LASSO Regresyonu
LASSO Regresyonu, MerQur’da otomatik uygulanan istatistiksel analizlerden biridir. Bu sayfada Mimarlık, Planlama ve Tasarım alanına ait örnek veri seti üzerinde analizin nasıl uygulandığı, MerQur çıktısının nasıl görüneceği ve APA 7 formatında nasıl raporlanacağı temsilî olarak gösterilmiştir.
🎯 Ne işe yarar?
LASSO Regresyonu, ilgili veri türü için gerekli tüm varsayım kontrollerini (normallik, varyans homojenliği, vb.) arka planda otomatik uygular ve sonuçları açık bir tablo + grafik ile sunar. APA 7 standardında otomatik yorumlama, Cohen’s d/η²/R² gibi etki büyüklükleri ve %95 güven aralıkları raporlanır.
📌 Ne zaman kullanılır?
- Mimarlık, Planlama ve Tasarım alanına ait ölçümlerin istatistiksel analizinde
- Akademik yayın için APA 7 uyumlu sonuç tabloları üretmek için
- Hipotez sınama ve karar verme süreçlerinde
- Lisans / yüksek lisans / doktora tezlerinde uygun yöntem seçimi sonrasında
📐 Varsayımlar
- Uygun ölçek — Değişkenler analizin gerektirdiği ölçek düzeyinde (nominal/ordinal/aralık/oran) olmalı
- Bağımsız gözlemler — Gözlemler birbirinden bağımsız bireylerden gelmiş olmalı
- Yeterli örneklem — Analiz için minimum n gereksinimi karşılanmalı
- Aykırı değer kontrolü — Aykırı değerler tespit edilip değerlendirilmeli
Varsayımlar bozulursa MerQur otomatik olarak non-parametrik veya sağlam (robust) alternatife yönlendirir.
🛠 MerQur’da Nasıl Yapılır?
Veriyi yükle. Dosya → Aç menüsünden örnek dosyayı seç. MerQur sütun tiplerini otomatik tespit eder.
Analizi seç. Sol kenardan LASSO Regresyonu‘yi seç.
Panel atamaları (programdaki form alanları):
- Hedef Sütun:
tasarim_kalite - Bağımsız (Özellikler):
[x01, x02, x03, ... +27 adet] - Alpha:
0.1
Opsiyonel ayarlar. Etki büyüklüğü ✓ · %95 güven aralığı ✓ · Varsayım kontrolleri (otomatik).
▶ Çalıştır butonuna bas. Sonuçlar tablo + grafik olarak otomatik üretilir.
📄 Word’e Aktar. APA 7 formatında, italik istatistik sembolleriyle rapor.
📊 Örnek Veri Seti — Mimarlık, Planlama ve Tasarım
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, Mimarlık, Planlama ve Tasarım alanına ait aşağıdaki örnek veri seti üzerinden gösterilmiştir:
Peyzaj_Mimarligi/50_lasso_30_pred_5_active.xlsx
🎬 Senaryo
30 aday değişkenden tasarım kalitesini gerçekten belirleyen az sayıdaki faktörü seçmek istiyoruz; otomatik değişken seçimi yapan Lasso uygundur.
⚙️ Değişken Seçimi
- Hedef: design_quality
- Yordayıcılar: x01..x30
- GELİŞMİŞ PARAMETRELER (formda opsiyonel — ne işe yarar):
- Çapraz-doğrulama ile otomatik alpha (LassoCV): optimal düzenlileştirme katsayısını otomatik seçer.
Veri Önizleme (İlk 5 Satır)
| area_id | x01 | x02 | x03 | x04 | x05 | x06 | x07 | x08 | x09 | x10 | x11 |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 1.0 | -0.001 | 0.937 | -0.698 | 2.065 | -0.3 | 0.06 | 2.129 | -0.877 | -0.333 | 0.004 | 1.548 |
| 2.0 | -1.286 | 0.622 | -0.445 | -0.165 | -0.109 | -1.634 | 0.824 | -1.361 | -0.922 | 0.105 | -0.222 |
| 3.0 | 0.409 | 0.512 | -0.367 | 0.44 | -1.319 | 0.146 | -0.307 | 1.415 | -0.13 | -0.131 | 1.072 |
| 4.0 | 1.196 | -0.114 | 0.278 | -0.126 | 0.604 | 0.314 | -0.318 | -0.718 | -0.046 | 1.914 | 2.438 |
| 5.0 | -0.035 | 0.477 | 0.835 | 0.541 | -0.498 | 0.932 | -0.442 | 0.105 | -1.577 | -1.006 | -1.457 |
n = 250 · Sütunlar (ilk 12 sütun): area_id, x01, x02, x03, x04, x05, x06, x07, x08, x09, x10, x11
📈 MerQur Çıktısı
💬 MerQur Yorumu
Bu veride az sayıda gerçek yordayıcı, çok sayıda önemsiz değişkenle karışık haldeydi. Lasso regresyonun gücü tam burada görülür: ceza terimi önemsiz değişkenlerin katsayılarını tam olarak sıfıra çeker, yani otomatik değişken seçimi yapar. 30 yordayıcıdan 20’si elendi, model R2 = 0.65 ile güçlü kaldı. Lasso, çok sayıda aday değişken içinden tasarım kalitesini gerçekten belirleyen az sayıdaki faktörü seçmek istediğinizde — yüksek boyutlu peyzaj ve çevresel veride — son derece kullanışlıdır. Ridge tüm değişkenleri küçültürken, Lasso önemsizleri tamamen eler.
⚠ Sık Yapılan Hatalar
- Veri tipini yanlış belirlemek (örn. kategorik değişkeni numerik olarak yüklemek)
- Varsayım kontrollerini atlayıp doğrudan p-değerine bakmak
- Etki büyüklüğünü raporlamamak — APA 7 hem p hem etki büyüklüğü ister
- Çoklu karşılaştırmada Tip I hatası düzeltmesi (Bonferroni/Tukey) yapmamak
- n yetersiz olduğunda non-parametrik alternatife geçmemek
📹 Video Anlatım
Bu analizin Mimarlık, Planlama ve Tasarım dosyası üzerinden uçtan uca uygulanışı için aşağıdaki videoyu izleyebilirsin.
▶ Lasso Regresyon — video anlatım
Bu bölüm, Regresyon videosunun içinde yer alıyor (12 analiz, tek video). Aşağıdaki bağlantı doğrudan 11:25 dakikasından, bu analizin anlatıldığı yerden başlar.
🎓 Eğitim Bilimleri · 🧪 Fen Bilimleri ve Matematik · ⚙ Mühendislik · 🏥 Sağlık Bilimleri · 📊 Sosyal, Beşeri ve İdari Bilimler · 🏃 Spor Bilimleri · 🌾 Ziraat, Orman ve Su Ürünleri
📚 Bu Analizi Yaptıysanız MerQur’u Atıf Yapın
MerQur’u kullanarak bilimsel bir çalışmada bu analizi gerçekleştirdiyseniz, akademik atıf zorunluluğu kapsamında lütfen aşağıdaki atfı kullanın (APA 7):
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
BibTeX, RIS, EndNote ve İngilizce karşılığı için: tüm atıf formatları →
- American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.).
- Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). Sage.
- Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum.