AI Summary & Key Takeaways
AI InsightTahmin başarı ölçütlerindeki iyileşmeler yanında Karışık Etkili Regresyon Modeli ile çeşitli Otoregresif modellere ilişkin hesaplanan Durbin-Watson katsayısı 2’ye yakın olarak elde edilmiş ve test sonucu olarak da herhangi bir Otokorelasyon saptanmamıştır.
📌 3 Key Takeaways
Özet
Ağaçların çap-boy ilişkilerinin modellenmesinde, Doğrusal Olmayan Regresyon modeli yanında Karışık Etkili Doğrusal Olmayan Regresyon modeli ile AR(1), AR(2), MA(1), MA(2), ARMA (1,1) ve ARMA (2,2) gibi çeşitli Otoregresif modellerin tahmin başarılıları ve farklı yapıdaki meşcerelerden elde edilen hiyerarşik verilerin kullanımıyla oluşan Otokorelasyon sorununa çözüm sunma kapasiteleri karşılaştırılmıştır. Doğrusal Olmayan Regresyon Analizine ait başarı ölçütlerine göre (RMSE=1.761, RMSE% =12.450, R2=0.838, AIC=316.167 ve BIC=912.207), gerek Otoregresif modelleme gerekse Karışık Etkili Doğrusal Olmayan Regresyon Modellemesinin kullanım ile önemli oranda iyileşmeler elde edilmiştir. En başarılı olarak belirlenen a parametresi rasgele olan Karışık Etkili Regresyon Modelinde, RMSE değeri; 1.174, RMSE% değeri; 8.300, R2değeri;0.928, AIC değeri; 93.959 ve BIC değeri ise; 689.999 olarak hesaplanmış ve bu bakımdan da RMSE değerinde % 33.33, RMSE% değerinde % 33.33, R2 değerinde % 10.74, AIC değerinde % 70.28 ce BIC değerinde % 24.36 iyileşme elde edilmiştir. Tahmin başarı ölçütlerindeki iyileşmeler yanında Karışık Etkili Regresyon Modeli ile çeşitli Otoregresif modellere ilişkin hesaplanan Durbin-Watson katsayısı 2’ye yakın olarak elde edilmiş ve test sonucu olarak da herhangi bir Otokorelasyon saptanmamıştır.