KaydedilenlerDerginizi ekleyin

Dergiler / Uluslararası Yönetim İktisat ve İşletme Dergisi / 2026 / Cilt: 1 Sayı: 1

ÇOKLU DOĞRUSAL BAĞLANTI HALİNDE ENKÜÇÜK KARELER TEKNİĞİNİN ALTERNATİFİ YANLI TAHMİN TEKNİKLERİ VE BİR UYGULAMA

Ali Sait Albayrak(Zonguldak Karaelmas Üniversitesi Çaycuma İktisadi ve İdari Bilimler Fakültesi Sayısal Yöntemler Anabilim Dalı Öğretim Üyesi)
Sayfa
105–126
Yayın Tarihi
2005-06-01
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Araştırmada, bağımsız değişkenler arasındaki yüksek çoklu doğrusal bağlantı problemine dayanarak RR ve PC tekniklerinin LS tekniğine göre daha düşük standart hatalı, durağan ve kuramsal beklentilere uygun tahminler sağlayacağı beklenmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmanın amacı, beden ağırlığının tahmin edilmesinde yanlı tahmin tekniklerinin [Ridge Regression RR ve Principal Component PC ] enküçük kareler [Least Squares LS ] tekniğine karşı etkinliğini araştırmaktır.
📊
Temel Bulgular & Veri:Bu amaçla beden ağırlığı ile açıklayıcı değişkenler arasındaki doğrusal ilişkinin tahmininde LS ve yanlı tahmin tekniklerinin RR ve PC göreceli tahmin geçerlilikleri karşılaştırılmaktadır.
💡
Sonuç & Katkı:Araştırmada, bağımsız değişkenler arasındaki yüksek çoklu doğrusal bağlantı problemine dayanarak RR ve PC tekniklerinin LS tekniğine göre daha düşük standart hatalı, durağan ve kuramsal beklentilere uygun tahminler sağlayacağı beklenmiştir.
🔬Tür:Makale
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Enküçük Kareler Tekniği · Ridge Regresyon Analizi · Temel Bileşenler Regresyonu ve Çoklu Doğrusal Bağlantı.

Özet

Bu çalışmanın amacı, beden ağırlığının tahmin edilmesinde yanlı tahmin tekniklerinin [Ridge Regression RR ve Principal Component PC ] enküçük kareler [Least Squares LS ] tekniğine karşı etkinliğini araştırmaktır. Bu amaçla beden ağırlığı ile açıklayıcı değişkenler arasındaki doğrusal ilişkinin tahmininde LS ve yanlı tahmin tekniklerinin RR ve PC göreceli tahmin geçerlilikleri karşılaştırılmaktadır. Araştırmada, bağımsız değişkenler arasındaki yüksek çoklu doğrusal bağlantı problemine dayanarak RR ve PC tekniklerinin LS tekniğine göre daha düşük standart hatalı, durağan ve kuramsal beklentilere uygun tahminler sağlayacağı beklenmiştir.

Abstract

The purpose of this paper is to examine the effectiveness of applying biased estimation techniques RR and PC over Least Squares LS technique. For this purpose, the relative predictive validity of three regression techniques was compared using the weight data to study the linear relation of dependent variable to predictor variables. It was hypothesized that, given the high degree of multicolinearity of the predictor variables, biased estimation techniques would provide more stabilized coefficient and less standard errors than would the LS technique

🔖

Bu Makaleye Atıf Yap

Albayrak, A. S. (2005). ÇOKLU DOĞRUSAL BAĞLANTI HALİNDE ENKÜÇÜK KARELER TEKNİĞİNİN ALTERNATİFİ YANLI TAHMİN TEKNİKLERİ VE BİR UYGULAMA. Uluslararası Yönetim İktisat ve İşletme Dergisi, Cilt: 1 Sayı: 1, 105–126. https://ajindex.com/articles/1221042

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (19)

  1. Anderson, Björn (1998); Scandinavian Evidence on Growth and Age Structure, ESPE 1997 Conference at Uppsala University.
  2. Darlington, R. B. (1978); “Reduced Variance Regression,” Psychological Bulletin, 85, s. 1283-1255.
  3. Dempster, A. P., M. Schatzoff, and N. Wermuth (1977); “A Simulation Study of Alternatives to Ordinary Least Square,” Journal of American Statistical Association, 72, s. 77-91.
  4. Draper, N. R., and H. Smith (1981); Applied Regression Analysis, John Willey, NY.
  5. Faden, V. B. (1978); Shrinkage in Regression and Ordinary Least Squares Multiple Regression Estimators, Yayınlanmamış Doktora Tezi, University of Maryland.
  6. Gujarati, D. N. (1995); Basic Econometrics, 3rd Ed., McGraw-Hill, New York.
  7. Hoerl, A. E. and Kennard R.W. (1970); “Ridge Regression: Biased Estimation for Nonorthogonal Problems,” Technometrics, 12, s. 69-82.
  8. Kleinbaum D. G., Lawrence L. Kupper and Keith E. Muller (1988); Applied Regression Analysis and Other Multivariable Methods, Duxbury Press, New Jersey.
  9. Maxwell, Scott E. (2000); “Sample Size in Multiple Regression Analysis,” Psychological Methods, Vol. 5, No: 4, s. 435-458.
  10. Myers, R. H. (1990); Classical and Modern Regression with Applications, Massachusetts: PWS-Kent Publishing Company, Boston.
  11. Neter, J., W. Wasserman and M. Kunter (1990); Applied Linear Statistical Models, 3rd Ed., New Jersey.
  12. NCSS Inc. (2001); NCSS User Guide 2001, Kaysville, NCSS Inc.
  13. Orhunbilge, Neyran (2000); Uygulamalı Regresyon ve Korelasyon Analizi, Avcıol- Basım Yayın, İstanbul.
  14. Price, B. (1979); “Ridge Regression: Application to Nonexperimental Data,” Psychological Bulletin, 84, s. 759-766.
  15. Rawlings, J. O. (1998); Applied Regression Analysis: A Research Tool, California.
  16. Shin, Kilman (1996); SPSS Guide for DOS Version 5 and Windows 6.1.2, 2nd Ed., Irwin, Chicago.
  17. SPSS Inc, (1999); SPSS® Base 10 Application Guide, Chicago: SPSS Inc.
  18. Tracey, T. J., W. E. Sedlacek and R. D. Miras (1983); “Applying Ridge Regression to Admissions Data by Race,” College and University, 58, s. 313-318.
  19. Vinod, H. D. (1995); “Double Bootstrap for Shrinkage Estimators,” Journal of Econometrics, 68, s. 287-302.