Bu çalışmada bir araştırma sürecinde modelleme planlamaya temel oluşturan,
gözlem değerleri üzerinde meydana gelen ve modellerin yanlı olmasına neden olan
nedenler incelenmiştir. Gözlem yapmak, gözlemleri verilere dönüştürmek, verilerden
modellere ulaşmak ve nihayet modelleri kullanarak bilgi elde etmek başlı başına önemli süreçlerdir. Bu süreçlerde karşılaşılan en önemli risklerden biri veriler üzerinde
meydana gelen değişimlerdir. Bu değişimler doğal yollarla meydana geliyorsa, sorun
nispeten basittir. Ancak değişim; kişilerden, aletlerden veya aletlerin yanlış kullanımı
ile ortaya çıkıyorsa yanlılık mutlaka giderilmelidir. Bu yanlılıkların güncel bir
modelleme yöntemi olan zaman serisi (ARIMA-Auto Regressive Integrated Moving
Average) modellerinde ortaya çıkış nedenleri, tespiti ve tespit edilme nedenleri, çok
etkenli 3 2 2 3 deney düzeni ile modellenmiş ve önem düzeyleri araştırılmıştır.
In this study, outliers which can cause bias on models in a survey stage using
observation values which constitute basement for conducting modelling have been
investigated. The processes important for estimation observation, transform to data,
modelling from data, and to gain information from models so important by oneself.
One of the most important risks we encountered is transformation on data by naturel
randomness or derivation by people. If transformation on data is derived by naturel
randomness, solution is easy and has to compulsory ultimately. Causes for bias are
appeared by time series (ARIMA-Auto Regressive Integrated Moving Average) models,
detection, and detection causes on them are modelled by multi factored experimental
design with 3 2 2 3 and significance levels have been investigated.
