... konulu sunumlar: ""— Sunum transkripti:

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41 İleri İstatistik Teknikleri
? Neden “ileri” teknikler? Amaç: Eldeki “veriyi” “bilgiye” dönüştürebilmek - Veri vs. Bilgi

42 İstatistiksel Yöntemler
Betimleyici (Descriptive) Yöntemler Verili herhangi bir dağılımı bir ya da birden çok katsayıda anlatabilmek - Örn: şirkettekilerin yaş ortalaması Açıklayıcı (Explanatory) Yöntemler Bir veri setinde olası ilişkileri sergilemek - Örn: Şirkettekilerin ayakkabı numaralarıyla aldıkları maaş arasındaki ilişki

43 Betimleyici Yöntemler
Amaç: Eldeki dağılımı en iyi şekilde temsil etmek Araçlar: Ortalama: Medyan: Mod:

44 Betimleyici Yöntemler
Veeee.... Varyans/Standart Sapma: Neden:

45 İki Dağılımın Hikayesi
0,6,12 Ortalama: 6 Medyan: 6 Mod: 6 Std: Sapma: 6 Dağılım: 6,6,6 Ortalama: 6 Medyan: 6 Mod: 6 Std. Sapma: 0 Amaç: Görünenin Ötesine Bakabilmek

46 Açıklayıcı Analizler Amaç: Verili bir sette olası ilişkileri keşfetmek ya da öngörülen hipotezleri test etmek

47 Görünen....

48 Görünenin Arkası.... Genel Ortalama: 51, Std. Sapma: 22
Kadınlar Ortalama: 46, Std. Sapma: 23 Erkekler Ortalama: 46, Std. Sapma: 21

49 Örnek: Internet Kullanımı

50 Ve Görünenin Arkası... Erkekler Kadınlar

51 Açıklayıcı Analizler Amaç: İlk bakışta görül(e)meyen ilişkileri sergileyip ilişkisel açıklamalar getirmek Y= f(x) ie: İnternet kullanımı= f(cinsiyet) ie: Yaşam biçimi= f(gelir) ie: Tüketim kalıpları= f(yaşam biçimi)

52 Örnek: Gelişmişlik ve Yaşam Kalitesi
BM verilerinden elde edilen bir tablo... Araştırma sorusu: Gelişmişlik ve Yaşam Kalitesi arasındaki ilişki İşlemleştirme: Gelişmişlik: Kişi Başına Düşen GSMH Yaşam Kalitesi: Çocuk ölümleri

53 Gruplanmış Veri   

54 Scatterplot

55 Sorular Ne Kadar Yeterli? Grafiği ne kadar temsil ediyor?
Ne gibi çıkarımlar yapabiliyoruz? “Forecasting” yapılabiliyor mu? İlişkinin “boyutu” ve “yönü” ölçülebiliyor mu? Ne Kadar Yeterli?

56 Amaç: Daha iyi analiz, daha iyi veri
Covariance (kovaryans) Correlation Coefficient (korelasyon)

57 Sonuçlar Covariance: 2115,318 Correlation: -0,60165
Çıkarılacak Sonuç Ne?

58 Amaç: Nedensel İlişkileri Göstermek
Y= f(x) X, Y’nin belirleyicisi mi? X, Y’yi ne kadar belirliyor? X, Y’yi ne yönde belirliyor?

59 Regresyon Analizi Y= f(x) Y= a+bx Regresyon Denklemi:

60 Scatterplot

61 Regresyon Katsayılarının Hesaplanması

62 Regresyon Analizi Sonuçları

63 Regresyon Analizinin Açılımları
Çoklu Regresyon Kukla Değişkenli Regresyon (Dummy Variable) Binomial/Multinomial Regression

64 Regresyon Analizinin dezavantajları
Arkasında çok ciddi üç varsayım vardır. Regresyon analizi sadece “interval” ya da “ratio” ölçümleme düzeyinde yapılır “Do not use any mathematical model without understanding it”

65 Kümeleme ve Birleştirme Analizleri
Bütün olgular birbiriyle ilişkilidir. Aradaki ilişkinin 0 olduğu yerde bile... Birleştirme analizlerinin amacı olguların birbirleriyle olan ilişkilerinden yola çıkarak işimizi kolaylaştırmaktır 1. Değişken sayısını azaltabilirler 2. Vaka sayısını azaltabilirler 3. Boyut sayısını azaltabilirler

66 Faktör Analizi: Değişken Sayısını Azaltmak
Analize tabi bütün değişkenler birbiriyle ilişkili. Bu değişkenlerin bazıları birbirleriyle daha kuvvetli ilişki sahibi. Kuvvetli ilişki sahibi değişkenleri birleştirerek aza indirmek mümkün. Değişkenlerarası korelasyon matrisi kullanılarak “faktör”ler inşa ediliyor

67 Faktör Analizi

68 “Case” Sayısı Azaltmak: Clustering
Verili değişkenler bazında analize alınan “case”ler birbirlerine benzerler Bu benzerlik bir ya da daha fazla boyutta olabilir Benzerliklerden yola çıkarak “clusters” oluşturmak mümkün Benzerlikler metric mesafelerle ölçülüyor

69 Cluster Analysis I

70 Cluster Analysis II

71 Cluster Analysis III

72 Boyut Sayısını Azaltmak: MDS
Analizde gözönünde tuttuğumuz her değişken bir “boyut” sayılabilir. İki-üç boyuttan fazlasını “visualize” etmek kolay değil. Değişkenler arasındaki uzaklıktan yola çıkılarak bu boyut sayısı azaltılabilir. Değişkenler arasındaki uzaklıklar metric olarak ölçülebilir

73 MDS

74 Bu verileri okuma yazması olmayan demiryolu bekçileri topladı”
“İstatistiksel araçlarınız ne kadar güçlü, ne kadar gelişmiş olursa olsun, unutmamanız gereken tek şey var: Bu verileri okuma yazması olmayan demiryolu bekçileri topladı” Sir John Maynard Keynes

75 Kaynaklar: İrfan Yolcubal – 1. İstatistik ve Olasılık Ders Notları, Kocaeli Üniversitesi, Jeoloji Müh. Bölümü mf.kou.edu.tr/jeoloji/yolcubal/ istatistik/istatistik_giris.pdf İrfan Erdoğan - Ampirik tasarım ve istatistik yöntem semineri