LASSO Regresyonu

Regresyon · Düzenlileştirilmiş

LASSO Regresyonu, MerQur’da otomatik uygulanan istatistiksel analizlerden biridir. Bu sayfada Mühendislik 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?

Mühendislik 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: kalite
Bağımsız (Özellikler): [parsel_id, x01, x02, +28 daha]
Anlamlılık (α): 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 — Mühendislik

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, Mühendislik alanına ait aşağıdaki örnek veri seti üzerinden gösterilmiştir:

Muhendislik/50_lasso.xlsx

🎬 Senaryo

Kaliteyi 30 aday özellikten lasso regresyonuyla modelleyip önemli olanları seçiyoruz. Otomatik değişken seçimi gereken durumlarda lasso uygun bir yöntemdir.

⚙️ Değişken Seçimi

Bağımlı değişken: quality
Yordayıcı(lar): x01..30
GELİŞMİŞ PARAMETRELER (formda opsiyonel — ne işe yarar):
Çapraz doğrulama ile otomatik alpha (LassoCV): en uygun düzenlileştirme katsayısını otomatik olarak seçer.

Veri Önizleme (İlk 5 Satır)

plot_id	x01	x02	x03	x04	x05	x06	x07	x08	x09	x10	x11
1.0	-0.6	-1.819	1.348	-1.393	0.069	0.078	0.641	-0.789	0.339	-0.54	2.057
2.0	0.076	-0.195	0.017	-0.259	0.787	-0.17	0.206	-0.917	1.114	0.648	-0.33
3.0	-2.591	-0.43	0.426	-0.047	0.55	-1.689	0.129	-0.419	0.514	-0.042	2.34
4.0	-1.577	0.021	-1.235	-0.106	-0.008	0.209	-0.738	-1.371	0.451	-1.074	-0.405
5.0	0.564	-0.863	0.918	1.513	0.234	0.359	-0.317	0.069	-1.02	-0.567	-0.145

n = 250 · Sütunlar (ilk 12 sütun): plot_id, x01, x02, x03, x04, x05, x06, x07, x08, x09, x10, x11

📈 MerQur Çıktısı

LASSO REGRESYONU SONUCU ───────────────────────────────────────────── alpha = 0.1 R^2 = 0.712 30 özellikten 16’sı sıfıra çekildi (otomatik değişken seçimi)

💬 MerQur Yorumu

Kaliteyi 30 aday özellikten lasso regresyonla modelledik: R^2 = 0.71 ve lasso, 30 özellikten 16’sının katsayısını tam olarak sıfıra çekerek yalnızca etkili değişkenleri seçti. Lasso’nun ridge’den farkı budur: katsayıları sıfırlayabildiği için aynı anda hem tahmin yapar hem de değişken seçer. Sahada çok sayıda aday gösterge ya da parametre arasından “gerçekten önemli olan az sayıdaki etkeni” otomatik ayıklamada (sade ve yorumlanabilir bir model kurmada) oldukça kullanışlıdır.

⚠ 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 Mühendislik dosyası üzerinden uçtan uca uygulanışı için aşağıdaki videoyu izleyebilirsin.

▶ Lasso Regresyon — video anlatım

Bu bölüm, Regresyon videosunun içinde yer alıyor (10 analiz, tek video). Aşağıdaki bağlantı doğrudan 10:19 dakikasından, bu analizin anlatıldığı yerden başlar.

▶ Bu analizi izle (10:19) 📺 Tüm videolar

🔀 Aynı analizi diğer Temel Alanlarda:
🎓 Eğitim Bilimleri · 🧪 Fen Bilimleri ve Matematik · 🏛 Mimarlık, Planlama ve Tasarım · 🏥 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 →

Kaynaklar:

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.