Ridge regresyon parametre seçimi: Türkiye'nin doğrudan yabancı yatırım örneği
Yükleniyor...
Dosyalar
Tarih
2022
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İnönü Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Çoklu doğrusal regresyon modelindeki bir veya daha fazla bağımsız değişkenin aralarında doğrusal bir ilişki olması durumda ortaya çıkan probleme çoklu doğrusal bağlantı problemi denir. Çoklu doğrusal bağlantı durumunda en küçük kareler tahmincilerinin varyansı yüksek ve parametre tahminleri yanlış hesaplanmaktadır. Söz konusu durumda en küçük kareler tahmincilerinin sonuçları yorumlamada yetersiz kalması, en küçük kareler yöntemini güvenilmez hale getirir. Çoklu doğrusal bağlantı problemini çözmek ve model parametrelerini tahmin etmek için en küçük kareler tahmincisine alternatif olarak yanlı regresyon tahmincileri kullanılır. Bu çalışmada yanlı regresyon tahmincilerinden Ridge regresyon yöntemi ele alınmıştır. Ridge regresyon parametresinin çözümü ayar parametresi k'ya bağlıdır. Yapılan bu çalışmada da Ridge regresyon ayar parametresi k'nın seçimi üzerine analizler yapılmıştır. Bu çalışmada, Türkiye'nin 1974-2019 yılları arasındaki doğrudan yabancı yatırımlarını etkileyen faktörler veri seti olarak alınmıştır. Doğrudan yabancı yatırımları etkileyen faktörlerle kurulan çoklu doğrusal regresyon modeliyle simülasyon çalışması yapılmıştır. Yapılan simülasyon çalışması ile ayar parametresi k'nın seçimi için model seçim kriterleri arasından en iyi sonuç vereni seçmek amaçlanmıştır. Simülasyondan sonra gerçek verilerle analiz yapılmış ve sonuçlara göre çoklu doğrusal bağlantı tespit edilmiştir. Modele dahil edilen yanlı tahmincilerden Ridge regresyon ile tekrardan analiz yapılıp Ridge regresyonun en küçük kareler yönteminden daha iyi sonuç vererek bağlantı sorunu çözdüğü tespit edilmiştir. Anahtar kelimeler: Çoklu Doğrusal Bağlantı, Ridge Regresyon, Parametre Tahmincileri, LASSO.
The problem that arises when there is a linear relationship between one or more independent variables in the multiple linear regression model is called the multicollinearity problem. In the case of multicollinearity, the variance of the least squares estimators is high and the parameter estimates are calculated incorrectly. In this case, least squares estimators are incapable of interpreting the results, making the least squares method unreliable. Biased regression estimators are used as an alternative to the least squares estimator to solve the multicollinearity problem and estimate the model parameters. In this study, Ridge regression method, which is one of the biased regression estimators, is discussed. The solution of the Ridge regression parameter depends on the tuning parameter k. In this study, analyzes were made on the selection of the Ridge regression adjustment parameter k. In this study, the factors affecting Turkey's foreign direct investments between 1974-2019 were taken as a data set. A simulation study was carried out with the multiple linear regression model established with the factors affecting foreign direct investments. With the simulation study, it was aimed to choose the one that gives the best result among the model selection criteria for the selection of the tuning parameter k. After the simulation, analysis was made with real data and multicollinearity was determined according to the results. By reanalyzing with Ridge regression, one of the biased estimators included in the model, it was determined that Ridge regression solved the connection problem by giving better results than the least squares method. Keywords: Multiple Linear Connection, Ridge Regression, Parameter Estimators, LASSO.
The problem that arises when there is a linear relationship between one or more independent variables in the multiple linear regression model is called the multicollinearity problem. In the case of multicollinearity, the variance of the least squares estimators is high and the parameter estimates are calculated incorrectly. In this case, least squares estimators are incapable of interpreting the results, making the least squares method unreliable. Biased regression estimators are used as an alternative to the least squares estimator to solve the multicollinearity problem and estimate the model parameters. In this study, Ridge regression method, which is one of the biased regression estimators, is discussed. The solution of the Ridge regression parameter depends on the tuning parameter k. In this study, analyzes were made on the selection of the Ridge regression adjustment parameter k. In this study, the factors affecting Turkey's foreign direct investments between 1974-2019 were taken as a data set. A simulation study was carried out with the multiple linear regression model established with the factors affecting foreign direct investments. With the simulation study, it was aimed to choose the one that gives the best result among the model selection criteria for the selection of the tuning parameter k. After the simulation, analysis was made with real data and multicollinearity was determined according to the results. By reanalyzing with Ridge regression, one of the biased estimators included in the model, it was determined that Ridge regression solved the connection problem by giving better results than the least squares method. Keywords: Multiple Linear Connection, Ridge Regression, Parameter Estimators, LASSO.
Açıklama
Anahtar Kelimeler
Çoklu Doğrusal Bağlantı, Ridge Regresyon, Parametre Tahmincileri, LASSO
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Pala, M. (2022). Ridge regresyon parametre seçimi: Türkiye'nin doğrudan yabancı yatırım örneği. İnönü Üniversitesi, Malatya.
