Beta Regresyonu
Beta Regression for Rates and Proportions · Ayrıca şöyle bilinir: beta regression model, proportion regression, Beta Regresyonu
Beta regresyonu, Ferrari ve Cribari-Neto (2004) tarafından, açık aralık (0,1) ile sınırlı oran veya kesir sonuçları için tanıtılan genelleştirilmiş doğrusal bir modeldir. Beta dağılımlı bir yanıtın ortalamasını bir bağlantı fonksiyonu aracılığıyla modeller, bu da onu kesirler, olasılık skorları ve oran indeksleri için doğal bir seçim haline getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bağımlı değişkenin açık aralık (0,1) içinde kesinlikle sürekli bir oran veya kesir olduğu ve en az yaklaşık 30 gözlem olduğu durumlarda beta regresyonunu kullanın. Kesit veya panel verilerinde bölme oranları, olasılık skorları ve oran indeksleri için uygundur. Yanıt, kesin sınırları 0 ve 1 hariç tutmalıdır; sınır değerleri oluşursa, bunun yerine sıfır/bir-şişirilmiş (sınır-şişirilmiş) beta regresyonu gereklidir. Sınırsız sürekli sonuçlar veya sayım verileri için daha az uygundur.
Güçlü yönler & sınırlılıklar
- Oranların doğal (0,1) sınırlarına uyar, bu nedenle uyumlu değerler asla geçerli aralığın dışına düşmez.
- Sıradan en küçük karelerden farklı olarak, kesinlik parametresi aracılığıyla oran verilerinin tipik sabit olmayan varyansını yakalar.
- Oranın ortalaması üzerinde yorumlanabilir etkiler veren logit, probit veya cloglog bağlantı seçeneği sunar.
- Yanıt kesinlikle (0,1) içinde yer almalıdır; sınır-şişirilmiş bir uzantı olmadan kesin 0 veya 1 değerleri işlenemez.
- Kararlı maksimum olabilirlik tahminleri için makul bir örneklem (yaklaşık 30 veya daha fazla) gerektirir.
- Katsayılar, bağlantı fonksiyonu aracılığıyla ortalamayı etkiler, bu nedenle etkiler doğrusal regresyonun basit birim değişiklikleri değildir ve dikkatli yorumlama gerektirir.
SSS
Beta regresyonu ne tür bir sonuç gerektirir?
Kesinlikle açık aralık (0,1) içinde bir oran veya kesir olan sürekli bir değişken — asla tam olarak 0 veya 1 değil. Tipik örnekler kesirler, başarı oranları ve olasılık skorlarıdır.
Verilerimde tam 0 veya 1 değerleri varsa ne olur?
Düz beta olabilirlik, sınırlarda tanımsızdır. Sıfırlar veya birler oluştuğunda, bu kesin değerleri ayrı bir bileşenle modelleyen sınır-şişirilmiş (sıfır/bir-şişirilmiş) beta regresyonunu kullanmalısınız.
Beta regresyonu lojistik regresyondan nasıl farklıdır?
Lojistik regresyon ikili bir 0/1 sonucu (veya olasılığını) modellerken, beta regresyonu 0 ile 1 arasında yer alan sürekli bir oranı modeller. Her ikisi de logit bağlantısını kullanabilir, ancak yanıt dağılımı farklıdır: Bernoulli'ye karşı beta.
Hangi bağlantı fonksiyonunu seçmeliyim?
Logit bağlantısı yaygın varsayılan olup olasılık tarzı yorumlama sağlar, ancak sınırların yakınındaki ilişkinin gerektirdiği durumlarda probit veya tamamlayıcı log-log (cloglog) bağlantıları da mevcuttur.
Kaynaklar
- Ferrari, S. L. P. & Cribari-Neto, F. (2004). Beta Regression for Modelling Rates and Proportions. Journal of Applied Statistics, 31(7), 799–815. DOI: 10.1080/0266476042000214501 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Beta Regression for Rates and Proportions. ScholarGate. https://scholargate.app/tr/statistics/beta-regression
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Gamma Regresyonu (GLM)İstatistik↔ karşılaştır
- Lojistik RegresyonAraştırma istatistiği↔ karşılaştır
- En Küçük Kareler (EK) RegresyonuEkonometri↔ karşılaştır
- Kuantil RegresyonuEkonometri↔ karşılaştır