Bell regresyonda cezalı tahmin

Sayma verileri, belirli bir zaman dilimi veya gözlem alanı içinde, sayılabilir ve genellikle pozitif tam sayılarla ifade edilen olayların sayısını temsil etmektedir. Bu tür veriler, genellikle olayların meydana gelme sıklığını ölçmek için kullanılmakta ve Poisson dağılımı gibi dağılımlarla modellenmektedir. Bell regresyon modeli, sayma verilerinin modellenmesinde kullanılan özel bir regresyon yöntemidir. Bell regresyonu, geleneksel sayma veri modelleme yaklaşımlarının sınırlamalarını aşmak için tasarlanmıştır ve genellikle Poisson regresyonu veya Negatif Binomial regresyon gibi standart yöntemlere alternatif olarak kullanılır. Çoklu doğrusal bağlantı, bir regresyon modelindeki açıklayıcı değişkenlerin birbirleriyle yüksek derecede doğrusal ilişkiler içinde olması durumudur. Çoklu doğrusal bağlantı olduğunda, regresyon katsayıları tahmin edilemez hale gelebilir, standart hata değerleri artar ve sonuçta modelin parametre tahminleri etkinliğini kaybeder. Bu durum modelin genelleme gücünü zayıflatır. Ayrıca, çoklu doğrusal bağlantı, değişkenlerin hangi faktörlerden etkilendiğini net bir şekilde belirlemeyi zorlaştırır ve anlamlılık testlerinin yanıltıcı sonuçlar vermesine yol açabilir. Sayma verilerinde çoklu doğrusal bağlantı problemi varlığında modelleme yaparken modelin güvenilirliğinde ciddi düşüşler yaşanabilir. Bu durumda, modele katılan değişkenlerin doğru bir şekilde seçilmesi ve modelin aşırı uyum yapmaması için cezalandırma yöntemlerinin (örneğin, Lasso) kullanılması uygun bir çözüm olacaktır. Lasso (Least Absolute Shrinkage and Selection Operator), regresyon analizinde değişken seçimi ve parametre küçültme (shrinkage) amacıyla kullanılan güçlü bir tekniktir. Lasso, özellikle çoklu doğrusal bağlantı gibi problemlerle başa çıkarken ve yüksek boyutlu veri setlerinde önemli değişkenleri belirlerken kullanılır. Lasso, klasik doğrusal regresyon modelinin kayıp fonksiyonuna l_1 ceza terimi ekler. Bu da regresyon katsayılarının mutlak değerlerinin toplamını sınırlayarak modelin daha basit ve genellenebilir olmasını sağlar. Bu cezalandırma, regresyon katsayılarını sıfıra yaklaştırarak, bazı değişkenlerin katsayılarını sıfırlayabilir ve böylece modelde sadece en önemli değişkenlerin kalmasını sağlar. Bu özellik, değişken seçimi yaparak aşırı uyum (overfitting) riskini azaltır ve modelin genel performansını artırır. Lasso, özellikle çok sayıda açıklayıcı değişkenin bulunduğu ve bu değişkenlerin önemli bir kısmının birbirleriyle yüksek korelasyona sahip olduğu durumlarda faydalıdır. Bu çalışma, sayım verileri bağlamında Lasso regresyon yönteminin, regresyon katsayılarını küçültme (shrinkage) ve değişken seçimi amacıyla uygulanmasını kapsamlı bir şekilde ele almaktadır. Araştırmanın temel odağı, açıklayıcı değişkenler arasında yüksek düzeyde korelasyonun (çoklu doğrusal bağlantı, multicollinearity) neden olduğu istatistiksel sorunların üstesinden gelmektir. Çoklu doğrusal bağlantı, parametre tahminlerinin sapmasına ve istatistiksel modellerin güvenilirliğinin azalmasına yol açabilir. Bu durumda Lasso cezalandırma (penalization) yöntemi yoluyla yüksek düzeyde korelasyonlu değişkenlerin belirlenmesi ve buna bağşı olarak değişken seçimi etkili bir yöntem olarak kullanılmaktadır. Çalışmada çoklu doğrusal bağlantı problemi Bell regresyon modeli için ele alınmıştır. Bell regresyon modeli sayma verilerini modellemek için kullanılmaktadır. Alternatif Yönlendirme Çarpanı Metodu (AlternatingDirection Method of Multipliers-ADMM) algoritması ile Bell regresyon modeli için Lasso cezalandırma yaklaşımı uygulanmıştır. ADMM algoritması, karmaşık cezalandırma fonksiyonlarına sahip optimizasyon problemlerini çözmede güçlü bir araç olarak işlev görmektedir. Bell Lasso regresyon modelinin parametre tahmini için ADMM algoritmasının uygulanışı detaylandırılmış, modelin performansı geniş çaplı simülasyonlar ve gerçek dünya uygulamaları ile değerlendirilmiştir. Çalışmada gerçekleştirilen simülasyonlar, değişkenler arası farklı korelasyon seviyeleri ve örneklem büyüklükleri gibi koşullarda Bell Lasso modelinin performansını değerlendirilmiştir. Elde edilen bulgular, modelin ilgisiz ve yüksek düzeyde korelasyonlu değişkenleri dışlamadaki başarısını ve tahmin doğruluğunu artırmadaki üstünlüğünü ortaya koymaktadır