BİS654 - DOĞRUSAL REGRESYON ÇÖZÜMLEMESİ
| Dersin Adı | Kodu | Yarıyılı | Teori (saat/hafta) |
Uygulama (saat/hafta) |
Yerel Kredi | AKTS |
|---|---|---|---|---|---|---|
| DOĞRUSAL REGRESYON ÇÖZÜMLEMESİ | BİS654 | 2. Yarıyıl | 3 | 0 | 3 | 7 |
| Önkoşul(lar)-var ise | BİS 605 veya BİS 735 Biyoistatistik dersini almış ve başarıyla tamamlamış olmak. | |||||
| Dersin Dili | Türkçe | |||||
| Dersin Türü | Seçmeli | |||||
| Dersin verilme şekli | Yüz yüze | |||||
| Dersin öğrenme ve öğretme teknikleri | Anlatım Tartışma | |||||
| Dersin sorumlusu(ları) | DR. ÖĞR. ÜYESİ SEVİLAY KARAHAN, ÖĞR. GÖR. DR. H. YAĞMUR ZENGİN, PROF. DR. ERDEM KARABULUT | |||||
| Dersin amacı | Basit ve çoklu doğrusal regresyon modellerinin ne amaçla kullanıldığını, modellerin nasıl kurulduğunu, nasıl çözümlendiğini ve yorumlandığını, çeşitli istatistiksel yazılımlar yardımıyla bu çözümlemelerin nasıl yapıldığı öğretmek. Doğrusal olmayan regresyon modelleri konusunda da belirli düzeyde bilgi sahibi olmalarını sağlamak. | |||||
| Dersin öğrenme çıktıları |
| |||||
| Dersin içeriği | - Doğrusal regresyonun amaçları - Doğrusal regresyonun kullanım yerleri - Doğrusal regresyonun varsayımları - Basit doğrusal regresyon - Doğrusal olmayan regresyon modelleri - Çoklu doğrusal regresyon - Modellerin yeterlik ölçüleri - Niteliksel bağımsız değişkenler olduğunda regresyon modelleri. - Değişken seçim yöntemleri - Temel bileşenler regresyonu - Regresyon modellerinin geçerliği | |||||
| Kaynaklar | 1. Daniel, Wayne W., Chad L. Cross. Biostatistics: a foundation for analysis in the health sciences. 10th Edition, John Wiley&Sons, 2018. 2. Montgomery D.C., Peck E.A., Vining G. G. Introduction to Linear Regression Analysis. 5th Edition, John Wiley-Sons, Inc. Publications, New Jersey, 2012. 3. Kleinbaum D. G., Kupper L. L., Nizam A., Muller K. E., Rosenberg, E.S. Applied Regression Analysis and Other Multivariable Methods. 5th Edition, Cengage Learning, 2013. 4. Chatterjee S. and Hadi A. S. Regression Analysis by Example. 5th Edition, John Wiley-Sons, Inc. Publications, New Jersey, 2012. 5. Alpar R. Çok Değişkenli İstatistiksel Yöntemler, Detay Yayıncılık, Ankara, 2021. | |||||
Haftalara Göre İşlenecek Konular
| Haftalar | Konular |
|---|---|
| 1. Hafta | Doğrusal regresyonun amacı, kullanım yerleri, özellikleri, varsayımları, değişik istatistiksel yazılımların regresyon ile ilgili modülleri. |
| 2. Hafta | Basit doğrusal regresyon analizi, katsayıların elde edilmesi, standart hataları, katsayıların ve kestirimlerin güven aralıkları ve hipotez testleri. |
| 3. Hafta | Doğrusal olmayan regresyon modelleri ve doğrusallaştırılabilen doğrusal olmayan modeller. |
| 4. Hafta | Çoklu doğrusal regresyon analizi, katsayıların elde edilmesi, standart hataları, katsayılar ve kestirimler için güven aralıkları ve hipotez testleri. |
| 5. Hafta | Regresyon modellerinin yeterliği ile ilgili ölçüler; artıkların incelenmesi (ham artıklar, standartlaştırılmış artıklar, student türü artıklar, vb.) ve artıklara ilişkin grafik çizimleri. |
| 6. Hafta | 1. Ara Sınav |
| 7. Hafta | Regresyon modellerinin yeterliği ile ilgili ölçüler (Cook uzaklığı, gözlem uzaklığı, Mahalanobis uzaklığı, DFBETA, DFITS, vb.) ve grafik çizimleri. |
| 8. Hafta | Regresyonda değişen varyanslılık sorunu, belirlenmesi ve giderilmesi. Regresyonda çoklubağlantı sorunu, belirlenmesi ve giderilmesi. |
| 9. Hafta | Artıkların normalliği ve özilişki sorunu. Özilişki (otokorelasyon) sorununun giderilmesi. Modelin geçerliği ile ilgili ölçüler (PRESS istatistiği, vb.) |
| 10. Hafta | Modelde nitelik değişkenin varlığında göstermelik (kukla) değişkenlerin kullanımı. |
| 11. Hafta | 2. Ara Sınav |
| 12. Hafta | Değişken seçim yöntemleri, temel bileşenler regresyonu. |
| 13. Hafta | Tıp literatüründen makale inceleme |
| 14. Hafta | Ödev sunumu |
| 15. Hafta | Genel sınava hazırlık |
| 16. Hafta | Genel sınav |
Değerlendirme Sistemi
| Yarıyıl içi çalışmaları | Sayısı | Katkı Payı % |
|---|---|---|
| Devam (a) | 0 | 0 |
| Laboratuar | 0 | 0 |
| Uygulama | 0 | 0 |
| Alan Çalışması | 0 | 0 |
| Derse Özgü Staj (Varsa) | 0 | 0 |
| Ödevler | 12 | 30 |
| Sunum | 0 | 0 |
| Projeler | 0 | 0 |
| Seminer | 0 | 0 |
| Ara Sınavlar | 2 | 20 |
| Genel sınav | 1 | 50 |
| Toplam | 100 | |
| Yarıyıl İçi Çalışmalarının Başarı Notuna Katkısı | 14 | 50 |
| Yarıyıl Sonu Sınavının Başarı Notuna Katkısı | 1 | 50 |
| Toplam | 100 | |
AKTS (Öğrenci İş Yükü) Tablosu
| Etkinlikler | Sayısı | Süresi | Toplam İş Yükü |
|---|---|---|---|
| Ders Süresi | 14 | 3 | 42 |
| Laboratuvar | 0 | 0 | 0 |
| Uygulama | 0 | 0 | 0 |
| Derse özgü staj (varsa) | 0 | 0 | 0 |
| Alan Çalışması | 0 | 0 | 0 |
| Sınıf Dışı Ders Çalışma Süresi (Ön Çalışma, pekiştirme, vb) | 14 | 6 | 84 |
| Sunum / Seminer Hazırlama | 0 | 0 | 0 |
| Proje | 0 | 0 | 0 |
| Ödevler | 12 | 4 | 48 |
| Ara sınavlara hazırlanma süresi | 2 | 11 | 22 |
| Genel sınava hazırlanma süresi | 1 | 14 | 14 |
| Toplam İş Yükü | 43 | 38 | 210 |
Dersin Öğrenme Çıktılarının Program Yeterlilikleri İle İlişkilendirilmesi
| D.9. Program Yeterlilikleri | Katkı Düzeyi* | ||||
|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | |
| 1. Biyoistatistik yüksek lisans diplomasına sahip bir uzman; araştırmanın planlaması, yürütülmesi ve sonuçlandırılması aşamalarında sorumluluk alabilmesi için yeterli kuramsal bilgiye sahiptir, literatürü ve güncel çalışmaları yakından izler. | X | ||||
| 2. Biyoistatistik yüksek lisans diplomasına sahip bir uzman; biyoistatistik bilim alanı ve alan dışı konulara eleştirel bir gözle bakar. Gerek ders saatinde gerekse ders saati dışında ders konularına, yapılan sunumlara, seminerlere, katıldığı kongre veya sempozyumlarda karşılaştığı çalışmalara ve bilimsel makalelere ilişkin sorular sorar ve eleştirel bir bakış açısı kazanır. | X | ||||
| 3. Biyoistatistik yüksek lisans diplomasına sahip olan bir uzman; uygun istatistiksel çözümlemelere karar verebilmesi ve sonuçları doğru irdeleyebilmesi için yeterli kuramsal ve uygulamalı istatistik bilgisine sahiptir. | X | ||||
| 4. Biyoistatistik yüksek lisans diplomasına sahip bir uzman; yeterli bilgisayar bilgisine ve istatistiksel yazılımları kullanma becerisine sahiptir. Aday; verilerin analiz öncesinde amaca uygunluğunu denetler, kullanılacak istatistiksel yazılımda veri girişi, düzenlemesi ve veri yönetimi konusunda yaşanacak sorunlara ve amaca uygun, doğru analiz yöntemini belirleme gibi problemlere uygun çözüm önerileri getirir. | X | ||||
| 5. Biyoistatistik yüksek lisans diplomasına sahip olan uzman; çalıştığı alana ilişkin bilgilerini; tartışmalara katılım-katkı, tez danışmanı ile bilgi alış verişi, makale tartışması ve seminer sunumu yolu ile başkalarına uygun şekilde aktarır. | X | ||||
| 6. Biyoistatistik yüksek lisans diplomasına sahip bir uzman; danışmanlık yapacağı çalışmalarda yöntem önerilerinde bulunur, araştırma planlaması yapar, yönlendirici olur, araştırma raporu hazırlar. | X | ||||
| 7. Biyoistatistik yüksek lisans diplomasına sahip bir uzman; bilimsel doğruluk ve istatistiksel etik değerlere uygun hareket eder. Bir araştırmanın sonucuna etki edebilecek, bilerek ya da bilmeyerek yapılmış yanlılık kaynaklarını öngörebilecek istatistiksel bilgi alt yapısına sahiptir. Araştırmaların her aşamasında yapılabilecek bilinçli ya da bilinçsiz yan tutmalara karşı dikkatli ve uyarıcıdır. | X | ||||
| 8. Biyoistatistik yüksek lisans diplomasına sahip bir uzman; bağımsız olarak çalışabilmesi için; bir öğretim üyesi gözetiminde bölüm içerisinde yapılan bir danışmanlık hizmetine katkıda bulunur, danışman öğretim üyesi ile birlikte kongrelere sözlü bildiri ya da poster ile katılır ve bir projede görevlendirilebilir. | X | ||||
| 9. Biyoistatistik yüksek lisans diplomasına sahip bir uzman; multi-disipliner bir çalışma içerisinde yer almaya hazırdır. Mesleki anlamda başkalarıyla ilişkiye geçer; ödev, seminer, proje ve danışmanlık hizmetlerinde bir grup içerisinde çalışır, aynı ekip içerisinde yer alan kişilere iş verebilme yeteneği kazanır. | X | ||||
| 10. Biyoistatistik yüksek lisans diplomasına sahip bir uzman; biyoistatistik alanında sahip olduğu bilgileri farklı disiplinlerden gelen bilgilerle bütünleştirip yeni bilgiler oluşturmak için yorumlar, değişik araştırma yöntemleri kullanarak analiz ve sentez yapar ve çözüm önerileri getirir. | X | ||||
*1 En düşük, 2 Düşük, 3 Orta, 4 Yüksek, 5 Çok yüksek