KONULAR. 14 Ekim Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi

Save this PDF as:
 WORD  PNG  TXT  JPG

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "KONULAR. 14 Ekim 2012. Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi"

Transkript

1 ÇOKLU REGRESYON ANALİZİNDE EK KONULAR Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge 14 Ekim 2012 Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 1

2 Regresyon Analizi: Ek Konular Bu bölümde aşağıdaki konuları inceleyeceğiz Veri ölçeğinin (data scaling) tahminlere etkisi Standartlaştırılmış regresyon Fonksiyonel kalıp ile ilgili ek konular: Karesel (quadratic) modeller, Etkileşim terimli (interaction term) modeller Regresyonda uyumun iyiliği ölçütleri ve değişkenlerin seçimi: Düzeltilmiş R 2 Kestirim (Prediction) Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 2

3 Regresyon Analizi: Ek Konular Bu bölümde aşağıdaki konuları inceleyeceğiz Veri ölçeğinin (data scaling) tahminlere etkisi Standartlaştırılmış regresyon Fonksiyonel kalıp ile ilgili ek konular: Karesel (quadratic) modeller, Etkileşim terimli (interaction term) modeller Regresyonda uyumun iyiliği ölçütleri ve değişkenlerin seçimi: Düzeltilmiş R 2 Kestirim (Prediction) Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 2

4 Regresyon Analizi: Ek Konular Bu bölümde aşağıdaki konuları inceleyeceğiz Veri ölçeğinin (data scaling) tahminlere etkisi Standartlaştırılmış regresyon Fonksiyonel kalıp ile ilgili ek konular: Karesel (quadratic) modeller, Etkileşim terimli (interaction term) modeller Regresyonda uyumun iyiliği ölçütleri ve değişkenlerin seçimi: Düzeltilmiş R 2 Kestirim (Prediction) Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 2

5 Regresyon Analizi: Ek Konular Bu bölümde aşağıdaki konuları inceleyeceğiz Veri ölçeğinin (data scaling) tahminlere etkisi Standartlaştırılmış regresyon Fonksiyonel kalıp ile ilgili ek konular: Karesel (quadratic) modeller, Etkileşim terimli (interaction term) modeller Regresyonda uyumun iyiliği ölçütleri ve değişkenlerin seçimi: Düzeltilmiş R 2 Kestirim (Prediction) Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 2

6 Regresyon Analizi: Ek Konular Bu bölümde aşağıdaki konuları inceleyeceğiz Veri ölçeğinin (data scaling) tahminlere etkisi Standartlaştırılmış regresyon Fonksiyonel kalıp ile ilgili ek konular: Karesel (quadratic) modeller, Etkileşim terimli (interaction term) modeller Regresyonda uyumun iyiliği ölçütleri ve değişkenlerin seçimi: Düzeltilmiş R 2 Kestirim (Prediction) Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 2

7 Ölçü Birimlerinin Tahmin Sonuçlarına Etkisi Değişkenlerin ölçü birimlerini değiştirmek, katsayılardaki fazla sıfırları yok etmek gibi regresyonun görünümünü iyileştirmek ve yorumunu kolaylaştırmak amacıyla yapılır. Regresyonun özünü değiştirmez, tüm test sonuçları ve bulgular aynı kalır. Değişkenlerin ölçü birimini değiştirmek betaların anlamlılık düzeyini etkilemez. t istatistikleri aynı kalır. Değişkenlerin ölçü biriminin değişmesi determinasyon katsayısı R 2 yi etkilemez. Buna karşılık SSR ve SER ölçü birimlerine göre değişir. Değişkenlerin ölçü biriminin değişmesi F testini etkilemez. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 3

8 Ölçü Birimlerinin Tahmin Sonuçlarına Etkisi Değişkenlerin ölçü birimlerini değiştirmek, katsayılardaki fazla sıfırları yok etmek gibi regresyonun görünümünü iyileştirmek ve yorumunu kolaylaştırmak amacıyla yapılır. Regresyonun özünü değiştirmez, tüm test sonuçları ve bulgular aynı kalır. Değişkenlerin ölçü birimini değiştirmek betaların anlamlılık düzeyini etkilemez. t istatistikleri aynı kalır. Değişkenlerin ölçü biriminin değişmesi determinasyon katsayısı R 2 yi etkilemez. Buna karşılık SSR ve SER ölçü birimlerine göre değişir. Değişkenlerin ölçü biriminin değişmesi F testini etkilemez. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 3

9 Ölçü Birimlerinin Tahmin Sonuçlarına Etkisi Değişkenlerin ölçü birimlerini değiştirmek, katsayılardaki fazla sıfırları yok etmek gibi regresyonun görünümünü iyileştirmek ve yorumunu kolaylaştırmak amacıyla yapılır. Regresyonun özünü değiştirmez, tüm test sonuçları ve bulgular aynı kalır. Değişkenlerin ölçü birimini değiştirmek betaların anlamlılık düzeyini etkilemez. t istatistikleri aynı kalır. Değişkenlerin ölçü biriminin değişmesi determinasyon katsayısı R 2 yi etkilemez. Buna karşılık SSR ve SER ölçü birimlerine göre değişir. Değişkenlerin ölçü biriminin değişmesi F testini etkilemez. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 3

10 Ölçü Birimlerinin Tahmin Sonuçlarına Etkisi Değişkenlerin ölçü birimlerini değiştirmek, katsayılardaki fazla sıfırları yok etmek gibi regresyonun görünümünü iyileştirmek ve yorumunu kolaylaştırmak amacıyla yapılır. Regresyonun özünü değiştirmez, tüm test sonuçları ve bulgular aynı kalır. Değişkenlerin ölçü birimini değiştirmek betaların anlamlılık düzeyini etkilemez. t istatistikleri aynı kalır. Değişkenlerin ölçü biriminin değişmesi determinasyon katsayısı R 2 yi etkilemez. Buna karşılık SSR ve SER ölçü birimlerine göre değişir. Değişkenlerin ölçü biriminin değişmesi F testini etkilemez. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 3

11 Ölçü Birimlerinin Tahmin Sonuçlarına Etkisi Değişkenlerin ölçü birimlerini değiştirmek, katsayılardaki fazla sıfırları yok etmek gibi regresyonun görünümünü iyileştirmek ve yorumunu kolaylaştırmak amacıyla yapılır. Regresyonun özünü değiştirmez, tüm test sonuçları ve bulgular aynı kalır. Değişkenlerin ölçü birimini değiştirmek betaların anlamlılık düzeyini etkilemez. t istatistikleri aynı kalır. Değişkenlerin ölçü biriminin değişmesi determinasyon katsayısı R 2 yi etkilemez. Buna karşılık SSR ve SER ölçü birimlerine göre değişir. Değişkenlerin ölçü biriminin değişmesi F testini etkilemez. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 3

12 Ölçü Birimlerinin Tahmin Sonuçlarına Etkisi Değişkenlerin ölçü birimlerini değiştirmek, katsayılardaki fazla sıfırları yok etmek gibi regresyonun görünümünü iyileştirmek ve yorumunu kolaylaştırmak amacıyla yapılır. Regresyonun özünü değiştirmez, tüm test sonuçları ve bulgular aynı kalır. Değişkenlerin ölçü birimini değiştirmek betaların anlamlılık düzeyini etkilemez. t istatistikleri aynı kalır. Değişkenlerin ölçü biriminin değişmesi determinasyon katsayısı R 2 yi etkilemez. Buna karşılık SSR ve SER ölçü birimlerine göre değişir. Değişkenlerin ölçü biriminin değişmesi F testini etkilemez. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 3

13 Standartlaştırılmış Regresyon x j, 1 birim değil de 1 standart sapma değişseydi y ne kadar değişirdi? Bu soruyu yanıtlayabilmek için regresyondaki tüm değişkenleri (y ve tüm x ler) standart hale getirip sonra bu standartlaştırılmış değişkenlerle regresyon tahmin etmemiz gerekir. Bir değişkeni, kendi (aritmetik) ortalamasından farkını alıp (örneklem) standart sapmasına bölersek, o değişkeni standartlaştırmış oluruz: z y = y ȳ ˆσ y, z 1 = x 1 x 1, z 2 = x 2 x 2,..., z k = x k x k, ˆσ 1 ˆσ 2 ˆσ k ˆσ j, x j nin örneklem standart sapmasıdır. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 4

14 Standartlaştırılmış Regresyon x j, 1 birim değil de 1 standart sapma değişseydi y ne kadar değişirdi? Bu soruyu yanıtlayabilmek için regresyondaki tüm değişkenleri (y ve tüm x ler) standart hale getirip sonra bu standartlaştırılmış değişkenlerle regresyon tahmin etmemiz gerekir. Bir değişkeni, kendi (aritmetik) ortalamasından farkını alıp (örneklem) standart sapmasına bölersek, o değişkeni standartlaştırmış oluruz: z y = y ȳ ˆσ y, z 1 = x 1 x 1, z 2 = x 2 x 2,..., z k = x k x k, ˆσ 1 ˆσ 2 ˆσ k ˆσ j, x j nin örneklem standart sapmasıdır. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 4

15 Standartlaştırılmış Regresyon x j, 1 birim değil de 1 standart sapma değişseydi y ne kadar değişirdi? Bu soruyu yanıtlayabilmek için regresyondaki tüm değişkenleri (y ve tüm x ler) standart hale getirip sonra bu standartlaştırılmış değişkenlerle regresyon tahmin etmemiz gerekir. Bir değişkeni, kendi (aritmetik) ortalamasından farkını alıp (örneklem) standart sapmasına bölersek, o değişkeni standartlaştırmış oluruz: z y = y ȳ ˆσ y, z 1 = x 1 x 1, z 2 = x 2 x 2,..., z k = x k x k, ˆσ 1 ˆσ 2 ˆσ k ˆσ j, x j nin örneklem standart sapmasıdır. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 4

16 Standartlaştırılmış Regresyon x j, 1 birim değil de 1 standart sapma değişseydi y ne kadar değişirdi? Bu soruyu yanıtlayabilmek için regresyondaki tüm değişkenleri (y ve tüm x ler) standart hale getirip sonra bu standartlaştırılmış değişkenlerle regresyon tahmin etmemiz gerekir. Bir değişkeni, kendi (aritmetik) ortalamasından farkını alıp (örneklem) standart sapmasına bölersek, o değişkeni standartlaştırmış oluruz: z y = y ȳ ˆσ y, z 1 = x 1 x 1, z 2 = x 2 x 2,..., z k = x k x k, ˆσ 1 ˆσ 2 ˆσ k ˆσ j, x j nin örneklem standart sapmasıdır. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 4

17 Standartlaştırılmış Regresyon Aşağıdaki OLS örneklem regresyon fonksiyonunu standartlaştırmak istiyoruz: y i = ˆβ 0 + ˆβ 1 x i1 + ˆβ 2 x i ˆβ k x ik + û i Her bir değişkenin ortalamasından farkını alarak modeli yeniden yazarsak: y i ȳ = ˆβ 1 (x i1 x 1 ) + ˆβ 2 (x i2 x 2 ) ˆβ k (x ik x k ) + û i û nın ortalaması sıfırdır. Modelde sabit terim yoktur. Eşitliğin her iki tarafında yer alan terimleri değişkenlerin örneklem standart sapmalarına bölersek aşağıdaki modele ulaşırız: y i ȳ = ˆσ 1 (x i1 x 1 ) ˆβ1 + ˆσ 2 (x i2 x 2 ) ˆβ ˆσ k (x ik x k ) ˆβk + ûi ˆσ y ˆσ y ˆσ 1 ˆσ y ˆσ 2 ˆσ y ˆσ k ˆσ y Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 5

18 Standartlaştırılmış Regresyon Modeli yeniden yazarsak: z y = ˆb 1 z 1 + ˆb 2 z ˆb k z k + hata Burada z y = y ȳ, z j = x j x j, j = 1, 2,..., k ˆσ y ˆσ j Eğim katsayıları: standardize edilmiş katsayıları, ya da beta katsayıları ˆbj = ˆσ j ˆσ y ˆβj, j = 1, 2,..., k Yorum: x j de meydana gelen 1 standart sapmalık değişime karşılık y de meydana gelen değişim ˆb j standart sapma kadardır. Kısmi etkiler artık ölçü birimlerinden bağımsızdır ve birbirleriyle karşılaştırılabilir. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 6

19 Standartlaştırılmış Regresyon Modeli yeniden yazarsak: z y = ˆb 1 z 1 + ˆb 2 z ˆb k z k + hata Burada z y = y ȳ, z j = x j x j, j = 1, 2,..., k ˆσ y ˆσ j Eğim katsayıları: standardize edilmiş katsayıları, ya da beta katsayıları ˆbj = ˆσ j ˆσ y ˆβj, j = 1, 2,..., k Yorum: x j de meydana gelen 1 standart sapmalık değişime karşılık y de meydana gelen değişim ˆb j standart sapma kadardır. Kısmi etkiler artık ölçü birimlerinden bağımsızdır ve birbirleriyle karşılaştırılabilir. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 6

20 Standartlaştırılmış Regresyon Modeli yeniden yazarsak: z y = ˆb 1 z 1 + ˆb 2 z ˆb k z k + hata Burada z y = y ȳ, z j = x j x j, j = 1, 2,..., k ˆσ y ˆσ j Eğim katsayıları: standardize edilmiş katsayıları, ya da beta katsayıları ˆbj = ˆσ j ˆσ y ˆβj, j = 1, 2,..., k Yorum: x j de meydana gelen 1 standart sapmalık değişime karşılık y de meydana gelen değişim ˆb j standart sapma kadardır. Kısmi etkiler artık ölçü birimlerinden bağımsızdır ve birbirleriyle karşılaştırılabilir. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 6

21 Standartlaştırılmış Regresyon Modeli yeniden yazarsak: z y = ˆb 1 z 1 + ˆb 2 z ˆb k z k + hata Burada z y = y ȳ, z j = x j x j, j = 1, 2,..., k ˆσ y ˆσ j Eğim katsayıları: standardize edilmiş katsayıları, ya da beta katsayıları ˆbj = ˆσ j ˆσ y ˆβj, j = 1, 2,..., k Yorum: x j de meydana gelen 1 standart sapmalık değişime karşılık y de meydana gelen değişim ˆb j standart sapma kadardır. Kısmi etkiler artık ölçü birimlerinden bağımsızdır ve birbirleriyle karşılaştırılabilir. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 6

22 Standartlaştırılmış Regresyon: Örnek Hava Kirliliği ve Ev Fiyatları: hprice2.gdt Bağımlı değişken: o bölgedeki evlerin medyan fiyatının logaritması(log(price)) Açıklayıcı değişkenler: nox: bölgedeki hava kirliliği ölçütü, dist: bölgenin iş merkezlerine uzaklığı, crime: bölgedeki kişi başına suç sayısı, rooms: bölgedeki evlerin ortalama oda sayısı, stratio: ortalama öğrenci-öğretmen oranı Seviyelerle model: price = β 0 +β 1 nox+β 2 crime+β 3 rooms+β 4 dist+β 5 stratio+u Standartlaştırılmış model: zprice = b 1 znox+b 2 zcrime+b 3 zrooms+b 4 zdist+b 5 zstratio+zu Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 7

23 Standartlaştırılmış Regresyon: Örnek Standartlaştırılmış model tahmin sonuçları ẑprice = znox zcrime zrooms zdist zstratio Hava kirliliğinde (nox) 1 standart sapma artış ev fiyatlarını 0.34 standart sapma azaltmaktadır. Suç oranındaki 1 standart sapma artış ev fiyatlarını standart sapma azaltmaktadır. Hava kirliliği göreceli olarak ev fiyatları üzerinde suç oranından daha büyük etkiye sahiptir. Oda sayısı en yüksek standartlaştırılmış etkiye sahip değişkendir. Açıklayıcı değişkenlerin medyan ev fiyatları üzerindeki para birimi cinsinden etkilerini görmek istiyorsak standartlaştırılmamış regresyonu tahmin etmemiz gerekir. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 8

24 Standartlaştırılmış Regresyon: Örnek Standartlaştırılmış model tahmin sonuçları ẑprice = znox zcrime zrooms zdist zstratio Hava kirliliğinde (nox) 1 standart sapma artış ev fiyatlarını 0.34 standart sapma azaltmaktadır. Suç oranındaki 1 standart sapma artış ev fiyatlarını standart sapma azaltmaktadır. Hava kirliliği göreceli olarak ev fiyatları üzerinde suç oranından daha büyük etkiye sahiptir. Oda sayısı en yüksek standartlaştırılmış etkiye sahip değişkendir. Açıklayıcı değişkenlerin medyan ev fiyatları üzerindeki para birimi cinsinden etkilerini görmek istiyorsak standartlaştırılmamış regresyonu tahmin etmemiz gerekir. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 8

25 Standartlaştırılmış Regresyon: Örnek Standartlaştırılmış model tahmin sonuçları ẑprice = znox zcrime zrooms zdist zstratio Hava kirliliğinde (nox) 1 standart sapma artış ev fiyatlarını 0.34 standart sapma azaltmaktadır. Suç oranındaki 1 standart sapma artış ev fiyatlarını standart sapma azaltmaktadır. Hava kirliliği göreceli olarak ev fiyatları üzerinde suç oranından daha büyük etkiye sahiptir. Oda sayısı en yüksek standartlaştırılmış etkiye sahip değişkendir. Açıklayıcı değişkenlerin medyan ev fiyatları üzerindeki para birimi cinsinden etkilerini görmek istiyorsak standartlaştırılmamış regresyonu tahmin etmemiz gerekir. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 8

26 Standartlaştırılmış Regresyon: Örnek Standartlaştırılmış model tahmin sonuçları ẑprice = znox zcrime zrooms zdist zstratio Hava kirliliğinde (nox) 1 standart sapma artış ev fiyatlarını 0.34 standart sapma azaltmaktadır. Suç oranındaki 1 standart sapma artış ev fiyatlarını standart sapma azaltmaktadır. Hava kirliliği göreceli olarak ev fiyatları üzerinde suç oranından daha büyük etkiye sahiptir. Oda sayısı en yüksek standartlaştırılmış etkiye sahip değişkendir. Açıklayıcı değişkenlerin medyan ev fiyatları üzerindeki para birimi cinsinden etkilerini görmek istiyorsak standartlaştırılmamış regresyonu tahmin etmemiz gerekir. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 8

27 Standartlaştırılmış Regresyon: Örnek Standartlaştırılmış model tahmin sonuçları ẑprice = znox zcrime zrooms zdist zstratio Hava kirliliğinde (nox) 1 standart sapma artış ev fiyatlarını 0.34 standart sapma azaltmaktadır. Suç oranındaki 1 standart sapma artış ev fiyatlarını standart sapma azaltmaktadır. Hava kirliliği göreceli olarak ev fiyatları üzerinde suç oranından daha büyük etkiye sahiptir. Oda sayısı en yüksek standartlaştırılmış etkiye sahip değişkendir. Açıklayıcı değişkenlerin medyan ev fiyatları üzerindeki para birimi cinsinden etkilerini görmek istiyorsak standartlaştırılmamış regresyonu tahmin etmemiz gerekir. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 8

28 Standartlaştırılmış Regresyon: Örnek Standartlaştırılmış model tahmin sonuçları ẑprice = znox zcrime zrooms zdist zstratio Hava kirliliğinde (nox) 1 standart sapma artış ev fiyatlarını 0.34 standart sapma azaltmaktadır. Suç oranındaki 1 standart sapma artış ev fiyatlarını standart sapma azaltmaktadır. Hava kirliliği göreceli olarak ev fiyatları üzerinde suç oranından daha büyük etkiye sahiptir. Oda sayısı en yüksek standartlaştırılmış etkiye sahip değişkendir. Açıklayıcı değişkenlerin medyan ev fiyatları üzerindeki para birimi cinsinden etkilerini görmek istiyorsak standartlaştırılmamış regresyonu tahmin etmemiz gerekir. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 8

29 Örnek, Standartlaştırılmamış Model Tahmin Sonuçları price = nox crime rooms (5054.6) (354.09) (32.929) (393.60) dist stratio (188.11) (127.43) n = 506 R2 = F (5, 500) = ˆσ = (standard errors in parentheses) Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 9

30 Regresyonun Fonksiyonel Biçimi Daha önce, bağımlı ve/veya bağımsız değişkenleri doğal logaritma cinsinden ifade ederek regresyonda doğrusal-olmayan ilişkilerin yakalanabileceğini görmüştük. Örnek: Ev fiyatları modeli log(price) = β 0 + β 1 log(nox) + β 3 rooms + u β 1 : Ev fiyatlarının hava kirliliğine göre esnekliği 100β 2 : Oda sayısında 1 artışın ev fiyatlarında yol açacağı % değişim, yarı-esneklik (semi-elasticity) Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 10

31 Regresyonun Fonksiyonel Biçimi Daha önce, bağımlı ve/veya bağımsız değişkenleri doğal logaritma cinsinden ifade ederek regresyonda doğrusal-olmayan ilişkilerin yakalanabileceğini görmüştük. Örnek: Ev fiyatları modeli log(price) = β 0 + β 1 log(nox) + β 3 rooms + u β 1 : Ev fiyatlarının hava kirliliğine göre esnekliği 100β 2 : Oda sayısında 1 artışın ev fiyatlarında yol açacağı % değişim, yarı-esneklik (semi-elasticity) Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 10

32 Regresyonun Fonksiyonel Biçimi Daha önce, bağımlı ve/veya bağımsız değişkenleri doğal logaritma cinsinden ifade ederek regresyonda doğrusal-olmayan ilişkilerin yakalanabileceğini görmüştük. Örnek: Ev fiyatları modeli log(price) = β 0 + β 1 log(nox) + β 3 rooms + u β 1 : Ev fiyatlarının hava kirliliğine göre esnekliği 100β 2 : Oda sayısında 1 artışın ev fiyatlarında yol açacağı % değişim, yarı-esneklik (semi-elasticity) Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 10

33 Regresyonun Fonksiyonel Biçimi Daha önce, bağımlı ve/veya bağımsız değişkenleri doğal logaritma cinsinden ifade ederek regresyonda doğrusal-olmayan ilişkilerin yakalanabileceğini görmüştük. Örnek: Ev fiyatları modeli log(price) = β 0 + β 1 log(nox) + β 3 rooms + u β 1 : Ev fiyatlarının hava kirliliğine göre esnekliği 100β 2 : Oda sayısında 1 artışın ev fiyatlarında yol açacağı % değişim, yarı-esneklik (semi-elasticity) Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 10

34 Örnek Ev fiyatları modeli log(price) = (0.188) (0.066) log(nox) (0.019) rooms n = 506 R2 = F (2, 503) = ˆσ = (standard errors in parentheses) Oda sayısı sabitken, hava kirliliği ölçütündeki (nox) %1 artış ev fiyatlarını ortalamada % azaltmaktadır. Hava kirliliği esnekliği dir. Hava kirliliği sabitken, oda sayısındaki 1 artış ev fiyatlarını ortalamada %30.6 ( ) arttırmaktadır. log(y) deki değişme büyüdükçe % y 100 log(y) yaklaştırımı bozulur. Sonuç olarak büyük oranda yaklaştırım hatası ortaya çıkabilir. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 11

35 Örnek Ev fiyatları modeli log(price) = (0.188) (0.066) log(nox) (0.019) rooms n = 506 R2 = F (2, 503) = ˆσ = (standard errors in parentheses) Oda sayısı sabitken, hava kirliliği ölçütündeki (nox) %1 artış ev fiyatlarını ortalamada % azaltmaktadır. Hava kirliliği esnekliği dir. Hava kirliliği sabitken, oda sayısındaki 1 artış ev fiyatlarını ortalamada %30.6 ( ) arttırmaktadır. log(y) deki değişme büyüdükçe % y 100 log(y) yaklaştırımı bozulur. Sonuç olarak büyük oranda yaklaştırım hatası ortaya çıkabilir. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 11

36 Örnek Ev fiyatları modeli log(price) = (0.188) (0.066) log(nox) (0.019) rooms n = 506 R2 = F (2, 503) = ˆσ = (standard errors in parentheses) Oda sayısı sabitken, hava kirliliği ölçütündeki (nox) %1 artış ev fiyatlarını ortalamada % azaltmaktadır. Hava kirliliği esnekliği dir. Hava kirliliği sabitken, oda sayısındaki 1 artış ev fiyatlarını ortalamada %30.6 ( ) arttırmaktadır. log(y) deki değişme büyüdükçe % y 100 log(y) yaklaştırımı bozulur. Sonuç olarak büyük oranda yaklaştırım hatası ortaya çıkabilir. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 11

37 Örnek Ev fiyatları modeli log(price) = (0.188) (0.066) log(nox) (0.019) rooms n = 506 R2 = F (2, 503) = ˆσ = (standard errors in parentheses) Oda sayısı sabitken, hava kirliliği ölçütündeki (nox) %1 artış ev fiyatlarını ortalamada % azaltmaktadır. Hava kirliliği esnekliği dir. Hava kirliliği sabitken, oda sayısındaki 1 artış ev fiyatlarını ortalamada %30.6 ( ) arttırmaktadır. log(y) deki değişme büyüdükçe % y 100 log(y) yaklaştırımı bozulur. Sonuç olarak büyük oranda yaklaştırım hatası ortaya çıkabilir. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 11

38 Yaklaştırım Hatası Logaritmik bağımlı değişkendeki büyük değişimler için aşağıdaki formül kullanılabilir: % y = 100 [exp( ˆβ 2 ) 1] Önceki örnekte ˆβ 2 = bulunmuştu: % y = 100 [exp(0.306) 1] = %35.8 Yarı-esneklik daha yüksek bulundu. exp( ˆβ 2 ) sapmalı ancak tutarlı bir tahmincidir (neden?) Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 12

39 Yaklaştırım Hatası Logaritmik bağımlı değişkendeki büyük değişimler için aşağıdaki formül kullanılabilir: % y = 100 [exp( ˆβ 2 ) 1] Önceki örnekte ˆβ 2 = bulunmuştu: % y = 100 [exp(0.306) 1] = %35.8 Yarı-esneklik daha yüksek bulundu. exp( ˆβ 2 ) sapmalı ancak tutarlı bir tahmincidir (neden?) Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 12

40 Yaklaştırım Hatası Logaritmik bağımlı değişkendeki büyük değişimler için aşağıdaki formül kullanılabilir: % y = 100 [exp( ˆβ 2 ) 1] Önceki örnekte ˆβ 2 = bulunmuştu: % y = 100 [exp(0.306) 1] = %35.8 Yarı-esneklik daha yüksek bulundu. exp( ˆβ 2 ) sapmalı ancak tutarlı bir tahmincidir (neden?) Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 12

41 Yaklaştırım Hatası Logaritmik bağımlı değişkendeki büyük değişimler için aşağıdaki formül kullanılabilir: % y = 100 [exp( ˆβ 2 ) 1] Önceki örnekte ˆβ 2 = bulunmuştu: % y = 100 [exp(0.306) 1] = %35.8 Yarı-esneklik daha yüksek bulundu. exp( ˆβ 2 ) sapmalı ancak tutarlı bir tahmincidir (neden?) Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 12

42 Doğal Log Dönüştürmesinin Avantajları Negatif olmayan değerler alan bir bağımlı değişkeni (y > 0) logaritmik olarak ifade etmek pek çok avantaj sağlar. Katsayılar x lerin ölçü birimlerinden bağımsız olarak, esneklik ya da yarı-esneklik şeklinde tahmin edilir. y > 0 iken, log(y), CLM varsayımlarının sağlanması açısından, y serisine kıyasla çok daha elverişlidir. y > 0 düzey (level) değişkeni genellikle değişen varyanslı (heteroscedastic) ve çarpık (skewed) bir koşullu dağılıma sahiptir. Logaritma dönüştürmesi çarpıklığı azaltır ve varyansdaki değişmeyi yumuşatır. Log alınması değişkenin aralığını (range) büyük ölçüde düşürür. Bu ise, tahmin edicilerin aşırı uç değerlerden (outliers) fazla etkilenmemesini sağlar. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 13

43 Doğal Log Dönüştürmesinin Avantajları Negatif olmayan değerler alan bir bağımlı değişkeni (y > 0) logaritmik olarak ifade etmek pek çok avantaj sağlar. Katsayılar x lerin ölçü birimlerinden bağımsız olarak, esneklik ya da yarı-esneklik şeklinde tahmin edilir. y > 0 iken, log(y), CLM varsayımlarının sağlanması açısından, y serisine kıyasla çok daha elverişlidir. y > 0 düzey (level) değişkeni genellikle değişen varyanslı (heteroscedastic) ve çarpık (skewed) bir koşullu dağılıma sahiptir. Logaritma dönüştürmesi çarpıklığı azaltır ve varyansdaki değişmeyi yumuşatır. Log alınması değişkenin aralığını (range) büyük ölçüde düşürür. Bu ise, tahmin edicilerin aşırı uç değerlerden (outliers) fazla etkilenmemesini sağlar. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 13

44 Doğal Log Dönüştürmesinin Avantajları Negatif olmayan değerler alan bir bağımlı değişkeni (y > 0) logaritmik olarak ifade etmek pek çok avantaj sağlar. Katsayılar x lerin ölçü birimlerinden bağımsız olarak, esneklik ya da yarı-esneklik şeklinde tahmin edilir. y > 0 iken, log(y), CLM varsayımlarının sağlanması açısından, y serisine kıyasla çok daha elverişlidir. y > 0 düzey (level) değişkeni genellikle değişen varyanslı (heteroscedastic) ve çarpık (skewed) bir koşullu dağılıma sahiptir. Logaritma dönüştürmesi çarpıklığı azaltır ve varyansdaki değişmeyi yumuşatır. Log alınması değişkenin aralığını (range) büyük ölçüde düşürür. Bu ise, tahmin edicilerin aşırı uç değerlerden (outliers) fazla etkilenmemesini sağlar. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 13

45 Doğal Log Dönüştürmesinin Avantajları Negatif olmayan değerler alan bir bağımlı değişkeni (y > 0) logaritmik olarak ifade etmek pek çok avantaj sağlar. Katsayılar x lerin ölçü birimlerinden bağımsız olarak, esneklik ya da yarı-esneklik şeklinde tahmin edilir. y > 0 iken, log(y), CLM varsayımlarının sağlanması açısından, y serisine kıyasla çok daha elverişlidir. y > 0 düzey (level) değişkeni genellikle değişen varyanslı (heteroscedastic) ve çarpık (skewed) bir koşullu dağılıma sahiptir. Logaritma dönüştürmesi çarpıklığı azaltır ve varyansdaki değişmeyi yumuşatır. Log alınması değişkenin aralığını (range) büyük ölçüde düşürür. Bu ise, tahmin edicilerin aşırı uç değerlerden (outliers) fazla etkilenmemesini sağlar. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 13

46 Doğal Log Dönüştürmesinin Avantajları Negatif olmayan değerler alan bir bağımlı değişkeni (y > 0) logaritmik olarak ifade etmek pek çok avantaj sağlar. Katsayılar x lerin ölçü birimlerinden bağımsız olarak, esneklik ya da yarı-esneklik şeklinde tahmin edilir. y > 0 iken, log(y), CLM varsayımlarının sağlanması açısından, y serisine kıyasla çok daha elverişlidir. y > 0 düzey (level) değişkeni genellikle değişen varyanslı (heteroscedastic) ve çarpık (skewed) bir koşullu dağılıma sahiptir. Logaritma dönüştürmesi çarpıklığı azaltır ve varyansdaki değişmeyi yumuşatır. Log alınması değişkenin aralığını (range) büyük ölçüde düşürür. Bu ise, tahmin edicilerin aşırı uç değerlerden (outliers) fazla etkilenmemesini sağlar. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 13

47 Doğal Log Dönüştürmesinin Avantajları Ücret, gelir, nüfus, üretim, satışlar vb gibi pozitif değerler alan değişkenleri regresyona genellikle düzey (level) olarak değil logaritmik olarak ekleriz. İşsizlik oranı, faiz oranı, herhangi bir projeye vs katılma oranı gibi oranları genellikle düzey olarak regresyona dahil ederiz. Ancak, her gözlemi pozitif olan oranların bazen Log biçiminde regresyona sokulduğu da görülmektedir. Oranlar (işsizlik oranı, örneğin) düzey olarak alınmışsa, yorum yaparken, işsizlik oranında bir birimlik (= yüzde 1 puanlık a percentage point increase) artış olduğunda deriz. Oran Log olarak (Log(işsizlik oranı)) alınmışsa, işsizlik oranında %1 lik (a percentage increase) artış olduğunda diye yorumlarız. İşsizlik oranı düzey olarak %8 den %9 a yükselmişse, artış %1 puandır. Ama yüzde artış olarak Log(9)-Log(8)=0.1177=%11.77 lik bir artış olmuştur. İkisinin birbirine karıştırılmaması gerekir. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 14

48 Doğal Log Dönüştürmesinin Avantajları Ücret, gelir, nüfus, üretim, satışlar vb gibi pozitif değerler alan değişkenleri regresyona genellikle düzey (level) olarak değil logaritmik olarak ekleriz. İşsizlik oranı, faiz oranı, herhangi bir projeye vs katılma oranı gibi oranları genellikle düzey olarak regresyona dahil ederiz. Ancak, her gözlemi pozitif olan oranların bazen Log biçiminde regresyona sokulduğu da görülmektedir. Oranlar (işsizlik oranı, örneğin) düzey olarak alınmışsa, yorum yaparken, işsizlik oranında bir birimlik (= yüzde 1 puanlık a percentage point increase) artış olduğunda deriz. Oran Log olarak (Log(işsizlik oranı)) alınmışsa, işsizlik oranında %1 lik (a percentage increase) artış olduğunda diye yorumlarız. İşsizlik oranı düzey olarak %8 den %9 a yükselmişse, artış %1 puandır. Ama yüzde artış olarak Log(9)-Log(8)=0.1177=%11.77 lik bir artış olmuştur. İkisinin birbirine karıştırılmaması gerekir. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 14

49 Doğal Log Dönüştürmesinin Avantajları Ücret, gelir, nüfus, üretim, satışlar vb gibi pozitif değerler alan değişkenleri regresyona genellikle düzey (level) olarak değil logaritmik olarak ekleriz. İşsizlik oranı, faiz oranı, herhangi bir projeye vs katılma oranı gibi oranları genellikle düzey olarak regresyona dahil ederiz. Ancak, her gözlemi pozitif olan oranların bazen Log biçiminde regresyona sokulduğu da görülmektedir. Oranlar (işsizlik oranı, örneğin) düzey olarak alınmışsa, yorum yaparken, işsizlik oranında bir birimlik (= yüzde 1 puanlık a percentage point increase) artış olduğunda deriz. Oran Log olarak (Log(işsizlik oranı)) alınmışsa, işsizlik oranında %1 lik (a percentage increase) artış olduğunda diye yorumlarız. İşsizlik oranı düzey olarak %8 den %9 a yükselmişse, artış %1 puandır. Ama yüzde artış olarak Log(9)-Log(8)=0.1177=%11.77 lik bir artış olmuştur. İkisinin birbirine karıştırılmaması gerekir. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 14

50 Doğal Log Dönüştürmesinin Avantajları Ücret, gelir, nüfus, üretim, satışlar vb gibi pozitif değerler alan değişkenleri regresyona genellikle düzey (level) olarak değil logaritmik olarak ekleriz. İşsizlik oranı, faiz oranı, herhangi bir projeye vs katılma oranı gibi oranları genellikle düzey olarak regresyona dahil ederiz. Ancak, her gözlemi pozitif olan oranların bazen Log biçiminde regresyona sokulduğu da görülmektedir. Oranlar (işsizlik oranı, örneğin) düzey olarak alınmışsa, yorum yaparken, işsizlik oranında bir birimlik (= yüzde 1 puanlık a percentage point increase) artış olduğunda deriz. Oran Log olarak (Log(işsizlik oranı)) alınmışsa, işsizlik oranında %1 lik (a percentage increase) artış olduğunda diye yorumlarız. İşsizlik oranı düzey olarak %8 den %9 a yükselmişse, artış %1 puandır. Ama yüzde artış olarak Log(9)-Log(8)=0.1177=%11.77 lik bir artış olmuştur. İkisinin birbirine karıştırılmaması gerekir. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 14

51 Doğal Log Dönüştürmesinin Avantajları Ücret, gelir, nüfus, üretim, satışlar vb gibi pozitif değerler alan değişkenleri regresyona genellikle düzey (level) olarak değil logaritmik olarak ekleriz. İşsizlik oranı, faiz oranı, herhangi bir projeye vs katılma oranı gibi oranları genellikle düzey olarak regresyona dahil ederiz. Ancak, her gözlemi pozitif olan oranların bazen Log biçiminde regresyona sokulduğu da görülmektedir. Oranlar (işsizlik oranı, örneğin) düzey olarak alınmışsa, yorum yaparken, işsizlik oranında bir birimlik (= yüzde 1 puanlık a percentage point increase) artış olduğunda deriz. Oran Log olarak (Log(işsizlik oranı)) alınmışsa, işsizlik oranında %1 lik (a percentage increase) artış olduğunda diye yorumlarız. İşsizlik oranı düzey olarak %8 den %9 a yükselmişse, artış %1 puandır. Ama yüzde artış olarak Log(9)-Log(8)=0.1177=%11.77 lik bir artış olmuştur. İkisinin birbirine karıştırılmaması gerekir. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 14

52 Doğal Log Dönüştürmesinin Avantajları Seri negatif olmayan değerler alıyorsa ( 0), yani pozitif sayıların yanında bazı gözlemler sıfır değerini de alıyorsa Log kullanamayız, zira Log(0) tanımlanamaz. Bu halde, y serisini log(y) ye çeviremeyiz, ancak, log(1 + y) serisini log(y) yerine kullanabiliriz. Eğer seride 0 değeri seyrek ise bu yola başvurabiliriz. Bu durumda katsayıların yorumu yine log(y) kullanıldığındaki gibidir. Büyük bir fark oluşmamaktadır. Bağımlı değişkenleri log(y) ve y olan iki regresyonun R 2 leri doğrudan karşılaştırılamaz. Gerekli dönüşürme işlemlerinin yapılması gerekir. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 15

53 Doğal Log Dönüştürmesinin Avantajları Seri negatif olmayan değerler alıyorsa ( 0), yani pozitif sayıların yanında bazı gözlemler sıfır değerini de alıyorsa Log kullanamayız, zira Log(0) tanımlanamaz. Bu halde, y serisini log(y) ye çeviremeyiz, ancak, log(1 + y) serisini log(y) yerine kullanabiliriz. Eğer seride 0 değeri seyrek ise bu yola başvurabiliriz. Bu durumda katsayıların yorumu yine log(y) kullanıldığındaki gibidir. Büyük bir fark oluşmamaktadır. Bağımlı değişkenleri log(y) ve y olan iki regresyonun R 2 leri doğrudan karşılaştırılamaz. Gerekli dönüşürme işlemlerinin yapılması gerekir. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 15

54 Doğal Log Dönüştürmesinin Avantajları Seri negatif olmayan değerler alıyorsa ( 0), yani pozitif sayıların yanında bazı gözlemler sıfır değerini de alıyorsa Log kullanamayız, zira Log(0) tanımlanamaz. Bu halde, y serisini log(y) ye çeviremeyiz, ancak, log(1 + y) serisini log(y) yerine kullanabiliriz. Eğer seride 0 değeri seyrek ise bu yola başvurabiliriz. Bu durumda katsayıların yorumu yine log(y) kullanıldığındaki gibidir. Büyük bir fark oluşmamaktadır. Bağımlı değişkenleri log(y) ve y olan iki regresyonun R 2 leri doğrudan karşılaştırılamaz. Gerekli dönüşürme işlemlerinin yapılması gerekir. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 15

55 Doğal Log Dönüştürmesinin Avantajları Seri negatif olmayan değerler alıyorsa ( 0), yani pozitif sayıların yanında bazı gözlemler sıfır değerini de alıyorsa Log kullanamayız, zira Log(0) tanımlanamaz. Bu halde, y serisini log(y) ye çeviremeyiz, ancak, log(1 + y) serisini log(y) yerine kullanabiliriz. Eğer seride 0 değeri seyrek ise bu yola başvurabiliriz. Bu durumda katsayıların yorumu yine log(y) kullanıldığındaki gibidir. Büyük bir fark oluşmamaktadır. Bağımlı değişkenleri log(y) ve y olan iki regresyonun R 2 leri doğrudan karşılaştırılamaz. Gerekli dönüşürme işlemlerinin yapılması gerekir. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 15

56 Fonksiyon Kalıbı: Karesel Modeller Değişkenlerin marjinal etkileri sabit değil de artan ya da azalan türde ise karesel modeller kullanmalıyız. Bu durumda eğim katsayısı sabit değildir. x in hangi değeri aldığına bağlıdır. ŷ = ˆβ 0 + ˆβ 1 x + ˆβ 2 x 2 x ile y ilişkisindeki eğim aşağıdaki gibi yaklaştırılabilir: Ya da y ( ˆβ ˆβ 2 x) x y x ( ˆβ ˆβ 2 x) x = 0 ise ˆβ 1, x 0 dan 1 e değişirken eğim katsayısı tahminini verir. x = 1 ve daha yüksek değerler için ikinci terimin dikkate alınması gerekir. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 16

57 Fonksiyon Kalıbı: Karesel Modeller Değişkenlerin marjinal etkileri sabit değil de artan ya da azalan türde ise karesel modeller kullanmalıyız. Bu durumda eğim katsayısı sabit değildir. x in hangi değeri aldığına bağlıdır. ŷ = ˆβ 0 + ˆβ 1 x + ˆβ 2 x 2 x ile y ilişkisindeki eğim aşağıdaki gibi yaklaştırılabilir: Ya da y ( ˆβ ˆβ 2 x) x y x ( ˆβ ˆβ 2 x) x = 0 ise ˆβ 1, x 0 dan 1 e değişirken eğim katsayısı tahminini verir. x = 1 ve daha yüksek değerler için ikinci terimin dikkate alınması gerekir. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 16

58 Fonksiyon Kalıbı: Karesel Modeller Değişkenlerin marjinal etkileri sabit değil de artan ya da azalan türde ise karesel modeller kullanmalıyız. Bu durumda eğim katsayısı sabit değildir. x in hangi değeri aldığına bağlıdır. ŷ = ˆβ 0 + ˆβ 1 x + ˆβ 2 x 2 x ile y ilişkisindeki eğim aşağıdaki gibi yaklaştırılabilir: Ya da y ( ˆβ ˆβ 2 x) x y x ( ˆβ ˆβ 2 x) x = 0 ise ˆβ 1, x 0 dan 1 e değişirken eğim katsayısı tahminini verir. x = 1 ve daha yüksek değerler için ikinci terimin dikkate alınması gerekir. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 16

59 Fonksiyon Kalıbı: Karesel Modeller Değişkenlerin marjinal etkileri sabit değil de artan ya da azalan türde ise karesel modeller kullanmalıyız. Bu durumda eğim katsayısı sabit değildir. x in hangi değeri aldığına bağlıdır. ŷ = ˆβ 0 + ˆβ 1 x + ˆβ 2 x 2 x ile y ilişkisindeki eğim aşağıdaki gibi yaklaştırılabilir: Ya da y ( ˆβ ˆβ 2 x) x y x ( ˆβ ˆβ 2 x) x = 0 ise ˆβ 1, x 0 dan 1 e değişirken eğim katsayısı tahminini verir. x = 1 ve daha yüksek değerler için ikinci terimin dikkate alınması gerekir. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 16

60 Fonksiyon Kalıbı: Karesel Modeller Değişkenlerin marjinal etkileri sabit değil de artan ya da azalan türde ise karesel modeller kullanmalıyız. Bu durumda eğim katsayısı sabit değildir. x in hangi değeri aldığına bağlıdır. ŷ = ˆβ 0 + ˆβ 1 x + ˆβ 2 x 2 x ile y ilişkisindeki eğim aşağıdaki gibi yaklaştırılabilir: Ya da y ( ˆβ ˆβ 2 x) x y x ( ˆβ ˆβ 2 x) x = 0 ise ˆβ 1, x 0 dan 1 e değişirken eğim katsayısı tahminini verir. x = 1 ve daha yüksek değerler için ikinci terimin dikkate alınması gerekir. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 16

61 Karesel Modeller: Örnek wage = exper exper 2 β 1 > 0, β 2 < 0 ise şeklinde ilişki olur. β 1 < 0, β 2 > 0 ise ilişki şeklindedir. Yukarıdaki regresyon tecrübenin ücretler üzerinde azalan bir etkiye sahip olduğunu gösteriyor. Tahmini eğim: ŵage exper ( )exper İlk bir yıllık tecrübe ücretlerde dolarlık bir artış yaratırken, ikinci yıldaki eğim ŵage exper = (1) = Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 17

62 Karesel Modeller: Örnek wage = exper exper 2 β 1 > 0, β 2 < 0 ise şeklinde ilişki olur. β 1 < 0, β 2 > 0 ise ilişki şeklindedir. Yukarıdaki regresyon tecrübenin ücretler üzerinde azalan bir etkiye sahip olduğunu gösteriyor. Tahmini eğim: ŵage exper ( )exper İlk bir yıllık tecrübe ücretlerde dolarlık bir artış yaratırken, ikinci yıldaki eğim ŵage exper = (1) = Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 17

63 Karesel Modeller: Örnek wage = exper exper 2 β 1 > 0, β 2 < 0 ise şeklinde ilişki olur. β 1 < 0, β 2 > 0 ise ilişki şeklindedir. Yukarıdaki regresyon tecrübenin ücretler üzerinde azalan bir etkiye sahip olduğunu gösteriyor. Tahmini eğim: ŵage exper ( )exper İlk bir yıllık tecrübe ücretlerde dolarlık bir artış yaratırken, ikinci yıldaki eğim ŵage exper = (1) = Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 17

64 Karesel Modeller: Örnek wage = exper exper 2 β 1 > 0, β 2 < 0 ise şeklinde ilişki olur. β 1 < 0, β 2 > 0 ise ilişki şeklindedir. Yukarıdaki regresyon tecrübenin ücretler üzerinde azalan bir etkiye sahip olduğunu gösteriyor. Tahmini eğim: ŵage exper ( )exper İlk bir yıllık tecrübe ücretlerde dolarlık bir artış yaratırken, ikinci yıldaki eğim ŵage exper = (1) = Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 17

65 Karesel Modeller: Örnek wage = exper exper 2 β 1 > 0, β 2 < 0 ise şeklinde ilişki olur. β 1 < 0, β 2 > 0 ise ilişki şeklindedir. Yukarıdaki regresyon tecrübenin ücretler üzerinde azalan bir etkiye sahip olduğunu gösteriyor. Tahmini eğim: ŵage exper ( )exper İlk bir yıllık tecrübe ücretlerde dolarlık bir artış yaratırken, ikinci yıldaki eğim ŵage exper = (1) = Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 17

66 Karesel Modeller: Örnek wage = exper exper 2 Tecrübe 10. yıldan 11. yıla değişirken: ŵage exper Dönüm noktası: = (10) = ŷ x ( ˆβ ˆβ 2 x) = 0 x = ˆβ 1 2 ˆβ 2 Ücret-tecrübe ilişkisinde dönüm noktası: exper = 0.298/ = 24.4 Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 18

67 Karesel Modeller: Örnek wage = exper exper 2 Tecrübe 10. yıldan 11. yıla değişirken: ŵage exper Dönüm noktası: = (10) = ŷ x ( ˆβ ˆβ 2 x) = 0 x = ˆβ 1 2 ˆβ 2 Ücret-tecrübe ilişkisinde dönüm noktası: exper = 0.298/ = 24.4 Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 18

68 Karesel Modeller: Örnek wage = exper exper 2 Tecrübe 10. yıldan 11. yıla değişirken: ŵage exper Dönüm noktası: = (10) = ŷ x ( ˆβ ˆβ 2 x) = 0 x = ˆβ 1 2 ˆβ 2 Ücret-tecrübe ilişkisinde dönüm noktası: exper = 0.298/ = 24.4 Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 18

69 Karesel Modeller: Ücret-tecrübe ilişkisi wage = exper exper 2

70 Karesel Modeller: Örnek log(price) = (0.566) (0.115) rooms (0.1655) (0.0128) rooms2 log(nox) log(dist) stratio (0.043) (0.0059) n = 506 R2 = F (5, 500) = ˆσ = Burada evin değeri ile oda sayısı arasında önce azalan sonra artan bir ilişki vardır. Ev oda sayısı 3 den 4 e değişirken fiyatlarda oluşan etki: log(price) = (3) = %17.13 rooms Rooms=3 iken fazladan bir odanın fiyatlarda yol açacağı azalma yaklaşık %17.13 dür. Dönüm noktası: rooms = / = Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 20

71 Karesel Modeller: Örnek log(price) = (0.566) (0.115) rooms (0.1655) (0.0128) rooms2 log(nox) log(dist) stratio (0.043) (0.0059) n = 506 R2 = F (5, 500) = ˆσ = Burada evin değeri ile oda sayısı arasında önce azalan sonra artan bir ilişki vardır. Ev oda sayısı 3 den 4 e değişirken fiyatlarda oluşan etki: log(price) = (3) = %17.13 rooms Rooms=3 iken fazladan bir odanın fiyatlarda yol açacağı azalma yaklaşık %17.13 dür. Dönüm noktası: rooms = / = Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 20

72 Karesel Modeller: Örnek log(price) = (0.566) (0.115) rooms (0.1655) (0.0128) rooms2 log(nox) log(dist) stratio (0.043) (0.0059) n = 506 R2 = F (5, 500) = ˆσ = Burada evin değeri ile oda sayısı arasında önce azalan sonra artan bir ilişki vardır. Ev oda sayısı 3 den 4 e değişirken fiyatlarda oluşan etki: log(price) = (3) = %17.13 rooms Rooms=3 iken fazladan bir odanın fiyatlarda yol açacağı azalma yaklaşık %17.13 dür. Dönüm noktası: rooms = / = Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 20

73 Karesel Modeller: Örnek log(price) = (0.566) (0.115) rooms (0.1655) (0.0128) rooms2 log(nox) log(dist) stratio (0.043) (0.0059) n = 506 R2 = F (5, 500) = ˆσ = Burada evin değeri ile oda sayısı arasında önce azalan sonra artan bir ilişki vardır. Ev oda sayısı 3 den 4 e değişirken fiyatlarda oluşan etki: log(price) = (3) = %17.13 rooms Rooms=3 iken fazladan bir odanın fiyatlarda yol açacağı azalma yaklaşık %17.13 dür. Dönüm noktası: rooms = / = Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 20

74 Karesel Modeller: Ev fiyatları

75 Karesel Modeller: Örnek İlave bir odanın fiyatlarda yaratacağı değişme: log(price) = [ (0.062)rooms] rooms % price = 100 [ (0.062)rooms] rooms = ( rooms) rooms Örneğin oda sayısı 5 den 6 ya değişirken oluşan etki yaklaşık = %7.5. Burada rooms = 1 olduğuna dikkat ediniz. Oda sayısı 6 den 7 ye değişirken oluşan etki yaklaşık = %19.9. Oda sayısı 5 den 7 ye değişirken oluşan etki yaklaşık ( )2 = %15. Bu durumda rooms = 2. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 22

76 Karesel Modeller: Örnek İlave bir odanın fiyatlarda yaratacağı değişme: log(price) = [ (0.062)rooms] rooms % price = 100 [ (0.062)rooms] rooms = ( rooms) rooms Örneğin oda sayısı 5 den 6 ya değişirken oluşan etki yaklaşık = %7.5. Burada rooms = 1 olduğuna dikkat ediniz. Oda sayısı 6 den 7 ye değişirken oluşan etki yaklaşık = %19.9. Oda sayısı 5 den 7 ye değişirken oluşan etki yaklaşık ( )2 = %15. Bu durumda rooms = 2. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 22

77 Karesel Modeller: Örnek İlave bir odanın fiyatlarda yaratacağı değişme: log(price) = [ (0.062)rooms] rooms % price = 100 [ (0.062)rooms] rooms = ( rooms) rooms Örneğin oda sayısı 5 den 6 ya değişirken oluşan etki yaklaşık = %7.5. Burada rooms = 1 olduğuna dikkat ediniz. Oda sayısı 6 den 7 ye değişirken oluşan etki yaklaşık = %19.9. Oda sayısı 5 den 7 ye değişirken oluşan etki yaklaşık ( )2 = %15. Bu durumda rooms = 2. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 22

78 Karesel Modeller: Örnek İlave bir odanın fiyatlarda yaratacağı değişme: log(price) = [ (0.062)rooms] rooms % price = 100 [ (0.062)rooms] rooms = ( rooms) rooms Örneğin oda sayısı 5 den 6 ya değişirken oluşan etki yaklaşık = %7.5. Burada rooms = 1 olduğuna dikkat ediniz. Oda sayısı 6 den 7 ye değişirken oluşan etki yaklaşık = %19.9. Oda sayısı 5 den 7 ye değişirken oluşan etki yaklaşık ( )2 = %15. Bu durumda rooms = 2. Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 22

79 Karşılıklı Etkileşim (Interaction) Terimi İçeren Modeller Bazı durumlarda bir açıklayıcı değişkenin kısmi etkisi başka bir açıklayıcı değişkenin aldığı değere bağlı olabilir. Bunu yakalamak için modele etkileşim terimleri eklenebilir: y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 1 x } {{ } 2 +β 4 x 3 + u interaction Yukarıdaki modelde x 1 ve x 2 değişkenleri karşılıklı etkileşime sahiptir. x 1 in y üzerindeki kısmi etkisi x 2 nin değerine bağlıdır: y = β 1 + β 3 x 2 x 1 Bu kısmi etkinin hesaplanabilmesi için x 2 yerine bir değer girilmesi gerekir. Genellikle x 2 nin ortalaması, medyanı gibi değerler kullanılır. Benzer şekilde x 2 nin kısmi etkisi x 1 e bağlıdır: y = β 2 + β 3 x 1 x 2 Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 23

80 Karşılıklı Etkileşim (Interaction) Terimi İçeren Modeller Bazı durumlarda bir açıklayıcı değişkenin kısmi etkisi başka bir açıklayıcı değişkenin aldığı değere bağlı olabilir. Bunu yakalamak için modele etkileşim terimleri eklenebilir: y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 1 x } {{ } 2 +β 4 x 3 + u interaction Yukarıdaki modelde x 1 ve x 2 değişkenleri karşılıklı etkileşime sahiptir. x 1 in y üzerindeki kısmi etkisi x 2 nin değerine bağlıdır: y = β 1 + β 3 x 2 x 1 Bu kısmi etkinin hesaplanabilmesi için x 2 yerine bir değer girilmesi gerekir. Genellikle x 2 nin ortalaması, medyanı gibi değerler kullanılır. Benzer şekilde x 2 nin kısmi etkisi x 1 e bağlıdır: y = β 2 + β 3 x 1 x 2 Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 23

81 Karşılıklı Etkileşim (Interaction) Terimi İçeren Modeller Bazı durumlarda bir açıklayıcı değişkenin kısmi etkisi başka bir açıklayıcı değişkenin aldığı değere bağlı olabilir. Bunu yakalamak için modele etkileşim terimleri eklenebilir: y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 1 x } {{ } 2 +β 4 x 3 + u interaction Yukarıdaki modelde x 1 ve x 2 değişkenleri karşılıklı etkileşime sahiptir. x 1 in y üzerindeki kısmi etkisi x 2 nin değerine bağlıdır: y = β 1 + β 3 x 2 x 1 Bu kısmi etkinin hesaplanabilmesi için x 2 yerine bir değer girilmesi gerekir. Genellikle x 2 nin ortalaması, medyanı gibi değerler kullanılır. Benzer şekilde x 2 nin kısmi etkisi x 1 e bağlıdır: y = β 2 + β 3 x 1 x 2 Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 23

82 Karşılıklı Etkileşim (Interaction) Terimi İçeren Modeller Bazı durumlarda bir açıklayıcı değişkenin kısmi etkisi başka bir açıklayıcı değişkenin aldığı değere bağlı olabilir. Bunu yakalamak için modele etkileşim terimleri eklenebilir: y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 1 x } {{ } 2 +β 4 x 3 + u interaction Yukarıdaki modelde x 1 ve x 2 değişkenleri karşılıklı etkileşime sahiptir. x 1 in y üzerindeki kısmi etkisi x 2 nin değerine bağlıdır: y = β 1 + β 3 x 2 x 1 Bu kısmi etkinin hesaplanabilmesi için x 2 yerine bir değer girilmesi gerekir. Genellikle x 2 nin ortalaması, medyanı gibi değerler kullanılır. Benzer şekilde x 2 nin kısmi etkisi x 1 e bağlıdır: y = β 2 + β 3 x 1 x 2 Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 23

83 Karşılıklı Etkileşim (Interaction) Terimi İçeren Modeller Bazı durumlarda bir açıklayıcı değişkenin kısmi etkisi başka bir açıklayıcı değişkenin aldığı değere bağlı olabilir. Bunu yakalamak için modele etkileşim terimleri eklenebilir: y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 1 x } {{ } 2 +β 4 x 3 + u interaction Yukarıdaki modelde x 1 ve x 2 değişkenleri karşılıklı etkileşime sahiptir. x 1 in y üzerindeki kısmi etkisi x 2 nin değerine bağlıdır: y = β 1 + β 3 x 2 x 1 Bu kısmi etkinin hesaplanabilmesi için x 2 yerine bir değer girilmesi gerekir. Genellikle x 2 nin ortalaması, medyanı gibi değerler kullanılır. Benzer şekilde x 2 nin kısmi etkisi x 1 e bağlıdır: y = β 2 + β 3 x 1 x 2 Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 23

84 Karşılıklı Etkileşim (Interaction) Terimi İçeren Modeller y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 1 x } {{ } 2 +β 4 x 3 + u interaction y = β 1 + β 3 x 2 x 1 x 2 nin örneklem ortalaması x 2 olsun. Kısmi etkide yerine yazarsak y x 1 = β 1 + β 3 x 2 Bu bize x 2 = x 2 iken kısmi etkiyi verir. Peki bu kısmi etki istatistik bakımından anlamlı mı? Bunu test etmek için x 1 x 2 etkileşimi yerine x 1 (x 2 x 2 ) etkileşimini yazarak modeli yeniden tahmin edeceğiz: y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 1 (x 2 x 2 ) +β } {{ } 4 x 3 + u interaction Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 24

85 Karşılıklı Etkileşim (Interaction) Terimi İçeren Modeller y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 1 x } {{ } 2 +β 4 x 3 + u interaction y = β 1 + β 3 x 2 x 1 x 2 nin örneklem ortalaması x 2 olsun. Kısmi etkide yerine yazarsak y x 1 = β 1 + β 3 x 2 Bu bize x 2 = x 2 iken kısmi etkiyi verir. Peki bu kısmi etki istatistik bakımından anlamlı mı? Bunu test etmek için x 1 x 2 etkileşimi yerine x 1 (x 2 x 2 ) etkileşimini yazarak modeli yeniden tahmin edeceğiz: y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 1 (x 2 x 2 ) +β } {{ } 4 x 3 + u interaction Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 24

86 Karşılıklı Etkileşim (Interaction) Terimi İçeren Modeller y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 1 x } {{ } 2 +β 4 x 3 + u interaction y = β 1 + β 3 x 2 x 1 x 2 nin örneklem ortalaması x 2 olsun. Kısmi etkide yerine yazarsak y x 1 = β 1 + β 3 x 2 Bu bize x 2 = x 2 iken kısmi etkiyi verir. Peki bu kısmi etki istatistik bakımından anlamlı mı? Bunu test etmek için x 1 x 2 etkileşimi yerine x 1 (x 2 x 2 ) etkileşimini yazarak modeli yeniden tahmin edeceğiz: y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 1 (x 2 x 2 ) +β } {{ } 4 x 3 + u interaction Ekonometri I: Çoklu Regresyon: Ek Konular - H. Taştan 24

Regresyon Analizi: Ek Konular KONULAR. Ölçü Birimlerinin Tahmin Sonuçlarına Etkisi. Veri ölçeğinin (data scaling) tahminlere etkisi

Regresyon Analizi: Ek Konular KONULAR. Ölçü Birimlerinin Tahmin Sonuçlarına Etkisi. Veri ölçeğinin (data scaling) tahminlere etkisi 1 ÇOKLU REGRESYON ANALİZİNDE EK KONULAR Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge 2 Regresyon Analizi:

Detaylı

14 Ekim 2012. Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi

14 Ekim 2012. Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi ÇOK DEĞİŞKENLİ REGRESYON ANALİZİ: ÇIKARSAMA Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge 14 Ekim 2012 Ekonometri

Detaylı

17 Ekim Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi

17 Ekim Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi ÇOK DEĞİŞKENLİ REGRESYON ANALİZİ: TAHMİN Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge 17 Ekim 2012 Ekonometri

Detaylı

SIRADAN EN KÜÇÜK KARELER (OLS)

SIRADAN EN KÜÇÜK KARELER (OLS) SIRADAN EN KÜÇÜK KARELER (OLS) YÖNTEMİNİN ASİMPTOTİK ÖZELLİKLERİ Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge

Detaylı

OLS Yönteminin Asimptotik (Büyük Örneklem) Özellikleri SIRADAN EN KÜÇÜK KARELER (OLS) Asimptotik Özellikler: Tutarlılık. Asimptotik Özellikler

OLS Yönteminin Asimptotik (Büyük Örneklem) Özellikleri SIRADAN EN KÜÇÜK KARELER (OLS) Asimptotik Özellikler: Tutarlılık. Asimptotik Özellikler 1 SIRADAN EN KÜÇÜK KARELER (OLS) YÖNTEMİNİN ASİMPTOTİK ÖZELLİKLERİ Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge

Detaylı

İÇİNDEKİLER. BÖLÜM 1 Değişkenler ve Grafikler 1. BÖLÜM 2 Frekans Dağılımları 37

İÇİNDEKİLER. BÖLÜM 1 Değişkenler ve Grafikler 1. BÖLÜM 2 Frekans Dağılımları 37 İÇİNDEKİLER BÖLÜM 1 Değişkenler ve Grafikler 1 İstatistik 1 Yığın ve Örnek; Tümevarımcı ve Betimleyici İstatistik 1 Değişkenler: Kesikli ve Sürekli 1 Verilerin Yuvarlanması Bilimsel Gösterim Anlamlı Rakamlar

Detaylı

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. ed., 2002, Thomson Learning. Ch. 5: SEKK (OLS) nin Asimptotik Özellikleri

Detaylı

BASİT REGRESYON MODELİ

BASİT REGRESYON MODELİ BASİT REGRESYON MODELİ Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge 14 Ekim 2012 Ekonometri I: Basit Regresyon

Detaylı

Matris Cebiriyle Çoklu Regresyon Modeli

Matris Cebiriyle Çoklu Regresyon Modeli Matris Cebiriyle Çoklu Regresyon Modeli Hüseyin Taştan Mart 00 Klasik Regresyon Modeli k açıklayıcı değişkenden oluşan regresyon modelini her gözlem i için aşağıdaki gibi yazabiliriz: y i β + β x i + β

Detaylı

3. TAHMİN En Küçük Kareler (EKK) Yöntemi 1

3. TAHMİN En Küçük Kareler (EKK) Yöntemi 1 3. TAHMİN 3.1. En Küçük Kareler (EKK) Yöntemi 1 En Küçük Kareler (EKK) yöntemi, regresyon çözümlemesinde en yaygın olarak kullanılan, daha sonra ele alınacak bazı varsayımlar altında çok aranan istatistiki

Detaylı

Değişen Varyans (Heteroscedasticity) Sabit Varyans (Homoscedasticity) Varsayımı Altında Basit Regresyon Modeli

Değişen Varyans (Heteroscedasticity) Sabit Varyans (Homoscedasticity) Varsayımı Altında Basit Regresyon Modeli 1 2 Değişen Varyans (Heteroscedasticity) DEĞİŞEN VARYANS Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge 14

Detaylı

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım Teorisi

Detaylı

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım Teorisi

Detaylı

Appendix B: Olasılık ve Dağılım Teorisi

Appendix B: Olasılık ve Dağılım Teorisi Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım

Detaylı

Çok Değişkenli Regresyon Analizi: Çıkarsama. OLS Tahmincilerinin Örnekleme Dağılımları (Sampling Distributions) Distributions)

Çok Değişkenli Regresyon Analizi: Çıkarsama. OLS Tahmincilerinin Örnekleme Dağılımları (Sampling Distributions) Distributions) Normallik varsayımı önceki varsayımlardan daha kuvvetli bir varsayımdır. MLR.6 varsayımı, MLR.3, Sıfır Koşullu Ortalama ve MLR.5 Sabit Varyans varsayımlarının yapıldığı anlamına gelir. 1 ÇOK DEĞİŞKENLİ

Detaylı

Temel İstatistik. Y.Doç.Dr. İbrahim Turan Mart Tanımlayıcı İstatistik. Dağılımları Tanımlayıcı Ölçüler Dağılış Ölçüleri

Temel İstatistik. Y.Doç.Dr. İbrahim Turan Mart Tanımlayıcı İstatistik. Dağılımları Tanımlayıcı Ölçüler Dağılış Ölçüleri Temel İstatistik Tanımlayıcı İstatistik Dağılımları Tanımlayıcı Ölçüler Dağılış Ölçüleri Y.Doç.Dr. İbrahim Turan Mart 2011 DAĞILIM / YAYGINLIK ÖLÇÜLERİ Verilerin değişkenlik durumu ve dağılışın şeklini

Detaylı

Korelasyon, Korelasyon Türleri ve Regresyon

Korelasyon, Korelasyon Türleri ve Regresyon Korelasyon, Korelasyon Türleri ve Regresyon İçerik Korelasyon Korelasyon Türleri Korelasyon Katsayısı Regresyon KORELASYON Korelasyon iki ya da daha fazla değişken arasındaki doğrusal ilişkiyi gösterir.

Detaylı

MODEL KURMA HATALARI ve VERİ SORUNLARI

MODEL KURMA HATALARI ve VERİ SORUNLARI MODEL KURMA HATALARI ve VERİ SORUNLARI Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge 14 Ekim 2012 Ekonometri

Detaylı

3 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI

3 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI ÖNSÖZ İÇİNDEKİLER III Bölüm 1 İSTATİSTİK ve SAYISAL BİLGİ 11 1.1 İstatistik ve Önemi 12 1.2 İstatistikte Temel Kavramlar 14 1.3 İstatistiğin Amacı 15 1.4 Veri Türleri 15 1.5 Veri Ölçüm Düzeyleri 16 1.6

Detaylı

Tanımlayıcı İstatistikler. Yrd. Doç. Dr. Emre ATILGAN

Tanımlayıcı İstatistikler. Yrd. Doç. Dr. Emre ATILGAN Tanımlayıcı İstatistikler Yrd. Doç. Dr. Emre ATILGAN 1 Tanımlayıcı İstatistikler Yer Gösteren Ölçüler Yaygınlık Ölçüleri Merkezi Eğilim Ölçüleri Konum Ölçüleri 2 3 Aritmetik Ortalama Aritmetik ortalama,

Detaylı

2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI Tanım

2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI Tanım 2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI 2.1. Tanım Regresyon analizi, bir değişkenin başka bir veya daha fazla değişkene olan bağımlılığını inceler. Amaç, bağımlı değişkenin kitle ortalamasını, açıklayıcı

Detaylı

BÖLÜM 6 MERKEZDEN DAĞILMA ÖLÇÜLERİ

BÖLÜM 6 MERKEZDEN DAĞILMA ÖLÇÜLERİ 1 BÖLÜM 6 MERKEZDEN DAĞILMA ÖLÇÜLERİ Gözlenen belli bir özelliği, bu özelliğe ilişkin ölçme sonuçlarını yani verileri kullanarak betimleme, istatistiksel işlemlerin bir boyutunu oluşturmaktadır. Temel

Detaylı

Örnek. Aşağıdaki veri setlerindeki X ve Y veri çiftlerini kullanarak herbir durumda X=1,5 için Y nin hangi değerleri alacağını hesaplayınız.

Örnek. Aşağıdaki veri setlerindeki X ve Y veri çiftlerini kullanarak herbir durumda X=1,5 için Y nin hangi değerleri alacağını hesaplayınız. Örnek Aşağıdaki veri setlerindeki X ve Y veri çiftlerini kullanarak herbir durumda X=1,5 için Y nin hangi değerleri alacağını hesaplayınız. i. ii. X 1 2 3 4 1 2 3 4 Y 2 3 4 5 4 3 2 1 Örnek Aşağıdaki veri

Detaylı

Mühendislikte İstatistik Yöntemler

Mühendislikte İstatistik Yöntemler .0.0 Mühendislikte İstatistik Yöntemler İstatistik Parametreler Tarih Qma.3.98 4..98 0.3.983 45 7..984 37.3.985 48 0.4.986 67.4.987 5 0.3.988 45.5.989 34.3.990 59.4.99 3 4 34 5 37 6 45 7 45 8 48 9 5 0

Detaylı

YARI LOGARİTMİK MODELLERDE KUKLA DECİşKENLERİN KA TSA YıLARıNIN YORUMU

YARI LOGARİTMİK MODELLERDE KUKLA DECİşKENLERİN KA TSA YıLARıNIN YORUMU Marmara Üniversitesi U.B.F. Dergisi YIL 2005, CİLT XX, SAyı 1 YARI LOGARİTMİK MODELLERDE KUKLA DECİşKENLERİN KA TSA YıLARıNIN YORUMU Yrd. Doç. Dr. Ebru ÇACLAYAN' Arş. Gör. Burak GÜRİş" Büyüme modelleri,

Detaylı

KARŞILAŞTIRMA İSTATİSTİĞİ, ANALİTİK YÖNTEMLERİN KARŞILAŞTIRILMASI, BİYOLOJİK DEĞİŞKENLİK. Doç.Dr. Mustafa ALTINIŞIK ADÜTF Biyokimya AD 2005

KARŞILAŞTIRMA İSTATİSTİĞİ, ANALİTİK YÖNTEMLERİN KARŞILAŞTIRILMASI, BİYOLOJİK DEĞİŞKENLİK. Doç.Dr. Mustafa ALTINIŞIK ADÜTF Biyokimya AD 2005 KARŞILAŞTIRMA İSTATİSTİĞİ, ANALİTİK YÖNTEMLERİN KARŞILAŞTIRILMASI, BİYOLOJİK DEĞİŞKENLİK Doç.Dr. Mustafa ALTINIŞIK ADÜTF Biyokimya AD 2005 1 Karşılaştırma istatistiği Temel kavramlar: Örneklem ve evren:

Detaylı

Basit Regresyon Modeli BASİT REGRESYON MODELİ. Basit Regresyon Modeli. Basit Regresyon Modeli: y = β 0 + β 1 x + u

Basit Regresyon Modeli BASİT REGRESYON MODELİ. Basit Regresyon Modeli. Basit Regresyon Modeli: y = β 0 + β 1 x + u 1 2 Basit Regresyon Modeli BASİT REGRESYON MODELİ Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge 14 Ekim

Detaylı

Yrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü

Yrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü Mühendislikte İstatistiksel Yöntemler Yrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü 1 Araştırma sonuçlarının açıklanmasında frekans tablosu

Detaylı

7.Ders Bazı Ekonometrik Modeller. Đktisat (ekonomi) biliminin bir kavramı: gayrisafi milli hasıla.

7.Ders Bazı Ekonometrik Modeller. Đktisat (ekonomi) biliminin bir kavramı: gayrisafi milli hasıla. 7.Ders Bazı Ekonometrik Modeller Đktisat (ekonomi) biliminin bir kavramı: gayrisafi milli hasıla. Kaynak: TÜĐK dönemler gayri safi yurt içi hasıla düzeyi 1987-1 8680793 1987-2 9929354 1987-3 13560135 1987-4

Detaylı

Zaman Serisi Verileriyle Regresyon Analizi

Zaman Serisi Verileriyle Regresyon Analizi Zaman Serisi Verileriyle Regresyon Analizi Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi Iktisat Bölümü Textbook: Introductory Econometrics (4th ed.) J. Wooldridge 13 Mart 2013 Ekonometri II: Zaman Serisi

Detaylı

ZAMAN SERİLERİNDE REGRESYON ANALİZİ

ZAMAN SERİLERİNDE REGRESYON ANALİZİ ZAMAN SERİLERİNDE REGRESYON ANALİZİ 1 1. GİRİŞ Trent, serinin genelinde yukarıya ya da aşağıya doğru olan hareketlere denmektedir. Bu hareket bazen düz bir doğru şeklinde olmaktadır. Bu tür harekete sahip

Detaylı

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix C: İstatistiksel Çıkarsama Doç.

Detaylı

İstatistik ve Olasılık

İstatistik ve Olasılık İstatistik ve Olasılık KORELASYON ve REGRESYON ANALİZİ Doç. Dr. İrfan KAYMAZ Tanım Bir değişkenin değerinin diğer değişkendeki veya değişkenlerdeki değişimlere bağlı olarak nasıl etkilendiğinin istatistiksel

Detaylı

Konu 3 Niceliksel Talep Analizi

Konu 3 Niceliksel Talep Analizi .. Konu 3 Niceliksel Talep Analizi Hadi Yektaş Uluslararası Antalya Üniversitesi İşletme Tezsiz Yüksek Lisans Programı 1 / 43 Hadi Yektaş Niceliksel Talep Analizi . İçerik.1 Giriş.2.3 Lineer Log-Lineer.4.5

Detaylı

15.433 YATIRIM. Ders 7: CAPM ve APT. Bölüm 2: Uygulamalar ve Sınamalar

15.433 YATIRIM. Ders 7: CAPM ve APT. Bölüm 2: Uygulamalar ve Sınamalar 15.433 YATIRIM Ders 7: CAPM ve APT Bölüm 2: Uygulamalar ve Sınamalar Bahar 2003 Öngörüler ve Uygulamalar Öngörüler: - CAPM: Piyasa dengesinde yatırımcılar sadece piyasa riski taşıdıklarında ödüllendirilir.

Detaylı

İÇİNDEKİLER 1. GİRİŞ...

İÇİNDEKİLER 1. GİRİŞ... İÇİNDEKİLER 1. GİRİŞ... 1 1.1. Regresyon Analizi... 1 1.2. Uygulama Alanları ve Veri Setleri... 2 1.3. Regresyon Analizinde Adımlar... 3 1.3.1. Problemin İfadesi... 3 1.3.2. Konu ile İlgili Potansiyel

Detaylı

BÖLÜM 3 KURAMSAL ÇATI VE HİPOTEZ GELİŞ

BÖLÜM 3 KURAMSAL ÇATI VE HİPOTEZ GELİŞ BÖLÜM 3 KURAMSAL ÇATI VE HİPOTEZ GELİŞ İŞTİRME Araştırma rma SüreciS 1.Gözlem Genel araştırma alanı 3.Sorunun Belirlenmesi Sorun taslağının hazırlanması 4.Kuramsal Çatı Değişkenlerin açıkça saptanması

Detaylı

DİNAMİK PANEL VERİ MODELLERİ. FYT Panel Veri Ekonometrisi 1

DİNAMİK PANEL VERİ MODELLERİ. FYT Panel Veri Ekonometrisi 1 DİNAMİK PANEL VERİ MODELLERİ FYT Panel Veri Ekonometrisi 1 Dinamik panel veri modeli (tek gecikme için) aşağıdaki gibi gösterilebilir; y it y it 1 x v it ' it i Gecikmeli bağımlı değişkenden başka açıklayıcı

Detaylı

Nitel Tepki Bağlanım Modelleri

Nitel Tepki Bağlanım Modelleri Doğrusal-Dışı Yaklaşım ve Nitel Tepki Bağlanım Modelleri Doğrusal-Dışı Yaklaşım ve Ekonometri 2 Konu 18 Sürüm 2,0 (Ekim 2011) Doğrusal-Dışı Yaklaşım ve UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons

Detaylı

MAK 210 SAYISAL ANALİZ

MAK 210 SAYISAL ANALİZ MAK 210 SAYISAL ANALİZ BÖLÜM 6- İSTATİSTİK VE REGRESYON ANALİZİ Doç. Dr. Ali Rıza YILDIZ 1 İSTATİSTİK VE REGRESYON ANALİZİ Bütün noktalardan geçen bir denklem bulmak yerine noktaları temsil eden, yani

Detaylı

DOĞRUSAL ve DOĞRUSAL OLMAYAN SINIRLAMALAR DOĞRUSAL OLMAYAN SINIRLAMALARIN TESTİ

DOĞRUSAL ve DOĞRUSAL OLMAYAN SINIRLAMALAR DOĞRUSAL OLMAYAN SINIRLAMALARIN TESTİ DOĞRUSAL ve DOĞRUSAL OLMAYAN SINIRLAMALAR DOĞRUSAL SINIRLAMALARIN TESTİ t testi F testi Diğer testler: Chow testi MWD testi DOĞRUSAL OLMAYAN SINIRLAMALARIN TESTİ Benzerlik Oranı Testi Lagrange Çarpanı

Detaylı

Regresyon Analizinde Nitel Bilgi. Nitel Değişkenler: Ders Planı. Nitel Bilgi

Regresyon Analizinde Nitel Bilgi. Nitel Değişkenler: Ders Planı. Nitel Bilgi 1 ÇOKLU REGRESYON ANALİZİNDE NİTEL DEĞİŞKENLER Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge 2 Regresyon

Detaylı

Nicel / Nitel Verilerde Konum ve Değişim Ölçüleri. BBY606 Araştırma Yöntemleri 2013-2014 Bahar Dönemi 13 Mart 2014

Nicel / Nitel Verilerde Konum ve Değişim Ölçüleri. BBY606 Araştırma Yöntemleri 2013-2014 Bahar Dönemi 13 Mart 2014 Nicel / Nitel Verilerde Konum ve Değişim Ölçüleri BBY606 Araştırma Yöntemleri 2013-2014 Bahar Dönemi 13 Mart 2014 1 Konum ölçüleri Merkezi eğilim ölçüleri Verilerin ortalamaya göre olan gruplanması nasıl?

Detaylı

İÇİNDEKİLER ÖN SÖZ...

İÇİNDEKİLER ÖN SÖZ... İÇİNDEKİLER ÖN SÖZ... v GİRİŞ... 1 1. İSTATİSTİK İN TARİHÇESİ... 1 2. İSTATİSTİK NEDİR?... 3 3. SAYISAL BİLGİDEN ANLAM ÇIKARILMASI... 4 4. BELİRSİZLİĞİN ELE ALINMASI... 4 5. ÖRNEKLEME... 5 6. İLİŞKİLERİN

Detaylı

KORELASYON VE REGRESYON ANALİZİ. Doç. Dr. Bahar TAŞDELEN

KORELASYON VE REGRESYON ANALİZİ. Doç. Dr. Bahar TAŞDELEN KORELASYON VE REGRESYON ANALİZİ Doç. Dr. Bahar TAŞDELEN Günlük hayattan birkaç örnek Gelişim dönemindeki bir çocuğun boyu ile kilosu arasındaki ilişki Bir ailenin tükettiği günlük ekmek sayısı ile ailenin

Detaylı

REGRESYON ANALİZİ VE UYGULAMA. Yrd. Doç. Dr. Hidayet Takcı

REGRESYON ANALİZİ VE UYGULAMA. Yrd. Doç. Dr. Hidayet Takcı REGRESYON ANALİZİ VE UYGULAMA Yrd. Doç. Dr. Hidayet Takcı htakci@cumhuriyet.edu.tr Sunum içeriği Bu sunumda; Lojistik regresyon konu anlatımı Basit doğrusal regresyon problem çözümleme Excel yardımıyla

Detaylı

Normallik Varsayımı ve Ençok Olabilirlik Yöntemi

Normallik Varsayımı ve Ençok Olabilirlik Yöntemi Normallik Varsayımı ve Ençok Olabilirlik Yöntemi EO Açıklayıcı Örnekler Ekonometri 1 Konu 14 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial ShareAlike

Detaylı

ÇOKLU REGRESYON ANALİZİNDE VARSAYIMLARDAN SAPMALARIN İNCELENMESİ

ÇOKLU REGRESYON ANALİZİNDE VARSAYIMLARDAN SAPMALARIN İNCELENMESİ ÇOKLU REGRESYON ANALİZİNDE VARSAYIMLARDAN SAPMALARIN İNCELENMESİ 1. ÇOKLU REGRESYON ANALİZİ VE VARSAYIMALARDAN SAPMALAR 1.1. Çoklu Regresyon modeli Varsayımları 1.2. Tahmincilerin anlamlılığının sınanması

Detaylı

Korelasyon ve Regresyon

Korelasyon ve Regresyon Korelasyon ve Regresyon Korelasyon- (lineer korelasyon) Açıklayıcı (Bağımsız) Değişken x çalışma zamanı ayakkabı numarası İki değişken arasındaki ilişkidir. Günlük sigara sayısı SAT puanı boy Yanıt (Bağımlı)

Detaylı

009 BS 400- İstatistik sonılannın cevaplanmasında gerekli olabilecek tablolar ve formüller bu kitapçığın sonunda verilmiştir. 1. şağıdakilerden hangisi doğal birimdir? l TV alıcısı Bl Trafik kazası CL

Detaylı

altında ilerde ele alınacaktır.

altında ilerde ele alınacaktır. YTÜ-İktisat İstatistik II Nokta Tahmin Yöntemleri 1 NOKTA TAHMİN YÖNTEMLERİ Şimdiye kadar verilmiş tahmin edicilerin sonlu örneklem ve asimptotik özelliklerini inceledik. Acaba bilinmeyen anakütle parametrelerini

Detaylı

Üstel modeli, iki tarafın doğal logaritması alınarak aşağıdaki gibi yazılabilir.

Üstel modeli, iki tarafın doğal logaritması alınarak aşağıdaki gibi yazılabilir. 5. FONKSİYON KALIPLARI VE KUKLA DEĞİŞKENLER 5.1. Fonksiyon Kalıpları Bölüm 4.1 de doğrusal bir modelin katsayılarının yorumu ele alınmıştır. Bu bölümde farklı fonksiyon kalıpları olması durumunda katsayıların

Detaylı

ÜSTEL DÜZLEŞTİRME YÖNTEMİ

ÜSTEL DÜZLEŞTİRME YÖNTEMİ ÜSEL DÜLEŞİRME YÖNEMİ ÜSEL DÜLEŞİRME YÖNEMİ Bu bölüme kadar anlatılan yöntemler zaman içinde değişmeyen parametre varsayımına uygun serilerin tahminlerinde kullanılmaktaydı. Bu tür seriler deterministik

Detaylı

Genel olarak test istatistikleri. Merkezi Eğilim (Yığılma) Ölçüleri Dağılım (Yayılma) Ölçüleri. olmak üzere 2 grupta incelenebilir.

Genel olarak test istatistikleri. Merkezi Eğilim (Yığılma) Ölçüleri Dağılım (Yayılma) Ölçüleri. olmak üzere 2 grupta incelenebilir. 4.SUNUM Genel olarak test istatistikleri Merkezi Eğilim (Yığılma) Ölçüleri Dağılım (Yayılma) Ölçüleri olmak üzere 2 grupta incelenebilir. 2 Ranj Çeyrek Kayma Çeyrekler Arası Açıklık Standart Sapma Varyans

Detaylı

Bölüm 3. Tanımlayıcı İstatistikler

Bölüm 3. Tanımlayıcı İstatistikler Bölüm 3 Tanımlayıcı İstatistikler 1 Tanımlayıcı İstatistikler Bir veri setini tanımak veya birden fazla veri setini karşılaştırmak için kullanılan ve ayrıca örnek verilerinden hareket ile frekans dağılışlarını

Detaylı

Oluşturulan evren listesinden örnekleme birimlerinin seçkisiz olarak çekilmesidir

Oluşturulan evren listesinden örnekleme birimlerinin seçkisiz olarak çekilmesidir Bilimsel Araştırma Yöntemleri Prof. Dr. Şener Büyüköztürk Doç. Dr. Ebru Kılıç Çakmak Yrd. Doç. Dr. Özcan Erkan Akgün Doç. Dr. Şirin Karadeniz Dr. Funda Demirel Örnekleme Yöntemleri Evren Evren, araştırma

Detaylı

SÜREKLİ OLASILIK DAĞILIŞLARI

SÜREKLİ OLASILIK DAĞILIŞLARI SÜREKLİ OLASILIK DAĞILIŞLARI Sürekli verilerin göstermiş olduğu dağılışa sürekli olasılık dağılışı denir. Sürekli olasılık dağılışlarının fonksiyonlarına yoğunluk fonksiyonu denilmekte ve bu dağılışlarla

Detaylı

BÖLÜM-1.BİLİM NEDİR? Tanımı...1 Bilimselliğin Ölçütleri...2 Bilimin İşlevleri...3

BÖLÜM-1.BİLİM NEDİR? Tanımı...1 Bilimselliğin Ölçütleri...2 Bilimin İşlevleri...3 KİTABIN İÇİNDEKİLER BÖLÜM-1.BİLİM NEDİR? Tanımı...1 Bilimselliğin Ölçütleri...2 Bilimin İşlevleri...3 BÖLÜM-2.BİLİMSEL ARAŞTIRMA Belgesel Araştırmalar...7 Görgül Araştırmalar Tarama Tipi Araştırma...8

Detaylı

8.Hafta. Değişkenlik Ölçüleri. Öğr.Gör.Muhsin ÇELİK. Uygun değişkenlik ölçüsünü hesaplayıp yorumlayabilecek,

8.Hafta. Değişkenlik Ölçüleri. Öğr.Gör.Muhsin ÇELİK. Uygun değişkenlik ölçüsünü hesaplayıp yorumlayabilecek, İSTATİSTİK 8.Hafta Değişkenlik Ölçüleri Hedefler Bu üniteyi çalıştıktan sonra; Uygun değişkenlik ölçüsünü hesaplayıp yorumlayabilecek, Serilerin birbirlerine değişkenliklerini yorumlayabileceksiniz. 2

Detaylı

Excel dosyasından verileri aktarmak için Proc/Import/Read Text-Lotus-Excel menüsüne tıklanır.

Excel dosyasından verileri aktarmak için Proc/Import/Read Text-Lotus-Excel menüsüne tıklanır. ZAMAN SERİSİ MODEL Aşağıdaki anlatım sadece lisans düzeyindeki temel ekonometri bilgisine göre hazırlanmıştır. Bir akademik çalışmanın gerektirdiği birçok ön ve son testi içermemektedir. Bu dosyalar ilk

Detaylı

İçindekiler. Ön Söz... xiii

İçindekiler. Ön Söz... xiii İçindekiler Ön Söz.................................................... xiii Bölüm 1 İstatistiğe Giriş....................................... 1 1.1 Giriş......................................................1

Detaylı

T TESTİ: ORTALAMALAR ARASI FARKLARIN TEST EDİLMESİ. Yrd. Doç. Dr. C. Deha DOĞAN

T TESTİ: ORTALAMALAR ARASI FARKLARIN TEST EDİLMESİ. Yrd. Doç. Dr. C. Deha DOĞAN T TESTİ: ORTALAMALAR ARASI FARKLARIN TEST EDİLMESİ Yrd. Doç. Dr. C. Deha DOĞAN Gruplara ait ortalamalar elde edildiğinde, farklı olup olmadıkları ilk bakışta belirlenemez. Ortalamalar arsında bulunan

Detaylı

ANADOLU ÜNİVERSİTESİ İST 213 OLASILIK DERSİ TANIMLAR VE VERİ SINIFLAMASI

ANADOLU ÜNİVERSİTESİ İST 213 OLASILIK DERSİ TANIMLAR VE VERİ SINIFLAMASI ANADOLU ÜNİVERSİTESİ İST 213 OLASILIK DERSİ TANIMLAR VE VERİ SINIFLAMASI DOÇ. DR. NİHAL ERGİNEL TANIMLAR VE VERİ SINIFLAMASI Olasılık, ilgilenilen olay/olayların meydana gelme olabilirliğinin ölçülmesidir.

Detaylı

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları Ch. 3: Çok Değişkenli Regresyon Analizi: Tahmin Doç. Dr. Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi, İktisat Bölümü, Yıldız Kampüsü H Blok, Oda no. 124, Beşiktaş, İstanbul. Email: tastan@yildiz.edu.tr

Detaylı

Doç. Dr. Dilek ALTAŞ İSTATİSTİKSEL ANALİZ

Doç. Dr. Dilek ALTAŞ İSTATİSTİKSEL ANALİZ I Doç. Dr. Dilek ALTAŞ İSTATİSTİKSEL ANALİZ II Yayın No : 2845 Teknik Dizisi : 158 1. Baskı Şubat 2013 İSTANBUL ISBN 978-605 - 377 868-4 Copyright Bu kitabın bu basısı için Türkiye deki yayın hakları BETA

Detaylı

Prof.Dr.İhsan HALİFEOĞLU

Prof.Dr.İhsan HALİFEOĞLU Prof.Dr.İhsan HALİFEOĞLU Örnek: Aşağıda 100 yetişkine ilişkin kolesterol değerlerini sınıflandırılarak aritmetik ortalamasını bulunuz (sınıf aralığını 20 alınız). 2 x A fb C 229.5 n 40 20 100 221.5 3 Örnek:.

Detaylı

Ch. 1: Giriş, Temel Tanımlar ve Kavramlar

Ch. 1: Giriş, Temel Tanımlar ve Kavramlar Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Ch. 1: Giriş, Temel Tanımlar

Detaylı

İki Değişkenli Bağlanım Modelinin Uzantıları

İki Değişkenli Bağlanım Modelinin Uzantıları İki Değişkenli Bağlanım Modelinin Uzantıları Sıfır Noktasından Geçen Bağlanım Ekonometri 1 Konu 18 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial

Detaylı

TOBB Ekonomi ve Teknoloji Üniversitesi İKT351 Ekonometri I, Dönem Sonu Sınavı

TOBB Ekonomi ve Teknoloji Üniversitesi İKT351 Ekonometri I, Dönem Sonu Sınavı TOBB Ekonomi ve Teknoloji Üniversitesi Öğr.Gör.: Yrd. Doç. Dr. A. Talha YALTA Ad, Soyad: Açıklama ve uyarılar: Bu sınav toplam 100 puan değerinde 6 sorudan oluşmaktadır. Sınav süresi 90 dakikadır ve tüm

Detaylı

Test İstatistikleri AHMET SALİH ŞİMŞEK

Test İstatistikleri AHMET SALİH ŞİMŞEK Test İstatistikleri AHMET SALİH ŞİMŞEK İçindekiler Test İstatistikleri Merkezi Eğilim Tepe Değer (Mod) Ortanca (Medyan) Aritmetik Ortalama Merkezi Dağılım Dizi Genişliği (Ranj) Standart Sapma Varyans Çarpıklık

Detaylı

Meslek lisesi ve devlet lisesine giden N tane öğrenci olduğu ve bunların yıllık okul harcamalarına ait verilerin olduğu varsayılsın.

Meslek lisesi ve devlet lisesine giden N tane öğrenci olduğu ve bunların yıllık okul harcamalarına ait verilerin olduğu varsayılsın. KUKLA DEĞİŞKENLİ MODELLER Bir kukla değişkenli modeller (Varyans Analiz Modelleri) Kukla değişkenlerin diğer kantitatif değişkenlerle alındığı modeller (Kovaryans Analizi Modeller) Kukla değişkenlerin

Detaylı

İSTATİSTİK ÖRNEK SORULARI

İSTATİSTİK ÖRNEK SORULARI 1. Aşağıda gruplandırılmış seri verilmiştir. (n) 0-10 den az 5 10-20 den az 6 20-30 den az 9 30-40 den az 11 40-50 den az 4 50-60 den az 3 TOPLAM 38 İSTATİSTİK ÖRNEK SORULARI a) Mod değerini bulunuz? (15

Detaylı

TOBB Ekonomi ve Teknoloji Üniversitesi İKT351 Ekonometri I, Ara Sınavı

TOBB Ekonomi ve Teknoloji Üniversitesi İKT351 Ekonometri I, Ara Sınavı TOBB Ekonomi ve Teknoloji Üniversitesi Öğr.Gör.: Yrd. Doç. Dr. A. Talha YALTA Ad, Soyad: Açıklamalar: Bu sınav toplam 100 puan değerinde 4 sorudan oluşmaktadır. Sınav süresi 90 dakikadır ve tüm soruların

Detaylı

Ch. 9: Model Spesifikasyonu ve Veri Sorunları

Ch. 9: Model Spesifikasyonu ve Veri Sorunları Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri II Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. ed., 2002, Thomson Learning. Ch. 9: Model Spesifikasyonu

Detaylı

0.04.03 Standart Hata İstatistikte hesaplanan her istatistik değerin mutlaka hatası da hesaplanmalıdır. Çünkü hesaplanan istatistikler, tahmini bir değer olduğu için mutlaka hataları da vardır. Standart

Detaylı

ZAMAN SERİSİ REGRESYONLARINDA ARDIŞIK

ZAMAN SERİSİ REGRESYONLARINDA ARDIŞIK ZAMAN SERİSİ REGRESYONLARINDA ARDIŞIK BAĞINTI ve DEĞİŞEN VARYANS Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (4th ed.) J. Wooldridge

Detaylı

(AYIRIM) DENLİ. Emre KUZUGÜDENL. Doç.Dr.Serdar CARUS

(AYIRIM) DENLİ. Emre KUZUGÜDENL. Doç.Dr.Serdar CARUS DİSKRİMİNANT ANALİZİ (AYIRIM) Emre KUZUGÜDENL DENLİ Doç.Dr.Serdar CARUS Bu analiz ile; Bir bireyin hangi gruptan geldiği (p değişkeni kullanarak, bireyi uygun bir gruba atar ) Her bir değişkenin atama

Detaylı

İçindekiler vii Yazarların Ön Sözü xiii Çevirenin Ön Sözü xiv Teşekkürler xvi Semboller Listesi xvii. Ölçme, İstatistik ve Araştırma...

İçindekiler vii Yazarların Ön Sözü xiii Çevirenin Ön Sözü xiv Teşekkürler xvi Semboller Listesi xvii. Ölçme, İstatistik ve Araştırma... İçindekiler İçindekiler vii Yazarların Ön Sözü xiii Çevirenin Ön Sözü xiv Teşekkürler xvi Semboller Listesi xvii BÖLÜM 1 Ölçme, İstatistik ve Araştırma...1 Ölçme Nedir?... 3 Ölçme Süreci... 3 Değişkenler

Detaylı

Zaman Serileri Verileriyle Regresyon Analizinde Ardışık ZAMAN SERİSİ REGRESYONLARINDA

Zaman Serileri Verileriyle Regresyon Analizinde Ardışık ZAMAN SERİSİ REGRESYONLARINDA 1 ZAMAN SERİSİ REGRESYONLARINDA ARDIŞIK BAĞINTI ve DEĞİŞEN VARYANS Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (4th ed.) J. Wooldridge

Detaylı

Çoklu Bağlanım Çıkarsama Sorunu

Çoklu Bağlanım Çıkarsama Sorunu Çoklu Bağlanım Çıkarsama Sorunu Diğer Sınama ve Konular Ekonometri 1 Konu 27 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial ShareAlike 3.0 Unported

Detaylı

rasgele değişkeninin olasılık yoğunluk fonksiyonu,

rasgele değişkeninin olasılık yoğunluk fonksiyonu, 3.6. Bazı Sürekli Dağılımlar 3.6.1 Normal Dağılım Normal dağılım hem uygulamalı hem de teorik istatistikte kullanılan oldukça önemli bir dağılımdır. Normal dağılımın istatistikte önemli bir yerinin olmasının

Detaylı

Bölüm 3 Merkezi Konum (Eğilim) Ölçüleri. Giriş Veri kümesi. Ortalamalar iki grupta incelenir. A. Duyarlı olan ortalama. B. Duyarlı olmayan ortalama

Bölüm 3 Merkezi Konum (Eğilim) Ölçüleri. Giriş Veri kümesi. Ortalamalar iki grupta incelenir. A. Duyarlı olan ortalama. B. Duyarlı olmayan ortalama GM-220 MÜH. ÇALIŞ. İSTATİSTİKSEL YÖNTEMLER Bölüm 3 Merkezi Konum (Eğilim) Ölçüleri Yrd. Doç. Dr. Safa KARAMAN 1 2 Giriş Veri kümesi Verileri betimlemenin ve özetlemenin bir diğer yolu da verilerin bir

Detaylı

EKONOMİK KATILIM VE FIRSATLARDA CİNSİYET EŞİTSİZLİĞİNİN SOSYOEKONOMİK VE KÜLTÜREL DEĞİŞKENLERLE İLİŞKİSİ. Aslı AŞIK YAVUZ

EKONOMİK KATILIM VE FIRSATLARDA CİNSİYET EŞİTSİZLİĞİNİN SOSYOEKONOMİK VE KÜLTÜREL DEĞİŞKENLERLE İLİŞKİSİ. Aslı AŞIK YAVUZ EKONOMİK KATILIM VE FIRSATLARDA CİNSİYET EŞİTSİZLİĞİNİN SOSYOEKONOMİK VE KÜLTÜREL DEĞİŞKENLERLE İLİŞKİSİ Aslı AŞIK YAVUZ 1 İçindekiler 1. Küresel Cinsiyet Eşitsizliği Endeksi 2. Çalışmanın Amacı 3. Çalışmada

Detaylı

Ekonometri 1 Ders Notları

Ekonometri 1 Ders Notları Ekonometri 1 Ders Notları A. TALHA YALTA TÜRKİYE BİLİMLER AKADEMİSİ AÇIK DERS MALZEMELERİ PROJESİ SÜRÜM 2.0 EKİM 2011 İçindekiler 1 İstatistiksel Kavramların Gözden Geçirilmesi 1 1.1 Anlamlı Basamaklar

Detaylı

H.Ü. Bilgi ve Belge Yönetimi Bölümü BBY 208 Sosyal Bilimlerde Araştırma Yöntemleri II (Bahar 2012) SPSS Ders Notları II (19 Nisan 2012)

H.Ü. Bilgi ve Belge Yönetimi Bölümü BBY 208 Sosyal Bilimlerde Araştırma Yöntemleri II (Bahar 2012) SPSS Ders Notları II (19 Nisan 2012) H.Ü. Bilgi ve Belge Yönetimi Bölümü BBY 208 Sosyal Bilimlerde Araştırma Yöntemleri II (Bahar 2012) SPSS Ders Notları II (19 Nisan 2012) Aşağıdaki analizlerde lise öğrencileri veri dosyası kullanılmıştır.

Detaylı

DOĞRUSAL ZAMAN SERİSİ MODELLERİ. Durağan ARIMA Modelleri: Otoregresiv Modeller AR(p) Süreci

DOĞRUSAL ZAMAN SERİSİ MODELLERİ. Durağan ARIMA Modelleri: Otoregresiv Modeller AR(p) Süreci DOĞRUSAL ZAMAN SERİSİ MODELLERİ Durağan ARIMA Modelleri: Otoregresiv Modeller AR(p) Süreci Tek Değişkenli Zaman Serisi Modelleri Ekonomik verilerin analizi ile ekonomik değişkenlerin gelecekte alabilecekleri

Detaylı

LOJİSTİK REGRESYON ANALİZİ

LOJİSTİK REGRESYON ANALİZİ LOJİSTİK REGRESYON ANALİZİ Lojistik Regresyon Analizini daha kolay izleyebilmek için bazı terimleri tanımlayalım: 1. Değişken (incelenen özellik): Bireyden bireye farklı değerler alabilen özellik, fenomen

Detaylı

27 Mart Ders Kitabı: Introductory Econometrics: A Modern Approach (4th ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi

27 Mart Ders Kitabı: Introductory Econometrics: A Modern Approach (4th ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi ZAMAN SERİLERİ VERİLERİYLE REGRESYON ANALİZİNDE EK KONULAR Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (4th ed.) J. Wooldridge

Detaylı

9. ARDIŞIK BAĞIMLILIK SORUNU (AUTOCORRELATION) 9.1. Ardışık Bağımlılık Sorunu Nedir?

9. ARDIŞIK BAĞIMLILIK SORUNU (AUTOCORRELATION) 9.1. Ardışık Bağımlılık Sorunu Nedir? 9. ARDIŞIK BAĞIMLILIK SORUNU (AUTOCORRELATION) 9.1. Ardışık Bağımlılık Sorunu Nedir? Ardışık bağımlılık sorunu, hata terimleri arasında ilişki olmadığı (E(u i,u j ) = 0, i j) varsayımının geçerli olmamasıdır.

Detaylı

Yapılan alan araştırması sonucunda aşağıdaki sonuçlar elde edilmiştir. ( ) ( ) ( ) ( )

Yapılan alan araştırması sonucunda aşağıdaki sonuçlar elde edilmiştir. ( ) ( ) ( ) ( ) İKİ DEĞİŞKENLİ OLASILIK Rassal bir deneme yapılmakta ve farklı iki olay ile ilgilenilmektedir. A 1, A 2,,A i olayları bağdaşmaz ve bütünü kapsayıcıdır. B 1, B 2,,B j olayları bağdaşmaz ve bütünü kapsayıcıdır.

Detaylı

Ch. 8: Değişen Varyans

Ch. 8: Değişen Varyans Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri II Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. ed., 2002, Thomson Learning. Ch. 8: Değişen Varyans

Detaylı

4. TAHMİN SONUÇLARININ DEĞERLENDİRİLMESİ Katsayıların Yorumu

4. TAHMİN SONUÇLARININ DEĞERLENDİRİLMESİ Katsayıların Yorumu 4. TAHMİN SONUÇLARININ DEĞERLENDİRİLMESİ 4.1. Katsayıların Yorumu Y i = β 0 + β 1 X 1i + β X i + + β k X ki + u i gibi çok açıklayıcı değişkene sahip bir modelde, anakütle regresyon fonksiyonu, E(Y i X

Detaylı

İSTATİSTİK-II. Korelasyon ve Regresyon

İSTATİSTİK-II. Korelasyon ve Regresyon İSTATİSTİK-II Korelasyon ve Regresyon 1 Korelasyon ve Regresyon Genel Bakış Korelasyon Regresyon Belirleme katsayısı Varyans analizi Kestirimler için aralık tahminlemesi 2 Genel Bakış İkili veriler aralarında

Detaylı

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. ed., 2002, Thomson Learning. Ch. 3: Çok Değişkenli Regresyon Analizi:

Detaylı

ISTATISTIK VE OLASILIK SINAVI EKİM 2016 WEB SORULARI

ISTATISTIK VE OLASILIK SINAVI EKİM 2016 WEB SORULARI SORU- 1 : ISTATISTIK VE OLASILIK SINAVI EKİM 2016 WEB SORULARI X ve Y birbirinden bağımsız iki rasgele değişken olmak üzere, sırasıyla aşağıdaki moment çıkaran fonksiyonlarına sahiptir: 2 2 M () t = e,

Detaylı

Ch. 3: Çok Değişkenli Regresyon Analizi: Tahmin

Ch. 3: Çok Değişkenli Regresyon Analizi: Tahmin Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. ed., 2002, Thomson Learning. Ch. 3: Çok Değişkenli Regresyon

Detaylı

Regresyon Modelinin Uzantılar

Regresyon Modelinin Uzantılar Bölüm m 6:İki Degişkenli Dogrusal Regresyon Modelinin Uzantılar ları İki degişkenli modellere paralel olarak Sıfır r noktasından ndan geçen en regresyonu yani β 1 yok iken... Ölçü birimleri sorunu ve Y

Detaylı

SÜREKLĠ OLASILIK DAĞILIMLARI

SÜREKLĠ OLASILIK DAĞILIMLARI SÜREKLĠ OLASILIK DAĞILIMLARI Sayı ekseni üzerindeki tüm noktalarda değer alabilen değişkenler, sürekli değişkenler olarak tanımlanmaktadır. Bu bölümde, sürekli değişkenlere uygun olasılık dağılımları üzerinde

Detaylı

ANADOLU ÜNİVERSİTESİ BEKLENEN DEĞER. X beklenen değeri B[X] ile gösterilir. B[X] = İST 213 OLASILIK DERSİ BEKLENEN DEĞER VE MOMENTLER

ANADOLU ÜNİVERSİTESİ BEKLENEN DEĞER. X beklenen değeri B[X] ile gösterilir. B[X] = İST 213 OLASILIK DERSİ BEKLENEN DEĞER VE MOMENTLER ANADOLU ÜNİVERSİTESİ İST 213 OLASILIK DERSİ BEKLENEN DEĞER VE MOMENTLER DOÇ. DR. NİHAL ERGİNEL 2015 X beklenen değeri B[X] ile gösterilir. B[X] = BEKLENEN DEĞER Belli bir malzeme taşınan kolilerin ağırlıkları

Detaylı

BÖLÜM 5 MERKEZİ EĞİLİM ÖLÇÜLERİ

BÖLÜM 5 MERKEZİ EĞİLİM ÖLÇÜLERİ 1 BÖLÜM 5 MERKEZİ EĞİLİM ÖLÇÜLERİ Gözlenen belli bir özelliği, bu özelliğe ilişkin ölçme sonuçlarını yani verileri kullanarak betimleme, istatistiksel işlemlerin bir boyutunu oluşturmaktadır. Temel sayma

Detaylı