• Hızlı Erişim
  • Duyurular
  • DUYURU 3

    Yayın politikamız

    gereği, yayinlanacak

    makale sayısı

    sınırlandırılmış,

    olduğundan Aralık 

    2019 sayısı

    dolmuştur.


    DUYURU 2

    Dergimiz ana

    sayfasında

    "Dergi Hakkında"

    kısmında belirtilen

    alanlar dışında

    yayın kabul 

    etmeyecektir.

     


    DUYURU 1

    Dergimizin 2019

    yılında "TR INDEX"

    kapsamında olduğu

    ULAKBİM tarafından

    yayınlanmıştır.


EN KÜÇÜK KARELER REGRESYONUNA ALTERNATİF BİR YÖNTEM: KANTİL REGRESYON
(A ALTERNATIVE TO ORDINARY LEAST SQUARES REGRESSION: QUANTILE REGRESSION )

Yazar : Utku Kubilay ÇINAR    
Türü :
Baskı Yılı : 2019
Sayı : 18
Sayfa : 57-71
89    128


Özet
Kantil Regresyon yöntemi Koenker ve Bassett tarafından önerilmiş bir regresyon modelidir. Kantil Regresyon yöntemi, dayanıklı (robust) bir regresyon şeklidir. Basit regresyon modelleri ya da En Küçük Kareler yöntemi uç değerlere karşı esnek değildir. Kantil Regresyon yöntemi, diğer regresyon yöntemlerine göre uç değerlere karşı daha esnektir bu sebeple Kantil Regresyon yöntemi çok çeşitli uygulama alanlarında kullanılmaktadır. En Küçük Kareler yönteminde hataların varyansı konusunda bazı varsayımlar vardır. En Küçük Kareler (EKK) yöntemi, sapan değerlere (uç değerlere) karşı esnek olmadığından, yapılan tahmini etkilemektedir. Kantil Regresyon yöntemi, En Küçük Kareler yönteminin bu özelliğinden dolayı alternatif olarak geliştirilmiştir. Daha esnek bir yaklaşım olduğundan bazı varsayımlara gerek duymaz. Kantil Regresyon, doğrusal modelde bağımlı değişkenin dağılımının koşullu miktarlarını tahmin etmenin bir yoludur. Kantil Regresyonlar, veri kümelerinin koşullu dağılımındaki değişiklikleri görselleştirmek için kullanışlıdır. Kantil Regresyon yöntemi, özellikle uç değerlerin olduğu durumlarda kullanışlı bir yöntemdir. Bu çalışmanın amacı, Kantil Regresyon yönteminin etkililiğini tekrar test etmektir. Bu amaçla, R programı üzerinden yapay olarak veri üretilmiştir. Veri setinde uç değerler içeren bağımlı ve bağımsız değişkenler bulunmaktadır. Normal dağılım sergileyen veri seti üretildikten sonra uç değerler eklenip, toplam veri sayısı 400’de sınırlandırıldı. Yapay veri üretilmesinin sebebi ise teorik çalışmalarda, yapay veri üretmenin teoriyi daha iyi açıklayacağını düşünülmesindendir. Normal dağılıma uygun veride, uç değerler eklenerek EKK yöntemi ve Kantil Regresyon yöntemi kıyaslanmıştır. Yapılan simülasyon çalışması sonunda uç değerler içeren veride, Kök Ortalama Hata Kare kriteri değerine göre Kantil Regresyon yönteminin performansı EKK yöntemine göre daha başarılı olduğu bulunmuştur.

Anahtar Kelimeler
Kantil Regresyon, en küçük kareler yöntemi, uç değerler

Abstract
Quantile Regression is a regression method which suggested by Koenker and Basett. Quantile regression is a form of robust (outlier resistant) regression. Basic regression models or Least Square methods are not flexible to outlier values. Basic regression methods or estimators are affected by extreme values and Quantile Regression is less sensitive to extreme values than the other regression model. Therefore, Quantile Regression uses in a range of application settings. Least Squares methods has some assumptions about variance of errors. Quantile Regression approach is advanced like an alternative to the Least Squares method used for regression analysis assumptions. Quantile regression is a way to estimate the conditional quantiles of a dependent variables distribution in the linear model. Quantile Regressions are effective for visualizing changes in the conditional distribution of data sets. Quantile Regression approach useful in such cases where especially the outlier values. The purpose of this study is to retest the effectiveness of the Quantile Regression method. For this purpose, synthetic data generated with the R program. There are dependent and independent parameters in dataset which contains extreme values. After synthetic dataset which exhibits normal distribution data has been generated, number of data was limited to 400. The reason why synthetic data is generated that it is thought that generating synthetic data will explain the theory better in theoretical studies. In the data exhibiting normal distribution, after adding the extreme values, Least Squares method and Quantile Regression method were compared. In the end of the simulation practice, according to RMSE criteria value, it is found that the performance of the Quantile Regression model is better than Least Squares model in the case of extreme values.

Keywords
Quantile Regression, least squares method, outlier values
Adres :ANKARA
Telefon :0506 509 32 59 Faks :
Eposta :dergiavrasya@gmail.com

Web Yazılım & Programlama Han Yazılım Bilişim Hizmetleri