An Examining from Data Sourced Deviations in Modelling by use of Variance Analysis Method

Bu çalışmada bir araştırma sürecinde modelleme planlamaya temel oluşturan, gözlem değerleri üzerinde meydana gelen ve modellerin yanlı olmasına neden olan nedenler incelenmiştir. Gözlem yapmak, gözlemleri verilere dönüştürmek, verilerden modellere ulaşmak ve nihayet modelleri kullanarak bilgi elde etmek başlı başına önemli süreçlerdir. Bu süreçlerde karşılaşılan en önemli risklerden biri veriler üzerinde meydana gelen değişimlerdir. Bu değişimler doğal yollarla meydana geliyorsa, sorun nispeten basittir. Ancak değişim; kişilerden, aletlerden veya aletlerin yanlış kullanımı ile ortaya çıkıyorsa yanlılık mutlaka giderilmelidir. Bu yanlılıkların güncel bir modelleme yöntemi olan zaman serisi (ARIMA-Auto Regressive Integrated Moving Average) modellerinde ortaya çıkış nedenleri, tespiti ve tespit edilme nedenleri, çok etkenli 2332deney düzeni ile modellenmiş ve önem düzeyleri araştırılmıştır

Modellemede Veri Kaynaklı Sapmaların Varyans Analizi Yöntemi İle İncelenmesi

In this study, outliers which can cause bias on models in a survey stage using observation values which constitute basement for conducting modelling have been investigated. The processes important for estimation observation, transform to data, modelling from data, and to gain information from models so important by oneself. One of the most important risks we encountered is transformation on data by naturel randomness or derivation by people. If transformation on data is derived by naturel randomness, solution is easy and has to compulsory ultimately. Causes for bias are appeared by time series (ARIMA-Auto Regressive Integrated Moving Average) models, detection, and detection causes on them are modelled by multi factored experimental design with 2332and significance levels have been investigated

PDF

___

[1] Bayhan, M., Kalite Kontrolünde Zaman Serisi Analizi, Endüstri Mühendisliği Dergisi, 21, 17-21, 1992.
[2] Box, G. E. P., Jenkins G. M., Time series analysis: Forecasting and control, Sect 6.4.3. San Francisco, Holden-Day, 1976.
[3] Chang, I., Tiao G. C., Chen, C., Estimation of Time Series Parameters in the Presence of Outliers, American Statistical Association and the American Society for Quality Control, 1988.
[4] Fox, A. J., Outliers in Time Series, J. Royal Statistical Society B., 34(3), 350- 363, 1972. 186
[5] Kaya, A., AR(1) Modelinde A Tipi Sapan Etki, İstatistikçiler Dergisi, 3, 1-7, 2010.
[6] Ljung, G. M., Box, G. E. P., The Likelihood Function of Stationary Autoregressive-Moving Average Models, Biometrika, 66, 265-270, 1979.
[7] Ljung, G. M., On Outlier Detection in Time Series, J. Royal Statistical Society B, 55, 559-567, 1993.
[8] Muirhead, C. R., Distinguishing Outlier Types in Time Series, J. Royal Statistical Society B, 48(1), 39-47, 1986.
[9] Kaya, A., Outlier Effects On Databases, ADVIS 2004-Advances in Information Systems, Dokuz Eylül Üniversitesi, İzmir, 2004.
[10] Kurt, S., Çok Etkenli Deneylerde Tek Sapan Değer Çözümlemesi, Seminer Çalışması, Ege Üniversitesi Fen Fakültesi İstatistik Bölümü, İzmir.