Atıf Sayısı
1
Görüntüleme
4
Lojistik inceleme uygulamalı istatistiğin önemli materyallerinden birisidir. Veri yapısına bağlı olarak ayrımsama performansı önemli ölçüde etkilenebilir. Ayrımsama performansının istenen düzeyde olması kullanılan bağlantı fonksiyonunun esnekliğine doğrudan bağlıdır. Lojistik modeller de genellikle bağlantı fonksiyonu olarak büyüme eğrileri kullanılmaktadır. Kullanılan büyüme eğrisi veriye adapte edilebilirse modelin ayrımsama performansı önemli ölçüde artabilir. Bazı durumlarda lojistik modellerde parametre tahminleri en çok olabilirlik yöntemiyle yapılamamaktadır. Bu durum araştırmacılar için önemli bir güçlük oluşturmaktadır. Yapılan çalışmada lojistik ayrımsamanın performansını artırabilmek için bağlantı fonksiyonu olarak Richard eğrisi kullanılmıştır. Buna bağlı olarak lojistik ayrımsamanın nasıl yapılacağı incelenmiştir. Büyüme eğrileri genel olarak birinci mertebeden diferansiyel denklemin çözümü olarak elde edilir. Dolayısıyla eğrinin parametreleri integral sabitleridir. İntegral sabitinin doğrusal olasılık modeline bağlı olarak modele yerleştirilmesi teorik olarak önemli bir bulgudur. Bunun yanı sıra diferansiyel denklemi oluşturan fonksiyonların seçiminde bulunulması da mümkündür. İlk olarak çalışmada lojistik ayrımsamada kullanılan Richard bağlantı fonksiyonunda bu şekilde bulunan parametrenin hesaplanması amaçlanmıştır. Eğrinin büküm parametresi hatalı sınıflanmış gözlemler incelenerek bağımsız değişken değerleri ile ilişkilendirilerek, lojistik ayrımsama dinamik bir yapıya kavuşturulmuştur. Lojistik inceleme için tasarlanan bu yapılar anksiyete bozukluğu olgularına ait 20, 40 ve 60 birimlik veri setlerinde değerlendirilerek yöntemin uygulanabilirliği ve ayrımsama performansı gösterilmiştir. İki grup lojistik modelde, yani bağımlı değişkenin iki değer aldığı lojistik modelde doğru sınıflama oranları 20, 40 ve 60 birimlik olgular için sırasıyla, %72,5, %66,3 ve %67,5 olarak bulunmuştur. Buna karşılık Richard bağlantı fonksiyonu kullanıldığında, hatalı sınıflanan gözlemler için eğrinin büküm parametresinin uygun seçilebilmesiyle bu oranlar sırasıyla, %82,5, 78,75 ve % 80’ e kadar artırılabilmiştir. Yapılan uygulamadan da görüldüğü kadarıyla bağlantı fonksiyonun büküm noktasının kontrol edilebilmesi lojistik incelemeyi dinamik bir yapıya sahip kılmaktadır. Buna ilaveten büküm parametresinin değiştirilebilmesi doğrusal olasılık modeline dokunulmaksızın yapılabilmekte ve bu sayede hatalı bulunan gözlemler içerisinde doğru sınıflama yapılabilmektedir. Bu bağlamda büküm parametresinin bağımsız değişken değerlerine bağlı olarak hesaplanması bağımlı değişkenin olasılık değerlerini etkileyecek artımlarda bağlantı fonksiyonunun bu değişimi doğru bir şekilde yansıtmasını sağlar. Dolayısıyla bu durumların tümü dikkate alındığında lojistik ayrımsama modeli dinamik bir yapıya sahip olmuş olur.
The logistical review is one of the important materials of applied statistics. Depending on the data structure, differentiation performance can be significantly affected. The discernment performance is directly dependent on the flexibility of the connective function used to be at the desired level. Logistics models are also often used as growth curves as a connection function. If the used growth curve can be adjusted to the data, the distinctive performance of the model can significantly increase. In some cases, in logistics models, parameters can not be predicted by the most probability method. This is a major challenge for researchers. In the study, Richard curve was used as a connection function to improve the performance of logistical distinction. This is based on how the logistical distinction will be done. Growth curves are generally obtained as a solution to the differential equation from the first staircase. Parameters of the curve are integral fixed. The placement of the integral fixation in the model depending on the linear possibility model is a theoretically important finding. It is also possible to select the differential equations. First, the study aimed at calculating the parameters found in this way in the Richard connection function used in the logistics distinction. The curve curve parameter is associated with its independent variable values by studying erroneous classified observations, and the logistical distinction has become a dynamic structure. These structures designed for logistical examination have been evaluated in 20, 40 and 60 units of data sets of anxiety disorders, demonstrating the applicability of the method and distinctive performance. In the logistics models of the two groups, the logistics models with two values of the dependent variable, the correct classification rates were found for the 20, 40 and 60 units, respectively, at 72.5%, 66.3% and 67.5% respectively. On the contrary, when the Richard connection function was used, the curve's curve parameter for the wrongly classified observations could be selected accordingly, and these rates could be increased to 82.5%, 78.75 and 80%, respectively. As seen from the app, the ability to control the curve point of the connection function makes the logistical examination a dynamic structure. In addition, the conversion parameter can be changed without touching the linear possibility model, and thus the correct classification can be made in the observations that are wrong. In this context, the calculation of the curve parameter based on the values of the independent variable enables the connection function to correctly reflect this change in increases that will affect the probability values of the dependent variable. Therefore, when all of these situations are taken into account, the logistics distinction model has had a dynamic structure.
Logistics analysis is one of the important materials of applied statistics. Discrimination performance can be significantly affected depending on the data structure. The desired level of discrimination performance is directly dependent on the flexibility of the link function used. In logistics models, growth curves are generally used as link functions. If the growth curve used can be adapted to the data, the discrimination performance of the model can be significantly improved. In some cases, parameter estimation in logistics models cannot be obtained by likelihood method. This issue a significant problem for researchers. In this study, we investigated how to do logistic discrimination by using Richard link functions. A parameter of logistic curve obtained from the solution of differential equation is an integral constant. The finding of the integral constant is possible that by means of linear probability model or the selection of functions that consist of the differential equation. Richard link function used logistic discrimination have intended to use for the calculation of the parameter. The incorrectly classified observations are examined by twist parameter of the curve. So, this twist parameter associated with the independent variable values and logistic discrimination adapt to a dynamic structure. This adaptation of applicability in method have emphasized a data set which contain people that have anxiety disorders 60 unit individuals with have not disorders 60 unit individuals. It is found to be correct classification rate of 67.5% when the dependent variable has binary logistic model. While using Richard link function, it is found correct classified rate up to %100 by means of the suitable twist parameter of the curve. As shown in the analysis, Richard link function has dynamic structure. The exchangeable of the inflection parameters can be made protecting Linear probability model, and thus in incorrectly of the observations can be correct classification of observations. The calculation of twist parameter as the independent variable values will affect the value of the probability, but as using the link function will be tolerate this change. Thus, the logistic discrimination model have converged a dynamic structure.
Alan : Fen Bilimleri ve Matematik; Mühendislik
Dergi Türü : Uluslararası
Makale Detay 
Atıf Yapanlar
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Bu Sayfayı Yazdırın
Paylaş
Mendeley
