Önceki bölümde, iki değişkenli ilişkiler için regresyon analizi yöntemlerini tartıştık. Bu yaklaşımlar basit modeller için yeterli olabilir, ancak tüm bir faktör kümesinin bağımlı değişkeni etkilediğini varsaymak için neden olduğunda ne yaparız? Posta siparişi iş örneğine dönelim. Katalog resmi boyutuna dayalı bir satış tahmininin, önceki yıla ait eşdeğer bir elbisenin satışına dayalı olandan daha iyi olduğunu bulduk.

Fakat pratikte, iş başında olan tek bir etkileyen faktör var mıdır? Gerçekçi konuşmak gerekirse, nadiren. Öyleyse neden satışları tahmin etmek için her iki değişkeni de – görüntü boyutu ve önceki satışları – kullanmıyorsunuz? Çok değişkenli regresyon kullanılarak ilişkinin türetilmesi, iki değişkenli regresyonun kullanılmasına benzer. Yine α 1⁄4 β0 ve β1 ve β2’nin karesel artıkların toplamı minimum olacak şekilde olduğunu varsayıyoruz. Genel k bağımsız değişken ve n gözlem durumunda, regresyon aşağıdaki matris denklemi ile hesaplanabilir.

Bir kez daha OLS yöntemini kullanabiliriz, ancak burada regresyon denklemi ikiden fazla bileşenden oluşur:

• sabit α 1⁄4 β0;
• katalog görseli boyutu ile talep arasındaki ilişkiyi tanımlayan birinci eğim katsayısı β1; ve
• önceki satışlar ve talep arasındaki ilişkiyi tanımlayan ikinci eğim katsayısı β2.

Regresyon Doğrularının Uyum İyiliği

Bir regresyon, iki veya daha fazla değişkenin ortalama ilişkisini tanımlamaya çalışır. İçinde regresyon çizgilerinin veri noktalarının y değerlerini nasıl olduğundan fazla veya az tahmin edebildiğini gördük. Bu tür hatalar maliyetli fazlalara ve eksikliklere yol açabileceğinden, regresyon çizgilerinin iyi bir uyum sağlaması çok önemlidir. Önceki bölümde, katalog görüntü boyutunun satışları tahmin etmek için önceki satış (“denklik”) yönteminden (Şekil 5.1) daha uygun olduğunu belirledik, çünkü önceki veri noktaları regresyon çizgisine daha yakın ve daha büyük bir korelasyon katsayısına sahiptir.

Genel olarak, veri noktaları regresyon çizgisine ne kadar yakınsa, regresyon çizgisi o kadar iyi olur. Tüm veri noktaları çizgi üzerinde bulunduğunda, doğrusal regresyon mükemmeldir ve korelasyon katsayısı ya r 1⁄4 (+1) ya da r 1⁄4 (1)’dir. Buna karşılık, veri noktaları regresyon çizgisinden uzağa dağıldığında, korelasyon katsayısı sıfıra yakındır ve sonuçta ortaya çıkan tahmin kesin olmayacaktır.

Burada korelasyon katsayısının iki değişkenli analizle uyumun iyiliğini değerlendirmeye hizmet edebileceğini görüyoruz. Ancak daha yaygın olan parametre, R2 ile sembolize edilen belirleme katsayısıdır. Belirleme katsayısı, iki değişkenli regresyonlar için korelasyon katsayısının karesine eşittir, ancak birden fazla bağımsız x değişkeni mevcut olduğunda uygulanabilir. R2 kare olduğundan, yalnızca sıfır ile bir arasında değerler alır.

Excel regresyon formülü
Excel regresyon denklemi
Çoklu regresyon analizi örnekleri
Regresyon analizi soru ve cevapları
Excel Regresyon analizi yorumlama
Excel Regresyon Analizi eklentisi
Regresyon analizi nasıl yapılır
Doğrusal regresyon analizi

Uyum iyiliği zayıf olduğunda R2 1⁄4 0 ve uyum iyiliği mükemmel olduğunda R2 1⁄4 1. Belirleme katsayısı aynı zamanda x varyansı tarafından açıklanan y varyansının payını da gösterir. Örneğimizde determinasyon katsayısı R2 1⁄4 0,962 1⁄4 0,9216 1⁄4 %92,16’dır. Bu, satışlardaki (y değişkeni) varyansın %92,16’sının katalog görsel boyutundaki (x değişkeni) varyansla açıklandığı anlamına gelir.

Venn diyagramlarını kullanarak varyansın açıklama payını gösterir. Bölüm 1, basit bir gerileme olarak da bilinen iki değişkenli bir gerilemeyi temsil eder. Üstteki daire, bağımlı y değişkenlerinin (satışlar) varyansını gösterir; alttaki daire x1 (görüntü boyutu) varyansını gösterir. Kesişme bölgesi, x1 varyansı (görüntü boyutu) tarafından açıklanan y varyansının (satışlar) payını temsil eder. Kesişme alanı ne kadar büyük olursa, x1 değişkeni (görüntü boyutu) bağımlı y değişkenindeki varyansı o kadar iyi açıklar.

Diğer değişkeni hesaba katar: önceki yılın satışları (x2). Burada y varyans (satışlar) ve x1 varyans (görüntü boyutu) ile önceki yılın satışları (x2) arasındaki kesişim artar. Regresyon doğruları yb ile bağımsız x değişkenlerinin varyansları açıklanır.

Bilgisayarla Regresyon Hesaplamaları

Excel ile Regresyon Hesaplamaları

Excel’in Linest işlevi, en önemli regresyon parametrelerini hesaplar. Ancak bu işlev nispeten esnek değildir ve kullanımı karmaşıktır. Daha esnek bir yaklaşım, Excel’in regresyon işlevidir. Kullanmak için önce Eklenti Yöneticisi aracılığıyla analiz işlevini etkinleştirin.

Şimdi Veri!Veri Analizi altında regresyon işlevini seçin, böylece bölüm 1’de sunulan pencere açılır. Ardından bağımlı ve bağımsız değişkenler için alanları atayın. Excel tablolarında bağımsız değişkenlerin yan yana dizilmesi gerektiğini ve eksik değer içermeyebileceğini unutmayın. Örneğimiz mail_order_business dosyasını kullanır. xls. Çıktının yorumlanması tartıştığım tüm istatistiksel yazılım uygulamalarının çıktısı aynıdır.

SPSS ve Stata ile Regresyon Hesaplamaları

Hesaplama, SPSS ve Stata kullanılarak benzerdir. SPSS’de, Analyze!Regression!Linear’ı seçerek Şekil 5.6’nın 2. bölümünde gösterilen Lineer Regresyon penceresini açın. Ardından bağımlı ve bağımsız değişkenleri atayın ve OK ile seçimi onaylayın.
Stata ile İstatistikler!Lineer modeller ve ilgili!Linear regresyon seçilerek regresyon menüsüne girilir.

Ardından bağımlı değişken alanına bağımlı değişkenleri, bağımsız değişken alanına bağımsız değişkenleri girin ve Tamam veya Gönder’e tıklayın.

Her program, hesaplama sonuçlarını benzer tablo biçiminde görüntüler. İlk tablo, korelasyon katsayısının mutlak değeri ve belirleme katsayısı gibi regresyon istatistiklerini içerir; ikinci tablo karelerin toplamını içerir; ve üçüncü tablo, regresyon katsayısı istatistiklerini gösterir. Şekil 5.7, SPSS ile regresyon fonksiyonunun sonuç tablolarını göstermektedir. Bu sonuçlardan, (t) döneminin satışlarını aşağıdaki denklemi kullanarak belirleyebiliriz:

• yb 1⁄4 62:22 × 1:95 katalog resmi boyutu þ 0:33 önceki satışlar ðt 1Þ (5.27)

Bir elbisenin reklamı 50 santimetre karelik bir görselle yapılıyorsa ve buna benzer bir elbise geçen yıl 150 defa satılıyorsa, ortalama satışlar bekleyebiliriz.

Regresyonun açıkladığı kareler toplamı 52.733.837’dir. Açıklanacak karelerin toplamı 55.999.390 olduğundan regresyonla açıklanamayan karelerin toplamı 55.999.390 52.733.837 1⁄4 3.265.553’tür. Bundan, yukarıda belirtilmemişse, belirleme katsayısını da hesaplayabiliriz.

Bağımsız x değişkenlerinin varyansı (bir önceki sezondaki benzer bir elbisenin talebi; katalog görseli boyutu), bağımlı değişkenin (mevcut sezondaki bir elbisenin satışları) varyansını R2 1⁄4 için %94,2 açıklamaktadır.

The post Bilgisayarla Regresyon Hesaplamaları – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi (Tez Yaptırma).