regresyon analizi yapmak kolayd\u0131r, ancak bunu yaparken d\u00f6rt say\u0131n\u0131n verileri yorumlamadaki \u00f6nemi anla\u015f\u0131lmal\u0131d\u0131r.<\/span><\/p>\n

          D\u00f6rt say\u0131dan ilk ikisi do\u011frudan regresyon modelinin kendisiyle ilgilidir.<\/b><\/h4>\n

          F-De\u011feri:<\/i> Anket modelinin istatistiksel anlaml\u0131l\u0131\u011f\u0131n\u0131n \u00f6l\u00e7\u00fclmesine yard\u0131mc\u0131 olur. Unutmay\u0131n, 0,05’ten \u00f6nemli \u00f6l\u00e7\u00fcde k\u00fc\u00e7\u00fck bir F-De\u011feri daha anlaml\u0131 olarak kabul edilir. 0,05’ten k\u00fc\u00e7\u00fck F-De\u011feri, anket analizi \u00e7\u0131kt\u0131s\u0131n\u0131n tesad\u00fcfi olmamas\u0131n\u0131 sa\u011flar.<\/p>\n