Doğrusal olmayan regresyon analizi nedir?

Doğrusal olmayan regresyon analizi, bağımlı değişken ile bir veya daha fazla bağımsız değişken arasındaki ilişkinin düz bir çizgiyle açıklanamadığı durumlarda kullanılan istatistiksel modelleme yöntemidir. Amaç, veriye uygun bir denklem seçip bilinmeyen model katsayılarını tahmin etmektir. Örneğin büyüme, doyuma ulaşma, azalma veya eğri biçimli değişimleri açıklamak için y = a · e^(b·x) gibi modeller kullanılabilir. Analizin sonunda tahmin denklemi, katsayıların belirsizliği ve modelin veriyi ne kadar iyi açıkladığı birlikte değerlendirilmelidir.

Doğrusal olmayan regresyon nasıl çalışır?​

Bir regresyon modelinde y tahmin edilmek istenen sonuç değişkeni, x ise açıklayıcı değişkendir. Doğrusal olmayan modelde ilişki, katsayılar doğru seçildiğinde bile düz çizgi biçiminde olmak zorunda değildir. Modelin amacı, gözlenen değerlerle modelin ürettiği tahminler arasındaki farkları mümkün olduğunca küçülten katsayıları bulmaktır.

Örneğin bir ürünün reklam harcamasına bağlı satışını incelerken başlangıçta hızlı, daha sonra yavaşlayan bir artış görülebilir. Bu durumda y = a · (1 - e^(-b·x)) biçimindeki doyum modeli, x arttıkça satışın artmasını ancak artış hızının zamanla azalmasını temsil edebilir. Buradaki a teorik üst sınıra, b ise artış hızına ilişkin model katsayısıdır.

Katsayıların nasıl yorumlanacağı seçilen denkleme bağlıdır. Bu nedenle yalnızca katsayı değerine bakarak her modelde aynı anlamı çıkarmak doğru değildir. Özellikle üstel, lojistik ve güç modellerinde katsayılar çoğu zaman doğrudan “x bir birim arttığında y şu kadar artar” şeklinde yorumlanamaz.

Doğrusal regresyondan farkı nedir?​

“Doğrusal olmayan” ifadesi, ilişkinin mutlaka eğri görünmesi anlamına gelmez; modelin katsayılarına göre de değerlendirilir. Örneğin y = a + b·x + c·x² eğri bir grafik oluşturabilir, ancak a, b ve c katsayıları doğrudan toplandığı için bu model katsayıları bakımından doğrusal bir regresyon yöntemiyle tahmin edilebilir. Buna karşılık y = a·e^(b·x) modelinde katsayı b üstel fonksiyonun içinde yer aldığı için klasik doğrusal katsayı yapısına sahip değildir.
Tabloya göre seçim yalnızca grafiğin eğri görünmesine bağlanmamalıdır. Önce verinin davranışı, ölçüm aralığı ve modelin açıklamak istediği mekanizma incelenmelidir. Bir modelin veriye iyi uyması, onun gerçek neden-sonuç ilişkisini kanıtladığı anlamına da gelmez.

Basit bir örnekle yorumlama​

Varsayımsal olarak aşağıdaki veri, bir maddenin zaman içindeki miktarını göstersin:

x = 0, 1, 2, 3, 4

y = 2, 3, 4, 7, 11

İlk artışlar küçükken sonraki artışların büyümesi, ilişkinin düz çizgiden sapabileceğini düşündürebilir. Analist bu veriye örneğin y = a·e^(b·x) modelini uydurur ve tahmini katsayıları a = 2,1 ile b = 0,42 olarak elde ederse model yaklaşık olarak şöyle yazılır:

ŷ = 2,1 · e^(0,42·x)

Buradaki ŷ, gözlenen gerçek değer değil, modelin tahminidir. x = 2 için model yaklaşık 4,9 değerini üretir. Gözlenen değer 4 olduğundan bu noktadaki artık, yani gözlenen değer ile tahmin arasındaki fark, yaklaşık -0,9 olur. Artıkların tüm gözlem aralığında rastgele ve küçük dağılması modelin makul olabileceğini destekler; belirgin bir desen oluşturması ise model biçiminin yetersiz olabileceğini gösterir.

Bu örnek yalnız yöntemin işleyişini göstermek içindir; katsayılar gerçek bir veri kümesinden hesaplanmış sonuç olarak değerlendirilmemelidir. Gerçek analizde model katsayıları veri kullanılarak tahmin edilir ve tahminler kullanılmayan gözlemlerle de sınanır.

Analiz yaparken hangi kontroller yapılır?​

Önce verilerin aynı gözleme ait x-y çiftleri olarak doğru eşleştiğini, eksik değerlerin ve ölçüm birimlerinin kontrol edin. Ardından saçılım grafiğini inceleyerek ilişkinin yaklaşık biçimini belirleyin. Üstel büyüme, azalan artış, doyum veya S biçimli davranış gibi bir örüntü varsa buna uygun aday modeller karşılaştırılabilir.

Model kurulduktan sonra yalnızca R² değerine bakmayın. Artık grafikleri, tahmin hatalarını, katsayıların güven aralıklarını ve modelin verinin dışındaki değerlerde nasıl davranacağını da değerlendirin. Çok yüksek uyum değeri, özellikle gözlem sayısı azsa, modelin doğru olduğu veya gelecekte aynı başarıyı göstereceği anlamına gelmez.

Başlangıç katsayıları yinelemeli yöntemlerde sonucu etkileyebilir. Uygulama farklı başlangıçlarla çok farklı katsayılar veriyorsa model tanımlanamıyor, veri yetersiz kalıyor veya uygun olmayan bir denklem seçiliyor olabilir. Bu durumda ölçüm aralığını, değişkenlerin ölçeklerini ve alternatif model biçimlerini yeniden incelemek gerekir.

Ne zaman kullanılmamalıdır?​

Veri içinde belirgin bir eğri görülmesi tek başına doğrusal olmayan regresyon kullanmak için yeterli değildir. Az sayıda gözlem, aşırı gürültü, aykırı değerler veya yanlış seçilmiş değişkenler yapay bir eğrilik oluşturabilir. Ayrıca model yalnızca gözlem aralığında anlamlıyken bu aralığın dışına taşan tahminler güvenilmez olabilir.

Regresyon modeli ilişkiyi ve tahmin hatasını açıklar; tek başına nedensellik kanıtlamaz. Bir değişkenin diğerine neden olduğunu söylemek için deney tasarımı, zaman sıralaması, karıştırıcı değişkenler ve alan bilgisi ayrıca değerlendirilmelidir. En uygun sonraki adım, birkaç makul modeli aynı veri ve aynı doğrulama ölçütleriyle karşılaştırıp bilimsel veya iş bağlamına uygun, yorumlanabilir modeli seçmektir.