Çoklu Regresyon Analizi
Multiple Linear Regression · Ayrıca şöyle bilinir: MLR, multivariate regression, linear regression
Çoklu regresyon analizi, sürekli bir bağımlı değişken ile iki veya daha fazla bağımsız değişken (yordayıcı) arasındaki ilişkiyi modellemek için kullanılan istatistiksel bir yöntemdir. 19. yüzyılın başlarındaki Gauss'un çalışmalarından köken alan ve Draper ve Smith (1966) tarafından biçimlendirilen bu yöntem, birden fazla yordayıcıdan elde edilen sonuçları tahmin eden doğrusal denklemleri, karıştırıcı ilişkileri hesaba katarak tahmin eder ve bu da onu epidemiyoloji, ekonomi, psikoloji ve klinik araştırmalarda vazgeçilmez kılar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sürekli bir sonuç ve birden fazla yordayıcınız olduğunda, karıştırıcıları dikkate alarak ilişkilerini anlamak için çoklu regresyon kullanın. Yaygın uygulamalar: klinik değişkenlerden hasta sonuçlarını tahmin etmek, ekonomik göstergeleri yönlendiren faktörleri anlamak, demografik özellikleri kontrol ederken tedavi etkisini tahmin etmek, öğrenci özelliklerinden eğitim başarısını modellemek. Regresyon, örneklem büyüklüklerinin deneysel rastgeleleştirmeyi (gözlemsel çalışmalar) engellediği durumlarda da idealdir. Kategorik sonuçlar için lojistik veya çok değişkenli regresyon kullanın. Kümelenmiş veriler için (okullardaki öğrenciler) çok düzeyli regresyon kullanın. Eksik veriler için önceden çoklu atama düşünün.
Güçlü yönler & sınırlılıklar
- Karmaşık ilişkileri ayırmada güçlüdür: gözlemsel verilerde deneysel kontrolü simüle ederek, diğerlerini kontrol ederken her bir yordayıcının benzersiz etkisini tahmin eder.
- Esnektir: sürekli ve kategorik yordayıcıları, etkileşimleri, polinom terimlerini barındırır ve doğrusal olmayan ilişkilere genişletilebilir.
- Yorumlanabilirdir: katsayılar, sonuçtaki birim değişimi doğrudan temsil eder, bu da sonuçları klinisyenler ve politika yapıcılar için eyleme geçirilebilir hale getirir.
- Tahmin: uyumlandırılmış model, güven aralıklarıyla yeni gözlemler için tahminler üretir, bu da pratik uygulamalara (risk sınıflandırması, tahmin) olanak tanır.
- Kapsamlı tanı araçları mevcuttur: standartlaştırılmış artıklar, kaldıraç grafikleri ve etki ölçümleri model ihlallerini belirlemeye ve ele almaya yardımcı olur.
- Doğrusal ilişkileri varsayar; açıkça dönüşüm veya polinom terimleri aracılığıyla modellenmedikçe eğrisel veya eşik etkilerini kaçırır.
- Çoklu doğrusallığa duyarlıdır: yüksek oranda ilişkili yordayıcılar kararsız, yorumlanması zor katsayılar üretir. VIF > 10 sorunludur; çözüm yordayıcıları, ana bileşenleri veya ridge regresyonunu kaldırmayı içerir.
- Aykırı değerler ve etkili noktalar tahminleri ve uyumu orantısız şekilde etkileyebilir; sağlam regresyon yöntemleri (Huber, M-tahmincileri) bunu ele alır.
- Sabit varyansı (homoskedastisite) varsayar; heteroskedastik veriler ağırlıklı en küçük kareler veya sağlam standart hata ayarlamaları gerektirir.
- İstatistiksel anlamlılık nedensel değildir: ilişkinin gerçek etkiyi mi yoksa ölçülmemiş karıştırıcıları mı yansıttığını ayırt edemez; güçlü teorik gerekçelendirme gerektirir.
SSS
Yordayıcıları ne zaman standardize etmeliyim ve bu yorumlamayı nasıl etkiler?
Sürekli yordayıcıları (z-skoru: ortalamayı çıkarın, standart sapmaya bölün) şu durumlarda standardize edin: (1) yordayıcılar çok farklı ölçeklerdeyse ve katsayıların büyüklüğünü karşılaştırmak istiyorsanız veya (2) çoklu doğrusallığı azaltmanız gerekiyorsa. Standartlaştırılmış katsayılar standart sapma birimlerindedir: 0.5 katsayısı, yordayıcıdaki 1-SD'lik bir artışın sonuçta 0.5-SD'lik bir artış tahmin ettiği anlamına gelir. Ham (standartlaştırılmamış) katsayılar orijinal birimleri korur ve genellikle pratik yorumlamayı kolaylaştırır. Her zaman her ikisini de raporlayın ve hangisini raporladığınızı belirtin.
R² ile ayarlanmış R² arasındaki fark nedir?
R² = 1 − (SSE/SS_toplam), model tarafından açıklanan sonuç varyansının oranını temsil eder. Gerçek bir etkileri olmasa bile, yordayıcılar eklendiğinde her zaman artar. Ayarlanmış R² = 1 − [(1 − R²)(n − 1)/(n − p − 1)], serbestlik derecesi kaybını (p yordayıcı sayısı, n örneklem büyüklüğü) cezalandırarak model karmaşıklığını cezalandırır. Model seçimi ve gerçek tahmin gücünün değerlendirilmesi için ayarlanmış R²'yi kullanın; yeni bir yordayıcı maliyetinden (bir parametre) daha az bilgi eklerse azalır. Her ikisini de raporlayın.
Modelde başka değişkenler varken anlamlı olmayan bir katsayıyı nasıl yorumlarım?
Anlamlı olmayan bir katsayı (p > 0.05), diğer değişkenler sabit tutulduğunda bu yordayıcının sonuçla ilişkili olduğuna dair yeterli kanıt olmadığını gösterir. Bu, yordayıcının etkisi olmadığı, diğer yordayıcılar tarafından karıştırıldığı (çoklu doğrusallık) veya örneklem büyüklüğünün çok küçük olduğu anlamına gelebilir. Güven aralığını ve VIF'yi kontrol edin. Güven aralığı geniş ve VIF yüksekse, çoklu doğrusallık olasıdır. Yordayıcı teorik olarak önemliyse, hassasiyet analizi olarak %90 CI ile raporlamayı düşünün. Yalnızca p-değerlerine göre yordayıcıları düşürmeyin; alan bilgisini kullanın.
Artıklar normal dağılmıyorsa ne yapmalıyım?
Büyük örneklemlerde regresyonun sağlamlığı nedeniyle hafif normal olmama durumu genellikle kabul edilebilir; n < 30 olduğunda artıkların normalliği kritik hale gelir. Q-Q grafiğini görsel olarak kontrol edin ve Shapiro-Wilk testini yapın. Normal değilse, şunları düşünün: (1) sonucun logaritmik veya karekök dönüşümü, (2) eksik yordayıcılar veya etkileşimler ekleme, (3) sağlam regresyon (Huber, bisquare) uydurma veya (4) bootstrap güven aralıkları kullanma. Aşırı aykırı değerler araştırılmalıdır; veri giriş hatası nedeniyle ise kaldırın, aksi takdirde sonuçları aykırı değerlerle ve onlarsız raporlayın.
Kaynaklar
- Draper, N. R., & Smith, H. (1966). Applied Regression Analysis. John Wiley & Sons. link ↗
- Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (1992). Applied Multiple Regression/Correlation Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum. link ↗
- Marquardt, D. W. (1980). You should standardize the independent variables in your regression models. Discussion of a paper by G. David Knottnerus. Journal of the American Statistical Association, 75(369), 87–91. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 4). Multiple Linear Regression. ScholarGate. https://scholargate.app/tr/research-statistics/multiple-regression-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Varyans Analizi (ANOVA)Araştırma istatistiği↔ karşılaştır
- Faktör AnaliziAraştırma istatistiği↔ karşılaştır
- Lojistik RegresyonAraştırma istatistiği↔ karşılaştır
- Yapısal Eşitlik ModellemesiAraştırma istatistiği↔ karşılaştır