MerQur

🇹🇷 TR 🇺🇸 EN

VARCOMP (Varyans Bileşenleri Analizi)

Temel Alanlar → Ziraat, Orman ve Su Ürünleri → ⚡ VARCOMP (Varyans Bileşenleri Analizi)

VARCOMP (Varyans Bileşenleri Analizi)

⚡ İleri Düzey · Karma Modeller · Variance Decomposition

v1.0.1

Ziraat, Orman ve Su Ürünleri bağlamı — hiyerarşik tasarımda toplam varyansın hangi düzeyden (saha, grup, alt-grup, hata) ne kadarının kaynaklandığını ayrıştırır. SAS PROC VARCOMP eşdeğeri, MerQur’da REML/ML cascade ile.

3-düzey nestedsaha/populasyon/aile

REML + ML fallbackICC + heritabilityσ²saha ≈ 0.5

🎯 Ne işe yarar?

VARCOMP hangi düzey ne kadar varyans katkısı yapıyor sorusuna cevap verir. Tek bir boy_artisi_m ölçümünün dağılımındaki değişkenlik tamamen rastgele midir, yoksa saha ve populasyon arasındaki sistematik farklardan mı kaynaklanıyor? VARCOMP ile σ²saha, σ²populasyon, σ²aile ve σ²residual ayrı ayrı tahmin edilir; her birinin yüzde payı raporlanır.

📌 Ne zaman kullanılır?

  • Ziraat, Orman ve Su Ürünleri alanında çok düzeyli örnekleme tasarımı (nested) varsa
  • Aynı ölçümü farklı saha altındaki farklı populasyon’lere yaptıracağınız bir veri toplama planı tasarlarken örneklem büyüklüğü hesabı için
  • Heritability / generalizability hesaplamak için (σ² oranları)
  • Sabit etken modeli henüz kurmadan önce — varyans öncelikle nerede?

⚙ Varsayımlar

  1. Sürekli DV (boy_artisi_m).
  2. Nested yapı: populasyon saha’in içinde, aile populasyon’in içinde (cross-level confounding yok).
  3. Random etkiler ~ Normal (homoskedastik, ortalama 0).
  4. Her düzeyde yeterli birim: ≥4-6 saha, her birinde ≥2 populasyon önerilir.

📊 MerQur’da Nasıl Çalıştırılır?

1
Veri sekmesi → Dosya Aç → veri setini yükleyin.
2
Analiz → ⚡ İleri Düzey → VARCOMP.
3

Panel atamaları (programdaki form alanları):

  • Sütunlar: {'dv': 'deger', 'factors': [('ust_birim', False), ('alt_birim', True)]}
  • Parametreler: {'estimator': 'REML'}
4
Tahmin yöntemi: REML (varsayılan). LRT için ML’e geçebilirsiniz.
5
▶ Çalıştır. Modal ilerleme penceresi açılır. Tahmin tamamlanınca her bileşen için σ², %, ICC ve diagnostik notlar listelenir.

📊 Örnek Veri Seti — Ziraat, Orman ve Su Ürünleri

ℹ Not: Aşağıdaki senaryo, MerQur çıktısı ve yorum, gerçek örnek veri seti MerQur’da çalıştırılarak elde edilmiştir. Kendi verinizdeki sayısal sonuçlar farklılık gösterecektir; buradaki amaç analizin uçtan uca nasıl kurgulandığını ve yorumlandığını göstermektir.

🎬 Örnek Dosya

Bu analiz, Ziraat, Orman ve Su Ürünleri alanına ait aşağıdaki örnek veri seti üzerinden gösterilmiştir:

Ziraat_Orman_Su/100_varcomp_3seviye_h2.xlsx

🎬 Senaryo

Üç seviyeli yuvalanmış bir denemede (upper_unit / lower_unit / measurement) bir özelliğin (value) toplam varyansının hangi seviyeden kaynaklandığını ayrıştırmak istiyoruz. Varyans bileşenleri analizi, varyansı seviyelere böler; ormancılık/ıslah bağlamında bu, kalıtsallık (h2) tahmini için temeldir: özellikteki değişkenliğin ne kadarı genetik/üst-grup, ne kadarı çevresel/ölçüm kaynaklı?

⚙️ Değişken Seçimi

  • Bağımlı (sürekli): value
  • Üst seviye: upper_unit
  • Alt seviye (nested): lower_unit

Veri Önizleme (İlk 5 Satır)

upper_unit lower_unit measurement_id value
L_A L_A_S01 L_A_S01_M01 51.41
L_A L_A_S01 L_A_S01_M02 52.17
L_A L_A_S01 L_A_S01_M03 40.6
L_A L_A_S01 L_A_S01_M04 43.19
L_A L_A_S01 L_A_S01_M05 48.91

n = 100 · Sütunlar: upper_unit, lower_unit, measurement_id, value

📈 MerQur Çıktısı

VARCOMP (VARYANS BİLEŞENLERİ ANALİZİ) SONUCU
─────────────────────────────────────────────

Varyans bileşenleri (REML): upper_unit %12.1 | lower_unit (nested) %40.9 | artık %47.0
dv = value

💬 MerQur Yorumu

Yuvalanmış bir denemede bir özelliğin toplam varyansının hangi seviyeden kaynaklandığını ayrıştırdık. Varyans bileşenleri analizi, LMM’den farklı olarak hiç sabit etki kullanmaz — tüm faktörler random’dır, amaç varyansı seviyelere bölmektir. Sonuç öğretici: değişkenliğin yüzde 12’si üst seviyeden (örn. popülasyon), yüzde 41’i alt seviyeden (örn. aile, popülasyon içinde nested), yüzde 47’si ise artıktan (çevre/ölçüm) geliyor. Ormancılık ve ıslahta bu, kalıtsallık (h2) tahmininin temelidir: özellikteki değişkenliğin ne kadarı genetik/yapısaldan, ne kadarı çevreden kaynaklanıyor? Alt seviyenin (aile) üst seviyeden (popülasyon) daha büyük katkı sağlaması, seçilim/ıslah çalışmalarında hangi seviyeye odaklanmak gerektiğini doğrudan gösterir.

⚠ Sık Hatalar

  • Nested checkbox unutmak — populasyon sütunu saha altında kümeli (örn. POPULASYON_05_03 sadece SAHA_05’te var). Checkbox işaretlenmezse crossed varsayılır → varyans yanlış paylaşır.
  • İkinci düzeyde tek seviye — bir saha’in altında tek bir populasyon varsa VARCOMP o düzeyi tahmin edemez (σ²=populasyon≈0 ‘singular fit’ uyarısı).
  • Sürekli DV varsayımı — Bernoulli/sayım verisi için VARCOMP yerine GLMM veya kategorik-VARCOMP alternatifi gerekir (MerQur kapsamı dışı).

📚 MerQur’a Atıf

Örücü, Ö. K. (2026). MerQur: Bütünleşik Akademik Veri Analizi ve Raporlama Platformu [Bilgisayar Yazılımı] (Sürüm 1.0.0). https://doi.org/10.53463/merqur.2026001

Tüm atıf formatları →

📝 Üretim Notu — Bu sayfadaki örnek veri sentetik olarak üretilmiştir (sabit SEED=42, generator: samples/Ileri_Duzey_v102/_generate_v102_datasets.py). Sayfa içeriği Anthropic Claude desteği ile hazırlanmış, akademik doğruluk yazar tarafından kontrol edilmiştir.