Çok değişkenli analizler: temel bileşenler, faktör, diskriminant, kümeleme

Birden çok değişkeni birlikte inceleyen yöntemler: hangi soru hangi tekniğe gider, temel bileşenler ile faktör analizi farkı, sınıflandırma ve kümeleme.

6 durakKPSS A
12 etkinlikeşleştir · sırala · doldur · çöz
0 / 12tamamlanan etkinlik
Sorularuygulamaya ekleniyor
ÇOK DEĞİŞKENLİ · KAVRAM

Kovaryans matrisi ve Mahalanobis uzaklığı: çok değişkenli verinin dili

İstatistik · Çok Değişkenli Analizler · Okuma 6 dk · 2 etkinlik

Önce hatırlaPearson korelasyon katsayısı nasıl hesaplanır, hangi değerleri alır ve nasıl test edilir?Bağlantılı konudan (Korelasyon ve regresyon). Önce kendin cevapla, sonra aç.

Kovaryans iki değişkenin birlikte değişme yönünü gösterir ama ölçü birimine bağlıdır. Pearson korelasyon katsayısı kovaryansı iki standart sapmanın çarpımına bölerek birimsiz yapar: r = Sxy/√(SxxSyy), −1 ≤ r ≤ 1. r yalnız doğrusal ilişkinin gücünü ölçer. H₀: ρ = 0, n − 2 serbestlik dereceli t istatistiğiyle sınanır; korelasyon nedensellik kanıtı değildir.

Kovaryans ve Pearson korelasyonu

Hatırladın mı?

✎Konu anlatımı

Kovaryans matrisi nedir, Mahalanobis uzaklığı nasıl hesaplanır ve Öklid uzaklığından farkı nedir?

Kısa cevap: p değişkenli veride ortalama vektörü μ her değişkenin ortalamasını, kovaryans matrisi Σ köşegeninde varyansları, köşegen dışında kovaryansları tutar; iz (köşegen toplamı) toplam varyanstır. Mahalanobis uzaklığı D² = (x − μ)′Σ⁻¹(x − μ) farkları hem ölçeğe hem değişkenler arası korelasyona göre düzeltir. Ortalama vektörünün testi Hotelling T²'dir; tek değişkende t²'ye iner.

Bir vergi dairesi mükelleflerin beyan ettiği yıllık gelir ile harcamayı birlikte izliyor. Geliri ortalamadan 10 bin TL yüksek ama harcaması ortalamada kalan mükellef mi, ikisi de birlikte yüksek olan mı daha sıra dışıdır?

Korelasyon ve regresyon sayfasında gördüğümüz kovaryans ve r iki değişken içindi. p değişkende bütün çiftler bir tabloda toplanır: kovaryans matrisi Σ simetriktir, i. satır j. sütununda σij = Cov(Xi, Xj), köşegeninde σi² durur. Her değişken z puanına çevrilirse kovaryans matrisi korelasyon matrisi R olur; köşegeni 1'dir. Matrisin iki özeti sık sorulur: iz (köşegen toplamı) toplam varyans, determinant |Σ| ise genelleştirilmiş varyanstır; değişkenler güçlü ilişkiliyse determinant küçülür, çünkü veri bir doğrunun çevresine sıkışır.

μ = (μ₁, …, μp)′ D² = (x − μ)′ Σ⁻¹ (x − μ) Σ = [σ₁² σ₁₂ ; σ₁₂ σ₂²] ⇒ Σ⁻¹ = 1|Σ| [σ₂² −σ₁₂ ; −σ₁₂ σ₁²]Köşeli parantezde noktalı virgül satırları ayırır. Korelasyon sıfırsa D² = Σ(xi − μi)²/σi², yani z puanlarının kareler toplamı.

Öklid uzaklığı her yöne aynı ölçekle bakar. Mahalanobis uzaklığı ise önce her farkı kendi standart sapmasına göre küçültür, sonra korelasyonun "beklenen" yönündeki sapmayı daha az cezalandırır. Bu yüzden aykırı gözlem aramada ve kümeleme ile diskriminant analizinde çok değişkenli uzaklık ölçüsü olarak kullanılır. Değişkenler çok değişkenli normalse ve Σ biliniyorsa D² ~ χ²p olur; eş uzaklık eğrileri çember değil, elipstir.

Çözümlü örnek

Gelir (X₁) ve harcama (X₂, bin TL) için μ = (50, 30)′, Σ = [25 12 ; 12 16] (σ₁ = 5, σ₂ = 4, ρ = 0,6). P = (60, 30) ve Q = (60, 38) mükelleflerinin Mahalanobis uzaklıklarını bulun.

  1. |Σ| = 25 · 16 − 12² = 256; Σ⁻¹ = (1/256)[16 −12 ; −12 25].
  2. P: fark (10, 0) ⇒ D² = 16 · 100/256 = 6,25, D = 2,5.
  3. Q: fark (10, 8) ⇒ D² = (16 · 100 − 2 · 12 · 80 + 25 · 64)/256 = 1.280/256 = 5, D ≈ 2,24.

Cevap: Öklid uzaklığına göre Q daha uzaktır (12,8 > 10), Mahalanobis'e göre P daha sıra dışıdır. Gelir yüksekken harcamanın da yüksek olması pozitif korelasyona uygundur; geliri yüksek ama harcaması ortalamada kalan mükellef bu örüntüden sapar.

Elips, korelasyonun yönünde (sağa yukarı) uzanır: bu yöndeki sapma "olağan"dır. Q çemberin dışında, ama elipsin içinde kalır; P ise elipsin tam sınırındadır.Görsel: Sınav Defteri

Ortalama vektörünün testi: Hotelling T²

Hipotez testleri sayfasında gördüğümüz tek örneklem t testi tek bir ortalamayı sınıyordu. p ortalamayı aynı anda sınamak için her değişkene ayrı t testi yapmak hem Tip I hata olasılığını büyütür hem değişkenler arasındaki korelasyonu yok sayar. Bunun yerine T² = n(x̄ − μ₀)′S⁻¹(x̄ − μ₀) kullanılır: örneklem ortalamasının μ₀'a Mahalanobis uzaklığının n katı. H₀ altında (n − p)T²/[(n − 1)p] ~ F(p, n − p); p = 1'de T² = t²'dir.

Çok değişkenli özetler
ÖzetAnlamı
iz(Σ) = σ₁² + … + σp²toplam varyans (korelasyon matrisinde p)
|Σ|genelleştirilmiş varyans; güçlü korelasyonda küçülür
Rz puanlarının kovaryans matrisi, köşegeni 1
D²ölçeğe ve korelasyona göre düzeltilmiş uzaklık; normalde χ²p
Hotelling T²ortalama vektörü testi; t testinin çok değişkenli hâli
Akılda kalsın: Σ'nın köşegeni varyans, dışı kovaryans; iz toplam varyans. Mahalanobis, korelasyona göre düzeltilmiş bir z puanıdır: hesapta Σ değil Σ⁻¹ kullanılır. T², t'nin çok değişkenli hâlidir.
Sınavda

Nasıl sorulur2 × 2 kovaryans matrisi ve bir gözlem verilip D² hesaplatılır; iz ve determinantın yorumu, Hotelling T²'nin hangi durumda kullanıldığı sorulur.

TuzakΣ⁻¹ yerine Σ ile çarpmak, korelasyonu yok sayıp yalnız standartlaştırmak ve köşegene varyans yerine standart sapma yazmaktır.

?Soru çöz

Bir kurumda iki performans göstergesinin ortalama vektörü μ = (10, 20)′, kovaryans matrisi Σ = [4 2 ; 2 4]'tür. x = (12, 18)′ gözleminin ortalamaya Mahalanobis uzaklığının karesi D² kaçtır?

✓ B. |Σ| = 16 − 4 = 12, Σ⁻¹ = (1/12)[4 −2 ; −2 4]; fark (2, −2): D² = (4 · 4 − 2 · 2 · (−4) + 4 · 4)/12 = 48/12 = 4. Gözlem korelasyonun tersi yönde saptığı için D², korelasyonsuz hesaptan büyüktür. A korelasyonu yok sayıp yalnız standartlaştırmış (1 + 1); C farkların kareler toplamını, yani Öklid uzaklığının karesini almış; D Σ⁻¹ yerine Σ ile çarpmış.

⇄Bilgi eşleştirme özet ↔ anlamı

ÇOK DEĞİŞKENLİ · YÖNTEM

Temel bileşenler analizi: özdeğer, açıklanan varyans, Kaiser ölçütü

İstatistik · Çok Değişkenli Analizler · Okuma 6 dk · 2 etkinlik

Önce hatırlaKovaryans matrisi nedir, Mahalanobis uzaklığı nasıl hesaplanır ve Öklid uzaklığından farkı nedir?Bu sayfanın başından. Önce kendin cevapla, sonra aç.

p değişkenli veride ortalama vektörü μ her değişkenin ortalamasını, kovaryans matrisi Σ köşegeninde varyansları, köşegen dışında kovaryansları tutar; iz (köşegen toplamı) toplam varyanstır. Mahalanobis uzaklığı D² = (x − μ)′Σ⁻¹(x − μ) farkları hem ölçeğe hem değişkenler arası korelasyona göre düzeltir. Ortalama vektörünün testi Hotelling T²'dir; tek değişkende t²'ye iner.

Kovaryans matrisi ve Mahalanobis uzaklığı

Hatırladın mı?

✎Konu anlatımı

Temel bileşenler analizi nedir, özdeğer ve açıklanan varyans oranı nasıl yorumlanır, kaç bileşen tutulur?

Kısa cevap: Temel bileşenler analizi (TBA), birbiriyle ilişkili p değişkeni, birbiriyle ilişkisiz ve varyansları sırayla küçülen doğrusal birleşimlere dönüştürür. Her bileşenin varyansı kovaryans ya da korelasyon matrisinin bir özdeğeridir; açıklanan varyans oranı λi/Σλ, özdeğerler toplamı izdir. Korelasyon matrisinde Kaiser ölçütüyle özdeğeri 1'den büyük bileşenler tutulur; yamaç grafiği de kullanılır.

Bir bakanlık 30 ilin okullaşma, hekim sayısı, kişi başı gelir, istihdam ve internet erişimi göstergelerini topladı. Bu beş sayıyı bir iki "gelişmişlik" puanına indirince ne kadar bilgi kaybolur?

Göstergeler birlikte hareket ediyorsa aynı bilgiyi tekrar tekrar taşırlar. TBA veri bulutunu döndürüp yeni eksenler bulur: birinci bileşen verinin en çok yayıldığı yöndür, ikincisi birinciye dik yönler içinde en çok yayılanıdır ve böyle sürer. Bileşenler birbiriyle ilişkisizdir. Dönüşüm bilgi eklemez ya da silmez, yalnız yeniden dağıtır: bütün bileşenlerin varyansları toplamı, değişkenlerin varyansları toplamına (ize) eşittir. Az sayıda bileşen bu toplamın büyük kısmını taşıyorsa geri kalanı atılır.

Göstergelerin birimi farklıysa (yüzde, kişi, TL) varyansı büyük olan değişken birinci bileşeni ele geçirir. Bu yüzden genellikle standartlaştırılmış veriyle, yani korelasyon matrisiyle çalışılır. Korelasyon matrisinde her değişkenin varyansı 1 olduğundan toplam varyans p'dir; Kaiser ölçütü (λ > 1) "tek bir değişkenden daha az bilgi taşıyan bileşeni alma" demektir.

Y₁ = e₁₁X₁ + … + ep1Xp Var(Yi) = λi oran = λiλ₁ + … + λp λ₁ + … + λp = izei özvektördür (uzunluğu 1). Korelasyon matrisinde değişken i ile bileşen j arasındaki korelasyon (bileşen yükü) eij√λj'dir.
Çözümlü örnek 1

İki standartlaştırılmış değişkenin korelasyonu r = 0,6'dır. Bileşenlerin özdeğerleri ve birinci bileşenin açıkladığı varyans oranı nedir?

  1. 2 × 2 korelasyon matrisinin özdeğerleri 1 ± r: λ₁ = 1,6, λ₂ = 0,4 (toplam 2 = p).
  2. Birinci bileşen Y₁ = (Z₁ + Z₂)/√2; oran 1,6/2 = %80.
  3. Her değişkenin Y₁ ile korelasyonu (1/√2) · √1,6 = √0,8 ≈ 0,89.

Cevap: tek bileşen toplam varyansın %80'ini taşır; korelasyon büyüdükçe bu oran artar, r = 0'da iki bileşen eşit (%50) kalır.

Çözümlü örnek 2

Girişteki beş göstergenin korelasyon matrisinin özdeğerleri 2,6; 1,2; 0,6; 0,4; 0,2'dir. Kaç bileşen tutulur, bunlar varyansın ne kadarını açıklar?

  1. Toplam 5,0 = p. Kaiser: 2,6 ve 1,2 > 1 ⇒ 2 bileşen.
  2. (2,6 + 1,2)/5 = 0,76.

Cevap: iki bileşen, toplam varyansın %76'sı; yamaç grafiğinde de eğri üçüncü bileşenden sonra düzleşir.

Yamaç grafiğinde dik inişten sonra eğrinin düzleştiği yer aranır; düzleşen kısımdaki bileşenler "kırıntı" sayılır. Burada Kaiser ölçütü de aynı sayıyı (2) verir.Görsel: Sınav Defteri
Kaç bileşen tutulur?
ÖlçütKuralNot
Kaiserλ > 1korelasyon matrisinde anlamlı; çok değişkende fazla bileşen seçebilir
Birikimli varyansaçıklanan oran hedefe ulaşana dek (çoğu uygulamada %70–80)hedef alana göre değişir
Yamaç grafiğieğrinin düzleştiği noktadan önceki bileşenlergöze dayalı, yorum ister
Akılda kalsın: Özdeğer = bileşenin varyansı; özdeğerler toplamı = iz (korelasyon matrisinde p). Oran = λ ÷ iz. Kaiser: λ > 1. Bileşenler ilişkisizdir ve varyansları sırayla küçülür.
Sınavda

Nasıl sorulurÖzdeğer listesi verilip açıklanan varyans oranı, tutulacak bileşen sayısı ya da toplam varyans sorulur; TBA'nın özellikleri öncüllerle yoklanır.

TuzakKorelasyon matrisinde toplam varyansı 1 sanmak (p'dir), Kaiser ölçütünü birimleri farklı ham kovaryans matrisine olduğu gibi uygulamak ve bileşenlerin birbiriyle ilişkili olabileceğini düşünmektir.

?Soru çöz

Altı değişkenin korelasyon matrisiyle yapılan temel bileşenler analizinde özdeğerler 2,7; 1,5; 0,9; 0,5; 0,3 ve 0,1 bulunmuştur. Buna göre aşağıdakilerden hangileri doğrudur?
I. Toplam varyans 6'dır.
II. Kaiser ölçütüne göre iki bileşen tutulur.
III. İlk iki bileşen toplam varyansın %70'ini açıklar.

✓ D. I: korelasyon matrisinde iz değişken sayısıdır; özdeğerler toplamı da 6'dır. II: 1'den büyük özdeğerler 2,7 ve 1,5'tir. III: (2,7 + 1,5)/6 = 0,70. A Kaiser ölçütünü yalnız en büyük özdeğere uygulamış ve oranı yanlış paydayla hesaplamış; B oranı ilk üç özdeğerin toplamına (5,1) bölüp %82 bulmuş; C korelasyon matrisinin köşegeni 1 olduğu için toplam varyansı 1 sanmış.

▭Boşluk doldurma açıklanan varyans

Dört değişkenin korelasyon matrisinin özdeğerleri 2,2; 1,1; 0,5 ve 0,2'dir. Birinci bileşen toplam varyansın % kadarını açıklar ve Kaiser ölçütüyle bileşen tutulur.

55282,51
ÇOK DEĞİŞKENLİ · MODEL

Faktör analizi: faktör yükü, ortak varyans, döndürme ve TBA farkı

İstatistik · Çok Değişkenli Analizler · Okuma 6 dk · 2 etkinlik

Önce hatırlaTemel bileşenler analizi nedir, özdeğer ve açıklanan varyans oranı nasıl yorumlanır, kaç bileşen tutulur?Bu sayfanın başından. Önce kendin cevapla, sonra aç.

Temel bileşenler analizi (TBA), birbiriyle ilişkili p değişkeni, birbiriyle ilişkisiz ve varyansları sırayla küçülen doğrusal birleşimlere dönüştürür. Her bileşenin varyansı kovaryans ya da korelasyon matrisinin bir özdeğeridir; açıklanan varyans oranı λi/Σλ, özdeğerler toplamı izdir. Korelasyon matrisinde Kaiser ölçütüyle özdeğeri 1'den büyük bileşenler tutulur; yamaç grafiği de kullanılır.

Temel bileşenler analizi

Hatırladın mı?

✎Konu anlatımı

Faktör analizi nedir, faktör yükü ve ortak varyans nasıl yorumlanır, temel bileşenler analizinden farkı nedir?

Kısa cevap: Faktör analizi (FA), gözlenen değişkenler arasındaki korelasyonu az sayıda gizil (doğrudan ölçülemeyen) faktörle açıklar: X = ΛF + ε. Faktör yükü değişkenle faktör arasındaki ilişkidir; bir değişkenin yük kareleri toplamı ortak varyans (h²), 1 − h² özgül varyanstır. Döndürme yorumu kolaylaştırır: varimax dik, oblimin ve promax eğiktir. Verinin uygunluğu KMO ve Bartlett küresellik testiyle sınanır.

Bir belediyenin memnuniyet anketinde temizlik, park bakımı, başvuru süresi, otobüs saatleri gibi on iki soru var. Cevaplar "hizmet kalitesi" ve "erişim kolaylığı" gibi ölçülmemiş birkaç tutumdan mı besleniyor?

TBA'da bileşen değişkenlerin bir birleşimiydi: veriyi özetliyordu. FA'da yön terstir: her değişken, faktörlerin bir birleşimi ile yalnız ona özgü bir hata teriminin toplamıdır; amaç veriyi açıklamaktır. Bu yüzden FA bir değişkenin varyansını ikiye ayırır: başka değişkenlerle paylaşılan ortak varyans (h², communality) ve ona özgü kalan kısım (1 − h²). Yalnız ortak kısım çözümlenir; TBA ise toplam varyansı çözümler.

Analizden önce verinin uygun olup olmadığına bakılır. Bartlett küresellik testi "korelasyon matrisi birim matristir, yani değişkenler ilişkisizdir" diyen H₀'ı sınar; faktör aramak için bu H₀ reddedilmelidir. KMO ölçüsü kısmi korelasyonlara bakarak örneklem yeterliliğini 0–1 arasında verir; yaygın kurala göre 0,5'in altı faktör analizine uygun değildir. Faktör sayısı TBA'daki ölçütlerle (Kaiser, yamaç grafiği) seçilir.

Xi = ℓi1F₁ + … + ℓimFm + εi hi² = ℓi1² + … + ℓim² özgül = 1 − hi² faktörün varyansı = Σi ℓij²Satırdaki yük kareleri toplamı ortak varyansı, sütundaki yük kareleri toplamı faktörün açıkladığı varyansı (özdeğerini) verir. Formül dik (ilişkisiz) faktörler içindir.
Çözümlü örnek

Varimax döndürmesinden sonra yükler: temizlik (0,8; 0,2), park bakımı (0,7; 0,3), başvuru süresi (0,2; 0,9), otobüs saatleri (0,3; 0,6). Ortak varyansları ve her faktörün açıkladığı varyans oranını bulun.

  1. h²: temizlik 0,64 + 0,04 = 0,68; park 0,58; başvuru 0,85; otobüs 0,45 (özgül 0,55).
  2. F₁: 0,64 + 0,49 + 0,04 + 0,09 = 1,26 ⇒ 1,26/4 = %31,5. F₂: 0,04 + 0,09 + 0,81 + 0,36 = 1,30 ⇒ %32,5.
  3. Toplam %64 = Σh²/4 = 2,56/4.

Cevap: temizlik ve park F₁'e ("hizmet kalitesi"), başvuru süresi ve otobüs F₂'ye ("erişim") yüklenir; iki faktör toplam varyansın %64'ünü açıklar. Otobüs saatleri ortak yapıyla en zayıf temsil edilen değişkendir.

İlk çözümde değişkenlerin çoğu birinci faktöre yüklenir ve yorum zorlaşır. Döndürme eksenleri çevirerek her değişkenin tek bir faktörde yüksek, ötekilerde sıfıra yakın yük almasını sağlar. Dik döndürmede (varimax, quartimax) faktörler ilişkisiz kalır; dik döndürme ortak varyansları ve toplam açıklanan varyansı değiştirmez, yalnız faktörler arasında yeniden dağıtır. Eğik döndürme (oblimin, promax) faktörlerin ilişkili olmasına izin verir; tutumlar gerçekte birbirini etkiliyorsa daha gerçekçidir. Açıklayıcı FA kaç faktör olduğunu veriden bulur; doğrulayıcı FA kuramdan önceden kurulmuş yapıyı uyum ölçüleriyle sınar.

Temel bileşenler analizi ile faktör analizi
TBAFA
Amaçveriyi az sayıda bileşene indirmek (özetleme)korelasyonların arkasındaki gizil yapıyı açıklamak
Modelin yönübileşen = değişkenlerin birleşimideğişken = faktörlerin birleşimi + özgül hata
Çözümlenen varyanstoplam varyans (köşegende 1)ortak varyans (köşegende h² tahmini)
Hata terimiyokvar (özgül varyans)
Çözümün tekliğitek çözümdöndürmeyle sonsuz eşdeğer çözüm
Tipik kullanımbileşik endeks, çoklu doğrusal bağlantıyı gidermekölçek geliştirme, yapı geçerliği
Akılda kalsın: Satırın yük kareleri toplamı h², sütunun yük kareleri toplamı faktörün varyansı. TBA toplam varyansı özetler, FA ortak varyansı açıklar. Bartlett'te H₀ reddedilmeli, KMO büyük olmalı. Varimax dik, promax ve oblimin eğik.
Sınavda

Nasıl sorulurYük tablosu verilip ortak varyans, özgül varyans ya da bir faktörün açıkladığı varyans sorulur; TBA ile FA farkı, döndürme türleri, KMO ve Bartlett testinin neyi sınadığı öncüllerle yoklanır.

TuzakH²'yi yüklerin toplamıyla bulmak (kareleri toplanır), satır ve sütun toplamlarını karıştırmak, Bartlett'te H₀'ın reddini kötü sonuç sanmak ve varimax'ı eğik saymaktır.

?Soru çöz

Dik döndürmeyle elde edilen iki faktörlü bir çözümde bir değişkenin birinci faktördeki yükü 0,6, ikinci faktördeki yükü 0,5'tir. Bu değişkenin ortak varyansı (h²) ve özgül varyansı aşağıdakilerden hangisidir?

✓ A. Ortak varyans yük karelerinin toplamıdır: 0,36 + 0,25 = 0,61; özgül varyans 1 − 0,61 = 0,39. B yüklerin karesini almadan toplamış, varyans 1'i aşıp özgül kısım eksiye düşmüş; C ortak ve özgül varyansı yer değiştirmiş; D iki yükü çarpmış.

⇄Bilgi eşleştirme araç ↔ işlevi

ÇOK DEĞİŞKENLİ · SEÇİM

Diskriminant analizi ve lojistik regresyon: gözlemi bilinen gruba atamak

İstatistik · Çok Değişkenli Analizler · Okuma 6 dk · 2 etkinlik

Önce hatırlaTek yönlü varyans analizinde kareler toplamı nasıl ayrışır ve F istatistiği nasıl hesaplanır?Bağlantılı konudan (Varyans analizi ve deney tasarımı). Önce kendin cevapla, sonra aç.

Tek yönlü varyans analizi k grup ortalamasının eşitliğini (H₀: μ₁ = … = μk) sınar. Genel kareler toplamı, gruplar arası (işlem, KTİ) ve grup içi (hata, KTH) kareler toplamına ayrışır: GKT = KTİ + KTH. Serbestlik dereceleri k − 1 ve N − k'dir. Kareler ortalamaları KO = KT/sd; F = KOİ/KOH, H₀ altında F(k − 1, N − k) dağılır ve test sağ kuyrukludur.

Tek yönlü ANOVA: kareler toplamı ve F

Hatırladın mı?

✎Konu anlatımı

Diskriminant analizi ile lojistik regresyon arasındaki fark nedir, Wilks lambdası ve odds oranı nasıl yorumlanır?

Kısa cevap: Diskriminant analizi, önceden bilinen grupları en iyi ayıran doğrusal fonksiyonu bulur ve yeni gözlemi bir gruba atar; çok değişkenli normallik ve grupların kovaryans matrislerinin eşitliğini varsayar. Ayrımın gücü Wilks lambdasıyla ölçülür: 0'a yakın değer iyi ayrım demektir. Lojistik regresyon iki kategorili bağımlı değişkenin log-odds'unu modeller, daha az varsayım ister; eb odds oranıdır.

Bir kamu bankası geçmiş kredilerden hangi müşterinin zamanında ödediğini, hangisinin temerrüde düştüğünü biliyor. Yeni başvurucunun gelir, borç oranı ve gecikmiş fatura sayısına bakarak hangi gruba gireceği öngörülebilir mi?

Burada gruplar önceden bellidir; soru yeni gözlemin hangisine ait olduğudur. Fisher'in diskriminant fonksiyonu D = w₁X₁ + … + wpXp, grup ortalamalarını birbirinden en çok uzaklaştırırken grup içi saçılımı en küçük tutan doğrusal birleşimdir. Varyans analizi ve deney tasarımı sayfasında gördüğümüz kareler toplamı ayrışması burada da çalışır: fonksiyon, gruplar arası KT'nin grup içi KT'ye oranını en büyük yapar. Ayrımın gücü Wilks lambdasıyla ölçülür: grup içi saçılımın toplam saçılıma oranı. Tek değişkende Λ = KTH/GKT = 1 − η²'dir; küçük Λ grupların iyi ayrıldığını gösterir.

D = w₁X₁ + … + wpXp Λ = |W|/|T|, 0 ≤ Λ ≤ 1 ln p1 − p = b₀ + b₁x p = 11 + e−(b₀ + b₁x) odds oranı = eb₁W grup içi, T toplam saçılım matrisidir. p/(1 − p) odds (bahis oranı) adını alır.
Çözümlü örnek 1

İki göstergeyle kurulan fonksiyon D = 0,5X₁ + 0,2X₂; ödeyenlerin ortalama D değeri 4, temerrüde düşenlerin 8'dir. Gruplar eşit büyüklükte ve öncül olasılıklar eşittir. X = (8, 12) olan başvurucu hangi gruba atanır?

  1. Kesim noktası grup merkezlerinin ortası: (4 + 8)/2 = 6.
  2. D = 0,5 · 8 + 0,2 · 12 = 6,4 > 6.

Cevap: başvurucu, merkezi 8 olan temerrüt grubuna daha yakındır ve o gruba atanır.

Lojistik regresyon

Bağımlı değişken 0/1 iken sıradan regresyon 0–1 dışına taşan "olasılıklar" üretir ve hata varyansı sabit kalmaz. Lojistik regresyon olasılığı değil, onun log-odds'unu doğrusal modeller; tahmin EKK ile değil, en çok olabilirlikle (EÇOT) yapılır. Korelasyon ve regresyon sayfasında gördüğümüz logaritmik modellerde olduğu gibi katsayı dönüşümle yorumlanır: x bir birim artınca odds eb₁ katına çıkar. Olasılıktaki artış ise sabit değildir, x'in düzeyine bağlıdır.

Çözümlü örnek 2

Temerrüt modeli ln[p/(1 − p)] = −3 + 0,5x; x gecikmiş fatura sayısı. x = 4 ve x = 6 için temerrüt olasılığı ve odds oranı nedir?

  1. x = 4: log-odds −1 ⇒ p = 1/(1 + e) ≈ 0,27. x = 6: log-odds 0 ⇒ p = 0,5.
  2. e0,5 ≈ 1,65.

Cevap: her ek gecikmiş fatura temerrüt odds'unu yaklaşık %65 artırır; olasılık 4'ten 6'ya geçince 0,27'den 0,5'e çıkar.

Diskriminant analizi

  • Açıklayıcılar çok değişkenli normal, grup kovaryans matrisleri eşit.
  • Sonuç: ayırıcı fonksiyon, Wilks Λ, sınıflama tablosu.
  • Varsayımlar sağlanınca daha etkin.

Lojistik regresyon

  • Normallik ve eşit kovaryans istemez; kukla açıklayıcı da girebilir.
  • Sonuç: olasılık ve odds oranı.
  • EÇOT ile tahmin; örneklem büyük olmalı.
Akılda kalsın: Grup önceden biliniyorsa diskriminant ya da lojistik, bilinmiyorsa kümeleme. Wilks Λ küçük = iyi ayrım (tek değişkende 1 − η²). Lojistikte eb odds çarpanıdır, olasılık artışı değil.
Sınavda

Nasıl sorulurLojistik katsayıdan odds oranı ya da verilen x için olasılık hesaplatılır; Wilks lambdasının yorumu ve iki yöntemin varsayım farkı sorulur.

TuzakB₁'i olasılıktaki artış sanmak, odds ile olasılığı karıştırmak, büyük Λ'yı iyi ayrım saymak ve kümelemeyle diskriminantı karıştırmaktır.

?Soru çöz

Bir kurumda terfi sınavını geçme (1) ya da geçememe (0) için kurulan lojistik regresyonda haftalık çalışma saatinin katsayısı b₁ = 0,4 bulunmuştur (e0,4 ≈ 1,49). Buna göre aşağıdakilerden hangisi doğrudur?

✓ C. b₁ log-odds'taki artıştır; odds e0,4 ≈ 1,49 ile çarpılır, yani yaklaşık %49 artar. A katsayıyı doğrusal olasılık modelindeki gibi olasılık artışı sanmış; B odds oranını olasılığa uygulamış, oysa olasılıktaki değişim x'in düzeyine bağlıdır; D üssü almadan katsayıyı yüzde olarak okumuş.

▭Boşluk doldurma Wilks lambdası

Bir değişkenin iki grubu ayırma gücü için yapılan tek yönlü varyans analizinde KT(grup) = 24, KT(hata) = 96 bulunmuştur. Bu değişken için Wilks lambdası ve η² olur.

0,80,20,251,25
ÇOK DEĞİŞKENLİ · YÖNTEM

Kümeleme analizi: uzaklık ölçüleri, dendrogram ve k-ortalamalar

İstatistik · Çok Değişkenli Analizler · Okuma 5 dk · 2 etkinlik

Önce hatırlaÖrneklem varyansında neden n − 1'e bölünür, değişim katsayısı ve z puanı nasıl hesaplanır?Bağlantılı konudan (Tanımlayıcı istatistik). Önce kendin cevapla, sonra aç.

Örneklem varyansı s² = Σ(x − x̄)²/(n − 1)'dir; anakütle varyansı σ²'de payda N'dir. Paydanın n − 1 olması, sapmaların toplamı sıfır olduğu için yalnız n − 1 sapmanın serbest olmasındandır. Değişim katsayısı DK = s/x̄ birimsizdir ve farklı birimli verileri karşılaştırır. z = (x − x̄)/s, bir gözlemin ortalamadan kaç standart sapma uzakta olduğunu verir.

Varyans, standart sapma, değişim katsayısı

Hatırladın mı?

✎Konu anlatımı

Kümeleme analizi nedir, tek, tam ve ortalama bağlantı nasıl çalışır, k-ortalamalar yöntemi hiyerarşik yöntemlerden nasıl ayrılır?

Kısa cevap: Kümeleme analizi, grupları önceden bilinmeyen gözlemleri benzerliklerine göre kümelere ayırır. Benzerlik uzaklıkla ölçülür: Öklid farkların kareler toplamının kökü, Manhattan mutlak farkların toplamıdır. Hiyerarşik birleştirici yöntemde en yakın iki küme adım adım birleşir; kümeler arası uzaklık tek, tam, ortalama bağlantı ya da Ward ile tanımlanır. k-ortalamalarda küme sayısı önceden verilir.

Bir bakanlık illeri gelir, okullaşma ve sağlık göstergelerine göre benzer gruplara ayırıp her gruba ayrı destek programı hazırlamak istiyor. Grupların ne sayısı ne sınırları önceden belli.

İlk karar uzaklık ölçüsüdür. Değişkenlerin birimi farklıysa (TL ile yüzde) ölçeği büyük olan değişken uzaklığı ele geçirir; bu yüzden Tanımlayıcı istatistik sayfasında gördüğümüz z puanlarına çevrilerek standartlaştırılır. Değişkenler birbiriyle ilişkiliyse ilk konudaki Mahalanobis uzaklığı tercih edilebilir.

dÖklid = √Σ(xi − yi)² dManhattan = Σ|xi − yi|Manhattan uzaklığına şehir bloğu uzaklığı da denir: ızgara sokaklarda yürünen yol.
Çözümlü örnek 1

İki ilin standartlaştırılmış iki göstergesi A = (2, 3) ve B = (5, 7)'dir. Öklid ve Manhattan uzaklıkları nedir?

  1. Farklar 3 ve 4: √(9 + 16) = 5; 3 + 4 = 7.

Cevap: Öklid 5, Manhattan 7.

Hiyerarşik birleştirici yöntemde her gözlem tek başına bir kümeyle başlar; her adımda en yakın iki küme birleşir ve birleşen bir daha ayrılmaz. Birden çok gözlemli iki kümenin uzaklığı ise bağlantı yöntemine göre tanımlanır.

Bağlantı yöntemleri
Yöntemİki küme arasındaki uzaklıkEğilim
Tek bağlantı (en yakın komşu)en yakın iki üyenin uzaklığı (min)zincirleme; uzun, ince kümeler
Tam bağlantı (en uzak komşu)en uzak iki üyenin uzaklığı (max)tıkız, benzer çaplı kümeler
Ortalama bağlantıbütün üye çiftlerinin uzaklıklarının ortalamasıikisinin arası
Wardbirleşince küme içi KT'yi en az artıran çiftbenzer büyüklükte kümeler
Çözümlü örnek 2

Dört il arasındaki uzaklıklar: d(P, R) = 2, d(P, S) = 6, d(P, T) = 10, d(R, S) = 5, d(R, T) = 9, d(S, T) = 4. Tek ve tam bağlantıyla birleşme sırasını bulun.

  1. En küçük uzaklık 2: P ile R birleşir.
  2. Tek bağlantı: d(PR, S) = min(6, 5) = 5, d(PR, T) = min(10, 9) = 9, d(S, T) = 4 ⇒ S ile T birleşir (4). Son adım d(PR, ST) = min(6, 10, 5, 9) = 5.
  3. Tam bağlantı: d(PR, S) = 6, d(PR, T) = 10, d(S, T) = 4 ⇒ yine S ile T (4); son adım max = 10. Ortalama bağlantıda (6 + 10 + 5 + 9)/4 = 7,5.

Cevap: iki yöntemde de sıra aynıdır ({P, R}, {S, T}), ama son birleşme yüksekliği tek bağlantıda 5, tam bağlantıda 10'dur.

Dendrogramda dikey çizgilerin yüksekliği birleşme uzaklığıdır. Uzun dikey çizgilerden geçen bir yatay kesme, birbirinden belirgin uzak kümeleri ayırır.Görsel: Sınav Defteri

k-ortalamalar hiyerarşik olmayan yöntemlerin en yaygınıdır: küme sayısı k önceden verilir, gözlemler en yakın merkeze atanır, merkezler yeniden hesaplanır ve atamalar değişmeyene dek sürer. Amaç küme içi kareler toplamını küçültmektir. Hızlıdır, ama sonuç başlangıç merkezlerine duyarlıdır.

Akılda kalsın: Tek = en yakın (min), tam = en uzak (max), ortalama = bütün çiftlerin ortalaması, Ward = KT artışı en az. k-ortalamalarda k önceden verilir; hiyerarşikte dendrogram kesilerek seçilir. Birimler farklıysa önce standartlaştır.
Sınavda

Nasıl sorulurUzaklık matrisi verilip birleşmeden sonraki kümeler arası uzaklık sorulur; iki nokta arası Öklid ya da Manhattan uzaklığı hesaplatılır; hiyerarşik yöntemle k-ortalamaların farkı öncüllerle yoklanır.

TuzakTek bağlantıda en büyük uzaklığı almak, ortalama bağlantıyı küme merkezleri arası uzaklık sanmak ve ölçek farkında standartlaştırmayı atlamaktır.

?Soru çöz

Hiyerarşik kümelemede A ile B gözlemleri birleştirilmiştir. Uzaklıklar d(A, C) = 7 ve d(B, C) = 11'dir. Tam bağlantı yöntemine göre {A, B} kümesi ile C arasındaki uzaklık kaçtır?

✓ A. Tam bağlantı (en uzak komşu) iki küme arasındaki en büyük uzaklığı alır: max(7, 11) = 11. B tek bağlantının sonucudur (en küçük uzaklık); C ortalama bağlantının sonucudur; D iki uzaklığın farkını almıştır.

↕Sırala k-ortalamalar

  1. Her gözlemi en yakın merkezin kümesine ata
  2. Atamalar değişmeyene dek atama ve güncellemeyi tekrarla
  3. Küme sayısı k'yi belirle
  4. Her kümenin merkezini üyelerinin ortalamasıyla yeniden hesapla
  5. k başlangıç merkezi seç
ÇOK DEĞİŞKENLİ · SEÇİM

MANOVA, kanonik korelasyon, çok boyutlu ölçekleme: hangi soruya hangi teknik?

İstatistik · Çok Değişkenli Analizler · Okuma 6 dk · 2 etkinlik

Önce hatırlaDeney tasarımının temel ilkeleri nelerdir, üç grup neden ikili t testleriyle karşılaştırılmaz?Bağlantılı konudan (Varyans analizi ve deney tasarımı). Önce kendin cevapla, sonra aç.

Deney tasarımının üç ilkesi rastgeleleştirme, tekrar ve bloklamadır. Rastgeleleştirme işlemleri deney birimlerine şansla dağıtarak sistematik hatayı önler; tekrar hata varyansını tahmin etmeyi sağlar; bloklama bilinen bir değişkenlik kaynağını hatadan ayırır. Üç ve daha çok grup ikili t testleriyle karşılaştırılırsa en az bir Tip I hata olasılığı α'nın çok üstüne çıkar; bu yüzden varyans analizi kullanılır.

Deney tasarımının ilkeleri

Hatırladın mı?

✎Konu anlatımı

MANOVA, kanonik korelasyon, çok boyutlu ölçekleme ve uyum analizi ne zaman kullanılır, hangi araştırma sorusuna hangi çok değişkenli teknik uygulanır?

Kısa cevap: MANOVA, grupların birden çok bağımlı değişkendeki ortalama vektörlerini tek testte karşılaştırır (Wilks, Pillai). Kanonik korelasyon iki değişken kümesi arasındaki en güçlü doğrusal ilişkileri bulur; çift sayısı küçük kümenin değişken sayısı kadardır. Çok boyutlu ölçekleme benzerlik verisinden nesneleri düşük boyutlu bir haritaya yerleştirir; uyum analizi aynı işi kategorik çapraz tablo için yapar.

Bir bakanlık üç hizmet içi eğitim programını karşılaştırıyor; her katılımcının hem sınav puanı hem iş doyumu ölçüldü. İki ayrı varyans analizi neden yetmez?

Varyans analizi ve deney tasarımı sayfasında gördüğümüz ANOVA tek bağımlı değişken içindir. Her bağımlıya ayrı ANOVA yapmak, ikili t testlerinde olduğu gibi deney bazında Tip I hatayı büyütür ve bağımlılar arasındaki korelasyonu kullanmaz. MANOVA kareler toplamının yerine saçılım matrislerini koyar: toplam = gruplar arası + grup içi (T = B + W). Wilks Λ = |W|/|B + W| küçükse gruplar farklıdır. Öteki test istatistikleri Pillai izi, Hotelling–Lawley izi ve Roy'un en büyük köküdür; Pillai izi varsayım ihlallerine en dayanıklı olanıdır. Varsayımları diskriminant analizindekilerle aynıdır; kovaryans matrislerinin eşitliği Box M testiyle sınanır.

Kanonik korelasyon, iki değişken kümesini karşılaştırır: her kümeden bir doğrusal birleşim kurar, U = a′X ve V = b′Y, bunların korelasyonunu en büyük yapar. Sonraki çiftler öncekilerle ilişkisizdir; çift sayısı min(p, q)'dur. Y kümesi tek değişkense birinci kanonik korelasyon, Korelasyon ve regresyon sayfasında gördüğümüz çoklu korelasyon katsayısı R'ye eşittir.

Çok boyutlu ölçekleme (ÇBÖ) nesneler arasındaki uzaklık ya da benzerlik puanlarından iki üç boyutlu bir harita çizer; haritadaki uzaklıklar verideki uzaklıklara ne kadar uyuyorsa stres değeri o kadar küçüktür, 0 tam uyumdur. Uyum analizi ise kategorik iki değişkenin çapraz tablosunu (ör. meslek × tercih edilen ulaşım türü) haritalar; Parametrik olmayan testler sayfasında gördüğümüz χ² bağımsızlık istatistiğine dayanır ve satır ile sütun kategorilerini aynı düzlemde gösterir.

Durum → çok değişkenli teknik
Araştırma sorusuTeknikTür
Çok sayıda ilişkili değişkeni birkaç bileşik puana indirmektemel bileşenler analiziyapı (karşılıklı bağımlılık)
Ölçek maddelerinin arkasındaki gizil yapıyı bulmak ya da sınamakaçıklayıcı / doğrulayıcı faktör analiziyapı
Gözlemleri önceden bilinmeyen gruplara ayırmakkümeleme analiziyapı
Benzerlik puanlarından algı haritası çizmekçok boyutlu ölçeklemeyapı
Kategorik çapraz tabloyu haritalamakuyum analiziyapı
Gözlemi bilinen gruplardan birine atamak (normallik sağlanıyor)diskriminant analizibağımlılık
İki kategorili sonucun olasılığını öngörmeklojistik regresyonbağımlılık
Grupları birden çok bağımlı değişkende karşılaştırmakMANOVAbağımlılık
İki değişken kümesi arasındaki ilişkikanonik korelasyonbağımlılık
Akılda kalsın: Açıklayan–açıklanan ayrımı varsa bağımlılık yöntemi (MANOVA, diskriminant, lojistik, kanonik); yoksa yapı yöntemi (TBA, FA, kümeleme, ÇBÖ, uyum). Kanonik çift sayısı min(p, q). Wilks küçük = fark var; Pillai en dayanıklı. ÇBÖ'de stres küçük = iyi uyum.
Sınavda

Nasıl sorulurBir araştırma durumu anlatılıp uygun teknik sorulur (en sık kalıp); MANOVA'nın gerekçesi, kanonik çift sayısı ve stresin yorumu öncüllerle yoklanır.

TuzakKümeleme ile diskriminantı, TBA ile FA'yı karıştırmak, 1'e yakın Wilks lambdasını anlamlı fark sanmak ve uyum analizini sürekli veriye uygulamaktır.

?Soru çöz

Bir bakanlık üç eğitim programının katılımcıların hem sınav puanına hem iş doyumuna etkisini aynı anda sınamak istiyor. Buna göre aşağıdakilerden hangileri doğrudur?
I. Tek yönlü MANOVA uygun bir yöntemdir.
II. İki bağımlı değişkene ayrı ayrı ANOVA yapılırsa deney bazında Tip I hata olasılığı büyür.
III. Wilks lambdasının 1'e yakın çıkması programların birbirinden farklı olduğunu gösterir.

✓ C. I: iki bağımlı değişken ve üç grup MANOVA'nın tam durumudur. II: her bağımlıya ayrı test yapmak, ikili t testlerinde olduğu gibi en az bir Tip I hata olasılığını α'nın üstüne çıkarır. III yanlıştır: Λ = |W|/|B + W| 1'e yakınsa gruplar arası saçılım küçüktür, yani fark yoktur. A II'deki hata şişmesini gözden kaçırmış; B iki bağımlı değişkenin MANOVA'yı gerektirdiğini görmemiş; D Wilks lambdasını ters yorumlamış.

⇄Bilgi eşleştirme araştırma ↔ teknik

Karma tekrar

Önceki 3 sayfadan karışık 10 soru. Sınavdaki gibi konular karışık gelir; hangi konudan olduğunu çözümde görürsün. Birkaç gün sonra yeniden çöz.

?Soru 1

Bir kurumun 2021–2025 yıllarındaki satışları (milyon TL) 8, 9, 12, 13 ve 18'dir. Yıllar ortadan t = −2, −1, 0, 1, 2 diye kodlanarak EKK ile doğrusal trend kurulursa 2026 yılı için trend tahmini kaçtır?

✓ D. Σty = −16 − 9 + 0 + 13 + 36 = 24, b = 24/10 = 2,4, a = 60/5 = 12; 2026'da t = 3: 12 + 7,2 = 19,2. A son gözlemi tahmin sanmış; B 2026'ya t = 4 vermiş; C t = 1'i (2024) kullanmış.Kaynak: Zaman serileri ve indeksler · Bileşenler ve trend

?Soru 2

Örnekleme yöntemlerine ilişkin aşağıdaki ifadelerden hangileri doğrudur?
I. Tabakalı örneklemede tabakalar kendi içinde homojen olacak biçimde oluşturulur.
II. Sistematik örneklemede listede örnekleme aralığıyla çakışan bir döngü varsa tahmin ciddi biçimde yanlı olabilir.
III. Küme örneklemesinde kümeler kendi içinde ne kadar homojense tahminler o kadar kesin olur.

✓ B. I: tabaka içi benzerlik varyansı küçültür. II: periyodiklik bütün örneklemi döngünün aynı noktasına düşürür. III yanlıştır: küme içi benzerlik (ρ büyük) tasarım etkisini büyütür, kesinliği düşürür; kümeler içte karışık olmalıdır. A II'yi gözden kaçırır; C ve D kümeyi tabakayla karıştırır, C ayrıca II'yi atlar.Kaynak: Örnekleme yöntemleri · Küme, sistematik ve çok aşamalı örnekleme

?Soru 3

Aylık verilerle kurulan bir regresyon modelinde açıklayıcıların VIF değerleri 1,2 ile 1,8 arasında, Breusch–Pagan testi anlamsız, Durbin–Watson istatistiği 0,6 bulunmuştur. Buna göre aşağıdakilerden hangisi söylenebilir?

✓ A. d = 0,6 sıfıra yakın: r̂ ≈ 1 − 0,3 = 0,7, pozitif otokorelasyon. EKK yansız kalır, standart hatalar yanıltır. B VIF'lerin 10'un çok altında olduğunu atlar; C d'nin yönünü ters okur ve otokorelasyonun yanlılık yarattığını sanır; D anlamsız Breusch–Pagan sonucunu yok sayar.Kaynak: Korelasyon ve regresyon · Gauss–Markov ve varsayım ihlalleri

?Soru 4

Durağan bir zaman serisinin örneklem otokorelasyonları gecikme arttıkça geometrik biçimde azalmakta, kısmi otokorelasyonları ise yalnız birinci gecikmede anlamlı, sonrakilerde sıfıra yakın bulunmaktadır. Buna göre aşağıdakilerden hangileri doğrudur?
I. Seriye MA(1) modeli uygundur.
II. Seriye AR(1) modeli uygundur.
III. Modeldeki φ katsayısının mutlak değeri 1'den küçüktür.

✓ D. II: ACF sönümlenip PACF birinci gecikmeden sonra kesiliyorsa süreç AR(1)'dir. III: seri durağan olduğuna göre |φ| < 1'dir. I yanlıştır: MA(1)'de ACF birinci gecikmeden sonra kesilir, sönümlenmez. A ve C AR ile MA örüntüsünü karıştırır; B durağanlık koşulunu (III) atlar.Kaynak: Zaman serileri ve indeksler · Durağanlık, otokorelasyon ve ARIMA

?Soru 5

22 gözlemle kurulan basit doğrusal regresyon modelinde genel kareler toplamı 400, belirlilik katsayısı 0,60 bulunmuştur. Modelin anlamlılığını sınayan F istatistiği kaçtır?

✓ A. RKT = 0,6 · 400 = 240, HKT = 160, hata sd'si 22 − 2 = 20, HKO = 8; F = 240/8 = 30. B KT'leri sd'ye bölmeden oranlamış (240/160); C hata sd'sini n − 1 = 21 almış; D RKT'yi hata sd'sine bölmüş (240/20).Kaynak: Korelasyon ve regresyon · KT ayrışması, R² ve standart hata

?Soru 6

X ile Y arasındaki Pearson korelasyon katsayısı 0,6'dır. Buna göre aşağıdaki ifadelerden hangileri kesinlikle doğrudur?
I. X ile Y arasındaki kovaryans 0,6'dır.
II. U = 3X + 2 ile Y arasındaki korelasyon katsayısı 0,6'dır.
III. V = −2Y ile X arasındaki korelasyon katsayısı −0,6'dır.

✓ C. II: pozitif katsayıyla çarpmak ve sabit eklemek r'yi değiştirmez. III: Y negatif sayıyla çarpılınca büyüklük kalır, işaret döner. I yanlıştır: kovaryans r · sx · sy'dir; standart sapmalar bilinmeden 0,6 denemez. A, B ve D kovaryansı korelasyonla aynı sanır; B ayrıca işaret dönüşünü (III) atlar.Kaynak: Korelasyon ve regresyon · Kovaryans ve Pearson korelasyonu

?Soru 7

Bir öngörü yönteminin dört dönemdeki hataları (gerçekleşen − öngörü) sırasıyla 4, −2, 6 ve −4'tür. Bu yöntemin ortalama mutlak sapması (MAD) ve hata kareler ortalaması (MSE) aşağıdakilerden hangisidir?

✓ C. MAD = (4 + 2 + 6 + 4)/4 = 4; MSE = (16 + 4 + 36 + 16)/4 = 18. A işaretli hataları ortalamış (1), artı ve eksiler birbirini götürmüş; B MSE yerine karekökünü (RMSE) vermiş; D kareler toplamını n'e bölmeyi unutmuş.Kaynak: Zaman serileri ve indeksler · Üstel düzeltme ve öngörü hataları

?Soru 8

Bir anakütle ortalamasını tahmin etmek için gereken örneklem hacmine ilişkin aşağıdaki değişikliklerden hangileri, öteki etkenler sabitken gereken örneklem hacmini artırır?
I. Güven düzeyini %90'dan %95'e çıkarmak
II. Kabul edilebilir hata payını yarıya indirmek
III. Anakütle standart sapması için daha büyük bir ön tahmin kullanmak

✓ D. n = z²σ²/E². I: z 1,645'ten 1,96'ya çıkar, n z² ile büyür. II: E paydada karesiyle durur, n dört katına çıkar. III: σ² formülün payındadır; büyük σ, büyük n verir. A hata payının ve σ'nın etkisini atlar; B σ'nın yönünü ters kurar; C güven düzeyi yükselince z'nin büyüdüğünü görmez.Kaynak: Örnekleme yöntemleri · Örneklem hacmi

?Soru 9

İki malın temel ve cari dönem fiyat (TL) ve miktarları şöyledir: X: p₀ = 4, q₀ = 10, p₁ = 5, q₁ = 8; Y: p₀ = 10, q₀ = 2, p₁ = 12, q₁ = 3. Buna göre Laspeyres fiyat indeksi yaklaşık kaçtır?

✓ A. Σp₁q₀ = 50 + 24 = 74, Σp₀q₀ = 40 + 20 = 60; 74/60 × 100 ≈ 123,3. B cari miktarlarla tartılan Paasche'dir (76/62); C ağırlıksız basit bileşik indekstir (17/14); D değer indeksidir (76/60), miktar değişimini de içerir.Kaynak: Zaman serileri ve indeksler · Laspeyres, Paasche ve Fisher indeksleri

?Soru 10

İki tabakalı bir anakütlede N₁ = 600, S₁ = 5 ve N₂ = 400, S₂ = 15'tir. Görüşme maliyetleri eşittir. 90 birimlik örneklem Neyman (optimum) dağıtımıyla tabakalara paylaştırılırsa n₁ ve n₂ sırasıyla kaçtır?

✓ D. NhSh = 3.000 ve 6.000, toplam 9.000: n₁ = 90 · 3/9 = 30, n₂ = 60. A orantılı dağıtımdır, standart sapmaları yok sayar; B eşit dağıtımdır; C oranı ters çevirip küçük değişkenli tabakaya çok birim vermiştir.Kaynak: Örnekleme yöntemleri · Tabakalı örnekleme, Neyman dağıtımı
+
Daha fazla soru çözmek ister misin?Çok değişkenli analizler soruları uygulamaya ekleniyor; şimdilik diğer derslerin sorularını çözebilirsin. Yanlışların Hata Defteri'ne kaydedilir.
Soru çöz →