PLS başlangıç

Faydalı olacağını düşündüğüm 2 tane makalenin linkini aşağıda bulabilirsiniz.

İyi çalışmalar.

http://users.stat.umn.edu/~sandy/courses/8801/articles/pls.pdf

http://www.ats.ucla.edu/stat/sas/library/pls.pdf

Brand Preference

Tüketici karakteristik hareketleri, topiğin en ilgi çeken çalışmalarının başında gelmektedir.

1960'lar da ürüne olan talep azalmaya başlamasıyla araştırmacılar tüketici davranışlarına odaklanmışlardır. 1960 yılında Theodore Levitt'in HBR' de yayınlanan "Marketing Myopia" bu alanda ki ilk çalışmadır.

İlerleyen yıllarda bu karakteristik hareketler çeşitli değişkenlerle ilişkilendirilmeye çalışılmıştır.Yapılan çalışmalar neticesinde yaş, cinsiyet, sosyal statü, eğitim ile ilişkiler tespit edilmiştir.

Regresyon - Çoklubağlantı Kavramı (multicollinearity)

Bağımsız değişkenlerin doğrusal bağıntılarından en az biri yaklaşık olarak sıfıra eşit olduğunda, yani bağımsız değişkenler arasında bir ya da daha fazla doğrusal bağıntı olduğunda çoklubağlantı sorunu ortaya çıkmaktadır.

Bağımsız değişkenler arasında tam doğrusal ilişki olduğu durumda “tam çoklubağlantı”, bağımsız değişkenler arasındaki bağımsızlığın tam olmadığı durumda “güçlü çoklubağlantı” ortaya çıkar.

Çoklubağlantı genellikle, aşağıdaki nedenlerden dolayı ortaya çıkar: 

• Diğer değişkenlerin dönüşümleri olarak yeni değişkenler türetmek, ilgili değişkenler arasında çoklubağlantı ortaya çıkarabilir. Bu gibi durumlarda değişkenlerin oranları ve kuvvetleri, genellikle özgün değişkenlerle yaklaşık olarak çoklubağlantılı olacaktır.

• Yetersiz örnekleme, yakın doğrusal bağımlılıkların veri toplama sürecinin bir ürünü olduğu yakın doğrusal bağımlılıklar meydana getirebilir

Çoklubağlantıyı belirleme göstergeleri :

• Genellikle, iki bağımsız değişken arasındaki korelasyon katsayısı yaklaşık olarak 0.80’nin üzerinde ise çoklubağlantının olabileceği düşünülmektedir

• Regresyon modelinin anlamlılığı konusunda bilgi veren F ve katsayılara ilişkin t testlerinin incelenmesi de, çoklubağlantının varlığı konusunda bilgi verebilir

• Bir bağımsız değişkenin ya da gözlemin modele eklenmesi ya da modelden çıkarılması sonucunda regresyon katsayılarında meydana gelen büyük değişiklikler, çoklubağlantının varlığı konusunda işaret olabilir. Ayrıca modele yeni bağımsız değişkenler eklendiğinde 2R ’de önemli bir gelişme sağlanmazsa, çoklubağlantı problemi ortaya çıkmış olabilir

• Eğer bağımsız herhangi iki değişken arasındaki korelasyon katsayısının mutlak  değeri 1’e yaklaşıyorsa, bu iki bağımsız değişkenin yakın doğrusal bağımlı olduğu söylenebilir

Kısmi En Küçük Kareler Regresyon modeli

KEKKR, çok sayıda bağımlı ve açıklayıcı değişkenle çalışma olanağı sağlayan çok
değişkenli istatistiksel bir metottur.

KEKKR algoritmalarında gizli değişken hesaplama ve regresyon adımı bütünleşmiş
şekildedir. Gizli değişkenler tekil değer veya özdeğer ayrıştırması kullanılarak boyut
indirgeme ile elde edilmektedir. Boyut indirgemeden sonra gizli değişkenler, yeni açıklayıcı
değişkenler olarak, regresyon analizinde kullanılmaktadır. Gizli değişkenler, açıklayıcı
değişkenlerin doğrusal bir birleşimi olup aralarında doğrusal bağlantıya sahip değildir

Kısmi en küçük kareler yönteminde boyut indirgemeyi takiben, bağımlı değişkendeki
değişimi açıklamada en etkili olan gizli değişkenleri saptamada bazı model seçme kriterleri
kullanılmaktadır. Bu kriterlerden bazıları PRESS, Wold’s R ve Akaike bilgi kriteri ve BIC
olarak sayılabilir.

KEKKR model kurmak için optimum sayıda gizli değişken sayısını, açıklayıcı ve
bağımlı değişkenler arasındaki kovaryansı maksimum yapacak şekilde elde eder

Gizli değişkenler birbirine dik, karşılıklı bağımsız olmalıdır.