şükela:  tümü | bugün
  • bağımlı değişkenin* sürekli olması varsayımının bozulduğu zaman uygulanan bir regresyon çeşididir.

    y = ax1+ bx2 +cx3 + e

    şeklinde olan bir modelin bağımlı değişkeni* kesikli* olunca eşitliğin diğer tarafı* eksi sonsuz ile artı sonsuz arasında değişecektir. kesikli yani belli iki sayı yada durum arasında değişen** y ile bir eşitlik sağlanamayacaktır. bu durumda iki tarafıda sonsuza uzatmak için iki tarafında logaritması alınarak belirli bir dönüşüm uygulanır. bu dönüşümle çıkan modele logit model denir. analizde ismini bu modelden alır.

    normal regresyon ile hesaplanamayan değişkenler arası ilşikileri bulmaya yarar. tahmin veya öngörü yapmak mümkün değildir.
    bu analizle bağımsız değişken parametreleri bilinen şeyin belli bir hata payıyla* hangi gruba gireceği anlaşılabilir. **

    (bkz: regresyon)
    (bkz: regresyon analizi)
  • çok değişkenli verileri gruplandırmak için, özellikle bağımlı değişken sürekli değilse, ideal bir yöntemdir.. zira bu analizde bağımlı değişken bir olayın beklenen gerçekleşme olasılığını verir.. bu da olaylar tanımlandığı takdirde ideal bir gruplama, sınıflandırma yöntemi çıkarır ortaya.. diskriminant analizinde istenen çoklu normallik, varyansların ve kovaryansların eşitliği, denkliği gibi varsayımları gerektirmez.. zaten kesikli bir dağılımın, bernoulli olarak tanımlanan bağımlı değişkenin, varyansı binom dağılacağı, yani sabit olmayacağı ve bu durumdan dolayı hata değişkenlerinin sıfır ortalamalı normal dağılamayacaklarından dolayı bu tip verilere çoklu regresyon, diskriminant vb analizler uygulanmamalıdır da.. bir önemli özelliği de "least squares estimation" yerine "maximum likelihood estimation" ile tahmin işlemlerini yapmasıdır.. kikare uyumun iyiliği testi ile model, wald testi ile de değişkenlerin anlamlılığının kontrol edilebileceği iteratif bir analizdir..
  • logit olarak da bilinen ve kalitatif bağımlı değişkenlerin bağımsız değişkenler ile regresyonuna imkan veren ekonometrik tahmin yöntemidir. maximum likelihood estimation kullanılarak non-linear bir fonksiyonda katsayı tahmini yapılır. aynı yöntemle tahmin yapan diğer bir metod da probit tir. logit in probit ten farkı dağılımın kuyruklarının biraz daha geniş olmasıdır. yani logit, ekstrem olasılıklara daha yüksek değerler atar.
  • bağımlı değişkenin kesikli olduğu durumda kullanılır.bağımlı değişken çok şıklı ise multinominal lojistik regresyon söz konusudur.sınıflandırma analizi yapılır.
  • tam anliyorum derken ve eksi sözlükteki entry'leri okurken daha da tam anliyorum derken tekrar kafamin karistigi regresyon turu. yorumlamasi da farkli imis ustelik. sıkıntı entry'lerde degil, sonradan bu islere baslayan benimgibilerde..
  • bir firmanın, müşterilerinin kendisini terk etme eğilimini ölçebilmesine yardımcı olan fonksiyonel kalıptır.
    bunun için daha önce terki diyar etmiş ve etmemiş müşteriler bir araya getirilerek lojistik regresyon uygulanır ve bu müşterilere en uygun fonksiyonel kalıp bulunur. modelin çıktısı müşterinin terk etme olasılığıdır.
  • (bkz: odds ratio)
  • bir uğur ışılak şiiri.
  • kkb ve bankaların kredi skorunu hesaplarken en çok kullandığı yöntemdir.
  • sınıflandırma(supervised learning) algoritmasıdır. ilk iş olarak regresyon katsayılarının bulunması gerekliyor.
    lojistik regresyon için, regresyon katsayılarının bulunması

    yukarıdaki linkten regresyon katsayılarının matematiksel olarak ve r programlama dili nasıl bulunduğu anlatılmıştır. katsayılar bulunduktan sonra regresyon denklemi elde edilir. her bir gözlem için katsayılar denklemde yerine yazılarak y şapka değeri(denklem ile bulunan değer, gerçek değer değil) hesaplanır. bulunan y şapka değeri (e^(y şapka))/(e^(y şapka) + 1) denklemi ile olasılık değeri hesaplanır. eğer olasılık değeri 0.5 den büyük ise 1e, değil ise 0a eşit kabul edilir.