Upload
wing-carson
View
89
Download
0
Embed Size (px)
DESCRIPTION
Korelasyon (Bağıntı) Parametre Tayini, Karelerin En Küçüğü Yöntemi. Korelasyon Katsayısı. Değişkenler arasındaki ilişkinin kuvvetini nicelendirmek üzere kullanılan istatistik: KORELASYON KATSAYISI - PowerPoint PPT Presentation
Citation preview
Korelasyon (Bağıntı)Korelasyon (Bağıntı)Parametre Tayini, Karelerin Parametre Tayini, Karelerin
En Küçüğü YöntemiEn Küçüğü Yöntemi
Korelasyon KatsayısıKorelasyon Katsayısı Değişkenler arasındaki ilişkinin kuvvetini Değişkenler arasındaki ilişkinin kuvvetini
nicelendirmek üzere kullanılan istatistik: nicelendirmek üzere kullanılan istatistik: KORELASYON KATSAYISIKORELASYON KATSAYISI
Dikkat: Neden sonuç ilişkisiyle Dikkat: Neden sonuç ilişkisiyle karıştırmayın. X artarken Y artıyorsa bu karıştırmayın. X artarken Y artıyorsa bu x’deki artış y’de artışa neden oluyor x’deki artış y’de artışa neden oluyor demek değildir. demek değildir.
KovaryansKovaryans
İki değişken arasındaki doğrusal (lineer) İki değişken arasındaki doğrusal (lineer) bağımlılığın ölçüsü x ile y arasındaki kovaryansdır. bağımlılığın ölçüsü x ile y arasındaki kovaryansdır.
Eğer x ve y bağımsızsa cov(x,y) = 0Eğer x ve y bağımsızsa cov(x,y) = 0 Eğer cov(x,y) = 0 ise bu x ve y’nin bağımsız Eğer cov(x,y) = 0 ise bu x ve y’nin bağımsız
olduğuna veyaolduğuna veya x ve y arasında lineer olmayan x ve y arasında lineer olmayan bir bağıntı olduğuna işarettir. bir bağıntı olduğuna işarettir.
Excel’de cov(x,y) = kovaryans(dizi1;dizi2) fonksiyonu ile hesaplanabilir. Excel’de cov(x,y) = kovaryans(dizi1;dizi2) fonksiyonu ile hesaplanabilir.
N
yxyx yixi
))((
),cov(
Yığındaki birim sayısı
X ve Y için yığın ortalamaları
Korelasyon (Bağıntı) KatsayısıKorelasyon (Bağıntı) Katsayısı Kovaryans değişkenlerin birimine bağlı Kovaryans değişkenlerin birimine bağlı
olduğundan büyük ya da küçük olması ilişkinin olduğundan büyük ya da küçük olması ilişkinin kuvvetli veya zayıf olması hakkında bir fikir kuvvetli veya zayıf olması hakkında bir fikir vermez. vermez.
Birimsiz kovaryans = Korelasyon katsayısıBirimsiz kovaryans = Korelasyon katsayısı Birimsiz hale getirmek için kovaryans x ve y’nin Birimsiz hale getirmek için kovaryans x ve y’nin
standard sapmasına bölünür. standard sapmasına bölünür.
yx
yixi
N
yxyxp
))((),( p = [-1,1]
Bağıntı KatsayısıBağıntı Katsayısı
00<<p =p = Pozitif Pozitif bağıntıbağıntı
00>>pp = = Negatif Negatif bağıntıbağıntı
p = [-1,1]
y
x
y
x
Örneklemlere Ait Örneklemlere Ait Bağıntı Bağıntı KatsayısıKatsayısı
yx
ii
ssn
yyxxyxr
)1(
))((),(
X örnekleminin standard sapması
Y örnekleminin standard sapması
Excel’de korelasyon katsayısı = korelasyon(dizi1;dizi2) Excel’de korelasyon katsayısı = korelasyon(dizi1;dizi2) fonksiyonu kullanılarak hesaplanır.fonksiyonu kullanılarak hesaplanır.
ÖrnekÖrnek
İki farklı kişi tarafından İki farklı kişi tarafından yapılan BOİ ölçümleri yapılan BOİ ölçümleri verilmiştir. Ölçümler verilmiştir. Ölçümler arasındaki arasındaki bağıntıyıbağıntıyı değerlendirin. değerlendirin.
75
125
175
225
75 125 175 225
BOİ_A
BO
İ_B
Bağıntı KatsayısıBağıntı Katsayısı
0
50
100
150
200
250
0 50 100 150 200 250
BOİ_A
BO
İ_B
r = 0.93
r değerleri değişkenler arasında lineer bir ilişki varsa r değerleri değişkenler arasında lineer bir ilişki varsa anlamlıdır. Eğer iki değişken arasında y =a + bx + cxanlamlıdır. Eğer iki değişken arasında y =a + bx + cx22 ggiibi bir ilişki varsa r bi bir ilişki varsa r ±±1 ‘ e yaklaşmaz. 1 ‘ e yaklaşmaz.
Grafiksel gösterim ilişkinin nasıl olduğunu göstermesi Grafiksel gösterim ilişkinin nasıl olduğunu göstermesi açısından önemlidir.açısından önemlidir.
Ne kadar kuvvetli olursa olsun Ne kadar kuvvetli olursa olsun bağıntıbağıntı nedensellik demek nedensellik demek değildir. değildir.
Korelasyon veKorelasyon ve Regresyon Regresyon Korelasyonda iki bağımsız değişken Korelasyonda iki bağımsız değişken
sözkonusudur. Rsözkonusudur. Regreseyondaysa iki değişken egreseyondaysa iki değişken belirli roller üstlenir. belirli roller üstlenir.
xx: bağımsız : bağımsız yy: bağımlı değişken olarak ele alınır. : bağımlı değişken olarak ele alınır. Regresyon çözümlemesi sadece y’nin ölçüm Regresyon çözümlemesi sadece y’nin ölçüm
hatalarından etkilendiğini varsayar. Eğer x’deki hatalarından etkilendiğini varsayar. Eğer x’deki hatalar küçükse (shatalar küçükse (sxx << s syy/3)/3) sonuçlar yararlıdır. sonuçlar yararlıdır.
Bağıntı Katsayısının Bağıntı Katsayısının DeğerlendirilmesiDeğerlendirilmesi
Bağıntının anlamlı olup olmadığı gözlem Bağıntının anlamlı olup olmadığı gözlem sayısına bağlı olarak değişebilir ve kritik r sayısına bağlı olarak değişebilir ve kritik r değerleri tablosundan değerlendirilebilir. değerleri tablosundan değerlendirilebilir.
Bağıntı Katsayısının DeğerlendirilmesiBağıntı Katsayısının Değerlendirilmesidf = v = Gözlem sayısı -2
Bağıntı Katsayısının Bağıntı Katsayısının DeğerlendirilmesiDeğerlendirilmesi
Genelde bağıntının kuvveti için:Genelde bağıntının kuvveti için:
.01 - .20 çok az ya da hiç
.20 - .40 zayıf
.40 - .60 orta .60 - .80 orta kuvvette .80 - .99 çok kuvvetli
Serisel İlgileşimSerisel İlgileşim
Eğer eldeki veri sıralı olarak toplanmışsa, yere Eğer eldeki veri sıralı olarak toplanmışsa, yere veya zamana bağlı olarak birbirine yakın olanlar veya zamana bağlı olarak birbirine yakın olanlar birbirine daha yakın değerler taşır. Diyelim ki birbirine daha yakın değerler taşır. Diyelim ki bugün havadaki SObugün havadaki SO22 konsantrasyonu 150 konsantrasyonu 150 g/mg/m33 ise durgun hava şartlarında ertesi gün için buna ise durgun hava şartlarında ertesi gün için buna yakın bir değer bekleriz. Dünden kalan SOyakın bir değer bekleriz. Dünden kalan SO22 hala hala etkisini sürdürecektir. etkisini sürdürecektir.
Bu şekilde birbirine yakın zamanda veya Bu şekilde birbirine yakın zamanda veya konumda alınan verilerin benzer olması konumda alınan verilerin benzer olması durumuna serisel bağlılık veya otokorelasyon durumuna serisel bağlılık veya otokorelasyon denir. Serisel bağlılığın nicel ölçütü denir. Serisel bağlılığın nicel ölçütü otokorelasyon katsayısıdır. otokorelasyon katsayısıdır.
Oto Korelasyon KatsayısıOto Korelasyon Katsayısı
Oto korelasyon bir değişkenin kendi içindeki Oto korelasyon bir değişkenin kendi içindeki ilgileşimdir. ilgileşimdir.
Eğer günlük ölçümler yapıldıysa yEğer günlük ölçümler yapıldıysa y tt’ye karşılık y’ye karşılık yt-7t-7
serisel haftalı bir bağlantıya işaret eder. İlgileşim serisel haftalı bir bağlantıya işaret eder. İlgileşim için incelenen gözlemler arasındaki uzaklık lag için incelenen gözlemler arasındaki uzaklık lag ile ifade edilir. Bu uzaklık örnek alma aralıkları ile ifade edilir. Bu uzaklık örnek alma aralıkları ile ölçülür. ile ölçülür.
yt+1
yt
Oto-Korelasyon Katsayısı,rOto-Korelasyon Katsayısı,rkk
rk [-1, 1]
k = 1,2 veya uygun bir sayı
rk = 1 (mükemmel pozitif korelasyon
BOİ VerisiBOİ Verisi
0
50
100
150
200
250
0 20 40 60 80 100 120 140
numune
BO
DHer iki saatte bir 10 gün süreyle alınan BOİ verisi.
Oto korelasyon hakkında ne söylenebilir?
0
50
100
150
200
250
0 50 100 150 200 250
yt
yt-
1
rk = 0.45 k = 1
k = 3 (3 lag, 6. saat) - rk = 0.03
k = 6 (6 lag, 12 saat) rk = -0.39
k = 12 (12 lag, 24 saat) rk = 0. 25
İlk 24 saatlik örüntü ikinci 24 saatlik İlk 24 saatlik örüntü ikinci 24 saatlik kısımda tekrar ediyor ama korelasyonun kısımda tekrar ediyor ama korelasyonun kuvveti azalıyor.kuvveti azalıyor.
Örneklem arasındaki zaman farkı Örneklem arasındaki zaman farkı yüzünden diğer faktörlerin değişimiyle yüzünden diğer faktörlerin değişimiyle sistemin hafızası kısalıyor. sistemin hafızası kısalıyor.
Karelerin En Küçüğü Yöntemiyle Karelerin En Küçüğü Yöntemiyle Parametre Parametre TaTahmini (Regresyon)hmini (Regresyon)
İstatistikte en çok karşılaşılan sorulardan İstatistikte en çok karşılaşılan sorulardan biri eldeki veriye bir eşitliğin biri eldeki veriye bir eşitliğin uydurulmasıdır. uydurulmasıdır.
Neden veriye bir eğilim çizgisi ekleme Neden veriye bir eğilim çizgisi ekleme ihtiyacı duyuluyor?ihtiyacı duyuluyor? yy’yi bağlı olduğu değişkenlere göre ilerde ’yi bağlı olduğu değişkenlere göre ilerde
tahmin etmek istiyoruztahmin etmek istiyoruz xx’deki değişkenliğin y’yi nasıl etkileyeceğini ve ’deki değişkenliğin y’yi nasıl etkileyeceğini ve
böylece sistemi ve onu daha iyi sonuçlar böylece sistemi ve onu daha iyi sonuçlar verecek şekilde değiştirmek istiyoruz. verecek şekilde değiştirmek istiyoruz.
Veriye uydurulan eşitlikVeriye uydurulan eşitlik 1. Görgül deneysel (Emprikal) –tanımlayıcı1. Görgül deneysel (Emprikal) –tanımlayıcı 2. Mekanistik: sistemin nasıl i2. Mekanistik: sistemin nasıl işşlediğinelediğine dair temel dair temel
süreçlere dayanaraksüreçlere dayanarak
Bağımlı değişken (y) bağımsız değişken (x’in) birkaç Bağımlı değişken (y) bağımsız değişken (x’in) birkaç değerinde ölçülür. X aynı zamanda girdi değerinde ölçülür. X aynı zamanda girdi değişkeni,regresör, tahmin edici değiken olarak da değişkeni,regresör, tahmin edici değiken olarak da tanımlanır. tanımlanır.
Regresyon: Bir denklemi veriye uydurma işlemidir. Regresyon: Bir denklemi veriye uydurma işlemidir. Bazen de eğilim çizgisi uydurma veya parametre Bazen de eğilim çizgisi uydurma veya parametre tayini de denir. tayini de denir.
Lineer Regresyon: Etkiler nedenlerle Lineer Regresyon: Etkiler nedenlerle orantılı. Örnek: F = ma Forantılı. Örnek: F = ma F aa
Lineer olmayan Regresyon: etkiler Lineer olmayan Regresyon: etkiler nedenlerle doğrudan orantılı değil. Örnek: nedenlerle doğrudan orantılı değil. Örnek: Hareket eden bir objenin üzerindeki hava Hareket eden bir objenin üzerindeki hava akımının kuvveti hızın karesiyle orantılıdır:akımının kuvveti hızın karesiyle orantılıdır:
F F vv22
Sistemde daha fazla fiziksel özelliği hesaba Sistemde daha fazla fiziksel özelliği hesaba kattıkça sistem lineer olmaktan uzaklaşırkattıkça sistem lineer olmaktan uzaklaşır
Regresyon ModeliRegresyon Modeli
(yi,xi)(yi,xi) Y=f(x)Y=f(x)
2
22110
2
1
22110
)exp(1
2
x
xx
x
xx
Lineer regresyonda x ve y’ler ölçülerek ve parametrelerinin değerlerini bulmak.
Eğer kullanılan eşitlik lineer değilse lineer olmayan regresyon kullanılır veya lineer formata dönüşüm sağlanıyorsa dönüştürme yapılır.
xb = y
bLogx = logy
bx’=y’
Doğrusal ve doğrusal Doğrusal ve doğrusal olmayan arasında olmayan arasında farkı belirtmek üzerefarkı belirtmek üzere
Doğrusal: Doğrusal:
Doğrusal OlmayanDoğrusal Olmayan
),( xfX: bağımsız değişkenlerden oluşan vektör
B: modelin parametreleri =[1,2,3]Parametrelerin tahmin edilen değerleri ise b1,
b2, b3 ile gösterilir.
),( xf = k = [k1,k2,k3] ile gösterilir.
İyi planlanmış bir deney için xİyi planlanmış bir deney için xi i değerlerinin değerlerinin
hatasız, yhatasız, yi i değerlerinin de rastsal değerlerinin de rastsal
hatalardan etkilendiği varsayılır. hatalardan etkilendiği varsayılır. yyii = m = mi i + e+ ei i i = 1,2,3,….n i = 1,2,3,….n
Eğer model doğruysa eEğer model doğruysa e ii rastsal hatalardan rastsal hatalardan
daha büyük olmayacaktır. Eğer değilse, daha büyük olmayacaktır. Eğer değilse,
e = rastsal hatalar + model hataları (modelin e = rastsal hatalar + model hataları (modelin oluşturulmasında dikkate alınmamış kayıp oluşturulmasında dikkate alınmamış kayıp terimler)terimler)
Modeli veriye uydurduktan sonra ölçülen değerler ile modellenen değerler arasındaki fark (ei) rassal ve bağımsızsa modelin veriye uyduğunu söyleyebiliriz. Eğer kalanlar bir örüntü gösteriyorsa, bu bize modeli hangi yönde geliştireceğimizi gösterir.
Basit Doğrusal ModelBasit Doğrusal Model
yyii = = 00 + + 11xxii+ e+ eii
Kalanlar = eKalanlar = eii = y = yii-(-(00 + + 11xxii))
Regresyon gözlemlenen Regresyon gözlemlenen veriye “en iyi” uyan eğrinin veriye “en iyi” uyan eğrinin parametrelerini seçmemizi parametrelerini seçmemizi sağlar. sağlar.
NASIL ? NASIL ? Karelerin En Küçüğü Karelerin En Küçüğü YöntemiYöntemi
75
125
175
225
75 125 175 225
xy
ei
Ölçüm değerleri
Model değerleri
= 0 +1x
1. Karelerin En Küçüğü Yöntemi ile 1. Karelerin En Küçüğü Yöntemi ile Parametre TayiniParametre Tayini
Model ile gözlemler Model ile gözlemler arasındaki farkları en arasındaki farkları en aza indirmekaza indirmek
2
11
2 )()( i
n
ii
n
ii yeS
Modelden hesaplanan değerler
Gözlemlenen değerler
ÖrnekÖrnekDoğrusal ModelDoğrusal Model
y = y = xx
2
2
2
22
1
22
1
)(20)(
)2()(
i
i
i
i
x
yxb
yxbx
yxbxd
dS
xyxyxyS
ii
ii
ii
iii
n
ii
n
ii
Eğer uydurulacak eşitlikte iki parametre varsa, iki tane normal denklem olur. Parametre sayısı arttıkça lineer regresyon hesaplamalarında cebirsel matrisler kullanılarak çözüme ulaşılır.
Doğrusal Olmayan ModellerDoğrusal Olmayan Modeller = exp(-= exp(-x)x)
d
dS
xxyyxyS iii
n
ii
n
ii i
)(
}))(exp()exp(2{))exp(()( 2
1
22
1
Cebirsel yolla çözülemez. Bu durumda iteratif (yinelemeli) yöntemler kullanılır. Öyle bir değeri bulunacak ki S() en az değere düşecek.
2. Yinelemeli Yöntemle Parametre 2. Yinelemeli Yöntemle Parametre TayiniTayini
x y
2 0.1504 0.4616 0.559
10 1.04514 1.36419 1.919
Yandaki veri seti için yinelemeli yöntemle doğrusal model parametrelerini belirleyin.
y = bx
Yinelemeli yöntemde b parametresi için bir ilk değer verilir. Model ile y değerleri hesaplanır. Modellenen y ile gözlenen y’ler arasındaki farkların karesi hesaplanır. Bir sonraki b ile işlem tekrarlanır. Karelerin farkının en küçük değerine karşılık gelen b bulunduğunda parametre tayini işlemi sonlanmış olur.
Lineer Model Lineer Olmayan model
ix ihesaplaany , igözleneny , ie 2ie ix ihesaplaany , igözleneny , ie 2
ie
Denenen değer:β=0,115 Denenen değer:θ=0,32 2 0,23 0,15 -0,080 0,00640 2 4 0,46 0,461 0,001 0,0000 4 6 0,69 0,559 -0,131 0,01716 6 10 1,15 1,045 -0,105 0,01102 10 14 1,61 1,364 -0,246 0,06052 14 19 2,185 1,919 -0,266 0,07076 19
Doğrusal Model, y = Doğrusal Model, y = x x
Karelerin toplamı 0,16586 Karelerin toplamı
1. Yineleme: = 0.115
b = 0.115
0.000
0.500
1.000
1.500
2.000
2.500
0 5 10 15 20
x
y
gözlenen
model
Doğrusal Model, y = Doğrusal Model, y = x x
x y_gözleneny_hesaplanan ei
2 0.150 0.280 -0.130
4 0.461 0.560 -0.099
6 0.559 0.840 -0.281
10 1.045 1.400 -0.355
14 1.364 1.960 -0.596
19 1.919 2.660 -0.741Kare toplam 1.136
1. Yineleme: = 0.14
b = 0.14
0.0000.5001.0001.5002.0002.5003.000
0 5 10 15 20
x
y
gözlenen
model
Doğrusal Model, y = Doğrusal Model, y = x x 1. Yineleme: = 0.10
Karelerin toplamı 0,16586
Denenen değer:β=b=0,1 (optimum)
2 0,2 0,15 -0,05 0,00250
4 0,4 0,461 0,061 0,00372
6 0,6 0,559 -0,041 0,00168
10 1 1,045 0,045 0,00202
14 1,4 1,364 -0,036 0,00130
19 1,9 1,919 0,019 0,00036
En küçük karelerin toplamı 0,01158
b = 0.10
y = 0.10x - 0.0101
0.000
0.500
1.000
1.500
2.000
2.500
0 5 10 15 20
x
y
gözlenen
Doğrusal(gözlenen)
0
0.1
0.2
0.3
0.4
0.5
0.05 0.1 0.15
bfa
rk k
are
to
pla
mı
En Küçük Kareler Tahmini
Kareler Toplamının Kalanı
Tek değişkenli doğrusal bir model için kalanların kareleri her zaman için bir parabol verir.
Parabol olduğuna göre bir doğrusal model için karelerin en küçüğüne denk gelen parametre değerini nasıl bulabiliriz?
Doğrusal Olmayan Modelde Doğrusal Olmayan Modelde Parametre TayiniParametre Tayini
Yandaki veri seti için yinelemeli yöntemle doğrusal olmayan model parametrelerini belirleyin.
y = exp(-x)
Yinelemeli yöntemde b parametresi için bir ilk değer verilir. Model ile y değerleri hesaplanır. Modellenen y ile gözlenen y’ler arasındaki farkların karesi hesaplanır. Bir sonraki b ile işlem tekrarlanır. Karelerin farkının en küçük değerine karşılık gelen b bulunduğunda parametre tayini işlemi sonlanmış olur.
x y2 0.624 0.516 0.26
10 0.1814 0.02519 0.041
Doğrusal Olmayan Model, Doğrusal Olmayan Model, y = expy = expx) x)
Min S() = Σ[yi-exp(-xi)]2
1. Yineleme: = 0.32
x y y_hesaplanan e2 0.62 0.527 0.0934 0.51 0.278 0.2326 0.26 0.147 0.113
10 0.18 0.041 0.13914 0.025 0.011 0.01419 0.041 0.002 0.039
Kare toplam 0.096332
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0 5 10 15 20
x
y
gözlemlenen
model
Doğrusal Olmayan Model, Doğrusal Olmayan Model, y = expy = expx) x)
2. Yineleme: = 0.15
= 0.15
00.10.20.30.40.50.60.70.8
0 5 10 15 20
x
y
gözlemlenen
model
x y y_hesaplanan e2 0.62 0.741 -0.1214 0.51 0.549 -0.0396 0.26 0.407 -0.147
10 0.18 0.223 -0.04314 0.025 0.122 -0.09719 0.041 0.058 -0.017
Kare toplam 0.049228
Doğrusal Olmayan Model, Doğrusal Olmayan Model, y = expy = expx) x)
3. Yineleme: = 0.20 (optimum)
x y y_hesaplanan e2 0.62 0.670 -0.0504 0.51 0.449 0.0616 0.26 0.301 -0.041
10 0.18 0.135 0.04514 0.025 0.061 -0.03619 0.041 0.022 0.019
Kare toplam 0.011534
= 0.20
00.10.20.30.40.50.60.70.8
0 5 10 15 20
xy
gözlemlenen
model
0
0.05
0.1
0.15
0.2
0.25
0.3
0 0.1 0.2 0.3 0.4
qK
arel
er T
op
lam
ı
En Küçük Kareler Tahmini
Kareler Toplamının Kalanı
Lineer olmayan modeller için kalanların kareleri parabol değildir ve genelde simetrik olmazlar.
ParametrelerinParametrelerin Hassasiyeti Hassasiyeti
Parametrelerin en iyi değerlerini hesaplamak için Parametrelerin en iyi değerlerini hesaplamak için parametrelerin hassasiyetinin bilinmesi gerekir. parametrelerin hassasiyetinin bilinmesi gerekir.
Tek parametreli doğrusal model içinTek parametreli doğrusal model içinvar(b) = var(b) = 22//xxii
22 22 deneysel hata varyansıdır. deneysel hata varyansıdır. İdealde İdealde 22 , , x’in belli x’in belli
bir değerbir değeri i için tekrar deneyleri yaparak için tekrar deneyleri yaparak hesaplanhesaplanaabilir. Ancak bu örnekte ve gerçekte bilir. Ancak bu örnekte ve gerçekte yapılan bir çok deneyde tekrar gözlem mevcut yapılan bir çok deneyde tekrar gözlem mevcut değildir. Bu durumdan değildir. Bu durumdan 22 kalanların karelerinin kalanların karelerinin toplamındantoplamından (S (SRR)) tahmin edilir. Eğer model tahmin edilir. Eğer model doğruysa kalanlar rastsal hadoğruysa kalanlar rastsal hatatalardan oluşur ve lardan oluşur ve kalanlarını karelerinin ortalaması kalanlarını karelerinin ortalaması 22’yi verir.’yi verir.
Doğrusal Modelde b’nin Doğrusal Modelde b’nin HassasiyetiHassasiyeti
ss22 = = SSRR/v v: serbestlik derecesi =n-p/v v: serbestlik derecesi =n-p
n: gözlem sayısın: gözlem sayısıp: parametre sayısıp: parametre sayısı
Doğrusal Doğrusal modelmodel için için
SSRR = 0. = 0.9191584 s584 s22 =0.91584/(6-1) =0.0023 =0.91584/(6-1) =0.0023
var(b) = var(b) = ss22//xxii22 = = 0.0023/713 =3.250.0023/713 =3.25x10x10-4-4
SE(b) : b’nin standard hatasıSE(b) : b’nin standard hatası == karekök(3.25karekök(3.25x10x10-4-4) =0.0018) =0.00181. b1. b ±± SE(b) = 0.10 SE(b) = 0.10 ±± 0.0018 0.0018
bb’nin hassasiyeti’nin hassasiyeti
b’nin hassasiyeti bb’nin hassasiyeti b ±± SE(b) = 0.10 SE(b) = 0.10 ±± 0.0018 0.0018 şeklinde ifade edilebileceği gibi şeklinde ifade edilebileceği gibi diğer bir yol da güvenilirlik aralığını diğer bir yol da güvenilirlik aralığını belirtmek olabilir. belirtmek olabilir.
Güvenilirlik aralığı: b Güvenilirlik aralığı: b ±± t tvv=5=5,, SE(b) SE(b)
%95 güven aralığı için: t = 2.57%95 güven aralığı için: t = 2.57 0.1 0.1 ±± (2.57)(0.0018) = 0.1 (2.57)(0.0018) = 0.1 ±± 0.0046 0.0046 = =
b = [0.095,0.105]b = [0.095,0.105]