Doğrusal Bağımsız Değişken – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri
Doğrusal Bağımsız Değişken
Koşul, anlamı farklı veya en azından farklı olan yordayıcı x değişkenleri için iki değişken seçmekten başka bir şey gerektirmez. SPSS multicollinearity_petrol_example.sav dosyasından brüt ve net fiyatları kullanarak petrolün pazar payını tahmin edersek, çıktıyı alırız.
SPSS, brüt ve net fiyatın etkisini aynı anda hesaplayamaz. Bunun nedeni, brüt fiyatın doğrudan net fiyat artı katma değer vergisinden elde edilebilmesidir. Değişkenler bu nedenle lineer bağımlıdır. %19 katma değer vergisi ile aşağıdaki derneğe ulaşıyoruz.
Yalnızca bir doğrusal bağımsız değişken (brüt veya net) olmasına rağmen, iki regresyon katsayısı β1 ve β2’yi hesaplamak gerekli olurdu. Mükemmel çoklu bağlantı varsa, belirli regresyon katsayılarını belirlemek imkansızdır.4 Bu nedenle çoğu bilgisayar programı değişkenlerden birini modelden çıkarır. Bu, hem yöntemler hem de sonuçlar açısından anlamlıdır. Model zaten brüt fiyatı içeriyorsa, net fiyattan ne gibi ek açıklayıcı değer bekleyebiliriz?
Ancak mükemmel çoklu bağlantı pratikte nadiren ortaya çıkar; neredeyse her zaman yüksektir ama mükemmel değildir. Bu yüzden çoklu bağlantıdan bahsettiğimizde, gerçekten kusurlu çoklu bağlantıdan bahsediyoruz. Bu çoklu bağlantının var olup olmadığı meselesi değildir. Bağımsız x değişkenlerinin ilişkisinin gücü sorunudur. Kusurlu çoklu bağlantı neden regresyonu belirlemek için bir problemdir?
Petrol pazar payını tahmin etmek için şirketin fiyatını ve bir rakibin fiyatını kullandığımız durumu düşünün. Tarikattan. 4.7.1 Fiyatlar arasındaki korelasyonun mükemmel olmasa da hala oldukça yüksek olduğunu biliyoruz: r 1⁄4 0.902.
Kusurlu çoklu doğrusallık genellikle aşağıdaki etkilere neden olur:
• Regresyonda rakibin fiyatı atlanırsa, belirleme katsayısı 0,001’den R2 1⁄4 0,522’ye düşer. Rakibin fiyatının ek etkisinin sadece hafif bir etkisi var gibi görünüyor. Ancak regresyonda satışlar için tahmin değişkeni olarak sadece rakibin fiyatını kullanırsak, açıklayıcı güç oldukça yüksek olan R2 1⁄4 0,44 olur. Pazar payı eğilimlerini açıklarken şirketin fiyatı ve rakibin fiyatı benzer şekilde davrandığı için bu, çoklu bağlantının bir işaretidir.
• Regresörün cebirsel işareti olağandışıdır. Rakibin fiyatının pazar payı üzerinde şirketin kendi fiyatıyla aynı yönde etkiye sahip olduğu görülmektedir, yani rakibin fiyatı ne kadar yüksekse pazar payı o kadar düşük olur.
• Veri kümesinden bir gözlemin çıkarılması veya eklenmesi, regresyon katsayılarında büyük değişikliklere yol açar. Çoklu bağlantı durumunda, regresyon katsayıları, veri setindeki en küçük değişikliklere güçlü bir şekilde tepki verir. Örneğin, veri kümesi multicollinearity_petrol_example’den gözlem 27’yi kaldırırsak. regresyonu yeniden kaydedin ve hesaplayın, şirketin fiyatının etkisi β1 1⁄4 0.799’dan β1 1⁄4 0.559’a veya %30’dan fazla düşer.
• Sözde Varyans Enflasyon Faktörleri (VIF), çoklu bağlantının başka bir işareti olabilir. Her bağımsız x değişkeni için, regresyonun diğer bağımsız x değişkenleriyle olan ilişkiyi kontrol etmeliyiz. Bunu yapmak için her bağımsız değişken için yardımcı regresyon adı verilen bir işlem yapıyoruz. Bir regresyonda beş bağımsız x değişkeni varsa, beş yardımcı regresyon gerçekleştirmeliyiz. Birinci yardımcı regresyon ile ilk bağımsız x değişkeni (x1) bağımlı, kalanı (x2 ila x5) bağımsız olarak tanımlanır. Aşağıdaki regresyonu oluşturur.
Bağımlı değişkenin doğrusal bağımsız değişkenlerin logaritmik olduğu model
1 bağımlı 2 bağımsız değişken örnekleri
Basit doğrusal regresyon analizi
Çoklu doğrusal regresyon analizi örnekleri
Çoklu doğrusal regresyon varsayımları
Regresyon analizi yorumlama
Regresyon analizi Örnekleri
Klasik doğrusal regresyon modeli varsayımları
Bu yardımcı regresyon için R2Aux(1) belirleme katsayısı ne kadar büyük olursa, x1 bağımsız değişkeni ile regresyon denkleminin diğer bağımsız değişkenleri arasındaki istenmeyen ilişki o kadar güçlü olur. Unutmayın: çoklu doğrusallık, iki veya daha fazla bağımsız x değişkeni ilişkili olduğunda mevcuttur. Buna göre, çoklu bağlantı derecesi, i’inci bağımsız değişkenin yardımcı regresyonunun R2Aux(i)’si ile de ifade edilebilir. VIF, yardımcı regresyon fikri üzerine kuruludur. Her bağımsız x değişkeni bölümü alır.
Bir bağımsız değişkenin yardımcı regresyonunun R2Aux(i) değeri (yakın) 0 ise, çoklu bağlantı yoktur ve VIF 1~4 1 ise, bunun aksine, bir yardımcı regresyonun R2Aux(i)’si çok büyükse, çoklu doğrusallık mevcuttur ve VIF değeri yüksektir. Saç ve ark. (2006, s. 230) VIF 1~4 10’un sıklıkla kullanılan bir üst sınır olduğunu ancak daha küçük numuneler için daha kısıtlayıcı bir değer önerdiğini not eder. Sonuç olarak, her araştırmacı kabul edilebilir çoklu bağlantı derecesi hakkında kendi kararını vermeli ve VIF bariz şekilde yüksek olduğunda sonuçların sağlamlığını kontrol etmelidir.
Yine de, 5.3 kadar düşük bir VIP’nin zaten çok yüksek bir çoklu korelasyona sahip olduğunu, yani r 1⁄4 0.9 olduğunu unutmayın. Bu nedenle, VIP 1,7 veya daha yüksek olduğunda – VIP 1⁄4 1.7, r 1⁄4 0,64 çoklu korelasyona dönüşür – sonuçlarınızı test etmeli ve numunedeki küçük değişikliklere nasıl tepki verdiklerini kontrol etmelisiniz.
• Bazı istatistik yazılım programları, Tolerans(i) 1⁄4 (1‐R2Aux(i)) ile VIF’nin yanı sıra Toleransı da belirtir. Tolerans değeri bire (yakın) olduğunda, çoklu bağlantı mevcut değildir. Tolerans değeri sıfıra yaklaştıkça çoklu doğrusallık artar. Şekil 5.17’de, multicollinearity_petrol_example.sav veri kümesinin VIF’leri ve Toleransları, tablonun sağ kenarında belirtilmiştir. Her iki metrik de çoklu doğrusallığı açıkça göstermektedir.
• Gördüğümüz gibi, çoklu bağlantı istenmeyen etkilere sahiptir. Etkiler sadece doğru cebirsel işarete sahip olmamalıdır. Veri setinde küçük değişiklikler olduğunda kararlı kalmaları gerekir. Çoklu doğrusallığı ortadan kaldırmak için aşağıdaki önlemler alınabilir:
• İlişkili değişkenlerden birini regresyondan çıkarın. Kaldırılacak en iyi değişken, en yüksek VIF’ye sahip olandır. Oradan adımlarla ilerleyin. Kaldırdığınız her değişken, gerilemenin kalan değişkenlerinin VIF değerlerini düşürür.
• Örnek boyutunu kontrol edin. Küçük bir örnek, değişkenler veri kümesi boyunca çoklu doğrusal bağlantı olmasa bile çoklu bağlantı üretebilir. Durumun böyle olabileceğinden şüpheleniyorsanız, örneğe ek gözlemler ekleyin.
• Modelin teorik varsayımlarını yeniden gözden geçirin. Özellikle, regresyon modelinizin aşırı parametreli olup olmadığını sorun.
• Nadiren değil, korelasyonlu değişkenler faktör analizi yardımıyla tek bir değişkende birleştirilebilir.
1 bağımlı 2 bağımsız değişken örnekleri Bağımlı değişkenin doğrusal bağımsız değişkenlerin logaritmik olduğu model Basit doğrusal regresyon Analizi Çoklu doğrusal regresyon analizi örnekleri Çoklu doğrusal regresyon varsayımları Klasik doğrusal regresyon modeli Varsayımları Regresyon analizi Örnekleri Regresyon analizi yorumlama