Genelleştirilmiş Doğrusal Model (GLM)
Generalized Linear Model · Ayrıca şöyle bilinir: GLM, generalized regression, exponential family regression, link-function model
Genelleştirilmiş Doğrusal Model, ikili, sayım, oran ve sürekli pozitif çıktılar dahil olmak üzere üstel aileden gelen çıktılara sıradan doğrusal regresyonu genişleten birleşik bir regresyon çerçevesidir. Bir bağlantı fonksiyonu, doğrusal tahminciyi yanıtın ortalamasına bağlar ve Gauss dışı durumların ötesinde ilkeli modellemeye olanak tanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+5 tane daha
Ne zaman kullanılır
Çıktı değişkeni sürekli ve sınırsız olmadığında GLM'yi kullanın: ikili çıktılar (lojistik GLM), olay sayıları (Poisson veya negatif-binom GLM), [0,1] ile sınırlı oranlar (logit/probit ile binom) veya sağa çarpık sürekli pozitif veriler (Gamma veya ters-Gauss GLM). GLM, öngörücüler ve ortalama yanıt arasındaki ilişkinin dönüştürülmüş bir ölçekte en iyi şekilde yakalandığı ve varyans-ortalama ilişkisinin seçilen aileye uyduğu durumlarda uygundur. Gauss varsayımının savunulabilir olduğu durumlarda OLS'yi tercih edin. Verilerin kümelenmiş veya hiyerarşik yapısı olduğunda (karma etkili uzantılar kullanın) veya olay sayısı öngörücü sayısına göre çok küçük olduğunda tek bir GLM kullanmayın.
Güçlü yönler & sınırlılıklar
- Tek bir tutarlı çerçevede, paylaşılan teori ve yazılımla birçok regresyon modelini (lojistik, Poisson, Gamma ve diğerleri) birleştirir.
- Bağlantı fonksiyonu ve dağılım varsayımı, çıktı türüne uyacak şekilde seçilir, bu da Gauss dışı verilerde OLS'ye göre daha iyi kalibre edilmiş tahminler ve daha geçerli standart hatalar sağlar.
- Maksimum olabilirlik tahmini, iyi karakterize edilmiş asimptotik çıkarımlar (Wald, olabilirlik-oranı ve skor testleri) sağlar.
- Model uyumu, sapma ve AIC aracılığıyla değerlendirilir, bu da ilkeli model karşılaştırması ve seçimine olanak tanır.
- Bağlantı ölçeğindeki katsayılar basit yorumlara sahiptir (örneğin, lojistik için log-olasılık oranları, Poisson için oran oranları).
- IRLS aracılığıyla hesaplama açısından verimli ve her büyük istatistiksel pakette mevcuttur.
- Kullanıcının hem dağılım ailesini hem de bağlantı fonksiyonunu doğru bir şekilde belirtmesini gerektirir; yanlış belirtme çıkarımı yanlı hale getirebilir.
- Standart GLM, gözlemlerin bağımsızlığını varsayar ve uzantılar olmadan kümelenmiş, tekrarlanan ölçümler veya hiyerarşik verileri barındırmaz (GEE veya karma etkili GLM).
- Maksimum olabilirlik standart hataları asimptotik teoriye dayanır ve küçük örneklemler veya nadir olaylarla güvenilmez olabilir.
- Sayı verilerindeki aşırı yayılımı otomatik olarak ele almaz (Poisson ailesi); bu durumda negatif-binom veya quasi-Poisson modeli tercih edilir.
- Doğrusal olmayan bağlantı fonksiyonları, ham katsayıları OLS eğimleri kadar hemen sezgisel hale getirmez; iletişim için marjinal etkiler veya geri dönüşüm genellikle gereklidir.
SSS
GLM ve OLS arasındaki fark nedir?
OLS, Gauss (normal) dağılımı ve kimlik bağlantısı ile GLM'nin özel durumudur. GLM, OLS varsayımlarının ihlal edildiği ikili, sayım ve diğer Gauss dışı çıktılar için uygun hale getirerek diğer üstel aile dağılımlarını ve bağlantı fonksiyonlarını izin vererek bunu genelleştirir.
Doğru aile ve bağlantı fonksiyonunu nasıl seçerim?
Aileyi veri üretim sürecine uydurun: ikili veya oran çıktıları için Binom, sayımlar için Poisson veya negatif-binom, sağa çarpık kesin pozitif sürekli veriler için Gamma ve simetrik sürekli çıktılar için Gauss. Kanonik bağlantı (logit, log, ters, kimlik) varsayılan ve genellikle en iyisidir, ancak risk veya prevalans oranlarını tahmin ederken Binom üzerindeki log veya kimlik bağlantıları gibi alternatifler geçerlidir.
GLM'de sapma nedir?
Sapma, uydurulmuş modelin log-olabilirliğinin, doygun (mükemmel uyum) modelin log-olabilirliğinden ne kadar eksik olduğunu ikiyle ölçekleyerek ölçer: D = 2(ℓ_sat − ℓ_fitted). Daha küçük sapma daha iyi uyum anlamına gelir. İç içe geçmiş modeller arasındaki sapma farkı ki-kare dağılımını izler ve olabilirlik-oranı testleri için kullanılır.
Aşırı yayılım nedir ve nasıl ele alınır?
Aşırı yayılım, sayım veya oran verilerindeki gözlemlenen varyansın varsayılan dağılımın öngördüğünden daha fazla olduğu durumlarda ortaya çıkar — heterojen popülasyonlar için Poisson modellerinde yaygındır. Çözümler arasında negatif-binom ailesine geçmek, bir yayılım parametresiyle quasi-olabilirlik kullanmak veya aşırı sıfırlar mevcutsa sıfır-şişirilmiş bir model uydurmak yer alır.
GLM boylamsal veya kümelenmiş verileri işleyebilir mi?
Standart GLM bağımsız gözlemleri varsayar ve modifikasyon olmadan kümelenmiş veya tekrarlanan ölçümler verileri için uygun değildir. İki ana uzantı, popülasyon ortalaması etkilerini hedefleyen Genelleştirilmiş Tahmin Denklemleri (GEE) ve özne-özgü rastgele etkileri modelleyen karma etkili GLM (GLMM)'dir.
Kaynaklar
- Nelder, J. A., & Wedderburn, R. W. M. (1972). Generalized linear models. Journal of the Royal Statistical Society: Series A (General), 135(3), 370–384. DOI: 10.2307/2344614 ↗
- McCullagh, P., & Nelder, J. A. (1989). Generalized Linear Models (2nd ed.). Chapman and Hall/CRC. ISBN: 978-0412317606
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Generalized Linear Model. ScholarGate. https://scholargate.app/tr/statistics/generalized-linear-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Genelleştirilmiş Toplanabilir Model (GAM)Makine öğrenmesi↔ karşılaştır
- Lojistik RegresyonAraştırma istatistiği↔ karşılaştır
- Negatif Binominal RegresyonEkonometri↔ karşılaştır
- En Küçük Kareler (EK) RegresyonuEkonometri↔ karşılaştır
- Sıralı Lojistik Regresyonİstatistik↔ karşılaştır
- Poisson ve Negatif Binom RegresyonuEkonometri↔ karşılaştır