HAYVANCILIKTA TEKRARLANAN ÖLÇÜMLERİN ANALİZİNDE KULLANILAN FARKLI MODELLERİN KARŞILAŞTIRILMASI VE SAS UYGULAMALARI
|
|
- Aylin İnönü
- 7 yıl önce
- İzleme sayısı:
Transkript
1 HAYVANCILIKTA TEKRARLANAN ÖLÇÜMLERİN ANALİZİNDE KULLANILAN FARKLI MODELLERİN KARŞILAŞTIRILMASI VE SAS UYGULAMALARI Doç.Dr.Yavuz AKBAŞ 1 Doç.Dr.Mehmet Ziya FIRAT 2 Araş.Gör.Çiğdem YAKUPOĞLU 3 1 Ege Üniversitesi Ziraat Fakültesi Zootekni Bölümü Bornova, İzmir, yavuz@ziraat.ege.edu.tr 2 Akdeniz Üniversitesi Ziraat Fakültesi Zootekni Bölümü Bornova, İzmir, mzf@agric.akdeniz.edu.tr 3 Ege Üniversitesi Ziraat Fakültesi Zootekni Bölümü Bornova, İzmir, cigdem@ziraat.ege.edu.tr Özet: Bir özelliğin belirli bir zaman dizisinde birden fazla ölçülerek elde edilmesi tekrarlanan ölçümler olarak tanımlanmaktadır. Hayvancılıkta tekrarlanan ölçümlerin kullanımı giderek artan bir öneme sahiptir. Tekrarlanan ölçümlerin analiz edilmesi klasik veri analizlerinden farklılıklar göstermektedir. Tekrarlanan ölçümleri dikkate alarak analiz yapan bilgisayar programlarının yazılmış olması, karmaşık ve yoğun hesaplama gerektiren bu tip analizlerin dezavantajlarını önemli ölçüde ortadan kaldırmıştır. Bu çalışmada tekrarlanan ölçümler yapısındaki Japon bıldırcınlarına ait haftalık canlı ağırlık verileri kullanılmıştır. Tekrarlanan ölçümler arası kovaryans yapısı Compound Symmetry (CS), Autoregressive (AR(1)), Unstructure (UN) ve Huynh-Feldt (HF) yaklaşımları ile tanımlanarak dokuz farklı analiz ile modellenmiştir. Sözkonusu modeller veri setine uyum açısından Log-L (REML log-likelihood), AIC (Akaike's Information Criterion), SBC (Schwarz's Bayesian Criterion) ile karşılaştırılmıştır. Veri setine en iyi uyum UN kovaryans yapısı tanımlanmasında elde edilmiştir. UN ile karşılaştırıldığında CS ve HF en kötü uyumu vermiş olup AR(1) daha yakın bir uyum sağlamıştır. Bu çalışmada tekrarlanan ölçümlerin analizi bakımından SAS istatistik paket programının GLM ve MIXED procedürleri kullanılmış ve karşılaştırılmıştır. Anahtar Kelimeler: Tekrarlanan ölçümler, kovaryans yapısı, modelleme, büyüme eğrisi verileri Comparison of Different Models Used in the Analysis of Repeated Measurements in Animal Science and Their SAS Applications Abstract: Repeated measures term is used for multiple responses of a trait on the same animal over time such as weekly weight measurents. Repeated measures experiments have been used commonly in animal science for a long time, but only in recent years there have been big developments in methodological and computational issues that permit to analyse them effectively. Models and analyses of repeated measurements differ substantially from clasical models and analyses. Softwares are available in recent years to overcome the disadvantage of the use of the models with repeated measurements. In this study repeated measurements from growth curve data of a Japanese quail population were modelled by nine analyses considering different variance-covariance sutructure such as Compound Symmetry (CS), Autoregressive (AR(1)), Unstructure (UN)and Huynh-Feldt (HF). The models were compared using goodness of fit criteria as the REML log-likelihood, Akaike's Information Criterion (AIC), Schwarz's Bayesian Criterion (SBC). The results show that all the criteria favor the Unstructure for the data set. UN had considerable improvement in the criteria over CS and HF, but at least marjinal improvement over AR(1). In this study GLM and MIXED procedures of SAS statistical pakage were used and compared in terms of analyses of repeated measurements. Keywords: Repeated measurements, covariance structure, modelling, growth curve data 1. Giriş Tekrarlanan ölçümler, birey, hayvan veya makina gibi aynı deneme ünitesinden belirli bir zaman dizisinde birden fazla ölçümün yapılması ile elde edilmektedir. Hayvancılıkta bu tip verilere en iyi örnek, her bireyin belirli bir zaman sürecinde büyümesinin tanımlandığı büyüme eğrisi verileridir. Aynı deneme ünitesinden alınan bu ölçümlerin analizi, klasik analizlerden bazı farklılıklar göstermektedir. Çünkü aynı üniteden ölçülen gözlemler arasında bir ilişki sözkonusudur. Bilindiği gibi varyans analizinin varsayımlarında hata terimlerinin birbirinden bağımsız ve buna bağlı olarak gözlemlerin birbirleriyle eşit korelasyona sahip oldukları kabul edilmektedir. Bununla birlikte tekrarlanan ölçümlerde birbirine yakın gözlemler, uzak gözlemlere göre daha ilişkili olup genellikle heterojen bir varyasyon gösterirler. Tekrarlanan ölçümlerin analizinde veriler arasındaki kovaryans yapısının uygun şekilde tanımlanması üzerinde durulmaktadır. 1
2 Tekrarlanan ölçümlerin analizi temel olarak dört farklı yaklaşımla gerçekleştirilmektedir. Bunlar en basit olandan en karmaşık olana doğru sıralanacak olursa: a) Her bir tekrarlanan ölçümün ayrı ayrı analizi, b) Split-plot yapısında tek değişkenli (univariate) varyans analizi, c) GLM de REPEATED tanımlamasını kullanarak kontrast değişkenleri ile tekrarlanan gözlemlerin tek veya çok değişkenli analizi ve d) Farklı şekillerde kovaryans yapısının tanımlandığı karışık model analizleridir. Bu analiz şekillerinden ilki gerçek anlamda tekrarlanan ölçümlerin analiz yolu değildir. Çünkü bu durumda zamana bağlı değişimler incelenememektedir. Yaygın bir şekilde kullanılan bu durumda klasik yöntemlerle analizler gerçekleştirilmektedir. Tekrarlanan ölçümlerin dikkate alındığı diğer analiz şekilleri ise bu çalışmada incelenecek ve karşılaştırılacaktır. Tekrarlanan ölçümlerin analizini yapan bilgisayar programlarının yazılmış olması, yoğun hesaplama gerektiren bu tip analizlerin dezavantajlarını önemli ölçüde ortadan kaldırmıştır. Bu çalışmada sözkonusu programlardan SAS ın tekrarlanan ölçümlerin analizinde kullanılan GLM ve MIXED basamakları tanıtılacaktır. Bunlardan GLM geleneksel yaklaşımla tek ve çok değişkenli analizleri yaparken, MIXED ise aynı analizleri kovaryans yapısını farklı şekillerde tanımlanmasına izin vererek gerçekleştirmektedir (Wolfinger ve Chang, 1995). Bu çalışmada tekrarlanan ölçümler arası kovaryans yapısını farklı şekillerde tanımlayan bazı modeller tanıtılacak ve bir uygulama ile modeller karşılaştırılacaktır. 2. Materyal ve Yöntem Bu çalışmada Japon bıldırcınlarının canlı ağırlık verileri kullanılmıştır. Veriler, 42 baba ve 168 anadan elde edilen 1053 adet bıldırcının haftalık, bireysel canlı ağırlıklarından oluşmaktadır. Sözkonusu bıldırcın populasyonu ve verilerin elde edilişi ile ilgili detaylı bilgiler, Akbaş ve Yaylak (2000) ta tanımlanmıştır. Analizlerde tek ve çok değişkenli yapıda iki tip veri seti kullanılmıştır. Tek değişkenli veri seti UNI olarak isimlendirilmiş olup her bireyin her gözlemi ayrı bir satırda tanımlanmıştır. Buna göre UNI veri seti birey, baba, ana, eşey, zaman, w kolonlarından oluşmuştur. Çok değişkenli veri seti MULT ise birey, baba, ana, eşey, w1, w2, w3, w4, w5, w6, w7 yapısındadır. Değişkenlerden w, bütün tekrarlanan ölçümleri içeren canlı ağırlıkları, w1,..., w7 ise sırasıyla çıkış, 1.,...,6 hafta canlı ağırlıklarını tanımlamaktadır. Analizlerde aşağıdaki genel doğrusal model kullanılmıştır: Y = Xβ + Zu + e Modelde β ve u, sırasıyla sabit ve şansa bağlı etkilere ait vektörleri, X ve Z ise ilgili etkilere ait desen matrislerini göstermektedir. u, ortalama vektörü 0, kovaryans matrisi G olan çoklu normal dağılışa (MVN(0, G)) sahiptir. e ise MVN(0, R) yapısındadır. Y nin kovaryans matrisi V(Y) = ZGZ + R dir. Diğer bir gösterimle modelimiz aşağıdaki şekildedir: Y ijk = µ + a i + b ij +c k + (ac) ik + e ijk Modelde a i, i nci sabit eşey etkisi, b ij, i ninci eşey içinde j nci bireyin şansa bağlı etkisi, c k, k ıncı sabit zaman etkisi, (ac) ik, sabit eşey*zaman etkileşimi, e ijk, şansa bağlı hata etkisidir. Tekrarlanan ölçümler yapısındaki veri setimiz, a) split-plot yapısında tek değişkenli varyans analizi, b) GLM de REPEATED komutu ile kontrast değişkenleri kullanarak gerçekleştirilen tek ve çok değişkenli analizlerle ve c) farklı şekillerde kovaryans yapısının tanımlandığı karışık modellerle analiz edilmiştir. Analizler SAS istatistik paket programı (Littell ve ark, 1996) ile gerçekleştirilmiştir. Analizlerin detayları, analizde kullanılan SAS programları ve sonuçları Sonuçlar ve Tartışma bölümünde verilmiştir. 3. Sonuçlar ve Tartışma 3.1. Split-Plot Yapısında Tek Değişkenli Varyans Analizi (SP) ve Sonuçları Tekrarlanan gözlemler ile split-plot denemeler arasında benzerlikler vardır. Tekrarlanan gözlemler analizinde üniteler-arası faktör, split-plot denemelerdeki ana-parsele, üniteler-içi faktör (zaman) ise 2
3 split-plot denemelerdeki alt-parsele benzemektedir. Bununla birlikte split-plot denemelerde altparselin düzeyleri, ana-parsel altındaki alt parsellere rastgele atanmaktadır. Dolayısıyla aynı anaparsel içindeki alt-parsellerden elde edilen gözlemler birbirleri ile eşit düzeyde ilişkili kalmaktadır. Fakat tekrarlanan gözlemlerde zaman olarak birbirine yakın noktalardan elde edilen gözlemler, uzak olanlara göre daha yüksek ilişkili bir yapı sergilemektedir. Nitekim bu araştırmada da gözlemler arasındaki korelasyonlar da benzer eğilim göstermiştir (Çizelge 1). Bu nedenledir ki tekrarlanan gözlemlerde sözkonusu ilişkileri daha uygun tanımlayan analiz şekillerine ihtiyaç duyulmaktadır. Çizelge 1. Tekrarlanan gözlemler arasındaki korelasyon değerleri W1 W2 W3 W4 W5 W6 W7 W W W W W W W Split-plot analizinde modelde G = σ 2 SI; R = σ 2 ei; V(Y) = σ 2 S ZZ + σ 2 ei varsayımları yapılmaktadır. V(Y) varyans kovaryans matrisi, blok köşegen yapıda olup her bireye karşılık bir köşegen blok vardır. V(Y)=V(b ij + e ijk )= σ 2 S+σ 2 e ve herhangi iki gözlem arası kovaryans ise Cov(Y ijk, Y ijk )= V(d ij )= σ 2 S olduğundan, bizim örneğimiz için 7x7 boyutundaki her bloğun köşegeninde gözlemlerin varyansı olan σ 2 S+σ 2 e değerleri, köşegen dışında ise σ 2 S değeri bulunmaktadır. Bu yapı Çizelge 2 de verilen Compound Symmetry yapısı ile aynıdır. Fakat tanımlanan bu kovaryans yapısı gerçekci görünmemektedir. Çünkü tekrarlanan ölçümlerde zaman olarak birbirine yakın gözlemler, diğerlerine göre birbiri ile daha ilişkilidir. Çizelge 2. Tekrarlanan ölçümler arası farklı kovaryans yapıları Kovaryans Dört tekrarlanan ölçümlü durumda ölçümler arası yapısının adı varyans-kovaryans yapısı Parametre sayısı σ 2 e+σ S σ S σ S σ S σ 2 e+σ S σ S σ S 2 Compound Simmetry, CS σ 2 e+σ S σ S σ 2 e+σ S 1 ρ ρ 2 ρ 3 Birinci dereceden σ 2 1 ρ ρ 2 2 Autoregressive, AR(1) 1 ρ 1 σ 2 11 σ 12 σ 13 σ 14 σ 2 22 σ 23 σ 24 Unstructured (UN) σ 2 33 σ σ 2 44 σ 2 1 (σ 2 1+ σ 2 2)/2-λ (σ 2 1+ σ 2 3)/2-λ (σ 2 1+ σ 2 4)/2-λ σ 2 2 (σ 2 2+ σ 2 3)/2-λ (σ 2 2+ σ 2 4)/2-λ Huynh-Feldt (HF) σ 2 3 (σ 2 3+ σ 2 4)/2-λ 5 σ 2 4 Matrislerin köşegen altı değerleri üst köşegen ile aynı olduğu için yazılmamıştır. ρ iki gözlem arasındaki korelasyonu açıklamaktadır. λ, HF kovaryans yapısına ait parametre Split-plot yapısında tek değişkenli varyans analizi (SP), biri GLM (program-1), diğeri MIXED prosedüründe (program-2) olmak üzere iki farklı yolla gerçekleştirilmiştir. 3
4 Program-1 proc glm data=uni; class eşey birey zaman; model w = eşey birey(eşey) zaman eşey*zaman; random birey(eşey) / test; lsmeans eşey / stderr e=birey(eşey); lsmeans eşey*zaman / pdiff; Program-2 proc mixed data=uni; class eşey birey zaman; model w = eşey zaman eşey*zaman; random birey(eşey); Program 1 ve 2 nin çalıştırılması sonucunda elde edilen komponent değerleri Çıktı-1 de verilmiştir. Buna göre σ 2 S= 92.7, σ 2 e = 84.2 olarak tahmin edilmiştir. Eşey, Zaman ve Eşey*zaman etkileşimi önemli (P<0.01) bulunmuştur. Çıktı-1. Split-plot yaklaşımları sonucu tahminlenen komponent değerleri Covariance Parameter Estimates (REML) Cov Parm Ratio Estimate Std Error Z Pr > Z BIREY(EŞEY) Residual GLM de REPEATED Tanımlamasını Kullanarak Kontrast Değişkenleri ile Tekrarlanan Gözlemlerin Tek ve Çok Değişkenli Analizler ve Sonuçları: Tekrarlanan gözlemlerde kontrast değişkenler, bireylerden zamana bağlı olarak elde edilen gözlemlerin doğrusal kombinasyonlarıdır. Bu tanımlamanın en yaygın şekli, ortogonal polinomiyallerdir. Farklı yapıda kontrast tanımlamaları da mümkündür. Kontrast tanımlamalı bu tip analizlere ait iki uygulama Program-3 ve 4 şeklinde aşağıda verilmiştir. Program-3 proc glm data=mult; class eşey; model w1-w7 = eşey /nouni; repeated zaman 7 ( ) / printe; Program-4 proc glm data=mult; class eşey; model w1-w7 = eşey /nouni; repeated zaman 7 ( ) polynomial / summary; Bu analizler çok değişkenli veri seti olan MULT kullanılarak gerçekleştirilmiştir. Program-4 de polinomiyal kontrast tanımlaması yapılmış, Program-3 te ise bu yönde herhangi bir tanımlama belirtilmemiştir. Kontrast tanımlamasının belirtilmediği Program-3 de genel seçenek olan Deviation kontrast yapısı kullanılmaktadır. Deviation yapısında her düzeyin ortalamasının, bütün düzey ortalamalarından farkı esas alınmaktadır. Bu analizlerde printe opsiyonu ile hangi analiz yaklaşımının (tek veya çok değişkenli) seçileceğine karar vermede kullanılan Sphericity testi (Mauchly, 1940) sonuçlarına da ulaşılabilmektedir. Sphericity sonuçları Çıktı-2 de verilmiştir. Çıktıda iki tip Sphericity sonucuna ulaşılmaktadır. Ünite içi etkilerin önemliliklerinin belirlenmesinde hangi test yöntemlerinin kullanılacağına karar vermede bu test önemlidir. Bu test, ünite içi kovaryans matrisinin Huynh-Feldt yapısında olup olmadığını yani tek değişkenli varyans analizine ait varsayımların geçerli olup olmadığını kontrol eder. Çünkü tek değişkenli tekrarlanan ölçümlü F-istatistiği, ancak ünite içi varyans-kovaryans matrisinin Huynh-Feldt yapısında olduğu durumda F-dağılışı göstermektedir (Huynh-Feldt, 1970). Bu nedenle eğer sözkonusu yapı sağlanıyorsa analizde tek değişkenli split-plot yaklaşımı rahatlıkla kullanılabilmektedir. Çünkü bu durumda elde edilen F testi geçerli ve güçlüdür. Veri setimizde gerçekleştirilen analiz sonuçları incelendiğinde Sphericity testine ait olasılık değeri, α değerimizden oldukça düşüktür. Bu durumda sökonusu varsayımın geçerli olmadığı sonucuna varılır. Yani koşul sağlanmadığından, varyans-kovaryansların eşit olmadığı, split-plot yapısındaki tek değişkenli varyans analizinin veri setimiz için geçerli bir analiz şekli olmadığı anlaşılmıştır. Bu durumda ya düzeltilmiş tek değişkenli analizler veya çok değişkenli analizlerden yararlanılmalıdır. 4
5 Çıktı-2. Proc GLM ile yapılan Sphericity testi sonuçları Test for Sphericity: Mauchly's Criterion = Chisquare Approximation = with 20 df Prob > Chisquare = Applied to Orthogonal Components: Test for Sphericity: Mauchly's Criterion = Chisquare Approximation = with 20 df Prob > Chisquare = Düzeltilmiş tek değişkenli analiz sonuçları Çıktı-3 de verilmiştir. Bu durumda tek değişkenli analiz sonuçlarının serbestlik derecelerinde düzeltmeler yapılmaktadır. Çıktı-3 de ünite içi değişkenler olan zaman ve zaman*eşey etkilerine ait standart ve düzeltilmiş tek değişkenli analiz sonuçları verilmiştir. SAS iki tip düzeltme faktörü sunmaktadır Bunlar Greenhouse-Geisser Epsilon (G-G) ve Huynh-Feldt Epsilon (H-F) dur. G-G, gruplar arasındaki bazı gerçek farklılıkları belirlememe yönünde fazla tutucu bir yapı sergilediğinden, H-F düzeltmesi daha yaygın olarak kullanılmaktadır. Sphericity testi sonuçları, bu düzeltmeler dikkate alınarak testlerin yapılmasının gerekli olduğunu göstermektedir. Çıktı-3. Bireyler içi etkilerin Proc GLM ile testine ait sonuçlar General Linear Models Procedure Repeated Measures Analysis of Variance Univariate Tests of Hypotheses for Within Subject Effects Source: ZAMAN Adj Pr > F DF Type III SS Mean Square F Value Pr > F G - G H - F Source: ZAMAN*EŞEY Adj Pr > F DF Type III SS Mean Square F Value Pr > F G - G H - F Source: Error(ZAMAN) DF Type III SS Mean Square Greenhouse-Geisser Epsilon = Huynh-Feldt Epsilon = Sphericity testinin önemli bulunması durumunda düzeltilmiş tek değişkenli analizler yerine çok değişkenli analizlerde kullanılabilir. Proc GLM ile ünite içi zaman ve zaman*eşey etkileşimine ait çok değişkenli test sonuçları Çıktı-4 de verilmiştir. Sphericity testinin önemli olması nedeniyle bu test sonuçları kullanılmalıdır. Zaman ve zaman*eşey etkilerimi her durumda önemli bulunmuştur. Sphericity testi sonuçları önemli çıkmasaydı, bu testler hala geçerli olmakla birlikte, tek değişkenli analiz sonuçları kadar güçlü bir yapı sergilememektedir. Çıktı-4. Proc GLM ile ünite içi zaman ve zaman*eşey etkileşimine ait çok değişkenli test sonuçları Manova Test Criteria and Exact F Statistics for the Hypothesis of no ZAMAN Effect H = Type III SS&CP Matrix for ZAMAN E = Error SS&CP Matrix S=1 M=2 N=522 Statistic Value F Num DF Den DF Pr > F Wilks' Lambda Pillai's Trace Hotelling-Lawley Trace Roy's Greatest Root Manova Test Criteria and Exact F Statistics for the Hypothesis of no ZAMAN*EŞEY Effect H = Type III SS&CP Matrix for ZAMAN*EŞEY E = Error SS&CP Matrix S=1 M=2 N=522 5
6 Çıktı-4 ün devamı Statistic Value F Num DF Den DF Pr > F Wilks' Lambda Pillai's Trace Hotelling-Lawley Trace Roy's Greatest Root GLM ile yapılan bu analiz sonuçlarında, üniteler arası tek etki olan eşey etkisine ait F-testi sonuçları Çıktı-5 te verilmiştir. Analiz sonuçlarına göre canlı ağırlık gelişimi bakımından eşey farklılığı önemli bulunmuştur. Bu testin geçerliliği için Sphericity testine gerek duyulmamaktadır. Çıktı-5. Bireyler arasi etkilerin Proc GLM ile testi General Linear Models Procedure Repeated Measures Analysis of Variance Tests of Hypotheses for Between Subjects Effects Source DF Type III SS Mean Square F Value Pr > F EŞEY Error Zaman değişkenini polinomiyal bir yapıda dikkate almak genellikle daha uygundur. Bu durumda Program-4 kullanılarak polinomiyal konrast tanımlaması yapılabilir. Polinomiyal kontrastlar yolu ile zamanın doğrusal, kuadratik, kübik şeklindeki etkileri incelenir. Program-4 ün çalıştırılması ile elde edilen sonuçlar Çıktı-6 da verilmiştir. Çıktı-6 da ZAMAN.1 in MEAN değeri zamanın doğrusal etkisini, ZAMAN.2 nin MEAN değeri ise zamanın ikinci dereceden yani kuadratik etkisini açıklamaktadır. Zamanın diğer etkileri (kübik vb) benzer şekilde sırayla verilmiştir. Zamanın bu şekilde 5.düzeye kadar etkisi önemli bulunmuştur (Çıktı-6). Çıktı-6. Polinomiyal konrast tanımlaması yapılan Program-4 ün sonuçları General Linear Models Procedure Repeated Measures Analysis of Variance Analysis of Variance of Contrast Variables ZAMAN.N represents the nth degree polynomial contrast for ZAMAN Contrast Variable: ZAMAN.1 MEAN EŞEY Error Contrast Variable: ZAMAN.2 MEAN EŞEY Error Contrast Variable: ZAMAN.3 MEAN EŞEY Error Contrast Variable: ZAMAN.4 MEAN EŞEY Error
7 Çıktı-6 nın devamı Contrast Variable: ZAMAN.5 MEAN EŞEY Error Contrast Variable: ZAMAN.6 MEAN EŞEY Error Proc GLM de Program-4 ile polinomiyal kontrast tanımlaması yapmak yerine benzer tanımlama Program-5 ile Proc MIXED te gerçekleştirilebilir. Proc MIXED de zaman etkisi regresyon terimi olarak modele alınmıştır. Program-5 in çalıştırılması ile Çıktı-7 de sunulan sonuçlar elde edilir. Program-5 proc mixed; class eşey birey; model w = eşey zaman zaman zaman zaman zaman zaman / htype=1; repeated /sub=birey(eşey) type=un; Çıktı-7. Program-5 kullanılarak elde edilen polinomiyal etkilere ait sonuçlar Tests of Fixed Effects Source NDF DDF Type I F Pr > F EŞEY ZAMAN ZAMAN*EŞEY ZAMAN*ZAMAN ZAMAN*ZAMAN*EŞEY ZAMAN*ZAMAN*ZAMAN ZAMAN*ZAMAN*ZAMAN*EŞEY ZAMAN*ZAMAN*ZAMAN*ZAMAN ZAMAN*ZAMAN*ZAMAN*ZAMAN*EŞEY ZAMAN*ZAMAN*ZAMAN*ZAMAN*ZAMAN ZAMAN*ZAMAN*ZAMAN*ZAMAN*ZAMAN*EŞEY ZAMAN*ZAMAN*ZAMAN*ZAMAN*ZAMAN*ZAMAN ZAMAN*ZAMAN*ZAMAN*ZAMAN*ZAMAN*ZAMAN*SE Program-4 ve Program-5 in sonuçları olan Çıktı-6 ve Çıktı-7 karşılaştırıldığında polinomiyal değerlere ait Type I F değerlerinin birbiri ile aynı olduğu görülmektedir. Bu F testleri sırasında tam modelin varyans-kovaryans yapısı kullanılmaktadır. Alt modellerin uyumu ile modellerin etkinliği araştırılabilir. Fakat proc GLM de tanımlanan Program-4 ile bu işlem başarılamaz. Ancak Proc MIXED ile alt modeller çalıştırılarak alt modeller arası karşılaştırmalara gidilebilir Farklı Şekillerde Kovaryans Yapısının Tanımlandığı Karışık Model Analizler ve Sonuçları: Proc MIXED te RANDOM komutu G matrisini, REPEATED komutu ise deneysel ünite içindeki varyasyonu yani R matrisini kontrol etmekte ve modellemektedir (Littell ve ark., 1996). Bu modellemeler çeşitli şekillerde yapılabilmektedir. Ünite içindeki kovaryans yapısını tanımlamada kullanılan en yaygın yapılar, Compound Symmetry, birinci dereceden Autoregresive, Unstructured ve Huynh-Feldt dir. Bunlar REPEATED komutunda, sırasıyla CS, AR(1), UN ve HF şeklinde tanımlanmaktadır. CS, AR(1), UN ve HF durumunda ünite içi ölçümler arasındaki 7
8 varyans-kovaryans yapıları Çizelge 2 de verilmiştir. Çizelge 2 den de görülebileceği gibi CS ve AR(1) durumunda homojen bir yapı sözkonusudur. Bu iki durumda ana diagonaldeki varyans değerleri sabittir. CS de bütün zamanlardaki ölçümler aynı varyansa sahip olup, gözlem değerleri arasındaki korelasyonlar da sabittir. AR(1) de ise kovaryans değerleri zamana bağlı olarak üssel (eksponential) bir şekilde azalma göstermektedir. UN durumunda varyans ve kovaryanslar için herhangi bir varsayım olmayıp, heterojen bir yapı sözkonusudur. HF durumunda varyanslar farklılık göstermekte, kovaryanslar ise varyansların ve λ nın birer fonksiyonu durumundadır. CS, AR(1), UN ve HF kovaryans yapılarına ait parametre sayıları farklılık göstermektedir. Çizelge 2 de tekrarlanan dört ölçüm durumu için parametre sayıları verilmiştir. Veri setimizde CS, AR(1), UN ve HF kovaryans yapılarında kullanılan parametre sayıları sırasıyla 2, 2, 28 ve 8 dir. CS kovaryans yapısında ölçüm zamanları arasındaki uzaklık dikkate alınmamakta, tekrarlanan ölçümler arası kovaryansın sadece bireylerin etkisi sonucu oluştuğu kabul edilmektedir. Bu yapı geçerli ise tek değişkenli ANOVA sonuçları geçerliliğini sürdürmektedir. Fakat bu durumda enküçük-kareler ortalamalarının (EKKO) standart hataları ve bu ortalamaların testleri geçerli olmayabilir. CS yapısı Proc MIXED te iki şekilde tanımlanabilir. Bunlardan birincisi Program-5, diğeri ise Program-6 kullanımı ile gerçekleştirilir. Program-5 te RANDOM, Program-6 da ise REPEATED komutları kullanılarak CS tanımlaması yapılmıştır. Program-6 proc mixed; class eşey birey zaman; model w = eşey zaman eşey*zaman; repeated zaman /sub=birey(eşey) type=cs r rcorr; Program-6 da TYPE seçeneği ile farklı kovaryans yapıları da tanımlanabilir. CS yerine UN, AR(1), HF gibi diğer kovaryans yapıları da tanımlanabilir. Bu çalışmada ele alınanların dışında daha bir çok kovaryans yapısını SAS ta tanımlamak mümkündür (SAS, 2001). Dört farklı kovaryans yapısı dikkate alınarak gerçekleştirilen analizlerden elde edilen REML sonuçları ve varyans-kovaryans matrisleri CS için Çıktı-8 de, UN için Çıktı-9 da, AR(1) için Çıktı-10 da ve HF için ise Çıktı-11 de verilmiştir. Çıktı-8. CS kovaryans yapısına ait komponent tahminleri ve varyans-kovaryans matrisi Covariance Parameter Estimates (REML Cov Parm Ratio Estimate Std Error Z Pr > Z ZAMAN CS Residual Çıktı-9. AR(1) kovaryans yapısına ait komponent tahminleri ve varyans-kovaryans matrisi Covariance Parameter Estimates (REML) Cov Parm Ratio Estimate Std Error Z Pr > Z ZAMAN AR(1) Residual
9 Çıktı-10. UN kovaryans yapısına ait varyans-kovaryans matrisi Çıktı-11. HF kovaryans yapısına ait komponent tahminleri ve varyans-kovaryans matrisi Cov Parm Estimate DIAG VAR(1) VAR(2) VAR(3) VAR(4) VAR(5) VAR(6) VAR(7) HF Residual HF=λ Sözkonusu kovaryans yapılarından hangisi kullanılmalıdır? Bu soruya cevap verebilmek için farklı kriterler önerilmiştir. Farklı kovaryans yapısını tanımlayan modellerin karşılaştırmasında kullanılan kriterler ve düzeyleri Çizelge 3 de verilmiştir. Modelleri karşılaştırmada kullanılan kriterlerden en yaygın olanları, Log-L (REML log-likelihood), AIC (Akaike's Information Criterion), SBC (Schwarz's Bayesian Criterion) dir. Bu kriterler bakımından en yüksek değere sahip olan model, en iyi model olarak kabul edilmektedir. Bu çalışmada her üç kriter 9
10 bakımından da veri setine en iyi uyumu sağlayan modelin UN kovaryans yapısının tanımlandığı model olduğu anlaşılmaktadır. Bu kriterlere göre CS nin iyi uyum sağlamaması, Çıktı-2 deki Sphericity testi sonuçlarını destekler niteliktedir. Kriterlere göre en iyi model UN çıkmakla birlikte, modelleri kendi aralarında Likelihood ratio test ile karşılaştırabiliriz. Bu amaçla Çizelge 3 de verilen -2 REML Log Likelihood değerlerinden yararlanılmaktadır. Karşılaştırılan iki modelin sözkonusu değerlerinin farkı, modellerin parametre sayıları arasındaki fark kadar serbestlik derecesine sahip X 2 dağılışı göstermektedir. Böylece uygulanacak X 2 testi ile modeller karşılaştırılabilir. Uygulanan X 2 testlerine göre modellerimiz arasındaki farklılıklar önemli bulunmuştur. Her modelin standart en küçük kareler yaklaşımı (σ 2 I) ile karşılaştırılması da Likelihood Ratio Test- LRT yardımıyla yapılmıştır. Bu analize ait bilgiler Çizelge 3 ün son üç satırında verilmiştir. Bu satırlardan birincisi testin X 2 değerini, ikincisi bu analize ait serbestlik derecesini, üçüncüsü ise önemliliğe ait olasılık değerini göstermektedir. Buna göre bütün kovaryans yapıları standart en küçük kareler yaklaşımından önemli düzeyde daha iyi uyum sağlamıştır. Çizelge 3. Modellerin karşılaştırmasında kullanılan bazı kriterler Açıklama SP veya CS AR(1) UN HF Gözlem sayısı Varyans Tahmini Standard Sapma Tahmini REML Log Likelihood Akaike's Information Criterion (AIC) Schwarz's Bayesian Criterion (SBC) REML Log Likelihood Null Model LRT Chi-Square Null Model LRT DF Null Model LRT P-Value SP, Program-2 ile tanımlanan modeli açıklamaktadır Sabit etkilere ait sonuçların geçerli olabilmesi için kovaryans yapısının doğru olarak modellenmesine gereksinim vardır. Sabit etkilerin önemlilikleri açısından modeller karşılaştırılmış ve sonuçlar Çizelge 4 te verilmiştir. Çizelge 4. Sabit etkilerin önemliliklerine ilişkin sonuçlar (F ve olasılık değerleri) SP / CS AR(1) UN HF Source F Pr > F F Pr > F F Pr > F F Pr > F EŞEY ZAMAN EŞEY*ZAMAN SP, Program-2 ile tanımlanan modeli açıklamaktadır Eşey, zaman ve eşey*zaman etkileşimi her durumda önemli bulunmuştur (Çizelge 4). Bununla birlikte testte kullanılan F değerleri arasında bazı farklılıklar söz konusudur. Program-1 (GLM ile tanımlanan split-plot yaklaşımı), Program-2 (MIXED de RANDOM komutu kullanımı) ve Program-6 (REPEATED komutunda CS kovaryans yapısının tanımlanması) nın kullanımı sonucu, sabit etkilere ait aynı F değerlerine ulaşılmıştır. Çünkü her üç yaklaşım aynı kovaryans yapısını tanımlamaktadır. Bununla birlikte farklı kovaryans yapılarının tanımlandığı AR(1), UN ve HF durumunda F değerlerinde değişmeler saptanmıştır (Çizelge 4). Farklı modellerin kullanımı durumunda canlı ağırlığa ait tahminlenen En-Küçük-Kareler Ortalamaları (EKKO) ve bu ortalamaların standart hataları Çizelge 5 de verilmiştir. Homojen varyans tanımlamasının sözkonusu olduğu ve alt gruplarda eşit gözlemlerin bulunduğu durumlarda SP, CS ve AR(1) alt gruplar için aynı standart hata değerlerine sahip olmuştur. Bununla birlikte homojen varyans tanımlaması varsayımı yapmayan UN ve HF kovaryans yapılarında değişen standart hatalar elde edilmiştir. 10
11 Tekrarlanan gözlemler arası aynı kovaryans yapısını varsayan SP ve CS modellerinden MIXED te değerlendirilen SP ve CS, aynı standart hata değerlerini verirken, GLM de gerçekleştirilen SP bunlardan farklılık göstermiştir. Bu durum sabit etkilerin EKK ortalamalarına ait standart hataların hesaplanmasında GLM in kullandığı hata teriminin farklılığından kaynaklanmaktadır. Çizelge 5. Eşey ve zamana göre canlı ağırlığa ait En-Küçük-Kareler Ortalamaları (EKKO) ve bu ortalamaların farklı kovaryans tanımlamalarına göre standart hataları En-Küçük-Kareler Ortalamalarına Ait Standart Hatalar Eşey Zaman EKKO GLM SP Mixed SP Mixed CS Mixed UN Mixed AR(1) Mixed HF Dişi Erkek Sonuç olarak, tekrarlanan gözlemlerin analizinde gözlemler arasındaki kovaryans yapıları mutlaka incelenmelidir. Çünkü elde edilen sonuçlar, tekrarlanan gözlemler arasında varsayılan kovaryans yapısının, yapılacak tahminler üzerinde önemli bir etkiye sahip olduğunu göstermiştir. Bu amaçla uygun model seçimi sırasında Sphericity testi gibi ön testler yapılmalı ve farklı kovaryans yapılarının uyumu incelenmelidir. Tekrarlanan gözlemlerin analizinde klasik yaklaşımların kullanımının sapmalara ve geçerli olmayan sonuçlara yol açabileceği unutulmamalıdır. Teşekkür Yazarlar, bu çalışmada verilerinin kullanımına izin veren Erdal Yaylak a teşekkürü bir borç bilirler. Kaynaklar Akbaş, Y.; Yaylak, E. Heritability Estimates of Growth Curve Parameters, Phenotypic and Genetic correlations among growth curve parameters, and the correlation of the parameters with weights at differenf age of Japanese quail. Archive für Geflügelkunde (European Poultry Science) 2000; 64(4): Huynh, H.; Feldt, L. S. Conditions under which mean squares ratios in repeated measurements designs have exact it F-distributions. Journal of American Statistical Association 1970; 65: Littell, R.C.; Milliken, G.A., Stroup, W.W., Wolfinger, R.D. SAS System for mixed models. SAS, Institute, Inc., Cary, NC, Mauchly, J. W. Significance test for Sphericity of a normal n-variate distrbution. The Annals of Mathematical Statistics 1940; 11: SAS, Online Document: Version 8, The MIXED Procedure. SAS, Institute, Inc., Cary, NC, Wolfinger, R.D., Chang, M. Comparing the SAS GLM and MIXED procedures for repeted measures. Proceedings of the Twentienth Annual SAS Users Group Conference. SAS Institute., Cary, NC
Tekrarlı Ölçümler ANOVA
Tekrarlı Ölçümler ANOVA Repeated Measures ANOVA Aynı veya ilişkili örneklemlerin tekrarlı ölçümlerinin ortalamalarının aynı olup olmadığını test eder. Farklı zamanlardaki ölçümlerde aynı (ilişkili) kişiler
DetaylıREPEATED MEASURES ANOVA (Tekrarlı Ölçümler ANOVA )
REPEATED MEASURES ANOVA (Tekrarlı Ölçümler ANOVA ) 6.SUNUM 1 Tekrarlı Ölçümler ANOVA Repeated Measures Design: Yinelenmis Ölçüler Tasarımı ya da tekrarlanmış ölçüler tasarımı olarak adlandırılabilir. Repeated
DetaylıBağımsız Örneklemler İçin Tek Faktörlü ANOVA
Bağımsız Örneklemler İçin Tek Faktörlü ANOVA ANOVA (Varyans Analizi) birden çok t-testinin uygulanması gerektiği durumlarda hata varyansını azaltmak amacıyla öncelikle bir F istatistiği hesaplanır bu F
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
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
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
Detaylıİki Ortalama Arasındaki Farkın Önemlilik Testi (Student s t Test) Ankara Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı
İki Ortalama Arasındaki Farkın Önemlilik Testi (Student s t Test) Ankara Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı İki Ortalama Arasındaki Farkın Önemlilik Testi (Student s t test) Ölçümle
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
DetaylıTABLO I: Bağımlı değişken; Tüketim,- bağımsız değişkenler; gelir ve fiyat olmak üzere değişkenlere ait veriler verilmiştir.
EKONOMETRİ II Uygulama - Otokorelasyon TABLO I: Bağımlı değişken; Tüketim,- bağımsız değişkenler; gelir ve fiyat olmak üzere Tuketim 58 Gelir 3959 Fiyat 312 değişkenlere ait veriler verilmiştir. 56 3858
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
DetaylıKRUSKAL WALLIS VARYANS ANALİZİ. Ankara Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı
KRUSKAL WALLIS VARYANS ANALİZİ Ankara Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı ükruskal Wallis varyans analizi, tek yönlü varyans analizinin parametrik olmayan karşılığıdır. üveriler ölçümle
DetaylıPazarlama Araştırması Grup Projeleri
Pazarlama Araştırması Grup Projeleri Projeler kapsamında öğrencilerden derlediğiniz 'Teknoloji Kullanım Anketi' verilerini kullanarak aşağıda istenilen testleri SPSS programını kullanarak gerçekleştiriniz.
DetaylıBİYOİSTATİSTİK İstatistiksel Tahminleme ve Hipotez Testi-III Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH
BİYOİSTATİSTİK İstatistiksel Tahminleme ve Hipotez Testi-III Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim AD. Web: www.biyoistatistik.med.ege.edu.tr
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
DetaylıHAYVAN ISLAHINDA VERİLERİN STANDARDİZASYONUNDA KULLANILAN YÖNTEMLERİN KARŞILAŞTIRILMASI
HAYVAN ISLAHINDA VERİLERİN STANDARDİZASYONUNDA KULLANILAN YÖNTEMLERİN KARŞILAŞTIRILMASI Yavuz AKBAŞ 1 ÖZET Genotipi tahminlemedeki doğruluk düzeyi incelenen özellik bakımından bilinen çevresel farklılıkların
DetaylıDicle Üniversitesi Fen Bilimleri Enstitüsü Dergisi. 1. Giriş. Dudu Yazgan, Zeki Doğan, Kemal Yazgan
DUFED 6 (2) (2017) 83-88 Dicle Üniversitesi Fen Bilimleri Enstitüsü Dergisi dergi anasayfa: http://www.dufed.org Sığırlarda besi sonu ağırlığına besi başı ağırlığının etkisinin kovaryans analizi ile incelenmesi
DetaylıK-S Testi hipotezde ileri sürülen dağılımla örnek yığılmalı dağılım fonksiyonunun karşılaştırılması ile yapılır.
İstatistiksel güven aralıkları uygulamalarında normallik (normal dağılıma uygunluk) oldukça önemlidir. Kullanılan parametrik istatistiksel tekniklerin geçerli olabilmesi için populasyon şans değişkeninin
Detaylıtaşinmaz DEĞERLEME- DE İSTATİKSEL ANALİZ
8 Varyans Analizi (Anova) TAŞINMAZ GELİŞTİRME TEZSİZ YÜKSEK LİSANS PROGRAMI taşinmaz DEĞERLEME- DE İSTATİKSEL ANALİZ Doç. Dr. Yüksel TERZİ 1 Ünite: 8 VARYANS ANALİZİ (ANOVA) Doç. Dr. Yüksel TERZİ İçindekiler
DetaylıDOĞRUSAL OLMAYAN MODELLERİN UYUMUNDA FARKLI İSTATİSTİK PAKET PROGRAMLARININ KARŞILAŞTIRILMASI
DOĞRUSAL OLMAYAN MODELLERİN UYUMUNDA FARKLI İSTATİSTİK PAKET PROGRAMLARININ KARŞILAŞTIRILMASI Arş. Gör. Çiğdem YAKUPOĞLU 1 Doç. Dr. Yavuz AKBAŞ 2 1 Ege Üniversitesi, Ziraat Fakültesi, Zootekni Bölümü,
DetaylıPARAMETRİK OLMAYAN İSTATİSTİKSEL TEKNİKLER 8
PARAMETRİK OLMAYAN İSTATİSTİKSEL TEKNİKLER 8 Prof. Dr. Ali ŞEN İki Populasyonun Karşılaştırılması: Eşleştirilmiş Örnekler için Wilcoxon İşaretli Mertebe Testi -BÜYÜK ÖRNEK Bağımsız populasyonlara uygulanan
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
DetaylıEkonometri 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:
Detaylıİki İlişkili Örneklem için t-testi. Tekrarlı ölçümler için t hipotez testine uygun araştırma çalışmalarının yapısını anlamak.
İki İlişkili Örneklem için t-testi Kazanımlar 1 2 3 4 Tekrarlı ölçümler için t hipotez testine uygun araştırma çalışmalarının yapısını anlamak. Tekrarlı ölçümler t istatistiğini kullanarak 2 uygulamanın
Detaylıİçindekiler. Ön Söz... xiii
İçindekiler Ön Söz.................................................... xiii Bölüm 1 İstatistiğe Giriş....................................... 1 1.1 Giriş......................................................1
DetaylıBİYOİSTATİSTİK PARAMETRİK TESTLER
BİYOİSTATİSTİK PARAMETRİK TESTLER Doç. Dr. Mahmut AKBOLAT *Bir testin kullanılabilmesi için belirli şartların sağlanması gerekir. *Bir testin, uygulanabilmesi için gerekli şartlar; ne kadar çok veya güçlü
DetaylıKınalı Kekliklerin (Alectoris chukar) Canlı Ağırlığına Ait Genetik ve Fenotipik Parametrelerin Şansa Bağlı Regresyon Modeli Kullanarak Tahmini
Süleyman Demirel Üniversitesi Ziraat Fakültesi Dergisi 9 (1):127-131, 2014 ISSN 1304-9984, Araştırma Makalesi A.N. ÖZSOY Kınalı Kekliklerin (Alectoris chukar) Canlı Ağırlığına Ait Genetik ve Fenotipik
DetaylıÖrneklemden elde edilen parametreler üzerinden kitle parametreleri tahmin edilmek istenmektedir.
ÇIKARSAMALI İSTATİSTİKLER Çıkarsamalı istatistikler, örneklemden elde edilen değerler üzerinde kitleyi tanımlamak için uygulanan istatistiksel yöntemlerdir. Çıkarsamalı istatistikler; Tahmin Hipotez Testleri
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
DetaylıYABANCI DİL EĞİTİMİ VEREN ÖZEL BİR EĞİTİM KURUMUNDAKİ ÖĞRENCİLERİN BEKLENTİLERİNİN ARAŞTIRILMASI. Sibel SELİM 1 Efe SARIBAY 2
Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü Dergisi Cilt 5, Sayı:2, 2003 YABANCI DİL EĞİTİMİ VEREN ÖZEL BİR EĞİTİM KURUMUNDAKİ ÖĞRENCİLERİN BEKLENTİLERİNİN ARAŞTIRILMASI Sibel SELİM 1 Efe SARIBAY
DetaylıBÖLÜM 8 BİLGİSAYAR UYGULAMALARI - 2
1 BÖLÜM 8 BİLGİSAYAR UYGULAMALARI - 2 Bu bölümde bir veri seti üzerinde betimsel istatistiklerin kestiriminde SPSS paket programının kullanımı açıklanmaktadır. Açıklamalar bir örnek üzerinde hareketle
Detaylı19. BÖLÜM BİRBİRİYLE İLİŞKİLİ OLAN İKİ DEĞİŞKENDEN BİRİSİNDEKİ DEĞİŞİME GÖRE DİĞERİNİN ALACAĞI DEĞERİ YORDAMA (KESTİRME) UYGULAMA-I
19. BÖLÜM BİRBİRİYLE İLİŞKİLİ OLAN İKİ DEĞİŞKENDEN BİRİSİNDEKİ DEĞİŞİME GÖRE DİĞERİNİN ALACAĞI DEĞERİ YORDAMA (KESTİRME) UYGULAMA-I Bir dil dershanesinde öğrenciler talep ettikleri takdirde, öğretmenleriyle
DetaylıİSTATİSTİKSEL DARALTICI (SHRINKAGE) MODEL VE UYGULAMALARI * A Statistical Shrinkage Model And Its Applications*
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
DetaylıRegresyon. Regresyon korelasyon ile yakından ilişkilidir
Regresyon Regresyona Giriş Regresyon korelasyon ile yakından ilişkilidir Regresyon bir bağımlı değişken ile (DV) bir veya daha fazla bağımsız değişken arasındaki doğrusal ilişkiyi inceler. DV için başka
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
DetaylıBKİ farkı Standart Sapması (kg/m 2 ) A B BKİ farkı Ortalaması (kg/m 2 )
4. SUNUM 1 Gözlem ya da deneme sonucu elde edilmiş sonuçların, rastlantıya bağlı olup olmadığının incelenmesinde kullanılan istatistiksel yöntemlere HİPOTEZ TESTLERİ denir. Sonuçların rastlantıya bağlı
DetaylıÇalıştığı kurumun prestij kaynağı olup olmaması KIZ 2,85 ERKEK 4,18
1 * BAĞIMSIZ T TESTİ (Independent Samples t test) ÖRNEK: Yapılan bir anket çalışmasında katılımcılardan, çalıştıkları kurumun kendileri için bir prestij kaynağı olup olmadığını belirtmeleri istenmiş. 30
DetaylıKullanılacak İstatistikleri Belirleme Ölçütleri. Değişkenin Ölçek Türü ya da Yapısı
ARAŞTIRMA MODELLİLERİNDE KULLANILACAK İSTATİSTİKLERİ BELİRLEME ÖLÇÜTLERİ Parametrik mi Parametrik Olmayan mı? Kullanılacak İstatistikleri Belirleme Ölçütleri Değişken Sayısı Tek değişkenli (X) İki değişkenli
DetaylıSüt Tipi Oğlakların Doğum, 30. Gün ve 60. Gün Canlı Ağırlıkları Üzerine Sistematik Çevre Etmenlerinin Etkileri
Ege Üniv. Ziraat Fak. Derg., 2002, 39 (2):73-78 ISSN 1018-8851 Süt Tipi Oğlakların Doğum, 30. Gün ve 60. Gün Canlı Ağırlıkları Üzerine Sistematik Çevre Etmenlerinin Etkileri Arzu DUMAN 1 Erdinç DEMİRÖREN
DetaylıBÖLÜM-1.BİLİM NEDİR? Tanımı...1 Bilimselliğin Ölçütleri...2 Bilimin İşlevleri...3
KİTABIN İÇİNDEKİLER BÖLÜM-1.BİLİM NEDİR? Tanımı...1 Bilimselliğin Ölçütleri...2 Bilimin İşlevleri...3 BÖLÜM-2.BİLİMSEL ARAŞTIRMA Belgesel Araştırmalar...7 Görgül Araştırmalar Tarama Tipi Araştırma...8
DetaylıBu örnekte kullanılan veri 200 gözleme sahiptir ve örnek için özel olarak oluşturulmuştur.
Değişen Varyans Örnek Bu örnekte kullanılan veri 200 gözleme sahiptir ve örnek için özel olarak oluşturulmuştur. 1 Aşağıda yer alan denklemi tahmin edelim; y i = β 0 + β 1 x 1i + β 2 x 2i + u i EViews
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
DetaylıAMOS (Analysis of Moment Structures) ve Yapısal Eşitlik Modeli
AMOS (Analysis of Moment Structures) ve Yapısal Eşitlik Modeli Veri seti bulunur Değişkenler sürüklenerek kutucuklara yerleştirilir Hata terimi eklenir Mouse sağ tıklanır ve hata terimi tanımlanır.
DetaylıBİRDEN ÇOK BAĞIMLI DEĞİŞKENİ OLAN MODELLER
BİRDEN ÇOK BAĞIMLI DEĞİŞKENİ OLAN MODELLER Birden çok bağımlı değişkenin yer aldığı modelleri incelemek amacıyla kullanılan modeller Birden Çok Bağımlı Değişkenli Regresyon Modelleri ya da kısaca MRM ler
DetaylıBİYOİSTATİSTİK DERSLERİ AMAÇ VE HEDEFLERİ
BİYOİSTATİSTİK DERSLERİ AMAÇ VE HEDEFLERİ DÖNEM I-I. DERS KURULU Konu: Bilimsel yöntem ve istatistik Amaç: Biyoistatistiğin tıptaki önemini kavrar ve sonraki dersler için gerekli terminolojiye hakim olur.
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
DetaylıTürk Tarım - Gıda Bilim ve Teknoloji Dergisi
Türk Tarım Gıda Bilim ve Teknoloji Dergisi, 3(12): 926-932, 2015 Türk Tarım - Gıda Bilim ve Teknoloji Dergisi www.agrifoodscience.com Türk Bilim ve Teknolojisi Eksik Veri Analizinde Çoklu Atama Yönteminin
DetaylıYardımcı Doçent Doktor Mustafa Kemal Üniversitesi Ziraat Fakültesi Zootekni Bölümü Antakya/ Hatay 3
1 TEKRAR EDEN ÖLÇÜMLÜ DENEME DESENLERİNİN SPSS 9.05 PAKET PROGRAMI İLE ANALİZ EDİLMESİ Özkan GÖRGÜLÜ 1 Suat ŞAHİNLER 1 Derviş TOPUZ 2 ÖZET Farklı periyot veya farklı muameleler altında, aynı deneme ünitesinden
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Ders 10: Prof. Dr. İrfan KAYMAZ Tanım Varyans analizi niçin yapılır? İkiden fazla veri grubunun ortalamalarının karşılaştırılması t veya Z testi ile yapılabilir. Ancak karşılaştırılacak
DetaylıKUKLA DEĞİŞKENLİ MODELLER. Kukla değişkenlerin diğer kantitatif değişkenlerle alındığı modeller (Kovaryans Analizi Modeller)
KUKLA DEĞİŞKENLİ MODELLER Bir kukla değişkenli modeller (Varyans Analiz Modelleri) Kukla değişkenlerin diğer kantitatif değişkenlerle alındığı modeller (Kovaryans Analizi Modeller) Kukla değişkenlerin
DetaylıMultivariate ANOVA (MANOVA) 11.Sunum
Multivariate ANOVA (MANOVA) 11.Sunum MANOVA Daha önce bir tane bağımlı değişkenimiz olduğunda gruplar arası farkı incelemek için ANOVA kullanacağımızı göstermiştik. Araştırmamızda birden fazla bağımlı
DetaylıUYGULAMA 4 TANIMLAYICI İSTATİSTİK DEĞERLERİNİN HESAPLANMASI
1 UYGULAMA 4 TANIMLAYICI İSTATİSTİK DEĞERLERİNİN HESAPLANMASI Örnek 1: Ders Kitabı 3. konuda verilen 100 tane yaş değeri için; a. Aritmetik ortalama, b. Ortanca değer, c. Tepe değeri, d. En küçük ve en
DetaylıAnahtar kelimeler: Kanonik korelasyon, çok değişkenli analiz, kanonik değişken
Araştırma Makalesi / Research Article Iğdır Üni. Fen Bilimleri Enst. Der. / Iğdır Univ. J. Inst. Sci. & Tech. 1(2): 117-123, 2011 Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi Iğdır University Journal
DetaylıTemel İstatistik. Y.Doç.Dr. İbrahim Turan Mart Tanımlayıcı İstatistik. Dağılımları Tanımlayıcı Ölçüler Dağılış Ölçüleri
Temel İstatistik Tanımlayıcı İstatistik Dağılımları Tanımlayıcı Ölçüler Dağılış Ölçüleri Y.Doç.Dr. İbrahim Turan Mart 2011 DAĞILIM / YAYGINLIK ÖLÇÜLERİ Verilerin değişkenlik durumu ve dağılışın şeklini
DetaylıSELEKSİYON İNDEKSİ VE FARKLI BLUP UYGULAMALARININ KARŞILAŞTIRILMASI. Yavuz AKBAŞ 1
SELEKSİYON İNDEKSİ VE FARKLI BLUP UYGULAMALARININ KARŞILAŞTIRILMASI Yavuz AKBAŞ 1 ÖZET Evcil hayvanların genetik ıslahında kullanılan istatistik yöntemler son 25 yıl içinde büyük bir ilerleme göstermiştir.
DetaylıTek yönlü varyans analizi kısaltılmış olarak ANOVA (Analysis of Variance) bilinen
DÖNEM II ENDOKRİN SİSTEMİ Ders Kurulu Başkanı : Doç. Dr. Osman EVLİYAOĞLU VARYANS ANALİZİ (14.03.014 Cuma Y.ÇELİK Tek Yönlü Varyans Analizi Tek yönlü varyans analizi kısaltılmış olarak ANOVA (Analysis
DetaylıÇOK DEĞĐŞKENLĐ ĐSTATĐSTĐKLERĐN ARAŞTIRMALARDA KULLANIMI
ÇOK DEĞĐŞKENLĐ ĐSTATĐSTĐKLERĐN ARAŞTIRMALARDA KULLANIMI Araştırmalarda incelenen olaylar göstermektedir ki tek değişkenli istatistiklerin kullanılması problemi açıklamakta yetersiz ve eksik kalmaktadır.
DetaylıBootstrap Metodu ve Uygulanışı Üzerine Bir Çalışma 2. Güven Aralıkları, Hipotez Testi ve Regresyon Analizinde Bootstrap Metodu
Ege Üniv. Ziraat Fak. Derg., 2006, 43(2):63-72 ISSN 1018-8851 Bootstrap Metodu ve Uygulanışı Üzerine Bir Çalışma 2. Güven Aralıkları, Hipotez Testi ve Regresyon Analizinde Bootstrap Metodu Çiğdem TAKMA
DetaylıAR. GÖR. SİBEL AL PROF. DR. HÜLYA ÇINGI HACETTPE ÜNİVERSİTESİ İSTATİSTİK BÖLÜMÜ
AR. GÖR. SİBEL AL PROF. DR. HÜLYA ÇINGI HACETTPE ÜNİVERSİTESİ İSTATİSTİK BÖLÜMÜ Genel bilgiler Yöntemin tanımı İki safhalı örnekleme yönteminde medyan tahmin edicileri Tahmin edicilerin etkinlikleri Sayısal
DetaylıİSTATİSTİK MHN3120 Malzeme Mühendisliği
İSTATİSTİK MHN3120 Malzeme Mühendisliği CBÜ - Malzeme Mühendisliği Bölümü Ofis: Mühendislik Fakültesi A Blok Ofis no:311 Tel: 0 236 2012404 E-posta :emre.yalamac@cbu.edu.tr YARDIMCI KAYNAKLAR Mühendiler
DetaylıÇND BİYOİSTATİSTİK EĞİTİMİ
ÇND BİYOİSTATİSTİK EĞİTİMİ Yrd.Doç.Dr.Gökmen ZARARSIZ Erciyes Üniversitesi, Tıp Fakültesi, Biyoistatistik Anabilim Dalı, Kayseri Turcosa Analitik Çözümlemeler Ltd Şti, Kayseri gokmenzararsiz@hotmail.com
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
DetaylıİZMİR DEKİ ÖZEL VE DEVLET ÜNİVERSİTELERİNDEKİ ÖĞRENCİLERİN BAŞARILARINI ETKİLEYEN FAKTÖRLERİN BELİRLENMESİ VE KARŞILAŞTIRILMASI ÖZET
Muğla Üniversitesi Sosyal Bilimler Enstitüsü Dergisi (İLKE) Bahar 2007 Sayı 18 İZMİR DEKİ ÖZEL VE DEVLET ÜNİVERSİTELERİNDEKİ ÖĞRENCİLERİN BAŞARILARINI ETKİLEYEN FAKTÖRLERİN BELİRLENMESİ VE KARŞILAŞTIRILMASI
DetaylıVaryans Analizi (ANOVA), Kovaryans Analizi (ANCOVA), Faktöriyel ANOVA, Çoklu Varyans Analizi (MANOVA)
Varyans Analizi (ANOVA), Kovaryans Analizi (ANCOVA), Faktöriyel ANOVA, Çoklu Varyans Analizi (MANOVA) Yaşar Tonta H.Ü. BBY tonta@hacettepe.edu.tr yunus.hacettepe.edu.tr/~tonta/courses/fall2008/sb5002/
Detaylı0.04.03 Standart Hata İstatistikte hesaplanan her istatistik değerin mutlaka hatası da hesaplanmalıdır. Çünkü hesaplanan istatistikler, tahmini bir değer olduğu için mutlaka hataları da vardır. Standart
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
DetaylıÇok Göstergeli Örtük Gelişme Modelleri
Eğitimde ve Psikolojide Ölçme ve Değerlendirme Dergisi, Yaz 2010, 1(1), 29-36 Çok Göstergeli Örtük Gelişme Modelleri Seda DURAL * Oya SOMER ** Mediha KORKMAZ *** Ege Üniversitesi Seda CAN **** İzmir Ekonomi
DetaylıYeniden Örnekleme ve F Testinin I. Tip Hata ve Testin Gücü Bakımından Simülasyon Yöntemi ile Karşılaştırılması*
TARIM BİLİMLERİ DERGİSİ 009, 15(1) 105-111 ANKARA ÜNİVERSİTESİ ZİRAAT FAKÜLTESİ Yeniden Örnekleme ve F Testinin I. Tip Hata ve Testin Gücü Bakımından Simülasyon Yöntemi ile Karşılaştırılması* Özgür KOŞKAN
DetaylıREGRESYON ANALİZİ VE UYGULAMA. Yrd. Doç. Dr. Hidayet Takcı
REGRESYON ANALİZİ VE UYGULAMA Yrd. Doç. Dr. Hidayet Takcı htakci@cumhuriyet.edu.tr Sunum içeriği Bu sunumda; Lojistik regresyon konu anlatımı Basit doğrusal regresyon problem çözümleme Excel yardımıyla
DetaylıYILLARI ARASINDA GÜNEY CAROLINA DA OKUL İÇİ ŞİDDET İSTATİSKLERİ ANALİZİ (Bir Önceki Projeden Devam Edilecektir)
1996-1998 YILLARI ARASINDA GÜNEY CAROLINA DA OKUL İÇİ ŞİDDET İSTATİSKLERİ ANALİZİ (Bir Önceki Projeden Devam Edilecektir) Hazırlayan : Süleyman Öğrekçi 1996 ve 1998 yılları arasında Güney Carolina da resmi
DetaylıAkdeniz Üniversitesi
F. Ders Tanıtım Formu Dersin Adı Öğretim Dili EKONOMETRİ I Türkçe Dersin Verildiği Düzey Ön Lisans ( ) Lisans (x ) Yüksek Lisans( ) Doktora( ) Eğitim Öğretim Sistemi Örgün Öğretim (x ) İkinci Örgün Öğretim
DetaylıYrd. Doç. Dr. Sedat ŞEN
4.SUNUM Deney çalışmamızda manipüle ettiğimiz değişkenlerden olmayıp bağımlı değişken üzerinde etkisi olduğunu düşündüğümüz sürekli değişkenlere ortak değişken/kontrol değişkeni/etki karışımı değişkeni
Detaylı2x2 ve rxc Boyutlu Tablolarla Hipotez Testleri
x ve rxc Boyutlu Tablolarla Hipotez Testleri İki tür spesifik uygulamada kullanılır: 1. Bağımsızlık Testi (Test of Independency): Sayım verilerinden oluşan iki değişken arasında bağımsızlık (veya ilişki)
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
DetaylıAST416 Astronomide Sayısal Çözümleme - II. 5. Model Testi, Karşılaştırma ve En İyi Modelin Seçimi
AST416 Astronomide Sayısal Çözümleme - II 5. Model Testi, Karşılaştırma ve En İyi Modelin Seçimi "All models are wrong" George Box 1976, Science and Statistics, Journal of the American Statistical Association
DetaylıBÖLÜM 1: YAşAM ÇÖzÜMLEMEsİNE GİRİş... 1
ÖN SÖZ...iii BÖLÜM 1: Yaşam Çözümlemesine Giriş... 1 1.1. Giriş... 1 1.2. Yaşam Süresi... 2 1.2.1. Yaşam süresi verilerinin çözümlenmesinde kullanılan fonksiyonlar... 3 1.2.1.1. Olasılık yoğunluk fonksiyonu...
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
Detaylı8. BÖLÜM: DEĞİŞEN VARYANS
8. BÖLÜM: DEĞİŞEN VARYANS Bu bölümde; Değişen Varyans Tespiti için Grafik Çizme Değişen Varyans Testi: Park Testi Değişen Varyans Testi: White Testi Değişen Varyans Probleminin Çözümü: Ağırlıklandırılmış
DetaylıHerhangi bir oranın belli bir değere eşit olmadığını test etmek için kullanılır.
Hipotez testleri-oran testi Oran Testi Herhangi bir oranın belli bir değere eşit olmadığını test etmek için kullanılır Örnek: Yüz defa atılan bir para 34 defa yazı gelmiştir Paranın yazı gelme olasılığının
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
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
DetaylıKUKLA DEĞİŞKENLİ MODELLER
KUKLA DEĞİŞKENLİ MODELLER Bir kukla değişkenli modeller (Varyans Analiz Modelleri) Kukla değişkenlerin diğer kantitatif değişkenlerle alındığı modeller (Kovaryans Analizi Modeller) Kukla değişkenlerin
DetaylıANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ DÖNEM PROJESİ TAŞINMAZ DEĞERLEMEDE HEDONİK REGRESYON ÇÖZÜMLEMESİ. Duygu ÖZÇALIK
ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ DÖNEM PROJESİ TAŞINMAZ DEĞERLEMEDE HEDONİK REGRESYON ÇÖZÜMLEMESİ Duygu ÖZÇALIK GAYRİMENKUL GELİŞTİRME VE YÖNETİMİ ANABİLİM DALI ANKARA 2018 Her hakkı saklıdır
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
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
DetaylıSİYAH ALACA SIĞIRLARDA 305 GÜNLÜK SÜT VERİMİ ÜZERİNE ETKİLİ FAKTÖRLERİN PATH ANALİZİ İLE İNCELENMESİ
İYAH ALACA IĞIRLARDA 305 GÜNLÜK ÜT VERİMİ ÜZERİNE ETKİLİ FAKTÖRLERİN ATH ANALİZİ İLE İNCELENMEİ Ö. İşçi 1, Ç. Takma 2 Y. Akbaş 2 ÖZET İncelenen kantitatif bir özellik üzerine çeşitli faktörlerin doğrudan
DetaylıBAĞIMLI KUKLA DEĞİŞKENLİ MODELLER A- KADININ İŞGÜCÜNE KATILIM MODELİ NİN DOM İLE E-VIEWS DA ÇÖZÜMÜ
BAĞIMLI KUKLA DEĞİŞKENLİ MODELLER A- KADININ İŞGÜCÜNE KATILIM MODELİ NİN DOM İLE E-VIEWS DA ÇÖZÜMÜ Modeldeki değişken tanımları aşağıdaki gibidir: IS= 1 i.kadının bir işi varsa (ya da iş arıyorsa) 0 Diğer
DetaylıYARI LOGARİTMİK MODELLERDE KUKLA DECİşKENLERİN KA TSA YıLARıNIN YORUMU
Marmara Üniversitesi U.B.F. Dergisi YIL 2005, CİLT XX, SAyı 1 YARI LOGARİTMİK MODELLERDE KUKLA DECİşKENLERİN KA TSA YıLARıNIN YORUMU Yrd. Doç. Dr. Ebru ÇACLAYAN' Arş. Gör. Burak GÜRİş" Büyüme modelleri,
DetaylıKazanımlar. Z puanları yerine T istatistiğini ne. zaman kullanacağını bilmek. t istatistiği ile hipotez test etmek
T testi Kazanımlar Z puanları yerine T istatistiğini ne 1 zaman kullanacağını bilmek 2 t istatistiği ile hipotez test etmek 3 Cohen ind sini ve etki büyüklüğünü hesaplamak 1 9.1 T İstatistiği: zalternatifi
DetaylıBİYOİSTATİSTİK Bazı Olasılık Dağılışları Dr. Öğr. Üyesi Aslı SUNER KARAKÜLAH
BİYOİSTATİSTİK Bazı Olasılık Dağılışları Dr. Öğr. Üyesi Aslı SUNER KARAKÜLAH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim AD. Web: www.biyoistatistik.med.ege.edu.tr 1 Uygulamalı bilim
Detaylı01.02.2013. Statistical Package for the Social Sciences
Hipotezlerin test edilip onaylanması için çeşitli istatistiksel testler kullanılmaktadır. Fakat... Her istatistik teknik her tür analize elverişli değildir. Modele veya hipoteze uygun test istatistiği
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)
DetaylıSürekli Rastsal Değişkenler
Sürekli Rastsal Değişkenler Normal Dağılım: Giriş Normal Dağılım: Tamamen ortalaması ve standart sapması ile tanımlanan bir rastsal değişken, X, için oluşturulan sürekli olasılık dağılımına normal dağılım
DetaylıHipotezlerin test edilip onaylanması için çeşitli istatistiksel testler kullanılmaktadır. Fakat...
Hipotezlerin test edilip onaylanması için çeşitli istatistiksel testler kullanılmaktadır. Fakat... Her istatistik teknik her tür analize elverişli değildir. Modele veya hipoteze uygun test istatistiği
DetaylıİKİDEN ÇOK BAĞIMSIZ GRUBUN KARŞILAŞTIRILMASI
İKİDEN ÇOK BAĞIMSIZ GRUBUN KARŞILAŞTIRILMASI Grup sayısı ikiye geçtiğinde tüm grupların bağımsız iki grup testleri ile ikişerli analiz düşünülebilir. Ancak bu yaklaşım, karşılaştırmalar bağımsız olmadığından
DetaylıIE 303T Sistem Benzetimi
IE 303T Sistem Benzetimi 1 L E C T U R E 5 : O L A S I L I K T E K R A R 2 Review of the Last Lecture Random Variables Beklenen Değer ve Varyans Moment Kesikli Dağılımlar Bernoulli Dağılımı Binom Dağılımı
DetaylıKukla Değişken Nedir?
Kukla Değişken Nedir? Cinsiyet, eğitim seviyesi, meslek, din, ırk, bölge, tabiiyet, savaşlar, grevler, siyasi karışıklıklar (=darbeler), iktisat politikasındaki değişiklikler, depremler, yangın ve benzeri
Detaylı