Nonlinear Covariance Analysis Models With Application On Social Security Data

Abstract

Covariance analysis is an analysis method that investigates whether there is a significant difference between the effects of the experiment and the factors that cannot be controlled with the controllable factors and the variables that cannot be controlled throughout the experiment. Linearity assumption, which is one of the most basic assumptions of covariance analysis, is an important factor affecting the representation power of the model formed as a result of covariance analysis. Using multivariate covariance analysis on nonlinear data will weaken the representation power of the model. In this study, nonlinear covariance analysis is introduced. Differences were determined by the covariance analysis which provides the assumption of linearity, and whether the data is linear or exact linear conditions affects the multivariate covariance analysis. As a result of the application, it was found that the analysis to be made on nonlinear data is more appropriate to be done by non-linear covariance analysis.

Kovaryans analizi deneme etkileri arasında anlamlı bir farklılık olup olmadığını araştıran, kontrol edilebilen faktörlerle deney boyunca kontrol edilemeyen ortak değişken veya değişkenleri de modelde birlikte değerlendirilen bir analiz yöntemidir. Kovaryans analizinin en temel varsayımlarından biri olan doğrusallık varsayımı, kovaryans analizi sonucunda oluşturulan modelin temsil gücünü etkileyen önemli bir etkendir. Doğrusal olmayan veriler üzerinde çok değişkenli kovaryans analizinin kullanılması, modelin temsil gücünü zayıflatacaktır. Bu çalışmada, doğrusal olmayan kovaryans analizi tanıtılmış, doğrusallık varsayımını sağlayan kovaryans analizi ile farklılıkları ortaya konmuş ve yapılan uygulama ile verinin doğrusal olup olmaması veya tam doğrusal durumlarının çok değişkenli kovaryans analizini nasıl etkilediği incelenmiştir.