Yüksek Boyutlu Robust Regresyonunda Makine Öğrenmesi Algoritmaları: Simülasyon ve Uygulama
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Marmara Üniversitesi, Sosyal Bilimler Enstitüsü, Ekonometri Anabilim Dalı, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: Türkçe
Öğrenci: KADRİYE HİLAL TOPAL
Danışman: Ebru Çağlayan Akay
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Bu tezin amacı aşırı değer ve kaldıraç noktalarına sahip yüksek boyutlu veri yapısının kullanıldığı modelleri farklı robust yöntemlerle tahmin etmek ve performanslarını karşılaştırmaktır. Çalışmada RStudio programı kullanılarak nesne tabanlı simülasyon yöntemiyle sadece dikey aşırı değerlerin olduğu, sadece kaldıraç noktalarının olduğu, hem dikey aşırı değer hem de kaldıraç noktalarını olduğu ve hiçbirinin olmadığı 4 farklı veri seti oluşturulmuş ve bu veri setlerine LAD Lasso, Kantil Lasso, Robust LARS, SparseLTS, Huber Lasso ve MTE Lasso robust tahmin yöntemleri uygulanmıştır. Ayrıca tüm yöntemlerin performanslarının gerçek veri setinde araştırılması amacıyla Genişletilmiş Çevresel Kuznets Eğrisi hipotezi altında 2000, 2010 ve 2018 yılları için OECD ülkelerinde karbondioksit emisyonunu etkileyen faktörlerin yer aldığı yüksek boyutlu veri setleri oluşturulmuştur. Bu veri setlerindeki dikey aşırı değer ve kaldıraç noktalarının varlığı tanımlayıcı testler ile araştırılmıştır ve sonrasında bu veri setleriyle oluşturulan modeller çalışmada kullanılan robust yöntemlerle tahmin edilmiştir. Hem simülasyon hem de gerçek veri setlerinde kullanılan robust tahmin yöntemlerinin performans karşılaştırılması çeşitli metriklere dayanarak yapılmış ve sonuçlar tablolarla sunulmuştur. Sonuç olarak simülasyon çalışmalarında, yüksek boyutlu modellerde aşırı değerlerin olmaması ve dikey aşırı değerlerin olması durumunda Robust LARS, kaldıraç noktalarının olması ve hem dikey aşırı değerlerin hem de kaldıraç noktalarının olması durumunda Sparse LTS yöntemleri daha iyi performans göstermiştir. Uygulamada ise simülasyon çalışmasıyla benzer sonuçlar elde edilmiştir.