96. Ağırlıklı Doğrusal Regresyon (Karmaşık Örneklem)
Analiz kimliği: survey_reg · Menü adı: Ağırlıklı Doğrusal Regresyon (Karmaşık Örneklem) · Panel: gui/panels/analyses/survey_regression.py · Motor: stats/survey_design.py, _run_survey_glm (satır 1615–2085) ve run_survey_regression (2088–2102); ek çıktılar stats/survey_extras.py, gui/panels/analyses/_survey_glm_extras_ui.py
96.1 Ne işe yarar
Ağırlıklı doğrusal regresyon, karmaşık örneklem tasarımıyla (örnekleme ağırlığı, tabaka, küme ya da birincil örnekleme birimi, PSU) toplanmış veride sürekli bir sonucun açıklayıcılarla ilişkisini evren düzeyinde kestirir. Cevapladığı soru şudur: "Evrende yaş bir yıl arttığında sistolik kan basıncı ortalama ne kadar değişir, ve bu kestirimin örnekleme tasarımına uygun belirsizliği nedir?"
Model, evren regresyon katsayılarını tanımlar:
- U: evren (tüm birimler); s: örneklem.
- \mathbf B: evrenin tamamına en küçük kareler doğrusu uydurulsaydı elde edilecek katsayılar ("evren betimsel parametresi").
- w_i: i. birimin örnekleme ağırlığı; kabaca temsil ettiği evren birimi sayısı (1/\pi_i).
- \mathbf x_i=(1,x_{i1},\dots,x_{ip})^{\top}: başına 1 eklenmiş açıklayıcı vektörü.
Neden ağırlıklı en küçük kareler ve neden ayrıca tasarım SH'si?
Örneklemde bazı gruplar evrendeki paylarından fazla ya da az temsil edilmiştir. Ağırlıklar her birimi temsil ettiği evren payına geri çeker; böylece ağırlıklı toplamlar evren toplamlarının yansız kestiricisi olur ve \hat{\mathbf B}, \mathbf B'nin tutarlı kestiricisidir (DuMouchel ve Duncan 1983). Ancak ağırlıklar burada frekans ya da kesinlik ağırlığı değildir: bir birimin ağırlığı 1,2 diye o birimden 1,2 kat bilgi gelmez. Bu nedenle sıradan ağırlıklı en küçük kareler (AEKK) SH formülü \hat\sigma^2(\mathbf X^{\top}\mathbf W\mathbf X)^{-1} yanlıştır. SH tabaka ve kümeleri hesaba katan Taylor doğrusallaştırmasıyla bulunur (Binder 1983).
Ne zaman kullanılır? Veri tabakalı, kümeli ya da eşit olmayan olasılıklı bir örneklemden geliyorsa (TÜİK, DHS, NHANES türü anketler; okul ya da kliniklerden küme örneklemi) ve amaç evren için betimsel ya da çözümleyici regresyon katsayısıdır.
Ne zaman kullanılmaz?
- Sonuç ikiliyse: Ağırlıklı Lojistik Regresyon (Karmaşık Örneklem) (Bölüm 97); sıralıysa Karmaşık Örneklem Sıralı Lojistik Regresyon (Bölüm 98).
- Ağırlık yalnız tekrar sayısını gösteriyorsa (aynı satır w kez gözlendi): Doğrusal Regresyon'daki frekans ağırlığı (Bölüm 45). Tasarım SH'si bu durumda gereksiz büyük olabilir.
- Ağırlık ölçüm kesinliğini gösteriyorsa (varyansla ters orantılı): Doğrusal Regresyon'un ağırlıklı en küçük kareler seçeneği.
- Amaç küme düzeyindeki varyansı ayrıca kestirmekse: Doğrusal Karma Model (Bölüm 54). Bu modül kümeleri yalnız SH'ye yansıtır, rastgele etki kestirmez.
Sık karıştırılan analizler. Küme-sağlam (cluster-robust) SH'li sıradan regresyon, tabakayı ve ağırlığı yok sayar; tabaka yoksa ve ağırlıklar 1 ise bu modül onunla aynı SH'yi verir (çarpan farkı dışında, bkz. 96.8 S3). Ağırlıklı ortalama (Bölüm 93) bu modelin yalnız sabit terimli özel hâlidir: açıklayıcı seçilmeden kurulan model, ağırlıklı ortalamayı ve aynı Taylor SH'sini verir.
96.2 Varsayımlar ve veri türü
| Varsayım | Ne demek | MerQur'da nasıl denetlenir |
|---|---|---|
| Ağırlıklar doğru | w_i seçim olasılığının tersi (gerekirse yanıtsızlık ve kalibrasyon düzeltmeli). | Denetlenmez; negatif ağırlık hata verir (survey_design.py:1705–1709). |
| PSU'lar tabaka içinde iadeli seçilmiş | Varyans "nihai küme" yaklaşımıyla hesaplanır. | Tasarım bilgisi; FPC verilirse (1-f_h) düzeltmesi uygulanır. |
| Her tabakada en az 2 PSU | Tek PSU'lu tabakanın varyans katkısı tanımsızdır. | "Tek PSU'lu tabaka" seçeneği (katkısız ya da ortalamaya göre) ve uyarı. |
| Yeterli PSU sayısı | Taylor yaklaşımı PSU sayısı büyüdükçe doğrulaşır. | Denetlenmez; tasarım sd'si çıktıda yazılır. |
| Model doğru belirlenmiş | Doğrusallık; ama tasarım SH'si model yanlış olsa da \mathbf B için geçerlidir. | Denetlenmez. |
Normallik ve sabit varyans varsayımı yoktur: SH sandviç biçimlidir ve artıkların dağılımından bağımsızdır; testler büyük örneklem (merkezî limit) yaklaşımına dayanır.
Eksik değer. Bağımlı değişken, açıklayıcılar, ağırlık, tabaka, küme, FPC ve alt evren sütunlarının herhangi birinde eksik olan satır varsayılan olarak tümüyle çıkarılır ("Eksik değerli gözlemler: Tasarımdan çıkar"; df[use_cols].dropna(), survey_design.py:1689). Lojistik ve sıralı panellerdeki gibi "Tasarımda tut" seçeneği de vardır: eksik satır tasarımda kalır ve analiz dışı bir alt evren gibi işlenir; R svyglm'in eksik satırları tasarımda bırakan davranışıyla aynıdır. Eksik değer yoksa iki kural aynı sonucu verir.
Uç durumlar.
- Sabit bağımlı değişken: çevrilmiş hata (
:1711–1712). - Tek değerli açıklayıcı ya da kukla sütunu: modelden düşürülür, tabloda "— (sabit, kestirilemez)" satırı ve uyarı (
:1800–1807; R svyglm'deki NA katsayı). - Tabaka ya da küme sütunu açıklayıcı olarak da seçilebilir; sütun yinelenmez (
:1669–1676). - Katsayı sd'si \le 0 ise p ve GA "—" olur (
:1963–1974).
96.3 Parametreler
Varsayılanlar survey_regression.py:51–127, _survey_glm_extras_ui.py:18–52 ve _survey_extras_ui.py:49–200'den alınmıştır.
| Arayüz adı | Varsayılan | Ne yapar | Sonucu nasıl değiştirir |
|---|---|---|---|
| Ağırlık | (yok) | Örnekleme ağırlığı sütunu. | Boşsa tüm ağırlıklar 1 (eşit olasılıklı tasarım). Katsayılar ve SH. |
| Tabaka | (yok) | Tabaka sütunu. | Yalnız SH: PSU toplamları tabaka içinde merkezlenir; sd = PSU − tabaka. |
| Küme / PSU | (yok) | Birincil örnekleme birimi. | Yalnız SH; boşsa her gözlem bir PSU. |
| FPC (popülasyon) | (yok) | Tabakadaki evren büyüklüğü N_h ya da (tüm değerler ≤ 1 ise) örnekleme oranı f_h. | SH (1-f_h) ile küçülür. |
| Bağımlı değişken | ilk sayısal sütun | Sürekli sonuç. | — |
| Bağımsız değişkenler | en az 1 | Sayısal ya da metin (kukla kodlanır). | Tasarım matrisi. |
| Tabakayı modele sabit etki (kukla) olarak da ekle | kapalı | Tabaka kuklaları modele girer. | Katsayılar tabaka içi etkiye dönüşür. |
| Güven Düzeyi | %95 | GA için \alpha. | Yalnız GA. |
| Referans düzeyleri | boş | sütun=düzey; … |
Kategorik açıklayıcının karşılaştırma düzeyi. |
| Etkileşim terimleri | boş | a*b; … |
Çarpım sütunları eklenir. |
| Alt-popülasyon (domain) sütunu / Domain değeri | (yok) / boş | Alt evren modeli. | Alan dışı gözlemler 0 ağırlık alır, tasarım korunur. |
| Ek çıktılar: Standartlaştırılmış katsayılar (β*) | kapalı | \beta^*_j=b_j\,s_w(x_j)/s_w(y). | Ek bölüm. |
| Ek çıktılar: Tahmin ve artıkları veri setine kaydet | kapalı | SVY_PRED, SVY_RESID sütunları. |
Veri setine sütun. |
| Tek PSU'lu tabaka | Katkısız (certainty) | Tek PSU'lu tabakanın varyansa katkısı. | "Ortalamaya göre (adjust)": R survey.lonely.psu = "adjust". |
| Varyans yöntemi | Taylor | Jackknife, BRR, Fay, bootstrap ya da hazır replikasyon ağırlıkları. | SH ve sd tanımı. |
| Özel kontrast (L) | boş | L\boldsymbol\beta için t ve ortak Wald F. | Ek satırlar. |
| Eksik değerli gözlemler | Tasarımdan çıkar | Eksik satır tasarımdan çıkar ya da tasarımda tutulur (R svyglm). |
Eksik değer varsa SH ve sd. |
Tabaka neden varsayılan olarak modele girmiyor?
Tabaka bir tasarım değişkenidir: evren tabakalara bölünüp her birinden ayrı örneklem çekilmiştir. Evren regresyon katsayısı \mathbf B tabakadan bağımsız tanımlıdır; tabakayı modele kukla olarak koymak başka bir parametreyi, tabaka içi (koşullu) etkiyi kestirir. R svyglm tabakayı yalnız varyans hesabında kullanır; MerQur'un varsayılanı da budur. Onay kutusu tabaka içi (koşullu) etkiyi isteyenler içindir. Tıp örneğinde iki model neredeyse aynı katsayıyı verir (age 0,4719 ve 0,4731) çünkü tabaka kan basıncıyla ilişkili değildir (tabaka terimi F=0{,}149, p=0{,}862).
96.4 Tıp örneği
Dosya: english/datasets/Tip/81_survey_reg_bp.xlsx (Türkçe kopyası samples/Tum_Analiz_Tip/81_survey_reg_KB.xlsx). Değişken seçimi VIDEO_SCRIPT_TR.txt #81'den alınmıştır.
| Değişken | Rol | Tür | Özet |
|---|---|---|---|
systolic_bp |
Bağımlı | sürekli (mmHg) | ort. 155,58; SS 14,75; 116–200 |
age |
Açıklayıcı | sürekli (yıl) | ort. 49,48; SS 17,47; 20–79 |
BMI |
Açıklayıcı | sürekli (kg/m²) | ort. 27,33; SS 4,13; 18,00–37,61 |
weight |
Ağırlık | sayısal | tabakada sabit: Marmara 1,20; rural 0,85; urban 1,10 |
region |
Tabaka | metin | Marmara 100, rural 118, urban 102 |
n ve eksik değer: 320 hasta, eksik değer yok. Küme sütunu yoktur; her hasta bir PSU sayılır. Ağırlıkların toplamı \sum w_i=332{,}5; tasarım sd'si \nu=320-3=317.
Klinik soru: Bölgelere göre tabakalanmış ve bölgeye göre ağırlıklandırılmış bu örneklemin temsil ettiği evrende yaş ve BMI sistolik kan basıncıyla nasıl ilişkilidir?
Seçilen ayarlar: Arayüz varsayılanları (Taylor, %95, tabaka yalnız tasarımda) ve "Standartlaştırılmış katsayılar" açık. Karşılaştırma için dört ek çalıştırma yapılmıştır: tabaka sabit etki, alt evren region = rural, ağırlıksız ve %99 GA.
96.5 Formüller ve hesap adımları
MerQur önce eksik satırları atar ve tasarım matrisini kurar, sonra katsayıları statsmodels GLM (Gaussian, freq_weights = w) ile kestirir, ardından sandviç kovaryansı kendi kodunda Taylor doğrusallaştırmasıyla hesaplar. Ağırlıklı ortalamada (Bölüm 93.5.2–93.5.4) anlatılan Taylor "et" matrisi burada skor vektörlerine uygulanır.
96.5.1 Katsayılar: ağırlıklı normal denklemler
- \mathbf X: n\times k tasarım matrisi (k=p+1, ilk sütun 1'ler; kategorik açıklayıcılar kukla).
- \mathbf W: örnekleme ağırlıklarının köşegen matrisi; alt evren modelinde alan dışı satırlarda w_i=0.
- \hat{\mathbf B}: sözde en çok olabilirlik (pseudo-ML) kestirimi; Gaussian modelde kapalı biçimlidir.
Koddaki tercih: statsmodels GLM ve freq_weights
sm.GLM(y, X, family=Gaussian(), freq_weights=w).fit() (survey_design.py:1855–1856). freq_weights yalnız nokta kestirimi ve log-olabilirlik için kullanılır; statsmodels'in kendi SH'leri atılır. Kestirim, ağırlıkların ölçeğinden bağımsızdır: tüm w_i'leri bir sabitle çarpmak \hat{\mathbf B}'yi değiştirmez. R svyglm ağırlıkları ortalama 1'e ölçekler (rescale); katsayılar ve SH aynıdır, yalnız sapma ve log-olabilirlik ölçeklenir.
96.5.2 Taylor sandviç kovaryansı
\hat{\mathbf B}, ağırlıklı skor denkleminin köküdür: \sum_i w_i\mathbf x_i(y_i-\mathbf x_i^{\top}\mathbf b)=\mathbf 0. Binder (1983) yöntemiyle bu denklem doğrusallaştırılır; skor katkıları ağırlıklı ortalamadaki z_i'nin rolünü üstlenir:
- \mathbf z_i: i. gözlemin skor (tahmin denklemi) katkısı, k boyutlu vektör.
- v_i: varyans fonksiyonu; Gaussian modelde v_i=1, lojistikte \hat\pi_i(1-\hat\pi_i) (Bölüm 97).
- \mathbf A: "ekmek"; Gaussian modelde \mathbf X^{\top}\mathbf W\mathbf X.
- \mathbf z_{hj}: h. tabakanın j. PSU'sundaki \mathbf z_i'lerin toplamı; \bar{\mathbf z}_h tabakadaki PSU toplamlarının ortalaması; n_h tabakadaki PSU sayısı.
- \mathbf G: "et"; skor toplamlarının tasarım kovaryansı. Formülün ayrıntısı (FPC, tek PSU'lu tabaka, PSU'ların tabaka içinde iç içe kimliği) Bölüm 93.5.3 ve 93.5.7'dedir; aynı
_taylor_meatfonksiyonu kullanılır (survey_design.py:443–487).
Neden sandviç?
\hat{\mathbf B}-\mathbf B\approx\mathbf A^{-1}\sum_i\mathbf z_i yazılabilir (birinci dereceden Taylor açılımı). Rastgele olan kısım \sum_i\mathbf z_i toplamıdır; toplamın tasarım varyansı \mathbf G'dir. \mathbf A^{-1} sabit sayıldığı için varyans \mathbf A^{-1}\mathbf G\mathbf A^{-1} olur. Ekmek modelden, et tasarımdan gelir. Model tabanlı AEKK formülü \hat\sigma^2\mathbf A^{-1} ise \mathbf G=\hat\sigma^2\mathbf A varsayar: bağımsız gözlemler, sabit varyans ve frekans anlamında ağırlık. Bu varsayımlardan biri bozulduğunda yalnız sandviç geçerli kalır.
Koddaki tercih: \mathbf A ve \mathbf G elle kurulur
A = Xv.T @ ((weights * v_i)[:, None] * Xv), Z = Xv * (weights * (yv - mu))[:, None] (survey_design.py:1887–1888), V_beta = A_inv @ G @ A_inv (:1901–1902). \mathbf A^{-1} için np.linalg.pinv kullanılır. Bu, R svyglm'in svy.varcoef tanımıyla aynıdır. MerQur ve R ayrıca (n-1)/(n-k) serbestlik derecesi düzeltmesi uygulamaz; bu düzeltmeyi uygulayan bir yazılımın SH'leri \sqrt{(n-1)/(n-k)} kat büyük çıkar (Tıp örneğinde \sqrt{319/317}=1{,}0032).
96.5.3 Serbestlik derecesi, t testleri ve güven aralığı
- \nu: tasarım sd'si (Bölüm 93.5.4). Alt evren modelinde yalnız alanda pozitif ağırlıklı gözlem içeren PSU'lar ve tabakalar sayılır (R
degf,:1949–1956). - k: kestirilen katsayı sayısı (sabit dahil; düşürülen sabit sütunlar hariç).
- \sd_t: katsayı testlerinin ve GA'nın sd'si; R
svyglmmodelinindf.residualdeğeri.
Neden \nu+1-k ve neden t?
Tasarım varyansında bağımsız bilgi kaynağı PSU toplamlarıdır; \nu serbestlik vardır. Model k parametre kestirdiği için, doğrusal modeldeki n-k'ya benzer biçimde, k-1 serbestlik daha düşülür (sabitin serbestliği tabaka merkezlemesinde zaten düşülmüştür). R summary.svyglm, confint.svyglm ve regTermTest bu sd'yi kullanır; MerQur da aynı kuralı izler. Küçük PSU sayılı tasarımlarda t kantili normalden belirgin biçimde büyüktür; az PSU'lu bir küme örnekleminde normal yaklaşım GA'yı fazla dar verir.
96.5.4 Wald testleri: F ve ayarlı F
Bir terim ya da modelin tüm eğimleri için q katsayılık \mathbf b_q alt vektörü sınanır:
- W: Wald istatistiği (ki-kare ölçeğinde); \widehat{\mathbf V}_{qq} sandviç kovaryansın ilgili blok alt matrisi.
- F: R
regTermTest(method = "Wald")tanımı; payda sd modelin artık sd'si. - F_{\text{ayarlı}}: Fellegi (1980) ayarlı Wald F'si. APA satırında bu değer yazılır.
- Kategorik açıklayıcının tüm kuklaları tek terimde birlikte sınanır.
Neden ayarlı F?
\widehat{\mathbf V} yalnız \nu serbestlikle kestirilir. W'yi \chi^2_q ile karşılaştırmak, \nu küçükken I. tip hatayı şişirir. Fellegi'nin çarpanı (\nu-q+1)/\nu, Hotelling T^2 dağılımının F'ye dönüşümünden gelir: q boyutlu bir ortalama vektörünün \nu sd'li kovaryansla sınanması. q=1'de çarpan 1'dir ve F_{\text{ayarlı}}=F=t^2 olur; yalnız payda sd'si (\nu ile \nu+1-k) farklıdır.
Alt evren modelinde iki farklı ν
Katsayı testleri ve Wald F alandaki PSU'lardan hesaplanan \nu'yü kullanır; ayarlı F ve başlıktaki "Tasarım df" satırı ise tüm tasarımın PSU − tabaka değerini kullanır (survey_design.py:1908, :2007–2012). Tıp örneğinde region = rural alanında katsayı testleri t(115), ayarlı F payda sd'si 316'dır (bkz. 96.7). R ise yalnız alanın sd'sini (115) kullanır. Çıktı iki \nu'yü de yazar ve hangi testin hangisini kullandığını belirtir.
96.5.5 Uyum ölçüleri ve standartlaştırılmış katsayı
- \bar y_w: ağırlıklı ortalama (evren ortalaması kestirimi).
- R^2_w: evren R^2'sinin kestirimi; ağırlık ölçeğinden bağımsızdır.
- s_w: ağırlıklı evren SS'si (payda \sum w_i).
- Sapma, \ell ve AIC ham ağırlıklarla hesaplanır; yalnız aynı ağırlıklarla kurulan modeller arasında karşılaştırılabilir.
Koddaki tercih: AIC'de σ² sayılmaz
AIC statsmodels GLM'den gelir; k yalnız katsayıları sayar, \hat\sigma^2 ML biçimindedir. R AIC(glm(..., weights = w)) σ²'yi de sayar (+2). R AIC(svyglm) ise tasarım tabanlı farklı bir ölçüt (dAIC) verir. MerQur'un AIC'si bu iki değerin hiçbiriyle karşılaştırılmamalıdır; kullanılan tanım çıktıdaki notta yazılır.
96.6 Elle hesap: Tıp verisinde sayısal yürüyüş
Ara değerler dogrulama/survey_reg/elle_hesap.py ile, MerQur çağrılmadan numpy ile hesaplanmıştır.
Adım 1 — Ağırlıklı çapraz çarpımlar. \sum w_i=332{,}5:
Adım 2 — Katsayılar. \hat{\mathbf B}=\mathbf A^{-1}\mathbf X^{\top}\mathbf W\mathbf y=(87{,}079034;\ 0{,}471906;\ 1{,}652599)^{\top}.
Adım 3 — Skor katkıları. 1 numaralı hasta: age 67, BMI 26,17, systolic_bp 182, region urban, w=1{,}1.
Normal denklemler gereği \sum_i\mathbf z_i=\mathbf 0'dır; ama tabaka toplamları sıfır değildir:
| Tabaka | n_h | w_h | \sum\mathbf z (sabit) | \sum\mathbf z (age) | \sum\mathbf z (BMI) |
|---|---|---|---|---|---|
| Marmara | 100 | 1,20 | −33,857 | −2004,303 | −562,927 |
| rural | 118 | 0,85 | −15,502 | −1195,986 | −321,887 |
| urban | 102 | 1,10 | 49,358 | 3200,289 | 884,814 |
Adım 4 — Et matrisi. Küme olmadığı için her hasta bir PSU'dur; \mathbf z_{hj}=\mathbf z_i. Her tabakada \mathbf z_i'ler tabaka ortalaması çevresinde merkezlenir ve n_h/(n_h-1) ile çarpılır:
Adım 5 — Sandviç ve SH.
\SH=(3{,}787457;\ 0{,}033198;\ 0{,}125120). \nu=317, \sd_t=317+1-3=315, t_{0{,}975;\,315}=1{,}967524.
| Terim | b | SH | t | p | %95 GA |
|---|---|---|---|---|---|
| Sabit | 87,079034 | 3,787457 | 22,991 | 2,34·10⁻⁶⁹ | [79,627124; 94,530944] |
| age | 0,471906 | 0,033198 | 14,215 | 9,02·10⁻³⁶ | [0,406588; 0,537224] |
| BMI | 1,652599 | 0,125120 | 13,208 | 5,35·10⁻³² | [1,406423; 1,898774] |
Örnek, age: t=0{,}471906/0{,}033198=14{,}2149; GA 0{,}471906\pm1{,}967524\times0{,}033198.
Adım 6 — Tasarım SH'si ile model SH'si. Aynı katsayılar için üç SH tanımı:
| SH tanımı | Sabit | age | BMI |
|---|---|---|---|
| Model tabanlı AEKK, \hat\sigma^2(\mathbf X^{\top}\mathbf W\mathbf X)^{-1}, \hat\sigma^2=\text{SSR}_w/(n-k) | 4,010790 | 0,032102 | 0,135768 |
| Sandviç, tabakasız (tek tabaka) | 3,784414 | 0,033104 | 0,125168 |
| Taylor, tabakalı (MerQur) | 3,787457 | 0,033198 | 0,125120 |
Bu veride ağırlıklar tabakada sabittir ve küme yoktur; üç tanım birbirine yakındır. Tasarım etkisi küme örnekleminde ve tabakayla ilişkili sonuçlarda belirginleşir. Tabaka merkezlemesi SH'yi yalnız tabaka ortalamaları farklıysa küçültür; burada tabakalar arası skor farkı küçüktür, tabaka başına n_h/(n_h-1) çarpanı ise SH'yi biraz büyütür. Net etki binde birkaç düzeyindedir ve yön terimden terime değişir.
Şekil 96.1. Yaş ve BMI katsayıları için üç SH tanımı (Tıp #81).
Adım 7 — Wald testleri. Model geneli (q=2): W=369{,}7632, F=184{,}8816 (F(2,\,315), p=7{,}70\cdot10^{-54}); ayarlı F=\frac{317-2+1}{317\times2}\times369{,}7632=184{,}2984 (F(2,\,316)). Tek katsayılı terimlerde F=t^2: age 14{,}2149^2=202{,}0633.
Adım 8 — Uyum ve standartlaştırılmış katsayılar. \sum w_ie_i^2=33040{,}719; R^2_w=0{,}546045. \hat\sigma^2=33040{,}719/332{,}5=99{,}3706; \ell=-1236{,}3569; \text{AIC}=2472{,}7138+6=2478{,}7138. \beta^*_{\text{age}}=0{,}556864, \beta^*_{\text{BMI}}=0{,}461101: bir SS'lik yaş farkı kan basıncında 0,56 SS'lik fark demektir.
Adım 9 — Seçeneklerin etkisi.
| Çalıştırma | b_{\text{age}} | SH | b_{\text{BMI}} | SH | Katsayı sd'si |
|---|---|---|---|---|---|
| Varsayılan | 0,471906 | 0,033198 | 1,652599 | 0,125120 | 315 |
| Tabaka sabit etki | 0,473144 | 0,033015 | 1,653483 | 0,125587 | 313 |
Alt evren region = rural |
0,457158 | 0,045847 | 1,716140 | 0,203519 | 115 |
| Ağırlıksız | 0,470983 | 0,031943 | 1,652719 | 0,123187 | 315 |
Alt evren modelinde n=118 hastanın verisi kullanılır ama diğer 202 hasta tasarımda sıfır katkıyla kalır; veriyi önceden süzmek yerine bu yolun neden gerektiği 96.8 S4'tedir.
96.6.1 Doğrulama: MerQur, Python ve R
MerQur değerleri execute() sonucundaki rows, wald_model, wald_terms, fit_data["V"] ve svy2 alanlarından tam hassasiyetle alınmıştır (dogrulama/survey_reg/merqur_calistir.py). R: 4.5.3, survey 4.5; svydesign(ids = ~1, strata = ~region, weights = ~weight), svyglm, regTermTest(method = "Wald"), alt evrende subset(); ayarlı F, R^2_w, ham sapma ve \beta^* R'de tanımdan hesaplanmıştır. Alt evren modelinde ayarlı F için R tarafında da MerQur'un tercih ettiği tam tasarım ν'sü (317) kullanılmıştır. AIC'nin R karşılığı yoktur (96.5.5).
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| b Sabit | 87,079034 | 87,079034 | 87,079034 | 1,4e−12 | ✓ |
| SH Sabit | 3,787457 | 3,787457 | 3,787457 | 4,2e−12 | ✓ |
| t Sabit | 22,991428 | 22,991428 | 22,991428 | 2,5e−11 | ✓ |
| p Sabit | 2,3446·10−69 | 2,3446·10−69 | 2,3446·10−69 | 5,0e−79 | ✓ |
| GA alt Sabit | 79,627124 | 79,627124 | 79,627124 | 7,9e−12 | ✓ |
| GA üst Sabit | 94,530944 | 94,530944 | 94,530944 | 8,8e−12 | ✓ |
| b age | 0,471906 | 0,471906 | 0,471906 | 5,4e−15 | ✓ |
| SH age | 0,033198 | 0,033198 | 0,033198 | 6,7e−15 | ✓ |
| t age | 14,214899 | 14,214899 | 14,214899 | 3,0e−12 | ✓ |
| p age | 9,0184·10−36 | 9,0184·10−36 | 9,0184·10−36 | 2,4e−46 | ✓ |
| GA alt age | 0,406588 | 0,406588 | 0,406588 | 1,8e−14 | ✓ |
| GA üst age | 0,537224 | 0,537224 | 0,537224 | 7,9e−15 | ✓ |
| b BMI | 1,652599 | 1,652599 | 1,652599 | 4,8e−14 | ✓ |
| SH BMI | 0,125120 | 0,125120 | 0,125120 | 1,1e−13 | ✓ |
| t BMI | 13,208161 | 13,208161 | 13,208161 | 1,2e−11 | ✓ |
| p BMI | 5,3468·10−32 | 5,3468·10−32 | 5,3468·10−32 | 5,4e−42 | ✓ |
| GA alt BMI | 1,406423 | 1,406423 | 1,406423 | 2,3e−13 | ✓ |
| GA üst BMI | 1,898774 | 1,898774 | 1,898774 | 2,1e−13 | ✓ |
| Model Wald F | 184,881587 | 184,881587 | 184,881587 | 3,5e−10 | ✓ |
| Model Wald p | 7,6966·10−54 | 7,6966·10−54 | 7,6966·10−54 | 1,2e−63 | ✓ |
| Model payda sd | 315 | 315 | 315 | 0,0e+00 | ✓ |
| Model ayarlı F | 184,298364 | 184,298364 | 184,298364 | 3,5e−10 | ✓ |
| Model ayarlı F p | 8,9507·10−54 | 8,9507·10−54 | 8,9507·10−54 | 1,4e−63 | ✓ |
| Terim F age | 202,063343 | 202,063343 | 202,063343 | 8,6e−11 | ✓ |
| Terim F BMI | 174,455524 | 174,455524 | 174,455524 | 3,1e−10 | ✓ |
| R^2 (ağırlıklı) | 0,546045 | 0,546045 | 0,546045 | 3,3e−16 | ✓ |
| Sapma (ham ağırlık) | 33040,719024 | 33040,719024 | 33040,719024 | 1,5e−11 | ✓ |
| \nu (R degf) | 317 | 317 | 317 | 0,0e+00 | ✓ |
| AIC (k=3, \hat\sigma^2 ML) | 2478,713788 | 2478,713788 | — | 0,0e+00 | ✓ |
| \beta^* age | 0,556864 | 0,556864 | 0,556864 | 6,3e−15 | ✓ |
| \beta^* BMI | 0,461101 | 0,461101 | 0,461101 | 1,4e−14 | ✓ |
| V_{11} | 14,344828 | 14,344828 | 14,344828 | 3,2e−11 | ✓ |
| V_{12} | −0,053390 | −0,053390 | −0,053390 | 1,3e−13 | ✓ |
| V_{13} | −0,426935 | −0,426935 | −0,426935 | 9,0e−13 | ✓ |
| V_{21} | −0,053390 | −0,053390 | −0,053390 | 1,0e−13 | ✓ |
| V_{22} | 0,001102 | 0,001102 | 0,001102 | 4,5e−16 | ✓ |
| V_{23} | 7,6102·10−5 | 7,6102·10−5 | 7,6102·10−5 | 3,0e−15 | ✓ |
| V_{31} | −0,426935 | −0,426935 | −0,426935 | 9,6e−13 | ✓ |
| V_{32} | 7,6102·10−5 | 7,6102·10−5 | 7,6102·10−5 | 4,1e−15 | ✓ |
| V_{33} | 0,015655 | 0,015655 | 0,015655 | 2,7e−14 | ✓ |
Ek çalıştırmalar:
Tabaka sabit etki
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| b Sabit | 86,709506 | 86,709506 | 86,709506 | 1,5e−12 | ✓ |
| SH Sabit | 3,916090 | 3,916090 | 3,916090 | 2,4e−12 | ✓ |
| t Sabit | 22,141856 | 22,141856 | 22,141856 | 1,4e−11 | ✓ |
| p Sabit | 5,0433·10−66 | 5,0433·10−66 | 5,0433·10−66 | 6,0e−76 | ✓ |
| GA alt Sabit | 79,004316 | 79,004316 | 79,004316 | 6,2e−12 | ✓ |
| GA üst Sabit | 94,414695 | 94,414695 | 94,414695 | 3,8e−12 | ✓ |
| b age | 0,473144 | 0,473144 | 0,473144 | 1,4e−14 | ✓ |
| SH age | 0,033015 | 0,033015 | 0,033015 | 5,5e−16 | ✓ |
| t age | 14,331402 | 14,331402 | 14,331402 | 4,5e−13 | ✓ |
| p age | 3,6461·10−36 | 3,6461·10−36 | 3,6461·10−36 | 1,5e−47 | ✓ |
| GA alt age | 0,408186 | 0,408186 | 0,408186 | 2,3e−14 | ✓ |
| GA üst age | 0,538103 | 0,538103 | 0,538103 | 1,4e−14 | ✓ |
| b BMI | 1,653483 | 1,653483 | 1,653483 | 9,7e−14 | ✓ |
| SH BMI | 0,125587 | 0,125587 | 0,125587 | 7,8e−14 | ✓ |
| t BMI | 13,165984 | 13,165984 | 13,165984 | 8,1e−12 | ✓ |
| p BMI | 8,3470·10−32 | 8,3470·10−32 | 8,3470·10−32 | 5,8e−42 | ✓ |
| GA alt BMI | 1,406380 | 1,406380 | 1,406380 | 1,2e−13 | ✓ |
| GA üst BMI | 1,900585 | 1,900585 | 1,900585 | 2,4e−13 | ✓ |
| b rural | 0,129559 | 0,129559 | 0,129559 | 5,1e−13 | ✓ |
| SH rural | 1,336455 | 1,336455 | 1,336455 | 3,6e−14 | ✓ |
| t rural | 0,096942 | 0,096942 | 0,096942 | 3,9e−13 | ✓ |
| p rural | 0,922834 | 0,922834 | 0,922834 | 3,1e−13 | ✓ |
| GA alt rural | −2,500012 | −2,500012 | −2,500012 | 8,3e−13 | ✓ |
| GA üst rural | 2,759131 | 2,759131 | 2,759131 | 4,2e−13 | ✓ |
| b urban | 0,725944 | 0,725944 | 0,725944 | 5,8e−13 | ✓ |
| SH urban | 1,436425 | 1,436425 | 1,436425 | 3,8e−14 | ✓ |
| t urban | 0,505382 | 0,505382 | 0,505382 | 4,1e−13 | ✓ |
| p urban | 0,613646 | 0,613646 | 0,613646 | 2,9e−13 | ✓ |
| GA alt urban | −2,100325 | −2,100325 | −2,100325 | 9,1e−13 | ✓ |
| GA üst urban | 3,552213 | 3,552213 | 3,552213 | 5,0e−13 | ✓ |
| Model Wald F | 93,348408 | 93,348408 | 93,348408 | 6,9e−11 | ✓ |
| Model Wald p | 3,6657·10−52 | 3,6657·10−52 | 3,6657·10−52 | 2,3e−62 | ✓ |
| Model payda sd | 313 | 313 | 313 | 0,0e+00 | ✓ |
| Model ayarlı F | 92,464985 | 92,464985 | 92,464985 | 6,8e−11 | ✓ |
| Model ayarlı F p | 7,2806·10−52 | 7,2806·10−52 | 7,2806·10−52 | 4,5e−62 | ✓ |
| Terim F age | 205,389081 | 205,389081 | 205,389081 | 1,4e−11 | ✓ |
| Terim F BMI | 173,343123 | 173,343123 | 173,343123 | 2,1e−10 | ✓ |
| Terim F region | 0,148613 | 0,148613 | 0,148613 | 1,7e−13 | ✓ |
| R^2 (ağırlıklı) | 0,546510 | 0,546510 | 0,546510 | 2,2e−16 | ✓ |
| Sapma (ham ağırlık) | 33006,895899 | 33006,895899 | 33006,895899 | 2,9e−11 | ✓ |
| \nu (R degf) | 317 | 317 | 317 | 0,0e+00 | ✓ |
Alt evren region = rural
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| b Sabit | 85,926733 | 85,926733 | 85,926733 | 7,4e−12 | ✓ |
| SH Sabit | 6,604805 | 6,604805 | 6,604805 | 1,2e−12 | ✓ |
| t Sabit | 13,009730 | 13,009730 | 13,009730 | 2,4e−12 | ✓ |
| p Sabit | 2,4145·10−24 | 2,4145·10−24 | 2,4145·10−24 | 3,0e−35 | ✓ |
| GA alt Sabit | 72,843885 | 72,843885 | 72,843885 | 2,5e−10 | ✓ |
| GA üst Sabit | 99,009582 | 99,009582 | 99,009582 | 2,4e−10 | ✓ |
| b age | 0,457158 | 0,457158 | 0,457158 | 3,4e−14 | ✓ |
| SH age | 0,045847 | 0,045847 | 0,045847 | 7,5e−16 | ✓ |
| t age | 9,971390 | 9,971390 | 9,971390 | 8,5e−13 | ✓ |
| p age | 2,9834·10−17 | 2,9834·10−17 | 2,9834·10−17 | 1,4e−28 | ✓ |
| GA alt age | 0,366344 | 0,366344 | 0,366344 | 1,7e−12 | ✓ |
| GA üst age | 0,547971 | 0,547971 | 0,547971 | 1,7e−12 | ✓ |
| b BMI | 1,716140 | 1,716140 | 1,716140 | 2,1e−13 | ✓ |
| SH BMI | 0,203519 | 0,203519 | 0,203519 | 4,2e−14 | ✓ |
| t BMI | 8,432347 | 8,432347 | 8,432347 | 1,9e−12 | ✓ |
| p BMI | 1,1295·10−13 | 1,1295·10−13 | 1,1295·10−13 | 1,2e−24 | ✓ |
| GA alt BMI | 1,313009 | 1,313009 | 1,313009 | 7,4e−12 | ✓ |
| GA üst BMI | 2,119272 | 2,119272 | 2,119272 | 7,7e−12 | ✓ |
| Model Wald F | 66,877275 | 66,877275 | 66,877275 | 2,1e−11 | ✓ |
| Model Wald p | 5,4112·10−20 | 5,4112·10−20 | 5,4112·10−20 | 5,3e−31 | ✓ |
| Model payda sd | 115 | 115 | 115 | 0,0e+00 | ✓ |
| Model ayarlı F | 66,666305 | 66,666305 | 66,666305 | 2,1e−11 | ✓ |
| Model ayarlı F p | 6,9956·10−25 | 6,9956·10−25 | 6,9956·10−25 | 1,0e−35 | ✓ |
| Terim F age | 99,428628 | 99,428628 | 99,428628 | 1,7e−11 | ✓ |
| Terim F BMI | 71,104478 | 71,104478 | 71,104478 | 3,3e−11 | ✓ |
| R^2 (ağırlıklı) | 0,557063 | 0,557063 | 0,557063 | 2,2e−16 | ✓ |
| Sapma (ham ağırlık) | 8882,045099 | 8882,045099 | 8882,045099 | 1,8e−12 | ✓ |
| \nu (R degf) | 117 | 117 | 117 | 0,0e+00 | ✓ |
Ağırlıksız
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| b Sabit | 87,116481 | 87,116481 | 87,116481 | 4,7e−12 | ✓ |
| SH Sabit | 3,778524 | 3,778524 | 3,778524 | 3,1e−12 | ✓ |
| t Sabit | 23,055690 | 23,055690 | 23,055690 | 2,0e−11 | ✓ |
| p Sabit | 1,3493·10−69 | 1,3493·10−69 | 1,3493·10−69 | 2,3e−79 | ✓ |
| GA alt Sabit | 79,682146 | 79,682146 | 79,682146 | 1,1e−11 | ✓ |
| GA üst Sabit | 94,550816 | 94,550816 | 94,550816 | 5,1e−12 | ✓ |
| b age | 0,470983 | 0,470983 | 0,470983 | 1,5e−14 | ✓ |
| SH age | 0,031943 | 0,031943 | 0,031943 | 3,2e−15 | ✓ |
| t age | 14,744557 | 14,744557 | 14,744557 | 1,2e−12 | ✓ |
| p age | 8,8335·10−38 | 8,8335·10−38 | 8,8335·10−38 | 9,6e−49 | ✓ |
| GA alt age | 0,408135 | 0,408135 | 0,408135 | 1,5e−14 | ✓ |
| GA üst age | 0,533831 | 0,533831 | 0,533831 | 2,1e−14 | ✓ |
| b BMI | 1,652719 | 1,652719 | 1,652719 | 1,5e−13 | ✓ |
| SH BMI | 0,123187 | 0,123187 | 0,123187 | 9,2e−14 | ✓ |
| t BMI | 13,416354 | 13,416354 | 13,416354 | 9,1e−12 | ✓ |
| p BMI | 8,9854·10−33 | 8,9854·10−33 | 8,9854·10−33 | 7,0e−43 | ✓ |
| GA alt BMI | 1,410346 | 1,410346 | 1,410346 | 1,5e−13 | ✓ |
| GA üst BMI | 1,895092 | 1,895092 | 1,895092 | 3,3e−13 | ✓ |
| Model Wald F | 187,951019 | 187,951019 | 187,951019 | 2,2e−10 | ✓ |
| Model Wald p | 1,8872·10−54 | 1,8872·10−54 | 1,8872·10−54 | 1,9e−64 | ✓ |
| Model payda sd | 315 | 315 | 315 | 0,0e+00 | ✓ |
| Model ayarlı F | 187,358114 | 187,358114 | 187,358114 | 2,2e−10 | ✓ |
| Model ayarlı F p | 2,1939·10−54 | 2,1939·10−54 | 2,1939·10−54 | 2,2e−64 | ✓ |
| Terim F age | 217,401972 | 217,401972 | 217,401972 | 3,6e−11 | ✓ |
| Terim F BMI | 179,998555 | 179,998555 | 179,998555 | 2,5e−10 | ✓ |
| R^2 (ağırlıklı) | 0,546652 | 0,546652 | 0,546652 | 5,6e−16 | ✓ |
| Sapma (ham ağırlık) | 31474,037835 | 31474,037835 | 31474,037835 | 4,0e−11 | ✓ |
| \nu (R degf) | 317 | 317 | 317 | 0,0e+00 | ✓ |
%99 GA
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| GA alt Sabit | 77,263739 | 77,263739 | 77,263739 | 1,1e−11 | ✓ |
| GA üst Sabit | 96,894329 | 96,894329 | 96,894329 | 1,1e−11 | ✓ |
| GA alt age | 0,385873 | 0,385873 | 0,385873 | 9,1e−14 | ✓ |
| GA üst age | 0,557939 | 0,557939 | 0,557939 | 9,1e−14 | ✓ |
| GA alt BMI | 1,328348 | 1,328348 | 1,328348 | 2,8e−13 | ✓ |
| GA üst BMI | 1,976849 | 1,976849 | 1,976849 | 3,8e−13 | ✓ |
Toplam 143 değerin tamamı 10^{-6} ölçütüyle eşleşir; en büyük fark 10^{-10} düzeyindedir.
96.7 Çıktıyı okuma
Sonuç metni (varsayılan ayarlar; kısaltılmış, sütun aralıkları daraltılmış):
Karmaşık Anket — Ağırlıklı Doğrusal Regresyon
N (gözlem) = 320
PSU sayısı = 320
Tabaka sayısı = 3
Tasarım df = 317
AIC = 2478.7138
R² = 0.5460
Sapma = 33040.7190
Değişken Katsayı SE t p %95 GA
Sabit 87.0790 3.7875 22.99 0.0000 [79.627, 94.531]
age 0.4719 0.0332 14.21 0.0000 [0.407, 0.537]
BMI 1.6526 0.1251 13.21 0.0000 [1.406, 1.899]
Katsayı t testleri ve GA: t(ν + 1 - k) = t(315); ν = 317 ...
Model etkilerinin testleri (ayarlı Wald F, Taylor kovaryansı)
Terim df1 Wald χ² F df2 p Ayarlı F df2 p
Model geneli 2 369.7632 184.8816 315 0.0000 184.2984 316 0.0000
age 1 202.0633 202.0633 315 0.0000 202.0633 317 0.0000
BMI 1 174.4555 174.4555 315 0.0000 174.4555 317 0.0000
── APA 7 ÖZET ──
Model geneli (ayarlı Wald): F(2, 316) = 184.30, p < .001
── Standartlaştırılmış Katsayılar ──
age β* = +0.5569
BMI β* = +0.4611
| Öğe | Nasıl yorumlanır |
|---|---|
| PSU sayısı | Küme yoksa gözlem sayısıdır; künyede "(küme yok: her gözlem bir PSU)" yazar. |
| Tasarım df | \nu = PSU − tabaka. Alt evren modelinde başlık tam tasarımın değerini, katsayı notu alanın değerini yazar (96.5.4 uyarısı). |
| Katsayı | Evren regresyon katsayısı kestirimi; age 0,472: evrende yaşı 10 yıl büyük olanların sistolik basıncı, BMI sabitken, ortalama 4,7 mmHg yüksektir (%95 GA [4,07; 5,37]). |
| SE, t, p, GA | Taylor SH ve t(\nu+1-k); GA'yı yorumlarken künyedeki sd'ye bakın. |
| Wald χ², F, df2, p | R regTermTest tanımı. |
| Ayarlı F | Fellegi ayarlı F; APA satırı bunu kullanır. |
| R² | Ağırlıklı (evren) açıklanan varyans oranı; model karşılaştırması için Wald testleri tercih edilmelidir. |
| Sapma, AIC | Ham ağırlık ölçeğinde; yalnız aynı ağırlıklı modeller arasında. |
| Uyarılar | Tek PSU'lu tabaka, FPC değişkenliği, düşürülen sabit açıklayıcı, referans düzeyi uygulanamadı gibi durumlar res_svy_warn_prefix ile "Uyarı:" satırında; uygulanamayan istekler ayrıca "İstenen ve uygulanan ayarlar" bloğunda. |
APA biçiminde rapor cümlesi (Türkçe ondalıkla):
Bölgeye göre tabakalanmış ve ağırlıklandırılmış örneklemde (n = 320; tasarım sd = 317) sistolik kan basıncı, yaş ve beden kitle indeksi üzerine tasarım tabanlı ağırlıklı doğrusal regresyonla modellendi; standart hatalar Taylor doğrusallaştırmasıyla hesaplandı. Model anlamlıydı, ayarlı Wald F(2,\ 316) = 184{,}30, p < 0{,}001, ağırlıklı R^2 = 0{,}55. Diğer değişken sabitken yaştaki her 10 yıllık artış sistolik basınçta 4,72 mmHg'lık artışla (%95 GA [4,07; 5,37]; t(315) = 14{,}21; p < 0{,}001), BMI'daki her 1 kg/m²'lik artış 1,65 mmHg'lık artışla ilişkiliydi (%95 GA [1,41; 1,90]; t(315) = 13{,}21; p < 0{,}001).
96.8 Uzman soruları
S1. Katsayılar neden ağırlıklı EKK ile aynı da SH'ler farklı?
Nokta kestirimi her iki yaklaşımda ağırlıklı normal denklemlerin köküdür. Fark varyanstadır: AEKK \hat\sigma^2(\mathbf X^{\top}\mathbf W\mathbf X)^{-1} ağırlığı kesinlik ölçüsü sayar ve gözlemleri bağımsız varsayar; tasarım tabanlı yaklaşım ise skor toplamlarının örneklemeden örneklemeye değişkenliğini tabaka ve PSU yapısıyla ölçer. Tıp örneğinde BMI SH'si AEKK ile 0,1358, Taylor ile 0,1251'dir.
S2. Bazı yazılımların SH'leri neden biraz büyük?
Bazı yazılımlar kovaryansa (n-1)/(n-k) çarpanını uygular. MerQur ve R uygulamaz. Tıp örneğinde oran \sqrt{319/317}=1{,}0032'dir. Testlerin sd'si de farklı olabilir: MerQur ve R katsayı t testlerinde \nu+1-k kullanır, bazı yazılımlar \nu.
S3. Ağırlıksız ve tabakasız kullanırsam küme-sağlam SH'li sıradan regresyonla aynı mı olur?
Nokta kestirimi aynıdır. Kovaryans aynı biçimdedir ama ölçek çarpanı farklıdır: MerQur n/(n-1) (PSU sayısıyla) kullanır; statsmodels küme-sağlam SH ayrıca (n-1)/(n-k) ile çarpar (HC1 benzeri). Küme yoksa MerQur'un SH'si HC0'ın \sqrt{n/(n-1)} katıdır. Tabaka da yoksa MerQur'un SH'si tam olarak HC0 × \sqrt{n/(n-1)}'dir; tabaka varken çarpan tabaka başına n_h/(n_h-1) olur ve skorlar tabaka ortalamasına göre merkezlenir. Tıp örneğinin ağırlıksız (tabakalı) çalıştırmasında age SH'si 0,031943'tür.
S4. Alt evren için veriyi neden önceden süzmemeliyim?
Süzülmüş veride alanda gözlemi olmayan PSU'lar ve tabakalar kaybolur; tabaka içi merkezleme ve n_h/(n_h-1) çarpanı yanlış PSU sayısıyla hesaplanır. Alan büyüklüğü de rastlantısaldır; bu belirsizlik süzme ile kaybolur. Doğru yol, alan dışı gözlemlere sıfır ağırlık verip tasarımı korumaktır (R subset()). Küme yokken ve tabakaların hepsi alanda temsil edilmişken sonuçlar çoğu zaman yakındır; kümeli tasarımda belirgin biçimde ayrışabilir.
S5. Tek PSU'lu tabaka olursa ne olur?
Varsayılan "Katkısız (certainty)" kuralında o tabakanın varyansa katkısı sıfırdır (R certainty/remove). "Ortalamaya göre (adjust)" seçilirse PSU toplamı tüm PSU'ların ortalamasına göre merkezlenir (R survey.lonely.psu = "adjust"). Her iki durumda çıktıda uyarı yazılır. Ayrıntı Bölüm 93.5.7'de.
S6. Neden \nu+1-k sd'li t?
MerQur R svyglm modelinin artık sd'sini izler. Bazı yazılımlar katsayı testlerinde \nu'yü kullanır. \nu=317 gibi büyük değerlerde fark önemsizdir; tek tabakalı, 20 PSU'lu bir tasarımda 5 açıklayıcıyla sd 19'dan 14'e iner ve t_{0{,}975} 2,09'dan 2,14'e çıkar.
S7. Tabaka sabit etkisi ne zaman seçilmeli?
Araştırma sorusu tabaka içi (koşullu) etki ise ya da tabakalar sonucu güçlü biçimde kaydırıyor ve bu kaydırmanın açıklayıcılarla karışması isteniyorsa. Tabaka kuklaları evren katsayısını değil, tabaka içi etkiyi tanımlar. Tabaka ayrıca tasarımda kalır; varyans hesabı değişmez.
S8. R² bu modelde ne anlama gelir ve neden test edilmiyor?
R^2_w, evrende açıklanan varyans oranının kestirimidir; örnekleme dağılımı tasarıma bağlıdır ve basit bir F testine dönüşmez. Modelin anlamlılığı Wald testleriyle değerlendirilir. Ağırlıklar tabakada sabit ve tabaka sonuçla ilişkisizse R^2_w ağırlıksız R^2'ye yakındır (burada 0,5460 ve 0,5467).
96.9 Sık hatalar ve tuzaklar
- Örnekleme ağırlığını frekans ağırlığı gibi kullanmak. Doğrusal Regresyon'daki frekans ağırlığı satırı çoğaltır; n yapay olarak büyür ve SH'ler küçülür.
- Küme sütununu vermemek. Kümeli tasarımda kümeler yok sayılırsa SH'ler genellikle küçük, p'ler iyimser çıkar; tasarım sd'si de yanlış biçimde n-H olur.
- Alt evreni süzerek incelemek. 96.8 S4: "Alt-popülasyon (domain)" alanlarını kullanın.
- Tabaka sabit etkisini varsayılan sanmak. Onay kutusu katsayının anlamını değiştirir; rapora yazılmalıdır.
- AIC'yi başka yazılımla karşılaştırmak. σ² sayılmaz ve ham ağırlıkla hesaplanır (96.5.5).
- Alt evren modelinde APA satırındaki sd'yi katsayı sd'siyle karıştırmak. Ayarlı F tam tasarım ν'sünü kullanır (96.5.4).
- Eksik değer kuralını denetlememek. Varsayılan "Tasarımdan çıkar"dır; eksik satır tasarımdan da çıkar. R
svyglmile aynı alt evren davranışı isteniyorsa "Tasarımda tut" seçilmelidir. - Ağırlık seçmeyi unutmak. Ağırlık isteğe bağlıdır; boş bırakılırsa tüm ağırlıklar 1 alınır ve bu "İstenen ve uygulanan ayarlar" bloğunda yazılır. Ağırlıklı tasarımda bu sessiz bir hata değildir ama sonucu değiştirir (Tıp örneğinde
age0,4719 yerine 0,4710).
96.10 Kaynaklar
- Binder, D. A. (1983). On the variances of asymptotically normal estimators from complex surveys. International Statistical Review, 51(3), 279–292. https://doi.org/10.2307/1402588
- DuMouchel, W. H., & Duncan, G. J. (1983). Using sample survey weights in multiple regression analyses of stratified samples. Journal of the American Statistical Association, 78(383), 535–543. https://doi.org/10.1080/01621459.1983.10478006
- Fellegi, I. P. (1980). Approximate tests of independence and goodness of fit based on stratified multistage samples. Journal of the American Statistical Association, 75(370), 261–268. https://doi.org/10.1080/01621459.1980.10477462
- Heeringa, S. G., West, B. T., & Berglund, P. A. (2017). Applied survey data analysis (2. baskı). CRC Press. https://doi.org/10.1201/9781315153278
- Lumley, T. (2004). Analysis of complex survey samples. Journal of Statistical Software, 9(8), 1–19. https://doi.org/10.18637/jss.v009.i08
- Lumley, T. (2010). Complex surveys: A guide to analysis using R. Wiley. https://doi.org/10.1002/9780470580066
- Lumley, T., & Scott, A. (2017). Fitting regression models to survey data. Statistical Science, 32(2), 265–278. https://doi.org/10.1214/16-STS605