KaydedilenlerDerginizi ekleyin

Dergiler / Süleyman Demirel Üniversitesi Sağlık Bilimleri Dergisi / 2020 / Cilt: 11 - Sayı: 2

Simülasyon ve Sağlık Veri Setlerinde Parçalı Regresyon ile Polinom Regresyon Analizlerinin Karşılaştırılması

Comparison Of Piecewise Regression and Polynomial Regression Analyses In Health and Simulation Data Sets

Mevlüt TÜRE
İmran KURT ÖMÜRLÜ
Buğra VAROL
Sayfa
144–151
Yayın Tarihi
2022-10-18
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)

Bulgular: Tüm polinom ve parçalı regresyon modellerinin R2, HKO, ABK ve BBK değerleri bakımından performansları istatistiksel olarak birbirinden farklı bulundu (p

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Amaç: Bir veya daha fazla parçanın kırılma noktalarında birleştirildiği parçalı regresyon, istatistiksel bir teknik olarak yaygın bir şekilde kullanılmaktadır.
📊
Temel Bulgular & Veri:Polinom ve sürekli parçalı regresyon analiz yöntemlerinin karşılaştırılması n=100 birimlik veri setleri için 1000 tekrarlı simülasyon ile gerçekleştirildi.
💡
Sonuç & Katkı:Bulgular: Tüm polinom ve parçalı regresyon modellerinin R2, HKO, ABK ve BBK değerleri bakımından performansları istatistiksel olarak birbirinden farklı bulundu (p
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2010 Verileri
⚙️Değişkenler:Alan Parametreleri

Özet

Amaç: Bir veya daha fazla parçanın kırılma noktalarında birleştirildiği parçalı regresyon, istatistiksel bir teknik olarak yaygın bir şekilde kullanılmaktadır. Bu çalışmada hem simülasyon verisi hem de gerçek veri setleri kullanılarak tek değişkenli polinom regresyon analizi ile karesel ve kübik parçalı regresyon analizlerinin karşılaştırılması hedeflendi. Materyal-Metot: Çalışmanın uygulama basamağında R yazılım programı kullanılarak simülasyon uygulaması için algoritmalar yazıldı. Polinom ve sürekli parçalı regresyon analiz yöntemlerinin karşılaştırılması n=100 birimlik veri setleri için 1000 tekrarlı simülasyon ile gerçekleştirildi. Ayrıca Türkiye’de 2010 yılındaki tüberküloz vaka sayılarını içeren tüberküloz veri seti ile Türkiye’deki 1970-2015 yılları arasındaki kızamık vaka sayılarını içeren kızamık veri setleri kullanılarak oluşturulan polinom ve parçalı regresyon modellerinin tahmin performansları; belirtme katsayısı (R2), hata kareler ortalaması (HKO), Akaike bilgi kriteri (ABK) ve Bayes bilgi kriteri (BBK) değerlerine göre karşılaştırıldı. Bulgular: Tüm polinom ve parçalı regresyon modellerinin R2, HKO, ABK ve BBK değerleri bakımından performansları istatistiksel olarak birbirinden farklı bulundu (p

Abstract

Objective: Piecewise regression, which one or more piecesare combined in breakpoints, is widely used as a statisticaltechnique. It was aimed to compare piecewise regressionanalyses and polynomial regression analysis using bothsimulated data and real data sets.Material-Method: In the application step of the study,algorithms were created by using R software for simulationpractice. Polynomial and piecewise regression analysismethods were compared using data sets with n=100 unitsand 1000 times running simulation. Additionally, estimationperformances of piecewise and polynomial regression werebuilt by using the data sets which contained in the numberof tuberculosis cases according to age in 2010 year and thenumber of measles cases from 1970 to 2015 years in Turkeywere compared according to the coefficient of determination(R2), mean square error (MSE), Akaike information criteria(AIC) and Bayes information criteria (BIC).Results: It was found that there was a significant differencebetween all of the polynomial and piecewise regressionmodels (p

🔖

Bu Makaleye Atıf Yap

TÜRE, M., ÖMÜRLÜ, İ. K., VAROL, B. (2022). Simülasyon ve Sağlık Veri Setlerinde Parçalı Regresyon ile Polinom Regresyon Analizlerinin Karşılaştırılması. Süleyman Demirel Üniversitesi Sağlık Bilimleri Dergisi, Cilt: 11 - Sayı: 2, 144–151. https://ajindex.com/articles/594274

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (19)

  1. Freedman DA. Statistical models: theory and practice. Cambridge University Press. New York, 2009; 41-60
  2. Freund RJ, Wilson WJ, Sa P. Regression analysis. Academic Press. 2nd ed. New York, 2006; 270-95
  3. Hartley HO, Booker A. Nonlinear least-squares estimation. The Annals of mathematical statistics 1965; 36(2): 638-50
  4. Seber G, Wild C. Nonlinear regression. Hoboken: John Wiley & Sons Google Scholar, 2003, 325-65
  5. Park SH. Experimental designs for fitting segmented polynomial regression models. Technometrics 1978; 20(2): 151-4
  6. Wainer H. Piecewise regression: A simplified procedure. British Journal of Mathematical and Statistical Psychology 1971; 24(1): 83-92
  7. Eubank R. Approximate regression models and splines. Communications in Statistics-Theory and Methods 1984; 13(4): 433-84
  8. Gallant AR, Fuller WA. Fitting segmented polynomial regression models whose join points have to be estimated. Journal of the American Statistical Association 1973; 68(341): 144-7
  9. Berberoglu B, Berberoglu CN. Modeling the Structural Shifts in Real Exchange Rate with Cubic Spline Regression (CSR). Turkey 1987-2008. International Journal of Business and Social Science 2011; 2(17)
  10. De Boor C, Rice JR. Least squares cubic spline approximation, II-variable knots. West Lafayette, Purdue University, 1968; 4-13
  11. Poirier DJ. Piecewise regression using cubic splines. Journal of the American Statistical Association 1973; 68(343): 515-24
  12. Porth RW. Application of least square cubic splines to the analysis of edges [The Master of Science Degree Thesis]. New York, Rochester Institute of Technology, 1984; 23-51
  13. Schwetlick H, Schütze T. Least squares approximation by splines with free knots. BIT Numerical mathematics 1995; 35(3): 361-84
  14. Draper NR, Smith H. Applied regression analysis. John Wiley & Sons. 3rd ed. Vol 326. New York, 2014; 158-75
  15. Harrell FE, Lee KL, Califf RM, Pryor DB, Rosati RA. Regression modelling strategies for improved prognostic prediction. Statistics in medicine 1984; 3(2): 143-52
  16. Chan S-h. Polynomial spline regression with unknown knots and AR (1) errors [Doctoral Thesis]. Columbus, The Ohio State University, 1989; 22-38
  17. De Boor C, Rice JR. Least squares cubic spline approximation I-Fixed knots. West Lafayette, Purdue University, 1968; 2-19
  18. Eubank RL. Nonparametric regression and spline smoothing. CRC press. 2nd ed. Vol 157. New York, 1999; 227-308
  19. Wold S. Spline functions in data analysis. Technometrics