Münevver TURANLI, Seda BAĞDATLI

SEMİPARAMETRİK REGRESYON

Klasik (parametrik) regresyon teknikleri, bağımlı değişkenin bağımsız değişkenlerle doğrusal bir ilişki içerisinde olduğunu ve ilişkinin şeklinin biliniyor olduğunu varsayar. Bu varsayımların sağlanamaması durumunda ise parametre tahminleri güvenilir olmamaktadır. İlişkinin şeklinin bilinmediği ya da bilinen parametrik matamatiksel kalıplara uymadığı durumlarda parametrik olmayan regresyon teknikleri kullanılmaktadır. Ancak bu teknikler birden fazla bağımsız değişken olma durumunda çok boyutluluğun yarattığı sıkıntı nedeniyle özellikle yorumlama aşamasında zorluklara neden olmaktadır. Birden fazla bağımsız değişken söz konusu olduğunda, bağımsız değişkenlerin bazıları bağımlı değişkenle doğrusal ilişki içerisinde bulunabilirken, bazıları doğrusal olmayan ilişki içerisinde bulunabilirler. Bu tür ilişkilerin modellenebilmesi için, parametrik ve parametrik olmayan regresyon fonksiyonlarının toplamsal olarak birleşiminden oluşan semiparametrik regresyon modellerinden yararlanılmaktadır. Bu çalışmada semiparametrik regresyon modellerinin tanımı, tahmini (backfitting algoritması), güven bantları, standart hataların hesaplanması ve hipotez testleri açıklanmıştır.

Anahtar Kelimeler:

Toplamsal Modeller, Semiparametrik Regresyon, Backfitting Algoritması.

PDF

___

[1] Hastie, T. & Tibshirani, RJ. (1999). Generalized Additive Models. London: Chapman & Hall.
[2] Aydın, D. (2005). Semiparametrik Regresyon Modellemede Splayn Düzeltme Yaklaşımı İle Tahmin ve Çıkarsamalar. Yayınlanmamış Doktora Tezi, Anadolu Üniversitesi, Fen Bilimleri Enstitüsü, Eskişehir.
[3] Lee, K.C. (1990). Avoiding Misspecifications and Improving Efficiency in Hedonic and, Consumption Models: Applications of Semiparametric Method. PhD. Thesis London School of Economics and Political Sciences, London.
[4] Çağlayan, E. (2002). Yarı Parametrik Regresyon Modelleri ile Yaşam Boyu Sürekli Gelir Hipotezinin Türkiye Uygulaması. Yayınlanmamış Doktora Tezi, Marmara Üniversitesi, Sosyal Bilimler Enstitüsü, İstanbul.
[5] Fox, J. (2000). Multiple and Generalized Nonparametric Regression. Thousand Oaks: A Sage University Paper.
[6] Keele, L. (2008). Semiparametric Regression For The Social Sciences. Chichester: John Wiley & Sons.
[7] Hardle, W.; Müller, M.; Sperlich, S. & Werwatz, A. (2004). Nonparametric and Semiparametrik Models. Berlin: Springer.