İSTATİSTİKSEL DARALTICI (SHRINKAGE) MODEL VE UYGULAMALARI * A Statistical Shrinkage Model And Its Applications*
|
|
- Alp Gökmen
- 5 yıl önce
- İzleme sayısı:
Transkript
1 Ç.Ü. Fen Bilimleri Enstitüsü Yıl:010 Cilt:-1 İSTATİSTİKSEL DARALTICI (SHRINKAGE) MODEL VE UYGULAMALARI * A Statistical Shrinkage Model And Its Applications* Işıl FİDANOĞLU İstatistik Anabilim Dalı Fikri AKDENİZ İstatistik Anabilim Dalı ÖZET Bu çalışmada Bridge, LASSO ve Ridge tahmin ediciler verilerek, içilişki problemi incelenmiş, büzülme ve ayar parametreleri irdelenmiştir. Uygun bir veri kümesi ile tahmin ediciler karşılaştırılmıştır. Anahtar Kelimeler : Ridge regresyon, LASSO, Bridge tahmin edicileri, Daraltıcı modeller ABSTRACT In this study, Bridge, LASSO and Ridge estimators are given, collinearity problem is inspected, tuning and shrinkage parameters are examined. The estimators were compared with an appropriate set of data. Key Words : Ridge regression, LASSO, Bridge estimators, Shrinkage models Giriş y X (1) lineer regresyon modelini düşünelim. Burada, y ; n 1 tipinde rastgele yanıtlar vektörü, X ; n p tipinde tasarım matrisi, ; p 1 tipinde regresyon parametrelerinin vektörü, ; n 1 tipinde rastgele hatalar vektörü ~ (0; ) iid N dir. Amacımız; (1) nolu modeldeki yı tahmin etmektir. Bunun için T RSS y X y X = T * Yüksek Lisans Tezi-MSc. Thesis 138
2 Ç.Ü. Fen Bilimleri Enstitüsü Yıl:010 Cilt:-1 kareler toplamı kullanılır ve minimum yapan bulunur. nın en küçük kareler tahmin edicisi 1 ˆ T T OLS X X X y dir. ˆOLS ; Gauss-Markov koşulları altında en iyi lineer yansız tahmin edicidir (BLUE). Ancak yansızlık ve minimum varyans ˆOLS için her zaman yeterli değildir. 1. Regresyon matrisi X tam ranklı değilse, tahmin edici tek değildir. Aslında hata kareler toplamını minimum yapan pek çok tahmin edici vardır.. Regresyon matrisi X de yaklaşık içilişki problemi varsa EKK tahmin edici yine yansızdır fakat ˆ T 1 Var X X varyansı büyük olur. OLS Örneğin iki açıklayıcı değişkenli basit regresyon problemini düşünelim. y x x 1 1 Buradaki ~ N(0; ) dağılımına sahiptir. Regresörler arası içilişkinin etkilerini örnekte gösterelim. Kolaylık için x 0, x 1, 1, ve ile regresyon vektörleri x 1 ve tahmin edicisinin varyans-kovaryans matrisi 1 x yi standartlaştırıyoruz. ˆ ˆ ˆ OLS 1 ve Var Var ˆ 1 1 OLS X X ˆ 1 1 r 1 r r 1, 1, 1 r 139
3 Ç.Ü. Fen Bilimleri Enstitüsü Yıl:010 Cilt:-1 dir. x 1 ve x açıklayıcı değişkenleri ilişkisiz ise, ilişkili ise Var ˆ çok büyük olacaktır. Tablo 1. Korelasyon katsayıları ile artan varyans r Var ˆ Var ˆ 1 fakat x 1 ve x LASSO ve Ridge Regresyon Tahminleri LASSO ve Ridge regresyon, tahminleri dengelediği için Büzülme Modelleri olarak adlandırılırlar. LASSO ve Ridge regresyon farklı cezalandırma kullanırlar. Tibshirani (1996) En Küçük Mutlak Büzülme ve Operatör Seçimini (LASSO, Least Absolute Shrinkage And Selection Operator); t koşulu ile min y X y X olarak vermiştir. LASSO, EKK tahmin edicisi ˆOLS yi sıfıra büzebilir ve böylece bazı değerleri için ˆ 0 olabilir. Ridge regresyonun amaç fonksiyonu (Hoerl ve Kennard, 1970) n m m yi 0 xi R i1 1 1 dir. Problemin çözümü min 1 R ˆ T T rdg X X I X y dir. Varyansı R > 0 için ˆOLS den daha küçüktür. 140
4 Ç.Ü. Fen Bilimleri Enstitüsü Yıl:010 Cilt:-1 Var( ˆ ) ( X X I) X X ( X X I) 1 1 rdg R R Var( ˆ ) ( X X ) ols 1 L ve R parametreleri büzülme miktarını kontrol eder ve sıfır veya daha büyük değerler seçilmelidir. Eğer parametre 0 ise; EKK gibi LASSO ve Ridge regresyonun sonuçları da aynıdır Ridge regresyonun büzülme etkisini örneklendirelim. İki açıklayıcı değişkenli bir lineer regresyon problemini düşünelim. Ridge tahmin edicinin varyansı 1 1 ˆ 1 r 1 r 1 r Var( rdg ) r 1 r 1 r 1 yanlılık 1 ˆ 1 r 1 r 1 1 Bias( rdg ) r 1 r 1 ve hata kareler ortalaması ile verilir. MSE Var( ˆ ) ( ˆ Bias ) Tablo. Ridge tahmin edicinin varyansı, yanlılık ve MSE değerleri Var bias r Var bias Var bias Var bias MSE MSE MSE MSE bias ve MSE değerleri gerçek (1 1) ile hesaplanmıştır. 141
5 Ç.Ü. Fen Bilimleri Enstitüsü Yıl:010 Cilt:-1 Yukarıdaki tabloda ya göre bias nin artışı görülmektedir. (Bias), bias( ˆ ) (1 r) olarak hesaplanmıştır ( 1 1 özel durumu için). Varyans değerlerinde arttıkça azalma görülmektedir. MSE değeri ise; =0 dan 1 e giderken azalmakta; =1 den 5 veya 10 a giderken artmaktadır. Bridge Tahmin Edicileri kısıtı ile min y X y X 0 ile t ifadesini minimum yapan ˆn değerine Bridge tahmin edici denir (Frank ve Friedman, 1993; Fu, 1998). iken çok iyi bilinen Ridge tahmin edici, 1 iken LASSO tahmin edici adını alır (Tibshirani, 1996). Şekil 1 de t 1 için parametre uzayında oriin çevresinde farklı tahminler gösterilmiştir (Frank ve Friedman, 1993). Bridge Tahmin Edicinin Yapısı 1 verilmişken Bridge regresyonun çözümünde aşağıdaki iki problem dikkate alınır (Fu, 1998). 1 ve t 0 verilmişken t koşulu ile min RSS 1 ve 0 verilmişken min RSS () (3) Bu problemin ikisi de denktir. İki problem de aynı çözümü paylaşır. (3) problemi regresyon gibi yorumlanabilir. ceza ve ayar parametresi ile cezalı 14
6 Ç.Ü. Fen Bilimleri Enstitüsü Yıl:010 Cilt:-1 Şekil 1. İki boyutlu parametre uzayında Bridge regresyonun sınırlandırıldığı bölge (Fu,1998) 143
7 Ç.Ü. Fen Bilimleri Enstitüsü Yıl:010 Cilt:-1 () yi düşünürsek, G, X, y,, RSS olsun. 0 da fonksiyonu diferansiyellenebilir olmadığından, 0 da G nin ye göre kısmi türevini alabiliriz. RSS S (, X, y) G olsun. 0 alındığında ve 1 d(,, ) sign( ) S1(, X, y) d( 1,, ) 0 S p(, X, y) d( p,, ) 0 (4) yazılabilir (Fu, 1998). Bridge Tahmin Edicinin Varyansı 1 Bridge tahmin edici, (4) ün tek çözümü olduğundan ve yaklaşık olarak sıfıra eşit olmadığından, varyansı 1 1 ˆ ˆ ( ) ˆ Var X X D X Var y X X X D (5) y0 y0 Delta metodu kullanılarak (4) ten çıkarılır.aşağıda özel durum verilmiştir. 1. OLS regresyon, 0 D ˆ fonksiyonu sıfır matrisi olur. Böylece. ˆ ( ) 1 1 Var X X X Var y X X X 144
8 Ç.Ü. Fen Bilimleri Enstitüsü Yıl:010 Cilt:-1. Ridge regresyon,. I birim matris ve D ˆ ˆ ( ) ) 1 1 Var X X I X Var y X X X I Bu ridge tahmin edicinin varyansı, Var ˆrdg e eşittir. I olmak üzere LASSO bazı ˆ 0 yaptığı için delta metodu uygulanamaz. Buna rağmen bootstrap ve ackknife metodu (Shao ve Tu, 1995) varyans hesaplamada kullanılabilir. Lineer Regresyon Modeli ve Uygulama 40 gözlemli ve 5 açıklayıcı değişkenli Y x x x x x (6) basit modelinin simülasyonunda Bridge model ile OLS, LASSO ve Ridge i N 0, dir. İçilişkide büzülme etkisini sınamak için karşılaştıralım. ~ güçlü lineer korelasyonlu X matrisi seçilir. Doğru model 0 katsayısını içerdiğinde LASSO Ridge den daha iyi ve doğru model küçük fakat sıfır olmayan parametreler içerdiğinde de LASSO Ridge den daha kötü performans gösterdiğinden; Gerçek değerinin iki kümesi, 0 katsayılı modeldeki büzülme etkisini sınaması için seçilir. Sıfır içeren ve küçük katsayılı fakat sıfır içermeyen modeller: (a) modeli için 0 0 0, 0, 0.5, 0, 1 T ve (b) modeli sabit terimi ile true sabit terimi ile 0.5, 3, 1.0,.5, 9 T dir. için 0 0 true 145
9 Ç.Ü. Fen Bilimleri Enstitüsü Yıl:010 Cilt:-1 Tablo kez tekrarlayan simülasyonla model karşılaştırılması Model (a) EKK Bridge LASSO Ridge (0.071) (0.071) (0.071) (0.071) (0.074) (0.046) (0.046) (0.069) (0.087) (0.060) (0.060) (0.083) (0.081) (0.080) ( (0.080) (0.837) (0.366) (0.366) (0.196) (0.843) (0.375) (0.375) (0.04) MSE (0.061) (0.059) (0,059) 1.1 (0.057) Model (b) EKK Bridge LASSO Ridge (0.757) 0.003(0.757) (0.757) (0.757) (0.860) (0.783) (0.791) (0.783) (0.789).956 (0.768).987 (0.773).913 (0.730) (0.811) (0.769) (0.779) (0.757) (0.837) (4.715) (4.877) (1.610) 9.05 (7.86) (4.883) (5.04) 6.57 (1.819) MSE (5.97) (5.50) (5.5) (5.70) Tablo 3; parametre tahminleri, parantezlerde standart hataları, EKK in, Bridge, LASSO ve Ridge modellerin MSE değerlerini gösterir. (a) modelinde; Bridge ve LASSO sonra da Ridge en küçük MSE değerini elde eder. İçilişki nedeniyle EKK en büyük MSE ye sahiptir. (b) modelinde; En küçük MSE ye sırasıyla Ridge, Bridge, LASSO ve EKK sahiptir. 146
10 Ç.Ü. Fen Bilimleri Enstitüsü Yıl:010 Cilt:-1 Sonuçlar Yukarıdaki örnekte görülüyor ki, Bridge regresyon EKK tahminlerini büzer; küçük varyans ve küçük MSE elde edilir. Bridge tahmin edici, LASSO ve Ridge tahmin ediciye kıyasla ve EKK tahmin ediciye göre daha iyi performans gösterir. Gerçek parametresi 0 ı içerdiğinde LASSO Ridge den daha iyi, sıfır olmayan fakat küçük parametreler içerdiğinde ise Ridge regresyon LASSO dan daha iyi performans gösterir. Kaynaklar FRANK, I. E. ve FRİEDMAN, J. H., A Statistical View of Some Chemometrics Regression Tools, Technometrics 35: FU, W. J., Penalized Regressions: The Bridge Versus The LASSO, J. Computational and Graphical Statistics, 7: HOERL, A. E. ve KENNARD, R. W., Ridge Regression: Biased Estimation For Nonorthogonal Problems, Technometrics, 1: SHAO, J. ve TU, D., The Jackknife and Bootstrap, Springer New York. TİBSHİRANİ, R., Regression Shrinkage And Selection Via The LASSO, J. Roy. Statist. Soc., Ser. B, 58:
Ekonometri I VARSAYIMLARI
Ekonometri I ÇOK DEĞİŞKENLİ REGRESYON MODELİNİN VARSAYIMLARI Hüseyin Taştan Temmuz 23, 2006 İçindekiler 1 Varsayım MLR.1: Parametrelerde Doğrusallık 1 2 Varsayım MLR.2: Rassal Örnekleme 1 3 Varsayım MLR.3:
DetaylıQUANTILE REGRESYON * Quantile Regression
QUANTILE REGRESYON * Quantile Regression Fikriye KURTOĞLU İstatistik Anabilim Dalı Olcay ARSLAN İstatistik Anabilim Dalı ÖZET Bu çalışmada, Lineer Regresyon analizinde kullanılan en küçük kareler yöntemine
DetaylıMatris Cebiriyle Çoklu Regresyon Modeli
Matris Cebiriyle Çoklu Regresyon Modeli Hüseyin Taştan Mart 00 Klasik Regresyon Modeli k açıklayıcı değişkenden oluşan regresyon modelini her gözlem i için aşağıdaki gibi yazabiliriz: y i β + β x i + β
DetaylıCh. 5: SEKK (OLS) nin Asimptotik Özellikleri
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. ed., 2002, Thomson Learning. Ch. 5: SEKK (OLS) nin Asimptotik
DetaylıYTÜ İktisat Bölümü EKONOMETRİ I Ders Notları
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. ed., 2002, Thomson Learning. Ch. 5: SEKK (OLS) nin Asimptotik Özellikleri
DetaylıYTÜ İktisat Bölümü EKONOMETRİ I Ders Notları
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. ed., 2002, Thomson Learning. Ch. 5: SEKK (OLS) nin Asimptotik Özellikleri
Detaylı3. TAHMİN En Küçük Kareler (EKK) Yöntemi 1
3. TAHMİN 3.1. En Küçük Kareler (EKK) Yöntemi 1 En Küçük Kareler (EKK) yöntemi, regresyon çözümlemesinde en yaygın olarak kullanılan, daha sonra ele alınacak bazı varsayımlar altında çok aranan istatistiki
DetaylıOLS Yönteminin Asimptotik (Büyük Örneklem) Özellikleri SIRADAN EN KÜÇÜK KARELER (OLS) Asimptotik Özellikler: Tutarlılık. Asimptotik Özellikler
1 SIRADAN EN KÜÇÜK KARELER (OLS) YÖNTEMİNİN ASİMPTOTİK ÖZELLİKLERİ Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge
DetaylıSIRADAN EN KÜÇÜK KARELER (OLS)
SIRADAN EN KÜÇÜK KARELER (OLS) YÖNTEMİNİN ASİMPTOTİK ÖZELLİKLERİ Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge
Detaylı7. Ders Genel Lineer Modeller Singüler Modeller, Yanlış veya Bilinmeyen Kovaryanslar, Đlişkili Hatalar
7. Ders Genel Lineer Modeller Singüler Modeller, Yanlış veya Bilinmeyen Kovaryanslar, Đlişkili Hatalar Y = X β + ε Lineer Modeli pekçok özel hallere sahiptir. Bunlar, ε nun dağılımına, Cov( ε ) kovaryans
DetaylıÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ
ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ DOKTORA TEZİ ÇOKLU İÇ İLİŞKİ OLMASI DURUMUNDA LİNEER REGRESYON MODELLERİNİN KULLANIMI İLE KESTİRİM VE ÖNGÖRÜ İSTATİSTİK ANABİLİM DALI ADANA, 0 ÇUKUROVA ÜNİVERSİTESİ
Detaylıİçindekiler. Ön Söz... xiii
İçindekiler Ön Söz.................................................... xiii Bölüm 1 İstatistiğe Giriş....................................... 1 1.1 Giriş......................................................1
Detaylıaltında ilerde ele alınacaktır.
YTÜ-İktisat İstatistik II Nokta Tahmin Yöntemleri 1 NOKTA TAHMİN YÖNTEMLERİ Şimdiye kadar verilmiş tahmin edicilerin sonlu örneklem ve asimptotik özelliklerini inceledik. Acaba bilinmeyen anakütle parametrelerini
DetaylıDİNAMİK PANEL VERİ MODELLERİ. FYT Panel Veri Ekonometrisi 1
DİNAMİK PANEL VERİ MODELLERİ FYT Panel Veri Ekonometrisi 1 Dinamik panel veri modeli (tek gecikme için) aşağıdaki gibi gösterilebilir; y it y it 1 x v it ' it i Gecikmeli bağımlı değişkenden başka açıklayıcı
DetaylıExamining the Ridge Regression Analysis of the Number of Foreign Tourists Coming to Turkey
2 nd International Congress of Tourism & Management Researches - 2015 Examining the Ridge Regression Analysis of the Number of Foreign Tourists Coming to Turkey Derya İSPİR a, Barış Ergül b, Arzu Altın
DetaylıİÇİNDEKİLER 1. GİRİŞ...
İÇİNDEKİLER 1. GİRİŞ... 1 1.1. Regresyon Analizi... 1 1.2. Uygulama Alanları ve Veri Setleri... 2 1.3. Regresyon Analizinde Adımlar... 3 1.3.1. Problemin İfadesi... 3 1.3.2. Konu ile İlgili Potansiyel
DetaylıÖrnek. Aşağıdaki veri setlerindeki X ve Y veri çiftlerini kullanarak herbir durumda X=1,5 için Y nin hangi değerleri alacağını hesaplayınız.
Örnek Aşağıdaki veri setlerindeki X ve Y veri çiftlerini kullanarak herbir durumda X=1,5 için Y nin hangi değerleri alacağını hesaplayınız. i. ii. X 1 2 3 4 1 2 3 4 Y 2 3 4 5 4 3 2 1 Örnek Aşağıdaki veri
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık KORELASYON ve REGRESYON ANALİZİ Doç. Dr. İrfan KAYMAZ Tanım Bir değişkenin değerinin diğer değişkendeki veya değişkenlerdeki değişimlere bağlı olarak nasıl etkilendiğinin istatistiksel
Detaylı2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI Tanım
2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI 2.1. Tanım Regresyon analizi, bir değişkenin başka bir veya daha fazla değişkene olan bağımlılığını inceler. Amaç, bağımlı değişkenin kitle ortalamasını, açıklayıcı
DetaylıİÇİNDEKİLER ÖNSÖZ... Örneklem Genişliğinin Elde edilmesi... 1
İÇİNDEKİLER ÖNSÖZ... v 1. BÖLÜM Örneklem Genişliğinin Elde edilmesi... 1 1.1. Kitle ve Parametre... 1 1.2. Örneklem ve Tahmin Edici... 2 1.3. Basit Rastgele Örnekleme... 3 1.4. Tabakalı Rastgele Örnekleme...
DetaylıİÇİNDEKİLER ÖN SÖZ...
İÇİNDEKİLER ÖN SÖZ... v GİRİŞ... 1 1. İSTATİSTİK İN TARİHÇESİ... 1 2. İSTATİSTİK NEDİR?... 3 3. SAYISAL BİLGİDEN ANLAM ÇIKARILMASI... 4 4. BELİRSİZLİĞİN ELE ALINMASI... 4 5. ÖRNEKLEME... 5 6. İLİŞKİLERİN
Detaylı1 Araştırma Makalesi. Hayvansal Üretim Verilerinde Çoklu Bağlantı Probleminin Yanlı Regresyon Yöntemi İle Çözümlenmesi
1 Araştırma Makalesi Hayvansal Üretim Verilerinde Çoklu Bağlantı Probleminin Yanlı Regresyon Yöntemi İle Çözümlenmesi İrfan ÖZTÜRK HÜ, Ziraat Fakültesi, Zootekni Bölümü, Şanlıurfa Geliş (Received): 12.09.2014
Detaylı14 Ekim Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi
DEĞİŞEN VARYANS Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge 14 Ekim 2012 Ekonometri I: Değişen Varyans
Detaylıİçindekiler vii Yazarların Ön Sözü xiii Çevirenin Ön Sözü xiv Teşekkürler xvi Semboller Listesi xvii. Ölçme, İstatistik ve Araştırma...
İçindekiler İçindekiler vii Yazarların Ön Sözü xiii Çevirenin Ön Sözü xiv Teşekkürler xvi Semboller Listesi xvii BÖLÜM 1 Ölçme, İstatistik ve Araştırma...1 Ölçme Nedir?... 3 Ölçme Süreci... 3 Değişkenler
DetaylıAppendix C: İstatistiksel Çıkarsama
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix C: İstatistiksel Çıkarsama
DetaylıMAK 210 SAYISAL ANALİZ
MAK 210 SAYISAL ANALİZ BÖLÜM 6- İSTATİSTİK VE REGRESYON ANALİZİ Doç. Dr. Ali Rıza YILDIZ 1 İSTATİSTİK VE REGRESYON ANALİZİ Bütün noktalardan geçen bir denklem bulmak yerine noktaları temsil eden, yani
DetaylıYTÜ İktisat Bölümü EKONOMETRİ I Ders Notları
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix C: İstatistiksel Çıkarsama Doç.
Detaylı3. Ders Parametre Tahmini Lineer Tahmin Edilebilme Yeniden Parametrelendirme Lineer Parametrik Kısıtlamalar
3. Ders Parametre Tahmini Lineer Tahmin Edilebilme eniden Parametrelendirme Lineer Parametrik Kısıtlamalar Bir Deney Tasarımı Modeli, X matrisi (veya bir kısmı) özel yapılandırılmış, = X β + biçiminde
Detaylı14 Ekim 2012. Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi
ÇOK DEĞİŞKENLİ REGRESYON ANALİZİ: ÇIKARSAMA Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge 14 Ekim 2012 Ekonometri
Detaylıortalama ve ˆ ˆ, j 0,1,..., k
ÇOKLU REGRESYONDA GÜVEN ARALIKLARI Regresyon Katsayılarının Güven Aralıkları y ( i,,..., n) gözlemlerinin, xi ortalama ve i k ve normal dağıldığı varsayılsın. Herhangi bir ortalamalı ve C varyanslı normal
DetaylıMIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009
MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.
DetaylıCh. 12: Zaman Serisi Regresyonlarında Ardışık Bağıntı (Serial Correlation) ve Değişen Varyans
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri II Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. ed., 2002, Thomson Learning. Ch. 12: Zaman Serisi Regresyonlarında
DetaylıISTATISTIK VE OLASILIK SINAVI EKİM 2016 WEB SORULARI
SORU- 1 : ISTATISTIK VE OLASILIK SINAVI EKİM 2016 WEB SORULARI X ve Y birbirinden bağımsız iki rasgele değişken olmak üzere, sırasıyla aşağıdaki moment çıkaran fonksiyonlarına sahiptir: 2 2 M () t = e,
DetaylıMIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009
MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.
DetaylıDERS BİLGİLERİ Ders Kodu Yarıyıl T+U Saat Kredi AKTS Çok Değişkenli İstatistik EKO428 Bahar Ön Koşul Dersin Dili
DERS BİLGİLERİ Ders Kodu Yarıyıl T+U Saat Kredi AKTS Çok Değişkenli İstatistik EKO428 Bahar 3+0 3 3 Ön Koşul Yok Dersin Dili Türkçe Dersin Seviyesi Lisans Dersin Türü Seçmeli Dersi Veren Öğretim Elemanı
DetaylıOLASILIK ve KURAMSAL DAĞILIMLAR
OLASILIK ve KURAMSAL DAĞILIMLAR Kuramsal Dağılımlar İstatistiksel çözümlemelerde; değişkenlerimizin dağılma özellikleri, çözümleme yönteminin seçimi ve sonuçlarının yorumlanmasında önemlidir. Dağılma özelliklerine
DetaylıSistolik Kan Basıncının Tahmininde Yanlı Regresyon Yöntemlerinin Kullanılması +
ARAŞTIRMA / RESEARCH REPORT İnönü Üniversitesi Tıp Fakültesi Dergisi 2010;17(4):347-53 Sistolik Kan Basıncının Tahmininde Yanlı Regresyon Yöntemlerinin Kullanılması + Esra Pamukçu*, Cemil Çolak**, Sinan
Detaylı6. Ders. Genelleştirilmiş Lineer Modeller (Generalized Linear Models, GLM)
6. Ders Genelleştirilmiş Lineer Modeller (Generalized Linear Models, GLM) Y = X β + ε Lineer Modeli pek çok özel hallere sahiptir. Bunlar, ε nun dağılımına (bağımlı değişkenin dağılımına), Cov( ε ) kovaryans
DetaylıANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ DAĞILIM FONKSİYONLARI KONVOLÜSYONLARININ MONTE CARLO TAHMİNİ VE BAZI UYGULAMALARI
ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ DAĞILIM FONKSİYONLARI KONVOLÜSYONLARININ MONTE CARLO TAHMİNİ VE BAZI UYGULAMALARI Ömer ALTINDAĞ İSTATİSTİK ANABİLİM DALI ANKARA 212 Her hakkı
DetaylıAŞIRI YAYILIMLI VERİLER İÇİN GENELLEŞTİRİLMİŞ POİSSON KARMA MODELLERİN HAVA KİRLİLİĞİ ÜZERİNE BİR UYGULAMASI. e posta:
IAAOJ, Scientific Science, 2013, 1(2), 3 7 AŞIRI YAYILIMLI VERİLER İÇİN GENELLEŞTİRİLMİŞ POİSSON KARMA MODELLERİN HAVA KİRLİLİĞİ ÜZERİNE BİR UYGULAMASI Haydar KOÇ 1, M. Ali CENGİZ 1, Tuba KOÇ 1, Emre DÜNDER
DetaylıÖRNEKLEME DAĞILIŞLARI VE TAHMİNLEYİCİLERİN ÖZELLİKLERİ
ÖRNEKLEME DAĞILIŞLARI VE TAHMİNLEYİCİLERİN ÖZELLİKLERİ TEMEL KAVRAMLAR PARAMETRE: Populasyonun sayısal açıklayıcı bir ölçüsüdür ve anakütledeki tüm elemanlar dikkate alınarak hesaplanabilir. Ana kütledeki
DetaylıKORELASYON VE REGRESYON ANALİZİ. Doç. Dr. Bahar TAŞDELEN
KORELASYON VE REGRESYON ANALİZİ Doç. Dr. Bahar TAŞDELEN Günlük hayattan birkaç örnek Gelişim dönemindeki bir çocuğun boyu ile kilosu arasındaki ilişki Bir ailenin tükettiği günlük ekmek sayısı ile ailenin
Detaylı2016 YILI AKTÜERLİK SINAVLARI: İSTATİSTİK OLASILIK
Soru 1 X rassal değişkeninin olasılık yoğunluk fonksiyonu x x, x> f ( x) = 0, dy. 1 werilmiş ve Y = rassal değişkeni tanımlamış ise, Y değişkenin 0< 1 X 1 y için olasılık yoğunluk fonksiyonu aşağıdaki
DetaylıAppendix B: Olasılık ve Dağılım Teorisi
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım
DetaylıYTÜ İktisat Bölümü EKONOMETRİ I Ders Notları
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım Teorisi
DetaylıYTÜ İktisat Bölümü EKONOMETRİ I Ders Notları
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım Teorisi
DetaylıNedensel Modeller Y X X X
Tahmin Yöntemleri Nedensel Modeller X 1, X 2,...,X n şeklinde tanımlanan n değişkenin Y ile ilgili olmakta; Y=f(X 1, X 2,...,X n ) şeklinde bir Y fonksiyonu tanımlanmaktadır. Fonksiyon genellikle aşağıdaki
DetaylıVERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Kümeleme İşlemleri Kümeleme Tanımı Kümeleme Uygulamaları Kümeleme Yöntemleri Kümeleme (Clustering) Kümeleme birbirine
Detaylı1: DENEYLERİN TASARIMI VE ANALİZİ...
İÇİNDEKİLER Bölüm 1: DENEYLERİN TASARIMI VE ANALİZİ... 1 1.1. Deneyin Stratejisi... 1 1.2. Deneysel Tasarımın Bazı Tipik Örnekleri... 11 1.3. Temel Kurallar... 16 1.4. Deneyleri Tasarlama Prensipleri...
DetaylıÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ
ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ Fikriye KURTOĞLU QUANTILE REGRESYON: TEORİSİ VE UYGULAMALARI İSTATİSTİK ANABİLİM DALI ADANA, 2011 ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ
DetaylıÇOKLU BAGINTILI MODELLERDE L1U VE RIDGE REGRESYON KESTiRiciLERiNiN. COMPARISON OF L1U AND RIDGE REGRESSION ESTIMATORS IN MULTICOLLlNEARTY MODELS
NDOLU ÜNivERSiTESi BiliM VE TEKNOLOJi DERGiSi NDOLU UNIVERSITYJOURNL OF SCIENCE ND TECHNOLOGY Cilt/Vol.: 4 - Sayı/No: 2: 189-194 (2003) RŞTIRM MKLESiiRESERCH RTICLE ÇOKLU BGINTILI MODELLERDE L1U VE RIDGE
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Ders 8: Prof. Dr. İrfan KAYMAZ Tanım Tahmin (kestirim veya öngörü): Mevcut bilgi ve deneylere dayanarak olayın bütünü hakkında bir yargıya varmaktır. Bu anlamda, anakütleden çekilen
DetaylıARALIK TAHMİNİ (INTERVAL ESTIMATION):
YTÜ-İktisat İstatistik II Aralık Tahmini I 1 ARALIK TAHMİNİ INTERVAL ESTIMATION): Nokta tahmininde ilgilenilen anakütle parametresine ilişkin örneklem bilgisinden hareketle tek bir sayı üretilir. Bir nokta
Detaylıİleri Diferansiyel Denklemler
MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferansiyel Denklemler 2009 Bahar Bu bilgilere atıfta bulunmak veya kullanım koşulları hakkında bilgi için http://ocw.mit.edu/terms web sitesini ziyaret
DetaylıLineer Denklem Sistemleri Kısa Bilgiler ve Alıştırmalar
Lineer Denklem Sistemleri Kısa Bilgiler ve Alıştırmalar Bir Matrisin Rankı A m n matrisinin determinantı sıfırdan farklı olan alt kare matrislerinin boyutlarının en büyüğüne A matrisinin rankı denir. rank(a)
Detaylı17 Ekim Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi
ÇOK DEĞİŞKENLİ REGRESYON ANALİZİ: TAHMİN Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge 17 Ekim 2012 Ekonometri
DetaylıMIXED REGRESYON TAHMİN EDİCİLERİNİN KARŞILAŞTIRILMASI. The Comparisions of Mixed Regression Estimators *
MIXED EGESYON TAHMİN EDİCİLEİNİN KAŞILAŞTIILMASI The Comparisions o Mixed egression Estimators * Sevgi AKGÜNEŞ KESTİ Ç.Ü.Fen Bilimleri Enstitüsü Matemati Anabilim Dalı Selahattin KAÇIANLA Ç.Ü.Fen Edebiyat
DetaylıMIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009
MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.
DetaylıEME 3117 SİSTEM SIMÜLASYONU. Girdi Analizi. Özet İstatistikler ve Histogram (Minitab)(1) Örnek: Eczane İçin Servis Süreleri
EME 3117 1 2 Girdi Analizi SİSTEM SIMÜLASYONU Modellenecek sistemi (prosesi) dokümante et. Veri toplamak için bir plan geliştir. Veri topla. Verilerin grafiksel ve istatistiksel analizini yap. Girdi Analizi-I
DetaylıKısıtsız Optimizasyon OPTİMİZASYON Kısıtsız Optimizasyon
OPTİMİZASYON Bu bölümde çok değişkenli kısıtsız optimizasyon problemlerinin çözüm yöntemleri incelenecektir. Bu bölümde anlatılacak yöntemler, kısıtlı optimizasyon problemlerini de çözebilmektedir. Bunun
DetaylıOlasılık Teorisi ve İstatistik (MATH392) Ders Detayları
Olasılık Teorisi ve İstatistik (MATH392) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Uygulama Laboratuar Kredi AKTS Saati Saati Saati Olasılık Teorisi ve İstatistik MATH392 Güz 4 0 0 4 7 Ön Koşul Ders(ler)i
Detaylı3 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI
ÖNSÖZ İÇİNDEKİLER III Bölüm 1 İSTATİSTİK ve SAYISAL BİLGİ 11 1.1 İstatistik ve Önemi 12 1.2 İstatistikte Temel Kavramlar 14 1.3 İstatistiğin Amacı 15 1.4 Veri Türleri 15 1.5 Veri Ölçüm Düzeyleri 16 1.6
DetaylıİÇİNDEKİLER. Ön Söz Saymanın Temel Kuralları Permütasyon (Sıralama) Kombinasyon (Gruplama) Binom Açılımı...
İÇİNDEKİLER Ön Söz... Saymanın Temel Kuralları... Permütasyon (Sıralama)... 8 Kombinasyon (Gruplama)... 6 Binom Açılımı... Olasılık... 9 İstatistik... 8... Dağılımlar... 5 Genel Tarama Sınavı... 6 RASTGELE
DetaylıA İSTATİSTİK. 1. nc r, n tane nesneden her defasında r tanesinin alındığı (sıralama önemsiz) kombinasyonların sayısını göstermektedir.
. nc r, n tane nesneden her defasında r tanesinin alındığı (sıralama önemsiz) kombinasyonların sayısını göstermektedir. Buna göre, n C r + n C r toplamı aşağıdakilerden hangisine eşittir? A) n + C r B)
Detaylıİleri Diferansiyel Denklemler
MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferansiyel Denklemler 2009 Bahar Bu bilgilere atıfta bulunmak veya kullanım koşulları hakkında bilgi için http://ocw.mit.edu/terms web sitesini ziyaret
DetaylıBASİT REGRESYON MODELİ
BASİT REGRESYON MODELİ Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge 14 Ekim 2012 Ekonometri I: Basit Regresyon
Detaylıİstatistiksel Kavramların Gözden Geçirilmesi
İstatistiksel Kavramların Gözden Geçirilmesi İstatistiksel Çıkarsama Ekonometri 1 Konu 3 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial ShareAlike
DetaylıYrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü
Mühendislikte İstatistiksel Yöntemler Yrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü 1 Araştırma sonuçlarının açıklanmasında frekans tablosu
DetaylıMIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009
MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.
Detaylı8.Konu Vektör uzayları, Alt Uzaylar
8.Konu Vektör uzayları, Alt Uzaylar 8.1. Düzlemde vektörler Düzlemdeki her noktası ile reel sayılardan oluşan ikilisini eşleştirebiliriz. Buna P noktanın koordinatları denir. y-ekseni P x y O dan P ye
DetaylıBulanık ve Sağlam Bulanık Açıortay Regresyon Tekniklerinin Performansları Üzerine Bir Benzetim Çalışması
Afyon Kocatepe Üniversitesi Fen Bilimleri Dergisi Afyon Kocatepe University Journal of Sciences AKÜ FEBİD 12 (2012) 011301 (1-13) AKU J. Sci. 12 (2012) 011301 (1-13) ve Sağlam Tekniklerinin Performansları
DetaylıMeslek lisesi ve devlet lisesine giden N tane öğrenci olduğu ve bunların yıllık okul harcamalarına ait verilerin olduğu varsayılsın.
KUKLA DEĞİŞKENLİ MODELLER Bir kukla değişkenli modeller (Varyans Analiz Modelleri) Kukla değişkenlerin diğer kantitatif değişkenlerle alındığı modeller (Kovaryans Analizi Modeller) Kukla değişkenlerin
DetaylıÇOKLU DOĞRUSAL BAĞLANTI HALİNDE ENKÜÇÜK KARELER TEKNİĞİNİN ALTERNATİFİ YANLI TAHMİN TEKNİKLERİ VE BİR UYGULAMA
ÇOKLU DOĞRUSAL BAĞLANTI HALİNDE ENKÜÇÜK KARELER TEKNİĞİNİN ALTERNATİFİ YANLI TAHMİN TEKNİKLERİ VE BİR UYGULAMA Yrd. Doç. Dr. Ali Sait ALBAYRAK Zonguldak Karaelmas Üniversitesi Çaycuma İktisadi ve İdari
DetaylıEşanlı Denklem Modelleri
Eşanlı Denklem Modelleri Eşanlı Denklem Yöntemleri Ekonometri 2 Konu 23 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial ShareAlike 3.0 Unported (CC
DetaylıSÜREKLİ OLASILIK DAĞILIŞLARI
SÜREKLİ OLASILIK DAĞILIŞLARI Sürekli verilerin göstermiş olduğu dağılışa sürekli olasılık dağılışı denir. Sürekli olasılık dağılışlarının fonksiyonlarına yoğunluk fonksiyonu denilmekte ve bu dağılışlarla
DetaylıÇOKLU DOĞRUSAL BAĞLANTI HALİNDE ENKÜÇÜK KARELER TEKNİĞİNİN ALTERNATİFİ YANLI TAHMİN TEKNİKLERİ VE BİR UYGULAMA
ÇOKLU DOĞRUSAL BAĞLANTI HALİNDE ENKÜÇÜK KARELER TEKNİĞİNİN ALTERNATİFİ YANLI TAHMİN TEKNİKLERİ VE BİR UYGULAMA Yrd. Doç. Dr. Ali Sait ALBAYRAK Zonguldak Karaelmas Üniversitesi Çaycuma İktisadi ve İdari
DetaylıÇOKLU DOĞRUSAL BAĞLANTI HALİNDE ENKÜÇÜK KARELER TEKNİĞİNİN ALTERNATİFİ YANLI TAHMİN TEKNİKLERİ VE BİR UYGULAMA
ZKÜ Sosyal Bilimler Dergisi Cilt 1, Sayı 1, 005, ss. 105-16 ÇOKLU DOĞRUSAL BAĞLANTI HALİNDE ENKÜÇÜK KARELER TEKNİĞİNİN ALTERNATİFİ YANLI TAHMİN TEKNİKLERİ VE BİR UYGULAMA Yrd. Doç. Dr. Ali Sait ALBAYRAK
DetaylıSEK Tahmincilerinin Türetilmesi. SEK Tahmincilerinin Türetilmesi. Ekonometri 1 Konu 8 Sürüm 2,0 (Ekim 2011)
İki Değişkenli Bağlanım Modeli SEK Tahmincilerinin Türetilmesi Ekonometri 1 Konu 8 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial ShareAlike 3.0
DetaylıOlasılık ve İstatistiğe Giriş-II (STAT 202) Ders Detayları
Olasılık ve İstatistiğe Giriş-II (STAT 202) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Olasılık ve İstatistiğe Giriş-II STAT 202 Bahar 3 0 0 3 5 Ön Koşul
Detaylı2. BASİT DOĞRUSAL REGRESYON 12
1. GİRİŞ 1 1.1 Regresyon ve Model Kurma / 1 1.2 Veri Toplama / 5 1.3 Regresyonun Kullanım Alanları / 9 1.4 Bilgisayarın Rolü / 10 2. BASİT DOĞRUSAL REGRESYON 12 2.1 Basit Doğrusal Regresyon Modeli / 12
DetaylıİÇİNDEKİLER. BÖLÜM 1 Değişkenler ve Grafikler 1. BÖLÜM 2 Frekans Dağılımları 37
İÇİNDEKİLER BÖLÜM 1 Değişkenler ve Grafikler 1 İstatistik 1 Yığın ve Örnek; Tümevarımcı ve Betimleyici İstatistik 1 Değişkenler: Kesikli ve Sürekli 1 Verilerin Yuvarlanması Bilimsel Gösterim Anlamlı Rakamlar
DetaylıMühendislikte İstatistiksel Yöntemler
Mühendislikte İstatistiksel Yöntemler BÖLÜM 7 TAHMİNLER Yrd. Doç. Dr. Fatih TOSUNOĞLU 1 Tahmin (kestirim veya öngörü): Mevcut bilgi ve deneylere dayanarak olayın bütünü hakkında bir yargıya varmaktır.
DetaylıKoşullu Öngörümleme. Bu nedenle koşullu öngörümleme gerçekleştirilmelidir.
Koşullu Öngörümleme Ex - ante (tasarlanan - umulan) öngörümleme söz konusu iken açıklayıcı değişkenlerin hatasız bir şekilde bilindiği varsayımı gerçekçi olmayan bir varsayımdır. Çünkü bazı açıklayıcı
DetaylıYAPAY SİNİR AĞI KULLANARAK DEPREM EĞİLİMİNİN KESTİRİMİ. Umut FIRAT
YAPAY SİNİR AĞI KULLANARAK DEPREM EĞİLİMİNİN KESTİRİMİ Umut FIRAT ufirat@yahoo.com Öz: Depremler yeryüzünde en çok yıkıma neden olan doğal afetlerdir. Bu durum, depremlerin önceden tahmin edilmesi fikrini
DetaylıOPTİMUM TOLERANSLARIN BELİRLENMESİNDE CEVAP YÜZEYİ YÖNTEMLERİNİN KULLANILMASI ÜZERİNE BİR İNCELEME 1 Cenk ÖZLER 2
D.E.Ü.İ.İ.B.F. Dergisi Cilt:1 Sayı:1, Yıl:006, ss: 71-83 OPTİMUM TOLERANSLARIN BELİRLENMESİNDE CEVAP YÜZEYİ YÖNTEMLERİNİN KULLANILMASI ÜZERİNE BİR İNCELEME 1 Cenk ÖZLER ÖZET Bir montajı oluşturan bileşenlerin
DetaylıDOĞRUSAL ZAMAN SERİSİ MODELLERİ. Durağan ARIMA Modelleri: Hareketli Ortalama Modelleri MA(q) Süreci
DOĞRUSAL ZAMAN SERİSİ MODELLERİ Durağan ARIMA Modelleri: Hareketli Ortalama Modelleri MA(q) Süreci Hareketli Ortalama Süreci:MA(q) Hareketli Ortalama sürecini yapısını ortaya koymak için önce hisse senedi
DetaylıREGRESYON ANALĐZĐ. www.fikretgultekin.com 1
REGRESYON ANALĐZĐ Regresyon analizi, aralarında sebep-sonuç ilişkisi bulunan iki veya daha fazla değişken arasındaki ilişkiyi belirlemek ve bu ilişkiyi kullanarak o konu ile ilgili tahminler (estimation)
DetaylıBüyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data)
Büyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data) M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Bu dersin sunumları, The Elements of Statistical Learning: Data
DetaylıMIT OpenCourseWare http://ocw.mit.edu. 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009
MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.
DetaylıİÇİNDEKİLER ÖNSÖZ Bölüm 1 SAYILAR 11 Bölüm 2 KÜMELER 31 Bölüm 3 FONKSİYONLAR
İÇİNDEKİLER ÖNSÖZ III Bölüm 1 SAYILAR 11 1.1. Sayı Kümeleri 12 1.1.1.Doğal Sayılar Kümesi 12 1.1.2.Tam Sayılar Kümesi 13 1.1.3.Rasyonel Sayılar Kümesi 14 1.1.4. İrrasyonel Sayılar Kümesi 16 1.1.5. Gerçel
Detaylı7.Ders Bazı Ekonometrik Modeller. Đktisat (ekonomi) biliminin bir kavramı: gayrisafi milli hasıla.
7.Ders Bazı Ekonometrik Modeller Đktisat (ekonomi) biliminin bir kavramı: gayrisafi milli hasıla. Kaynak: TÜĐK dönemler gayri safi yurt içi hasıla düzeyi 1987-1 8680793 1987-2 9929354 1987-3 13560135 1987-4
DetaylıStokastik Süreçler. Bir stokastik süreç ya da rastgele süreç şöyle tanımlanabilir.
Bir stokastik süreç ya da rastgele süreç şöyle tanımlanabilir. Zamanla değişen bir rastgele değişkendir. Rastgele değişkenin alacağı değer zamanla değişmektedir. Deney çıktılarına atanan rastgele bir zaman
Detaylı1 PAZARLAMA ARAŞTIRMASI
İÇİNDEKİLER ÖNSÖZ III Bölüm 1 PAZARLAMA ARAŞTIRMASI 11 1.1. Pazarlama Araştırması Kavramı ve Kapsamı 12 1.2. Pazarlama Araştırmasının Tarihçesi 14 1.3. Pazarlama Araştırması Pazarlama Bilgi Sistemi ve
DetaylıZ = S n E(S n ) V ar(sn ) = S n nµ. S nn. n 1/2 n σ
YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 1 MERKEZİ LİMİT TEOREMİ CENTRAL LIMIT THEOREM X 1,X 2,...,X n herbirinin ortalaması µ ve varyansı σ 2 olan ve aynı dağılıma uyan n tane bağımsız r.d. olsun.
DetaylıDEĞİŞMELİ BANACH CEBİRLERİNİN GELFAND SPEKTRUMLARI ÜZERİNE
Ekim 25 Cilt:3 No:2 Kastamonu Eğitim Dergisi 547-554 DEĞİŞMELİ BANACH CEBİRLERİNİN GELFAND SPEKRUMLARI ÜZERİNE Hayri AKAY, Ziya ARGÜN Gazi Üniversitesi, Gazi Eğitim Fakültesi, Matematik Eğitimi Bölümü,
DetaylıDeney Dizaynı ve Veri Analizi Ders Notları
Deney Dizaynı ve Veri Analizi Ders Notları Binom dağılım fonksiyonu: Süreksiz olaylarda, sonuçların az sayıda seçenekten oluştuğu durumlarda kullanılır. Bir para atıldığında yazı veya tura gelme olasılığı
DetaylıÇOKLU LİNEER REGRESYONDA EN İYİ MODEL SEÇİMİ* Selection Of The Best Model In Multiple Linear Regression
Ç.Ü Fen Bilimleri Enstitüsü Yıl:8 Cilt:7-5 ÇOKLU LİNEER REGRESYONDA EN İYİ MODEL SEÇİMİ* Selection Of The Best Model In Multiple Linear Regression Pelin İYİ İstatistik Anabilim Dalı Hamza EROL İstatistik
DetaylıDOĞRUSAL ZAMAN SERİSİ MODELLERİ. Durağan ARIMA Modelleri: Otoregresiv Modeller AR(p) Süreci
DOĞRUSAL ZAMAN SERİSİ MODELLERİ Durağan ARIMA Modelleri: Otoregresiv Modeller AR(p) Süreci Tek Değişkenli Zaman Serisi Modelleri Ekonomik verilerin analizi ile ekonomik değişkenlerin gelecekte alabilecekleri
DetaylıÖRNEK BULGULAR. Tablo 1: Tanımlayıcı özelliklerin dağılımı
BULGULAR Çalışma tarihleri arasında Hastanesi Kliniği nde toplam 512 olgu ile gerçekleştirilmiştir. Olguların yaşları 18 ile 28 arasında değişmekte olup ortalama 21,10±1,61 yıldır. Olguların %66,4 ü (n=340)
DetaylıDers 9: Kitle Ortalaması ve Varyansı için Tahmin
Ders 9: Kitle Ortalaması ve Varyansı için Tahmin Kitle ve Örneklem Örneklem Dağılımı Nokta Tahmini Tahmin Edicilerin Özellikleri Kitle ortalaması için Aralık Tahmini Kitle Standart Sapması için Aralık
Detaylı