Ch. 2: Basit Regresyon Modeli

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "Ch. 2: Basit Regresyon Modeli"

Transkript

1 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. 2: Basit Regresyon Modeli Doç. Dr. Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi, İktisat Bölümü, Yıldız Kampüsü H Blok, Oda no. 124, Beşiktaş, İstanbul. tastan@yildiz.edu.tr

2 CH.2 Basit Regresyon Modeli (tek açıklayıcı değişkenli model) Bu bir basit doğrusal regresyon (simple linear regression) modelidir. İki değişkenli model de denir (bivariate regression model) Amaç: bağımlı değişken y yi, bağımsız değişken x ile açıklamak. Regression teriminin orijini: Galton un ortalamaya dönüş (regress) yasası 2

3 Basit Regresyon Modeli: Terminoloji Değişkenlere birbirinin yerine kullanabilen çeşitli isimler verilmiştir: y Bağımlı Değişken (Dependent Variable) Açıklanan Değişken (Explained Variable) Tepki Değişkeni (Response Variable) Tahmin edilen Değişken (Predicted variable) Regressand x Bağımsız Değişken (Independent Variable) Açıklayıcı Değişken (Explanatory Variable) Kontrol Değişkeni (Control Variable) Tahmin eden değişken (Predictor Variable) Regressor 3

4 Hata terimi (error term, disturbance) : u u, hata terimi (error term, disturbance) adını alır. Bağımlı eğişken y üzerinde etkili olan x in dışındaki diğer faktörleri temsil eder. Bu diğer etkenler e gözlenemeyen (unobserved) faktörler deriz. 4

5 EĞİM (SLOPE ) KATSAYISI : β Eğer u nun temsil ettiği diğer faktörler sabit tutulursa, yani, u = 0 olursa, bu halde, x in y üzerindeki doğrusal etkisi şudur: Böylece, β 1, regresyonun eğim katsayısı (slope) olmaktadır. u nun temsil ettiği faktörler sabit iken ( ceteris paribus varsayımı), x deki bir birim değişmenin y de yaratacağı değişmeyi gösterir. Regresyonun sabit terimi (intercept) β o, x=0 iken y nin alacağı değeri gösterir ve ekonomik yorumu üzerinde pek durulmaz. 5

6 BASİT REGRESYON ÖRNEKLERİ Örnek 2.1 (s.24): Soya fasülyesi çıktısı (yield) ve gübre miktarı (fertilizer) modeli, Y=yield, x=fertilizer β 1 : diğer faktörler sabitken (ceteris paribus) gübrenin çıktı miktarı üzerindeki etkisi u: rassal hata terimi, soya fasülyesi çıktısını etkileyen, gübre dışındaki, yağmur miktarı, toprağın kalitesi gibi tüm faktörlerin ortak etkisi Holding all other factors fixed u=0 6

7 BASİT REGRESYON ÖRNEKLERİ Örnek 2.2 (s.24): Basit bir ücret denklemi (wage equation) wage: saat başına kazanılan ücret, ölçü birimi YTL ya da USD educ: eğitim düzeyi, ölçü birimi yıl. β 1 : ilgili diğer faktörler sabitken, bir yıllık fazladan eğitimin saat başına ücretlerde meydana getireceği değişim Diğer faktörler ne olabilir?: işgücü piyasasındaki tecrübe, doğuştan gelen yetenek, şu an çalışılan yerdeki kıdem, iş etiği, alınan eğitimin kalitesi, çalışanın cinsiyeti, etnik kökeni, kır ya da kente yaşaması, medeni hali, çocuk sayısı, dış görünüşü vs. gibi çok sayıda faktör ücretleri etkileyebilir. 7

8 DOĞRUSALLIK (LINEARİTY) Örnek (2.1) deki basit regresyonun doğrusal (linear) olması şu anlama gelmektedir: x deki 1 birimlik değişmenin y de meydana getireceği etki, x in başlangıç (initial) değeri ne olursa olsun, aynıdır (sabittir). Bu sabit etki varsayımı uygulamada çoğu zaman gerçeklere uymaz. Örneğin, ölçeğe göre artan ya da azalan getiri doğrusal modelle açıklanamaz. Ücret denkleminde, ilave bir yıl eğitimin etkisi önceki eğitim düzey(ler)ine göre daha fazla olacaktır. Bu etkilerin kolayca nasıl modelleneceğini daha sonra göreceğiz. 8

9 Ceteris paribus çıkarımlarının yapılabilmesi için gerekli varsayımlar: 1.Hata teriminin anakütle ortalamasının sıfır olması Basit regresyonda sabit terim (β o ) mevcut olduğu sürece,şu varsayımı yapabiliriz: Bu, u nun içerdiği gözlenemeyen (unobservables) etkiler in dağılımıyla ilgili bir varsayımdır. u ların bir kısmı +, bir kısmı işaretlidir ve bunlar birbirlerini götürürler diye varsayıyoruz. β o ı yeniden tanımlayarak (2.5) deki varsayımın gerçekleşmesini her zaman sağlayabiliriz. 9

10 2. Hata terimi u ile açıklayıcı değişken x in ilişkisiz olması koşulu x in y üzerindeki etkisini görebilmemiz için u da içerilen gözlenemeyen faktörlerin aynı-sabitkalmaları (ceteris paribus koşulu) gerekli idi. Bundan nasıl emin olabiliriz? Bunun için x ile u nun ilişkisiz olması gereklidir. Ancak, u hem x ile, hem de x in herhangi bir fonksiyonu (x 2, x vs.) ile ilişkisiz olmalı. Bunun için şu sıfır koşullu ortalama varsayımı (zero conditional mean assumption) gerekli: 10

11 Sıfır Koşullu Ortalama Varsayımı (Zero Conditional Mean Assumption) (2.6) da, u ve x tesadüfi değişkendir (random variables). Bu nedenle, x in verilen bir değeri için u nun koşullu dağılımını tanımlayabiliriz. x in verilen belli bir değerine anakütlenin (population) belli bir dilimi (kısmı) karşılık gelir. u nun bu populasyon dilimi içindeki beklenen değerini (ortalamasını) alabiliriz. Burada kritik varsayım, u nun ortalama değerinin x in alacağı değere bağlı olmamasıdır. İlk eşitlik şu demek: x in verilen herhangi bir değeri için gözlenemeyen faktörlerin ortalaması aynıdır ve dolayısıyla da u nun tüm anakütledeki ortalama değerine (sıfıra) eşittir. 11

12 Sıfır Koşullu Ortalama Varsayımı Örnek Ücret denklemini hatırlarsak: wage = β o + β 1 educ + u (2.4) bu regresyonda, u, kişilerin doğuştan yeteneğini (innate ability) -gözlenemez- temsil etsin, bunu abil ile gösterelim. (2.6) varsayımı, tüm eğitim seviyelerinde ortalama doğuştan yetenek in aynı olduğunu söyler: E(abil 8) = E(abil 12) =... = 0. Eğer eğitimle doğuştan yeteneğin ilişkili olduğunu düşünüyorsak (daha yetenekliler okulda da daha iyiler), bu halde varsayım sağlanamaz. Doğuştan yeteneği gözlemleyemediğimiz için de ortalama doğuştan yeteneğin tüm eğitim seviyelerinde aynı olup olmadığını bilemeyiz. 12

13 Sıfır Koşullu Ortalama Varsayımı Örnek Soya fasülyesi gübre deneyini hatırlayalım. Arazi eşit parçalara bölünüp rassal olarak herbirine farklı miktarlarda gübre uygulanıyordu. Eğer gübre miktarları bu toprak parçalarının özelliklerinden ilişkisiz olarak belirleniyorsa sıfır koşullu ortalama varsayımı sağlanır. Ancak, yüksek kaliteli toprak parçalarına yüksek miktarda gübre uygulanırsa hata teriminin beklenen değeri gübre miktarı ile birlikte artar. Bu durumda sıfır koşullu ortalama varsayımı sağlanamaz. 13

14 Populasyon (Anakütle) Regresyon Fonksiyonu (POPULATION REGRESSION FUNCTION-PRF) (2.1) in x e göre koşullu beklenen değerini alır ve (2.6) dan E(u x)=0 koyarsak, PRF nin, E(y x), x in doğrusal bir fonksiyonu olduğunu görürüz: Doğrusallığın anlamı, x deki bir birimlik değişmenin y nin koşullu beklenen değerinde β 1 kadar bir değişime yol açmasıdır. Figure 2.1 den görüldüğü gibi x in verilmiş bir seviyesinde y nin dağılımının merkezi E(y x) dir 14

15 Populasyon Regresyon Fonksiyonu, PRF 15

16 Bağımlı değişken y nin sistematik ve sistematik-olmayan kısımları (2.6) varsayımı (sıfır koşullu ortalama) geçerli iken, y = β o + β 1 x + u basit regresyonunda, bağımlı değişken y yi iki kısma ayırmak mümkün olacaktır : 1. β o + β 1 x : sistematik kısım (y nin x tarafından açıklanan kısmı) ve 2. u : sistematik-olmayan ya da x tarafından açıklanamayan kısmı. 16

17 SIRADAN EN KÜÇÜK KARELER TAHMİN EDİCİLERİ (THE ORDINARY LEAST SQUARES ESTIMATES) Herhangi bir anakütleden n hacimli bir rasgele örnek (random sample) çekelim: Örnek anakütleden çekildiği için, (2.1) deki regresyonu her bir i (gözlem değeri) için yazabiliriz : 17

18 EKK (OLS) TAHMİN EDİCİLERİ: ÖRNEK Rasgele seçtiğimiz 15 ailenin (n=15) belli bir yıldaki gelirlerini (x) ve tasarruflarını (y) gözlemlediğimizi düşünelim. Bu 15 gözlemin serpilme çizimi (scatterplot) ve hayali bir PRF çizgisi şöyle olsun : 18

19 β o ve β 1 in tahmini Yukarıda u nun ortalamasının sıfır olduğunu ve x ile ilişkisinin bulunmadığını varsaymıştık: E(u) = 0 (2.10) ve Cov(x, u) = E(xu) = 0 (2.11) Bu formüllerde u yerine, onun (2.1) den bulacağımız değerini, u = y -β o -β 1 x, kullanırsak : (2.12) ve (2.13) nolu denklemler, (x,y) nin kitledeki ortak olasılık dağılımı (joint probability distribution) üzerine iki kısıt (restrictions) koymaktadır. Bilinmeyen sayısı da 2 olduğu için tahmin yapabiliriz (İstatistik II de gördüğünüz Momentler Yöntemini hatırlayın). 19

20 Örneklem Moment Koşulları Yukarıda yazdığımız iki bilinmeyenli ikili populasyon moment koşulunun örneklem karşılıklarını aşağıdaki gibi yazabiliriz: Bu Momentler Yöntemi (Method of Moments) ne bir örnektir. Betaların üzerinde şapka olduğuna dikkat edin (tahmin edici). Örneğe ait veriyi kullanarak bu iki denklemi bilinmeyen ve için çözeriz. 20

21 Regresyon parametrelerinin tahmini: devam Toplama operatörünün (Σ) özelliklerinden (bkz. Appendix A) (2.14) ü şöyle yazabiliriz: burada ybar ve xbar örneklem ortalamalarıdır. (2.16) dan : bulunur. 21

22 Regresyon parametrelerinin tahmini: devam (2.15) i n ile çarptıktan sonra yerine (2.17) deki değerini koyarsak: Yeniden düzenlenirse bulunur. 22

23 Regresyon parametrelerinin tahmini: devam Toplama işlemcisinin özelliklerinden hareketle ve yazılabilir. Buradan eğim parametresinin tahmin edicisi olarak bulunur. 23

24 Regresyon parametrelerinin tahmini: devam (2.19), yani, x ve y arasındaki örnek kovaryansının x in örnek varyansına bölümüdür. Bu şuradan geldi : E (u) = 0 ve Cov(x,u) = 0 varsayımları altında,, x ve y arasındaki anakütle kovaryansının x in varyansına bölümüne eşittir. Demek ki, eğer örnekte x ve y pozitif yönde ilişkilerse, pozitif olacak, tersine, negatif yönde ilişkilerse negatif olacaktır. (2.18) deki koşul, x in örnekte hep aynı değeri almaması, yani, değişme göstermesi anlamına gelir. Örneğin, tüm örneğe giren kişiler 12 yıl okumuşsa (2.) deki wage regresyonunu tahmin edemeyiz. 24

25 En Küçük Kareler (Ordinary Least Squares -OLS-) y için modelce tahmin edilen değer (fitted value) Kalıntı terimi (residual): Hata terimi ile karıştırılmamalıdır. OLS yöntemi betaların tahmin edicilerini kalıntı kareleri toplamını en küçük yapacak şekilde bulur: 25

26 Tahmin edilen y değerleri ve Kalıntılar (Fitted values-residuals) 26

27 Minimizasyon problemi: OLS tahmin edicilerinin alternatif türetimi Bu fonksiyona diyelim. Birincil sıra koşullar dan hareketle denklem sistemi olur. Bu Momentler Yöntemi ile elde edilen denklem sisteminin -2n ile çarpılmış halidir. Dolayısıyla aynı MOM yöntemi ile aynı çözüme sahiptir. 27

28 Bu çözümde OLS objektif fonksiyonunun minimum olduğundan emin olabilir miyiz? Her hangi b 0 ve b 1 için amaç fonksiyonu şöyle yazılabilir: 28

29 Devam: Kalıntı kareleri toplamı b 0 ve b 1 e bağlı olmadığından bu eşitlikteki son üç terim şöyle yazılabilir: Bu ifade kareler toplamı olduğundan en fazla sıfır olabilir. Öyleyse bu ifade ancak ve sağlandığında en küçük değerine ulaşır. 29

30 POPULATION AND SAMPLE REGRESSION FUNCTIONS: PRF, SRF PRF : E(y x) = β Anakütle regresyon fonksiyonu sabittir (tektir) ve onu ölçemeyiz, yani bilinmezdir. Örneklem Regresyon Fonksiyonu (SRF) : β + x 0 1 yhat, y nin regresyondan tahmin edilen değerlerini ifade eder. Eğim ve x deki 1 birim değişmenin y de meydana getireceği değişme şunlara eşittir: 30

31 BASİT REGRESYON : ÖRNEK ABD firmasının CEO (Chief Executive Officer) larının maaşları (y) ile bu firmaların karlılıkları (x) arasındaki ilişkiyi araştırıyoruz (1990 yılı için). y : yıllık maaş, 000 $, n=209 (örnek hacmi) x : Firmanın son 3 yıla ait sermaye getiri oranı, % (return on equity=net income / common equity). Model: Tahmin (GRETL, ceosal1.gdt): 31

32 ÖRNEK 2.3 : Getiri oranında %1 puanlık artış ( roe=1) ortalama maaşlarda 18.5 bin dolarlık artış sağlayacak. 32

33 Tahmin edilen regresyondan ŷ ve û nın hesaplanması : 33

34 EKK (OLS) TAHMİN EDİCİLERİN CEBİRSEL ÖZELLİKLERİ (Algebric properties of OLS statistics) 1) EKK(OLS) artıklarının toplamı ve dolayısıyla da örnek ortalaması sıfıra eşittir: 2) Bağımsız değişkenle (x) EKK(OLS) artıklarının örnek kovaryansı sıfıra eşittir.(2.15) den: 3) ( x, y) noktası daima EKK(OLS) regresyon çizgisi üzerine düşer. 34

35 KARELER TOPLAMLARI (SUM OF SQUARES) Her bir i için, Toplam kareler toplamı (total sum of squares): TKT (SST) Açıklanan kareler toplamı (explained sum of squares: AKT (SSE) Kalıntı (artık) kareler toplamı(residual sum of squares):kkt (SSR) 35

36 KARELER TOPLAMLARI (SUM OF SQUARES) SST: bağımlı değişkenin örneklem içindeki değişkenliğini verir. var(y)=sst/(n-1) olduğuna dikkat edin. Benzer şekilde SSE, yhat deki, SSR, kalıntılardaki (uhat) değişkenliği verir. y deki toplam değişkenlik açıklanan ve açıklanamayan kısımlardaki değişkenliğin toplamına eşittir: İspat: kitap ss SST = SSE + SSR (2.36) 36

37 UYUMUN İYİLİĞİ (GOODNESS-OF-FIT) ÖLÇÜSÜ: R 2 (determinasyon katsayısı) (2.36) yı SST ye bölelim: 1=(SSE/SST) + (SSR/SST). Buradan, SSE hiçbir zaman SST den daha büyük olamayacağı için R 2 daima o ile 1 arasında değer alır. R 2, y deki değişmenin x tarafından açıklanan yüzdesini gösterir. Gözlemler regresyon çizgisi boyunca dar bir aralıkta uzanıyorsa, R 2, 1 e yakın çıkacak, gözlemlerin dağılımı bir yönden yoksun ise sıfıra yaklaşacaktır. u ilişki geçerlidir: 2 R = Corr ( y, yˆ ) i 37

38 DEĞİ KENLERİN ÖLÇÜ BİRİMLERİNİ DEĞİ TİRİRSEK NE OLUR? x in birimi aynı kalırken, eğer, y yi c sabiti ile çarparsak, intercept (sabit) ve slope (eğim) terimlerinin her ikisi de c sabitiyle çarpılır. CEO maaşları örneğinde y yi bin dolarla değil de, $ ile ifade edersek (c=1000) regresyon şöyle olur (yorum yine aynı olur): salary$ = 963, ,502 roe. y aynı kalırken, x i c sabitiyle çarparsak, bu halde, β o (hat) değişmezken, β 1 (hat), c ile bölünür. Örneğin, CEO regresyonunda x i %(percent) ile değil ondalık kesirle (decimal) ifade edersek (c=0.01 oldu): salary = roe. olur. Yani, β 1 (hat), 0.01 ile bölündü (100 ile çarpıldı). 38

39 BASİT REGRESYONA DOĞRUSAL-OLMAYAN (NONLINEAR) BİÇİM EKLEME Doğrusal (linear) biçim çoğu kez gerçeği yansıtmaz. Bu nedenle doğrusal-olmayan modellerle çalışmak gerekebilir. Bağımlı ve bağımsız değişkeni uygun biçimde tanımlayarak basit regresyonu (değişkenlerde) doğrusal-olmayan bir modele dönüştürebiliriz. Regresyon modeli hala parametrelerde doğrusaldır. Sıkça uygulanan bir yöntem, bağımlı değişkenin log (=ln)y şeklinde ifade edilmesidir. Bu derste sadece doğal log dönüştürmesi kullanılacaktır. 39

40 Log(Wage) = β o + β 1 educ + u (2.42) Bu model eğitime göre artan getiri verir. Eğer u = 0 ise % wage (100 β 1 ) educ 40

41 Logaritmik ücret modeli, GRETL: wage1.gdt Eğim katsayısını (β 1 hat =0.083) 100 ile çarparak yüzde (percentage) cinsinden yorumlayabiliriz: 100(0.083) = 8.3. Yani, ilave bir yıl eğitim ücreti %8.3 artırmaktadır. Buna ilave bir yıl eğitimin getirisi (return to another year of education) denir. İlave bir yıl eğitim log(wage) i %8.3 artırır yorumu yanlıştır. %8.3 artan log(wage) değil, wage dir. educ değişkeni log(wage) deki (wage deki değil) değişmenin %18.6 sını (R 2 ) izah etmektedir. 41

42 Sabit esneklik modeli x ve y nin ikisini de log olarak alırsak sabit esneklik modeli (constant elasticity model) ne (log-log modeli) ulaşırız log-log model: y=log(salary), x=log(sales) Burada, β 1, maaşın satışa göre esnekliğidir (the elasticity of salary with respect to sales). Yorum: Satışlarda %1 artış CEO maaşlarında %0.257 artışa yol açıyor. Yani, satışlarda %4 lük artış maaşlarda %1 lik artış yaratıyor. 42

43 LOGARİTMA KULLANILARAK OLU TURULMU FONKSİYONEL BİÇİMLER (FUNCTIONAL FORMS) 43

44 Parametrelerde ve değişkenlerde doğrusallık (linearity) Regresyonun doğrusal (linear) olup olmasını x ve y nin değil beta ların doğrusallığı belirler. x, y, vs. 1/ 4 Örneğin, 1/x, gibi değişkenleri gerekli dönüştürmeler yaparak kullanabiliriz. Regresyon yine doğrusaldır. Oysa, aşağıdaki regresyon parametreler bakımından doğrusal değildir, dolayısıyla da doğrusal bir regresyon değildir. 44

45 EKK(OLS) tahmin edicilerinin, βˆ, istatistiksel özellikleri ( βˆ, ) 0 1 Anakütleden çekilen farklı rasgele örneklerden bulacağımız OLS parametre tahmin değerlerinin dağılımları ne tür özellikler gösterecektir? OLS tahmin edicilerinin örnekleme dağılımlarının özellikleri nelerdir? İlk olarak sonlu örneklem özelliklerinden sapmasızlık ve etkinliklerini inceleyeceğiz. Hatırlarsak sapmasızlık örnekleme dağılımındaki ortalamanın bilinmeyen doğru değere eşit olduğunu söylüyordu. Etkinlik ise ilgili tahmin edicinin varyansının o tahmin ediciler kümesi içinde en küçük olduğu anlamına geliyordu. 45

46 OLS t.e.nin sapmasızlığı EKK (OLS) tahmin edicilerin sapmasız (unbiasedness) olabilmesi aşağıdaki 4 varsayıma bağlı: 1. Varsayım. SLR.1 : model parametreler bakımından doğrusaldır : y = β o + β 1 x +u (2.47) (y, x ve u nun üçü de tesadüfi değişkendir) 2. Varsayım SLR.2 : Elimizdeki veri (data) kitleden rasgele örneklemeyle (random sampling) çekilmiştir. 3. Varsayım SLR.3 : Sıfır koşullu ortalama (zero conditional mean) varsayımıdır, E (u x) = 0. Rasgele örnekleme için bu varsayım şunu da zorunlu kılar: 46

47 Sapmasızlık (unbiasedness) için varsayımlar 4. Varsayım SLR.4 : Bağımsız değişkenin örnek içindeki değerleri aynı değildir, değişme gösterir. x i, i=1,,n ler aynı sabite eşit değildirler. Bu varsayım, β 1 hat in (2.19) daki formülünde paydanın sıfır olmaması demektir. u koşulun sağlanmasını gerektirir : 47

48 ˆβ 1 Örnek parametresi in kitle parametreleri, β0veβ1 cinsinden ifadesi: Rasgele örnekleme durumunda (2.47) deki doğrusal PRF ı şöyle yazabiliriz : u eşitliği kullanarak (bkz.ek A), (2.19) u şöyle yazabiliriz: 48

49 (devam) (2.49) da y i yerine (2.48) deki değerini koyalım: (2.50) de payı şöyle yazabiliriz: 49

50 Ek A da gösterildiği gibi : (devam) Dolayısıyla, (2.51) şu hale gelir : Bunu (2.50) de yerine koyarsak: Burada dir. 50

51 β ˆ v e β 1 1 ilişkisi (2.52) den görüldüğü gibi, 1 ˆβ β1 = + u ların (errors) bir doğrusal bileşimi Örnek hata terimleri sıfırdan farklı olduğu sürece 1 ˆβ β 1 olacak. 51

52 Teorem 2.1: SEK (OLS) tahmin edicilerin sapmasızlığı (unbiasedness) OLS tahmin edicilerinin beklenen değerleri bilinmeyen kitle parametrelerine eşittir : İspat : (2.52) nin iki tarafının da beklenen değerlerini alalım. Beklenen değerler x in örnek değerlerine koşulludur (conditional), dolayısıyla, s x2, d i sadece x in fonksiyonları oldukları için sabit (nonrandom) varsayılacaklar. Diğer yandan, Varsayım SLR.2 ve SLR.3 gereği, her bir u i nin beklenen değeri sıfırdır. 52

53 (2.52) den : devam 53

54 Sapmasızlık üzerine notlar Sapmasızlık tekrarlanan örneklerden bulunan çok sayıdaki βˆ ve tahminlerine ait örnek 0 βˆ 1 dağılımlarının (sampling distributions) bir özelliğidir. Dolayısıyla, tek bir örnekten (ki çoğu kez böyledir) bulunan betalarla ilgili olarak hiçbir şey söylemez. Bilinmeyen kitle parametrelerinden çok uzak bir tahmin de elde edebiliriz. Yukarıda yaptığımız 4 varsayımdan biri veya bir kaçı sağlanamazsa sapmasızlık özelliği geçerli olmaz. Doğrusallığın ve rasgele örneklemenin olmaması, u ile x lerin ilişkili olması veya u nun içerdiği faktörlerin x ile ilişkili olmaları (ki, sahte spurious korelasyona sebep olur) durumlarında sapmalı tahmin ediciler elde edeceğiz. 54

55 OLS t.e.lerinin sapmasızlığı: Basit bir Monte Carlo deneyi Bağımlı değişken y için veri üretim sürecinin aşağıdaki gibi belirlendiğini düşünelim: y = x + 2*N(0,1) Burada doğru parametre değerlerinin β 0 =1 ve β 1 =0.5 olduğuna, ve hata teriminin u=2*n(0,1) olarak belirlendiğine dikkat edin. N(0,1) standart normal dağılıma uyan bir rassal değişkendir. Ayrıca açıklayıcı değişken x in değerlerinin sabit olduğunu ve x=10*unif(0,1) olarak belirlendiğini düşünelim. imdi bu populasyon modelinde parametre değerlerini bilmediğimizi ve OLS yöntemini kullanarak tahmin edeceğimizi düşünelim. GRETL programını kullanarak yukarıda belirtilen dağılımlardan rassal sayılar türetip çok sayıda örnekler elde edebilir ve her örnek için OLS yöntemini uygulayıp tahmin değerlerini bir dosya içinde kaydedebiliriz. Bu basit bir Monte Carlo deneyidir. Tahmin edicilerin, test istatistiklerinin örnekleme dağılımlarının elde edilmesinde sıklıkla kullanılır. 55

56 OLS t.e.lerinin sapmasızlığı: Basit bir Monte Carlo deneyi GRETL programında bu deney şöyle kodlanabilir (simpleolsmontecarlo.inp): nulldata 50 gözlem sayısı seed 123 sayı üretimi için seed genr x = 10 * uniform() açıklayıcı değişkeni türet # open a "progressive" loop, to be repeated 1000 times loop 1000 progressive döngüyü aç genr u = 2 * normal() hata terimini türet # construct the dependent variable genr y = * x + u populasyon reg modeline göre y yi türet # run OLS regression ols y const x OLS reg. kur # grab the coefficient estimates and R-squared genr a = $coeff(const) intercept terimini al genr b = $coeff(x) eğim parametresini al genr r2 = $rsq determinasyon katsayısını al # and save the coefficients to file store MC1coeffs.gdt a b a ve b yi kaydet Endloop döngüyü tekrarla ve sonlardır open MC1coeffs.gdt 56

57 OLS t.e.lerinin sapmasızlığı: Basit bir Monte Carlo deneyi simpleolsmontecarlo.inp dosyasını çalıştırırsak OLS tahmin edicilerinin örnekleme dağılımlarını elde ederiz. Bu dağılıma ulaşmak için MC1coeffs.gdt dosyasını açmamız gerekir. Özet istatistikler: 57

58 OLS t.e.lerinin sapmasızlığı: Basit bir Monte Carlo deneyi Sabit terimin örnekleme dağılımı 58

59 OLS t.e.lerinin sapmasızlığı: Basit bir Monte Carlo deneyi Eğim parametresinin örnekleme dağılımı: 59

60 EKK (OLS) tahmin edicilerinin varyansı 0 ˆβ βˆ 1 EKK tahmin edicilerin, ve sapmasızlığı için Varsayım SLR.1-SLR.4 yeterli idi. EKK tahmin edicilerin belli etkinlik (efficiency) özellikleri için ve ayrıca betaşapkaların varyanslarının daha basit şekilde formüle edilebilmesi için bir başka (5.ci) varsayım daha yapmalıyız : Varsayım SLR.5 : Sabitvaryans -homoscedasticity -varsayımı. Gözlenemeyen hata terimlerinin (u), x e koşullu (conditional) varyansı sabittir : 60

61 aynı zamanda u ların koşulsuz (unconditional) varyansıdır u ve x in bağımsız (independent) olduklarını varsaydık (ki, bu çok kuvvetli bir varsayımdır), x verilmişken u nun dağılımı x e bağlı olmayacaktı.dolayısıyla, E(u x) = E(u)=0 ve Var (u x) =σ 2 61

62 Varsayım SLR.3 ve Varsayım SLR.5, y nin koşullu (conditional) ortalama ve koşullu varyansı ile de ifade edilebilir x verilmişken y nin koşullu beklenen değeri x in doğrusal bir fonksiyonudur. Yine x veri iken y nin varyansı sabittir ve hata terimlerinin varyansına eşittir. 62

63 Sabit varyans (homoscedasticity) geçerli iken basit regresyon modeli 63

64 Var(u x), x e bağlı ise, x değiştikçe o da değişir. Buna, değişken-varyans (heteroscedasticity) denir Var (u x) = Var (y x) olduğu için, Var (y x), x in bir fonksiyonu ise değişken-varyans durumu vardır. 64

65 SLR.1-SLR5 varsayımları altında EKK (OLS) tahmin edicilerin örneklem varyansları SLR.1-SLR5 varsayımları altında Bu formüller değişken-varyans (heteoscedasticity) varsa geçersizdir. Betaların varyansları, u ların varyansı ile doğru orantılı, x deki toplam değişmeyle ters orantılı olarak değişmektedir. 65

66 (2.57) nin isbatı (2.52) de her iki tarafın varyansını alalım: 66

67 Hata terimleri (errors or disturbances) ile artıkların (residuals) farkı Hata terimleri (errors or disturbances)(u) ile artık terimler(residuals) (uhat) birbirine karıştırılmamalı. Hata terimleri kitle modelini gözlemlerle yazdığımız zaman söz konusudur. Artıklar ise örnek parametrelerinin olduğu denkleme aittir. Hata terimleri gözlenemez (unobservable) iken artıklar (kalıntılar) verilerden tahmin edilebilir. 67

68 u ve uhat ( ) ilişkisi (2.32) ve (2.48) i kullanarak artık terimleri hata terimlerinin bir fonksiyonu olarak yazabiliriz: û Örnek ve kitle parametreleri eşit olmadığı sürece u ile uhat farklı olacaktır. Ancak, (2.59) un her iki tarafının beklenen değerini alırsak, sapmasızlık özelliğinden dolayı, E( ) =, vs. 1 ˆβ β1 E(u) - E( )=0 buluruz. û 68

69 Hata terimleri varyansının tahmini Hata terimleri varyansının sapmasız tahmin edicisi Ancak, hata terimleri u(i) leri gözlemleyemediğimiz için bunu hesaplayamayız. Bu yüzden, varyansın tahminini EKK(OLS) artıklarından, uhat, elde edeceğiz : Bu tahmin sapmalıdır (biased), zira, EKK (OLS) artıklarının serbestlik derecesi n değil n-2 dir (birincil koşulları veren iki denklemden dolayı 2 S.D. i kaybediliyor). SD düzeltmesi yaparak sapmasız varyansı şöyle bulacağız: 69

70 Standart hatalar Varyansın karekökü regresyonun standart hatası (standart error of the regression, SER) adını alır. Tahminin standart hatası (standart error of the estimate) ya da hata kareleri ortalaması karekökü (root meansquared error) olarak da adlandırılır. (2.57) ve (2.58) de σ yerine ˆσ kullanarak betaların standart sapmalarını hesaplarız : 70

71 Orijinden geçen regresyon : Regresyon sabit terimine (intercept) sıfır kısıtı konulması Bazı durumlarda x=0 iken y=0 olsun isteriz. Örneğin, gelir sıfırken vergi tahsilatı da sıfır olacaktır. (2.64) deki SSR minimize edilecektir. Tilda ları sabit terimli durumla karıştırmamak için kullanıyoruz. 71

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. 2: Basit Regresyon Modeli Doç. Dr.

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

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. 2: Basit Regresyon Modeli Doç. Dr.

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

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

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

Ch. 5: SEKK (OLS) nin Asimptotik Özellikleri

Ch. 5: SEKK (OLS) nin Asimptotik Özellikleri 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. 5: SEKK (OLS) nin Asimptotik

Detaylı

Ekonometri I VARSAYIMLARI

Ekonometri I VARSAYIMLARI Ekonometri I ÇOK DEĞİŞKENLİ REGRESYON MODELİNİN VARSAYIMLARI Hüseyin Taştan Temmuz 23, 2006 İçindekiler 1 Varsayım MLR.1: Parametrelerde Doğrusallık 1 2 Varsayım MLR.2: Rassal Örnekleme 1 3 Varsayım MLR.3:

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

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

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

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

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

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

Appendix C: İstatistiksel Çıkarsama

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

Detaylı

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

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

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

Ch. 12: Zaman Serisi Regresyonlarında Ardışık Bağıntı (Serial Correlation) ve Değişen Varyans

Ch. 12: Zaman Serisi Regresyonlarında Ardışık Bağıntı (Serial Correlation) ve 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. 12: Zaman Serisi Regresyonlarında

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

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

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

Çok Değişkenli Regresyon Analizi (Multiple Regression Analysis) Çoklu Regresyon Modeli Örnekler. Sınav başarı notu ve aile geliri

Çok Değişkenli Regresyon Analizi (Multiple Regression Analysis) Çoklu Regresyon Modeli Örnekler. Sınav başarı notu ve aile geliri 1 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 2

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

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

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

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

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

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

Regresyon. Regresyon korelasyon ile yakından ilişkilidir

Regresyon. Regresyon korelasyon ile yakından ilişkilidir Regresyon Regresyona Giriş Regresyon korelasyon ile yakından ilişkilidir Regresyon bir bağımlı değişken ile (DV) bir veya daha fazla bağımsız değişken arasındaki doğrusal ilişkiyi inceler. DV için başka

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

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

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

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

ARALIK TAHMİNİ (INTERVAL ESTIMATION):

ARALIK TAHMİNİ (INTERVAL ESTIMATION): YTÜ-İktisat İstatistik II Aralık Tahmini I 1 ARALIK TAHMİNİ INTERVAL ESTIMATION): Nokta tahmininde ilgilenilen anakütle parametresine ilişkin örneklem bilgisinden hareketle tek bir sayı üretilir. Bir nokta

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 Ch. 1: Giriş, Temel Tanımlar ve Kavramlar

Detaylı

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.

Detaylı

ÖRNEKLEME DAĞILIŞLARI VE TAHMİNLEYİCİLERİN ÖZELLİKLERİ

ÖRNEKLEME DAĞILIŞLARI VE TAHMİNLEYİCİLERİN ÖZELLİKLERİ ÖRNEKLEME DAĞILIŞLARI VE TAHMİNLEYİCİLERİN ÖZELLİKLERİ TEMEL KAVRAMLAR PARAMETRE: Populasyonun sayısal açıklayıcı bir ölçüsüdür ve anakütledeki tüm elemanlar dikkate alınarak hesaplanabilir. Ana kütledeki

Detaylı

İçindekiler. Ön Söz... xiii

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

Detaylı

CHAPTER 6 SIMPLE LINEAR REGRESSION

CHAPTER 6 SIMPLE LINEAR REGRESSION CHAPTER 6 SIMPLE LINEAR REGRESSION Bu bölümdeki amacımız değişkenler arasındaki ilişkiyi gösteren en uygun eşitliği kurmaktır. Konuya giriş için şu örnekle başlayalım; Diyelim ki Mr. Bump adındaki birisi

Detaylı

Model Spesifikasyonu ve Veri Sorunları. MODEL KURMA HATALARI ve VERİ SORUNLARI

Model Spesifikasyonu ve Veri Sorunları. MODEL KURMA HATALARI ve VERİ SORUNLARI 1 2 Model Spesifikasyonu ve Veri Sorunları MODEL KURMA HATALARI ve VERİ SORUNLARI Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach

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

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

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

Örneklemden elde edilen parametreler üzerinden kitle parametreleri tahmin edilmek istenmektedir.

Örneklemden elde edilen parametreler üzerinden kitle parametreleri tahmin edilmek istenmektedir. ÇIKARSAMALI İSTATİSTİKLER Çıkarsamalı istatistikler, örneklemden elde edilen değerler üzerinde kitleyi tanımlamak için uygulanan istatistiksel yöntemlerdir. Çıkarsamalı istatistikler; Tahmin Hipotez Testleri

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

SEK Tahmincilerinin Türetilmesi. SEK Tahmincilerinin Türetilmesi. Ekonometri 1 Konu 8 Sürüm 2,0 (Ekim 2011)

SEK Tahmincilerinin Türetilmesi. SEK Tahmincilerinin Türetilmesi. Ekonometri 1 Konu 8 Sürüm 2,0 (Ekim 2011) İki Değişkenli Bağlanım Modeli SEK Tahmincilerinin Türetilmesi Ekonometri 1 Konu 8 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial ShareAlike 3.0

Detaylı

QUANTILE REGRESYON * Quantile Regression

QUANTILE REGRESYON * Quantile Regression QUANTILE REGRESYON * Quantile Regression Fikriye KURTOĞLU İstatistik Anabilim Dalı Olcay ARSLAN İstatistik Anabilim Dalı ÖZET Bu çalışmada, Lineer Regresyon analizinde kullanılan en küçük kareler yöntemine

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

İSTATİSTİKSEL DARALTICI (SHRINKAGE) MODEL VE UYGULAMALARI * A Statistical Shrinkage Model And Its Applications*

İSTATİSTİKSEL DARALTICI (SHRINKAGE) MODEL VE UYGULAMALARI * A Statistical Shrinkage Model And Its Applications* Ç.Ü. Fen Bilimleri Enstitüsü Yıl:010 Cilt:-1 İSTATİSTİKSEL DARALTICI (SHRINKAGE) MODEL VE UYGULAMALARI * A Statistical Shrinkage Model And Its Applications* Işıl FİDANOĞLU İstatistik Anabilim Dalı Fikri

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

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

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

Öğr. Elemanı: Dr. Mustafa Cumhur AKBULUT

Öğr. Elemanı: Dr. Mustafa Cumhur AKBULUT Ünite 10: Regresyon Analizi Öğr. Elemanı: Dr. Mustafa Cumhur AKBULUT 10.Ünite Regresyon Analizi 2 Ünitede Ele Alınan Konular 10. Regresyon Analizi 10.1. Basit Doğrusal regresyon 10.2. Regresyon denklemi

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

ÇOKLU REGRESYON MODELİ. Bir bağımlı değişkene etki eden çok sayıda bağımsız değişkeni analize dahil ederek çoklu regresyon modeli uygulanabilir.

ÇOKLU REGRESYON MODELİ. Bir bağımlı değişkene etki eden çok sayıda bağımsız değişkeni analize dahil ederek çoklu regresyon modeli uygulanabilir. ÇOKLU REGRESYON MODELİ Bir bağımlı değişkene etki eden çok sayıda bağımsız değişkeni analize dahil ederek çoklu regresyon modeli uygulanabilir. Y=b 1 + b X + b X + u Y=b 1 + b X + b X +...+ b k X k + u

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

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.

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

İstatistik ve Olasılık

İstatistik ve Olasılık İstatistik ve Olasılık -II Prof. Dr. İrfan KAYMAZ İki Ortalama Farkının Güven Aralığı Anakütle Varyansı Biliniyorsa İki ortalama arasındaki farkın dağılımına ilişkin Z değişkeni: Güven aralığı ifadesinde

Detaylı

Ekonometri II

Ekonometri II 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

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.

Detaylı

4.2 Sayfa 159. Uygulama II Sayfa Sayfa 161

4.2 Sayfa 159. Uygulama II Sayfa Sayfa 161 1 2 4.2 Sayfa 159 Uygulama II 1 Selçuk Gül Yildiz Teknik Üniversitesi sgul@yildiz.edu.tr Asagidakilerden hangisi/hangileri, OLS t istatistiklerinin geçersiz olmasina (bos hipotez altinda t dagilimina sahip

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

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

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. 4: Çok Değişkenli Regresyon Analizi:

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

Z = S n E(S n ) V ar(sn ) = S n nµ. S nn. n 1/2 n σ

Z = S n E(S n ) V ar(sn ) = S n nµ. S nn. n 1/2 n σ YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 1 MERKEZİ LİMİT TEOREMİ CENTRAL LIMIT THEOREM X 1,X 2,...,X n herbirinin ortalaması µ ve varyansı σ 2 olan ve aynı dağılıma uyan n tane bağımsız r.d. olsun.

Detaylı

Örneklem Dağılımları & Hipotez Testleri Örneklem Dağılımı

Örneklem Dağılımları & Hipotez Testleri Örneklem Dağılımı Örneklem Dağılımları & Hipotez Testleri Örneklem Dağılımı Ortalama veya korelasyon gibi istatistiklerin dağılımıdır Çıkarımsal istatistikte örneklem dağılımı temel fikirlerden biridir. Çıkarımsal istatistik

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

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

14 Ekim Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi GİRİŞ 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: Giriş - H. Taştan 1 Ekonometri

Detaylı

H 0 : θ = θ 0 Bu sıfır hipotezi şunu ifade eder: Anakütle parametresi θ belirli bir θ 0

H 0 : θ = θ 0 Bu sıfır hipotezi şunu ifade eder: Anakütle parametresi θ belirli bir θ 0 YTÜ-İktisat İstatistik II Hipotez Testi 1 HİPOTEZ TESTİ: AMAÇ: Örneklem bilgisinden hareketle anakütleye ilişkin olarak kurulan bir hipotezin (önsavın) geçerliliğinin test edilmesi Genel notasyon: anakütleye

Detaylı

Çıkarsama, Tahmin, Hipotez Testi

Çıkarsama, Tahmin, Hipotez Testi İSTATİSTİK II: Çıkarsama, Tahmin, Hipotez Testi Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü 23 Eylül 2012 Ekonometri: İstatistiksel Çıkarsama - H. Taştan 1 İstatistik Biliminin Uğraşı

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

Ekonometri Nedir? Ekonometrinin Uğraşı Alanları. Ekonometrinin Bileşenleri

Ekonometri Nedir? Ekonometrinin Uğraşı Alanları. Ekonometrinin Bileşenleri 1 GİRİŞ Hüseyin Taştan 1 2 Ekonometri Nedir? Ekonometri kelime anlamıyla ekonomik ölçme demektir. Ancak, ekonometrinin ugraşı alanı çok daha geniştir. Ekonometri, ekonomik olayların ekonomik teori, matematik

Detaylı

Copyright 2004 Pearson Education, Inc. Slide 1

Copyright 2004 Pearson Education, Inc. Slide 1 Slide 1 Bölüm 2 Verileri Betimleme, Keşfetme, ve Karşılaştırma 2-1 Genel Bakış 2-2 Sıklık Dağılımları 2-3 Verilerin Görselleştirilmesi 2-4 Merkezi Eğilim Ölçüleri 2-5 Değişimin Ölçülmesi 2-6 Nispi Sabitlerin

Detaylı

13. Olasılık Dağılımlar

13. Olasılık Dağılımlar 13. Olasılık Dağılımlar Mühendislik alanında karşılaşılan fiziksel yada fiziksel olmayan rasgele değişken büyüklüklerin olasılık dağılımları için model alınabilecek çok sayıda sürekli ve kesikli fonksiyon

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

19. BÖLÜM BİRBİRİYLE İLİŞKİLİ OLAN İKİ DEĞİŞKENDEN BİRİSİNDEKİ DEĞİŞİME GÖRE DİĞERİNİN ALACAĞI DEĞERİ YORDAMA (KESTİRME) UYGULAMA-I

19. BÖLÜM BİRBİRİYLE İLİŞKİLİ OLAN İKİ DEĞİŞKENDEN BİRİSİNDEKİ DEĞİŞİME GÖRE DİĞERİNİN ALACAĞI DEĞERİ YORDAMA (KESTİRME) UYGULAMA-I 19. BÖLÜM BİRBİRİYLE İLİŞKİLİ OLAN İKİ DEĞİŞKENDEN BİRİSİNDEKİ DEĞİŞİME GÖRE DİĞERİNİN ALACAĞI DEĞERİ YORDAMA (KESTİRME) UYGULAMA-I Bir dil dershanesinde öğrenciler talep ettikleri takdirde, öğretmenleriyle

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

İki Değişkenli Bağlanım Çıkarsama Sorunu

İki Değişkenli Bağlanım Çıkarsama Sorunu İki Değişkenli Bağlanım Çıkarsama Sorunu Aralık Tahmini Ekonometri 1 Konu 15 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial ShareAlike 3.0 Unported

Detaylı

Yatırım Analizi ve Portföy Yönetimi 6. Hafta

Yatırım Analizi ve Portföy Yönetimi 6. Hafta Yatırım Analizi ve Portföy Yönetimi 6. Hafta Dr. Mevlüt CAMGÖZ 1 Dr. Mevlüt CAMGÖZ İçerik Karakteristik Doğru ve Beta Katsayısı Karakteristik Doğrunun Tahmini Beta Katsayısının Hesaplanması Agresif ve

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

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

İSTATİSTİK MHN3120 Malzeme Mühendisliği

İSTATİSTİK MHN3120 Malzeme Mühendisliği İSTATİSTİK MHN3120 Malzeme Mühendisliği CBÜ - Malzeme Mühendisliği Bölümü Ofis: Mühendislik Fakültesi A Blok Ofis no:311 Tel: 0 236 2012404 E-posta :emre.yalamac@cbu.edu.tr YARDIMCI KAYNAKLAR Mühendiler

Detaylı

BKİ farkı Standart Sapması (kg/m 2 ) A B BKİ farkı Ortalaması (kg/m 2 )

BKİ farkı Standart Sapması (kg/m 2 ) A B BKİ farkı Ortalaması (kg/m 2 ) 4. SUNUM 1 Gözlem ya da deneme sonucu elde edilmiş sonuçların, rastlantıya bağlı olup olmadığının incelenmesinde kullanılan istatistiksel yöntemlere HİPOTEZ TESTLERİ denir. Sonuçların rastlantıya bağlı

Detaylı

KUKLA DEĞİŞKENLİ MODELLERDE KANTİTATİF DEĞİŞKEN SAYISININ İKİ SINIF İÇİN FARKLI OLMASI DURUMU

KUKLA DEĞİŞKENLİ MODELLERDE KANTİTATİF DEĞİŞKEN SAYISININ İKİ SINIF İÇİN FARKLI OLMASI DURUMU KUKLA DEĞİŞKENLİ MODELLERDE KANTİTATİF DEĞİŞKEN SAYISININ İKİ SINIF İÇİN FARKLI OLMASI DURUMU.HAL: Sabit Terimlerin Farklı Eğimlerin Eşit olması Yi = b+ b2di + b3xi + ui E(Y Di =,X i) = b + b3xi E(Y Di

Detaylı

Ders 9: Kitle Ortalaması ve Varyansı için Tahmin

Ders 9: Kitle Ortalaması ve Varyansı için Tahmin Ders 9: Kitle Ortalaması ve Varyansı için Tahmin Kitle ve Örneklem Örneklem Dağılımı Nokta Tahmini Tahmin Edicilerin Özellikleri Kitle ortalaması için Aralık Tahmini Kitle Standart Sapması için Aralık

Detaylı

İstatistik ve Olasılık

İstatistik ve Olasılık İstatistik ve Olasılık Ders 8: Prof. Dr. İrfan KAYMAZ Tanım Tahmin (kestirim veya öngörü): Mevcut bilgi ve deneylere dayanarak olayın bütünü hakkında bir yargıya varmaktır. Bu anlamda, anakütleden çekilen

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

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

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

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.

Detaylı

A. Regresyon Katsayılarında Yapısal Kırılma Testleri

A. Regresyon Katsayılarında Yapısal Kırılma Testleri A. Regresyon Katsayılarında Yapısal Kırılma Testleri Durum I: Kırılma Tarihinin Bilinmesi Durumu Kırılmanın bilinen bir tarihte örneğin tarihinde olduğunu önceden bilinmesi durumunda uygulanır. Örneğin,

Detaylı

Prof. Dr. Aydın Yüksel MAN 504T Yön. için Finansal Analiz & Araçları Ders: Risk-Getiri İlişkisi ve Portföy Yönetimi I

Prof. Dr. Aydın Yüksel MAN 504T Yön. için Finansal Analiz & Araçları Ders: Risk-Getiri İlişkisi ve Portföy Yönetimi I Risk-Getiri İlişkisi ve Portföy Yönetimi I 1 Giriş İşlenecek ana başlıkları sıralarsak: Finansal varlıkların risk ve getirisi Varlık portföylerinin getirisi ve riski 2 Risk ve Getiri Yatırım kararlarının

Detaylı

İngilizce regression teriminin sözcük anlamı, istatistikteki sıradanlığa doğru çekilme (regression toward mediocrity) olgusundan gelmektedir.

İngilizce regression teriminin sözcük anlamı, istatistikteki sıradanlığa doğru çekilme (regression toward mediocrity) olgusundan gelmektedir. Bölüm 3 Bağlanım Çözümlemesi 3.1 Temel Kavramlar 3.1.1 Bağlanım Teriminin Anlamı Bağlanım Teriminin Anlamı İngilizce regression teriminin sözcük anlamı, istatistikteki sıradanlığa doğru çekilme (regression

Detaylı

TABLO I: Bağımlı değişken; Tüketim,- bağımsız değişkenler; gelir ve fiyat olmak üzere değişkenlere ait veriler verilmiştir.

TABLO I: Bağımlı değişken; Tüketim,- bağımsız değişkenler; gelir ve fiyat olmak üzere değişkenlere ait veriler verilmiştir. EKONOMETRİ II Uygulama - Otokorelasyon TABLO I: Bağımlı değişken; Tüketim,- bağımsız değişkenler; gelir ve fiyat olmak üzere Tuketim 58 Gelir 3959 Fiyat 312 değişkenlere ait veriler verilmiştir. 56 3858

Detaylı

OLS Klasik Varsayımlar. Çoklu Regresyon. Çoklu Regresyon Modellemesi. Çoklu Regresyon Modeli. Multiple Regression

OLS Klasik Varsayımlar. Çoklu Regresyon. Çoklu Regresyon Modellemesi. Çoklu Regresyon Modeli. Multiple Regression OLS Klasik Varsayımlar Çoklu Regresyon Multiple Regression. Lineer regresyon modeli. E(e i )=, ortalama hata sıfırdır. E(X i e i )=, bağımsız değişkenlerle hatalar arasında korelasyon mevcut değildir 4.

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

Olasılık ve Normal Dağılım

Olasılık ve Normal Dağılım Olasılık ve Normal Dağılım P = 0 İmkansız P =.5 Yarı yarıya P = 1 Kesin Yazı-Tura 1.5 2 1.5 2.5.5.25 Para atışı 10 kere tekrarlandığında Yazı Sayısı f % 0 3 30 1 6 60 2 1 10 Toplam 10 100 Atış 1000 kere

Detaylı

KUKLA DEĞİŞKENLİ MODELLER. Kukla değişkenlerin diğer kantitatif değişkenlerle alındığı modeller (Kovaryans Analizi Modeller)

KUKLA DEĞİŞKENLİ MODELLER. Kukla değişkenlerin diğer kantitatif değişkenlerle alındığı modeller (Kovaryans Analizi Modeller) KUKLA DEĞİŞKENLİ MODELLER Bir kukla değişkenli modeller (Varyans Analiz Modelleri) Kukla değişkenlerin diğer kantitatif değişkenlerle alındığı modeller (Kovaryans Analizi Modeller) Kukla değişkenlerin

Detaylı