Poisson regresyon analizi
| dc.authorid | TR56131 | en_US |
| dc.contributor.author | Deniz Başar, Özlem | |
| dc.date.accessioned | 2014-08-20T10:26:41Z | |
| dc.date.available | 2014-08-20T10:26:41Z | |
| dc.date.issued | 2005 | en_US |
| dc.department | Fakülteler, Fen Edebiyat Fakültesi, İstatistik Bölümü | en_US |
| dc.description.abstract | Herhangi bir olayın belirlenen bir süreç içerisindeyapılan denemeler sonucunda meydana gelme sayısı, sayma verileri olarak ifade edilebilir. Sayma veri modelinde bilinen ilk gelişmeler aktueryal bilimler, biyoistatistik ve demografide gözlenmiştir. Son yıllarda bu modeller iktisat, politik bilimler ve sosyolojide de sıkça kullanılmaya başlanmıştır. Sayma veri modelleri özel bir regresyon türüdür. Bu modeller ekonometricilerin çok fazla dikkatini çekmişve mikro ekonomide oldukça fazla kullanılmıştır. Bilindiği gibi, verilerin sürekli olduğu durumlarda doğrusal regresyon analizi kullanılabilmektedir. Ancak analizlerde kullanılacak veriler her zaman sürekli halde bulunmayabilir. Bu gibi durumlarda yani; verilerin kesikli olması durumunda da doğrusal regresyon modelleri kullanılarak yapılacak analizler etkisiz, tutarsız ve çelişkili sonuçlar verecektir. Bu sebepten dolayı kesikli veriler için tüm koşullar sağlandığında kulanılabilecek en etkin model Poisson regresyon modelleridir. | en_US |
| dc.description.abstract | The occurance number (frequency) of an event testedin a determined progress is called counting data. The first improvements in counting data model were seen in actuarial sciences, biostatistics and demography. Counting data models are a specific kind of regression. As we all know, linear regression can be used where the data is continuous. However the data can not always be continuous. In these circumstances where the data is discontinuous, the application of linear regression leads us to ineffective, incosistent and contradictory results. Therefore, when all the conditions for discontinuous data are met, Poisson regression models are the most effective model. | en_US |
| dc.identifier.endpage | 72 | en_US |
| dc.identifier.issn | 1303-5495 | |
| dc.identifier.issue | 18 | en_US |
| dc.identifier.startpage | 153 | en_US |
| dc.identifier.trdizinid | 48601 | en_US |
| dc.identifier.uri | https://hdl.handle.net/11467/269 | |
| dc.identifier.volume | 4 | en_US |
| dc.indekslendigikaynak | TR-Dizin | en_US |
| dc.language.iso | tr | en_US |
| dc.publisher | İstanbul Ticaret Üniversitesi | en_US |
| dc.relation.ispartof | İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi | en_US |
| dc.relation.publicationcategory | Makale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanı | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.subject | Poisson Regresyon | en_US |
| dc.subject | Yapay En Çok Olabilirlik Kestirimi | en_US |
| dc.subject | Artık Analizi | |
| dc.subject | Poisson Regression | |
| dc.subject | Artificial Maximum Likelihood Prediction | |
| dc.subject | Residual Analysis | |
| dc.title | Poisson regresyon analizi | en_US |
| dc.title.alternative | Poisson regression analysis | en_US |
| dc.type | Article | en_US |
