Çoklu Doğrusal Regresyon Hesaplama

Güncellendi: 14 Ekim 2026

Sonuç değerlerinizi ve iki ya da daha fazla yordayıcı sütununu girin; en küçük kareler yöntemiyle çoklu doğrusal regresyon uydurun. Hesaplama aracı; sabit terimi, her yordayıcının katsayısını, R² değerini, uydurulan denklemi ve artıklarıyla birlikte tahmin edilen değerleri verir.

Birden çok yordayıcıyla bir sonucu modelleyin

Çoklu Doğrusal Regresyon Formülü

Formül

\[ \hat{y} = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \cdots + \beta_p X_p \\\quad R^2 = 1 - \frac{\sum_{i=1}^{n} \left( y_i - \hat{y}_i \right)^2}{\sum_{i=1}^{n} \left( y_i - \bar{y} \right)^2} \]

Burada:

\(\hat{y}\) — sonuç değişkeninin tahmin edilen değeri
\(\beta_0\) — sabit terim (kesme): tüm yordayıcılar sıfır olduğunda \(y\) için beklenen değer
\(\beta_j\) — \(X_j\) yordayıcısının katsayısı: diğer tüm yordayıcılar sabit tutulduğunda \(X_j\) bir birim arttığında \(y\) içinde beklenen değişim
\(p\) — yordayıcı sayısı
\(n\) — gözlem sayısı
\(R^2\) — modelin açıkladığı \(y\) varyansının oranı

Katsayılar, \(\sum (y - \hat{y})^2\) artık kareleri toplamını en küçük yapan \(\beta\) değerlerini seçen sıradan en küçük kareler (OLS) yöntemiyle tahmin edilir. Matris gösteriminde çözüm \(\hat{\boldsymbol{\beta}} = (\mathbf{X}^T \mathbf{X})^{-1} \mathbf{X}^T \mathbf{y}\) biçimindedir; bu hesaplama aracı aynı en küçük kareler problemini, \(\mathbf{X}^T\mathbf{X}\) çarpımını açıkça oluşturmak yerine sayısal olarak kararlı bir QR ayrıştırmasıyla çözer.

Çoklu Doğrusal Regresyon – Hesaplama Örneği

Örnek: sonuç değerleri 7; 12; 11; 16; 15; 20; 19; 24 olan sekiz gözlem ve iki yordayıcı: 1'den 8'e kadar giden \(X_1\) ile 0, 1, 0, 1, … biçiminde dönüşümlü olan \(X_2\) — hesaplama aracındaki varsayılan verilerin aynısı.

\[ \hat{y} = 5 + 2X_1 + 3X_2 \]

Sonuç: sabit terim \(\beta_0 = 5\), katsayılar \(\beta_1 = 2\) ve \(\beta_2 = 3\), \(R^2 = 1\). Her tahmin edilen değer gerçek sonuçla aynı olduğundan tüm artıklar 0'dır ve artık kareler toplamı, toplam kareler toplamı 210 iken 0'dır. Bu veri kümesi kusursuz uyum sağlayacak biçimde oluşturulmuştur; \(R^2\) bu yüzden 1 olan en yüksek değerine ulaşır. Gerçek veriler neredeyse her zaman bir miktar artık değişkenlik bırakır ve 1'den küçük bir R² verir.

Hesaplama aracı nasıl kullanılır?

Sonuç değerlerini (y) girin — her gözlem için bir değer; boşluk, noktalı virgül veya satır sonuyla ayırın. Ondalık virgül kabul edilir.
Yordayıcı sütunlarını (X) girin — her satıra bir gözlem, o gözlemin yordayıcı değerleri boşluk ya da noktalı virgülle ayrılmış olarak. Sütun sırasını her satırda aynı tutun ve en az iki sütun girin.
X satır sayısının y değerlerinin sayısıyla eşleştiğini ve her satırda aynı sayıda değer bulunduğunu kontrol edin. Yordayıcı sayısından en az iki fazla gözleme ihtiyacınız vardır.
Sonuçları okuyun: sabit terim, yordayıcı katsayıları tablosu, R², artıklarıyla birlikte tahmin edilen değerler tablosu ve uyum ayrıntılarıyla birlikte uydurulan denklem.

Çoklu doğrusal regresyon nedir?

Çoklu doğrusal regresyon, sürekli bir sonuç değişkenini iki ya da daha fazla yordayıcının ağırlıklı toplamı artı bir sabit olarak modeller. Tek yordayıcı kullanan basit doğrusal regresyonu, birçok değişkenin sonucu aynı anda etkileyebildiği durumlara genişletir — örneğin bir evin fiyatını alan, oda sayısı ve yaştan ya da tarımsal verimi yağış, sıcaklık ve gübre miktarından tahmin etmek gibi.

Ayrı ayrı basit regresyonlara göre temel avantajı, her katsayının diğer yordayıcıları sabit tutarak bir yordayıcının katkısını ayrıştırmasıdır. \(X_1\) için katsayının 2 olması, diğer yordayıcılar hangi düzeyde olursa olsun \(X_1\) bir birim arttığında sonucun 2 birim artmasının beklendiği anlamına gelir. Katsayıların, her yordayıcıyı tek başına ele alan regresyonlardan elde edilecek eğimlerden önemli ölçüde farklı olabilmesinin nedeni budur — model üst üste binen etkileri birbirinden ayırır.

R², uydurulan düzlemin (veya hiperdüzlemin) verileri ne kadar iyi izlediğini ölçer: yordayıcıların açıkladığı \(y\) varyansının kesridir. 0,80'lik bir R², gözlenen değişimin %80'inin model tarafından yeniden üretildiği anlamına gelir. R², yordayıcı eklendiğinde ancak aynı kalabilir ya da artabilir; bu yüzden çok sayıda yordayıcıyla elde edilen yüksek bir R² otomatik olarak iyi bir modelin kanıtı değildir — yalnızca tahmin için kullanılan verilere uyumu tanımlar.

Model uydurmadan önce değişkenleriniz arasındaki ikili ilişkileri incelemek isterseniz Spearman sıra korelasyonu hesaplama aracını ya da Kendall tau hesaplama aracını deneyin.

Varsayımlar, sınırlamalar ve pratik öneriler

Örneklem büyüklüğü: \(p\) yordayıcı ve sabit terim için en az \(p + 2\) gözlem gerekir (hesaplama aracı bunu zorunlu kılar). Uygulamada kararlı tahminler için yordayıcı başına 10–20 gözlem hedefleyin.
Gereksiz sütun bulunmamalı: yordayıcılar doğrusal bağımlı olmamalıdır. Kategorik bir değişkeni 0/1 kukla sütunlarıyla kodluyorsanız, kategori sayısından bir eksik kukla sütun dâhil edin — sabit terim temel düzeyi karşılar; örnekteki dönüşümlü 0/1 sütununda olduğu gibi.
Çoklu bağlantı: birbiriyle yüksek korelasyona sahip yordayıcılar, genel uyum iyi görünse bile dengesiz ve yorumlanması güç katsayılar üretir. Önce ikili ilişkileri kontrol edin; üst üste binen değişkenleri çıkarın ya da birleştirin.
Doğrusallık: OLS, her yordayıcının diğerleri sabit tutulduğunda sonuçla doğrusal ilişkide olduğunu varsayar. Eğrisel ilişkiler çoğu zaman dönüştürülmüş sütunlar (örneğin karesel bir terim) ek yordayıcılar olarak eklenerek karşılanabilir.
Artık kontrolleri: model bağımsız ve kabaca sabit varyanslı hatalar varsayar. Tahmin tablosundaki artıkları incelemek faydalıdır; zamana göre sıralı verilerde otokorelasyon hesaplama aracı artıklarda kalan örüntüyü ortaya çıkarabilir ve çarpıklık ve basıklık hesaplama aracı güçlü biçimde normal olmayan verileri fark etmeye yardımcı olur.
İlişki, nedenellik değildir: katsayılar yalnızca verilerinizdeki ilişkileri tanımlar. Nedensel bir etki iddia etmek için iyi bir uyum değil, bunu destekleyen bir araştırma tasarımı gerekir.
Verilerinizin aralığı içinde kalın: gözlenen yordayıcı aralığının çok dışındaki tahminler dış değerleme (ekstrapolasyon) olur ve ciddi biçimde yanıltıcı olabilir.
Çıkarım çıktısı yok: bu hesaplama aracı yalnızca uydurulan denklemi ve tahmin verilerine uyumu raporlar; standart hatalar, p değerleri ve güven aralıkları için tam kapsamlı bir istatistik yazılımı kullanın.

Sıkça Sorulan Sorular

Çoklu doğrusal regresyonu elle nasıl hesaplarım?

Sabit terim için birinci sütunu birlerden oluşan bir tasarım matrisi \(\mathbf{X}\) kurun, sonra normal denklemleri \((\mathbf{X}^T\mathbf{X})\hat{\boldsymbol{\beta}} = \mathbf{X}^T\mathbf{y}\) çözün. İki yordayıcıda bu, \(\beta_0, \beta_1, \beta_2\) için 3×3'lük bir doğrusal denklem sistemi çözmek demektir. Uydurulan denklemden tahminleri, ardından kareler toplamlarından artıkları ve R²'yi hesaplayın. Birkaç gözlemin ötesinde yorucu bir iş olduğu için hesaplama araçları sayısal kararlılık amacıyla QR ayrıştırması kullanır.

Çoklu regresyon için iyi bir R² değeri nedir?

Evrensel bir eşik yoktur. Fizik veya mühendislik verilerinde 0,9 üzerindeki R² yaygındır; sosyal bilimlerde ya da tıp araştırmalarında 0,3–0,5 anlamlı olabilir. Neyin iyi sayıldığı, ölçüm gürültüsüne ve çalışılan alana bağlıdır. Ayrıca R²'ye yordayıcı eklendikçe otomatik olarak yükseldiğini unutmayın: farklı büyüklükteki modelleri düzeltilmiş R² ile karşılaştırın ve bir modeli yalnızca kurulduğu verilere ne kadar iyi uyduğuna değil, yeni verileri ne kadar iyi tahmin ettiğine göre değerlendirin.

Katsayılarım neden her değişkene ayrı ayrı yapılan basit regresyon eğimlerinden farklı?

Bu bir hata değil, beklenen bir durumdur. Çoklu regresyonda her katsayı, diğer yordayıcılar sabit tutulurken o yordayıcının etkisini ölçer. İki yordayıcı üst üste biniyorsa (örneğin evin alanı ve oda sayısı) model ortak açıklayıcı gücü aralarında paylaştırır; katsayılar, tek tek yapılan basit regresyonlara kıyasla küçülebilir, işaret değiştirebilir ya da büyüyebilir. Çoklu regresyonun işe yaramasının nedeni de tam budur: iç içe geçmiş etkileri birbirinden ayırır.

Bu hesaplama aracında cinsiyet veya şehir gibi kategorik değişkenler kullanabilir miyim?

Evet, ancak önce bunları 0/1 kukla değişkenler olarak kodlayın. k düzeyli bir kategori için k − 1 kukla sütun oluşturun ve bunları ayrı yordayıcılar olarak girin — dışarıda bırakılan düzey, sabit terimin karşıladığı temel düzey olur. Üç şehir için 1, 2, 3 gibi keyfî kodları tek bir sütun hâlinde asla girmeyin; bu, modeli kategorileri sayısal olarak eşit aralıklı saymaya zorlar ki bu genellikle yanlıştır.

Yordayıcı sayısına kıyasla kaç gözleme ihtiyacım var?

Matematiksel alt sınır, yordayıcı sayısından iki fazla gözlemdir (sabit terim dâhil); hesaplama aracı bunu zorunlu kılar, ancak güvenilir sonuçlar için bu sayı çok azdır. Sık kullanılan pratik kural yordayıcı başına 10–20 gözlemdir. Gözlem sayısı çok azsa katsayılar tek tek veri noktalarına aşırı duyarlı hâle gelir, R² mekanik olarak 1'e doğru şişer ve model yeni verilerde kötü sonuç verir.

Doğrusal bağımlı ya da gereksiz sütunlarla ilgili hata neden alıyorum?

Yordayıcılar bağımsız bilgi taşımalıdır. Bir sütun sabitse, başka bir sütunun tam katıysa ya da diğerlerinin toplamıysa hata görüntülenir — örneğin her kategori düzeyi için kukla girmek; bu kuklalar her zaman 1'e toplanır ve sabit terim sütununu ikiler. Gereksiz sütunu çıkarın ya da birleştirin. Neredeyse bağımlı sütunlar da (örneğin sıcaklığın hem °C hem °F sütunları) bu hatayı tetikler, çünkü uyum sayısal olarak dengesizleşir.

R² ile düzeltilmiş R² arasındaki fark nedir?

R², modelin açıkladığı y varyansının kesrini ölçer; ancak yordayıcı eklendiğinde asla düşmez — işe yaramaz rastgele bir yordayıcı bile onu hafifçe yükseltir. Düzeltilmiş R², yordayıcı sayısını örneklem büyüklüğüne göre cezalandırır; bu yüzden yerini hak etmeyen bir değişken eklendiğinde düşebilir. Farklı sayıda yordayıcısı olan modelleri karşılaştırmak için düzeltilmiş R²'yi kullanın; bu hesaplama aracı, tahmin verilerine uyumu tanımlayan düz R²'yi raporlar.