Detection and Diagnostic Methods of Multiple Influential Points in Binary Logistic Regression Model in Animal Breeding

Authors : Burcu MESTAV

Pages : 677-688

Doi:10.29133/yyutbd.638226

View : 10 | Download : 7

Publication Date : 2019-12-31

Article Type : Research Paper

Abstract :Çoklu etkili gözlem noktaları ikili lojistik regresyon modellerinde parametre tahminlerini olumsuz yönde etkilemekte ve sonuçların yanlış yorumlanmasına sebep olmaktadır. Bir etkili gözlem noktası verilerin geri kalanının genel eğimini takip etmeyen ve x bakımından aşırı değere sahip olan bir veri noktasıdır. Veri seti içinde yaklaşık % 10 ve üzerinde etkili gözlem noktasının bulunması parametre tahminlerini etkilediği için bu noktaların tespit ve teşhisi oldukça önemlidir. Çoklu etkili gözlem noktalarının tespit ve teşhisinde grafiksel insert ignore into journalissuearticles values(saçılım grafiği ve kutu grafiği gibi); ve analitik yöntemler kullanılmaktadır. En yaygın kullanılan teşhis yöntemleri Pearson Artıklar, Student Türü Artıklar, Şapka Matrisi, Cook Uzaklığı, DFFITS, DFBETA vb. yöntemlerdir. Ancak bu yöntemler çoklu etkili gözlem noktalarının olması durumunda maskeleme problemleri ile karşılaşmakta ve teşhiste başarısız olmaktadır. Bir çok istatistikçi bu problemle başedebilmek için Genelleştirilmiş Standartlandırılmış Pearson Artığı insert ignore into journalissuearticles values(GSPA);, Genelleştirilmiş Ağırlıklar insert ignore into journalissuearticles values(GA); gibi yeni yöntemler geliştirmiş ve önermiştir. Bu çalışmada, Romney ırkı koyunlardan elde edilen sütten kesim ağırlığı insert ignore into journalissuearticles values(SKA);, Bir yaş canlı ağırlığı insert ignore into journalissuearticles values(BYCA);, yapağı ağırlığı insert ignore into journalissuearticles values(YA); ve doğurganlık oranı insert ignore into journalissuearticles values(DO); değişkenlerine ait içinde çoklu etkili gözlem noktası insert ignore into journalissuearticles values(%15); bulunan veri seti ile çalışılmış ve DO üzerine SKA, BYCA ve YA değişkenlerinin etkisi ikili lojistik regresyon modeli ile modellenmiştir. Çalışmanın amacı çoklu etkili gözlem noktalarını grafiksel yöntemlerle tespit edip yaygın olarak kullanılan ve yeni geliştirilmiş yöntemlerin bu veri noktalarının teşhisindeki performanlarını incelemektir. Çalışmanın sonucunda yaygın olarak kullanılan yöntemlerin çoklu etkili gözlem noktalarını maskelediği ancak yeni önerilen yöntemlerin bu noktaları başarılı şekilde teşhis ettiği gözlenmiştir.
Keywords : Çoklu Etkili Gözlem Noktası, Genelleştirilmiş Standartlandırılmış Pearson Artığı GSPA, , , Genelleştirilmiş Uyum Farkı GDFFITS,