KONULAR. 14 Ekim Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi
|
|
- Dilara Ateş
- 8 yıl önce
- İzleme sayısı:
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
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:
Detaylı14 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
Detaylı17 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
DetaylıCh. 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
DetaylıSIRADAN 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
Detaylı14 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
DetaylıOLS 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
DetaylıİÇİNDEKİLER. 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
DetaylıEkonometri 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:
DetaylıYTÜ 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
DetaylıYTÜ 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
DetaylıCh. 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
DetaylıBASİT 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
DetaylıMatris 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
Detaylı4.2 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
Detaylı3. 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
DetaylıDeğişen 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
DetaylıÇOKLU 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
DetaylıYTÜ 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
DetaylıYTÜ 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
DetaylıAppendix 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
DetaylıÇok 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
DetaylıÇok 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
DetaylıTemel 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
DetaylıKorelasyon, 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.
DetaylıMODEL 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
Detaylı3 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
DetaylıTanımlayıcı 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,
Detaylı2. 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
DetaylıBÖLÜM 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
DetaylıÖrnek. 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
Detaylı13. 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
DetaylıMühendislikte 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
DetaylıKoşullu Öngörümleme. Bu nedenle koşullu öngörümleme gerçekleştirilmelidir.
Koşullu Öngörümleme Ex - ante (tasarlanan - umulan) öngörümleme söz konusu iken açıklayıcı değişkenlerin hatasız bir şekilde bilindiği varsayımı gerçekçi olmayan bir varsayımdır. Çünkü bazı açıklayıcı
DetaylıYARI 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,
DetaylıÖrnek 4.1: Tablo 2 de verilen ham verilerin aritmetik ortalamasını hesaplayınız.
.4. Merkezi Eğilim ve Dağılım Ölçüleri Merkezi eğilim ölçüleri kitleye ilişkin bir değişkenin bütün farklı değerlerinin çevresinde toplandığı merkezi bir değeri gösterirler. Dağılım ölçüleri ise değişkenin
DetaylıKARŞILAŞTIRMA 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:
DetaylıDers 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
DetaylıBasit 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
DetaylıYrd. 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
DetaylıKonu 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
Detaylı7.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
DetaylıZaman 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
DetaylıMAK 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
DetaylıZAMAN 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
DetaylıYTÜ 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.
Detaylıİstatistik 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
DetaylıİÇİNDEKİLER 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
DetaylıAppendix 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
DetaylıBÖLÜM 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
Detaylı15.433 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.
DetaylıDİNAMİK 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
DetaylıNitel 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
DetaylıDOĞRUSAL 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
DetaylıÜSTEL 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
DetaylıRegresyon 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
Detaylıaltında 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
DetaylıÇOKLU 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
DetaylıİÇİNDEKİLER 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
DetaylıNicel / 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?
DetaylıREGRESYON 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
DetaylıKORELASYON 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
DetaylıNormallik 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
DetaylıModel 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
DetaylıKorelasyon 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)
Detaylı009 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
DetaylıÜstel 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
DetaylıCopyright 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
DetaylıÖrneklemden 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
DetaylıGenel 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
DetaylıDAĞILMA YADA DEĞİ KENLİK ÖLÇÜLERİ (MEASURE OF DISPERSION) Prof.Dr.A.KARACABEY Doç.Dr.F.GÖKGÖZ
DAĞILMA YADA DEĞİ KENLİK ÖLÇÜLERİ (MEASURE OF DISPERSION) 1 AMAÇ... Mevcut veri seti için bulunan merkezi eğilim ölçüsünün yorumlamak Birden fazla veri seti için dağılımlar arası kıyaslama yapabilmek amaçlarıyla
DetaylıİSTATİSTİK 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
DetaylıBÖLÜM-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
DetaylıÖRNEKLEME 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
Detaylıİçindekiler. Ön Söz... xiii
İçindekiler Ön Söz.................................................... xiii Bölüm 1 İstatistiğe Giriş....................................... 1 1.1 Giriş......................................................1
DetaylıOluşturulan 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
DetaylıBölüm 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
DetaylıKonum ve Dağılım Ölçüleri. BBY606 Araştırma Yöntemleri Güleda Doğan
Konum ve Dağılım Ölçüleri BBY606 Araştırma Yöntemleri Güleda Doğan Konum ölçüleri Merkezi eğilim ölçüleri Verilerin ortalamaya göre olan gruplanması nasıl? Yakın, uzak? Sıklık dağılımlarının karşılaştırılması
DetaylıSÜREKLİ OLASILIK DAĞILIŞLARI
SÜREKLİ OLASILIK DAĞILIŞLARI Sürekli verilerin göstermiş olduğu dağılışa sürekli olasılık dağılışı denir. Sürekli olasılık dağılışlarının fonksiyonlarına yoğunluk fonksiyonu denilmekte ve bu dağılışlarla
DetaylıBKİ 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
Detaylı8.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
DetaylıKorelasyon. Korelasyon. Merkezi eğilim ve değişim ölçüleri bir defada sadece bir değişkenin özelliklerini incelememize imkan tanır.
Korelasyon Korelasyon Merkezi eğilim ve değişim ölçüleri bir defada sadece bir değişkenin özelliklerini incelememize imkan tanır. Biz şimdi, bir değişkenin özelliklerini diğer değişkenle olan ilişkisine
DetaylıExcel 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
DetaylıCh. 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
DetaylıJEODEZİK VERİLERİN İSTATİSTİK ANALİZİ. Prof. Dr. Mualla YALÇINKAYA
JEODEZİK VERİLERİN İSTATİSTİK ANALİZİ Prof. Dr. Mualla YALÇINKAYA Karadeniz Teknik Üniversitesi, Harita Mühendisliği Bölümü Trabzon, 2018 VERİLERİN İRDELENMESİ Örnek: İki nokta arasındaki uzunluk 80 kere
DetaylıZAMAN 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
DetaylıEkonometri 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
DetaylıT 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
DetaylıANADOLU 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.
DetaylıProf.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:.
DetaylıDoç. 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
DetaylıTest 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
Detaylıİki 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
DetaylıYTÜ 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
DetaylıTOBB 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
DetaylıÖğr. 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
DetaylıMeslek 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
DetaylıİSTATİSTİK 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
DetaylıTOBB 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
Detaylıİçindekiler 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