Farklı Yanlılık Parametreleri İçin Ridge GM Tahmin Edicilerinin Performanslarının Karşılaştırılması

Işilar, Melike; Bulut, Y. Murat

doi:10.35193/bseufbd.877176

Cited by 2 publications

(2 citation statements)

References 25 publications

(26 reference statements)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Therefore, many studies are in the literature to get the biased parameter. Some of these studies are Theobald, Hoerl et al, Lawless, Hocking et al, Kibria, Khalaf and Shukur, Alkhamisi et al Alkhamisi and Shukur, Muniz and Kibria, Al‐Hassan, Muniz et al, Dorugade, Karaibrahimoğlu et al, Altın Yavuz, Işılar and Bulut (Al‐Hassan, 2010; Alkhamisi & Shukur, 2007; Alkhamisi, Khalaf, & Shukur, 2006; Altın Yavuz, 2019; Dorugade, 2014; Hocking, Speed, & Lynn, 1976; Hoerl, Kennard, & Baldwin, 1975; Işılar & Bulut, 2021; Karaibrahimoğlu, Asar, & Genç, 2016; Khalaf & Shukur, 2005; Kibria, 2003; Lawless & Wang, 1976; Muniz & Kibria, 2009; Muniz, Kibria, & Shukur, 2012; Theobald, 1974).…”

Section: Introductionmentioning

confidence: 99%

Robust Liu‐type estimator based on GM estimator

Işilar

Bulut

2023

Statistica Neerlandica

Self Cite

View full text Add to dashboard Cite

Ordinary Least Squares Estimator (OLSE) is widely used to estimate parameters in regression analysis. In practice, the assumptions of regression analysis are often not met. The most common problems that break these assumptions are outliers and multicollinearity problems. As a result of these problems, OLSE loses efficiency. Therefore, alternative estimators to OLSE have been proposed to solve these problems. Robust estimators are often used to solve the outlier problem, and biased estimators are often used to solve the multicollinearity problem. These problems do not always occur individually in the real‐world dataset. Therefore, robust biased estimators are proposed for simultaneous solutions to these problems. The aim of this study is to propose Liu‐type Generalized M Estimator as an alternative to the robust biased estimators available in the literature to obtain more efficient results. This estimator gives effective results in the case of outlier and multicollinearity in both dependent and independent variables. The proposed estimator is theoretically compared with other estimators available in the literature. In addition, Monte Carlo simulation and real dataset example are performed to compare the performance of the estimator with existing estimators.

show abstract

Section: Introductionmentioning

confidence: 99%

Robust Liu‐type estimator based on GM estimator

Işilar

Bulut

2023

Statistica Neerlandica

Self Cite

View full text Add to dashboard Cite

show abstract

“…Çalışmaların sonucunda Makine Öğrenmesi tekniklerinin yanında Derin Öğrenme tekniklerinin de başarılı sonuçlar verdiği tespit edilmiştir [21]. Işılar ve Bulut, Ridge Regresyon tahmin edicisinde farklı yanlılık parametrelerinin performanslarını simülasyon çalışması ve gerçek veri örneği üzerinde incelemiştir [22]. Yıldıran ve Kandemir, geçmiş yağış verilerini kullanarak yağış tahmini yapmışlardır.…”

Section: Introductionunclassified

Türkiye Kısa Dönem Elektrik Yük Talep Tahmininde Makine Öğrenmesi Yöntemlerinin Karşılaştırılması

KAYSAL

Hocaoğlu

2022

Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi

View full text Add to dashboard Cite

Enerji sektöründe arz-talep yönetimi, gelişmekte olan ve büyüyen ülke ekonomileri için öncelikli öneme sahiptir. Artan nüfusa, yükselen ekonomiye ve sanayideki gelişmelere bağlı olarak ülkelerin enerji ihtiyaçları da büyük ölçüde artmaktadır. Bu nedenle, gelecekteki elektrik arz-talep eğilimlerinin doğru ve güvenilir bir şekilde tahmin edilmesi için modeller kullanılması, tüketiciler ve bu alandaki yatırımcılar için dikkat çeken bir konu olmuştur. Bu çalışmada, Türkiye kısa dönem elektrik yük talep tahminini gerçekleştirebilmek için başarıları literatürde kanıtlanmış makine öğrenmesi yöntemlerinden, Yapay Sinir Ağları, Ridge Regresyon, Lasso Regresyon ve Destek Vektör Regresyonu kullanılmıştır. Tahmin modellerinde kullanılan veriler Türkiye Elektrik İletim Anonim Şirketi’nden temin edilmiştir. Geçmişe dönük saatlik frekansta ölçülmüş bir yıllık veri seti ile bir saatlik ileriye yönelik tahminler gerçekleştirilmiştir. Yöntemlerden elde edilen sonuçların karşılaştırılabilmesi için literatürde sık kullanılan performans ölçüt kriterlerinden RMSE, MAE ve R^2değerleri hesaplanmıştır. Yapay Sinir Ağları, geliştirilen makine öğrenmesi modelleri arasında RMSE=0,86, MAE=0,62 ve R^2=0,97 sonuçları ile daha başarılı bulunmuştur.

show abstract

Farklı Yanlılık Parametreleri İçin Ridge GM Tahmin Edicilerinin Performanslarının Karşılaştırılması

Abstract: Bilim dalında tamamlanan yüksek lisans tezinin bir bölümünden üretilmiştir.

Cited by 2 publications

References 25 publications

Robust Liu‐type estimator based on GM estimator

Robust Liu‐type estimator based on GM estimator

Türkiye Kısa Dönem Elektrik Yük Talep Tahmininde Makine Öğrenmesi Yöntemlerinin Karşılaştırılması

Contact Info

Product

Resources

About