Leri statistik teknikleri l.jpg
This presentation is the property of its rightful owner.
Sponsored Links
1 / 35

İleri İstatistik Teknikleri PowerPoint PPT Presentation


  • 419 Views
  • Updated On :
  • Presentation posted in: General

İleri İstatistik Teknikleri. Üç tür yalan vardır: Yalan, Kuyruklu Yalan, İstatistik Benjamin Disraeli Dördüncü tür yalan İleri İstatistiktir, Emre Yeterince döndürürseniz veriye her türlü bulguyu itiraf ettirtebilirsiniz.... Anonim

Related searches for İleri İstatistik Teknikleri

Download Presentation

İleri İstatistik Teknikleri

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Leri statistik teknikleri l.jpg

İleri İstatistik Teknikleri

Üç tür yalan vardır:

Yalan,

Kuyruklu Yalan,

İstatistik

Benjamin Disraeli

Dördüncü tür yalan İleri İstatistiktir, Emre

Yeterince döndürürseniz veriye her türlü bulguyu itiraf ettirtebilirsiniz.... Anonim

“Hayat fena halde futbola benzer: dört doğru pas yüzde 90 gol demektir” Bir filmden


Leri statistik teknikleri2 l.jpg

İleri İstatistik Teknikleri

  • ? Neden “ileri” teknikler?

  • Amaç: Eldeki “veriyi” “bilgiye” dönüştürebilmek

    - Veri vs. Bilgi


Statistiksel y ntemler l.jpg

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


Betimleyici y ntemler l.jpg

Betimleyici Yöntemler

  • Amaç: Eldeki dağılımı en iyi şekilde temsil etmek

  • Araçlar:

    • Ortalama:

    • Medyan:

    • Mod:


Betimleyici y ntemler5 l.jpg

Betimleyici Yöntemler

  • Veeee....

  • Varyans/Standart Sapma:

  • Neden:


Ki da l m n hikayesi l.jpg

Dağılım:

6,6,6

Ortalama: 6

Medyan: 6

Mod: 6

Std. Sapma: 0

Dağılım:

0,6,12

Ortalama: 6

Medyan: 6

Mod: 6

Std: Sapma: 6

İki Dağılımın Hikayesi

Amaç: Görünenin Ötesine Bakabilmek


A klay c analizler l.jpg

Açıklayıcı Analizler

  • Amaç: Verili bir sette olası ilişkileri keşfetmek ya da öngörülen hipotezleri test etmek


G r nen l.jpg

Görünen....


G r nenin arkas l.jpg

Görünenin Arkası....

GenelOrtalama: 51, Std. Sapma: 22

KadınlarOrtalama: 46, Std. Sapma: 23

ErkeklerOrtalama: 46, Std. Sapma: 21


Rnek internet kullan m l.jpg

Örnek: Internet Kullanımı


Ve g r nenin arkas l.jpg

Ve Görünenin Arkası...

Erkekler

Kadınlar


A klay c analizler12 l.jpg

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)


Rnek geli mi lik ve ya am kalitesi l.jpg

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


Gruplanm veri l.jpg

Gruplanmış Veri


Scatterplot l.jpg

Scatterplot


Sorular l.jpg

Sorular

  • Grafiği ne kadar temsil ediyor?

  • Ne gibi çıkarımlar yapabiliyoruz?

  • “Forecasting” yapılabiliyor mu?

  • İlişkinin “boyutu” ve “yönü” ölçülebiliyor mu?

Ne Kadar Yeterli?


Ama daha iyi analiz daha iyi veri l.jpg

Amaç: Daha iyi analiz, daha iyi veri

  • Covariance (kovaryans)

  • Correlation Coefficient (korelasyon)


Sonu lar l.jpg

Sonuçlar

  • Covariance:

    2115,318

  • Correlation:

    -0,60165

    Çıkarılacak Sonuç Ne?


Ama nedensel li kileri g stermek l.jpg

Amaç: Nedensel İlişkileri Göstermek

  • Y= f(x)

  • X, Y’nin belirleyicisi mi?

  • X, Y’yi ne kadar belirliyor?

  • X, Y’yi ne yönde belirliyor?


Regresyon analizi l.jpg

Regresyon Analizi

  • Y= f(x)

  • Y= a+bx

  • Regresyon Denklemi:


Scatterplot21 l.jpg

Scatterplot


Regresyon katsay lar n n hesaplanmas l.jpg

Regresyon Katsayılarının Hesaplanması


Regresyon analizi sonu lar l.jpg

Regresyon Analizi Sonuçları


Regresyon analizinin a l mlar l.jpg

Regresyon Analizinin Açılımları

  • Çoklu Regresyon

  • Kukla Değişkenli Regresyon (Dummy Variable)

  • Binomial/Multinomial Regression


Regresyon analizinin c z kaka lar l.jpg

Regresyon Analizinin “cız-kaka”ları

  • 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”


K meleme ve birle tirme analizleri l.jpg

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


Fakt r analizi de i ken say s n azaltmak l.jpg

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


Fakt r analizi l.jpg

Faktör Analizi


Case say s azaltmak clustering l.jpg

“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


Cluster analysis i l.jpg

Cluster Analysis I


Cluster analysis ii l.jpg

Cluster Analysis II


Cluster analysis iii l.jpg

Cluster Analysis III


Boyut say s n azaltmak mds l.jpg

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


Slide34 l.jpg

MDS


Ve mutlu son l.jpg

Ve mutlu son....

  • “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


  • Login