Yazar "Altuntaş, Mutlu" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • [ X ]
    Öğe
    ALTERNATIVE ROBUST ESTIMATORS FOR PARAMETERS OF THE LINEAR REGRESSION MODEL
    (2022) Altuntaş, Mutlu; Cankaya, Emel; Arslan, Olcay
    This paper considers parameter estimation of the linear regression model with Ramsay-Novick (RN) distributed errors, focusing on its use to aid robustness. Positioning within the class of heavy-tailed distributions, RN distribution can be defined as the modification of unbounded influence function of a non-robust density so that it has more resistance to outliers. \rPotential use of this robust density has been assessed in Bayesian settings on real data examples and there is a lack of performance assessment for finite samples in the classical approach. Therefore, this study explores its robustness properties when used as error distribution compared to normal and other alternating heavy-tailed distributions like Laplace and Studentt. An extensive simulation study was conducted for this purpose under different settings of sample size, model parameters and outlier percentages. An efficient data generation of RN distribution through random-walk Metropolis algorithm is here also suggested. The results were supported by a real world application on famously known as Brownlee’s stack loss plant data.
  • [ X ]
    Öğe
    İstatistiksel model seçiminde Bayesci yaklaşımlar ve Bayes faktörü
    (Sinop Üniversitesi, 2011) Altuntaş, Mutlu; Çankaya, Emel
    Gerçek hayatı betimlemek amacıyla yapılan istatistiksel modelleme çalışmalarında, artan ileri teknoloji ve metotlardaki gelişmeler sayesinde, verideki bilgiyi yeterli miktarda açıklayabilen alternatif modeller oluşturabilmek mümkün olmuştur. Dolayısıyla mevcut birbirine rakip modellerin karşılaştırılması, bir başka deyişle ?en iyi? model seçimi için yeni metotlar geliştirmek, istatistiksel veri analizinde çok aktif bir konudur.Model seçimi pek çok istatistiksel problemde karşımıza çıkmaktadır: iç içe geçmemiş regresyon modelleri kıyaslaması, parametrik aile seçimi, çoklu değişim noktası problemi, bilinmeyen sayıda bileşenli karma model bunlara örneklerdir. Bu problemleri çözmek için, Bayesci prensiplere dayalı önerilen yöntemler arasında sonsal model olasılığı ve bununla ilişkili Bayes faktörü en önemli araç olarak kullanılmaktadır.Bu çalışmada, istatistiksel model seçiminde Bayesci yaklaşımlardan Bayes faktörü tüm yönleriyle incelenmiş, hipotez testlerinde ve eşlenik önsel kullanımıyla model seçiminde uygulamaları gösterilmiştir. Bayes faktörünün analitik olarak hesaplanmasının mümkün olmadığı durumlarda ise bu hesabı yapabilmek için, MCMC (Markov Zinciri Monte Carlo) yöntemlerinin avantajlarını kullanan, uygulaması pratik olan Carlin ve Chib yöntemi tanıtılmıştır.Bir başka Bayesci yaklaşım, BIC (Bayesci Bilgi Ölçütü), Bayes faktörünü yaklaşık olarak hesaplamaya olanak vermesi nedeniyle bu çalışmaya dahil edilmiştir. Ayrıca, Bayes faktöründen tamamen farklı prensipte çalışan ve son dönemlerde pek çok uygulamada sıkça kullanılan DIC (Sapma Bilgi Ölçütü) ayrıntılı olarak anlatılmıştır. Bir yarı-parametrik modelleme olan kuantal modellemenin literatürdeki ünlü bir örneğinin ilk defa bu çalışmada ortaya çıkardığı iki model, Carlin ve Chib yaklaşımıyla hesaplanan Bayes faktörü ve bilgi ölçütlerinden BIC ve DIC kullanılarak karşılaştırılmıştır.