Doğrusal Regresyon (OLS)

Doğrusal regresyon, sürekli bir sonuç değişkenini yordayıcıların doğrusal bir birleşimi olarak modeller. Modeldeki her katsayı, diğer yordayıcılar sabit tutulduğunda o değişkendeki bir birimlik artışın sonuç değişkeninde kaç birimlik değişime karşılık geldiğini söyler; böylece korelasyondan farklı olarak ilişkinin yalnız gücü değil, ölçeğin kendi biriminde eğimi de okunabilir. Katsayılar, gözlenen değerlerle modelin öngördüğü değerler arasındaki kare farkların toplamını en küçükleyecek biçimde seçilir; yöntemin en küçük kareler adı buradan gelir. YouReply Nicel Analiz modeli statsmodels kütüphanesinin OLS sınıfıyla kurar ve sabit terimi varsayılan olarak modele ekler. Sonuçta modelin bütününe ilişkin R kare, düzeltilmiş R kare ve F sınaması ile her yordayıcının katsayısı ve p değeri yer alır. Panelin bu yöntemde artıklara dönük hiçbir tanı hesabı yapmadığını baştan bilmek önemlidir: varsayımların denetimi tümüyle araştırmacıya kalır.

• Memnuniyet ve fiyat adilliği algısı birlikte ele alındığında marka bağlılığı puanını ne ölçüde açıklıyor?
• İş yükü ve yönetici desteği puanları, tükenmişlik puanındaki değişkenliğin ne kadarını açıklıyor?
• Günlük ekran süresi bir saat arttığında akademik başarı puanı ortalama olarak kaç puan değişiyor?
• Hizmet kalitesi boyutlarından hangisi, diğerleri kontrol edildikten sonra yeniden satın alma niyetine en güçlü katkıyı veriyor?

• Sonuç değişkeni sürekli ölçüldüğünde ve amaç onu sayısal değişkenlerle açıklamak olduğunda.
• Birkaç yordayıcının ortak açıklama gücü ile her birinin diğerlerinden arta kalan kendine özgü katkısı ayrıştırılmak istendiğinde.
• İlişkinin birim başına eğimi raporlanacağında; yalnız ilişkinin gücü yeterliyse korelasyon daha sade bir yanıt verir.
• Yordayıcı sayısına göre yeterli gözlem bulunduğunda; az gözlemle çok yordayıcı modeli örnekleme uydurur, evrene genellenmez.

• Bağımlı değişken: sürekli ölçülmüş tek sayısal sütun (ölçek toplam puanı, tutar, süre, yüzde).
• Yordayıcılar: sayısal sütunlar. Parametre formunda birden fazla sütun seçilebilir; en az bir yordayıcı zorunludur.
• Kategorik bir değişkeni modele katmak için onu önce 0 ve 1 değerli sayısal sütunlara dönüştürmek gerekir; Değişken sekmesindeki türetilmiş sütun aracı bu dönüştürme için kullanılabilir.
• Her satır bir katılımcıya karşılık gelir; aynı kişinin tekrarlı ölçümleri ayrı satırlar olarak modele girmemelidir.

İlişkinin doğrusal olması

Yordayıcı ile sonuç değişkeni arasındaki bağıntının düz bir çizgiyle temsil edilebilmesi gerekir. Eğrisel bir örüntü varsa katsayı, ilişkinin ortalama eğimini verir ve örüntünün biçimini gizler.

Artıkların birbirinden bağımsız olması

Bir gözlemin model tarafından açıklanamayan kısmı, bir başka gözlemin artığını öngörmemelidir. Zaman içinde sıralı ölçümlerde ve kümelenmiş örneklemlerde bu koşul sıkça zedelenir.

Artık varyansının sabitliği

Öngörülen değerler boyunca artıkların yayılımı benzer olmalıdır. Yayılım büyüyen öngörülerde genişliyorsa standart hatalar ve dolayısıyla p değerleri yanlı hâle gelir.

Artıkların normal dağılması

Katsayıların p değerleri, artıkların yaklaşık normal dağıldığı varsayımı altında üretilir. Büyük örneklemlerde bu varsayımın ihlaline tolerans artar, küçük örneklemlerde sonuçları doğrudan etkiler.

Yordayıcılar arasında yüksek bağıntı bulunmaması

Yordayıcılar birbirini büyük ölçüde yineliyorsa katsayılar kararsızlaşır: işaretleri beklenmedik yönde çıkabilir, standart hataları şişer ve hangi değişkenin katkı verdiği ayrıştırılamaz.

Etkili gözlemlerin modeli sürüklememesi

Tek bir uç gözlem, yordayıcı uzayında uzak bir noktada duruyorsa eğimi tek başına çevirebilir. Bu tür gözlemler hata değil, modelin açıklamakta zorlandığı gerçek veri noktaları da olabilir.

• İlişkinin doğrusal olması: Panel ilişkinin biçmine bakmaz ve eğrisellik uyarısı üretmez. Doğrusallığı değerlendirmek için değişken çiftlerini veri üzerinde kendiniz incelemeniz ya da bu işi başka bir araçta yapmanız gerekir.
• Artıkların birbirinden bağımsız olması: Bu yöntemde Durbin-Watson ya da başka bir ardışık bağımlılık istatistiği hesaplanmaz. Veri toplama düzeninin bağımsızlığı karşılayıp karşılamadığına tasarımınıza bakarak siz karar verirsiniz.
• Artık varyansının sabitliği: Breusch-Pagan, White ya da benzeri bir heteroskedastisite sınaması bu yöntemde çalıştırılmaz. Sonuçta artık yayılımına dair tek sayı artıkların standart hatasıdır ve bu sayı varyansın sabit olup olmadığını söylemez; değerlendirmeyi ayrı bir araçla yapmanız gerekir.
• Artıkların normal dağılması: Artıklar üzerinde normallik sınaması yapılmaz ve artık değerleri sonuç tablolarında dönmez. Katalogdaki normallik testleri yöntemi ham değişkenlere uygulanabilir; bunun artıkların dağılımıyla aynı şey olmadığını unutmayın.
• Yordayıcılar arasında yüksek bağıntı bulunmaması: VIF, tolerans ya da koşul indeksi gibi bir çoklu bağlantı ölçüsü döndürülmez ve panel yordayıcılarınız arasındaki bağıntı için uyarı vermez. Yordayıcıları ikili olarak Pearson korelasyonu yöntemiyle ayrıca çalıştırıp bağıntı düzeyini kendiniz gözden geçirmeniz gerekir.
• Etkili gözlemlerin modeli sürüklememesi: Cook uzaklığı, kaldıraç değeri ya da standartlaştırılmış artık gibi etki istatistikleri hesaplanmaz; panel hiçbir gözlemi etkili diye işaretlemez. Uç değerleri Veri sekmesindeki tabloda ve betimsel istatistiklerle kendiniz arayıp modeli o gözlemler olmadan yeniden kurarak karşılaştırabilirsiniz.

1. 1CSV ya da XLSX dosyanızı panelin yükleme alanına sürükleyip bırakın; ilk satır değişken adlarını taşımalıdır.
2. 2Veri sekmesindeki düzenlenebilir tabloda sayısal sütunların sayısal okunduğunu doğrulayın; 99 ya da -1 gibi eksik değer kodlarını Değişken sekmesinde eksik olarak tanımlayın, aksi hâlde gerçek ölçüm gibi modele girerler.
3. 3Analiz sekmesinde Regresyon kategorisini açın ya da arama kutusuna yöntem adını yazın. Veri gereksinimleri kutusu hangi sütunlarınızın bağımlı değişken ve yordayıcı koşulunu karşıladığını gösterir; uymayan yöntemler listeden kaldırılmaz, gerekçesiyle soluklaştırılır.
4. 4Parametre formunda açıklanacak değişkeni tek seçimle, yordayıcıları çoklu seçimle belirleyin. Sabit terim varsayılan olarak modele eklenir; modeli başlangıç noktasından geçmeye zorlamak istemiyorsanız bu varsayılanı değiştirmeniz gerekmez.
5. 5Çalıştırın. Sonuç ekranında katsayı tablosu, model uyum ölçüleri ve bilgi ölçütleri ayrı açılır bölümler hâlinde gelir; tabloların üstünde katsayıları karşılaştıran çubuk grafik çizilir.
6. 6Katsayı grafiğini PNG, tabloların tümünü Excel olarak indirin. Hesaplama künyesi kartı hangi kütüphane çağrısının ve hangi sürümün kullanıldığını yazar, koşu Geçmiş sekmesine düşer. Ücretsiz planda aylık koşu sayısı 50 ile sınırlıdır.

Yordayıcı katsayıları

Her yordayıcı için ham regresyon katsayısı. Değer, diğer yordayıcılar sabitken o değişkendeki bir birimlik artışa karşılık sonuç değişkenindeki beklenen değişimi ölçeğin kendi biriminde verir.

Katsayı başına p değeri

Her katsayının sıfırdan ayrıştığına ilişkin anlamlılık değeri, katsayı tablosunda ilgili satırda yer alır.

R kare ve düzeltilmiş R kare

Modelin sonuç değişkenindeki değişkenliğin ne kadarını açıkladığı ve bu oranın yordayıcı sayısına göre düzeltilmiş hâli. Düzeltilmiş değer, modele katkısız değişken eklendiğinde düşebilir.

F istatistiği ve F p değeri

Tüm katsayıların birlikte sıfır olduğu modele karşı kurulan sınama; modelin bütün olarak anlamlı olup olmadığını söyler.

AIC ve BIC

Aynı veri üzerinde kurulmuş alternatif modelleri karşılaştırmak için bilgi ölçütleri. Tek başına bir eşikle değil, model çiftleri arasında karşılaştırılarak okunur.

Artıkların standart hatası ve serbestlik derecesi

Model öngörülerinin sonuç değişkeninin birimiyle ifade edilen ortalama sapması ve sınamalarda kullanılan serbestlik derecesi.

Gözlem ve yordayıcı sayısı

Modele giren gözlem sayısı ile yordayıcı sayısı. Gözlem sayısı beklediğinizden azsa eksik değerlerin sütunlardan hangisinde biriktiğine bakmak gerekir.

Katsayı grafiği

Sonuç panelinde katsayıları yan yana gösteren bir çubuk grafik çizilir ve PNG olarak indirilebilir. Yordayıcılar farklı birimlerde ölçülmüşse çubuk uzunlukları birbiriyle kıyaslanabilir değildir.

R kare

Modelin açıkladığı varyans oranı. Tutum ve algı ölçümlerinin kullanıldığı anket araştırmalarında 0,10 düzeyinde değerler sıradan, 0,40 üzeri değerler yüksek sayılır; ancak sınır alanın birikimine göre değişir ve çok sayıda yordayıcı eklendikçe R kare yapay olarak yükselir.

Düzeltilmiş R kare

Yordayıcı sayısını cezalandıran sürüm. Ham R kare ile arasındaki açıklık büyüdükçe modelin örnekleme fazla uyduğundan kuşkulanmak gerekir; rapor edilecek değer genellikle budur.

Standartlaştırılmış katsayı bulunmaz

Motor beta katsayısı döndürmez; katsayılar ham birimlerdedir. Yordayıcıları aynı ölçekte karşılaştırmak isterseniz her sütunu analiz öncesinde kendiniz standartlaştırabilir ve modeli standartlaştırılmış sütunlarla kurabilirsiniz.

Bu yöntemde katsayılar için güven aralığı döndürülmez; katsayı tablosunda nokta tahmin ve p değeri bulunur, alt ve üst sınır bulunmaz. R kare ve düzeltilmiş R kare de aralıksız raporlanır. Katsayı aralıkları isteniyorsa bunları katsayı ve standart hata üzerinden başka bir araçla hesaplamanız gerekir; panel bu sayıyı üretmez.

Aşağıdaki sayılar temsili bir örnektir; gerçek bir araştırmanın ya da gerçek bir kullanıcının verisi değildir.

Araştırma sorusu

Temsili bir müşteri araştırmasında, memnuniyet puanı ve fiyat adilliği algısı marka bağlılığı puanını (0-100) ne ölçüde açıklıyor?

Değişkenler

Bağımlı değişken: marka bağlılığı puanı (sürekli, 0-100) · Yordayıcı 1: genel memnuniyet puanı (sürekli, 0-100) · Yordayıcı 2: fiyat adilliği algısı puanı (sürekli, 0-100)

Örnek sonuç

n = 312 gözlemle kurulan model bağlılık puanındaki değişkenliğin yüzde 41'ini açıkladı: R kare = 0,41, düzeltilmiş R kare = 0,40, F(2, 309) = 107,3, p < 0,001. Katsayılar: memnuniyet b = 0,52, p < 0,001; fiyat adilliği b = 0,18, p = 0,003; sabit terim 14,6. Artıkların standart hatası 9,8.

Yorum

Memnuniyet puanındaki bir puanlık artış, fiyat algısı sabit tutulduğunda bağlılık puanında ortalama 0,52 puanlık artışla birlikte gidiyor; fiyat adilliğinin katkısı aynı ölçekte yaklaşık üçte bir kadar. İki yordayıcı bağlılıktaki değişkenliğin yüzde 41'ini açıklıyor, kalan yüzde 59 modele girmeyen etkenlere ve ölçüm hatasına ait. Bu sayılar ilişkinin yönünü ve büyüklüğünü betimler, nedensellik kurmaz: kesit veride memnuniyetin bağlılığı doğurduğu da, bağlı müşterilerin daha memnun bildirim yaptığı da aynı katsayıyı üretebilir. Panel artıkları sınamadığı için doğrusallık, varyans sabitliği ve etkili gözlem denetimi bu yorumdan önce ayrıca yapılmış sayılmalıdır.

Araştırma sorusu: Bağlılığı memnuniyet, kalite algısı ve gelir birlikte ne kadar açıklıyor?

Bağımlı değişken

baglilik

Bağımsız değişkenler

memnuniyet,kalite_puani,gelir

Hesaplama künyesi: scipy 1.18.0 · statsmodels 0.14.6 · scikit-learn 1.9.0 · numpy 2.5.1 · pandas 3.0.5 · semopy 2.3.11 · 89fc29a · Veri tohumu: 20260914

İki yordayıcılı model marka bağlılığı puanındaki değişkenliğin anlamlı bir bölümünü açıkladı, R kare = 0,41, düzeltilmiş R kare = 0,40, F(2, 309) = 107,3, p < 0,001. Bağlılığı memnuniyet (b = 0,52, p < 0,001) ve fiyat adilliği algısı (b = 0,18, p = 0,003) yordadı.

APA düzenine yakın örnek cümle; sayılar temsilidir.

• Panel regresyon tanılarını hesaplamadığı için model varsayımlarının karşılanıp karşılanmadığı sonuç ekranından anlaşılamaz; çoklu bağlantı, artık normalliği, varyans sabitliği ve etkili gözlem denetimi kullanıcının sorumluluğundadır.
• Katsayılar için güven aralığı ve standartlaştırılmış beta değeri döndürülmediğinden, farklı birimlerdeki yordayıcıların göreli ağırlığı doğrudan karşılaştırılamaz.
• Sonuç değişkeni iki kategorili, sıralı ya da sayım türündeyse bu yöntem uygun değildir; doğrusal model olasılıkları sınır dışına taşıyan öngörüler üretir.
• Yordayıcıları bloklar hâlinde sırayla modele ekleyip R kare değişimini sınayan bir akış bu yöntemde yoktur; modeller tek tek kurulup bilgi ölçütleriyle karşılaştırılır.
• Etkileşim ve karesel terimler kendiliğinden eklenmez; bu terimleri Değişken sekmesinde türetilmiş sütun olarak oluşturup yordayıcı listesine katmanız gerekir.
• Tekrarlı ölçüm, küme örnekleme ya da iç içe veri yapılarında artıkların bağımsızlığı sağlanmaz ve standart hatalar olduğundan küçük çıkar.

• Pearson KorelasyonuNeden: Soru yalnız iki sürekli değişkenin birlikte değişip değişmediğiyse; eğim ve yordama yerine ilişkinin gücünü tek katsayıda verir.
• Lojistik RegresyonNeden: Sonuç değişkeni iki kategoriliyse (satın aldı/almadı, tamamladı/bıraktı); olasılıkları sınırlar içinde tutan bağlantı işlevini kullanır.
• Hiyerarşik (Bloklu) RegresyonNeden: Yordayıcıların modele giriş sırası kuramsal olarak önemliyse ve her blok sonrası açıklanan varyans artışı sınanacaksa.
• ANCOVA (Kovaryans Analizi)Neden: Asıl soru grup ortalamalarının karşılaştırılmasıysa ve sürekli değişken yalnız kontrol amacıyla modele giriyorsa.

• Pearson Korelasyonu
• Lojistik Regresyon
• ANCOVA (Kovaryans Analizi)
• Tek Yönlü ANOVA

Kaç yordayıcı kullanabilirim?

Parametre formu yordayıcı sayısına teknik bir üst sınır koymaz, ancak örneklem büyüklüğü sınırı kendiliğinden çizer. Anket araştırmalarında yordayıcı başına en az 10 ila 20 gözlem yaygın bir ölçüttür; bunun altında katsayılar örneklemden örnekleme belirgin biçimde oynar. Düzeltilmiş R kare ile ham R kare arasındaki açıklığın büyümesi, model için fazla yordayıcı seçtiğinizin işaretidir.

Çoklu doğrusal bağlantıyı nasıl denetlerim?

Panel bu yöntemde VIF ya da tolerans döndürmediği için denetimi kendiniz yapmanız gerekir. Pratik yol, yordayıcıları Pearson korelasyonu yöntemiyle ikili olarak çalıştırmak ve 0,80 üzerindeki bağıntılara dikkat etmektir. Kuramsal olarak aynı şeyi ölçen iki sütun varsa birini modelden çıkarmak ya da ikisini tek bir bileşik puana dönüştürmek çoğu durumda daha sağlam bir model verir.

Katsayılar farklı birimlerde, hangisi daha önemli?

Ham katsayılar ölçeğe bağlı olduğu için doğrudan karşılaştırılamaz: bin lira biriminde bir yordayıcının katsayısı, beşli ölçekte ölçülmüş bir yordayıcının katsayısından küçük çıkabilirken etkisi daha büyük olabilir. Motor standartlaştırılmış beta döndürmez. Karşılaştırma yapmanız gerekiyorsa sütunları analiz öncesinde ortalaması sıfır, standart sapması bir olacak biçimde dönüştürüp modeli yeniden kurmak en doğrudan çözümdür.

Kategorik bir değişkeni modele katabilir miyim?

Model sayısal sütunlarla kurulur, bu yüzden kategorik değişkeni önce kukla değişkenlere dönüştürmeniz gerekir: k kategori için k-1 adet 0/1 sütunu oluşturup geri kalan kategoriyi karşılaştırma temeli olarak bırakın. Bu sütunlar Değişken sekmesindeki türetilmiş sütun aracıyla üretilebilir. İki kategorili bir değişken 0 ve 1 olarak kodlandığında katsayı, iki grup arasındaki ortalama farka karşılık gelir.

• Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics
• Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics
• Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis
• statsmodels OLS belgeleri