Amaç: Klinik araştırmalarda bağımlı (Y) değişken ile bağımsız (X) değişkenler arası ilişki regresyon analizi ile ifade edilir. Fakat bu değişkenlerden birisi veya birden daha fazlası belirsizlik ve aykırı değerler içeriyor ise klasik regresyon analizi yapılamaz. X değişkenlerinde (bağımsız değişken) belirsiz ve aykırı gözlem değerleri olduğunda bulanık doğrusal regresyon çözümleme yaklaşımının uygulanışı tanıtılıp, bir klinik örnek üzerinde daha güvenilir tahminlerin elde edildiği tartışıldı. Gereç ve Yöntemler: Genel olarak, bulanık regresyon modellerinin analizinde kullanılan minimum bulanıklık yaklaşımının teorik temelleri ve süreçleri açıklanmıştır. Klasik ve bulanık yöntemle tahmin edilen değerler ile gözlemlenen değerler arasında istatistiksel olarak anlamlı bir fark olup olmadığını h=0.5 'bulanıklık tolerans seviyesi' değerinde hesapladık. Hesaplanan değerler arasındaki uyumluluğu gösteren uyum iyiliği test ölçüt kriterleri olarak hata kareler ortalaması ve belirtme katsayısı (R2) indexleri kullanılmıştır. Daha sonra, hesaplanan değerleri grafiksel olarak gösterip yorumladık. Bulgular: Klasik ve bulanık doğrusal regresyon analiz yöntemleri ile yenidoğanların tahmin edilen ortalama ağırlıklarına ait standart hata ve R2 değerleri sırasıyla 2635 (g) ± 32.82 (g); R_(gözlenen/Ktahmin)^2=0.61 ve 3117.72 (g) ±21.97 (g); R_(gözlenen/Btahmin)^2=0.97 olarak hesaplanmıştır. 22 iterasyonda oluşturulan bulanık doğrusal regresyon modelinin bulanıklığı 49.789 olarak hesaplanmıştır. Sonuç: Yaklaşıma göre yenidoğanın doğum ağırlığını (Yi) (g) tahmin etmede etkisi olduğu varsayılan annenin gebelikteki yaşı, doğumdaki ağırlığı, eğitim düzeyi ile oruçlu gün sayısının doğum ağırlığı üzerine etkisi önemli bulundu. Yöntemin klinik çalışmalarda da kullanılabileceği gösterilerek alternatif bir yaklaşım olabileceği önerilmiştir.
Anahtar Kelimeler: Bulanık doğrusal regresyon; bulanık katsayılar; en küçük kare tahmini; yenidoğan
Objective: In clinical studies, the relationship between dependent (Y) variable and independent (X) variables is expressed by regression analysis. However, if one or more of these variables contains uncertainty and outliers, classical regression analysis cannot be performed. The application of the fuzzy linear regression analysis approach was introduced when there were ambiguous and outliers in X variables and it was discussed that more reliable estimates were obtained on a clinical sample. Material and Methods: We showed whether there is a statistically significant difference between observed values and estimated values calculated using fuzzy linear regression analysis methods based on classical and linear programming. In clinical studies, we suggested an h=0.5 value, which we call 'turbidity tolerance level'. We used mean squared error, square root of mean squares error and the coefficient of determination (R2) indexes as the goodness of fit test criteria showing the compatibility between the values calculated at the suggested h-level. Then, we showed and interpret the calculated values graphically. Results: With classical and fuzzy linear regression analysis methods, standard error and R2 values of the estimated average weights of newborns were calculated as 2.635 (g) ± 32.82 (g); R_(observed/Kestimated)^2=0.61 and 3.117.72 (g) ± 21.97 (g); R_(observed/Bestimated)^2=0.97, respectively. The turbidity of the fuzzy linear regression model created in 22 iterations was calculated as 49.789. Conclusion: According to the approach, the effect of the mother's age, birth weight, education level and number of fasting days on birth weight was found to be significant. It has been suggested that the method can be used in clinical studies as an alternative approach.
Keywords: Fuzzy linear regression; fuzzy coefficients; least square estimation; newborn
- Pourahmad S, Ayatollahi SMT, Taheri SM, Agahi ZH. Fuzzy logistic regression based on the least squares approach with application in clinical studies. Computers and Mathematics with Applications. 2011;62:3353-65.[Crossref]
- Chang YHO, Ayyub BM. [Fuzzy regression methods-a comparative assessment]. Fuzzy Sets and Systems. 2001;119(2):187-203.[Crossref]
- Topuz D, Şahinler N. [Analysis of categorical data obtained for estimation of royal jelly amount with fuzzy range regression model]. Türk Tarım ve Doğa Bilimleri Dergisi. 2020;7(2):471-9.[Crossref]
- Yen KK, Ghoshray S, Roig G. A linear regression model using triangular fuzzy number coefficients. Fuzzy Sets and Sytems. 1999;106(2):167-77.[Crossref]
- Zadeh LA. Fuzzy Sets and Appllications. New York: John Wiley AND Sons; 1987.
- Zadeh LA. Fuzzy sets. Information and Control. 1965;8(3):338-53.[Crossref]
- Can G, Çoban A, İnce Z. [Newborn and their diseases]. Neyzi O, Ertuğrul T, editörler. Pediatri Cilt I. İstanbul: Nobel Tıp Kitabevleri; 2002. p.296-431.
- Shapiro AF. Fuzzy regression models. Smeal College of Business, Univesity Park, USA. 2005.[Link]
- Yalaz S, Atay A, Toprak ZF. [Fuzzy linear regression for the data which is fuzzified with SMGRT method]. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi. 2015;31(3):152-8.[Link]
- Wang HF, Tsaur RC. Resolution of fuzzy regression model. European Journal of Operational Research. 2000;126(3):637-50.[Crossref]
- Tansu A. Fuzzy Linear Regression. Germany, Saarbrücken: 2011. p.196.
- Redden DT, Woodall WH. Further examination of fuzzy linear regression. Fuzzy Sets and Systems. 1996;79(2):203-11.[Crossref]
- Tanaka H, Uejima S, Asai K. Linear regression analysis with fuzzy model. IEEE Transactions on Systems, Man, and Cybernetics. 1982;12(6):903-7.[Link]
- Buckley JJ. Fuzzy statistics: regression and prediction. Soft Comput. 2005;9:769-75.[Crossref]
- Yurtçu Ş, İçağa Y. [An Overview of Fuzzy Linear Regression]. Yapı Teknolojileri Elektronik Dergisi. 2007;2:37-43.
- Wang HF, Tsaur RC. Insight of a fuzzy regression model. Fuzzy Sets and Systems. 2000;112(3):355-69.[Crossref]
- Ghoshray S. Fuzzy linear regression analysis by symmetric triangular fuzzy number coefficients. Proceedings of IEEE International Conference on Intelligent Engineering Systems. 1997:307-13.[Link]
- Arnold SF. Mathematical Statistics. New Jersey: Prentice Hall; 1990.
- Moskowitz H, Kim K. On assesing the H value in fuzzy linear regression. Fuzzy Sets and Systems. 1993;58(3):303-27.[Crossref]
- Guo P, Tanaka H. Dual models for possibilistic regression analsis. Computational Statistics and Data Analysis. 2006;51(1):253-66.[Crossref]
- Hojati M, Bector CR, Smimou K. A simple method for computation of fuzzy linear regression. European Journal of Operational Research. 2005;166(1):172-84.[Crossref]
- Aygün AD, Genca E, Bingöl M. [Influence of the different factors on the birth weight]. Turkiye Klinikleri J Pediatr. 1994;3(3):114-7.[Link]
- Kadanalı S, Önvural A, Erten O. [Influence of various factors on birthweight]. Perinatoloji Dergisi. 1994;2:89-93.[Link]
- Kırımi E, Pençe S. [The effect of smoking during pregnancy on the development of the fetus and placenta]. Van Tıp Dergisi. 1999;6(1):28-30.
- Savitri AI, Amelia D, Painter RC, Baharuddin M, Roseboom TJ, Grobbee DE, et al. Ramadan during pregnancy and birth weight of newborns. J Nutr Sci 2018;7:e5.[Crossref] [PubMed] [PMC]
.: Process List