<\/p>\n
Yuvalanm\u0131\u015f bir model,<\/strong> ba\u015fka bir regresyon modelindeki \u00f6ng\u00f6r\u00fcc\u00fc de\u011fi\u015fkenlerin bir alt k\u00fcmesini i\u00e7eren basit bir regresyon modelidir<\/a> .<\/span><\/p>\n \u00d6rne\u011fin, d\u00f6rt \u00f6ng\u00f6r\u00fcc\u00fc de\u011fi\u015fkene dayal\u0131 olarak bir basketbolcunun att\u0131\u011f\u0131 say\u0131 say\u0131s\u0131n\u0131 tahmin eden a\u015fa\u011f\u0131daki regresyon modeline (buna Model A diyelim) sahip oldu\u011fumuzu varsayal\u0131m:<\/span><\/p>\n Puanlar = \u03b2 0<\/sub> + \u03b2 1<\/sub> (dakika) + \u03b2 2<\/sub> (y\u00fckseklik) + \u03b2 3<\/sub> (konum) + \u03b2 4<\/sub> (at\u0131\u015f) + \u03b5<\/span><\/p>\n Yuvalanm\u0131\u015f bir modelin bir \u00f6rne\u011fi (buna Model B diyelim), Model A’daki tahmin de\u011fi\u015fkenlerinden yaln\u0131zca ikisini i\u00e7eren a\u015fa\u011f\u0131daki model olabilir:<\/span><\/p>\n Puanlar = \u03b2 0<\/sub> + \u03b2 1<\/sub> (dakika) + \u03b2 2<\/sub> (y\u00fckseklik) + \u03b5<\/span><\/p>\n Model B’nin Model A’n\u0131n i\u00e7inde yuvaland\u0131\u011f\u0131n\u0131<\/strong> s\u00f6yleyebiliriz \u00e7\u00fcnk\u00fc Model B, Model A’daki tahmin de\u011fi\u015fkenlerinin bir alt k\u00fcmesini i\u00e7erir.<\/span><\/p>\n Ancak, \u00fc\u00e7 \u00f6ng\u00f6r\u00fcc\u00fc de\u011fi\u015fken i\u00e7eren ba\u015fka bir modelimiz (buna Model C diyelim) olup olmad\u0131\u011f\u0131n\u0131 d\u00fc\u015f\u00fcn\u00fcn:<\/span><\/p>\n Puanlar = \u03b2 0<\/sub> + \u03b2 1<\/sub> (dakika) + \u03b2 2<\/sub> (y\u00fckseklik) + \u03b2 3<\/sub> (serbest at\u0131\u015flar)<\/span><\/p>\n Her model, di\u011fer modelin i\u00e7ermedi\u011fi yorday\u0131c\u0131 de\u011fi\u015fkenleri i\u00e7erdi\u011finden , Model C’nin Model A’n\u0131n i\u00e7inde yuvaland\u0131\u011f\u0131n\u0131 s\u00f6yleyemeyiz<\/strong> .<\/span><\/p>\n Tam bir \u00f6ng\u00f6r\u00fcc\u00fc de\u011fi\u015fkenler k\u00fcmesine sahip bir modelin, bu yorday\u0131c\u0131 de\u011fi\u015fkenlerin bir alt k\u00fcmesine sahip bir modelden daha iyi bir veri k\u00fcmesine uyup uyamayaca\u011f\u0131n\u0131 bilmek istedi\u011fimizde, pratikte genellikle i\u00e7 i\u00e7e ge\u00e7mi\u015f modelleri kullan\u0131r\u0131z.<\/span><\/p>\n \u00d6rne\u011fin yukar\u0131daki senaryoda basketbolcular\u0131n att\u0131\u011f\u0131 say\u0131y\u0131 tahmin etmek i\u00e7in oynanan dakika, boy, pozisyon ve \u015futlar\u0131 kullanarak kapsaml\u0131 bir model<\/strong> uydurabiliriz.<\/span><\/p>\n Ancak pozisyonun ve \u015fut denemelerinin al\u0131nan say\u0131lar\u0131 \u00e7ok iyi tahmin edemeyece\u011finden \u015f\u00fcphelenebiliriz.<\/span><\/p>\n B\u00f6ylece, at\u0131lan say\u0131lar\u0131 tahmin etmek i\u00e7in yaln\u0131zca oynanan dakikalar\u0131 ve at\u0131\u015flar\u0131 kullanan i\u00e7 i\u00e7e ge\u00e7mi\u015f bir model<\/strong> uydurabiliriz.<\/span><\/p>\n Daha sonra istatistiksel olarak anlaml\u0131 bir fark olup olmad\u0131\u011f\u0131n\u0131 belirlemek i\u00e7in iki modeli kar\u015f\u0131la\u015ft\u0131rabiliriz.<\/span><\/p>\n Modeller aras\u0131nda anlaml\u0131 bir fark yoksa, modeli \u00f6nemli \u00f6l\u00e7\u00fcde iyile\u015ftirmedi\u011fi i\u00e7in tahmin de\u011fi\u015fkenleri olarak denenen pozisyon ve \u015futlar\u0131 kald\u0131rabiliriz.<\/span><\/p>\n Yuvalanm\u0131\u015f bir modelin “tam” bir modelden \u00f6nemli \u00f6l\u00e7\u00fcde farkl\u0131 olup olmad\u0131\u011f\u0131n\u0131 belirlemek i\u00e7in genellikle a\u015fa\u011f\u0131daki bo\u015f ve alternatif hipotezleri kullanan bir olas\u0131l\u0131k oran\u0131 testi ger\u00e7ekle\u015ftiririz:<\/span><\/p>\n H 0<\/sub> :<\/strong> Tam model ve i\u00e7 i\u00e7e ge\u00e7mi\u015f model verilere e\u015fit derecede uyum sa\u011flar. Bu nedenle i\u00e7 i\u00e7e modeli kullanmal\u0131s\u0131n\u0131z<\/strong> .<\/span><\/p>\n H A<\/sub> :<\/strong> Tam model, verilere i\u00e7 i\u00e7e ge\u00e7mi\u015f modelden \u00f6nemli \u00f6l\u00e7\u00fcde daha iyi uyuyor. Bu nedenle \u015fablonun tamam\u0131n\u0131 kullanman\u0131z<\/strong> gerekir.<\/span><\/p>\n Olabilirlik oran\u0131 testi, bir Ki-kare testi istatisti\u011fi ve buna kar\u015f\u0131l\u0131k gelen p de\u011feri \u00fcretir.<\/span><\/p>\n Testin p de\u011feri<\/a> belirli bir anlaml\u0131l\u0131k d\u00fczeyinin (\u00f6rne\u011fin 0,05) alt\u0131ndaysa, s\u0131f\u0131r hipotezini reddedebilir ve tam modelin \u00f6nemli \u00f6l\u00e7\u00fcde daha iyi bir uyum sa\u011flad\u0131\u011f\u0131 sonucuna varabiliriz.<\/span><\/p>\n A\u015fa\u011f\u0131daki e\u011fitimlerde R ve Python kullan\u0131larak olas\u0131l\u0131k oran\u0131 testinin nas\u0131l ger\u00e7ekle\u015ftirilece\u011fi a\u00e7\u0131klanmaktad\u0131r:<\/span><\/p>\n Yuvalanm\u0131\u015f bir model, ba\u015fka bir regresyon modelindeki \u00f6ng\u00f6r\u00fcc\u00fc de\u011fi\u015fkenlerin bir alt k\u00fcmesini i\u00e7eren basit bir regresyon modelidir . \u00d6rne\u011fin, d\u00f6rt \u00f6ng\u00f6r\u00fcc\u00fc de\u011fi\u015fkene dayal\u0131 olarak bir basketbolcunun att\u0131\u011f\u0131 say\u0131 say\u0131s\u0131n\u0131 tahmin eden a\u015fa\u011f\u0131daki regresyon modeline (buna Model A diyelim) sahip oldu\u011fumuzu varsayal\u0131m: Puanlar = \u03b2 0 + \u03b2 1 (dakika) + \u03b2 2 (y\u00fckseklik) + \u03b2 […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-2550","post","type-post","status-publish","format-standard","hentry","category-rehber"],"yoast_head":"\n \u0130\u00e7 i\u00e7e modellerin \u00f6nemi<\/strong><\/h3>\n
\u0130\u00e7 i\u00e7e ge\u00e7mi\u015f modeller nas\u0131l ayr\u0131\u015ft\u0131r\u0131l\u0131r<\/strong><\/span><\/h3>\n
\n