KaydedilenlerDerginizi ekleyin

Dergiler / İstatistik Araştırma Dergisi / 2026 / Cilt: 5 Sayı: 1

Çoklu Regresyon Uçdeğerlerinin Teşhisçisi Olarak Çanta Çiziti

The Bagplot as A Diagnostic Tool for Multiple Regression Outliers

Enis Sınıksaran(İSTANBUL ÜNİVERSİTESİ, İKTİSAT FAKÜLTESİ, EKONOMETRİ BÖLÜMÜ)
M. Hakan Satman(İSTANBUL ÜNİVERSİTESİ, İKTİSAT FAKÜLTESİ, EKONOMETRİ BÖLÜMÜ)
Sayfa
35–48
Yayın Tarihi
2007-07-13
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)

Yaklaşım birçok senaryoda başarılı bulunmuştur.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Çanta çiziti tek değişkenli veriler için kullanılan ve uçdeğerlerin tespitinde de faydalanılan kutu çizitinin iki değişkenli versiyonudur.
📊
Temel Bulgular & Veri:Dolayısıyla tek bağımsız değişkenli regresyon uçdeğerlerinin tespitinde kullanılabilir.
💡
Sonuç & Katkı:Yaklaşım birçok senaryoda başarılı bulunmuştur.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Çanta Çiziti · Gizleme · Uç Değer

Özet

Çanta çiziti tek değişkenli veriler için kullanılan ve uçdeğerlerin tespitinde de faydalanılan kutu çizitinin iki değişkenli versiyonudur. Dolayısıyla tek bağımsız değişkenli regresyon uçdeğerlerinin tespitinde kullanılabilir. Ancak bağımsız değişken sayısı birden fazla olduğunda, çanta çizitinin dolaysız kullanılma şansı yoktur. Öte yandan regresyon kalıntıları ile bağımlı değişkenin tahmin değerlerinin belirlediği iki boyutlu uzayın tüm veriyi belirli nispette temsil etme yeteneği literatürde kanıtlanmıştır. Bu çalışmada temel olarak bu sonuçtan hareket edilmiştir. Çoklu regresyon modelinden elde edilen kalıntı ve tahmin değerlerinin belirlediği uzayda çanta çizitinin regresyon uçdeğerlerini belirlemedeki performansı bazı klasik verilerle ve çeşitli senaryolarda Monte Carlo simülasyonlarıyla araştırılmıştır. Yaklaşım birçok senaryoda başarılı bulunmuştur.

Abstract

The Bagplot is a bivariate generalization of the univariate boxplot which is also used in determining the outliers. Hence it can be used in diagnosing the outliers for the simple linear regression. It cannot be used, however, when the number of variables exceeds one. On the other hand, in statistics literature, it has been shown that the predicted value versus residual plot can represent the whole data in some instances. The main motivation of this paper is that point. The performance of the Bagplot in the predicted value versus residual plot is investigated for some classical and simulated data sets. The approach is found successful for many scenarios.

🔖

Bu Makaleye Atıf Yap

Sınıksaran, E., Satman, M. H. (2007). Çoklu Regresyon Uçdeğerlerinin Teşhisçisi Olarak Çanta Çiziti. İstatistik Araştırma Dergisi, Cilt: 5 Sayı: 1, 35–48. https://ajindex.com/articles/1617901

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  1. Belshey, D.A., Kuh, E., Welsh, R.E., 1980. Regression Diagnostics: Identifying Influential Data and Sources of Colinearity.Wiley, New York.
  2. Brownlee, K.A., 1965. Statistical Theory and Methodology. Wiley, 2nd Edition, NewYork.
  3. Cook, R.D. ve Weisberg, S., 1980. Characterizations of an Empirical Influence Function for Detecting Influential Cases in Regression. Techonometrics, 22,495-508.
  4. Hadi, A.S. ve Simonoff, J.S., 1993. Procedures for the Identification of Multiple Outliers in Linear models. J.Amer.Statist.Assoc., 88, 1264-1272.
  5. Hawkins, D.M, Bradu, D. ve Kass, G.V., 1984. Location of Several Outliers in Multiple Regression Data Using Elemental Sets. Technometrics, 26, 197-208.
  6. Kianifard, F. ve Swallow, W., 1990. A Monte Carlo Comparison of Some Procedures for Identifying Outliers in Linear Regression. Commun. Statist, Part A Theory Methods 19, 1913-1938.
  7. Rousseeuw, P.J. ve Leroy, A.M., 1987. Robust Regression and Outlier Detection, Wiley, Newyork.
  8. Rousseeuw, P.J. ve Ruts, I., 1999. BAGPLOT, Çevrimiçi http://www.agoras.ua.ac.be/.
  9. Rousseeuw, P.J. ve Ruts, I. ve Tukey, J.W., 1999. The Bagplot:A Bivarite Boxplot, the American Statistician, Vol.53, No.4, 382-387.
  10. Sebert, D.M., Montgomery, D.C. ve Rollier, D., 1998. A Clustering Algorithm for Identifying Multiple Outliers in Linear Regression. Computational Statistics&Data Analysis, 27, 461- 484.
  11. Wisnowski, J.W., Montgomery, D.C. ve Simpson, J.R., 2001. A Comparative Analysis of Multiple Outlier Detection Procedures in the Linear Regression Model. Computational Statistics&Data Analysis, 36, 351-382.