1 / 33

Lineer Iliski

lorenzo
Download Presentation

Lineer Iliski

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

    1. Lineer Iliski Regresyon:parametrelerin veri kullanilarak hesaplanmasi X(exogeneous), Y(endogeneous)

    2. Dogrusal Regresyon Modeli

    3. Lineer Iliski Her gelir düzeyi için, olanakli satis degerlerinin dagiliminin beklenen degeri

    4. Lineer Iliski

    5. Dogrusal Regresyon Modeli

    6. Dogrusal Regresyon Modeli

    7. Lineer Iliski

    8. Dogrusal Regresyon Modeli gerçek deger = beklenen deger + hata terimi - Gelir disindaki diger faktörler

    9. En Küçük Karelerle Tahmin Bu noktalara en iyi uyum gösteren dogrunun (?0 ve ?1) tahmini. En küçük kareler yöntemi, anakütle regresyon dogrusunun bir tahmini olarak, kalinti (ei) karelerinin toplami en küçük olan dogruyu seçer.

    10. Dogrusal Regresyon Modeli

    11. En Küçük Karelerle Tahmin

    12. En Küçük Karelerle Tahmin : Örneklem ortalamalari

    13. En Küçük Karelerle Tahmin Örneklem Regresyon Dogrusu

    14. Dogrusal Regresyon Modelinin Standart Varsayimlari Belirli varsayimlar altinda en küçük kareler tahminleri anlamlidir: xi degerleri sabit ya da ?i’den bagimsiz Xi rassal degiskenlerinin gerçeklesmis degerleridir. Hata terimleri, ?i ortalamasi sifir olan ve varyanslari ayni olan rassal degiskenlerdir. Hata terimleri birbirleri ile iliskili degillerdir.

    15. Perakende Satis Analizi için Regresyon Analizi

    16. Dogrusal Regresyon Modelinin Açiklama Gücü Degiskenlik Analizi – Varyans Analizi (Analysis of Variance) BKT = RKT + HKT SST = SSR + SSE Regresyon analizindeki toplam degiskenlik: BKT (bütün kareler toplami) Y’nin X’e bagimliliginin açikladigi degiskenlik: RKT (regresyon kareleri toplami) Açiklanamayan degiskenlik: HKT (hata kareleri toplami)

    17. Dogrusal Regresyon Modelinin Açiklama Gücü Degiskenlik Analizi- Varyans Analizi (Analysis of Variance)

    18. Perakende Satis Analizi için Regresyon Analizi

    19. Dogrusal Regresyon Modelinin Açiklama Gücü Belirlilik Katsayisi, (coefficient of determination- R2)

    20. Dogrusal Regresyon Modelinin Açiklama Gücü Model Hata Varyansinin Tahmini

    21. Güven Araliklari ve Önsav Sinamalari Anakütle regresyon dogrusunun egimi ?1 (LS tahmini b) Standard varsayimlar geçerli iken, b1 ?1’nin sapmasiz tahmin edicisidir ve varyansi ‘nin sapmasiz tahmin edicisi ise,

    22. Güven Araliklari ve Önsav Sinamalari Egim katsayisinin tahmini b1’in varyansi iki unsura baglidir: Se2, regresyon egrisinden uzaklik (n-1)Sx2

    23. Güven Araliklari ve Önsav Sinamalari Regresyon modelinde ?1= 0 ise lineer bir iliski oldugunu söyleyemeyiz. Testimiz:

    24. Güven Araliklari ve Önsav Sinamalari Anakütle regresyon egimi ?1, LS tahminine de b1 diyelim. Varsayimlar geçerli ve ?i normal dagilimli ise; rassal degiskeni, (n-2) serbestlik dereceli bir student t dagilimina uyar.

    25. Perakende Satis Modeli için Excel Çiktisi

    26. Güven Araliklari ve Önsav Sinamalari Anakütle Regresyon Egiminin Güven Araliklari ?i‘ler normal dagiliyorsa ve varsayimlar geçerliyse, ?1’in %100(1-?) güven araligi; Burada t(n – 2, ?/2), esitligini saglayan bir sayidir. t(n – 2) rassal degiskeni de (n-2) serbestlik dereceli student t dagilimina uyar.

    27. Güven Araliklari ve Önsav Sinamalari Anakütle Regresyon Egiminin Sinanmasi önsavini, önsavi ile sinamanin kurali:

    28. Güven Araliklari ve Önsav Sinamalari Anakütle Regresyon Egiminin Sinanmasi önsavini, önsavi ile sinamanin kurali:

    29. Güven Araliklari ve Önsav Sinamalari Anakütle Regresyon Egiminin Sinanmasi önsavini, önsavi ile sinamanin kurali:

    30. Güven Araliklari ve Önsav Sinamalari Anakütle Regresyon Egim Katsayisinin F Testi ile Sinanmasi önsavini, önsavi ile F istatistigini kullanarak sinamanin kurali:

    31. Kestirim Regresyon kullaniminin önemi, bagimsiz degiskenin varsayilan degerlerine bagli olarak bagimsiz degisken için kestirimler hesaplamaktir. X ve Y arasinda tahmin ettigimiz iliskinin geçerli oldugunu ve X= xn+1 varsayalim. X= xn+1 iken, yn+1’in gerçek degerini kestirmek isteyebiliriz. X= xn+1 iken, y’nin ortalama degerini kestirmek isteyebiliriz.

    32. Kestirim Her iki durumda da uygun nokta tahminidir. Nokta tahmininin yanisira güven araliklari da istenir. X= xn+1 iken, yn+1’in gerçek degerinin kestirimi için güven araligi: X= xn+1 iken, y’nin ortalama degerinin kestirimi için güven araligi:

    33. Regresyon Analizinde Siklikla Yapilan Hatalar En küçük kareler yönteminin varsayimlarinin gözden kaçirilmasi, Varsayimlarin nasil degerlendirileceginin bilinmemesi, Varsayimlar geçerli olmadigi durumda, en küçük karelere alternatif yöntemlerin bilinmemesi, Konunun ne oldugu tam anlasilmadan regresyon modelinin kullanilmasi,

    34. Bu Hatalari Önlemek için Stratejiler X ve Y arasindaki olasi iliskiyi gözlemlemek için serpilme çizimi ile baslamak (scatter plot), Varsayimlarin geçerliligini kontrol etmek için kalinti analizinin yapmak, Kalintilarin normal dagilim gösterip göstermedigini kontrol etmek, Varsayimlarin geçerli olmadigi durumda alternatif metotlari kullanmak, Varsayimlar geçerli ise, tahmin edilen regresyon katsayilarinin önemini test etmek ve kestirim güven araliklarini olusturmak.

More Related