Lojistik regresyon, a\u015fa\u011f\u0131daki formdaki bir denklemi bulmak i\u00e7in maksimum olabilirlik tahmini<\/em> olarak bilinen bir y\u00f6ntemi kullan\u0131r:<\/span><\/p>\n log[p(X) \/ (1 –<\/sub> p(X))] = \u03b2 0<\/sub> + \u03b2 1<\/sub> X 1<\/sub> + \u03b2 2<\/sub> X 2<\/sub> + \u2026 + \u03b2 p<\/sub><\/strong><\/span><\/p>\n Alt\u0131n:<\/span><\/p>\n Denklemin sa\u011f taraf\u0131ndaki form\u00fcl, yan\u0131t de\u011fi\u015fkeninin 1 de\u011ferini almas\u0131na ili\u015fkin log olas\u0131l\u0131\u011f\u0131n\u0131<\/strong> tahmin eder.<\/span><\/p>\n A\u015fa\u011f\u0131daki ad\u0131m ad\u0131m \u00f6rnek, SAS’ta bir lojistik regresyon modelinin nas\u0131l s\u0131\u011fd\u0131r\u0131laca\u011f\u0131n\u0131 g\u00f6sterir.<\/span><\/p>\n \u00d6ncelikle 18 \u00f6\u011frenci i\u00e7in a\u015fa\u011f\u0131daki \u00fc\u00e7 de\u011fi\u015fkene ili\u015fkin bilgileri i\u00e7eren bir veri seti olu\u015fturaca\u011f\u0131z:<\/span><\/p>\n Daha sonra, yan\u0131t de\u011fi\u015fkeni olarak “kabul”\u00fc ve yorday\u0131c\u0131 de\u011fi\u015fkenler olarak “gpa” ve “hareket”i kullanarak lojistik regresyon modeline uyacak \u015fekilde proc lojisti\u011fini<\/strong> kullanaca\u011f\u0131z.<\/span><\/p>\n Not<\/strong> : SAS’\u0131n yan\u0131t de\u011fi\u015fkeninin 1 de\u011ferini alma olas\u0131l\u0131\u011f\u0131n\u0131 tahmin etmesi i\u00e7in azalman\u0131n belirtilmesi<\/strong> gerekir. SAS, varsay\u0131lan olarak yan\u0131t de\u011fi\u015fkeninin 0 de\u011ferini alma olas\u0131l\u0131\u011f\u0131n\u0131 tahmin eder.<\/span> <\/p>\n \u0130lk ilgi \u00e7ekici tablo Model Uyum \u0130statistikleri<\/strong> ba\u015fl\u0131\u011f\u0131n\u0131 ta\u015f\u0131yor.<\/span><\/p>\n Bu tablodan modelin 16.595<\/strong> olarak \u00e7\u0131kan AIC de\u011ferini g\u00f6rebiliyoruz. AIC de\u011feri ne kadar d\u00fc\u015f\u00fck olursa model verilere o kadar iyi uyum sa\u011flayabilir.<\/span><\/p>\n Ancak “iyi” AIC de\u011feri<\/a> olarak kabul edilen de\u011fer i\u00e7in bir e\u015fik yoktur. Bunun yerine, birden fazla modelin uyumunu ayn\u0131 veri k\u00fcmesiyle kar\u015f\u0131la\u015ft\u0131rmak i\u00e7in AIC’yi kullan\u0131r\u0131z. En d\u00fc\u015f\u00fck AIC de\u011ferine sahip model genellikle en iyi model olarak kabul edilir.<\/span><\/p>\n Bir sonraki ilgi \u00e7ekici tablo K\u00fcresel S\u0131f\u0131r Hipotezinin Test Edilmesi: BETA=0<\/strong> ba\u015fl\u0131\u011f\u0131n\u0131 ta\u015f\u0131yor.<\/span><\/p>\n Bu tablodan, 13,4620’lik<\/strong> olabilirlik oran\u0131 ki-kare de\u011ferini ve buna kar\u015f\u0131l\u0131k gelen 0,0012<\/strong> p-de\u011ferini g\u00f6rebiliriz.<\/span><\/p>\n Bu p de\u011feri 0,05’ten k\u00fc\u00e7\u00fck oldu\u011fundan bu bize lojistik regresyon modelinin bir b\u00fct\u00fcn olarak istatistiksel olarak anlaml\u0131 oldu\u011funu s\u00f6yler.<\/span><\/p>\n Daha sonra Maksimum Olabilirlik Tahminlerinin<\/strong> Analizi ba\u015fl\u0131kl\u0131 tabloda katsay\u0131 tahminlerini analiz edebiliriz.<\/span><\/p>\n Bu tablodan, her de\u011fi\u015fkendeki bir birimlik art\u0131\u015f i\u00e7in \u00fcniversiteye kabul edilmenin log oranlar\u0131ndaki ortalama de\u011fi\u015fimi g\u00f6steren gpa ve act katsay\u0131lar\u0131n\u0131 g\u00f6rebiliriz.<\/span><\/p>\n \u00d6rne\u011fin:<\/span><\/p>\n Sonu\u00e7ta kar\u015f\u0131l\u0131k gelen p de\u011ferleri de bize her bir yorday\u0131c\u0131 de\u011fi\u015fkenin kabul edilme olas\u0131l\u0131\u011f\u0131n\u0131 tahmin etmede ne kadar etkili oldu\u011funa dair bir fikir verir:<\/span><\/p>\n Bu bize GPA’n\u0131n \u00fcniversiteye kabul\u00fcn istatistiksel olarak anlaml\u0131 bir g\u00f6stergesi oldu\u011funu, ACT puan\u0131n\u0131n ise istatistiksel olarak anlaml\u0131 g\u00f6r\u00fcnmedi\u011fini s\u00f6yl\u00fcyor.<\/span><\/p>\n A\u015fa\u011f\u0131daki e\u011fitimlerde di\u011fer regresyon modellerinin SAS’a nas\u0131l s\u0131\u011fd\u0131r\u0131laca\u011f\u0131 a\u00e7\u0131klanmaktad\u0131r:<\/span><\/p>\n SAS’ta basit do\u011frusal regresyon nas\u0131l ger\u00e7ekle\u015ftirilir?<\/a> Lojistik regresyon, yan\u0131t de\u011fi\u015fkeni ikili oldu\u011funda bir regresyon modeline uymak i\u00e7in kullanabilece\u011fimiz bir y\u00f6ntemdir. Lojistik regresyon, a\u015fa\u011f\u0131daki formdaki bir denklemi bulmak i\u00e7in maksimum olabilirlik tahmini olarak bilinen bir y\u00f6ntemi kullan\u0131r: log[p(X) \/ (1 – p(X))] = \u03b2 0 + \u03b2 1 X 1 + \u03b2 2 X 2 + \u2026 + \u03b2 p Alt\u0131n: X […]<\/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-2600","post","type-post","status-publish","format-standard","hentry","category-rehber"],"yoast_head":"\n\n
1. Ad\u0131m: Veri k\u00fcmesini olu\u015fturun<\/strong><\/span><\/h3>\n
\n
\/*create dataset*\/\n<\/span>data<\/span> my_data;\n input<\/span> acceptance gpa act;\n datalines<\/span> ;\n1 3 30\n0 1 21\n0 2 26\n0 1 24\n1 3 29\n1 3 34\n0 3 31\n1 2 29\n0 1 21\n1 2 21\n0 1 15\n1 3 32\n1 4 31\n1 4 29\n0 1 24\n1 4 29\n1 3 21\n1 4 34\n;\nrun<\/span> ;\n\n\/*view dataset*\/\n<\/span>proc print<\/span> data<\/span> =my_data;\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/journalsas1.jpg\")
<\/p>\n Ad\u0131m 2: Lojistik regresyon modelini yerle\u015ftirin<\/strong><\/span><\/h3>\n
\/*fit logistic regression model*\/\n<\/span>proc logistic<\/span> data<\/span> =my_data descending<\/span> ;\n model<\/span> acceptance = gpa act;\nrun<\/span> ;<\/strong><\/span>\n<\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/logsas2.jpg\")
<\/p>\n\n
\n
Ek kaynaklar<\/strong><\/span><\/h3>\n
SAS’ta \u00e7oklu do\u011frusal regresyon nas\u0131l ger\u00e7ekle\u015ftirilir?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"