BAĞIMLI KUKLA DEĞİŞKENLİ MODELLER A- KADININ İŞGÜCÜNE KATILIM MODELİ NİN DOM İLE E-VIEWS DA ÇÖZÜMÜ

Transkript

1 BAĞIMLI KUKLA DEĞİŞKENLİ MODELLER A- KADININ İŞGÜCÜNE KATILIM MODELİ NİN DOM İLE E-VIEWS DA ÇÖZÜMÜ Modeldeki değişken tanımları aşağıdaki gibidir: IS= 1 i.kadının bir işi varsa (ya da iş arıyorsa) 0 Diğer Durumlarda MEDENI= 1 i. Kadın evliyse 0 diğer durumlarda EGITIM = i.kadının yıl olarak aldığı eğitim 1- Önce programa veri girişi sağlanır birey için Workfile Create penceresinden Workfile Structure Type için Unstructered/Undated seçilir. Yanındaki Data Range kısmı için ise 30 bireyin veri girişi için 30 yazılır. 1

2 3- Aşağıdaki pencere elde edilir: 4- Veri girişi Quick menüsünden Empty Group(Edit Series) seçilerek sağlanır. 5- Çıkan Group:Untitled penceresinde kaydırma çubukları en yukarı ve en sola kaydırılarak sırasıyla veri girişi aşağıdaki gibi oluşturulur: 2

3 6- Verileri kaydetmek için verilerin girişi yapılan pencereden Name menüsü tıklanır. Gelen Object Name penceresine isgucu yazılır ve ok e basılır. 7- Verilerin girişi yapılan pencere kapatılır. ardından modeli oluşturmak için QuıcK menüsünden Estımate Equation seçilir. 8- Elde edilen Equation Estimation penceresinde Equation Specification kısmına aşağıdaki gibi önce bağımlı değişken IS ardından sabit terimi ifade eden C ve bağımsız değişkenler MEDENI EGITIM sırasıyla yazılır. Tamam a basılır. 3

4 9- Model aşağıdaki gibi elde edilir. 10- Modelde hata teriminde değişen varyansın olup olmadığını görebilmek için model penceresinden View menüsü, buradan Residual Diagnostics ve Hetereskedasticity Tests seçilir. 11- Heteroskedasticity Tests penceresinde Specification kısmında White seçilir. 4

5 12- Aşağıda White Testi sonucu Obs*R-Squred (n*r 2 ) değeri ve karşılık gelen önem düzeyi değeri 0.05 den büyüktür. H 0 : Hata teriminde eşit varyans vardır varsayımı red edilemez. 13- Modelde eğer hata terimlerinde değişen varyans problemi ile karşılaşılsaydı modelin her iki tarafı değerine bölünecekti. Eğer böyle bir durum olsaydı modelden, önce bağımlı değişkenin tahmini değerlerini aşağıdaki şekilde elde etmemiz gerekecekti. Model penceresinden Proc menüsünden Forecast seçilir. Böylece bağımlı değişkenin tahmini değerleri elde edilir ( ). 14. Aşağıda elde edilen pencerede uygun olan seçimler işaretlenir. 5

6 15. Modelin Workfile kısmına bağımlı değişkenin tahmini değerlerini isf yeni bir değişken olarak eklenir. 16. Bağımlı değişkenin tahmini değerlerinin 0 ve 1 arasında olması istenildiğinden, 0 dan küçük negatif değerler için 0.001; 1 den büyük değerleri için değerleri yazılarak düzeltilir. isf değişkeni yukarıdaki Workfile penceresinden tıklanır. Aşağıdaki gibi bir çıktı elde edilir. Gerekli düzeltmeleri yapmak için bu pencereden Edit + - düğmesi tıklanır. 6

7 17. Gerekli düzeltmelerin yapıldığı isf aşağıdaki gibi olur. Düzeltmeler yapıldıktan sonra tekrar Edit + - düğmesi tıklanır ve bu pencereden çıkılır. 18. Modelde yi elde etmek için komut satırına: genr kvi=sqr(isf*(1-isf)) yazılır. Enter e basılır ve aşağıdaki ekran görüntüsü elde edilir. 7

8 19. Bu aşamada modelin her iki tarafı kvi ( ) değerine bölünebilir. Böylece komut satırına ls is/kvi 1/kvi medeni/kvi egitim/kvi yazılır ve aşağıdaki model çıktısı elde edilir: 8

9 B- KADININ İŞGÜCÜNE KATILIM MODELİ NİN LOGIT-EYO İLE E-VIEWS DA ÇÖZÜMÜ: 1. Aynı modelin EYO ile LOGIT çözümü aşağıdadır. Equation Estimation penceresinde bağımlı değişken, sabit terim ve bağımsız değişkenler yazılır. Method kısmındaki sağdaki ok tıklanır ve açılan listeden BINARY Binary Choice (Logit, Probit, Extreme Value) seçilir. 2. Aşağıdaki ekran çıktısı elde edilir. Bu pencerede Binary estimation method tercihinden Logit seçilir. 9

10 3- Aşağıdaki model bulunur: 4. Logit modelde katsayılar doğrudan, bağımsız değişkenlerdeki bir değişimin bağımlı değişkenin beklenen değeri üzerindeki etkisi olarak yorumlanamamaktadır. Katsayının işareti bağımsız değişken ile olayın gerçekleşme olasılığı arasındaki ilişkinin yönünü gösterir. Modelimizdeki bağımsız değişkenlerin tümü olayın gerçekleşme olasılığı(kadının çalışması-işgücüne katılmasıolasılığı) ile ters yönlü bir ilişki içerisindedir. Bu modeli yorumlayabilmek için önce MEDENI ve EGITIM değişkeni değerlerinin ortalama değerleri bulunur: 10

11 5. Logit modelde katsayı yorumlarının yapılabilmesi için bağımsız değişkenlerin ortalamaları değerlendirmeye katılarak aşağıda marjinal etkiler hesaplanmıştır: IS = MEDENI EGITIM IS= ( * 0.56) + ( * 11.83)= Z= e -Z = e = f(z) = = Bu durumda, ortalamalar dikkate alındığında elde edilen marjinal etkileri ve yorumları ise : f(z) i = 0.212*( ) = : Evli olan kadınların evli olmayan kadınlara göre çalışma (iş gücüne katılma) olasılığı % 54,82 azdır. f(z) i = 0.212*( ) = : Kadının eğitim seviyesi yükseldikçe çalışma (iş gücüne katılma) olasılığı % artar. Modelde tahmin edilen değerlerin tümü incelendiğinde 0-1 aralığı içinde yer aldığı ve doğrusal olasılık modelindeki sorunun logit model sayesinde ortadan kalktığı görülmektedir. 11

12 B- KADININ İŞGÜCÜNE KATILIM MODELİ NİN PROBI-EYO İLE E-VIEWS DA ÇÖZÜMÜ: 1. Aynı modelin EYO ile PROBIT çözümü aşağıdadır. Equation Estimation penceresinde bağımlı değişken, sabit terim ve bağımsız değişkenler yazılır. Method kısmındaki sağdaki ok tıklanır ve açılan listeden BINARY Binary Choice (Logit, Probit, Extreme Value) seçilir. 2. Aşağıdaki ekran çıktısı elde edilir. Bu pencerede Binary estimation method tercihinden Probit seçilir. 12

13 3- Probit modeli fayda teorisine ve rasyonel seçim yaklaşımına dayanmaktadır. Rasyonel seçim yaklaşımına göre bireyler karşılaştıkları seçenekler arasından kendileri için en çok fayda sağlayacak olanı seçerler. Probit model parametrelerin doğrusal olmayan bir fonksiyonudur. Model normal birikimli dağılım fonksiyonunu kullanmaktadır. En yüksek olabilirlik yöntemi kullanılarak parametre tahminleri yapılmış ve 5 iterasyon sonucunda parametrelerin en yüksek olabilirlik tahmin edicileri bulunmuştur. Elde edilen model çıktısı aşağıdaki gibidir: Logit modeldeki gibi probit modelin katsayılarını yorumlamak için; bağımsız değişkenlerin ortalamaları değerlendirmeye katılarak marjinal etkiler kullanılmıştır. IS = MEDENI EGITIM IS= ( * 0.56) + ( * 11.83)= Z= değeri fonksiyonda yerine konulduğunda f ( Z) bulunur. Bu durumda, ortalamalar dikkate alındığında elde edilen marjinal etkileri ve yorumları ise aşağıdadır : 1 e Z 2 13

14 f(z) i = *( ) = : Evli olan kadınların evli olmayan kadınlara göre çalışma (iş gücüne katılma) olasılığı % azdır. f(z) i = *( ) = : Kadının eğitim seviyesi yükseldikçe çalışma (iş gücüne katılma) olasılığı % artar. Modelde tahmin edilen değerlerin tümü incelendiğinde 0-1 aralığı içinde yer aldığı ve doğrusal olasılık modelindeki sorunun probit model sayesinde ortadan kalktığı görülmektedir. D- SONUÇ Aşağıda elde edilen 3 modele ait katsayılar ve marjinal etkiler tablo halinde verilmiştir: MEDENI (MARJİNAL ETKİ) EGITIM (MARJİNAL ETKİ) DOM LOGIT PROBIT ( ) ( ) (0.1463) (0.1429) Logit modelin katsayıları ile probit modelin katsayıları aynı olmasa bile marjinal etkilerden elde edilen değerlerin birbirine yakın olduğu söylenebilir. 14