GRMerve Yurdakul1 , Cansu Leylak2 , Sencer Buzrul2
Cite this article as: Yurdakul, M., Leylak, C., Buzrul, S. (2020).
Gda bilimlerinde Excel kullanm 2: Dorusal olmayan regresyon. Food
and Health, 6(3), 199-212. https://doi.org/10.3153/FH20020
1 Konya Gda ve Tarm Üniversitesi, Biyomühendislik Bölümü, Melikah
Mah. Beyehir Cad. No:9, 42080 Me- ram, Konya, Türkiye iye
2 Konya Gda ve Tarm Üniversitesi, Gda Mühendislii Bölümü, Melikah
Mah. Beyehir Cad. No:9, 42080 Me- ram, Konya, Türk
ORCID IDs of the authors: M.Y. 0000-0002-5597-4692 C.L.
0000-0003-2393-0545 S.B. 0000-0003-2272-3827
Submitted: 21.02.2020 Revision requested: 11.03.2020 Last revision
received: 12.03.2020 Accepted: 15.03.2020 Published online:
22.06.2020
Correspondence: Sencer BUZRUL
Gda bilimlerinde deneysel verilerin matematiksel modellerle
tanmlanabilmesi için dorusal olmayan reg- resyona sklkla ihtiyaç
duyulmaktadr. Excel’in içerisinde yazlmda yüklü olan dorusal
olmayan birçok model olmasna karn Excel bunlar dorusal hale
dönütürmekte ve verilere dorusal olmayan regresyon yerine dorusal
regresyon uygulamaktadr. Oysa Excel’de yer alan “Çözücü” arac
kullanlarak dorusal ol- mayan regresyon uygulamak mümkündür. Bu
çalmann amac Excel’deki Çözücü aracn kullanarak de- neysel verilere
dorusal olmayan regresyonun nasl uygulanacan örnekler üzerinden
göstermektir. Bu amaç dorultusunda srasyla iki, üç ve dört
parametreli dorusal olmayan modeller, üç farkl veri setine Çözücü
kullanlarak uygulanmtr. lk örnekte yeil zeytinde bulunan
violaksantin pigmentinin zamana bal olarak deiimi üstel model
kullanlarak tanmlanm, ikinci örnekte ise Escherichia coli
bakterisinin scak- lkla inaktivasyonu üç parametreli dorusal
olmayan bir modelle açklanmaya çallmtr. Son örneimizde Listeria
monocytogenes bakterisinin büyümesi yine dorusal olmayan bir
modelle tanmlanrken model uyu- munu gösteren deerler de model
parametreleriyle birlikte hesaplanmtr. Çözücü aracnn tek olumsuz
yan parametre deerlerini standart hata veya güven aralklaryla
birlikte hesaplayamamasdr. Onun dnda do- rusal olmayan regresyon
yapmak için kullanlan ücretli yazlmlardan herhangi bir fark yoktur.
Bu çalma- nn gda mühendislii veya gda bilimi alannda çalan ve
bilgisayarlarnda Excel yüklü olan ancak dier ücretli yazlmlara
sahip olmayan birçok aratrmacya faydal olaca
deerlendirilmektedir.
Anahtar Kelimeler: Dorusal olmayan modeller, Excel, Regresyon,
Çözücü
ABSTRACT Use of Excel in food science 2: Non-linear regression
Nonlinear regression is often required in order to define
experimental data with mathematical models in food science.
Although there are many non-linear models in Excel by default,
Excel linearizes them and applies linear regression to the data
instead of nonlinear regression. However, it is possible to apply
non-linear reg- ression by using the “Solver” tool in Excel. The
objective of this study was to show how to apply non-linear
regression to experimental data by using the Solver tool in Excel.
For this purpose, non-linear models having two, three and four
parameters, were applied to three different data sets using Solver,
respectively. In the first example, the change of the violaxanthin
pigment in green olives with respect to time was described using
the exponential model, and in the second example, the heat
inactivation of Escherichia coli was tried to be exp- lained with a
three-parameter non-linear model. In our last example, the growth
of Listeria monocytogenes was again described by a non-linear
model, while the goodness-of-fit indices were calculated together
with the model parameters. The only disadvantage of the Solver tool
was that it cannot calculate parameter values along with the
standard errors or confidence intervals. Apart from that, there was
no difference between shareware used for non-linear regression. It
is considered that this study would be beneficial for many rese-
archers having Excel installed in their computers but without other
sharewares and working in the field of food engineering or food
science.
Keywords: Non-linear models, Excel, Regression, Solver
Food Health 6(3), 199-212 (2020) • https://doi.org/10.3153/FH20021
Review Article
200
Giri Excel her ne kadar finans alannda çalanlar için hesap çizel-
gesi program olsa da fen bilimleri ve mühendislik alanla- rnda da
sklkla kullanlmakta ve kullanclar için büyük ko- laylklar
salamaktadr. Model parametrelerinin dorusal olup olmamasna bal
olarak uygun bilgisayar programlar kullanlarak dorusal regresyon
veya dorusal olmayan reg- resyon uygulanr. Örnein y = a·ex modeli
[y baml dei- ken, x bamsz deiken, a model parametresi, e ise Euler
saysdr (2.7182818)] parametresine göre dorusaldr çünkü
= ’dir. Yani a parametresi ksmi türevin içinde yoktur. Bu nedenle y
= a·ex modeli için dorusal regresyon kullan- larak a parametresi
bulunur. Öte yandan, y = eax modeli do- rusal deildir çünkü
= ’dir. Ksmi türevin içinde a
parametresi olduundan model a parametresine göre doru- sal deildir
ve bu model için dorusal olmayan regresyon uy- gulanmaldr.
Dorusal (parametresine göre dorusal) modeller için Excel’de yer
alan “Veri Çözümleme” aracnn içerisindeki regresyon uygulamas
kullanlarak kolayca dorusal regres- yon yaplabilir. Dorusal
regresyon konusunda yeterli bilgisi olmayanlar daha önceki
makalemiz Leylak ve ark. (2020)’dan faydalanabilirler. Söz konusu
makalede Excel’de dorusal regresyon örnekler üzerinde açklanmtr.
Peki, dorusal olmayan modeller için Excel kullanmak mümkün müdür?
Excel’de x-y eklindeki veriler grafik haline getirilip bu verilere
farkl dorusal veya dorusal olmayan modeller kullanlarak eilim
çizgisi eklenebilir. Excel’in içinde fabrika ayar olarak baz
dorusal olmayan modeller yer almaktadr. Ancak, Excel bu modelleri
dorusallatrmakta baka bir de- yile dorusal hale getirmekte ve
parametre deerlerini do- rusal hale getirilmi modellere dorusal
regresyon uygulaya- rak hesaplamaktadr. Burada bir örnek vermek
okuyucuyu aydnlatmak açsndan yerinde olacaktr. Yeil zeytinde
bulunan violaksantin mad- desinin zamana bal olarak deiimini ele
alalm. ekil 1’de gösterilen veriyi tanmlamak için uygun model üstel
model olabilir. Excel’in içinde bu model y = a·ebx eklinde yer al-
maktadr ve bu model a parametresine göre dorusal, b para- metresine
göre ise dorusal deildir. Dier bir deyile a’ya göre ksmi türev
alndnda a parametresi türev için yer al- mamakta, b’ye göre ksmi
türev alndnda ise b parametresi ksmi türev içinde yer almaktadr.
Dolaysyla bu veriyi bu modelle tanmlayabilmek için dorusal olmayan
regresyon kullanlmaldr. Excel’de söz konusu veriyi grafik haline
ge- tirip eilim çizgisi ekleden üstel model seçilirse ekil 2’de
gösterilen model uyumu ve sonuçlar elde edilmektedir. Bu sonuçlara
göre a = 1.875, b = – 0.067 ve R2 = 0.9407’dir. Modelin doal
logaritmasn (loge ya da ln) alrsak
lny = lna + bx elde ederiz yani modeli dorusal hale getirmi oluruz.
Bu modeli u ekilde yazabiliriz y´ = a´ + bx ve bu haliyle model
parametrelerine (a´ ve b) göre dorusaldr. Yani dorusal regresyon
kullanlabilir. Excel’de lny’ye (y´) karlk x grafiini çizip eilim
çizgisi ekleden dorusal mo- del eklenirse ekil 3’teki model uyumu
ve sonuçlar elde edi- lir: b = –0.067, lna = 0.6286 → a = e0,6286 =
1.875 ve R2 =0.9407’dir. Görüldüü gibi her iki durumda da ayn so-
nuçlar elde edilmitir: Yani Excel dorusal olmayan bir mo- deli
dorusal hale getirip parametre deerlerini bu modele göre
hesaplamaktadr. Öte yandan, ayn veriyi ayn modelle SigmaPlot
(Versiyon 12.0) program ile dorusal olmayan regresyon uygulayp
tanmlarsak a =1.975, b= –0.072 ve R2 = 0.9660 elde ederiz. ekil
4’te verinin SigmaPlot’ta do- rusal ve dorusal olmayan regresyon
uygulanarak tanmlan- mas gösterilmektedir. Görüldüü gibi her ne
kadar sonuçlar yakn olsa da dorusal olmayan regresyon daha yüksek
R2 deerine yani daha iyi model uyumuna sahiptir. SigmaPlot, R2
deerinin dnda model uyumu anlamak için baka ölçüt- leri de
hesaplamaktadr: Bütün bunlar da göstermektedir ki, örneimiz için
dorusal olmayan regresyon sonuçlar doru- sal regresyon sonuçlarna
göre daha iyi sonuç vermektedir (gösterilmeyen sonuçlar). Dahas,
verileri dorusal hale ge- tirmek çok tekrarl deneylerdeki (buradaki
deney iki tekrarl yaplmtr.) hata tekrarlar arasndaki fark yapsn
deitir- mektedir; verileri dorusal hale getirmek düük x deerle-
rinde tekrarlar arasndaki farklar küçültürken x büyüdükçe tekrarlar
arasndaki farklar da büyümektedir (ekil 2 ve ekil 3). Bu nedenle
dorusal olmayan modelleri dorusal hale ge- tirip parametre
deerlerini elde etmek tavsiye edilen bir uy- gulama deildir
(Motulsky ve Ransnas, 1987). Tam burada “Dorusal regresyon ile
dorusal olmayan reg- resyon arasndaki fark nedir?” sorusunu sormak
uygun ola- caktr. Dorusal regresyonda analitik çözüm varken dorusal
olmayan regresyonda bu mümkün deildir. Dahas, dorusal olmayan
regresyonda parametrelerin balangç deerlerini kullancnn girmesi
beklenir. Kullanlan program girilen bu deerlerden balayarak belli
sayda iterasyon yaparak para- metre deerlerini bulmaya çalr (Kemmer
ve Keller, 2010). Excel’de “Çözücü” Arac Kullanlarak Deneysel
Verilere Dorusal Olmayan Regresyon Uygulamak Bu bölümde üç farkl
örnek üzerinde Excel’de dorusal ol- mayan regresyon ile deneysel
verileri tanmlamay gösterece- iz. Ancak, çözücü arac Excel’de yüklü
deilse (Microsoft Office Standard 2016 Excel’de “Veri” sekmesine
tklad- nzda sa üste çözücü görünmüyorsa), srasyla Dosya > Se-
çenekler > Eklentiler > Excel Eklentileri (Git) sekmelerinden
sonra çkan ekrandan “Çözücü” iaretlenerek yüklenmelidir.
201
Yeil Zeytinde Bulunan Violaksantin Pigmentinin Zamana Bal Olarak
Deiiminin Tanmlanmas
lk örneimizde ekil 1’de verileri gösterilen, yeil zeytinde bulunan
violaksantin maddesinin zamana bal olarak deii- mini ele alalm. Bu
verilerin üstel model (y = a·ebx) ile tanm- lanabileceini
biliyoruz. Dahas Excel’in içinde bulunan bu modeli kullanrsak
Excel’in dorusal olmayan regresyon ye- rine dorusal regresyonla
parametreleri (a ve b) hesaplayaca- n ve bunun yetersiz çkarmlara
neden olacan da biliyo- ruz. Bu nedenle burada Excel’de çözücü
aracn kullanarak model parametrelerini hesaplatmay
göstereceiz.
lk aamada dalm grafii çizilir. F sütununa (F1 hücresi) parametre, G
sütununa (G1 hücresi) ise parametre deerleri yazlr. Parametreler F2
ve F3 hücrelerine a ve b olacak e- kilde srayla girilir. Daha sonra
G2 hücresine tklanp ‘For- müller’ sekmesinden “Ad tanmla” seçenei
seçilerek açlan pencerede Tamam’a tklanr. Excel otomatik olarak G2
hüc- resini “a” olarak tanmlar. Ayn ilemler G3 hücresi için tek-
rarlanr ve b parametresi de tanmlanr (ekil 5).
Parametreler tanmlandktan sonra C sütununa model yazlr. Türkçe
Excel’de e says “ÜS” olarak ifade edildiinden y = a·ebx modeli
Excel’de ymodel = a*ÜS(-b*A2) eklinde yaz- lp bütün süreler
(A2:A16) için ymodel hesaplatlr (ekil 6). Parametrelere ad
tanmlamamzn nedeni modeli yazarken parametrelerin modelde hücre (G2
ve G3) olarak deil a ve b olarak görünmesidir. Bu aamada
parametrelerin balangç deerlerini girmek gerekecektir. Bu,
Çözücü’nün iterasyona nereden balamas gerektiini söylemekle ayn
anlama gel- mektedir. Parametre deerlerini gerçek deerlere ne kadar
ya- kn yazarsak Çözücü daha az iterasyonla yani daha hzl bir ekilde
sonuca ulaacaktr. Öte yandan, uygun parametre de- erleri girilmezse
Çözücü herhangi bir sonuca ulaamayabi- lir. Örneimizde a
parametresinin deerinin 2’ye yakn ola- can tahmin etmek zor deildir
çünkü x = 0 iken y = a’dr. Ancak b parametresinin tahmini o kadar
da kolay deildir. Örneimizde her iki parametre deeri de 1 olacak
ekilde ya- zlarak bu deerler için ymodel’e karlk süre serisi ayn
gra- fik üzerinde gösterilmitir (ekil 7).
Regresyonda amaç hatalarn karesinin toplamnn minimize edilmesi
olduundan, C sütununa hatalarn karesi yani (y- ymodel)2 eitlii
girilir ve hesaplatlr. Hesaplanan deerler toplanarak D18
hücresindeki deer elde edilir (ekil 7). Son- rasnda “Veri”
sekmesinden Çözücü’ye tklanr ve açlan ek- randa “Hedef ayarla”
ksmna hatalarn karesi (D18 hücresi) seçilir. Amacmz D18 hücresinin
minimize edilmesi oldu- undan “Hedef” “En Küçük” tklanr. Bu amaca
ulamak için yani hatalarn karesinin toplamn minimize etmek için a
ve b parametrelerinin deitirilmesi gerekmektedir. Bu nedenle
“Deiken Hücreleri Deitirerek” ksmna parametreler
(G2:G3) seçilir ve “Çöz”e tklanr. Çözücü en küçük toplam
(y-ymodel)2 deerini bulmak için iterasyon yapar ve en uy- gun a ve
b parametrelerinin deerlerini belirler (ekil 8). Gö- rüldüü gibi
Excel Çözücü arac SigmaPlot’la ayn sonucu elde etmitir (a = 1.975,
b = –0.072). Bu noktada çözücünün olumsuz bir yanndan bahsetmek
gerekirse parametre deer- leri bu yöntemde standart hatalar veya
güven aralklaryla birlikte hesaplanamamaktadr. Parametre
deerlerinin belir- sizliini elde etmek önemlidir (Dolan ve Mishra,
2013) ve bunu Excel kullanarak yapmak da mümkündür (Lambert ve
ark., 2012). Ancak bu çalmada amacmz Excel’de dorusal olmayan
regresyonu göstermek olduundan baka bir yön- temle parametrelerin
standart hatalarn hesaplamak irdelen- memitir.
Escherichia coli Bakterisinin Isyla Inaktivasyonunun
Tanmlanmas
kinci örneimizde E. coli bakterisinin 56,6 °C’de inaktivas- yonunu
inceleyeceiz. ekil 9’da gösterilen veriler için uy- gun model aada
gösterilmitir:
log10 () = log10 0 − log101 + [(−)] (1)
Burada log10N(t) bakterinin t zamandaki says, log10N0 bak- terinin
balangçtaki says (t = 0), k inaktivasyon hz (za- man-1), S ise
inaktivasyonun gözlemlenmeye balad za- mandr. Yani modelin üç
parametresi log10N0, k ve S’dir. lk örneimizde anlatld üzere A ve B
sütunundaki verilerle dalm grafii çizilir ve parametreler tanmlanr.
C sütununa model yazlr: ymodel = logN0-LOG10((1+ÜS((k*(A2-S)))))
(ekil 9).
Mevcut durumda parametre deerlerine yine 1 yazlabilir. D sütununda
ise karelerin hatas hesaplatlr ve yazlan model süreye karlk ayn
grafik üzerinde gösterilir (ekil 10). Çö- zücü’den parametre
deerleri deitirilerek (G2:G4) D17 hücresi (hatalarn karesinin
toplam) minimize edilir ve para- metre deerleri elde edilir (ekil
11). Çözücü burada logN0, k ve S parametrelerine farkl deerler
atayp, iterasyon yapa- rak toplam (y-ymodel)2 deerini en küçük
olarak elde edecek ekilde bu parametrelerin deerlerini
belirlemektedir. Mini- mize edilen toplam (y-ymodel)2 deeri için
logN0 = 9.47, k = 0.71 ve S = 8.61 olarak elde edilmitir. ekil
11’de görüldüü gibi (y-ymodel)2 toplam minimize edilerek oluturulan
mo- del ve deney verileri oldukça uyumludur.
202
Listeria monocytogenes’in Büyümesinin Tanmlanmas
Son örneimizde L. monocytogenes’in 30 °C’de %9 tuz içe- ren sv
besiyerinde büyümesini gösteren verileri tanmlaya- caz. ekil 12’de
gösterilen verileri tanmlamak için uygun bir model olan Gompertz
denklemini kullanacaz:
log10 () = log10 0 + (log10 − log10 0)
− [log10−log10 0](−)+1
(2)
Burada log10N(t) bakterinin t zamandaki says, log10N0 bak- terinin
balangçtaki says (t = 0), log10Nmax bakterinin ulaa- bilecei azami
say (t→∞), µ büyüme hz (logKOB/mL/za- man), λ ise büyümenin
gözlemlenmeye balad zamandr. Modelin parametreleri log10N0,
log10Nmax, µ ve λ’dr.
Dier iki örneimizde olduu gibi grafik çizilerek balamak en doru
yaklamdr. Bu örnekte dierlerine ek olarak model uyumunu gösteren
R2, ayarl R2 ve RMSE deerlerinin Excel kullanlarak hesaplanmas da
açklanacaktr. Bu deerler hak- knda daha detayl bilgi için okuyucuyu
yine bir önceki ma- kalemize yönlendirmekte fayda görüyoruz (Leylak
ve ark., 2020).
Öncelikle parametreler (logN00, logNmax, µ, λ), parametre- lerin
hemen altna srasyla yort (y deerlerinin ortalamas), df (serbestlik
derecesi), R^2 (R2), ayarlR^2 (ayarl R2) ve RMSE yazlr. Bu
yazlanlarn hepsi “Formüller > Ad ta- nmla” kullanlarak tanmlanr
ve C sütunu içerisine model oluturulur:
ymodel=logN00+(logNmax-logN00)*ÜS(-ÜS(µ*ÜS(1)/(log
Nmax-logN00)*(λ-A2)+1)) Modelin parametre says dier iki örneimize
göre fazla olduundan balangç parametre deerlerini belirlemek burada
daha önemlidir. Kullancnn bütün parametre deerlerine 1 girmesi
durumunda ymodel ta- nmsz olacandan bu sefer bütün parametrelere 1
girilme- mitir. Modelde yer alan logN00 balangçtaki, logNmax ise
azami bakteri saysn göstermektedir. Verimize ve grafii- mize (ekil
12) göre balangç miktar 3.9 log10, azami miktar ise 8.9 log10’dur.
Dolaysyla, logN00 ve logNmax deerle- rine yakn deerler örnein 3 ve
8 yazabiliriz. Dier iki para- metreden büyüme hzn (µ) veriye veya
grafie bakarak an- lamaya çalmak çok kolay deildir ve bu durumda
daha ön- ceki örneklerde yaptmz gibi µ deerine 1 yazlabilir. Öte
yandan, büyümenin gözlemlendii (λ) zaman grafikten (ekil 12) az çok
anlalabilir durumdadr ve bu nedenle bu deere de 10 yazlabilir.
Sonuç olarak parametre deerlerine veriye ve grafie bakarak srasyla
3, 8, 1 ve 10 girilebilir (ekil 13).
Model denklemi oluturulduktan sonra yort=ortalama (B2:B:34) Excel’e
hesaplatlarak 6,14 olarak bulunur. D sü- tununda (y-ymodel)2
deerleri ve E sütununa ise (y-yort)2 de- erleri hesaplatlr.
Serbestlik derecesi (df) veri says – mo- deldeki parametre says
olduundan df=BA_ DE_SAY(A2:A34)-BA_DE_SAY(I2:I5) formülü ile
hesaplanr ve 29 (=33-4) olarak bulunur. R2 deeri R^2 =1-
TOPLA((B2:B34-C2:C34)^2)/TOPLA ((B2:B34-yort)^2)) formülünden
hesaplatlr ancak bu formül dizi formülü oldu- undan (her bir ilemin
srayla yaplmas gerektiinden) R^2 formülü seçilir ve
“Ctrl+Shift+Enter” yaplarak {} içerisine alnr. Ayarl R2 deeri
ayarlR^2 =1-((1- R^2)*(BA_DE_SAY(B2:B34)-1)/df) formülünden he-
saplanr. RMSE deeri ise =(KAREKÖK(TOPLA ((B2:B34- C2:C34)^2)/df))
formülü kullanlarak hesaplatlr ancak ayn R2 deerinde olduu gibi
yine formül seçilir ve “Ctrl+Shift+Enter” yaplarak {} içerisine
alnr.
Çözücü’ ye gelinerek “Hedef ayarla” ksmna R^2 (I8 hüc- resi);
ayarlR^2 (I9 hücresi) veyahut RMSE (I10 hücresi) se- çilebilir.
Burada dikkat edilmesi gereken husus udur: Uyumlu bir model için R2
ve ayarl R2 deerlerinin yüksek olmas istendiinden I8 hücresi veya
I9 hücresi seçildiinde “Hedef” “En Büyük” tklanr. Yani amacmz R2 ve
ayarl R2
deerlerinin maksimize edilmesidir. Öte yandan, “Hedef ayarla” ksmna
RMSE (I10 Hücresi) seçilmesi durumunda RMSE deerinin uyumlu bir
model için küçük olmas isten- diinden “Hedef” “En Küçük” tklanr. Bu
durumda amac- mz RMSE deerinin minimize edilmesidir. Hangi yöntem
(maksimizasyon veya minimizasyon) seçilirse seçilsin ayn sonucu
elde etmek mümkündür: Parametre deerleri logN00 = 3.95, logNmax =
8.85, µ = 0.1714, λ = 19.82 olarak bulun- mutur. Model uyumunu
gösteren R^2 = 0.9984, ayarlR^2 = 0.9981 ve RMSE = 0.0908 olarak
bulunmutur (ekil 14). Bu deerlerden anlald gibi model veriye iyi
bir uyum sala- maktadr ve bu grafik üzerinde de
görülebilmektedir.
Sonuç Eer deneysel verileri tanmlamak için kullanlan herhangi bir
model parametresine/ parametrelerine göre dorusal de- ilse bu
modelin parametre deerini/deerlerini elde etmek için dorusal
olmayan regresyon kullanlmas gerekmektedir. Excel’de yer alan
Çözücü aracn kullanarak dorusal olma- yan regresyon uygulamak
mümkündür ve bu çalmada üç farkl örnek üzerinden Excel’de dorusal
olmayan regresyo- nun nasl kullanlaca açklanmaya çallmtr.
Excel’deki Çözücü arac parametre deerlerinin standart hatalar hariç
ücretli yazlmlarla elde edilen sonuçlarn aynsn bulmakta- dr.
203
ekil 1. Yeil zeytinde bulunan violaksantin pigmentinin zamana bal
deiim verileri. Orijinal veriler Mínguez-Mosquera ve Gandul-Rojas
(1994)’dan alnmtr.
Figure 1. Change of violaxanthin pigment in green olives with
respect to time. Original data are from Mínguez-Mosquera and
Gandul- Rojas (1994).
ekil 2. ekil 1’de gösterilen verilere Excel’in içindeki üstel
modelin (y=a·ebx) uygulan. Figure 2. Application of exponential
model (y=a·ebx) to the data given in Fig. 1 in Excel.
204
ekil 3. ekil 1’de gösterilen verilerin dorusallatrlmas ve Excel’in
içindeki dorusal modelin (y´=a´+bx) bu dorusal hale getirilmi
verilere uygulan.
Figure 3. Linearization of data given in Fig. 1 and application of
the linear model (y´=a´+bx) to the linearized data given in
Excel.
ekil 4. ekil 1’de gösterilen verilere SigmaPlot’ta üstel modelin
(y=a·ebx) uygulan. Gri kesikli çizgi dorusal regresyon
uyumunu, siyah düz çizgi ise dorusal olmayan regresyon uyumunu
göstermektedir.
Figure 4. Application of exponential model (y=a·ebx) to the data
given in Fig. 1 in SigmaPlot. Gray dashed line indicates the fit of
linear regression, black solid line indicates the fit of non-linear
regression.
205
ekil 5. Excel’de ekil 1’de gösterilen veriler için üstel model
(y=a·ebx) parametre adlarnn tanmlanmas. Figure 5. Defining the
names of the parameters of exponential model (y=a·ebx) given in
Figure 1 in Excel.
ekil 6. ekil 5’te tanmlanan parametrelerin kullanlarak üstel model
(y=a·ebx) denkleminin Excel’de oluturulmas. Figure 6. Generating
the equation of exponential model (y=a·ebx) by using defined
parameters in Fig. 5 in Excel.
206
ekil 7. Hatalarn karesi denkleminin [(y-ymodel)2] oluturulmas ve
parametreler için balangç deerlerinin girilmesi. Figure 7.
Generating the residual square equation [(y-ymodel)2] and entering
initial values for the parameters.
207
(a)
(b)
ekil 8. Excel’ deki Çözücü arac kullanlarak hatalarn karesi
toplamnn minimize edilmesi (a), Çözücü’nün bulduu para-
metre deerleri ve model uyumu (b). Figure 8. Minimizing the sum of
residual squares by using the Solver tool in Excel (a), Parameter
values estimated by the Solver and model
fit (b).
208
ekil 9. Sv besiyerindeki E. coli’nin 56.6 °C’de inaktivasyon
verileri ve tanmlanan parametreler kullanlarak model denk-
leminin Excel’de oluturulmas. Orijinal veriler Valdramidis ve ark.
(2005)’dan alnmtr. Figure 9. Inactivation data of E. coli in broth
at 56.6 °C and creating the model equation by using the defined
parameters in Excel. Original
data are from Valdramidis et al. (2005).
ekil 10. Hatalarn karesi denkleminin [(y-ymodel)2] oluturulmas ve
parametreler için balangç deerlerinin girilmesi. Figure 10.
Generating the residual square equation [(y-ymodel)2] and entering
initial values for the parameters.
209
ekil 11. Çözücü’nün bulduu parametre deerleri ve model uyumu.
Figure 11. Parameter values estimated by Solver and model
fit.
ekil 12. L. monocytogenes’in 30°C’de % 9 tuz içeren sv besiyerinde
büyüme verileri ve tanmlanan parametreler kullanlarak
model denkleminin Excel’de oluturulmas. Orijinal veriler Lambert ve
ark. (2012)’dan alnmtr. Figure 12.Growth data of L. monocytogenes
at 30°C in broth containing 9 % salt and creating the model
equation by using the defined
parameters in Excel. Original data are from Lambert et al.
(2012).
210
ekil 13. Hatalarn karesi denklemlerinin [(y-ymodel)2 ve (y-yort)2]
oluturulmas ve girilen parametre balangç deerleri
için hesaplanan model uyumu göstergeleri (R2, ayarl R2 ve RMSE
deerleri) ve model uyumu. Figure 13. Generating the residual square
equations [(y-ymodel)2 and (y-yort)2] and calculated
goodness-of-fit indices and model fit for
the entered initial values of the parameters.
211
ekil 14. Çözücü’nün bulduu parametre deerleri, model uyumu
göstergeleri (R2, ayarl R2 ve RMSE deerleri) ve model uyumu. Figure
14. Parameter values estimated by Solver, goodness-of-fit indices
(R2, adjusted R2 and RMSE values) and model fit.
Not
Bu çalmada masaüstü bilgisayara yüklü Windows 10’un al- tnda yer
alan Excel 2016 kullanlmtr ve burada gösterilen örnekler talep
edilmesi halinde e-posta ile gönderilebilir.
Etik Standart ile Uyumluluk
Çkar çatmas: Yazarlar bu yaz için gerçek, potansiyel veya alglanan
çkar çatmas olmadn beyan etmilerdir.
Etik izin: Aratrma nitelii bakmndan etik izin gerektirmemek- tedir.
Finansal destek: -
Teekkür: -
212
Lambert, R.J.W., Mytilinaios, Maitland, L., Brown, A.M. (2012).
Monte Carlo simulation of parameter confidence in- tervals for
non-linear regression analysis of biological data using Microsoft
Excel. Computer Methods and Programs in Biomedicine, 107, 155–163.
https://doi:10.1016/j.cmpb.2011.05.009 Leylak, C., Yurdakul, M.,
Buzrul, S. (2020). Gda bilimle- rinde Excel kullanm 1: Dorusal
regresyon. Food and Health, 6(3), 186-198.
https://doi.org/10.3153/FH20020 Mínguez-Mosquera, M.I.,
Gandul-Rojas, B. (1994).
Mechanism and kinetics of carotenoid degradation during the
processing of green table olives. Journal of Agriculture and Food
Chemistry, 42, 1551-1554. https://doi.org/10.1021/jf00043a030
Valdramidis, V.P., Belaubre, N., Zuniga, R., Foster, A.M., Havet,
M., Geeraerd, A.H., Swain, M.J., Bernaerts, K., Van Impe, J.F.,
Kondjoyan, A. (2005). Development of predictive modelling
approaches for surface temperature and associated microbiological
inactivation during hot air decon- tamination. International
Journal of Food Microbiology, 100, 261-274.
https://doi:10.1016/j.ijfoodmicro.2004.10.025
Giri
Excel’de “Çözücü” Arac Kullanlarak Deneysel Verilere Dorusal
Olmayan Regresyon Uygulamak
Yeil Zeytinde Bulunan Violaksantin Pigmentinin Zamana Bal Olarak
Deiiminin Tanmlanmas
Escherichia coli Bakterisinin Isyla Inaktivasyonunun
Tanmlanmas
Listeria monocytogenes’in Büyümesinin Tanmlanmas
Sonuç
Kaynaklar