Belirleme katsayısı ile ilgili bir tartışma sorusuna örnek
Belirleme katsayısı (R²), regresyon analizinde önemli bir parametredir ve bir regresyon modelinin verilerin gerçek değişkenliğini ne kadar iyi açıkladığını gösterir. Bu makalede, belirleme katsayısı kavramını ayrıntılı bir örnek ve tartışma yoluyla açıklayacağız.
Belirleme Katsayısının Temel Kavramı
Belirleme katsayısı veya \( R^2 \), 0 ile 1 arasında bir ölçekte ölçülür; burada:
– \( R^2 = 0 \) ifadesi, regresyon modelinin verilerin değişkenliğini hiçbir şekilde açıklayamadığını gösterir.
– \( R^2 = 1 \) ifadesi, regresyon modelinin verilerin tüm değişkenliğini mükemmel bir şekilde açıklayabildiğini gösterir.
Belirleme katsayısını hesaplamanın temel formülü şöyledir:
\[ R^2 = 1 – \frac{SSR}{SST} \]
Mana'da:
– SSR (Karesel Kalıntıların Toplamı), model tarafından tahmin edilen değerler ile gerçek değerler arasındaki farkların karelerinin toplamıdır.
– SST (Toplam Kareler Toplamı), gerçek değer ile gerçek değerlerin ortalaması arasındaki farkların karelerinin toplamıdır.
Sorun örnekleri
Belirleme katsayısının hesaplanmasını daha derinlemesine anlamak için örnek bir problemi ele alalım.
Sorunlar örneği:
10 öğrencinin çalışma saatleri (X) ve sınav puanları (Y) hakkında verilere sahip olduğumuzu varsayalım:
| Öğrenciler | Çalışma Saatleri (X) | Sınav Puanı (Y) |
|——-|——————–|——————–|
| 1 | 2 | 58 |
| 2 | 3 | 64 |
| 3 | 4 | 70 |
| 4 | 5 | 85 |
| 5 | 2 | 57 |
| 6 | 3 | 68 |
| 7 | 4 | 72 |
| 8 | 5 | 90 |
| 9 | 3 | 62 |
| 10 | 4 | 78 |
Çalışma saatlerine (X) bağlı olarak sınav puanlarının (Y) tahmin edildiği basit bir doğrusal regresyon modeli oluşturacağız.
Pembahasan
1. Basit Doğrusal Regresyon Modeli Oluşturma
Basit bir doğrusal regresyon modeli şu biçimdedir:
\[ Y = a + bX \]
Mana'da:
– \( Y \) tahmini test puanıdır.
– \( X \) çalışma saatlerinin sayısıdır.
– \( a \) kesişim noktasıdır (X = 0 iken Y ekseni üzerindeki kesişme noktası).
– \( b \) regresyon doğrusunun eğimidir (eğimi).
\( a \) ve \( b \) parametrelerini hesaplamak için aşağıdaki formülü kullanırız:
\[ b = \frac{n(\sum{XY}) – (\sum{X})(\sum{Y})}{n(\sum{X^2}) – (\sum{X})^2} \]
\[ a = \frac{\sum{Y} – b(\sum{X})}{n} \]
Burada \( n \) veri sayısıdır (bu durumda n = 10).
Tablodan şu hesaplamaları yapabiliriz:
– \(\sum{X} = 36\)
– \(\sum{Y} = 704\)
– \(\sum{X^2} = 140\)
– \(\sum{Y^2} = 50428\)
– \(\sum{XY} = 2576\)
Önce b'yi hesaplayalım:
\[ b = \frac{10(2576) – (36)(704)}{10(140) – (36)^2} \]
\[ b = \frac{25760 – 25344}{1400 – 1296} \]
\[ b = \frac{416}{104} \]
\[ b = 4 \]
Ardından, a'yı hesaplarız:
\[ a = \frac{704 – 4(36)}{10} \]
\[ a = \frac{704 – 144}{10} \]
\[ a = \frac{560}{10} \]
\[ a = 56 \]
Dolayısıyla elde ettiğimiz doğrusal regresyon modeli şu şekildedir:
\[ Y = 56 + 4X \]
2. Tahmin Edilen Değeri (Y') Hesaplayın
Ardından, her bir \( X \) için tahmini değer \( Y' \)'yi hesaplıyoruz:
| Öğrenciler | Çalışma Saatleri (X) | Sınav Puanı (Y) | Tahmini Puan (Y') |
|——-|——————–|——————–|————————-|
| 1 | 2 | 58 | \( 56 + 4(2) = 64 \) |
| 2 | 3 | 64 | \( 56 + 4(3) = 68 \) |
| 3 | 4 | 70 | \( 56 + 4(4) = 72 \) |
| 4 | 5 | 85 | \( 56 + 4(5) = 76 \) |
| 5 | 2 | 57 | \( 56 + 4(2) = 64 \) |
| 6 | 3 | 68 | \( 56 + 4(3) = 68 \) |
| 7 | 4 | 72 | \( 56 + 4(4) = 72 \) |
| 8 | 5 | 90 | \( 56 + 4(5) = 76 \) |
| 9 | 3 | 62 | \( 56 + 4(3) = 68 \) |
| 10 | 4 | 78 | \( 56 + 4(4) = 72 \) |
3. SSR ve SST'nin Hesaplanması
Ardından, \( R^2 \)'yi elde etmek için SSR ve SST'yi hesaplıyoruz.
SSR:
\[ SSR = \sum{(Y – Y')^2} \]
\[ SSR = (58 – 64)^2 + (64 – 68)^2 + (70 – 72)^2 + (85 – 76)^2 + (57 – 64)^2 + (68 – 68)^2 + (72 – 72)^2 + (90 – 76)^2 + (62 – 68)^2 + (78 – 72)^2 \]
\[ SSR = 36 + 16 + 4 + 81 + 49 + 0 + 0 + 196 + 36 + 36 \]
[ SSR = 454 ]
SST:
\[ SST = \sum{(Y – \bar{Y})^2} \]
Mana'da:
\[ \bar{Y} = \frac{\sum{Y}}{n} = \frac{704}{10} = 70.4 \]
\[ SST = (58 – 70.4)^2 + (64 – 70.4)^2 + (70 – 70.4)^2 + (85 – 70.4)^2 + (57 – 70.4)^2 + (68 – 70.4)^2 + (72 – 70.4)^2 + (90 – 70.4)^2 + (62 – 70.4)^2 + (78 – 70.4)^2 \]
\[ SST = 153.76 + 40.96 + 0.16 + 213.16 + 178.56 + 5.76 + 2.56 + 384.16 + 70.56 + 57.76 \]
[ SST = 1107.44 ]
4. Belirleme Katsayısının \( R^2 \) Hesaplanması:
\[ R^2 = 1 – \frac{SSR}{SST} \]
\[ R^2 = 1 – \frac{454}{1107.44} \]
\[ R^2 = 1 – 0.41 \]
[R^2 = 0.59]
Sonuç
Yukarıdaki hesaplamadan, belirleme katsayısı (R2 = 0.59) elde ettik. Bu, oluşturduğumuz doğrusal regresyon modelinin, çalışma saatlerine bağlı olarak sınav puanlarındaki değişkenliğin yaklaşık %59'unu açıklayabildiğini göstermektedir. Geriye kalan %41'lik değişkenlik, modele dahil edilmeyen diğer faktörlerden kaynaklanabilir.
Yukarıdaki adımları ve hesaplamaları anlayarak, oluşturduğumuz regresyon modelinin verilerin gerçek değişkenliğini ne kadar iyi açıkladığını değerlendirmede belirleme katsayısının önemini görebiliriz. İstatistiksel analiz ve veri modellemesinde çok kullanışlı bir araçtır.
