Gerçekleştirdiğimiz ders kapsamında öncelikle bir regresyon inceleme
sürecinde geom_smooth(method="lm",se=FALSE) temelli bir
incelemenin gerçekleştirilmesinin önemli olduğunu öğrendim. Bunun yanı
sıra tabi ki, denklemin oluşturulmasının da ardından
summary() fonksiyonu ile özet değerlere bakılması
gerektiğini tekrardan anladım.
Bunun yanı sıra, en küçük kareler yöntemini ele almış
bulunmaktayız. Bu yöntemde a ve b’nin uygun belirlenmesiyle birlikte
doğrudaki değişkenliğin minimum düzey olması gerektiğini anladım. Yani
doğru etrafındaki sapmadaki değişimin minimum düzeyde olması
gerekmektedir. Bu kapsamda byx temelli analiz yapılmalıdır.
Buna yönelik ise n<-length(değişken)
byx= (n*sum(değişken1*değişken2)-sum(değişken1)*sum(değişken2))/(n*sum(değişken1)^2)-sum(değişken1)^2)
işleminin yapılması gerektiğini anladım. Ayrıca Regresyon doğrusunun
eğimi, değişkenlerin standart sapmalarının oranlarıyla bunlar arasındaki
korelasyonun çarpımına eşittir.Bu kapsamda
(sd(değişken2)/sd(değişken1))*cor(değişken1,2) yapısıyla
hesaplama yapılır ve bir önceki formülle aynı değer elde edilir.
Ardındanayx hesaplaması için
(sum(değişken2)-byx*sum(değişken1))/veri sayısı) işlemi
yapılmalıymış.
Bunun yanı sıra, regresyonda Y değişkenini gözlenen ile regresyon
değeri arasındaki farkın minimum düzeyde olması beklenmektedir.Bunu
saptamak için kestirimin standart hatası incelenmesidir. Bu yönelik yapı
ise res <- setadı$residuals
sqrt(sum((res - mean(res)) ^ 2 / (length(res)-2)))
yapısıyla hesaplanabilmektedir.
Bu kapsamda en çok ilgimi çeken yapı ise glance(setadı)
fonksiyonu oldu. Bununla birlikte
rsquare,adj.r.square,
sigma,p değeri gibi apılar doğrudan elde
edilebilmektedir. Buna benzer olarak ise tidy(setadı)
yapısıyla birlikte intercept, x değişkeni yapısının
estimate,st.hata,p değeri
değerleri saptanabilmektedir (Tidyde öncesinde ele alınacak tüm değişken
arasındacor.test(~değişken1+değişen2, data=setadı) analizi
yapılacak diye düşündüm.).
Yukarıda belirtilen yapılar yanı sıra ceter paribus
yapısında ise birden fazla değişkenle yapılan regresyonda etkilerin ayrı
ayrı hesaplanması ele alınmaktadır.Bunun yanı sıra en çok hayranlık
duyduğum yapı ise
scatterplot3d(setadı[,], pch= sayı,color="",angle=, box = T/F, type="h"
yapısıyla birlikte üç boyutlu grafikler oluşturulması oldu. Ayrıca
rglwidget() ile de oluşturulan üç boyutlu yapı üzerinde
oynandığını öğrendim.
Bu yapılar yanı sıra, çoklu regresyonu ele almak için ise yine klasik
lm yapısı ele alınmakla birlikte x ekseninde iki farklı değişkenin
+ ile birbirine bağlandığını anladım. Burada elde edilen
değerlerde mantıksız sonuç elde edilirse de
model_s$.resid %>% scores(type = "z") ile z puanı
temelli inceleme yapılabileceğini öğrendim. Ayrıca bu yapılarda hem r
square glance(setadı),[,1] hem adj r square
glance(setadı),[,2] hem de sigma (st.hata)
glance(setadı),[,3] değerlerine dikkat edilmeliymiş. Model
veri uyumu için ise glance(setadı),[,4:6] yapısı
kullanılmalıdır. Burada p değeri 0.05 ten düşük çıakrsa H0 hipotezi
reddedilir.
Bunlar yanı sıra, bir değişkeni sabit tutmak istedimizde ise
`lm(y~x1, data=)$residuals
lm(y~x2,data=)$residuals yapısının kurulacağını ve ardından
bu ikisi ne olarak atanıp $coefficients hesaplaması
yapılmalıymış. Regresyon sabiti belirlemek için ise
model$coefficients[2]*mean(performans$Motivasyon)-model$coefficients[3]*mean(performans$Kaygi)
tarzı bir yapı kurulabilrmiş. Ayrıca standart puanlar ile regresyon
hesaplması yapmamız gerektiğinde ise QuantPsyc paketindeki
lm.beta(setadı) yapısıyal birlikte regresyon analizi
gerçekleştirilebilirmiş.
Artık değerlerin standart puanlarına yönelik hesaplama ise elde
edilen değerler scores(type="z") ile çevrildikten sonra
avPlots(setadı) yapısıyla birlikte grafikleştirilebilirmiş.
Bu yapının elde edilen sonuçları anlamlandırmak açısından önemli
olduğunu düşündüm. Ayrıca residuals/fitted, normal qq, scale-location,
residuals/levels yapısına yönelik ise autoplot(setadı)
yapısıyla birlikte ele alabilirmişiz.
Son olarak ise, yol analizi ele almış bulunmaktayız. Bu kısım en çok
ilgimi çekenlerden biris olmakla birlikte bu yapının
lavaanPlot(model = fit1, coefs = TRUE, stand = TRUE, sig = 0.05)
ile oluşturulabileceğini öğrendim. Ayrıca
plot(değişken adı) ile de grafik desteklenebilir.