Buradasınız

Anasayfa » Content

İki Durumlu Karışımlı Lojistik Regresyona İlişkin Bir Uygulama

An Application for Binary Mixture Logistic Regression

Journal Name:

  • Bilişim Teknolojileri Dergisi

Publication Year:

  • 2011

Key Words:

Keywords (Original Language):

Author NameUniversity of Author
Abstract (2. Language): 
The logistics regression, examines the reason–result relation between the binary dependent variable and independent variables. In logistics regression, observed variance being more than expected variance is called overdispersion. In cases where there is overdispersion in the data set, mixture logistics regression is an alternative method. In mixture modeling, it is assumed that the data set shows a heterogeneous structure. This heterogeneity is defined as unobservable heterogeneous. The data set is separated to homogenous sub data sets within itself in order to overcome the overdispersion. In this study, the status exam success of 467 male candidates that participated to the skill exam made in 2005–2006 education year in YYÜ Faculty of Education Gymnastics and Sports Teaching Department were examined with mixture models. The data set obtained from candidates was showed overdispersion. The overdispersion in data set was obviated by the separating data to homogenous two sub data sets. According to the parameter estimates for each sub data set, the number flies, ÖSS points and AOÖBP variables effect the result of the exam directly (p<0.05)
Bookmark/Search this post with
Abstract (Original Language): 
Lojistik regresyon, binary (iki durumlu) bağımlı değişken ile bağımsız değişkenler arasındaki neden sonuç ilişkisini incelemektedir. Lojistik regresyonda, gözlenen varyansın, beklenen varyanstan büyük olması aşırı yayılım olarak tanımlanmaktadır. Veri setinde meydana gelen aşırı yayılımın modellenmesinde kullanılan alternatif yöntemlerden biri de karışımlı lojistik regresyondur. Karışımlı modellemede, aşırı yayılıma gözlenemeyen heterojenliğin neden olduğu varsayılmaktadır. Veri seti kendi içerisinde homojen alt veri setlerine ayrılarak, aşırı yayılım giderilmektedir. Bu çalışmada 2005–2006 öğretim yılı için YYÜ Eğitim Fakültesi Beden Eğitimi ve Spor Öğretmenliği Bölümü için açılan yetenek sınavına katılan 467 erkek adayın başarı durumları karışımlı modeller ile incelenmiştir. Adaylardan elde edilen veri seti aşırı yayılım göstermiştir. Aşırı yayılım, veri setinin homojen iki alt veri setine indirgenmesi ile giderilmiştir. Her alt veri seti için elde edilen parametre tahminlerine göre bireylerin sınavı kazanmalarında mekik sayıları, ÖSS ve AOÖBP değişkenleri etkili oldukları saptanmıştır (p<0.05).
FULL TEXT (PDF): 
PDF icon arastirmax-iki-durumlu-karisimli-lojistik-regresyona-iliskin-bir-uygulama.pdf
  • 3
53-58
  • Turkish

REFERENCES

References: 

[1]. G. E. Bonney, Logistic Regression for Dependent Binary
Observations, Biometrics, 43(4), 951-973, 1987.
[2]. B. Zhang, A Chi-Squared Goodness-of-Fit- Test for Logistic
Regression Models Based on Case-Control data, Biometrika, 86,
531-539, 1999.
[3]. M. E. Stokes, C. S. Davis, G. G. Koch, Categorical Data Analysis
Using the SAS System, John and Wiley & Sons Incorporation,
USA, 2000.
[4]. SAS, SAS/STAT Software:Hangen and Enhanced. SAS, Inst.
Inc., USA, 2008
[5]. P. McCullagh, J. A. Nelder, Generalized Linear Models: Second
Edition, Chapmann and Hall, London, 1989.
[6]. J. A. Dobson, An introduction to generalized linear models:
New York: Chapman and Hall, 174, 1990.
[7]. R. Cox, Some Remarks on Overdispersion, Biometrika, 70, 269-
274, 1983.
[8]. D. Lambert, K. Roeder, Overdispersion Diagnostics for
Generalized Linear Models, Journal of the American Statistical
Association, 90(432), 1225-1236, 1995.
[9]. J. K. Lindsey, On the Use of Corrections for Overdispersion, Appl.
Statist, 48(4), 553 561, 1998.
[10]. P. Wang, M. L. Puterman, I. M. Cockburn, N. Le, Mixed Poisson
Regression Models with Covariate Dependent Rates, Biometrics,
52, 381-400, 1996
[11]. P. Wang, I. M. Cockburn, M. L. Puterman, Analysis of Patent
Data- Mixed Poisson Regression Model Approach, Journal of
Business and Economic Statistics, 16(1), 27-41, 1998.
[12]. P. Wang, M. L. Putterman, Mixed Logistic Regression Models:
Journal of Agriculture, Biological and Environmental Statistics,
3(2), 175-200, 1998.
[13]. B. Jones, S. D. Nagin, K. Roeder, A SAS Procedure Based on
Mixture for Estimating Developmental Trajectories, Sociological
Methods and Research, 29(3), 374-393, 2001.
[14]. A. Yeşilova, The Use of Mixed Poisson Regression Models for
Categorical Data in Biology, Ph. D. Dissertation, University of
Yüzüncü Yıl, Van, 2003.
[15]. H. Okut, T. E. Duncan, S. C. Duncan, L. A. Strycker, Growth
Mixture Modeling of Zero-Inflated Count Data:, J. of
Psychopathology and Behavioral Assessment, 2002.
[16]. F. Leisch, FlexMix: A General Framework for Finite Mixture
Models and Latent Class Regression in R, Journal of Statistical
Software, 11(8), 2004.
[17]. Y. Kaya, Binary Karışımlı Lojistik Regresayon (Yüksek Lisans
Tezi,Basılmamış). Yüzünyü Yıl Üniversitesi Fen Bilimleri, 2007.
[18]. M. L. Dalrymple, I. L. Hudson, R. P. K. Ford, Finite Mixture,
Zero-Inflated Poisson and Hurdle Models with Application to
SIDS, Computational Statistics & Data Analysis, 41, 491-504,
2003.
[19]. A. P. Dempster, N. M. Laird, D. B. Rubin, Maximum Likelihood
from Incomplete Data via the EM Algorithm, Journal of Royal
Statistical Society, 39, 1-18, 1977.
[20]. Internet: R Project for statistical computing. http://www.rproject.org, 2011.

Thank you for copying data from http://www.arastirmax.com