Karışımlı model yaklaşımı veri kümesinin heterojen bir yapı gösterdiğini varsaymaktadır. Söz konusu heterojenlikten dolayı veri kümesinde ekstra-varyasyon meydana gelmektedir. Veri kümesi kendi içerisinde homojen alt populasyonlara bölünerek, heterojenlik giderilmektedir. Böylece alt populasyonlar içi homojenlik sağlanırken, alt populasyanlar arası heterojenlik ortaya konmaya çalışılır. Kategorik veriler için Karışımlı Poisson ve lojistik regresyon modelleri kullanılmaktadır. Karışımlı Poisson regresyon sayıma dayalı olarak elde edilen verilerin analizinde, karışımlı lojistik regresyon ise binary, sıralayıcı ve sınıflayıcı verilerin analizinde kullanılmaktadır. Karışımlı Poisson ve lojistik regresyon modellerinde parametre tahminleri, EM algoritması kullanılarak en yüksek olabilirlik yöntemi ile elde edilmektedir. EM algoritmasının, E aşamasında bilinmeyen alt populasyon sayısı eksik gözlem olarak kabul edilip, bunların sayısı tahmin edilir, M aşamasında ise olabilirlik fonksiyonu maksimize edilip bilinmeyen parametreler en yüksek olabilirlik yöntemi ile elde edilir.
The mixed model approach assumes that the data set shows a heterogeneous structure. Due to this heterogeneity, extra-variation occurs in the data set. The data set itself is divided into homogeneous subpopulations, eliminating heterogeneity. Thus, while homogenity within the lower populations is achieved, heterogenity between the lower populations is attempted to be revealed. Mixed Poisson and logistical regression models are used for category data. Mixed Poisson regression is used in the analysis of the data obtained on the basis of counting, while mixed logistics regression is used in the analysis of binary, ranking and classification data. Parameters forecasts in mixed Poisson and logistical regression models are obtained by the highest probability method using the EM algorithm. The number of unknown subpopulations in the EM algorithm is considered as missing observations, and the number of them is predicted, and in the M phase the possibility function is maximized and the unknown parameters are obtained by the highest possibility method.
Alan : Fen Bilimleri ve Matematik
Dergi Türü : Ulusal
Benzer Makaleler | Yazar | # |
---|
Makale | Yazar | # |
---|