Logaritmik regresyon modeli nedir?

Logaritmik regresyon nasıl çalışır?​

Logaritmik regresyon modeli, bağımsız değişken x arttıkça bağımlı değişken y üzerindeki etkinin giderek azaldığı durumları açıklamak için kullanılır. Temel biçimi y = a + b ln(x) şeklindedir. Burada a sabit terimi, b ise x değişkenindeki logaritmik değişimin y üzerindeki etkisini gösterir. Veriyi bu modele uydurduğunuzda yalnızca bir denklem elde etmezsiniz; ilişkinin yönünü, yaklaşık etkisini ve modelin veriyi ne ölçüde açıkladığını da değerlendirirsiniz.

Modelin temel mantığı​

Logaritmik modelde x değişkeninin etkisi sabit değildir. x küçükken meydana gelen artışlar y üzerinde daha büyük değişiklik oluşturabilir; x büyüdükçe aynı miktardaki artışın etkisi azalır. Bu nedenle model; ilk müşterilerden, ilk reklam harcamalarından veya başlangıçtaki performans artışlarından daha yüksek kazanım elde edilen durumlara uygundur.

y = a + b ln(x) denkleminde b pozitifse x arttıkça y genel olarak artar, ancak artışın eğimi zamanla küçülür. b negatifse x büyüdükçe y azalır. Etkinin matematiksel eğimi yaklaşık olarak b/x olduğundan, x yükseldikçe eğim mutlak değer olarak küçülür.

Bu modelde x değerleri sıfırdan büyük olmalıdır; çünkü sıfırın veya negatif bir sayının doğal logaritması gerçek sayılar içinde tanımlı değildir. Verinizde sıfır ya da negatif değer varsa doğrudan logaritmik regresyon uygulamak yerine değişkenin nasıl üretildiğini ve uygun bir dönüşüm gerekip gerekmediğini incelemeniz gerekir.

Somut bir örnek​

Varsayımsal olarak reklam harcaması x ile satış geliri y arasındaki ilişkiyi incelediğinizi düşünün. Regresyon sonucunda şu denklem elde edilmiş olsun:

y = 120 + 18 ln(x)

Burada x, bin TL cinsinden reklam harcamasını; y ise bin TL cinsinden tahmini geliri temsil etsin. Reklam harcaması 10 olduğunda:

y = 120 + 18 ln(10) ≈ 161,4

Reklam harcaması 100 olduğunda ise:

y = 120 + 18 ln(100) ≈ 202,9

Reklam harcaması 10’dan 100’e, yani on katına çıkarken tahmini gelir yaklaşık 161,4’ten 202,9’a yükselir. Ancak model, sonraki on katlık artışın da aynı miktarda gelir artışı sağlayacağını söylemez. Logaritmik modelin ana mesajı, artışın sürmesine rağmen marjinal etkinin azalmasıdır.

Bu denklem gözlenen verilerden kurulmuşsa, katsayılar ilişkiyi özetler; tek başına reklam harcamasının geliri kesin olarak oluşturduğunu kanıtlamaz. Geliri etkileyen fiyat, sezon, marka bilinirliği veya kampanya türü gibi değişkenler modele eklenmemiş olabilir.

Hangi modelle karıştırılmamalı?​

“Logaritmik regresyon” ile “lojistik regresyon” aynı şey değildir. Logaritmik regresyon, çoğunlukla sürekli bir y değerini logaritmik eğriyle tahmin eder. Lojistik regresyon ise genellikle iki sonuçlu bir durumu, örneğin “oldu/olmadı” sınıflandırmasını tahmin eder.

Aşağıdaki ayrım, model seçerken başlangıç noktası sağlar.
Tablodaki modellerden birini yalnızca grafiğin görünüşüne bakarak seçmek yeterli değildir. Nokta grafiğini, artıkların dağılımını, tahmin hatalarını ve modelin kullanılacağı aralığı birlikte incelemek gerekir.

Sonuçlar nasıl yorumlanır?​

b katsayısının işareti ilişkinin yönünü gösterir; büyüklüğü ise logaritmik ölçekteki değişimin y ile ilişkisini açıklar. x değerinin bir birim artışından çok, x değerinin belirli bir oranda veya kat olarak değişmesi daha anlamlıdır. Örneğin x iki katına çıktığında y üzerindeki değişim yaklaşık olarak b ln(2) olur.

Modelin R² değerinin yüksek olması, verideki değişimin önemli bir bölümünün model tarafından açıklandığını gösterebilir; ancak bu değer nedenselliği, gelecekte kesin doğru tahmin yapılacağını veya modelin tüm aralıklarda geçerli olduğunu kanıtlamaz. Özellikle verinin gözlendiği aralığın dışına çıkıldığında tahminler güvenilmez hâle gelebilir.

Modeli kullanmadan önce artıkların rastgele dağılıp dağılmadığını kontrol edin. Artıklarda belirgin bir eğri, kümelenme veya artan saçılma varsa logaritmik biçim ilişkiyi tam açıklamıyor olabilir. Böyle bir durumda doğrusal, üstel, polinom veya başka bir uygun modelle karşılaştırma yapmanız gerekir. En doğru seçim, yalnızca daha yüksek R² değerine değil, hata davranışına ve modelin gerçek kullanım amacına göre yapılmalıdır.