SavedAdd your journal

Journals / Ankara Hacı Bayram Veli Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi / 2020 / Cilt: 22 - Sayı: 1

Logaritmik ve Yarı Logaritmik Ölçüm Hatalı Modeller: SIMEX Yönteminin Etkinliği

Şahika GÖKMEN
Rukiye DAĞALP
Pages
210–224
Publication Date
2020-05-08
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Çalışmada ölçüm hatalı log-doğrusal modellerinin parametre tahminleri Monte Carlo simülasyon çalışması ile incelenmiş ve ölçüm hatalı modellerin parametre tahmininde en başarılı olan SIMEX yönteminin logaritmik dönüşümler karşısındaki başarısı da araştırılmıştır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Doğrusal regresyon analizinde, açıklayıcı değişkenler hata ile ölçüldüğünde regresyon parametreleri sapmalı tahmin edilmektedir.
📊
Key Findings & Data:Diğer yandan, parametrik istatistiksel yöntemlerde normallik, doğrusallık ve sabit varyanslılık varsayımları genel olarak dikkate alınmakta ve bu varsayımların sağlanmasında etkin olan logaritmik dönüşümler, özellikle istatistiksel sonuç çıkarımı için Gauss dağılımına yaklaşım amacıyla, sıklıkla kullanılmaktadır.
💡
Conclusion & Impact:Çalışmada ölçüm hatalı log-doğrusal modellerinin parametre tahminleri Monte Carlo simülasyon çalışması ile incelenmiş ve ölçüm hatalı modellerin parametre tahmininde en başarılı olan SIMEX yönteminin logaritmik dönüşümler karşısındaki başarısı da araştırılmıştır.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Log-doğrusal Modeller · Logaritmik Model Kalıpları · SIMEX Yöntemi

Özet

Doğrusal regresyon analizinde, açıklayıcı değişkenler hata ile ölçüldüğünde regresyon parametreleri sapmalı tahmin edilmektedir. Sapmalı tahminler ise yanlış sonuç çıkarımları yapmaya, değişkenler arası ilişki yapısını bozmaya, öngörülerin yanlı olması gibi sonuçlara neden olmaktadır. Açıklayıcı değişkenin ölçme hatalı olduğu bu tip modellere ölçüm hatalı modeller denilmekte ve Simülasyon-Ekstrapolasyon (SIMEX), Regresyon Kalibrasyon gibi yöntemler ile bu modellerin parametreleri sapmasız olarak tahmin edilmektedir. Ekonomik verilerin hiçbir zaman tam olarak ölçülememesi günümüzde, özellikle sosyal bilimlerde, bu konuyu daha popüler hale getirmektedir. Diğer yandan, parametrik istatistiksel yöntemlerde normallik, doğrusallık ve sabit varyanslılık varsayımları genel olarak dikkate alınmakta ve bu varsayımların sağlanmasında etkin olan logaritmik dönüşümler, özellikle istatistiksel sonuç çıkarımı için Gauss dağılımına yaklaşım amacıyla, sıklıkla kullanılmaktadır. Bu bakımdan, “logaritmik dönüşümler açıklayıcı değişkenlerde ortaya çıkan ölçüm hatasının etkisini azaltır mı?” sorusu, bu çalışmanın temel amacını oluşturmaktadır. Çalışmada ölçüm hatalı log-doğrusal modellerinin parametre tahminleri Monte Carlo simülasyon çalışması ile incelenmiş ve ölçüm hatalı modellerin parametre tahmininde en başarılı olan SIMEX yönteminin logaritmik dönüşümler karşısındaki başarısı da araştırılmıştır.

🔖

Cite This Article

GÖKMEN, Ş., DAĞALP, R. (2020). Logaritmik ve Yarı Logaritmik Ölçüm Hatalı Modeller: SIMEX Yönteminin Etkinliği. Ankara Hacı Bayram Veli Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, Cilt: 22 - Sayı: 1, 210–224. https://ajindex.com/articles/14018

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (4)

  1. Belsley, D. A., Kuh, E., & Welsch, R. E. (1980). Regression Diagnostics: Identifying Influential Data and Sources of Collinearity. New York: John Wiley&Sons.Boos, D. D. & Stefanski, L. A. (2013). Essential Statistical Inference: Theory and Methods. USA: Springer.Buonaccorsi, J. P. (2010).
  2. Measurement Error Models, Methods and Applications. USA:CRC Press.
  3. Carroll, R. J., Ruppert, D., Stefanski, L. A., & Crainiceanu, C. M. (2006). Measurement Error in Nonlinear Models: A Modern Perspective. USA: Chapman&Hall/CRC.Cook, J. R., and Stefanski, L. (1992). Simulation-Extrapolation Estimation in Parametric Measurement Error Models. MIMEO Series #2224R, North Caroline: North Caroline State University.Cook, J. R., and Stefanski, L. A. (1994). Simulation-Extrapolation Estimation in Parametric Measurement Error Models. Journal of the American Statistical Association, 89(428), 1314-1328.Edwards, L. J., & Hamilton, S. A. (1995). Errors-in-variables and the Box-Cox Transformation. Computational Statistics&Data Analysis, 20, 131-140.Fuller, W.A. (1980). Properties of Some Estimators of the Errors-in-variables Model. Annual Statistics, 8, 407-422.Fuller, W. A. (1987). Measurement Error Models. New York: Wiley.Greene, W. H. (2012). Econometric Analysis. Boston: Pearson Hall.Gujarati, D. N., & Porter, D. C. (2009). Basic Econometrics. America: The McGraw-Hill Companies.Kuchenoff, H., Mwalili, S.M. and Lesaffre, E. (2006). A General Method for Dealing with Misclassification in Regression: The Misclassification SIMEX. Biometrics, 62, 85-96.Richardson, R., Tolley, H. D., Evenson, W. E. & Lunt, B. M. (2018). Accounting for Measurement Error in Log Regression Models with Applications to Accelerated Testing. PLoS ONE, 13(5), 1-13.
  4. Schneeweiss, H. (1976). Consistent Estimation of a Regression with Errors in the Variables. Metrika, 23(1), 101-115.