Probit regresyon modelde çoklubağlantı problemi üzerine

Basit Öğe Kaydı
dc.authorid0000-0002-3542-1396en_US
dc.contributor.advisorAsar, Yasin
dc.contributor.authorKılınç, Kadriye
dc.date.accessioned2020-12-22T08:57:33Z
dc.date.available2020-12-22T08:57:33Z
dc.date.issued2020en_US
dc.date.submitted2020-06-02
dc.departmentNEÜ, Fen Bilimleri Enstitüsü, Matematik Anabilim Dalıen_US
dc.descriptionYüksek Lisans Tezien_US
dc.description.abstractBu çalışmada, çoklu doğrusal bağlantı probleminin en çok olabilirlik tahmincisi üzerindeki etkileri probit regresyon modelde analiz edilmiştir. Tasarım matrisindeki doğrusal çizgiye yakın bağımlılıkların, en çok olabilirlik tahminini olumsuz etkilediği bilinir yani; standart hatalar o kadar büyük hale gelir ki tahminlerin tutarsız olduğu gözlenir. Bu durumda en çok olabilirlik tahmincisine ve ridge tahmincisine alternatif olarak yeni bir jackknife ridge tahmincisi tanıtılmıştır. Tahmin edicilerin hata kareler ortalamasının özellikleri teorik olarak incelenmiştir. Tahmin edicilerin performansını değerlendirmek için bir Monte Carlo simülasyon çalışması tasarlanmış ve performans kriterleri olarak hata kareler ortalaması (MSE) ve karesel yanlılık (bias) kullanılmıştır. Elde edilen yeni tahmin edicinin faydaları gerçek bir veri uygulaması ile gözlenmiştir.en_US
dc.description.abstractIn this study, the effects of multicollinearity on the maximum likelihood estimator are analy-zed in the probit regression model. It is known that the near-linear dependencies in the design matrix affect the maximum likelihood estimation negatively, namely, the standard errors become so large so that the estimations are said to be inconsistent. Therefore, a new jackknifed ridge estimator is introduced as an alternative to the maximum likelihood technique and the well-known ridge estimator. Mean squared error properties of the listed estimators are investigated theoretically. In order to evaluate the performance of the estimators, a Monte Carlo simulation study is designed and simulated mean squared error and squared bias are used as performance criteria. Finally, the benefits of the new estimator is illustrated via a real data application.en_US
dc.identifier.citationKılınç, K. (2020). Probit regresyon modelde çoklubağlantı problemi üzerine. (Yayınlanmamış Yüksek Lisans Tezi). Necmettin Erbakan Üniversitesi, Fen Bilimleri Enstitüsü Matematik Anabilim Dalı, Konya.en_US
dc.identifier.urihttps://hdl.handle.net/20.500.12452/6538
dc.language.isotren_US
dc.publisherNecmettin Erbakan Üniversitesi Fen Bilimleri Enstitüsüen_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectÇoklu dogrusallıken_US
dc.subjectjackknife ridge tahmincisien_US
dc.subjectprobit regresyon modelen_US
dc.subjectridge tahmincisien_US
dc.subjectMonte Carlo simülasyonen_US
dc.subjectJackknifed Ridge Estimatoren_US
dc.subjectMean squared erroren_US
dc.subjectMonte Carlo simulationen_US
dc.subjectMulticollinearityen_US
dc.subjectProbit Modelen_US
dc.subjectRidge Estimatoren_US
dc.subjectSquared biasen_US
dc.titleProbit regresyon modelde çoklubağlantı problemi üzerineen_US
dc.title.alternativeOn the problem of multicollinearity in probit regression modelsen_US
dc.typeMaster Thesisen_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
630424.pdf
Boyut:
881.35 KB
Biçim:
Adobe Portable Document Format
Açıklama:
Yüksek Lisans Tezi
İndir
Lisans paketi
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
license.txt
Boyut:
1.44 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama:
İndir

Koleksiyon

Fen Bilimleri Enstitüsü Tez Koleskiyonu