Artificial neural network approach on type li regression analysis

Bu çalışmada, Tip II Regresyon tekniklerinden olan EKK Açıortay tekniğine ilk defa bu çalışma aracılığıyla Yapay Sinir Ağı (YSA) yaklaşımı yapılmıştır. Yeni oluşturulan bu YSA Açıortay tekniğinin performansının ölçülmesi amacıyla da EKK Açıortay tekniğiyle karşılaştırılmıştır. Öncelikle YSA ve Tip II Regresyon teknikleri konularında literatür bilgilerine yer verilerek, iki tekniğinde özelliklerinden bahsedilmiştir. Bu bilgiler doğrultusunda EKK tabanlı açıortay tekniği ile YSA tabanlı açıortay teknikleri arasında karşılaştırma yapılmıştır. Bu iki tekniğin karşılaştırılması amacıyla farklı dağılımlarda ve farklı örneklem hacimlerinde modellemeler yapılmıştır. Bu modellerin performanslarının karşılaştırılması amacıyla “Ortalama Mutlak Yüzde Hata” (MAPE) kriterinden yararlanılmıştır. Çalışma sonucunda YSA tabanlı Açıortay tekniği EKK tabanlı Açıortay tekniğine göre daha düşük hata ile daha iyi sonuç verdiği görülmüştür. Yapılan bu çalışma ile gelecek dönemde bu alanlarda çalışmak isteyen araştırmacılar için bir örnek temsilinde olduğu ön görülmektedir.In this study, Artificial Neural Network (ANN) approach was used for the first time to the OLS Bisector technique which is one of the Type II Regression techniques. In order to measure the performance of this newly created ANN Bisector technique, the OLS was compared with the Bisector technique. Firstly, the literature is given on ANN and Type II Regression techniques. In line with this information, the comparison between OLS-based bisector technique and ANN-based bisector techniques has been made. In order to compare these two techniques, different distributions and different sample volumes were modeled. “Mean Absolute Percentage Error” (MAPE) criterion was used to compare the performance of these models. As a result of the study, ANN-based bisector technique yielded better results with lower error than OLS-based bisector technique. With this study, it is foreseen that it represents an example for the researchers who want to work in these fields in the future