Ekonometri1 Kitap Surumu (s2,0)

Ekonometri 1
Ders Notlar
A. TALHA YALTA
TRK
IYE B
IL
IMLER AKADEM
IS
I
AIK DERS MALZEMELER
I PROJES
I
SRM 2.0
EK
IM 2011
Ak Lisans Bilgisi
I sbu belge, Creative Commons Attribution-Non-Commercial ShareAlike 3.0 Un-

ported (CC BY-NC-SA 3.0) lisans altnda bir ak ders malzemesi olarak ge-
nel kullanma sunulmu stur. Eserin ilk sahibinin belirtilmesi ve geerli lisansn ko-
runmas ko suluyla zgrce kullanlabilir, o galtlabilir ve de gi stirilebilir. Creative
Commons rgt ve CC-BY-NC-SA lisans ile ilgili ayrntl bilgi http://
creativecommons.org adresinde bulunmaktadr. Ekonometri ders notlarmn
gncel srmne http://yalta.etu.edu.tr adresinden ula sabilirsiniz.
A. Talha Yalta
TOBB Ekonomi ve Teknoloji niversitesi
Ekim 2011
Iindekiler
1

Istatistiksel Kavramlarn Gzden Geirilmesi 8
1.1 Anlaml Basamaklar ve Yuvarlama Kurallar . . . . . . . . . . . . . 8
1.2 Olaslk Konusu ve Olaslk Da glmlar . . . . . . . . . . . . . . . 11
1.2.1 Olaslk ve Olaslk Yo gunluk

I slevi . . . . . . . . . . . . . 11
1.2.2 Olaslk Da glmlarnn Beklemleri . . . . . . . . . . . . . . 15
1.2.3 Baz Kuramsal Olaslk Da glmlar . . . . . . . . . . . . . 20
1.3

Istatistiksel karsama . . . . . . . . . . . . . . . . . . . . . . . . 25
1.3.1 Tahmin Sorunu . . . . . . . . . . . . . . . . . . . . . . . . 25
1.3.2 nsav Snamas . . . . . . . . . . . . . . . . . . . . . . . . 28
2 Ekonometri Nedir? 32
2.1 Ekonometri Nedir? . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.1.1 Ekonometrinin Konusu . . . . . . . . . . . . . . . . . . . . 32
2.1.2 Ekonometrinin Yntembilimi . . . . . . . . . . . . . . . . 35
2.1.3 Uygulama: Keynesi Tketim Kuram . . . . . . . . . . . . 35
3 Ba glanm zmlemesi 43
3.1 Temel Kavramlar . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.1.1 Ba glanm Teriminin Anlam . . . . . . . . . . . . . . . . . 43
3.1.2 Ekonometrik zmlemede Kullanlan Verilerin Niteli gi . . 45
3.2 Varsaymsal Bir rnek . . . . . . . . . . . . . . . . . . . . . . . . 48
3.2.1 Ko sullu Olaslk ve Ko sullu Ortalama . . . . . . . . . . . . 48
3.2.2 Anaktle Ba glanm

I slevi . . . . . . . . . . . . . . . . . . 49
3.2.3 rneklem Ba glanm

I slevi . . . . . . . . . . . . . . . . . . 52
4

Iki De gi skenli Ba glanm Modeli - Tahmin Sorunu 56
4.1 Sradan En Kk Kareler Yntemi . . . . . . . . . . . . . . . . . 56
4.1.1 SEK Tahmincilerinin Tretilmesi . . . . . . . . . . . . . . 58
4.1.2 SEK Tahmincilerinin Arzulanan zellikleri . . . . . . . . . 61
4.1.3 SEK Ynteminin Ardndaki Varsaymlar . . . . . . . . . . 64
4.2 SEK Ynteminin Gvenilirli gi . . . . . . . . . . . . . . . . . . . . 71
IINDEKILER A. Talha Yalta (2007 - 2011)

4.2.1 SEK Tahmincilerinin lnl Hatalar . . . . . . . . . . . . 71
4.2.2 Belirleme Katsays r
2
. . . . . . . . . . . . . . . . . . . . 73
4.2.3 Monte Carlo Yntemi . . . . . . . . . . . . . . . . . . . . 75
4.3 Saysal Bir rnek . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5 Normallik Varsaym ve Enok Olabilirlik Yntemi 79
5.1 Normallik Varsaym ve

Ili skin Da glmlar . . . . . . . . . . . . . . 79
5.1.1 Hata Teriminin Olaslk Da glm . . . . . . . . . . . . . . 79
5.1.2 Normal Da glma

Ili skin Da glmlar . . . . . . . . . . . . . 81
5.2 Enok Olabilirlik Yntemi . . . . . . . . . . . . . . . . . . . . . . 84
5.2.1 Enok Olabilirlik Yakla sm . . . . . . . . . . . . . . . . . 84
5.2.2

Ikiterimli Da glm rne gi . . . . . . . . . . . . . . . . . . 85
5.2.3

Ikiterimli Da glm EO Tahmincisi . . . . . . . . . . . . . . 86
5.3 Aklayc rnekler . . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.3.1 Poisson Da glm EO Tahmincisi . . . . . . . . . . . . . . . 88
5.3.2 stel Da glm EO Tahmincisi . . . . . . . . . . . . . . . . 89
5.3.3 Normal Da glm EO Tahmincisi . . . . . . . . . . . . . . . 89
6

Iki De gi skenli Ba glanm Modeli - karsama Sorunu 93
6.1 Aralk Tahmini . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
6.1.1 Baz Temel Noktalar . . . . . . . . . . . . . . . . . . . . . 93
6.1.2 SEK Tahmincilerinin Gven Aralklar . . . . . . . . . . . 94
6.2 nsav Snamas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
6.2.1 Gven Aral g Yakla sm . . . . . . . . . . . . . . . . . . . 97
6.2.2 Anlamllk Snamas Yakla sm . . . . . . . . . . . . . . . 99
6.2.3 Anlamllk Konusu . . . . . . . . . . . . . . . . . . . . . . 100
6.3 karsamaya

Ili skin Konular . . . . . . . . . . . . . . . . . . . . . 103
6.3.1 Varyans zmlemesi . . . . . . . . . . . . . . . . . . . . 103
6.3.2 Kestirim Sorunu . . . . . . . . . . . . . . . . . . . . . . . 104
6.3.3 Ba glanm Bulgularnn De gerlendirilmesi . . . . . . . . . . 106
7

Iki De gi skenli Ba glanm Modelinin Uzantlar 110
7.1 Sfr Noktasndan Geen Ba glanm . . . . . . . . . . . . . . . . . . 110
7.2 Hesaplamaya

Ili skin Konular . . . . . . . . . . . . . . . . . . . . . 114
7.2.1 lekleme ve l Birimleri . . . . . . . . . . . . . . . . . 114
7.2.2 Saysal Hesaplama Sorunlar . . . . . . . . . . . . . . . . . 115
7.3 Ba glanm Modellerinin

I slev Biimleri . . . . . . . . . . . . . . . . 118
7.3.1 Log-Do grusal Model . . . . . . . . . . . . . . . . . . . . . 118
7.3.2 Yar-logaritmasal Modeller . . . . . . . . . . . . . . . . . . 120
7.3.3 Evrik ve Log-Evrik Modeller . . . . . . . . . . . . . . . . . 124
http://yalta.etu.edu.tr

8 oklu Ba glanm zmlemesi - Tahmin Sorunu 129
8.1 De gi skenli Model . . . . . . . . . . . . . . . . . . . . . . . . . 129
8.1.1 Gsterim ve Varsaymlar . . . . . . . . . . . . . . . . . . . 129
8.1.2 Ksmi Ba glanm Katsaylarnn Tahmini . . . . . . . . . . . 131
8.2 oklu Ba glanmda Yak smann

Iyili gi . . . . . . . . . . . . . . . . 135
8.2.1 oklu Belirleme ve

Ilinti Katsaylar . . . . . . . . . . . . . 135
8.2.2 Ksmi

Ilinti Katsaylar . . . . . . . . . . . . . . . . . . . . 138
8.2.3 oklu Ba glanm Aklayc rnek . . . . . . . . . . . . . . 139
8.3 okterimli Ba glanm Modelleri . . . . . . . . . . . . . . . . . . . . 143
9 oklu Ba glanm zmlemesi - karsama Sorunu 147
9.1 T Snamalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
9.1.1 oklu Ba glanmda nsav Snamas . . . . . . . . . . . . . 147
9.1.2 Tek Bir Katsaynn Snanmas . . . . . . . . . . . . . . . . 148
9.1.3

Iki Katsaynn E sitli ginin Snanmas . . . . . . . . . . . . . 149
9.2 F Snamalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
9.2.1 Ba glanmn Btnnn Anlamllk Snamas . . . . . . . . 151
9.2.2 Bir Aklayc De gi skenin Marjinal Katks . . . . . . . . . 153
9.2.3 Snrlamal Enkk Kareler Yntemi . . . . . . . . . . . . 156
9.3 Di ger Snama ve Konular . . . . . . . . . . . . . . . . . . . . . . . 160
9.3.1 Chow Snamas . . . . . . . . . . . . . . . . . . . . . . . . 160
9.3.2 MWD Snamas . . . . . . . . . . . . . . . . . . . . . . . . 164
9.3.3 Di ger Baz Snama ve Konular . . . . . . . . . . . . . . . . 166
10 Kukla De gi skenlerle Ba glanm 169
10.1 Nitel De gi skenlerle Ba glanm . . . . . . . . . . . . . . . . . . . . . 169
10.1.1 VARZ Modelleri . . . . . . . . . . . . . . . . . . . . . 170
10.1.2 KOVZ Modelleri . . . . . . . . . . . . . . . . . . . . . 172
10.2 Kukla De gi sken Kullanm Sekilleri . . . . . . . . . . . . . . . . . . 173
10.2.1 Chow Snamasnn Kukla Alma s g . . . . . . . . . . . . . 173
10.2.2 Kar slkl Etkile sim . . . . . . . . . . . . . . . . . . . . . . 175
10.2.3 Para-Yollu Do grusal Ba glanm . . . . . . . . . . . . . . . 176
10.3 Kukla De gi skenlere

Ili skin Konular . . . . . . . . . . . . . . . . . 178
10.3.1 Mevsimsel zmlemeler . . . . . . . . . . . . . . . . . . 178
10.3.2 Yar-Logaritmasal

I slevler . . . . . . . . . . . . . . . . . . 180
10.3.3

Ileri al sma Konular . . . . . . . . . . . . . . . . . . . . 182
nsz
Bu ekonometri ders notlar uzun ve titiz bir al smann rndr. Ayn zamanda,
uzun bir sredir iinde yer ald gm ak kaynak hareketinin nemine olan inancmn
gstergesi ve bu olu suma verdi gim deste gin bir parasdr. Ders notlarm ekono-
metri grenmeyi ve gretmeyi arzulayan herkesin ak ve zgr kullanmna mut-
lulukla sunuyorum. Yararlanacak ki siler iin; var olan malzemenin kapsam, sayfa
dzeni ve kulland g terminoloji ile ilgili birka bilginin aklayc olaca gn d s-
nyorum.
Notlarn

Ieri gi
Ders notlar TOBB Ekonomi ve Teknoloji niversitesinde 2007 ylndan bu
yana vermi s oldu gum Ekonometri 1 ve Ekonometri 2 derslerinden ortaya k-
m str.
Notlar, genel olarak, nceki bir basks mit Senesen ve Glay Gnlk Sene-
sen tarafndan Trkeye de evrilmi s olan Gujarati ve Portern Basic Eco-
nometrics ders kitab konu srasn izlemektedir.
Tm grsel geler tarafmdan Trkeye kazandrlm s olan gretl (GNU Reg-
ression, Econometrics and Time-series Library) ekonometri yazlm kullan-
larak olu sturulmu stur.
Notlarda yer alan zmleme ve rneklerin tamama yakn Trkiyeyi konu
almakta, Trkiye verilerini kullanmaktadr.
Bu zgn veri setleri ders notlarn tamamlaycdr ve gretl gdt ve csv dosyas
olarak iki ayr biimde ekte verilmi stir.
Sayfa Dzeni
Tm konu anlatmlar yatay dzende ve sunum biiminde hazrlanm str. Bu-
nun nedeni, grenmeyi zendiren ekici bir yakla sm benimsemek ve notlarn
bilgisayar ekrannda okunabilmesini kolayla strmaktr.

Benimsemi s oldu gum yntemin izim, izelge, ve tahmin ktlar gibi gr-
sel gelere dayal uygulamal bir bilim olan ekonometriyi gretmede elveri sli
oldu gunu d snyorum.
A4 dzenine getirildi ginde, her bir konu ortalama 15 - 20 sayfa tutmaktadr.
Bu sekilde hazrlanm s olan bir kitap srm de ilgilenenler iin ayrca
sunulmaktadr.
Konu anlatmlarnn yan sra, iki ser takm snav soru ve yantlar da ak ders
malzemeleri iinde yer almaktadr. Bu ek belgeler de A4 sayfa boyutundadr.
Kullanlan Terminoloji
Trke terimler konusunda e sitli akademisyenlerin de gerli katklar bulun-
makla birlikte, yerle smi s ve kendi ierisinde tutarl bir ekonometrik termino-
lojinin eksikli gi bir gerektir.
Ders notlarnda kullanlan Trke konusunda byk titizlik gsterilmi s ve e-
sitli ekonometri kaynaklar taranarak daha nce farkl yazarlarca nerilmi s
kar slklara dayal, anlam ve dilbilgisi ynnden do gru bir terimler seti ha-
zrlanm str. Bu konuda yerli ve yabanc dilbilimci ve ekonometricilerden de
ska yardm alnm str.
e sitli ekonometrik terimlerin

Ingilizce kar slklarnn metin ierisinde d-
zenli olarak verilmesi, notlarnn bir zelli gidir.

Iki szckten olu san ancak tek bir kavrama kar slk gelen ve terim zelli gi
gsteren szcklerin biti sik yazlmas ise bilinli bir seimdir. (rnek: Band-
width = Ku sakgeni sli gi)
Terminolojide Yararlanlan Kaynaklar
Ders notlarnda kullanlan terminolojide yararlanlan ba slca kaynaklar sunlar-
dr:
Akaln H. vd., TDK Ekonometri Szl g, http://www.emu.edu.tr/
mbalcilar/eets/Ana\_Sayfa.html
Ceyhan

I. vd.,

Istatistik Terimleri Szl g, Trk Dil Kurumu, 1983.
Gri s S. ve E. a glayan, Ekonometrik Terimler Szl g, Derin Yaynevi, 2007.
Kutlar A., Uygulamal Ekonometri, 2. b., Nobel Yayn Da gtm, 2005.

Senesen . ve G. G. Senesen, Temel Ekonometri, 4. b., Literatr Yaynclk,
2006.
Tar R., Ekonometri, 4. b., Kocaeli niversitesi Yaynlar, 2006.
Terim Seimine rnek
Kullanmakta oldu gum terimler konusunda srarc de gilim. te yandan, belli
bir terim iin su szck kullanlmaldr denilecek olursa bunu nedeninin gs-
terilebilmesi gerek diye d snyorum.
rnek olarak, asymptote terimi iin Trke kaynaklarda kavu smaz, so-
nu smaz, ve yana sk gibi kar slklarn kullanlm s oldu gu grlmektedir.
Di ger yandan, -i s - s eki Trkede yalnzca illerin sonuna geldi gi iin so-
nu smaz szc g dilbilgisi ynnden yanl str.
Terimin kavramsal ieri gine dikkat ederek ve Trk Dili ve Edebiyat B-
lmnden hocalarma dan sarak kavu smaz terimini ye gledim ve tm aka-
demisyen arkada slarma da bir neri olarak sundum.
Buna benzer rnekleri o galtmak mmkndr.
Olas Yanl slar Konusunda
Byk titizlikle hazrlad gm notlarm zaman ierisinde ok kez gzden ge-
irme frsatm oldu gu iin mutluyum. Ayrca, bu ders malzemeleri TBA Ak Ders
Malzemeleri Projesi kapsamnda anonim ekonometriciler tarafndan da incelenmi s-
tir. En ufak bir yazm yanl s bile olmamas gereken bu malzemelerde bir hata g-
rrseniz, dzeltmem iin ltfen benimle ba glantya geiniz.
A. Talha Yalta, Ekim 2011
Blm 1
Istatistiksel Kavramlarn Gzden

Geirilmesi
1.1 Anlaml Basamaklar ve Yuvarlama Kurallar
Anlaml Basamaklar
Ondalk bir saynn anlaml basamaklar (signicant digits), o saynn kesinlik
ve do grulu guna katkda bulunan tm basamaklarn gsterir.
Veri ve lmleri elde etmek iin e sitli sre ve i slemler kullanlabilmekte-
dir.
E ger eldeki lme ait baz rakamlar, o lm elde etmek iin kullanlan
srecin do gruluk snr d sndaysa, bunlar kullanmann anlam yoktur.
rnek olarak, kol saatimize bakp saat 10:18:37:3 demek anlaml de gildir.
Saat 10:18dir.
Anlaml Basamaklar Belirleme Kurallar
1. Sfr olmayan tm basamaklar anlamldr. rnek: 123456 saysnn anlaml
basamak says altdr.
2.

Iki sfr-d s basamak arasndaki tm sfrlar anlamldr. rnek: 103,406 say-
snn anlaml basamak says altdr.
3. Ba staki sfrlar anlamszdr. rnek: 000012 ve 0,012 iin anlaml basamak
says ikidir.
8
Istatistiksel Kavramlarn Gzden Geirilmesi A. Talha Yalta (2007 - 2011)

4. Ondalk ayra ieren saylarda sondaki sfrlar anlamldr. rnek: 1,20300 iin
anlamllk dzeyi alt basamaktr.
5. Tamsaylarda sondaki sfrlar anlaml ya da anlamsz olabilir. rnek: (10000),
(10000), (1230000) ve (100,) saylar iin anlamllk dzeyi tr. Sonuncu r-
nekte ondalk ayrann anlamllk dzeyini vurgulamak iin kullanlm s ol-
du guna dikkat ediniz.
Bilimsel Gsterim
Bilimsel gsterim (scientic notation), ba staki ve sondaki anlaml olma-
yan sfrlar kullanmayarak anlaml basamak saysndaki olas bir kar skl g
nlemeyi hedeer.
Ksaca bilimsel gsterimde tm basamaklar anlamldr.
stel gsterim (exponential notation) ad da verilen bilimsel gsterimde
tm saylar a 10
b
biiminde yazlr.
Burada b bir tam saydr. a ise 1 |a| < 10 olan bir oranl say (rational
number) biimindedir. rnek: 0,00123 bilimsel gsterimi 1,2310
3
tr. r-
nek: 0,0012300 bilimsel gsterimi 1,2300 10
3
tr. rnek: 1230000 e ger
drt basama ga kadar anlaml ise 1,230 10
6
diye gsterilir. rnek: basa-
ma ga kadar anlamlysa da 1,23 10
6
olur.
Dikkat: Bilimsel gsterimde, ba staki oranl saynn her zaman 1 ile 10 ara-
snda oldu guna dikkat ediniz.
Yuvarlama Kurallar
Yuvarlama (rounding) kavram anlaml basamak kavram ile yakndan ili s-
kilidir. e sitli hesaplamalarda sradan yuvarlama yerine istatistiki yuvarlamas
(statisticians rounding) yntemini kullanmak, sonularn yukar yanl (biased)
olmasn nlemede gereklidir:
1. Tutulacak son basamak seilir. Bir sonra gelen basamak e ger < 5 ise tutulacak
basamak de gi smez. rnek: 1,2345 says basama ga yuvarlanrsa 1,23 olur.
rnek: 1230000 iki basama ga yuvarlanrsa 1200000 olur.
2. Bir sonraki basamak > 5 ise tutulacak basamak bir artrlr. rnek: 0,126
says iki basama ga yuvarlanrsa 0,13 olur.
3. Bir sonra gelen basamak = 5 ise; tutulacak basamak tek sayysa bir artr-
lr, ift sayysa de gi stirilmez. rnek: 13500 says iki basama ga yuvarlanrsa
14000 olur. rnek: 0,125 says iki basama ga yuvarlanrsa 0,12 olur.
9 http://yalta.etu.edu.tr

Anlaml Basamaklar ve Aritmetik
Anlaml basamaklar ile ilgili olarak, veri ve lmler aras aritmetik i slemle-
rinde a sa gdaki kurallar uygulanr:
1. ncelikle, rnek olarak 0,12 gibi bir de gerin gerekte 0,115 ile 0,125 arasnda
oldu gu unutulmamaldr.
2. Toplama ve karma i slemlerinde sonu, girdiler iinde en az ondalk basamak
ieren say ile ayn ondalk basamak saysnda olacak sekilde yuvarlanmaldr.
rnek: 0,12 + 0,1277 yant 0,2477 de gil 0,25 olmaldr.
3. arpma ve blme i slemlerinde sonu, girdiler iindeki en az anlaml basamak
ieren say ile ayn anlamllk dzeyinde olmaldr. rnek: 0,12 1234 yant
148,08 de gil 150 olmaldr.
4. Ancak ara i slemlerde izleyici basamaklar elde tutmak gereklidir. Bylece yu-
varlama hatalar azaltlm s olur.

1.2 Olaslk Konusu ve Olaslk Da glmlar
1.2.1 Olaslk ve Olaslk Yo gunluk

I slevi
rneklem Uzay ve rneklem Noktas
Rastsal (random) bir deneyin olabilecek tmsonularna rneklemuzay (sample
space), bu rneklem uzaynn her bir yesine de rneklem noktas (sample point)
denir.
rnek:

Iki madeni para ile yaz-tura atma deneyinin 4 rneklem noktal bir
rneklem uzay vardr:
Y = {YY, YT, TY, TT}
Rastsal Olay
Rastsal bir deneye ait rneklem uzaynn olas her bir alt kmesine rastsal olay
(random event) denir.
rnek: Bir yaz ve bir tura gelmesi olay: {YT, TY}
Kar slkl D slamal Olay
Bir olayn gerekle smesi di ger bir olayn olu smasn nlyorsa, bu iki olay kar s-
lkl d slamal (mutually exclusive) olaylardr.
rnek: {YY, YT, TY} ve {TT} kar slkl d slamaldr.
Rastsal De gi sken
De gerleri rastsal bir deney sonucu belirlenen de gi skene rastsal de gi sken (random
variable) ya da ksaca rd (rv) denir.
Rastsal de gi skenler genellikle X, Y , Z gibi byk harerle ve aldklar de-
gerler de x, y, z gibi kk harerle gsterilir.
Rastsal bir de gi sken ya kesikli (discrete) ya da srekli (continuous) olur.
Kesikli bir rd ancak sonlu sayda farkl de gerler alabilir.rnek: Zar.
Srekli bir rd ise belli bir aralkta her saysal de geri alabilir.rnek: Rastsal
olarak seilmi s bir ki sinin boyu.

Olaslk
A, rneklem uzayndaki bir olay olsun. Rastsal deney srekli yinelendi ginde, Aola-
ynn gerekle sme sklk oranna A olayna ait olaslk (probability) denir, P(A)
ya da Prob(A) ile gsterilir.
P(A) ayn zamanda greli sklk (relative frequency) olarak da adlandrlr.
P(A) gerek de gerli bir i slev (function) olup, su zellikleri ta sr:
1. Her A iin 0 P(A) 1dir. (1 = %100)
2. A, B, C, . . . rneklem uzayn olu sturuyorsa su geerlidir:
P(A + B + C + . . . ) = 1
3. A, B ve C kar slkl d slamal olaylar ise su geerlidir:
P(A + B + C) = P(A) + P(B) + P(C)
rnek: Alt yzl bir zar atma deneyi d snelim: Bu deneyde rneklem uzay=
{1, 2, 3, 4, 5, 6} biimindedir ve P(1) = P(2) = P(3) = P(4) = P(5) = P(6) =
1/6dr. Ayrca, P(1) + P(2) + P(3) + P(4) + P(5) + P(6) = 1 olur.
Kesikli Bir De gi skenin Olaslk Yo gunluk

I slevi
X de gi skeni x
1
, x
2
, x
3
, . . . gibi ayrk de gerler alan bir rd olsun.
f(x) = P(X = x
i
) i = 1, 2, . . . , n iin
= 0 X = x
i
iin
i slevine Xe ait kesikli olaslk yo gunluk i slevi (discrete probability density func-
tion) denir.
rnek:

Iki zar atld gnda zarlarn toplam de gerini gsteren kesikli rastsal de-
gi sken X, 11 farkl de ger alabilir:
x = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12} f(x) = {
1
36
,
2
36
,
3
36
,
4
36
,
5
36
,
6
36
,
5
36
,
4
36
,
3
36
,
2
36
,
1
36
}

0
0,02
0,04
0,06
0,08
0,1
0,12
0,14
0,16
0,18
2 4 6 8 10 12
G
r
e
l
i

S
k
l
k
X
K ZAR TOPLAMININ KESKL OLASILIK YOUNLUK LEV
Srekli Bir De gi skenin Olaslk Yo gunluk

I slevi
X srekli bir rd olsun.
f(x) 0,
_
f(x)dx = 1,
_
b
a
f(x)dx = P(a x b)
E ger yukardaki ko sullar sa glanrsa, f(x)e Xin srekli olaslk yo gunluk i slevi
(continuous probability density function) denir.
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
-5 -4 -3 -2 -1 0 1 2 3 4 5
Y
o
u
n
l
u
k
X
SREKL BR DEKENE AT OLASILIK YOUNLUK LEV
N(0, 1)
(Toplam alan = 1)
Birle sik Olaslk Yo gunluk

I slevi
X ve Y iki kesikli rd olsun.

f(x, y) = P(X = x
i
Y = y
j
),
= 0 X = x
i
Y = y
j
iin
i slevi, kesikli birle sik olaslk yo gunluk i slevi (discrete joint probability density
function) adn alr.
Birle sik OY
I, Xin x
i
de gerini ve Y nin de y
j
de gerini ayn anda almasnn
birle sik olasl gn gsterir.
A sa gdaki izelgede X ve Y kesikli de gi skenlerine ait bir birle sik OY
I gste-
rilmektedir:
X
1 2 3
Y 0 0,2 0,3 0,1
1 0,1 0,1 0,2
Buna gre X = 2 de gerini ald gnda Y = 0 olma olasl g f(2, 0) = 0,3 ya
da di ger bir deyi sle %30dur.
Tm olaslklar toplamnn 1 oldu guna dikkat ediniz.
Marjinal Olaslk Yo gunluk

I slevi
f(x, y) birle sik OY
Isine ili skin olarak f(x) ve f(y) i slevlerine marjinal olaslk

yo gunluk i slevi (marginal probability density function) ad verilir:
f(x) =
y
f(x, y) Xin marjinal OY
Isi
f(y) =
x
f(x, y) Y nin marjinal OY
Isi
nceki rnekteki verileri ele alalm. Xin marjinal OY
Isi:
f(x = 1) =
y
f(x = 1, y) = 0,2 + 0,1 = 0,3
f(x = 2) =
y
f(x = 2, y) = 0,3 + 0,1 = 0,4
f(x = 3) =
y
f(x = 3, y) = 0,1 + 0,2 = 0,3
+
1,0
Ayn sekilde Y nin marjinal OY
Isi de a sa gdaki gibidir:

f(y = 0) =
x
f(y = 0, x) = 0,2 + 0,3 + 0,1 = 0,6
f(y = 1) =
x
f(y = 1, x) = 0,1 + 0,1 + 0,2 = 0,4
+
1,0
Istatistiksel Ba gmszlk
X ve Y rastsal de gi skenlerinin ancak ve ancak
f(x, y) = f(x) f(y)
arpm olarak yazlabilmeleri durumunda bunlara istatistiksel ba gmsz (statisti-
cally independent) de gi skenler denir.
rnek olarak bir torbada zerlerinde 1, 2, 3 yazl top oldu gunu d snelim.
Torbadan iki top (X ve Y ) yerine koyularak ekilirse, X ve Y nin birle sik
OY
Isi syle olur:

X
1 2 3
1
1
9
1
9
1
9
Y 2
1
9
1
9
1
9
3
1
9
1
9
1
9
Burada f(x = 1, y = 1) =
1
9
dur.
f(x = 1) =
y
f(x = 1, y) =
1
9
+
1
9
+
1
9
=
1
3
f(y = 1) =
x
f(x, y = 1) =
1
9
+
1
9
+
1
9
=
1
3
Bu rnekte f(x, y) = f(x) f(y) oldu guna gre, bu iki de gi sken istatistiksel
olarak ba gmszdr diyebiliriz.
1.2.2 Olaslk Da glmlarnn Beklemleri
Matematikte, bir noktalar kmesinin nasl bir sekil gsterdi gini anlatan say-
sal lye beklem (moment) denir.
Dolaysyla, bir olaslk da glm o da glma ait bir dizi beklem ile zetlenebi-
lir.
Beklemler, merkezi beklem (central moment) ve ham beklem (raw mo-
ment) olarak ikiye ayrlr.
En yaygn kullanlan iki beklem ise ortalama (mean) () ve varyans
(variance) (
2
) olarak kar smza kar.
Ortalama, ayn zamanda beklenen de ger (expected value) olarak da adlan-
drlr.

Beklenen De ger
Kesikli bir rd olan Xe ait ortalama ya da beklenen de ger E(X) syle tanmlanr:
E(X) =
x
xf(x)
rnek olarak, iki zarn toplamn gsteren kesikli rd Xin olaslk da glmn
ele alalm:
E(X) =
x
x f(x) = 2
1
36
+ 3
2
36
+ 4
3
36
+ + 11
2
36
+ 12
1
36
= 7
Demek ki iki zar atld gnda gzlenecek saylarn beklenen de geri 7dir.
Beklenen de ger kavramna ili skin baz zellikler sunlardr:
1. Sabit bir saynn beklenen de geri kendisidir. rnek: E ger b = 2 ise E(b) =
2dir.
2. E ger a ve b birer sabitse, E(aX + b) = aE(X) + bdir.
3. E ger X ve Y ba gmsz rd ise, E(XY ) = E(X)E(Y )dir.
4. X, f(X) olaslk yo gunluk i slevli bir rd ve g(X) de Xin herhangi bir i sle-
viyse, su kural geerlidir:
E[g(X)] =
x
g(X)f(x) X kesikli ise,
=
_
g(X)f(x)dx X srekli ise.

Buna gre e ger g(X) = X
2
ise:
E(X
2
) =
x
x
2
f(X) X kesikli ise,
=
_
x
2
f(X)dx X srekli ise.
rnek olarak, a sa gdaki OY
Iyi ele alalm:

x = {-2, 1, 2}
f(x) = {
5
8
,
1
8
,
2
8
}
Buna gre Xin beklenen de geri sudur:
E(X) =
x
xf(x) = 2
5
8
+ 1
1
8
+ 2
2
8
=
5
8

Ayrca X
2
nin beklenen de geri ise sudur:
E(X
2
) =
x
x
2
f(x) = 4
5
8
+ 1
1
8
+ 4
2
8
=
29
8
Varyans (De gi sirlik)
X bir rd ve E(X) = ise, X de gerlerinin beklenen de gerleri etrafndaki yaylm
varyans (variance) ile llr:
var(X) =
2
X
=
x
(X )
2
f(x) X kesikli ise,
=
_
(X )
2
f(x)dx X srekli ise.

2
X
nin art de gerli kare kk
X
, Xe ait lnl sapma (standard devi-
ation) olarak adlandrlr.
Varyans ve lnl sapma, her bir rastsal x de gerinin Xin ortalamas etra-
fnda ne geni slikte bir alana yayld gnn gstergesidir.
Varyans kavramna ili skin baz zellikler sunlardr:
1. Sabit bir saynn varyans sfrdr.
2. E ger a ve b birer sabitse, var(aX + b) = a
2
var(X)dir.
3. E ger X ve Y ba gmsz birer rd ise su yazlabilir:
var(X + Y ) = var(X) + var(Y )
var(X Y ) = var(X) + var(Y )
4. E ger X ve Y ba gmsz birer rd ve a, b, c de birer sabit ise, a sa gdaki kural
geerlidir:
var(aX + bY + c) = a
2
var(X) + b
2
var(Y )
Hesaplama kolayl g bakmndan varyans forml syle de yazlabilir:
var(X) =
2
X
= (1/n)
((X
i
E(X))
2
)
= (1/n)
(X
2
i
2X
i
E(X) + E(X)
2
)
=
(X
2
i
)/n
2X
i
E(X)/n +
E(X)
2
/n
= E(X
2
) 2E(X)E(X) + E(X)
2
= E(X
2
) E(X)
2

Buna gre nceki rnekteki rastsal de gi skenin varyans sudur:
var(X) =
29
8

_
5
8
_
2
=
207
64
Kovaryans (E sde gi sirlik)
X ve Y rdlerinin ortalamalar srasyla E(X) ve E(Y ) olsun. Bu iki de gi skenin
birlikte de gi sirlikleri kovaryans (covariance) ile llr:
cov(X, Y )=
x
XY f(x, y) E(X)E(Y ) kesikliyse,
=
_
XY f(x, y) dxdyE(X)E(Y ) srekliyse.

Kovaryans forml syle de gsterilebilir: cov(X, Y ) = E[(XE(X))(Y
E(Y ))] = E(XY ) E(X)E(Y )
Grld g gibi bir de gi skenin varyans ayn zamanda kendisiyle olan kovar-
yansdr.
Kovaryans kavramna ili skin birka nemli zellik sunlardr:
1. E ger X ve Y ba gmsz rdler ise kovaryanslar 0 olur:
cov(X, Y ) = E(XY ) E(X)E(Y )
= E(X)E(Y ) E(X)E(Y ) = 0
2. E ger a, b, c, d birer sabitse su kural geerlidir:
cov(a + bX, c + dY ) = bd cov(X, Y )
3. Ba gmsz olmayan X ve Y rdlerinin bile simlerinin varyanslarn hesaplarken
kovaryans bilgisi de gereklidir:
var(aX + bY ) = a
2
var(X) + b
2
var(Y ) + 2abcov(X,Y )
Ilinti Katsays
Ilinti katsays (correlation coefcient) iki rd arasndaki do grusal ili skinin bir l-
sdr ve [1, 1] de gerleri arasnda yer alr:
=
cov(X, Y )
_
var(X)var(Y )
=
cov(X, Y )
y
.
Yukardaki formlden su grlebilir: cov(X, Y ) =
x
y

Di ger Merkezi Beklemler
Genel olarak, f(x) tek de gi skenli OY
Isinin kendi ortalamas dolayndaki

merkezi beklemleri syle tanmlanr:
Beklem Tanm Aklama
1 E(X ) 0
2 E(X )
2
varyans
3 E(X )
3
arpklk
4 E(X )
4
basklk
.
.
.
.
.
.
.
.
.
n E(X )
n
n. derece
arpklk (skewness), bak smdan uzakl g ler.
Basklk (kurtosis), yayvanl g incelemek iin kullanlr.
Bir rastsal de gi skenin normal da glma uyup uymad gn anlamak iin arpk-
lk ve basklk de gerlerine baklabilir.
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0 2 4 6 8 10 12 14 16 18 20
Y
o
u
n
l
u
k
X
STATSTKSEL DAILIMLARDA ARPIKLIK
N(9, 1)
Weibull(16, 16)
Ki-kare(4)
Bakml Saa arpk Sola arpk

0
0,1
0,2
0,3
0,4
0,5
-6 -4 -2 0 2 4 6
Y
o
u
n
l
u
k
X
STATSTKSEL DAILIMLARDA BASIKLIK
N(0; 0,75)
N(0, 1)
N(0; 1,25)
Sivri
Normal
Yayvan
1.2.3 Baz Kuramsal Olaslk Da glmlar
Normal Da glm
Ortalamas ve varyans srasyla ve
2
olan normal da glm (normal distribu-
tion) a sa gdaki OY
I ile gsterilir:
f(x) =
1
2
exp
_
1
2
(x )
2
2
_
, x
Normal da glan bir rd, X N(,
2
) seklinde gsterilir.
Normal e gri altnda kalan alann yakla sk yzde 68i de gerleri, yzde
95 kadar 2 de gerleri ve yzde 99,7 kadar da 3 de gerleri arasnda
yer alr.
lnl Normal Da glm
lnl normal da glm (standard normal distribution) iin = 0,
2
= 1dir ve
X N(0, 1) diye gsterilir. OY
Isi sudur:
f(x) =
1
2
exp
_
1
2
Z
2
_
, Z =
x
Formlde grlen exp i slemcisi, e zeri anlamna gelir.

ve
2
de gerleri verili ve normal da glan X rdsi, Z =
x
forml ile
lnl normal de gi sken Zye dn strlr.

rnek: X N(8, 4) olsun. Xin [6, 12] aras de gerler alma olasl g iin
Z
1
=
68
2
= 1 ve Z
2
=
128
2
= 2dir. izelgeden P(0 Z 2) = 0,4772
oldu gunu grrz. Bak sm nedeniyle P(1 Z 0) = 0,3413 bulunur.
Demek ki istenilen olaslk 0,3413 + 0,4772 = 0,8185tir.
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
-5 -4 -3 -2 -1 0 1 2 3 4 5
Y
o
u
n
l
u
k
X
LNL NORMAL DAILIM
N(0, 1)
Normal da glma ili skin baz zellikler sunlardr:
1. Normal da glmn 3. ve 4. merkezi beklemleri syledir:
3. merkezi beklem: E(X )
3
= 0
4. merkezi beklem: E(X )
4
= 3
4
Buna gre, lnl normal da glmn baskl g 3tr. Ayrca arpkl g 0 ol-
du gu iin bak sml (symmetric) olur.
2. Normal da glan bir rdnin tek sayl tm beklemleri sfrdr.
3. Normal rdlerin do grusal bile simleri de normal da glr. rnek: X
1
N(
1
,
2
1
)
ve X
2
N(
2
,
2
2
) iki ba gmsz rd olsun. E ger Y = aX
1
+ bX
2
ise,
Y N [(a
1
+ b
2
), (a
2
2
1
+ b
2
2
2
)] olur.
Normal da glma ili skin nemli bir nokta da Merkezi limit kantsav (cent-
ral limit theorem) ya da ksaca MLK (CLT) konusudur.
Merkezi limit kantsav gnmz olaslk kuramnn yap ta slarndan biridir.

MLKyi ksaca aklamak iin, ba gmsz ve benzer sekilde da glan (ortalama
= , varyans =
2
) n sayda X
1
, . . . , X
n
rastsal de gi sken varsayalm.
Kantsava gre bu rdler, n sonsuza giderken ortalamas ve varyans da
2
/n
olan normal da glma yaknsarlar.
Ba slangtaki OY
I ne olursa olsun bu sonu geerlidir.
2
(Ki-Kare) Da glm
Z
1
, Z
2
, Z
3
, . . . , Z
k
, k sayda lnl normal de gi sken olsun. Bu durumda
2
=
k
i=1
Z
2
i
rastsal de gi skeni,
2
seklinde gsterilen ki-kare (chi-square) da glmna uyar.
Buradaki k de geri, ki-kare de gi skenine ait serbestlik derecesi (degrees of
freedom) ya da ksaca sd (df) olarak tanmlanr.
Ki-kare da glmna ili skin baz zellikler sunlardr:
1. Ki-kare, sa ga arpk (right-skewed) bir da glmdr ancak serbestlik dere-
cesi arttka bak sma yakla sr.
2. k sdli bir
2
da glmnn ortalamas k, varyans ise 2kdir.
3. E ger Z
1
ve Z
2
iki ba gmsz da glan ki-kare de gi skeniyse, Z
1
+Z
2
toplam da
sd = k
1
+ k
2
olan bir
2
de gi skeni olur.
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
0 5 10 15 20 25 30
Y
o
u
n
l
u
k
X
K-KARE DAILIMI
Ki-kare(2)
Ki-kare(5)
Ki-kare(10)

Student T Da glm
Z
1
bir lnl normal de gi sken ve Z
2
de Z
1
den ba gmsz bir ki-kare de gi skeni
olsun. Bu durumda:
t =
Z
1
_
Z
2
/k
de gi skeni, k sd ile Student t (Students t) da glmna uyar.
Neredeyse tm al smalarn Student takma ad ile yazm s olan istatistiki
William Sealy Gosset (1876-1937) tarafndan bulunmu stur.
t da glm da normal da glm gibi bak sml ancak daha basktr. Sdsi yksel-
dike normal da glma yaknsar.
Ortalamas 0, varyans ise k > 2 iin k/(k 2)dir.
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
-5 -4 -3 -2 -1 0 1 2 3 4 5
Y
o
u
n
l
u
k
X
STUDENT T DAILIMI
t(120)
t(5)
t(1)
t(120) ~ Normal
Fisher-Snedecor F Da glm
Z
1
ve Z
2
, k
1
ve k
2
sdli ba gmsz iki ki-kare de gi skeni olsun. Bu durumda:
F =
Z
1
/k
1
Z
2
/k
2
,
k
1
ve k
2
sdli bir F da glm (F distribution) biiminde da glr.
F da glmna ili skin baz zellikler ise sunlardr:
1. Ki-kare da glm gibi F da glm da sa ga arpktr ama k
1
ve k
2
bydke F
da glm da normale yaknsar.

2. k
2
> 2 iin F da glmnn ortalamas syledir:
=
k
2
(k
2
2)
3. k
2
> 4 iin F da glmnn varyans syledir:
2
=
2k
2
2
(k
1
+k
2
2)
k
1
(k
1
2)
2
(k
2
4)
4. F ile t da glmlar arasnda su ili ski vardr: t
2
k
= F
1,k
5. E ger payda sdsi k
2
yeterince bykse F ve ki-kare da glmlar arasnda su
ili ski vardr: k
1
F
k
1
,k
2

2
k
1
0
0,2
0,4
0,6
0,8
1
1,2
1,4
1,6
0 1 2 3 4 5 6
Y
o
u
n
l
u
k
X
F DAILIMI
F(50, 50)
F(10, 10)
F(50, 10)

1.3

Istatistiksel karsama
1.3.1 Tahmin Sorunu

Istatistikte bilinmeyenleri tahmin etmenin genel yolu, bilinen bir olaslk da-
glmndan ekilen n boyutundaki rastsal rneklem verilerini kullanmaktr.
X, OY
Isi f(x; ) olan bir rastsal de gi sken olsun.

Burada , da glma ait herhangi bir anaktle katsaysdr.
Rastsal bir rneklem ekilip syle bir rneklem de gerleri i slevi geli stirilebilir:
= f(x
1
, x
2
, . . . , x
n
)
Bize nn bir tahminini veren

ya istatistik (statistic) ya da tahminci
(estimator) denir ve teta sapka (theta hat) diye okunur.
Tahmin (estimation) denilen bu sre iki blme ayrlr:
Nokta tahmini (point estimation) Aralk tahmini (interval estimation)
Nokta Tahmini ve Aralk Tahmini
Nokta tahmini, nn tahminini tek bir de ger olarak verir.
rnek: E ger

= 20 ise bu nn nokta tahminidir.
En kk kareler (least squares) ve enok olabilirlik (maximum likeli-
hood) yntemleri en yaygn kullanlan iki nokta tahmincisidir.
Aralk tahmini ise ncelikle iin

1
= f(x
1
, x
2
, . . . , x
n
) ve

2
= f(x
1
, x
2
, . . . , x
n
)
gibi iki tahminci tanmlar.
Daha sonra, gerek de gerinin belli bir gvenle (olaslkla) bulundu gu [
1
,

2
]
aral g tahmin edilir.
rnek: nn %95 gven aral g su olabilir: 19 21
Byle bir aral gn y ierdi gi kesin olarak bilinemez. Belirlenen aral gn y
ierme olasl g ya 0dr ya da 1dir.
yleyse, bu aral gn yorumu sudur: E ger byle 100 aralk hesaplanrsa, bun-
lardan 95i aslnda de geri bilinemeyen gerek y iermelidir.

Arzulanan

Istatistiksel zellikler
En kk kareler ve enok olabilirlik gibi tahmincilerde arzulanan (desi-
red) bir takm istatistiksel zellikler vardr.
Bunlar iki kmede inceleyebiliriz:
kk rneklem zellikleri (small sample properties)
kavu smazsal zellikler (asymptotic properties)
Kk rneklem zellikleri, tahmincinin snrl sayda gzlemden olu san r-
neklemlerde ta sd g zelliklerdir.
Tahmincinin kavu smazsal ya da byk rneklem zellikleri ise rneklem b-
ykl g sonsuza yakla stka gzlenir.
Yanszlk
E ger

gibi bir tahmincinin beklenen de geri gerek ya e sitse, bu tahminciye nn
yansz (unbiased) tahmincisi denir:
E(
) = ya da E(
) = 0
Kuramsal olarak yanszlk, ayn byklkte farkl farkl rneklemler ekilip
de katsay tahmini yaplabilirse, bu tahminlerin ortalamasnn giderek anakt-
ledeki gerek de gere yakla saca g anlamna gelir.
Bu durumda yanszlk bir tekrarl rnekleme (repeated sampling) zelli gi-
dir.
Enaz Varyansl Tahminci
1
in varyans; ya ili skin

2
,

3
, . . . gibi di ger tahmincilerin varyansndan kk
ya da ona e sit olsun. Bu durumda,

1
ya enaz varyansl tahminci (minimum va-
riance estimator) denir.
Enaz Varyansl Yansz Tahminci
1
ve

2
, nn iki yansz tahmincisi olsun. E ger

1
nn varyans

2
nn varyansndan
kk ya da ona e sitse

1
tahmincisine enaz varyansl yansz (minimum variance
unbiased) ya da en iyi yansz (best unbiased) ya da etkin (efcient) tahminci
denir.

0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
-15 -10 -5 0 5 10 15
Y
o
u
n
l
u
k
X
STATSTKSEL DAILIMLARDA ENAZ VARYANSLILIK VE YANSIZLIK
N(5, 1)
N(0, 4)
N(0, 9)
Enaz varyansl
ancak yanl
Enaz varyansl yansz
Yansz ancak enaz
varyansl deil
E(X)=0 N:
Kavu smazsal Yanszlk
n gzlemli bir rneklem iin

n
tahmincisinin kavu smazsal yansz (asymptoti-
cally unbiased) bir tahminci olabilmesi iin nn su ko sulu sa glamas gereklidir:
lim
n
E(
n
) =
Di ger bir deyi sle, rneklem bykl g artarken e ger

nn beklenen ya da or-
talama de geri gerek ya yaknsyorsa,

tahmincisi kavu smazsal yanszdr.
Tutarllk
rneklembykl g n artarken

tahmincisi ya yaknsyorsa,

ya tutarl (con-
sistent) tahminci denir.
Di ger bir deyi sle, tutarl tahmincilerde n byrken

nn beklenen de geri ger-
ek ya yakla sr ve ayn zamanda varyans da klr.
Dikkat: Yanszlk ve tutarllk zellikleri kavramsal olarak ok farkldr. Tu-
tarllk yalnzca kavu smazsal bir zelliktir.
Tutarll gn yeterli ko sulu rneklem sonsuza yakla srken hem yanll gn hem
de varyansn sfra do gru gitmesidir.

tahmincisinin kavu smazsal da glmnn varyansna,

ya ait kavu smazsal
varyans (asymptotic variance) denir.

Kavu smazsal Etkinlik
E ger

tutarlysa ve

nn kavu smazsal varyans di ger tm tahmincilerin kavu smaz-
sal varyanslarndan kkse,

ya kavu smazsal etkin (asymptotically efcient)
tahminci denir.
Kavu smazsal Normallik
rneklem byrken e ger

tahmincisinin rneklem da glm da normal da glma
yaknsyorsa, bu tahmincinin kavu smazsal normal (asymptotically normal) da-
gld g sylenir.
Kavu smazsal normallik zelli gi, merkezi limit kantsavnn bir sonucudur.
Do grusallk
tahmincisi e ger rneklem gzlemlerinin do grusal bir i slevi ise, buna nn do g-

rusal (linear) tahmincisi denir. rnek olarak:
= (ax
1
+ bx
2
+ cx
3
+ . . . ) {a, b, c, . . . } R
tahmincisi nn do grusal bir tahmincisidir.
En iyi Do grusal Yansz Tahminci
e ger nn farkl do grusal tahmincileri arasnda yansz ve enaz varyansl tahmin-

ciyse,

ya en iyi do grusal yansz tahminci (best linear unbiased estimator), k-
saca EDYT (BLUE) denir.
1.3.2 nsav Snamas
nsav snamas konusu a sa gdaki gibi zetlenebilir:
X, OY
Isi f(x; ) bilinen bir rastsal de gi sken olsun.

Burada , da glmn herhangi bir anaktle katsaysdr.
Genellikle gerek bilinemez ancak tahmin edilebilir.
n bykl gnde bir rastsal rneklem ekilerek

tahmincisi bulunmu s olsun.
nsav snamas yntemi kullanlarak, anaktle katsays nn varsaylan bir
de geriyle uyumlulu gu snanabilir.

Bunun iin, eldeki

tahmini ve bu tahminin olaslk da glm ile ilgili bilgi ya
da varsaymlardan yararlanlr.

Sfr nsav ve Alma sk nsav
Anaktle katsays nn seili bir
de gerine e sit olup olmad g snanmak

isteniyor olsun.
Bu durumda, =
savna sfr nsav (null hypothesis) ad verilir ve

H
0
: =
ile gsterilir.
Bu sfr nsav, H
1
: =
ile gsterilen alma sk nsav (alternative hy-

pothesis) savna kar s snanr.
I. ve II. Tr Hatalar
Snama sonular de gerlendirilirken dikkatli olunmaldr.
Snama sonucu bir olaslk de geri olaca g iin hatal bir karara varlmas ola-
sdr.
E ger H
0
aslnda do gruyken reddedilirse, buna I. tr hata (type I error) de-
nir.
E ger H
0
aslnda yanl sken reddedilmezse, buna da II. tr hata (type II er-
ror) denir.
izelge: I. ve II. Tr Hatalar
Gerek Durum
Karar H
0
Do gru H
0
Yanl s
H
0
Reddedilir I. tr hata Hata yok
H
0
Reddedilmez Hata yok II. tr hata
Anlamllk Dzeyi
Yaznda I. tr hata olasl g ile gsterilir ve anlamllk dzeyi (signi-
cance level) adyla anlr.
nsav snamasna klasik yakla sm I. tr hatann II. tre gre daha ciddi oldu-
gudur.
Dolaysyla, uygulamada 0,01 ya da 0,05 gibi d sk bir dzeyde tutularak
I. tr hata yapma olasl g azaltlr.
(1 ) de geri I. tr hatay yapmama olasl gn gsterdi gi iin buna gven
katsays (condence coefcient) denir.
rnek olarak, e ger anlamllk dzeyi = 0,05 olarak seilmi sse, gven kat-
says (1 ) = 0,95 ya da %95 olur.

Anlamllk Snamas ve Gven Aral g
nsav snamasna iki farkl yakla sm vardr:
gven aral g (condence interval)
anlamllk snamas (test of signicance)
Gven aral g yakla smnda, anaktle katsays iin tahmin edilen

ya da-
yanan bir %100(1 ) aral g kurulur ve bunun =
de gerini ierip ier-

medi gine baklr.
E ger bulunan gven aral g
ieriyorsa sfr nsav reddedilmez, iermi-

yorsa reddedilir.
Anlamllk snamas yakla smnda ise =
varsaymna ili skin bir snama

istatisti gi hesaplanr ve bu istatisti gi elde etme olasl gnn ne oldu guna bak-
lr.
E ger bu olaslk seilen de gerinden kkse sfr nsav reddedilir, bykse
reddedilmez.
Belli bir uygulamada bu iki yakla sm ayn sonucu verir.
nsav Snamas zet
Istatistiksel bir nsavn snanmasnn admlar ksaca syledir:

1. Bir snama istatisti gi alnr. rnek:

X
2. Snama istatisti ginin olaslk da glm belirlenir. rnek:

X N(,
2
/2)
3. Sfr nsav ve alma sk nsav belirtilir. rnek: H
0
: = 75, H
1
: = 75
4. Anlamllk dzeyi seilir. rnek: = 0,05
5. Snama istatisti ginin olaslk da glmndan bir %100(1 ) gven aral g ku-
rulur ya da sfr nsavna ili skin istatistik hesaplanarak bunu elde etmenin
olasl gna baklr.
6. Elde edilen sonulara gre sfr nsav reddedilir ya da reddedilmez. Karar
verilirken her 100 deneyde 100 kez yanl s sonu bulma riski oldu gu unutul-
maz.

nmzdeki Dersin Konusu ve dev
dev
Kitaptan Appendix A A Review of Some Statistical Concepts okunacak.
nmzdeki Ders
Ekonometri Nedir?
Blm 2
Ekonometri Nedir?
2.1 Ekonometri Nedir?
2.1.1 Ekonometrinin Konusu
Ekonometri
Szck anlam ile ekonometri, ekonomik lm demektir. Matematiksel ara ve is-
tatistiksel hesaplama yntemlerinin ekonomi kuram ile birle stirildi gi uygulamal
bir bilim daldr.
Neden Ayr Bir Bilim Dal?
Ekonometri; kuramsal iktisat, matematiksel iktisat ve iktisadi istatistikten ayr
bir bilim daldr nk:

Iktisat kuram o gunlukla nitel sylem ya da nsavlar ne srer.

Iki de gi sken
arasndaki ili skinin ynne odaklanrken ili skinin saysal lmn vermez.
Ekonometri ise iktisat kuramna grgl (empirical) bir ierik katar.
Matematiksel iktisatn grevi iktisat kuramn matematiksel kalplar ierisine
sokmaktr. Di ger yandan matematiksel e sitliklerin ekonometrik e sitlikler ha-
line sokulmas ve do grulanmas ile ekonometri ilgilenir.

Iktisadi istatisti gin ilgi alan iktisadi verileri derlemek ve i slemektir. Toplanan
bu verilerin kullanlarak iktisadi kuramlarn do grulanmas ve saysal kestirim-
ler yaplmas i sini ise ekonometri stlenir.
Ekonometrinin

Ilgilendi gi Konular
Ekonometri temel olarak konu ile ilgilenir:
32
Ekonometri Nedir? A. Talha Yalta (2007 - 2011)
1. Ekonomik ili skilerin incelenerek de gerlendirilmesi,
2. Ekonomik davran sla ilgili e sitli nsavlarn snanmas,
3. Ekonomik byklklere ynelik yordama (forecast) yaplmas.
Ekonomik

Ili skilerin

Incelenmesi Konusu
Verilere dayanarak ekonomik ili skilerin incelenmesi ve de gerlendirilmesi ile il-
gili olarak a sa gdaki rnekler verilebilir:
Kamu ya da zel sektr tarafndan piyasada var olan e sitli mal ve hizmetlere
olan arz ve talebin llmesi.
zel bir rma tarafndan yaplan reklam harcamalarnn sat s ve kazan ze-
rindeki etkisinin incelenmesi.
Bir sirketin hisse senetlerinin de geri ile o sirketin ekonomik performans gs-
tergeleri arasnda ili ski kurulmas.
Devletin uygulad g e sitli maliye ve para politikalarnn toplamgelir, i ssizlik,
faiz oranlar, ithalat ve ihracat gibi nemli de gi skenler zerindeki etkilerinin
zmlenmesi.
Bir belediyenin o blgede i s yapmakta olan bir sirketin konut, i sgc gibi de-
gi skenler ve okul, elektrik gibi kamu hizmetlerine olan talebi nasl etkiledi gini
ara strmas.
Ekonomik nsavlarn Snanmas Konusu
Ekonomik davran sla ilgili e sitli nsavlarn snanmasna ili skin olarak a sa g-
daki rnekler verilebilir:
Ticari bir sirketin yeni ba slatt g reklam kampanyasnn sat slar artrp artr-
mad gna karar verilmesi.
Bir mal ya da hizmete olan talebin yat ya da gelir ynnden esnek olup
olmad gnn incelenmesi.
Verili bir retim le gine gre getirinin artan dzeyde mi yoksa azalan d-
zeyde mi oldu gunun saptanmas.
Kamuya ait e sitli ekonomi politikalarnn ksa ya da uzun dnemde etkili
olup olmad gnn snanmas.
Yeni bir yasal dzenlemenin toplum ve ekonomi zerinde kayda de ger bir
etkisinin olup olmad gna karar verilmesi.
Ekonomik De gi skenlerin Yordanmas Konusu
Ekonomik de gi skenlerin yordanmasna ili skin olarak a sa gdaki rnekler verile-
bilir:
Ticari rmalarn sat s, kar, maliyet ve envanter gibi bilgilerini dzenli olarak
yordamalar.
Gelecekteki enerji talebinin tahmin edilerek gereksinim duyulan yatrmlara
bugnden karar verilmesi.
Borsa endekslerinin ve e sitli rmalarn hisse senedi yatlarnn izleyece gi
ynn kestirilmesi.
Devlet ve kamu kurulu slarnn ksa ve uzun vadede i ssizlik, enasyon, vergi
gelirleri, kamu harcamalar ve bte a g gibi konularda gelece ge ynelik
tahminde bulunmalar.
Belediyelerin dzenli olarak nfus, istihdam, kirlilik, yol, polis ve okul ihti-
yac gibi de gi skenleri yordamalar.
Ekonometrinin Uygulama Alanlar
Ekonometrik yntemler gnmzde ekonomi d snda birok alanda yaygn se-
kilde kullanlmaktadr. Bunlara rnek olarak a sa gdakiler gsterilebilir:
Siyaset bilimi
Tarih
Sosyoloji
Psikoloji
Biyoloji
Tp
Finans
E gitim
Pazarlama
2.1.2 Ekonometrinin Yntembilimi
Ekonometrik konularn incelenmesi genellikle rastsal rneklem verileri zerinde
zmleme (analysis) yaplmasna dayanr. Bu nedenle tm ekonometrik al s-
malarda bir hata etmeni de bulunur.
llm s olan ili skilerin kesin olmamas,
nsav snama sonularnn hatal olabilmesi,
Tahminlerin tutturulamamas
gibi riskler kar ssnda ekonometriciler genellikle de gi skenler arasnda birden fazla
ili skiyi incelerler. Daha sonra, e sitli snamalar kullanlarak gerek davran sn hangi
ili ski tarafndan en iyi sekilde akland gna karar verilir.
Ekonometri Yntembiliminin Ana izgileri
Bir iktisadi sorunun zmlenmesinde ekonometrinin izledi gi yntembilim
(methodology) su sekilde zetlenebilir:
1. Kuramn ya da nsavn ortaya konulmas
2. Kuramn matematiksel modelinin kurulmas
3. Kuramn ekonometrik modelinin belirtimi
4. Verilerin elde edilmesi
5. Ekonometrik modelin katsay tahmini
6. e sitli nsav snamalarnn yaplmas
7. karsama ve yordama
8. Modelin denetim ya da politika amal kullanlmas
2.1.3 Uygulama: Keynesi Tketim Kuram
Ekonometrinin 8 admla zetlemi s oldu gumuz yntembilimini gsterebilmek iin,
Keynesin nl tketim kuramn ele alalm.
Adm 1: Kuramn ortaya konulmas
ncelikle incelenecek konu zerinde d snlmeli ve bu konuda iktisat kuramnn
neler syledi gi dikkatlice gzden geirilmelidir.
Keynes der ki:
Temel psikolojik yasa . . . insanlar gelirleri arttka, kural ola-
rak ve ortalama olarak, tketimlerini artrma e gilimindedirler. Yal-
nz bu art s gelirlerindeki art s kadar olmaz.
Ksaca Keynes, gelirdeki 1 birimlik art sa kar slk tketimde grlen de gi sik-
li gi len marjinal tketim e gilimi MTEnin 0dan byk ve 1den kk bir
de ger alaca gn sylemi stir.
Adm 2: Matematiksel modelin belirtilmesi
Iktisadi ili ski matematiksel olarak anlatlabilmelidir.

Keynes, tketim ile gelir arasnda ayn ynl bir ili ski ne srm sse de bu
ili skinin i slev biimini aka belirtmemi stir.
Bunun iin su tek denklemli matematiksel model nerilebilir:
C =
1
+
2
Y, 0 <
2
< 1
Burada
C (tketim) ba gml de gi sken (dependent variable),
Y (gelir) aklayc de gi sken (explanatory variable),
1
sabit terim (constant term),
2
ise e gim de gi stirgesi (slope parameter)
olarak tanmlanr.
Adm 3: Ekonometrik modelin belirtilmesi
Iktisadi de gi skenler arasndaki ili skiler kesin olmad g iin rastlantsall g dikkate
alan bir ekonometrik model belirtilmelidir.
Gelirin yan sra aile bykl g, ya s, e gitim gibi etmenlerin de tketim har-
camalarn etkileyebildi gini biliyoruz.
Kesin olmayan ili skileri dikkate alabilmek iin, ekonometrik model a sa gdaki
gibi tanmlanr:
C =
1
+
2
Y +
Buradaki terimi tketimi etkileyen ama gzlenemeyen, llemeyen ya da
basitlik ilkesi nedeniyle aka dikkate alnmayan di ger tm etmenleri temsil
eder.
Hata terimi (error term) olarak da bilinen , iyi tanml olaslksal zellik-
leri olan bir rastsal de gi skendir.
Adm 4: Verilerin Elde Edilmesi
Ekonometrik modelin tahmin edilebilmesi iin ilgili verilerin elde bulunmas gerek-
lidir.
19872006 yllar arasnda Trkiyedeki toplam tketim ve gayrisa yurtii
hasla (1987 yatlar, milyon TL) syledir:
izelge: Trkiyede Tketim ve GSYH (19872006)
Yl C Y Yl C Y
1987 51.019 74.416 1997 77.620 112.892
1988 51.638 76.143 1998 78.113 116.541
1989 51.105 76.364 1999 76.077 111.083
1990 57.803 83.371 2000 80.774 119.147
1991 59.366 84.271 2001 73.356 110.267
1992 61.282 88.893 2002 74.894 118.923
1993 66.545 96.391 2003 79.862 125.778
1994 62.962 91.600 2004 87.897 137.110
1995 66.011 97.729 2005 95.594 147.200
1996 71.614 104.940 2006 100.584 156.249
Adm 5: Modelin tahmini
Verilerin sa glanmasnn ardndan, ba sta belirtilen ekonometrik model eldeki verilere
yak strlr.
Ba glanm (regression) zmlemesi denilen yntemin uygulanmas ile bu-
lunan
1
ve
2
tahminleri syledir:
C = 8,03 + 0,59Y
C teriminin zerindeki () sapka (hat) i sareti, bunun bir tahmin oldu gunu
gstermektedir.
19872006 aras dnem iin otonom tketimi gsteren
1
, 8,03 milyon TL
olarak tahmin edilmi stir.

2
katsays ise yakla sk 0,59 bulunmu stur.
Buna gre, rneklem dneminde gerek (real) gelirdeki 1 milyon TL b-
ykl gndeki bir art s tketimharcamalarnda ortalama yakla sk 590.000 TLlik
bir art sa yol amaktadr.
50
60
70
80
90
100
80 90 100 110 120 130 140 150 160
T
o
p
l
u

z
e
l

N
i
h
a
i

T
k
e
t
i
m

H
a
r
c
a
m
a
l
a
r
Gayri Safi Yurtii Hasla

TRKYE 1987-2006 YILLARI ARASI MLL GELR VE TKETM HARCAMALARI LKS
50
60
70
80
90
100
80 90 100 110 120 130 140 150 160
T
o
p
l
u

z
e
l

N
i
h
a
i

T
k
e
t
i
m

H
a
r
c
a
m
a
l
a
r

Y = 8,03 + 0,593X
Adm 6: nsav snamalar
Iktisat kuramlarnn verilerden elde edilen kantlara dayanarak do grulanmas ya da

yanl slanmas istatistiksel karsama (statistical inference) ile olur.
Keynes, tketimdeki marjinal art sn sfrla bir arasnda olmasn bekliyordu.
Model tahminine gre tketim do grusunun e gimi 0,59dur.
Ancak eldeki bulgunun Keynesin kuramn do grulad g sonucuna varmadan
nce, bunun bir rastlant eseri olup olmad gna belli bir gvenle karar vermek
gereklidir.
Bu noktada 0,59 de gerinin istatistiksel olarak 1den kk olup olmad gn
bulmak iin e sitli istatistiksel karsama yntemleri uygulanr.
Adm 7: Yordama
Eldeki model e ger kuram ve nsav do gruluyorsa, ba gmsz de gi sken ya da ba gml
de gi skenin gelecekteki de gerlerini tahmin etmede de kullanlabilir.
rnek olarak, 2007 ylnda GSYHnin 165 milyon TL olaca g beklenirse t-
ketim harcamalar tahmini de syle bulunur:
C = 8,03 + 0,59 165

= 105,38
Demek ki tketimin gelecek de gerinin yordamas 105,38 milyon liradr.
Adm 8: Politika amal kullanm
Yararll g kantlanan model son olarak denetim ve politika amalaryla da kullan-
labilir.
Tketim harcamalar 100 milyon TL dzeyinde tutulursa yzde 5lik bir enf-
lasyonun sa glanabilece gini varsayalm. Buna gre hedeenecek gelir sudur:
100 = 8,03 + 0,59 Y
= 156
Demek ki uygun bir ekonomi politikasyla devlet C denetim de gi skeni
(control variable) aracl gyla hedef de gi sken (target variable) Y iin is-
tenen dzeyi elde edebilir.
Bilgisayar ve Bilgisayar Yazlmlarnn Rol
Bilgisayar ve bilgisayar yazlmlar olmadan ekonometrinin temelini olu stu-
ran geli smi s ba glanm ve veri zmleme yntemlerini uygulamay d sn-
mek bile olanakszdr.
1940larda ortaya kan bilgisayarlar, iktisatlar tarafndan ilk kez 1950lerde
kullanlmaya ba slam str.

Ilk ekonometrik yazlmlar ise kamu kurumlar ve niversite ana bilgisayarla-
rnda kullanlmak zere 1960larda ortaya km str.
Ba sta sayca iki elin parmaklarn gemeyen ekonometrik yazlmlar, 1980lerde
ki sisel bilgisayarlarn yaygnla smas ile birlikte hzla o galarak yzler dze-
yine ula sm str.
Bilgisayarlardaki byk ba sarm (performance) art slar ekonometri bili-
minde de grlar am str. Giderek daha da karma skla san ve yksek mali-
yetler gerektiren ekonometri yazlmlar 1990lardan sonra sayca azalmaya
ba slam str.
Gnmzde, ekonometrik al smalarda yaygn olarak kullanlan yazlmlar-
dan bazlar sunlardr:
izelge: Ekonometrik zmlemeye Ynelik Baz Yazlmlar
Yazlm Tr Yazlm Tr
Eviews Ekonometri yazlm R Programlama dili
GAUSS Programlama dili RATS Ekonometri yazlm
Gretl Ekonometri yazlm SAS ok amal paket
LimDep Ekonometri yazlm SPSS ok amal paket
MATLAB ok amal paket Stata Ekonometri yazlm
OxMetrics Ekonometri yazlm TSP Ekonometri yazlm
Bir iktisat grencisi yukardaki programlardan en az birini kullanmay gren-
melidir.
Bu do grultuda ticari yazlm olarak Stata ve Eviews, ak kaynakl yazlm
olarak ise R ve Gretl nerilir.
Bu ders notlarnda Gretl temel alnm s, tm grsel geler Gretl kullanlarak ha-
zrlanm s ve rneklerde kullanlan zgn veriler de yine Gretl dosyas olarak sunul-
mu stur.
Bunun ba slca be s nedeni vardr:
Gretl, modern ve ileri ekonometri yntem ve aralarn ieren kapsaml bir
yazlmdr.
grenmesi ve kullanmas zevkli ve son derece kolaydr.
zgr ve ak kaynakl yazlm oldu gu iin cretsizdir ve herkesin kullan-
mna aktr.
Trke dilini destekleyen ilk ve tek ekonometri yazlmdr.
Hzl bir sekilde geli smekte ve giderek yaygnla smaktadr.
Son olarak, Gretl ya da ba ska bir yazlm iyi grendikten sonra di gerlerini de g-
renmenin grece kolay oldu gu unutulmamaldr.
Ekonometri Siiri
Ekonometri Nedir? tart smasn Gazi niversitesi gretim yesi Prof. Dr.
Nihat Bozda gn gzel siiri ile noktalayalm:
EKONOMETR
I
Hep elden geirilir birer birer Sosyal ara strmalara baz verir
Titizlikle ayklanr veriler Bilimsel geli smelere hz verir
Bilimsel al sma en byk hner Ara strmacya byk haz verir
Bilimlere rehber Ekonometri Gnllerde eser Ekonometri
Laa gerek bulgulara varlmaz Teknolojik geli simli kulvarda
Yntemsiz al sma bilim saylmaz

Iktisaden problemli yollarda
Ekonometrisiz hi al slmaz Bol sorunlu ikibinli yllarda
Verileri szer Ekonometri Sorunlar zer Ekonometri
http://www.nihatbozdag.net/ adresinden Prof. Dr. Nihat Boz-
da gn ki sisel Internet sayfasna ula sabilirsiniz.
dev
Kitaptan Introduction blm (sayfa 114) okunacak.
nmzdeki Ders
Ba glanm zmlemesi
Blm 3
Ba glanm zmlemesi
3.1 Temel Kavramlar
3.1.1 Ba glanm Teriminin Anlam
Ba glanm Teriminin Anlam

Ingilizce regression teriminin szck anlam, istatistikteki sradanl ga do gru
ekilme (regression toward mediocrity) olgusundan gelmektedir.
Bu terim ilk kez

Ingiliz antropolog, meteorolojist, ka sif, mucit ve istatistiki
Sir Francis Galton (1822 - 1911) tarafndan kullanlm str.
Galton nl bir yazsnda belli bir boydaki anne-babalarn yeti skin ocukla-
rnn ortalama boylarnn genel nfustaki ortalama boya ekilme e giliminde
oldu gunu bulmu stur.
Gnmzde kullanlan anlamyla regression ba gml bir de gi skeni, tahmin
ya da karm amacyla farkl ba gmsz de gi skenler ile ili skilendiren istatis-
tiksel bir yntemdir.
Bu terimin uygun ve do gru Trke kar sl g ise ba glanm szc gdr (Bkz.
TDK

Istatistik Terimleri Szl g).
43
Ba glanm zmlemesi A. Talha Yalta (2007 - 2011)
60
65
70
75
60 65 70 75
Y
e
t
i
k
i
n

o
c
u
k
l
a
r
n

B
o
y
l
a
r

(
i
n
)
Anne ve Babalarn Ortalama Boylar (in)
YETKN OCUK BOYLARININ DAILIMI
Y = 16,2 + 0,763X
Y = X
Ba glanm terimi istatistikte bir zmleme yntemini anlatr:
Ba glanm zmlemesi
Ba glanm zmlemesi, bir ba gml de gi skenin ba ska aklayc de gi skenlerle olan
ili skisini, birincinin ortalama de gerini ikinci(ler)in bilinen ya da sabit de gerleri cin-
sinden tahmin etme ya da kestirme amacyla inceleyen bir istatistiksel yntemdir.
Di ger bir deyi sle, ba glanmyntemi, ba gml de gi skendeki de gi siklikleri ak-
layc de gi sken denilen e sitli etmenleri denetim altnda tutarak inceler.
Ba glanm zmlemesindeki ilgi oda g kesin ili skiler de gil istatistiksel ili ski-
lerdir.
Kullanlan de gi skenler genellikle rastsal ya da olaslksal (stochastic) ya da
olaslk da glm olan de gi skenlerdir.
Ba glanm ile

Ilgili Temel Terimler
Ba glanm zmlemesinde kullanlan sol ve sa g yan de gi skenleri yaznda
farkl adlar ile kar smza kabilirler:
SOL YAN (Y) SA
G YAN (X)
Trke

Ingilizce Trke

Ingilizce
Aklanan de gi sken (Explained variable) Aklayc de gi sken(Explanatory variable)
Ba gml de gi sken (Dependent variable) Ba gmsz de gi sken(Independent variable)
Ba glanan (Regressand) Ba glayan (Regressor)
Kestirilen (Predictand) Kestiren (Predictor)
Tepki de gi skeni (Response variable) Denetim de gi skeni (Control variable)
Isel de gi sken (Endogenous variable) D ssal de gi sken (Exogenous variable)

Ba glanm ve Nedensellik
Istatistiksel bir ili ski kendi ba sna bir nedensellik anlam ta smaz. M. G. Kendal
ve A. Stuartn szleriyle:
Istatistiksel bir ili ski ne denli gl ve ne denli anlaml olursa ol-

sun, asla nedensel bir ili ski kuramaz. Bizim nedensellik d sncelerimiz
istatisti gin d sndan, eninde sonunda su ya da bu kuramdan gelmelidir.
Ba glanm ve

Ilinti

Ilinti (correlation) zmlemesi, iki de gi sken arasndaki do grusal ili skinin

gcn inceler.
Ba glanm zmlemesi ve ilinti zmlemesi yakndan ili skili olsa da bu iki
yntem arasnda nemli kavramsal farklar vardr.

Ilinti zmlemesinde herhangi iki de gi sken bak sml (symmetric) olarak
ele alnabilir.
Di ger bir deyi sle ba gml ve aklayc de gi skenlerden sz edilmez.
Ba glanm zmlemesinde ise de gi skenlerin ele aln s tek ynldr. Ba gml
de gi skenin olaslksal oldu gu, aklayc de gi sken(ler)in ise de gi smeyen de-
gerler ald g varsaylr.
3.1.2 Ekonometrik zmlemede Kullanlan Verilerin Niteli gi
Veri Seti Trleri
Grgl (empirical) zmlemelerde tr veri seti kullanlr:
1. Zaman serisi (time series) veri setleri
2. Yatay-kesit (cross-sectional) veri setleri
3. Karma (pooled) veri setleri
Zaman Serileri
Zaman serisi, bir de gi skenin farkl zamanlarda gzlenen bir de gerler setidir.
Zaman serilerine rnek olarak a sa gdakiler gsterilebilir:
Hisse senedi yatlar (gnlk / dakikalk)
Para arz (haftalk)
Tketici Fiyat Endeksi (aylk)
Gayri Sa Milli Hasla ( aylk)
Hkmet btesi (yllk)
Genel seim sonular (drt yllk)
Yatay-Kesit Verileri
Yatay-kesitsel veriler, zaman iinde belli bir noktada derlenerek olu sturulan veri
setleridir.
Yatay-kesit verilerine rnek olarak sunlar gsterilebilir:
T
IK tarafndan belli aralklarla dzenlenen tketici harcamalar anketi

e sitli kurumlarca yrtlen kamuoyu ara strmalar
Hisse senedi yatlarnn belli bir gn sonundaki de gerleri
Karma Veriler
Karma veriler, hem zaman serisi hem de yatay-kesit geleri ieren verilerdir.
Karma verilere rnek olarak e sitli illere ait gelir, i ssizlik, i g gibi istatis-
tikleri ieren bir veri seti gsterilebilir.
Panel (panel) verileri denen zel bir karma veri tipi vardr:
Panel Verileri
Birden fazla de gi skenin zaman ierisinde izlenilmesi ile ortaya kan veri seti tr-
dr.
Panel verilerine rnek olarak ABD Michigan niversitesi tarafndan dzenle-
nen Panel Study of Income Dynamics (PSID) veri taban gsterilebilir.
Aldklar de gerler bakmndan ise veriler ikiye ayrlrlar:
Nicel Veriler
Gelir, yatlar, para arz, faiz oranlar . . .
Nitel Veriler
Erkek / kadn, evli / bekar, niversite mezunu / de gil, . . .
Verilerin Do gruluk Derecesi
Ekonomik ara strmalarda kullanlan veriler o gu zaman nitelik ynnden ok
iyi dzeyde olamayabilmektedirler:
o gu toplum bilim verileri deneysel olmad g iin gzlem hatalar iermekte-
dir.
Deneysel verilerde bile lm hatalar olabilmektedir.
Anketle toplanan verilerde yant alamama sorunu ya da seim yanll g (se-
lection bias) do gabilmektedir.
Kullanlan rnekleme yntemi rnekleme yanll g (sampling bias) soru-
nuna yol aabilmektedir.
Toplula strmal (aggregated) iktisadi veriler hane halk gibi mikro birimler
iin fazla aklayc olamayabilmektedir.
Sonu olarak; ekonometrik yntemlerin ba sars kullanlan verilerin kaynak, nitelik
ve do gruluk derecesine ba gldr.
3.2 Varsaymsal Bir rnek
3.2.1 Ko sullu Olaslk ve Ko sullu Ortalama
Varsaymsal Bir rnek
Ba glanm zmlemesine ba slang olarak ikili ba glanm modelini inceleye-
ce giz.

Iki de gi skenli durum o gu uygulama iin yetersiz olsa da temel bilgileri ola-
bildi gince yaln gsterebilmek asndan nemlidir.

Ikili ba glanma varsaymsal bir rnek olarak toplam nfusu 60 aileden olu san
bir lke d snelim.
Bu ailelerin vergiden sonraki harcanabilir haftalk gelirleri X ve haftalk t-
ketim harcamalar Y arasndaki ili skiyi tahmin etmek istiyor olalm.
Bunun iin ncelikle bu 60 aileyi gelirleri yakla sk ayn olan 10 farkl be ge
ayralm.
rne gimiz ile ilgili varsaymsal veriler a sa gdadr:
izelge: Haftalk Aile Geliri X ile Haftalk Tketim Harcamalar Y , $
Y , X 80 100 120 140 160 180 200 220 240 260
55 65 79 80 102 110 120 135 137 150
60 70 84 93 107 115 136 137 145 152
65 74 90 95 110 120 140 140 155 175
70 80 94 103 116 130 144 152 165 178
75 85 98 108 118 135 145 157 175 180
88 113 125 140 160 189 185
115 162 191
Toplam 325 462 445 707 678 750 685 1043 966 1211
Buradaki her bir stun, farkl gelir dzeylerine (X) kar slk gelen tketim
harcamalar (Y ) da glmn gstermektedir.
Ko sullu Olaslk ve Ko sullu Ortalama
rnekteki X = 80 de gerine kar slk gelen 5 ayr Y de geri bulunmaktadr: 55,
60, 65, 70 ve 75.
Yukardaki tketim harcamalarnn her birinin gerekle sme olasl g ise
1
5
tir.
Bu durumda, X = 80 oldu gunda Y nin de 55 olma ko sullu olasl g (con-
ditional probability) P(Y =55|X =80) =
1
5
tir.
Ko sullu ortalama (conditional mean) ya da ko sullu beklenen de ger (con-
ditional expected value) ise Y nin her bir ko sullu olaslk da glm iin bekle-
nen de gerini gsterir.
Ko sullu ortalamay bulmak iin ilgili Y de gerleri ve bunlara kar slk gelen
ko sullu olaslklar arplp toplanr.
rnek olarak, X = 80 iken Y nin ko sullu ortalamas 55(
1
5
)+60(
1
5
)+65(
1
5
)+
70(
1
5
) + 75(
1
5
) = 65 olur.
izelge: P(Y |X
i
) Ko sullu Olaslk ve Ko sullu Ortalamalar
Y , X 80 100 120 140 160 180 200 220 240 260
1/5 1/6 1/5 1/7 1/6 1/6 1/5 1/7 1/6 1/7
1/5 1/6 1/5 1/7 1/6 1/6 1/5 1/7 1/6 1/7
1/5 1/6 1/5 1/7 1/6 1/6 1/5 1/7 1/6 1/7
1/5 1/6 1/5 1/7 1/6 1/6 1/5 1/7 1/6 1/7
1/5 1/6 1/5 1/7 1/6 1/6 1/5 1/7 1/6 1/7
1/6 1/7 1/6 1/6 1/7 1/6 1/7
1/7 1/7 1/7
Ortalama 65 77 89 101 113 125 137 149 161 173
3.2.2 Anaktle Ba glanm

I slevi
Anaktle Ba glanm

I slevi
Verilerimizi serpilim izimi (scatter plot) zerinde inceleyelim:
60
80
100
120
140
160
180
200
80 100 120 140 160 180 200 220 240 260
H
a
f
t
a
l
k

T
k
e
t
i
m

H
a
r
c
a
m
a
l
a
r
Haftalk Gelir
ETL GELR DZEYLER N HARCAMALARIN KOULLU DAILIMI
Y = 17,0 + 0,600X
izimde grlen art e gimli do grunun gsterdi gi matematiksel i slev anaktle
ba glanm i slevi (population regression function) ya da ksaca AB
I (PRF) olarak
adlandrlr:
Anaktle Ba glanm

I slevi
Anaktle ba glanm i slevi, aklayc de gi sken(ler)in sabit de gerlerine kar slk gelen
ba gml de gi skenin ko sullu ortalamalar ya da ko sullu beklenen de gerlerinin ge-
ometrik yerini gsterir.
Her ko sullu ortalama Xin bir i slevidir: E(Y |X
i
) = f(X
i
).
Anaktle ba glanm i slevi denilen f(X
i
), Xteki de gi smeye kar slk Y nin da-
glmnn ortalama tepkisini vermektedir.
Ksaca Y nin ortalama de geri ile ilgileniyoruz ama zellikle de Y nin ortala-
masnn Xlere ba gl olarak nasl de gi sti gini bulmaya al syoruz.
f(X
i
)nin i slev biiminin ne oldu gu sorusu nemlidir.
Gerek ya samda tm anaktle incelemeye ak olmad g iin burada iktisat
kuramndan yararlanlmaldr.
rnek olarak, bir ekonomist tketim harcamalarnn gelirle do grusal bir ili ski
iinde oldu gunu sylyor olsun.
Bu durumda varsaylabilecek do grusal i slev de su olur:
E(Y |X
i
) = f(X
i
) =
1
+
2
X
i
Do grusal (linear) i slev, de gi skenlerde do grusallk (linearity in the variab-
les) ve de gi stirgelerde do grusallk (linearity in the parameters) olmak zere iki
farkl anlama gelebilir:
De gi skenlerde Do grusallk
Do gal ve basite ba glanm i slevinin dz bir do gruyu gsterdi gi durumdur.
Do grusal: Y
i
=
1
+
2
X
i
Do grusal-d s: Y
i
=
1
+
2
X
2
i
De gi stirgelerde Do grusallk
E(Y |X
i
)nin de gi stirgelerinin do grusal bir i slevi oldu gu durumdur.
Do grusal: Y
i
=
1
+
2
X
2
i
Do grusal-d s: Y
i
=
1
+
2
X
i
Rastsal Hata Terimi
rne gimizde grld g gibi gelir artarken tketim harcamalar da genel ola-
rak artmaktadr.
Di ger yandan, tekil bir ailenin harcamasnn geliri daha d sk olan bir aileden
fazla olmas da zorunlu de gildir:
izelge: Haftalk Aile Geliri X ile Haftalk Tketim Harcamalar Y , $
Y , X 80 100 120 140 160 180 200 220 240 260
55 65 79 80 102 110 120 135 137 150
60 70 84 93 107 115 136 137 145 152
65 74 90 95 110 120 140 140 155 175
70 80 94 103 116 130 144 152 165 178
75 85 98 108 118 135 145 157 175 180
88 113 125 140 160 189 185
115 162 191
Toplam 325 462 445 707 678 750 685 1043 966 1211
Tekil bir ailenin harcamasnn ayn gelir dzeyindeki btn ailelerin harca-
malarnn ortalamas, di ger bir deyi sle ko sullu beklenen de geri dolaynda da-
gld gn biliyoruz.
Buna gre, bireysel Y
i
nin kendi beklenen de gerinden gsterdi gi sapma
(deviation) syle gsterilebilir:
u
i
= Y
i
E(Y |X
i
)
ya da Y
i
= E(Y |X
i
) + u
i
ya da Y
i
=
1
+
2
X
i
+ u
i
Buradaki u
i
bozukluk (disturbance) terimi, art ya da eksi de gerler alabilen
ama gzlenemeyen rastsal hata terimi (random error term) diye adlandr-
lr.
Y
i
= E(Y |X
i
) + u
i
e sitli ginin her iki yannn beklenen de geri alnrsa su
bulunur:
Y
i
= E(Y |X
i
) + u
i
E(Y
i
|X
i
) = E[E(Y |X
i
)] + E(u
i
|X
i
)
E(Y
i
|X
i
) = E(Y |X
i
) + E(u
i
|X
i
)
0 = E(u
i
|X
i
)
E(Y
i
|X
i
) ile E(Y |X
i
) ayn sey oldu gu iin, E(u
i
|X
i
) = 0 olur.
Bu durumda, u
i
lerin ko sullu ortalamasnn sfr oldu gu varsaymna dayan-
larak, ba glanm do grusunun Y nin ko sullu ortalamasndan geti gi sonucuna
ula slabilir.
Modele katlmayan ama Y yi etkileyen tm de gi skenlerin yerine geen hata te-
rimi u
i
nin modele aka koyulmas gere ginin nedenlerinden bazlar sunlardr:
1. Kuramn belirsizli gi ya da eksikli gi
2. Yeterli ya da geerli verilerin bulunamamas
3.

Ili skili ancak ortak etkisi kk olan de gi skenler
4.

Insan davran slarnn do gasnda olan rastsallk
5. Gsz yakla sk de gi skenler (proxy variables)
6. Basitlik ilkesi
7. Bilinemeyen i slev biimi
3.2.3 rneklem Ba glanm

I slevi
rneklem Ba glanm

I slevi
Gerek ya samda anaktle verilerine ula sabilme olasl g d sktr.
o gu uygulamada elimizde yalnzca anaktleden alnm s rneklem verileri
bulunmaktadr.
yleyse yantlamamz gereken nemli soru, rneklem verilerini kullanarak
anaktle ba glanm i slevi AB
Iyi tahmin edip edemeyece gimiz sorusudur.

Rastsal bir rneklem kullanarak bulunan ba glanm i slevine rneklem ba gla-
nm i slevi (sample regression function) ya da ksaca B
I (SRF) denir.
Bu i slevi anlatan do gruya ise rneklem ba glanm do grusu (sample regres-
sion line) ad verilir.
Anaktleden her biri 10 gzlem bykl gnde iki farkl rastsal rneklem eke-
lim:
izelge: Anaktleden ekilmi s

Iki Rastsal rneklem
X Y X Y
80 70 80 55
100 65 100 88
120 90 120 90
140 95 140 80
160 110 160 118
180 115 180 120
200 120 200 145
220 140 220 135
240 155 240 145
260 150 260 175
60
80
100
120
140
160
180
200
80 100 120 140 160 180 200 220 240 260
H
a
f
t
a
l
k

T
k
e
t
i
m

H
a
r
c
a
m
a
l
a
r
Haftalk Gelir
ANAKTLEDEN EKLEN K AYRI RASTSAL RNEKLEM
rneklem 1
rneklem 2
60
80
100
120
140
160
180
200
80 100 120 140 160 180 200 220 240 260
H
a
f
t
a
l
k

T
k
e
t
i
m

H
a
r
c
a
m
a
l
a
r
Haftalk Gelir
K AYRI RNEKLEME DAYANAN K FARKLI BALANIM DORUSU
rneklem 1
rneklem 2
Y = 24,5 + 0,509X
Y = 17,2 + 0,576X
Anla slyor ki rastsallk nedeniyle rneklem verilerini kullanarak anaktle
ba glanm i slevini tam do gru biimde tahmin etmek olanakszdr.
Elimizdeki iki de gi sik rneklem ba glanm do grusundan hangisinin gerek
anaktle ba glanm do grusunu daha iyi temsil etti gi kesin de gildir.
Genel olarak, n farkl rneklem iin n sayda farkl B
I bulunabilir diyebili-
riz.
rneklem Ba glanm

I slevinin Bulunmas
Aklam s oldu gumuz tahmin sorunu yznden rneklemba glanmi slevi a sa-
gdaki gibi gsterilir:
Y
i
=

1
+

2
X
i
+ u
i
Burada:
1

1
sapka (
1
hat) diye okunan
1
in tahmincisini,
2

2
nin tahmincisini,
u
i
u
i
nin tahmincisini gstermektedir.
Anaktle ba glanm i slevini ba sta Y
i
= 17 + 0,6X
i
+ u
i
olarak hesaplam s
oldu gumuzu anmsayalm.
Buldu gumuz birinci rneklem ba glanm i slevi sudur:
Y
i
= 24,5 + 0,509X
i
+ u
i
Buldu gumuz ikinci rneklem ba glanm i slevi ise sudur:
Y
i
= 17,2 + 0,576X
i
+ u
i
rneklem ba glanm i slevlerinin her ikisi de
1
de gi stirge (parameter) de-
gerini yksek tahmin ederken,
2
de gi stirge de gerini d sk tahmin etmi stir.
O zaman buradaki nemli soru, AB
I bilinemese bile

1
nn gerek
1
e ve
2
nn da gerek
2
ye olabildi gince yakn oldu gu bir B
Inin nasl olu stu-

rulabilece gi sorusudur.
Gujaratinin szleriyle:
Burada vurgulad gmz, AB
Iyi olabildi gince do gru yanstan B
Inin
nasl kurulaca gn syleyen sreler geli stirebilece gimizdir. AB
Iyi asla
gerekten belirleyemesek bile, bunun yaplabilece gini d snmek heye-
can vericidir.
Bu heyecanl tart smay burada simdilik sonlandryoruz.
dev
Kitaptan Blm 1 The Nature of Regression Analysis ve Blm 2 Two-Variable
Regression Analysis: Some Basic Ideas okunacak.
nmzdeki Ders
Iki De gi skenli Ba glanm Modeli: Tahmin Sorunu

Blm 4
Iki De gi skenli Ba glanm Modeli -

Tahmin Sorunu
4.1 Sradan En Kk Kareler Yntemi
Sradan En Kk Kareler Yntemi
Ba glanm zmlemesinde ama, rneklem ba glanm i slevi (B
I) temel al-
narak anaktle ba glanm i slevinin (AB
I) olabildi gince do gru biimde tahmin

edilmesidir.
Bunun iin kullanlan en yaygn yol sradan en kk kareler (ordinary
least squares), ksaca SEK (OLS) yntemidir.
SEK ynteminin 1794 ylnda Alman matematiki Carl Fredrich Gauss tara-
fndan bulundu gu kabul edilir.
SEK yntemini anlamak iin iki de gi skenli AB
Iyi anmsayalm:
Y
i
=
1
+
2
X
i
+ u
i
AB
I gzlenemedi ginden B
I kullanlarak tahmin edilir:

Y
i
=

1
+

2
X
i
+ u
i
=

Y
i
+ u
i
B
Inin kendisini bulmak iin ise kalntlar (residuals), di ger bir deyi sle
hata terimi kullanlr:
56
Iki De gi skenli Ba glanm Modeli - Tahmin Sorunu A. Talha Yalta (2007 - 2011)
u
i
= Y
i

Y
i
= Y
i
2
X
i
Elimizde n tane X ve Y varken, B
Iyi gzlenen Y lere olabildi gince yakn

biimde belirlemek istiyoruz.
Bunun iin su lt benimsenebilir:
min (
u
i
) = min
_
(Y
i

Y
i
)
_
Ancak bu durumda art ve eksi de gerli hatalar byk lde birbirlerini etkisiz
hale getirecektir.
Ayrca burada B
Iye ne kadar yakn ya da uzak olursa olsun tm kalntlar

e sit nem ta smaktadr.
yleyse, B
Iyi kalntlar toplam en kk olacak sekilde semek iyi bir

lt de gildir.
Herhangi bir veri seti iin farkl

1
ve

2
de gerleri farkl u
i
ve dolaysyla da
farkl
u
i
2
toplamlar verir.
Ancak hatalar toplam
u
i
her zaman sfr kar.
rnek olarak, varsaymsal bir veri seti iin a sa gdaki iki B
Iyi ele alalm:
Y
1i
= 1,572 + 1,357X
i
Y
2i
= 3,000 + 1,000X
i
Y
i
X
i

Y
1i
u
1i
u
2
1i
Y
2i
u
2i
u
2
2i
4 1 2,929 1,071 1,147 4 0 0
5 4 7,000 -2,000 4,000 7 -2 4
7 5 8,357 -1,357 1,841 8 -1 1
12 6 9,714 2,286 5,226 9 3 9
Toplam 28 16 0 12,214 0 14
0
2
4
6
8
10
12
14
0 1 2 3 4 5 6 7
Y
X
VARSAYIMSAL RNEK
Y = 1,57 + 1,36X
Art ve eksi de gerler alabilen kalntlarn toplamnn kk kma sorunundan
kurtulmak iin en kk kareler lt kullanlr:
En Kk Kareler lt
min
_
u
i
2
_
= min
_
(Y
i

Y
i
)
2
_
= min
_
(Y
i
2
X
i
)
2
_
Yukardaki gsterimin

1
ve

2
tahmincilerine dayanan bir matematiksel i slev
oldu guna dikkat ediniz.
4.1.1 SEK Tahmincilerinin Tretilmesi
Normal Denklemler
SEK, kalnt kareleri toplamn enazlamak (minimize) iin, B
I de gi stir-
gelerini hesaplamada basit bir eniyileme (optimization) ynteminden ya-
rarlanr.

(Y
i
2
X
i
)
2
teriminin

1
ve

2
ya gre ksmi trevlerini alalm:
Y
i
= n
1
+

X
i
Y
i
X
i
=

X
i
+

X
2
i
Burada n rneklem bykl gdr.
Yukardaki denklemler normal denklemler (normal equations) olarak ad-
landrlrlar.
1
ve

2
de gi stirgeleri, normal denklemlerin e sanl olarak zlmesi ile bulu-
nur:
2
=
n
X
i
Y
i
X
i
Y
i
n
X
2
i
(
X
i
)
2
=
x
i
y
i
x
2
i
1
=
X
2
i
Y
i
X
i
X
i
Y
i
n
X
2
i
(
X
i
)
2
=

Y

2

X

X ve

Y terimleri X ile Y nin rneklem ortalamalardr.
Kk harer ise ortalamadan sapma (deviation from the mean) olarak
kullanlm str:
x
i
= (X
i

X)
y
i
= (Y
i

Y )
SEK Ba glanm Do grusunun zellikleri
Ikili ba glanm SEK tahmincileri

1
ve

2
nn su zelliklerine dikkat edelim:
Bunlar birer nokta tahmincisidirler.
Gzlemlenebilen rneklem de gerleri (X
i
ve Y
i
) cinsinden gsterilir ve dola-
ysyla kolayca hesaplanabilirler.
rneklem verileri kullanlarak

1
ve

2
hesaplandktan sonra, rneklem ba g-
lanm do grusu da kolayca izilebilir.
SEK yntemi ile bulunan rneklem ba glanm do grusu a sa gda verilen zellikleri
ta sr:
1. rneklem ba glanm do grusu, X ve Y nin rneklem ortalamalarndan geer.
(
Y
i
=

1
+

2

X
i
)
2. u
i
kalntlarnn ortalamas sfrdr. (
u
i
= 0)
3. u
i
kalntlar tahmin edilen Y
i
lerle ili skisizdir. (
u
i

Y
i
= 0)
4. u
i
kalntlar X
i
lerle ili skisizdir. (
u
i
X
i
= 0)
5. Tahmin edilen

Y
i
larn ortalamas, gzlemlenen Y
i
de gerlerinin ortalamasna
e sittir. Bu B
Iden grlebilir:
Y
i
=

1
+

2
X
i
= (
2

X) +

2
X
i
=

Y +

2
(X
i

X)
Son satrn her iki yan rneklem zerinden toplanp nye blnrse,

Y =

Y
olarak bulunabilir.
B
Inin Sapma Biiminde Gsterimi

B
Inin sapma biimi (deviation form) gsterimini bulmak iin Y

i
=

1
+
2
X
i
+ u
i
i slevinin her iki yann toplayalm:
Y
i
= n
1
+

X
i
+
u
i
= n
1
+

X
i
(
u
i
= 0 oldu gu iin)
Daha sonra bu denklemin her iki yann nye blelim:
Y =

1
+

2

X
Yukardaki e sitlik, rneklem ba glanm do grusunun X ve Y nin rneklem or-
talamalarndan geti gini gstermektedir.
Son olarak yukardaki e sitli gi ilk e sitlikten karalm:
Y
i

Y =

2
(X
i

X) + u
i
y
i
=

2
x
i
+ u
i
Sapma gsteriminde

1
nn bulunmad gna dikkat ediniz.
4.1.2 SEK Tahmincilerinin Arzulanan zellikleri
Gauss - Markov Kantsav
Klasik Do grusal Ba glanm Modeli (KDBM) varsaymlar geerli iken, en k-
k kareler yntemi ile elde edilen tahminler arzulanan baz zellikler ta srlar.
Gauss - Markov kantsavna gre

SEK tahmincilerine En iyi Do grusal
Yansz Tahminci (Best Linear Unbiased Estimator), ksaca EDYT (BLUE)
ad verilir.
EDYT olan

su arzulanan zelli gi ta sr:
1. Do grusaldr. Di ger bir deyi sle ba glanm modelindeki Y ba gml de gi skeninin
do grusal bir i slevidir.
2. Yanszdr. Beklenen de geri E(
), anaktleye ait gerek de gerine e sittir.

3. Tm do grusal ve yansz tahminciler iinde enaz varyansl olandr. Ksaca en
iyi ya da etkin (efcient) tahmincidir.
Gauss - Markov kantsav hem kuramsal olarak hem de uygulamada nemlidir.
SEK Tahmincilerinin Do grusallk zelli gi
SEK tahmincilerinin do grusallk (linearity) arzulanan zelli gini gstere-
bilmek iin

2
formln syle yazalm:
2
=
x
i
y
i
x
2
i
=
x
i
(Y
i

Y )
x
2
i
=
x
i
Y
i
x
i
x
2
i
=
x
i
Y
i
x
2
i
Bu basite su sekilde de gsterilebilir:
x
i
Y
i
x
2
i
=
k
i
Y
i
, k
i
=
x
i
(
x
2
i
)
x
i
de gerleri olaslksal olmad gna gre k
i
ler de gerekte Y
i
lerin nne gelen
birer a grlk (weight) katsaysdrlar.
2
bu durumda Y
i
lerin do grusal bir i slevidir. Basite

2
nn Y
i
lerin bir a gr-
lkl ortalamas oldu gu da sylenebilir.
1
nn do grusal oldu gu da benzer biimde kantlanabilir.
SEK Tahmincilerinin Yanszlk zelli gi
SEK tahmincilerinin yanszlk (unbiasedness) arzulanan zelli gini gsterebil-
mek iin a grlk terimi knin su be s zelli gi nemlidir:
1. X
i
ler olaslksal olmad gndan k
i
ler de olaslksal de gildir.
2.

k
i
= 0dr. (
x
i
= 0 oldu gu iin)
3.

k
2
i
=
x
2
i
/
(x
2
i
)
2
= 1/
x
2
i
olur.
4.

k
i
x
i
=
x
2
i
/
x
2
i
= 1dir.
5.

k
i
x
i
=
k
i
X
i
olur. (
k
i
x
i
=
k
i
(X
i

X) =
k
i
X
i
k
i
oldu gu iin)
Dikkat: Tm bu zellikler k
i
nin tanmndan tretilebilmektedir.
2
nn yansz oldu gunu kantlamak iin Y
i
=
1
+
2
X
i
+ u
i
biimindeki
AB
Iyi

2
formlnde yerine koyalm:
2
=
k
i
Y
i
=
k
i
(
1
+
2
X
i
+ u
i
)
=
1
k
i
+
2
k
i
X
i
+
k
i
u
i
=
2
+
k
i
u
i
Yukardaki son admda k
i
nin az nce sz edilen ikinci, drdnc ve be sinci
zelliklerinden yararlanlm str.

2
ve k
i
nin olaslksal olmad gn ve E(u
i
) = 0 varsaymn anmsayalm ve
her iki yann beklenen de gerini alalm:
E(
2
) = E(
2
) +
k
i
E(u
i
)
=
2
E(
2
) =
2
oldu guna gre

2
yansz bir tahmincidir.
SEK Tahmincilerinin Enaz Varyansllk zelli gi
SEK tahmincilerinin enaz varyans (minimum variance) arzulanan zelli-
gini gsterebilmek iin ise
2
nin en kk kareler tahmincisinden yola ka-
lm:
2
=
k
i
Y
i
Simdi
2
iin ba ska bir do grusal tahminci tanmlayalm:
2
=
w
i
Y
i
Buradaki (
) i sareti dalga (tilde) diye okunur.

w
i
ler de birer a grlktr ama w
i
= k
i
olmak zorunda de gildir:
2
nn yansz olabilmesi iin gerekli ko sullara bir bakalm:
E(
2
) =
w
i
E(Y
i
)
=
w
i
(
1
+
2
X
i
)
=
1
w
i
+
2
w
i
X
i
Buna gre,

2
nn yansz olabilmesi iin sunlar gereklidir:
w
i
= 0,
w
i
x
i
=
w
i
X
i
= 1
var(
2
) var(
2
) savn kantlamak istiyoruz. Bunun iin simdi

2
nn var-
yansn ele alalm:
var(
2
) = var(
w
i
Y
i
)
=
w
2
i
var(Y
i
) [Dikkat: var(Y
i
) = var(u
i
) =
2
]
=
2
w
2
i
[Dikkat: cov(Y
i
, Y
j
) = 0, (i = j)]
=
2
w
i

x
i
x
2
i
+
x
i
x
2
i
2
=
2
w
i

x
i
x
2
i
2
+
2
x
i
x
2
i
2
+ 2
2
w
i

x
i
x
2
i
x
i
x
2
i
=
2
w
i

x
i
x
2
i
2
+
2
x
2
i
Son satrda bulmu s oldu gumuz sey sudur:

var(
2
) =
2
_
w
i
x
i
x
2
i
_
2
+
2
_
1
x
2
i
_
Yukarda en sa gdaki terim w
i
den ba gmszdr.
yleyse var(
2
)y enazlayabilmek ilk terime ba gldr ve ilk terimi sfrlayan
w
i
de geri de sudur:
w
i
=
x
i
x
2
i
= k
i
Bu durumda a sa gdaki e sitlik geerlidir:
var(
2
) =

2
x
2
i
= var(
2
)
Demek ki w
i
a grlklar k
i
a grlklarna e sit oldu gunda

2
nn varyans enaz-
lanarak

2
nn varyansna e sitlenmektedir.
Sonu olarak, en kk kareler tahmincisi

2
tm yansz ve do grusal tahmin-
ciler iinde enaz varyansl tahmincidir.
4.1.3 SEK Ynteminin Ardndaki Varsaymlar
Ekonometrik zmlemenin amac yalnzca
1
ve
2
gibi de gi stirgeleri tah-
min etmek de gildir. Bu de gerlere ili skin karsamalar yapmak da istenir.
rnek olarak,

Y
i
larn gerek E(Y |X
i
) de gerlerine ne kadar yakn olduklarn
bilmek nemlidir.
Anaktle ba glanm i slevini anmsayalm:
Y
i
=
1
+
2
X
i
+ u
i
Grlyor ki Y
i
hem X
i
ye hem de u
i
ye ba gldr.
yleyse Y
i
,
1
ve
2
ye ili skin istatistiksel karm yapmak iin X
i
ve u
i
nin
nasl olu sturuldu gunu bilmek gereklidir.
Bu noktada Gaussu Klasik Do grusal Ba glanm Modeli (Gaussian Classi-
cal Linear Regression Model), ksaca KDBM (CLRM) 10 temel varsaym
yapar.
Varsaym 1
Ba glanm modeli de gi stirgelerde do grusaldr:
Y
i
=
1
+
2
X
i
+ u
i
Ancak de gi skenlerde do grusallk zorunlu de gildir.
De gi stirgelerde do grusallk varsaym KDBMnin ba slang noktasdr.
Varsaym 2
X de gerleri tekrarl rneklemelerde de gi smez.
Bu varsaym Xin olaslksal olmad gn syler.
Buna gre X ve Y de gerlerinin rastsal {X,Y } iftleri seklinde elde edilmemi s
oldu gu kabul edilir.
Di ger bir deyi sle, gelir dzeyi ba sta rne gin 80 olarak belirlendikten sonra
rastsal bir aile seildi gini varsayyoruz.
Buna gre elimizdeki zmleme aklayc X de gi skenine gre bir ko sullu
ba glanm zmlemesidir.
X ve Y de gerlerinin birlikte rneklenebilmesi, baz ek ko sullarn sa glanmas
ile geerli olur. Bu duruma ise Neo-Klasik Do grusal Ba glanm Modeli
(NKDBM) denir.
Varsaym 3
u
i
hata teriminin ortalamas sfrdr:
E(u
i
|X
i
) = 0
Buna gre, modelde aka yer almayan ve dolaysyla u
i
iine katlm s olan
etmenlerin Y yi kurall bir sekilde etkilemedi gi varsaylmaktadr.
Art de gerli u
i
ler eksi de gerli u
i
leri gtrmeli ve bylece bunlarn Y zerin-
deki ortalama etkileri sfr olmaldr.
Varsaym 4
u
i
hata teriminin varyans tm gzlemler iin sabittir:
var(u
i
|X
i
) =
2
Aynserpilimsellik (homoscedasticity) varsaymna gre farkl X de gerle-
rine kar slk gelen tm Y ler e sit nemdedir.
Tersi durum ise farklserpilimsellik (heteroscedasticity) durumudur:
var(u
i
|X
1
) = var(u
2
|X
2
) = = var(u
n
|X
n
).
Farklserpilimsellik durumunda e sitli X de gerlerine kar slk gelen Y de ger-
lerinin gvenilirlikleri ayn olmaz.
Bu yzden kendi ortalamas etrafnda farkl sklkta yaylan Y leri farkl a gr-
lklar vererek de gerlendirmek gereklidir.
800
900
1000
1100
1200
1300
1400
0 20 40 60 80 100
Y
X
AYNISERPLMSELLK
Y = 906, + 1,96X
0
200
400
600
800
1000
1200
1400
0 20 40 60 80 100
Y
X
FARKLISERPLMSELLK
Y = 118, + 7,39X
Varsaym 5
Hatalar arasnda zilinti (autocorrelation) yoktur.
E ger bozukluklar (disturbances) birbirlerini kurall biimde izlerlerse zi-
linti ortaya kar.
AB
Iyi Y
t
=
1
+
2
X
t
+u
t
olarak kabul edelim ve u
t
ile u
t1
de ayn ynde
ili skili olsun.
Bu durumda, Y
t
yalnzca X
t
ye de gil u
t
ye de ba gl olur ve bu nedenle u
t
yi
bir lde u
t1
belirler.
Bu sorunla kar sla smamak iin hatalar arasnda serisel ilinti (serial corre-
lation) olmad g varsaylr.
-10
-5
0
5
10
15
1990 1995 2000 2005 2010
Y
ZLNTL VE ZLNTSZ SER RNE
zilintisiz
zilintili
-100
-50
0
50
100
-100 -50 0 50 100
u
(
t
)
u(t-1)
HATALAR ARASI AYNI YNL SERSEL LNT
-100
-50
0
50
100
-100 -50 0 50 100
u
(
t
)
u(t-1)
HATALAR ARASI TERS YNL SERSEL LNT
-150
-100
-50
0
50
100
150
-150 -100 -50 0 50 100 150
u
(
t
)
u(t-1)
HATALAR ARASI SERSEL LNTSZLK
Varsaym 6
Hata terimi u
i
ile X
i
nin kovaryans sfrdr:
cov(u
i
, X
i
) = 0
E ger X ve u ili skiliyse, ikisinin de Y zerindeki tekil etkilerini bulmak ola-
nakszla sr.
Ayrca, e ger X ile u ayn ynde ili skiliyse, X arttka u da artarak farklser-
pilimsellik sorununa yol aar.
E ger 2. varsaym (Xin rastsal olmamas) ve 3. varsaym (E(u
i
|X
i
) = 0) ge-
erliyse, 6. varsaym da kendili ginden gerekle smi s olur.
Varsaym 7
Gzlem says n, tahmin edilecek anaktle katsaysndan fazla olmaldr.

Iki bilinmeyeni (
1
ve
2
) bulmak iin en az iki noktaya gereksinim vardr.
Bu ko sul zmlemenin matematiksel olarak yaplabilmesi iin gereklidir.
Di ger yandan n serbestlik derecesi asndan nemlidir. Bu nedenle sa glkl
sonular iin rneklemin yeterince byk olmasnn ayrca gerekli oldu gu
unutulmamaldr.
Varsaym 8
Belli bir rneklemdeki X de gerlerinin hepsi ayn olamaz:
var(X) = 0
E ger btn X de gerleri ayn olursa:
X
i
=

X,
x
i
= X
i

X oldu gundan
2
=
x
i
y
i
x
2
i
formlnn paydas sfr kar.
Ksaca de gi skenler de gi smelidir.
Varsaym 9
Ba glanm modeli do gru biimde belirtilmi s olmaldr.
Ba glanm zmlemesi sonularnn gvenilirli gi, seilen modele ba gldr.
zellikle de bir iktisadi olguyu aklayan birden fazla kuram bulunuyor ise
ekonometrici ok dikkatli olmaldr.
Her durumda modelin i slev biiminin ne oldu gu, de gi sken ve de gi stirgelerde
do grusal olup olmad g konular iyice sorgulanmaldr.
Ba glanm modeli yanl s oldu gu zaman model belirtim hatas (model spe-
cication error) ortaya kar.
0
20
40
60
80
100
0 20 40 60 80 100
Y
X
MODEL BELRTM YANLILII
Y = 6,20 + 0,777X
Varsaym 10
Tam oklue sdo grusallk (exact multicollinearity) yoktur.
Tam oklue sdo grusallk durumunda ba glanm katsaylar belirsiz ve bu katsa-
ylarn lnl hatalar da sonsuz olur.
KDBM Varsaymlarnn Gerekili gi
nl ekonomist Milton Friedmann varsaymlarn yersizli gi tezine gre ger-
ek d slk bir stnlktr:
nemli olabilmek iin . . . bir nsav, varsaymlarnda betimsel ola-
rak gerek d s olmaldr.
Ekonometrideki KDBMnin, yat kuramndaki tam rekabet modelinin kar s-
l g oldu gu sylenebilir.
Di ger bir deyi sle ne srm s oldu gumuz bu 10 varsaym gerekleri tmyle
yanstmak iin de gil, konuyu yava s yava s geli stirebilmeyi kolayla strmak ama-
cyla nemlidir.
Bu varsaymlarn gerekle smemesi durumunda do gacak sonular ise ileri-
deki blmlerde inceleyece giz.
4.2 SEK Ynteminin Gvenilirli gi
4.2.1 SEK Tahmincilerinin lnl Hatalar
Sradan en kk kareler tahmincilerinin rneklem verilerinin birer i slevi ol-
du gunu anmsayalm:
2
=
n
X
i
Y
i
X
i
Y
i
n
X
2
i
(
X
i
)
2
=
x
i
y
i
x
2
i
1
=
X
2
i
Y
i
X
i
X
i
Y
i
n
X
2
i
(
X
i
)
2
=

Y

2

X
Veriler rneklemden rnekleme de gi sece gi iin tahminler de buna ba gl olarak
de gi secektir.
yleyse

1
ve

2
tahmincilerinin gvenilirli gi iin bir lte gereksinim var-
dr.

Istatistikte rastsal bir de gi skenin do gruluk derecesi lnl hata (standard
error), ksaca h (se) ile llr:
lnl Hata
lnl hata, bir tahminciye ait rneklem da glmnn kendi ortalamasndan orta-
lama olarak ne kadar sapt gn gsterir. rneklem da glm varyansnn art de gerli
kare kkdr.
Ba sta sz edilmi s olan Gaussu varsaymlar geerli iken SEK tahmincileri-
nin lnl hatalar a sa gdaki gibidir:
var(
2
) =

2
x
2
i
h(
2
) =

x
2
i
var(
1
) =
X
2
i
n
x
2
i
2
h(
1
) =
_
X
2
i
n
x
2
i
Burada
var de gi sirlik ya da varyans,
h lnl hatay,
2
ise ba glanmn sabit varyansn
gstermektedir.
u
i
nin sabit varyansn veren
2
syle tahmin edilir:

2
=
u
i
2
n 2
Buradaki
2
, bilinmeyen
2
nin SEK tahmincisidir.

u
i
2
terimine kalnt kareleri toplam (residual sum of squares), ksaca
KKT (RSS) denir ve syle bulunur:
u
i
2
=
y
2
i

2
2
x
2
i
n 2 de geri ise iki de gi skenli zmleme iin geerli serbestlik derecesidir.
Serbestlik Derecesi
Serbestlik derecesi (degree of freedom), rneklemdeki toplam gzlem says (n)
eksi bunlar zerine konulmu s olan ba gmsz ve do grusal snrlama saysdr.
rnek olarak, KKTnin hesaplanabilmesi iin nce

1
ve

2
de gerlerinin bu-
lunmu s olmas gereklidir:
u
i
2
=
(Y
i
2
X
i
)
2
Dolaysyla bu iki tahminci KKT zerine iki snrlama getirir.
Bu durumda, KKTyi ve dolaysyla da lnl hatay do gru hesaplayabilmek
iin aslnda elde n de gil n 2 sayda ba gmsz gzlem vardr.
SEK tahmincileri

1
ve

2
nn varyans formllerini anmsayalm:
var(
2
) =

2
x
2
i
var(
1
) =
X
2
i
n
x
2
i
1
ile

2
tahmincilerinin varyanslarnn ve dolaysyla bunlarn lnl hatalarnn
su zellikleri nemlidir:
1. rneklem bykl g n arttka
x
2
i
toplamndaki terim says da artar. By-
lece n bydke

1
ve

2
nn do gruluk dereceleri de artar.
2.

1
ve

2
, verili bir rneklemde birbirleri ile ili skili olabilirler. Bu ba gmllk
aralarndaki kovaryans ile llr:
cov(
1
,

2
) =
X var(
2
)
3. E ger

X art de gerli ise kovaryans da eksi de gerli olur. Bu durumda e ger
2
katsays oldu gundan byk tahmin edilir ise
1
de oldu gundan kk tahmin
edilmi s olur.
4.2.2 Belirleme Katsays r
2
Eldeki gzlemler o gunlukla ba glanm do grusu zerinde yer almazlar.
Art ya da eksi i saretli u
i
hatalar ile kar sla sld gna gre rneklem ba glanm
do grusunun eldeki verilerle ne lde rt st gn gsteren bir lte gerek-
sinim vardr:
Belirleme Katsays
Belirleme katsays (coefcient of determination) ya da r
2
(oklu ba glanmda
R
2
), rneklem ba glanm i slevinin verilere ne kadar iyi yak st gn gsteren zet bir
lttr.
Belirleme katsaysn hesaplamak iin, y
i
= y
i
+ u
i
e sitli ginin iki yannn karesi
alnr ve rneklem boyunca toplanr:
y
2
i
=
y
i
2
+
u
i
2
+ 2
y
i
u
i
=
y
i
2
+
u
i
2
=

2
2
x
2
i
+
u
i
2
TKT = BKT + KKT
Burada
TKT Toplam Kareleri Toplam (Total Sum of Squares),
BKT Ba glanm Kareleri Toplam (Regression Sum of Squares),
KKT Kalnt Kareleri Toplam (Residual Sum of Squares)
anlamna gelmektedir.
Yukardaki

y
i
u
i
teriminin SEK ba glanm do grusunun 3. zelli ginden do-
lay sfra e sit oldu guna dikkat ediniz.
y
2
i
=

2
2
x
2
i
+
u
i
2
TKT = BKT + KKT
Yukardaki e sitli gin her iki yann TKTye blelim:
1 =
BKT
TKT
+
KKT
TKT
Buna gre r
2
a sa gdaki gibi tanmlanr:
Belirleme Katsays
r
2
=
y
i
2
y
2
i
=
Y
i

Y )
2
(Y
i

Y )
2
=
BKT
TKT
= 1
KKT
TKT
r
2
nin iki temel zelli ginden sz edilebilir:
1. r
2
eksi de ger almayan bir byklktr.
2. Snrlar 0 r
2
1dir.
Buna gre:
E ger r
2
= 1 olursa bu kusursuz bir yak sma demektir. Bu durumda rastsal hata
yoktur ve tm gzlemler bire bir ba glanm do grusu zerinde yer almaktadr.
Sfra e sit bir r
2
ise ba gml de gi skenle aklayc de gi sken arasnda hibir
ili skinin olmad g (
2
= 0) anlamna gelir.
r
2
ile yakn ili skili ama kavramsal olarak ok uzak bir byklk ilinti katsa-
ys (coefcient of correlation), ksaca rdir:
Ilinti Katsays
r =
r
2
r de geri, ba gml ve aklayc de gi skenler arasndaki do grusal ba gmll gn
bir lsdr.
1 ve +1 arasnda yer alr: 1 r 1.
Bak smldr: r
XY
= r
Y X
.
Sfr noktasndan ve lekten ba gmszdr.
Herhangi bir neden-sonu ili skisi iermez.

Iki de gi sken arasnda sfr ilinti (r = 0) mutlaka ba gmszlk gstermez nk
r yalnzca do grusal ili skiyi ler.
4.2.3 Monte Carlo Yntemi
KDBM varsaymlar altnda SEK tahmincilerinin EDYT (En iyi Do grusal
Yansz Tahminci) olmalarn sa glayan baz arzulanan zellikler ta sdklarn
anmsayalm.
EDYT zelliklerinin geerlili gi, bir benzetim (simulation) yntemi olan
Monte Carlo deneyleri ile do grulanabilir.
Bu yntem, anaktle katsaylarn tahmin eden srelerin istatistiksel zellik-
lerini incelemede ska kullanlmaktadr.
Monte Carlo ayn zamanda istatistiksel karsamann temeli saylan tekrarl
rnekleme (repeated sampling) kavramnn anla slmas iin de yararl bir
aratr.
Bir Monte Carlo deneyi a sa gdaki gibi yaplr:
1. Anaktle katsaylar seilir. rnek:
1
= 20 ve
2
= 0,6.
2. Bir rneklem bykl g seilir. rnek: n = 25.
3. Her gzlem iin bir X de geri belirlenir.
4. Bir rastsal say olu sturucu kullanlarak u
i
kalntlar retilir.
5.
1
,
2
, X
i
ler ve u
i
ler kullanlarak Y
i
de gerleri bulunur.
6. Bu sekilde retilen Y
i
de gerleri X
i
ler ile ba glanma sokulur ve

1
ve

2
SEK
tahmincileri hesaplanr.
7.

I slem tekrarlanr (rne gin 1000 kez) ve rastsallktan dolay her seferde de gi-
sen tahminlerin ortalamalar (
1
,

2
) alnr.
8. E ger

1
ve

2
de gerleri
1
ve
2
ye a sa g yukar e sit ise, deney SEK tahmin-
cilerinin yanszl gn, di ger bir deyi sle E(
1
) =
1
ve E(
2
) =
2
oldu gunu
saptam s saylr.
4.3 Saysal Bir rnek
Saysal Bir rnek
Ele alm s oldu gumuz baz kavramlar saysal bir rnek yardm ile gzden
geirelim. Trkiyede 19872006 aras toplam tketim harcamalar ve GSYH
verileri syledir:
Yl C Y Yl C Y
1987 51.019 74.416 1997 77.620 112.892
1988 51.638 76.143 1998 78.113 116.541
1989 51.105 76.364 1999 76.077 111.083
1990 57.803 83.371 2000 80.774 119.147
1991 59.366 84.271 2001 73.356 110.267
1992 61.282 88.893 2002 74.894 118.923
1993 66.545 96.391 2003 79.862 125.778
1994 62.962 91.600 2004 87.897 137.110
1995 66.011 97.729 2005 95.594 147.200
1996 71.614 104.940 2006 100.584 156.249
Toplu zel nihai tketim harcamalarn (Y ), gayri sa yurtii hasla (X) ile
ili skilendirmek istiyor olalm.
50
60
70
80
90
100
80 90 100 110 120 130 140 150 160
T
o
p
l
u

z
e
l

N
i
h
a
i

T
k
e
t
i
m

H
a
r
c
a
m
a
l
a
r

Y = 8,03 + 0,593X
Gretl ktsna gre marjinal tketim e gilimi (MTE) 0,59dur.
Buna gre gelir 1 lira artt gnda tketimin de 59 kuru s artmas beklenmekte-
dir.
Sabit terim, toplam gelir sfr oldu gunda toplam tketimin yakla sk 8 milyon
lira olaca gn gstermektedir.
Sfr gelirin gzlem aral g d snda kalan ve gerek hayatta olanaksz bir de ger
olmasndan dolay, sabit terimin bylesi bir mekanik yorumu iktisadi anlam
iermemektedir.
Gretl

1
,

2
ve u
i
iin lnl hatalar srasyla 1,85509 ve 0,0170331 ve
1,748114 olarak hesaplam str.
Yukardaki de gerlerin karesi alnarak var(
1
) = 3,44136 ve var(
2
) = 0,000290126
ve
2
= 3,05590 varyanslar da kolayca bulunabilir.
r
2
= 0,985 de geri ise ba glanm modelinin verilere gereki kabul edileme-
yecek kadar iyi yak st gn gstermektedir.
dev
Kitaptan Blm 3 Two-Variable Regression Model: The Problem of Estimation
okunacak.
nmzdeki Ders
Normallik Varsaym ve Enok Olabilirlik Yntemi
Blm 5
Normallik Varsaym ve Enok
Olabilirlik Yntemi
5.1 Normallik Varsaym ve

Ili skin Da glmlar
5.1.1 Hata Teriminin Olaslk Da glm
Ekonometrik zmlemede ama yalnzca B
Iyi hesaplamak de gil, ayn zamanda

AB
Iye ili skin karsama ve e sitli nsav snamalar da yapabilmektir. Bu do grul-

tuda u
i
hatalarnn olaslk da glmnn bilinmesi ya da belirlenmesi iki nedenden
dolay nemlidir:
1. SEK bir katsay hesaplama yntemidir. B
Iden AB
Iye ynelik karsama

yapmada tek ba sna i se yaramaz.
2.

1
ve

2
tahmincileri Y nin do grusal i slevi ve Y nin kendisi de u
i
lerin bir
do grusal i slevidir. yleyse,

1
ve

2
nn rneklem da glmlar u
i
lerin olaslk
da glmna ili skin varsaymlara dayanmaktadr.
Daha nce ele alnan klasik do grusal ba glanm modeli (KDBM), u
i
hata teri-
minin olaslk da glm ile ilgili herhangi bir varsaymda bulunmaz.
Alma sk olarak, Klasik Normal Do grusal Ba glanm Modeli (Classical Nor-
mal Linear Regression Model) ya da ksaca KNDBM (CNLRM) ise u
i
lerin
normal da gld gn varsayar.
Normallik Varsaym
KNDBM, her bir u
i
nin a sa gdaki de gerlerle normal da gld g varsaymn geti-
rir:
79
Normallik Varsaym ve Enok Olabilirlik Yntemi A. Talha Yalta (2007 - 2011)
Ortalama: E(u
i
) = 0
Varyans: E[u
i
E(u
i
)]
2
= E(u
2
i
) =
2
Kovaryans: cov(u
i
, u
j
) = 0, i = j
Bu varsaymlar ksaca u
i
N(0,
2
) seklinde de gsterilir.
Buradaki (), da glml (distributed) anlamna gelir. N ise normal da glm
gstermektedir.

Iki rastsal de gi skenin kovaryansnn sfr olmas bu iki de gi skenin ba gmsz
oldu gunu gsterir.
Bu nedenle u
i
N(0,
2
) yerine u
i
NBD(0,
2
) de yazlabilir.
Burada NBD normal ve ba gmsz da glml (normally and independently
distributed, ksaca NID) demektir.
Normallik varsaymnn nedenleri sunlardr:
1. Merkezi limit kantsavna gre ba gmsz ve zde s da glml (BD) rastsal
de gi skenlerin toplam da glm, de gi sken says sonsuza yakla stka normale
yaknsar.
2. Merkezi limit kantsavna gre de gi sken says ok fazla olmasa ya da de gi s-
kenler tam ba gmsz da glmasalar bile toplamlar normal da glabilir.
3. Normal da glan de gi skenlerin do grusal i slevleri de normal da glr. (rnek:

1
,
2
ve
2
)
4. Normal da glm yalnzca iki katsay (ortalama ve varyans) ieren basit, ista-
tistiksel zellikleri iyi bilinen bir da glmdr.
Normallik Varsaym Altnda SEK Tahmincileri
1
ve

2
SEK tahmincileri ile
2
varyans tahmini, normallik varsaym altnda
su istatistiksel zellikleri ta srlar:
1. Yanszdrlar. Di ger bir deyi sle beklenen de gerleri gerek de gerlerine e sittir.
rnek: E(
1
) =
1
.
2.

1
ve

2
tahmincileri, do grusal ve do grusal-d s tm yansz tahminciler iinde
enaz varyansldr.
3. Tutarldrlar. rneklem sonsuza do gru byrken gerek de gerlerine yaknsar-
lar.
4.

1
syle da glr:

1
N(
1
,
2
1
).
5.

2
syle da glr:

2
N(
2
,
2
2
).
6.

1
ve

2
tahmincileri
2
dan ba gmsz olarak da glrlar.
7. (n 2)
2
/
2
de geri ise n 2 sd ile
2
da glmldr. Bu bilgi,
2
ye ili skin
karsamalarda
2
den yararlanabilmek iindir.
Normallik varsaym yardm ile

1
(normal),

2
(normal) ve
2
(ki-kare ile
ilgili) rneklem da glm bilgilerine ula syoruz.
Bu durum gven aralklarn belirlemek ve nsav snamas yapabilmek iin
nemlidir.
Dikkat: Y
i
ler u
i
lerin bir i slevi oldu guna gre, u
i
N(0,
2
) varsaym al-
tnda Y
i
N(
1
+
2
X
i
,
2
) olur.
5.1.2 Normal Da glma

Ili skin Da glmlar
F, t ve ki-kare (
2
) olaslk da glmlar temelde normal da glmla ili skilidirler.
Bu da glmlarn normal da glmla ili skilerini zetleyen yedi kantsav bulun-
maktadr.
Bu kantsavlarn uygulamadaki nemi byktr. Yararlar ileride daha iyi an-
la slacaktr.
Kantsav 1
Z
1
, Z
2
, . . . , Z
n
de gi skenleri Z
i
N(
i
,
2
i
) olan normal ve ba gmsz da glml rast-
sal de gi skenler olsun. Bu durumda Z =
k
i
Z
i
toplam da a sa gda verilen ortalama
ve varyans ile normal da glr.
E(Z) =
k
i
i
var(Z) =
k
2
i
2
i
Ksaca normal rastsal de gi skenlerin do grusal bile simleri de normal da glr.
rnek: Z
1
N(10, 2) ve Z
2
N(8; 1,5) varsayalm ve Z rdsi de Z =
0,8Z
1
+ 0,2Z
2
olsun. Buna gre Z
0,8(10) + 0,2(8) = 9,6 ortalama ve
0,64(2) + 0,04(1,5) = 1,34 varyans ile
Z N(9,6; 1,34) olur.
Kantsav 2
Z
1
, Z
2
, . . . , Z
n
rastsal de gi skenleri normal da glml olsun ancak ba gmsz olmasn.
Bu durumda Z =
k
i
Z
i
toplam da a sa gda verilen ortalama ve varyans ile normal
da glr.
E(Z) =
k
i
i
var(Z) = [
k
2
i
2
i
+ 2
k
i
k
j
cov(Z
i
, Z
j
), i = j]
rnek: Z
1
N(6, 2), Z
2
N(7, 3), cov(Z
1
, Z
2
) = 0,8 olsun. Z rdsi de
Z = 0,6Z
1
+ 0,4Z
2
olsun. Buna gre Z
0,6(6) + 0,4(7) = 6,4 ortalama ve
0,36(2) + 0,16(3) + 2(0,6)(0,4)(0,8) = 1,58 varyans ile
Z N(6,4; 1,58) olur.
Kantsav 3
Z
1
, Z
2
, . . . , Z
n
de gi skenleri Z
i
N(0, 1) lnl normal ve ayn zamanda ba gm-
sz rastsal de gi skenler olsun. Bu durumda
Z
2
i
= Z
2
1
+Z
2
2
+ +Z
2
n
toplam da
n serbestlik derecesi ile ki-kare da glmna uyar.
Ksaca lnl normal da glml ba gmsz rdlerin kareleri toplam, toplam
terim saysna e sit serbestlik derecesi ile ki-kare da glmna uyar.
Bir yazm kolayl g olarak sdsi k olan
2
da glm
2
k
diye gsterilebilir.
rnek: Z
1
, Z
2
, Z
3
NBD(0, 1) olsun. yleyse su geerlidir:
Z
2
1
+ Z
2
2
+ Z
2
3

2
3
Kantsav 4
Z
1
, Z
2
, . . . , Z
n
de gi skenleri her birinin sdsi k
i
olmak zere
2
da glml ve ba gm-
sz rastsal de gi skenler olsun. Bu durumda bunlarn toplam olan
Z
i
= Z
1
+Z
2
+
+ Z
n
rastsal de gi skeni de sdsi k =
k
i
olan ki-kare da glmna uyar.
rnek: Z
1
ve Z
2
, sdleri srasyla 7 ve 9 olan iki ba gmsz ki-kare de gi skeni
olsun. Buna gre Z
1
+ Z
2
de serbestlik derecesi 7 + 9 = 16 olan bir
2
16
de gi skenidir.
Kantsav 5
Z
1
N(0, 1) lnl normal ve Z
2
de Z
1
den ba gmsz ve k sd ile
2
da glmna
uyan bir rastsal de gi sken olsun. Bu durumda t = Z
1
/(
_
Z
2
/k) seklinde tanmlanan
de gi sken de k sd ile Student t da glmna uyar.
Serbestlik derecesi k sonsuza do gru yakla stka Student t da glm lnl
normal da glma yaknsar.
Bir yazm kolayl g olarak k sdli t da glm t
k
diye gsterilir.
Kantsav 6
Z
1
ve Z
2
, serbestlik dereceleri srasyla k
1
ve k
2
olan ve ba gmsz da glml birer
ki-kare de gi skeni olsun. Bu durumda F = (Z
1
/k
1
)/(Z
2
/k
2
) olarak tanmlanan F
de gi skeni de k
1
pay ve k
2
payda serbestlik derecesi ile F da glmna uyar.
Di ger bir deyi sle, F de gi skeni kendi sdlerine blnm s iki ba gmsz
2
de-
gi skeni arasndaki oran gsterir.
Bir yazm kolayl g olarak, sdleri k
1
ve k
2
olan F da glml de gi sken F
k
1
,k
2
diye gsterilir.
Kantsav 7
Serbestlik derecesi k olan t rastsal de gi skeninin karesi, pay sdsi k
1
= 1 ve payda
sdsi k
2
= k ile F da glmldr.
rnek: F
1,4
= (t
4
)
2
dir.
rnek: (t
25
)
2
= F
1,25
olur.
5.2 Enok Olabilirlik Yntemi
5.2.1 Enok Olabilirlik Yakla sm

Istatistikte tm anaktleler kendilerine kar slk gelen bir olaslk da glm ile
tanmlanrlar.
Sradan en kk kareler yntemi ise znde olaslk da glmlar ile ilgili her-
hangi bir varsaym iermez.
Bu nedenle karsama yapmada SEK tek ba sna bir i se yaramaz.
SEKi genel bir tahmin sreci olarak de gil de rneklem ba glanm i slevlerinin
katsaylarn bulmada kullanlan bir hesaplama yntemi olarak grmeliyiz.
SEK ynteminden daha gl kuramsal zellikler gsteren bir di ger nokta
tahmincisi ise enok olabilirlik (maximum likelihood), ksaca EO (ML)
yntemidir.
Enok olabilirlik ynteminin ardnda yatan temel ilke su beklentidir:
Rastsal bir olayn gerekle smesi, o olayn gerekle sme olas-
l g en yksek olay olmasndandr.
Bu yntem 1920li yllarda

Ingiliz istatistiki Sir Ronald A. Fisher (1890-
1962) tarafndan bulunmu stur.
Ki-kare snamas, Bayesi yntemler ve e sitli lt modelleri gibi birok
istatistiksel karm yntemi temelde EO yakla smna dayanr.
EO yntemini anlayabilmek iin elimizde rastsal olarak belirlenmi s bir r-
neklem ve da glm katsaylar bilinen farkl anaktle adaylar oldu gunu var-
sayalm.
Bu rneklemin farkl anaktlelerden gelme olasl g farkl ve baz ana ktle-
lerden gelme olasl g di gerlerine gre daha yksektir.
Elimizdeki rneklem e ger bu anaktlelerden birinden alnm ssa, alnma ola-
sl g enok olan anaktleden alnm s oldu gunu tahmin etmek aklc bir yak-
la smdr.
Enok olabilirlik yntemi ksaca syledir:
1. Anaktlenin olaslk da glm belirlenir ya da bu ynde bir varsaym yaplr.
2. Eldeki rneklem verilerinin gelmi s olma olasl gnn enok oldu gu anaktle-
nin hangi katsaylara sahip oldu gu bulunur.
5.2.2

Ikiterimli Da glm rne gi
Enok olabilirlik yntemini daha iyi anlayabilmek iin su basit rne gi ele alalm:
Elimizde, iinde siyah ya da beyaz toplam on top bulunan de gi sik torbalar
olsun.
Torbadaki siyah top says i = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10} olmak zere 11
farkl torba olasdr.
Bu torbalardan birinden yerine koyarak (with replacement) drt top seti-
gimizi ve S-B-S-B srasyla 2 siyah top geldi gini varsayalm.
Bu sonucun hangi torbadan gelmi s olabilece gini enok olabilirlik yakla sm
ile tahmin edelim.
Elimizdeki soru ikiterimli (binomial, Bi) da glm konusudur.

Ikiterimli da glma gre, rnek olarak, 8i siyah olmak zere iinde 10 top
olan bir torbadan yerine koyarak ekilen 4 toptan 2sinin (belli bir sra ile)
siyah gelme olasl g sudur:
Bi(2|4,
8
10
) =
_
8
10
_
2
_
1
8
10
_
42
= 0,0256
Torbadaki siyah top oran p olsun. rne gimizde p iin 11 farkl de ger sz
konusudur:
p = {
0
10
,
1
10
, . . . ,
10
10
}
Bu 11 farkl torba iin, 4 toptan 2sinin siyah gelmesi durumunun gerekle sme
olasl g syle gsterilebilir:
Bi(2|4, p) = p
2
(1 p)
42
izelge: Siyah Top Saysna Gre Olasl gn Ald g De gerler
Siyah Top Says Olaslk
0 Bi(2|4,
0
10
) = (0)
2
(1)
42
= 0
1 Bi(2|4,
1
10
) = (0,1)
2
(0,9)
42
= 0,0081
2 Bi(2|4,
2
10
) = (0,2)
2
(0,8)
42
= 0,0256
3 Bi(2|4,
3
10
) = (0,3)
2
(0,7)
42
= 0,0441
4 Bi(2|4,
4
10
) = (0,4)
2
(0,6)
42
= 0,0576
5 Bi(2|4,
5
10
) = (0,5)
2
(0,5)
42
= 0,0625
6 Bi(2|4,
6
10
) = (0,6)
2
(0,4)
42
= 0,0576
7 Bi(2|4,
7
10
) = (0,7)
2
(0,3)
42
= 0,0441
8 Bi(2|4,
8
10
) = (0,8)
2
(0,2)
42
= 0,0256
9 Bi(2|4,
9
10
) = (0,9)
2
(0,1)
42
= 0,0081
10 Bi(2|4,
10
10
) = (1)
2
(0)
42
= 0
izelgeye bakarak eldeki rneklemin enok olaslkla siyah top says 5 olan
torbadan alnm s oldu gunu tahmin ederiz.
5.2.3

Ikiterimli Da glm EO Tahmincisi
Tanmlam s oldu gumuz ikiterimli da glm sorusunu simdi bir de zmlemesel
(analytical) olarak ele alalm:
Elimizde iinde ka siyah ve beyaz top oldu gu bilinmeyen bir torba olsun.
Torbadaki siyah top oranna 0 p 1 diyelim.

Ilk rnekte 4 toptan olu san bir rneklem alnm st. Simdi ise rneklem byk-
l g n, kan siyah top says da k olsun.
Farkl n ve k sonular veren toplam N sayda ba gmsz ekili s yapalm.
Enok olabilirlik yntemini kullanarak anaktle katsays pyi tahmin etmek
istiyor olalm.
Eldeki sorunun ikiterimli da glm ilgilendirdi gini biliyoruz.

Istatistikte ikiterimli da glm, ba sar olasl g p olan n ba gmsz deneyde
ba sarl olan klerin da glmn gsteren bir kesikli olaslk da glmdr.
Olaslk yo gunluk i slevi sudur:
Bi(k|n, p) =
_
n
k
_
p
k
(1 p)
nk
(5.1)
Yukarda verilen OY
I srasz ekili sler iindir. Matematiksel kolaylk asn-

dan sonularn belirli bir sray izlemesi gerekti gini varsayalm.
Bu durumda kesikli OY
I su olur:
p
k
(1 p)
nk
(5.2)
Elimizdeki olaslk yo gunluk i slevi suydu:
Bi(k|n, p) = p
k
(1 p)
nk
(5.3)
Toplam N saydaki ekili s iin birle sik yo gunluk i slevi:
Bi(k
i
|n
i
, p) = Bi(k
1
|n
1
, p) Bi(k
2
|n
2
, p) . . . Bi(k
N
|n
N
, p) (5.4)
Her bir n
i
ve k
i
iin, (5.3) (5.4)te yerine koyalm:
Bi(k
i
|n
i
, p) = p
k
i
(1 p)
n
i
k
i
(5.5)
n
1
, n
2
. . . n
N
ve k
1
, k
2
. . . k
N
de gerleri veriliyken anaktle katsays p e ger
bilinmiyorsa, yukarda gsterilen i sleve olabilirlik i slevi (likelihood func-
tion) ad verilir:
O
I(p) = p
k
i
(1 p)
n
i
k
i
(5.6)
Adndan da anla slaca g gibi EO tahmini, verili n
i
ve k
i
leri gzleme olasl-
gn enoklamaya dayanr.
yleyse, hedemiz olabilirlik i slevinin enoksal (maximal) de gerini bul-
mak olmaldr.
Bu da do grudan bir trev hesabdr.
Bir i slev kendi logaritmas ile tekdze (monotonous) ili skilidir. Bu nedenle
olaslk i slevi yerine log-olaslk (log-likelihood) i slevini enoklamak he-
sap kolayl g sa glar:
ln O
I(p) =
N
i=1
k
i
ln(p) +
N
i=1
(n
i
k
i
) ln(1 p) (5.7)
(5.7) e sitli ginin pye gre ksmi trevini alp sfra e sitleyelim:
ln O
I
p
=
N
i=1
k
i
1
p
+
N
i=1
(n
i
k
i
)
1
1 p
(1) = 0 (5.8)
Sadele stirmelerden sonra, EO tahmincisi p syle bulunur:
p =
N
i=1
k
i
N
i=1
n
i
(5.9)
p zerindeki () dalga (tilde) imi, bunun bir EO tahmincisi oldu gunu gs-
termek iin kullanlm str.
Grlyor ki EO yntemi anaktledeki siyah top oran k de gerini, N ekili s
sonunda bulunan siyah top saysnn ekilen toplam top saysna oran olarak
tahmin etmektedir.
5.3 Aklayc rnekler
5.3.1 Poisson Da glm EO Tahmincisi
EO yntemine bir rnek olarak Poisson da glmn ele alalm. Bu kesikli da glm,
verili bir sre ya da uzaysal alan ierisinde bir olayn belirli bir sayda tekrarlanma
olasl gn anlatr. rnek olarak, 5 dakikalk sre iinde belli bir noktadan geen ara
says Poisson da glmna uyan bir rastsal de gi skendir. Poisson da glmnn genel
gsterimi syledir:
f(x) =
e
x
x!
(5.10)
Burada
x olayn gerekle sme saysn,
ise belirli bir sredeki beklenen gerekle sme saysn
gstermek-
tedir.
Art de gerli bir gerel say olan ya ait EO tahmincisini bulmak istiyoruz.
Poisson da glmnn matematiksel gsterimini alalm ve n sayda gzlem iin
olabilirlik i slevini a sa gdaki gibi yazalm.
O
I() = f(x
1
)f(x
2
) . . . f(x
n
)
=
e
x
1
x
1
!
e
x
2
x
2
!
. . .
e
x
n
x
n
!
=
e
n
x
i
x
i
!
(5.11)

Iki yanl logaritmasn alarak log-olabilirlik i slevini bulalm.
ln O
I = n +
x
i
ln ln
x
i
! (5.12)
Log-olabilirlik i slevinin trevini alp sfra e sitleyelim:
ln O
= n +
x
i
1
= 0 (5.13)
Yukardaki e sitli gi ya gre zersek sunu buluruz:
x
i
n
(5.14)
Demek ki EO yntemi de gi stirgesinin tahmincisini xin rneklem ortala-
mas olarak bulmaktadr.
5.3.2 stel Da glm EO Tahmincisi
Ikinci bir rnek olarak stel (exponential) da glma bakalm. Bu srekli da glm,
olaylarn belli bir sabit hzda yinelendi gi Poisson tr bir sreteki gerekle smeler
aras sreyi anlatr. rnek olarak, belli bir noktadan rastsal olarak geen aralar ara-
snda geen sre stel da glma uyan bir rastsal de gi skendir. stel da glmn olaslk
yo gunluk i slevi ise syledir:
f(x) =
_
1
_
e
x/
X > 0 iin,
= 0 X 0 iin. (5.15)
Burada
x sreyi,
ise da glma ait hz (rate) de gi stirgesini
gstermektedir.
Simdi de nn EO tahmincisini tretmek istiyoruz.
Ba staki rneklerde yapt gmz gibi, nce n gzlem iin olabilirlik i slevini bu-
lalm.
O
I =
1
n
exp
_
x
i
_
(5.16)
Log-olabilirlik i slevini yazalm, trevini alp sfra e sitleyelim:
ln O
I = nln
x
i
(5.17)
ln O
=
n
x
i
2
= 0 (5.18)
x
i
n
(5.19)
Demek ki rneklem bykl g n iken de gi stirgesinin EO tahmincisi

=
x
i
/n olarak bulunmaktadr.
5.3.3 Normal Da glm EO Tahmincisi
Son olarak, simdi de Y
i
=
1
+
2
X
i
+ u
i
iki de gi skenli ba glanm modelini EO
yntemi ile tahmin edelim.
Bunun iin nce hata teriminin sfr ortalama ile normal ve ba gmszca da gl-
d gn (u
i
NBD(0,
2
)) varsayalm.
X N(,
2
) rastsal de gi sken Xin olaslk yo gunluk i slevi a sa gdaki gibi-
dir:
f(x) =
1
2
exp
_
1
2
(x )
2
2
_
(5.20)
Yukardaki exp i slemcisi e zeri anlamna gelmektedir.
Hatalarn u
i
N(0,
2
) oldu gunu varsayd gmza gre Y
i
N(
1
+
2
X
i
,
2
)dir.
Di ger bir deyi sle, Y
i
de gerleri
1
+
2
X
i
ortalama ve
2
varyans ile normal
da glrlar.
Buna gre tek bir Y nin olaslk yo gunluk i slevi sudur:
f(Y |
1
+
2
X,
2
) =
1
2
exp
_
1
2
(Y
1
2
X)
2
2
_
(5.21)
Birbirinden ba gmsz i {1, 2, . . . , n} sayda Y
i
nin ortak olaslk yo gunluk
i slevi ise n tekil OY
Inin arpmdr:
f(Y
1
|
1
+
2
X
1
,
2
) f(Y
2
|
1
+
2
X
2
,
2
) . . . f(Y
n
|
1
+
2
X
n
,
2
) (5.22)
Elimizdeki n gzlemdeki her bir Y
i
ve X
i
iin (5.21)i (5.22)de yerine koyar-
sak, olabilirlik i slevini buluruz:
O
I(
1
,
2
,
2
) =
1
2
n
exp
_
1
2
n
i=1
(Y
i
2
X
i
)
2
2
_
(5.23)
Bu denklemin do gal logaritmasn alrsak da log-olabilirlik i slevini elde ede-
riz:
ln O
I = nln()
n
2
ln(2)
1
2
n
i=1
(Y
i
2
X
i
)
2
2
(5.24)
ln O
I de gerini enoklamak en sondaki terimi enazlamak demektir. Bu da en

kk kareler yakla sm ile ayn seydir.
Log olabilirlik i slevinin
1
,
2
ve
2
ye gre ksmi trevleri alnrsa su e sit-
likler bulunur:
ln O
1
=
1
2
n
i=1
(Y
i
2
X
i
)(1) (5.25)
ln O
2
=
1
2
n
i=1
(Y
i
2
X
i
)(X
i
) (5.26)
ln O
2
=
n
2
2
+
1
2
4
n
i=1
(Y
i
2
X
i
)
2
(5.27)
(. . . devam)
(5.25), (5.26) ve (5.27) sfra e sitlenip birlikte zldkten sonra ise a sa gdaki
EO tahmincileri elde edilir:
1
=

Y

2

X (5.28)
2
=
x
i
y
i
x
2
i
(5.29)

2
=
u
i
2
n
(5.30)
Grld g gibi u
i
lerin normal da gld g varsaym altnda ba glanm katsa-
ylarnn EO ve SEK tahmincileri ayndr.
Di ger yandan
2
tahminleri farkldr:
SEK tahmincisi

2
=
u
i
2
n 2
(5.31)
EO tahmincisi

2
=
u
i
2
n
(5.32)
Buna gre
2
nin SEK tahmincisi yanszken EO tahmincisi a sa g do gru yan-
ldr.
Ancak kavu smazsal olarak, di ger bir deyi sle n sonsuza yakla stka, EO tah-
mincisi de yanszla sr.
yleyse,
2
nin EO tahmincisi kavu smazsal yanszlk (asymptotic unbi-
asedness) zelli gini ta smaktadr.
dev
Kitaptan Blm 4 Classical Normal Linear Regression Model (CNLRM) okuna-
cak.
nmzdeki Ders
Iki De gi skenli Ba glanm: Aralk Tahmini ve nsav Snamas

Blm 6
Iki De gi skenli Ba glanm Modeli -

karsama Sorunu
6.1 Aralk Tahmini
6.1.1 Baz Temel Noktalar
Yansz SEK tahmincilerinin retti gi tahminlerin anaktle de gerlerine e sit ol-
mas beklenir.
Ancak, rneklemlerin rastsall g nedeniyle sonularn gerek de gerlerden farkl
kabilece gi de bir gerektir.
Hata teriminin normalli gi varsaym altnda

1
,

2
, ve
2
tahmincilerinin da-
glmlar ile ilgili su bilgileri anmsayalm:
1
N(
1
,
2
1
)
2
N(
2
,
2
2
)
Z = (n 2)

2
2

2
n2
Rastsallk etmeni nedeniyle tahminlerin gerek de gerlerine ne kadar yakn
oldu gunu bilmek isteriz.
yleyse, yalnzca nokta tahminine gvenmek yerine onun iki yannda yle bir
aralk olu sturalm ki anaktlenin gerek katsaysn belli bir olaslkla iersin:
P(

+ ) = 1
93
Iki De gi skenli Ba glanm Modeli - karsama Sorunu A. Talha Yalta (2007 - 2011)
Buradaki
0 < < 1e anlamllk dzeyi (signicance level),
1 ya gven katsays (condence coefcient),
ya alt gven snr (lower condence limit),
+ ya ise st gven snr (upper condence limit)

ad verilir.
Aralk tahminine ili skin baz nemli noktalar sunlardr:
Tanmlanan aralk rastsal bir aralktr ve bir rneklemden di gerine de gi secek-
tir.
E ger = 0,05 ise, tanmlanan rastsal aral gn gerek de gerini ierme ola-
sl g 0,95 ya da %95tir.
Belli bir rneklem alnarak bulunan sabit aral gn gerek y ierme olasl-
gnn ise (1 ) oldu gu sylenmez.
nk, byle bir durumda ya bu aral gn iindedir ya da d sndadr. Di ger
bir deyi sle olaslk ya 1dir ya da 0dr.
6.1.2 SEK Tahmincilerinin Gven Aralklar
1
ve
2

Iin Gven Aral g
Hata teriminin normalli gi varsaym altnda

1
ve

2
SEKtahmincilerinin nor-
mal da glml oldu gunu biliyoruz.
yleyse, bir lnl normal de gi sken olan Zyi a sa gdaki gibi tanmlayabili-
riz:
Z =
2
h(
2
)
=
(
2
)
_
x
2
i
Demek ki anaktlenin gerek varyans

2
biliniyorsa,
2
yi incelemek iin
normal da glmdan yararlanlabilir.
Ancak,
2
genellikle bilinemedi gi iin uygulamada yansz tahmincisi
2
kul-
lanlr.

2
bilinmedi gi zaman bunun yerine yansz tahminci
2
a sa gda gsterilen se-
kilde kullanlr:
Z
1
=
(
2
)
_
x
2
i
Z
2
= (n 2)

2
2
t =
Z
1
_
Z
2
/(n 2)
=
(
2
)
_
x
2
i

Demek ki, normal da glan Z
1
in ki-kare da glan Z
2
nin kendi serbestlik dere-
cesine blmnn karekkne blnmesi ile elde edilen t rastsal de gi skeni,
n 2 sd ile t da glmldr.
Bu i slem
1
iin h(
1
) =
_
X
2
i
/n
x
2
i
olmas d snda benzerdir.
Normal da glm yerine t da glm kullanld g zaman
1
iin gven aral g
a sa gdaki gibi kurulur:
P(t
/2
t t
/2
) = 1
P
_
t
/2

1
h(
1
)
t
/2
_
= 1
Buradaki t
/2
de geri, /2 anlamllk dzeyinde ve (n2) serbestlik derecesi
iin t da glmndan bulunan t de geridir.
Bu t
/2
de gerine /2 anlamllk dzeyindeki kritik t de geri (critical t va-
lue) ad verilir.
Normal da gld g bilinen
2
nin gven aral g da benzer sekilde bulunur.

1
ve
2
nin %100(1 ) gven aralklar ksaca a sa gdaki gibi de gsterile-
bilir:
1
t
/2
h(
1
)
2
t
/2
h(
2
)
Her iki durumda da gven aral gnn geni sli gi tahmincinin lnl hatas ile
do gru orantldr.
Zaman zaman
1
ve
2
iin bir birle sik gven aral g (joint condence
interval) kurmak gerekli olabilir. Bu durum daha sonraki konularda ele alna-
caktr.
2

Iin Gven Aral g
Normallik varsaym altnda (n 2)

2
2
seklinde tanmlanan de gi skenin n 2
sd ile ki-kare da glml oldu gunu biliyoruz.
Bu bilgiden yararlanarak
2
nin gven aral gn bulabiliriz:
P(
2
1/2

2

2
/2
) = 1
P
_
(n 2)

2
2
/2

2
(n 2)

2
2
1/2
_
= 1
Bu gven aralklarnn yorumu sudur: Farkl rneklemler kullanarak
2
ve
lar iin %100(1 ) gven snrlar bulur ve gerek de gerlerin bu snrlar
iinde oldu gunu sylersek, her 100 seferde 100(1 ) kez hakl karz.
6.2 nsav Snamas
6.2.1 Gven Aral g Yakla sm
nsav snamas konusu ile ilgili baz nemli noktalar sunlardr:
nsav snamas, verili bir gzlem ya da bulgunun belli bir nsav ile uyu sup
uyu smad g sorusu ile ilgilenir.
Buradaki uyu smak szc g, nsavdaki de gere bu nsav reddetmemeyi sa g-
lamaya yetecek derecede yakn olmak anlamndadr.

Ileri srlen nsava H
0
ya da sfr nsav (null hypothesis) denir ve H
1
ile
gsterilen alma sk nsav (alternative hypothesis) kar ssnda snanr.
Alma sk nsav basit (simple) ya da bile sik (composite) olabilir. E ger
belli bir de ger ne srlyor ise nsav basittir.
rnek olarak
H
1
:
1
= 3 basit,
H
1
:
1
3 bile sik,
H
1
:
1
= 3 ise yine bir bile sik nsavdr.
nsav snamasna birbirini kar slkl tamamlayc iki farkl yakla sm vardr.
Bu yakla smlar gven aral g (condence interval) ve anlamllk sna-
mas (test of signicance) yakla smlardr.
Gven aral g yakla sm iin karar kural a sa gdaki gibidir:
Gven Aral g Karar Kural
Snanacak katsay iin %100(1 ) gven aral g belirlenir. E ger katsay bu gven
aral gnn iinde ise H
0
reddedilmez. Katsay e ger gven aral gnn d snda kal-
yorsa H
0
reddedilir.
rnek olarak, serbestlik derecesi 11 ve lnl hatas 0,1 olan ve

2
= 0,5
olarak tahmin edilen katsay iin sunu ileri srd gmz d snelim:
H
0
:
2
= 0,8
H
1
:
2
= 0,8
Alma sk nsava gre
2
0,8den kk ya da byk olabilir. Dolays ile bu
ift kuyruklu (two tailed) bir snamadr.
Gzlemlenen

2
nn H
0
ile uyumlu olup olmad gn bulmak iin
2
ye ait
%95 gven aral gn olu sturalm:
0,28
2
0,72
0,8 de geri, %95 gven aral gnn d snda kalmaktadr.
Buna gre gerek
2
nin 0,8 oldu gu nsavn %95 gvenle reddederiz.
Tek Kuyruklu Gven Aral g
Zaman zaman alma sk nsavn iki yanl yerine tek yanl oldu gu ynnde nsel
bilgi ya da kuramsal beklentilerimiz olabilir.
Bu durumda gven aral g tek yanl (one sided) ya da tek kuyruklu (one
tailed) olarak a sa gdaki gibi belirlenir:

t
h(
) ya da

+ t
h(
)
Gven aral gnn tek-kuyruklu mu yoksa ift-kuyruklu mu olu sturulaca g al-
ma sk nsavn belirleni s biimine ba gldr.
Tek kuyruklu snamaya rnek olarak, serbestlik derecesi 11 ve lnl hatas
0,1 olan

2
= 0,5 iin
2
nin 0,8den kk oldu gu kansnda oldu gumuzu
varsayalm.
Bu durumda sfr nsav ve alma sk nsav syle seilir:
H
0
:
2
0,8 H
1
:
2
< 0,8
Burada da glmnn sol kuyru gunu gz nne almaya gerek olmad g iin 1
gven aral g (,

2
+ t
h(
2
)] olur.
Tek kuyruklu %95 gven aral g a sa gdaki gibi bulunur:

2
0,6796
0,8 de geri %95 tek yanl gven aral gnn d snda oldu guna gre gerek
2
nin
0,8den byk ya da 0,8e e sit oldu gu sfr nsavn %95 gvenle reddedebi-
liriz.
6.2.2 Anlamllk Snamas Yakla sm
Anlamllk snamas yakla sm gven aral g yakla smn tamamlayc ve ona
benzer bir sretir.
Normallik varsaym altnda
t =

h(
)
de gi skeninin (n 2) sd ile t da glmna uydu gunu biliyoruz.
E ger sfr nsav altnda snanmak zere belli bir
de geri seilmi s ise, yu-

kardaki t de geri rneklemden kolayca hesaplanabilir ve bir snama istatisti gi
grevi grebilir.
Anlamllk snamas yakla smndaki snama istatisti gi t da glml oldu guna
gre su gven aral gn yazabiliriz:
P
_
t
/2

h(
)
t
/2
_
= 1 (6.1)
|
| t
/2
h(
) (6.2)

burada H
0
altndaki dr. t
/2
ise (/2) anlamllk dzeyinde ve (n 2)
sd ile t izelgesinden okunan kritik de gerdir.
Anlamllk snamas yakla smna bir rnek olarak
2
yi ele alalm:
2
= (n 2)

2
2
Yukarda gsterilen de gi skenin (n 2) serbestlik derecesi ile ki-kare da gl-
mna uydu gunu biliyoruz.
n = 13 ve
2
= 40 verili olsun.
H
0
:
2
= 50 nsavn snamak iin nce a sa gdaki ki-kare de geri hesaplanr.
2
= (13 2)
40
50
= 8,8
11 serbestlik derecesi ile ve anlamllk dzeyi = 0,05 iin
2
0,975
= 3,82 ve
2
0,025
= 21,92dir.
Hesaplanan
2
de geri yukardaki iki de ger arasnda kald g iin sfr nsav
reddedilmez.
t snamas karar kurallar a sa gdaki gibi zetlenebilir:
izelge: t Anlamllk Snamas Karar Kurallar
nsav Tr Sfr nsav Alma sk nsav H
0
ret kural
ift Kuyruk =
|t| > t
/2,sd
Sa g Kuyruk
>
t > t
,sd
Sol Kuyruk
<
t < t
,sd
Dikkat:

Iki de gi skenli model iin sd = (n 2)dir.
6.2.3 Anlamllk Konusu
Bir nsav Reddetmemenin Anlam
Bir anlamllk snamasna dayanarak sfr nsavnn desteklenmesi demek, as-
lnda, rneklem verilerine dayanarak bu nsav reddedecek bir neden olma-
d g anlamna gelir.
rnek olarak gerek = 0,5 oldu gunu varsayalm.
Verilere dayanarak burada H
0
: = 0,4 ve H
0
: = 0,5 gibi farkl nsavlar
ileri srmek olasdr.
Ancak bu nsavlardan hangisinin do gru oldu gu bilinemez.
Bu nedenle, tpk bir mahkemenin susuzdur yerine beraat etmi stir de-
mesi gibi kabul ederiz yerine reddedemeyiz sonucuna varmalyz.
2
= 0 Sfr nsav ve 2t Yntemi
Grgl al smalarda H
0
:
2
= 0 nsav sklkla snanr.
Burada ama Y nin aklayc de gi sken X ile ili skisi olup olmad gna karar
vermektir.
H
0
:
2
= 0 sfr nsavn snamada 2t ba sparmak kural (2t rule of thumb)
kullanlabilir:
2t Yntemi
Serbestlik derecesi 30 ya da daha fazla ise, anlamllk dzeyi = 0,05 iken bulu-
nan t =

2
/h(
2
), mutlak de ger olarak e ger 2den bykse,
2
= 0 sfr nsav
reddedilir.
Bunun nedeni, sd> 30 oldu gunda, t da glmndaki alann yzde 95ten byk
blmnn (2, 2) de gerleri arasnda yer almasdr. Bu durum t izelgesin-
den de grlebilir.
H
0
:
2
= 0a kar s
2
< 0 ya da
2
> 0 tek yanl snamalar iin ise
kullanlacak de ger 2 de gil 1,7dir.
Anlamllk Dzeyinin Seimi
Uygulamada anlamllk dzeyi o gu zaman %1, %5 ya da en ok %10
olarak seilmektedir.
Aslnda bu de gerlerin yerine ba ska herhangi bir de ger de ayn i si grebilir.
H
0
kabul ya da ret karar verilirken iki tr hata yaplabilir:
I. Tr Hata: Aslnda do gru olan H
0
reddetmek.
II. Tr Hata: Aslnda yanl s olan H
0
reddetmemek.
rneklem bykl g veriliyken, I. tr hata yapma olasl g azaltlmak iste-
nirse II. tr hata yapma olasl g artar. E ger II azaltlrsa bu sefer de I artar.
Anlamllk dzeyi seimindeki klasik yakla sm, uygulamada I. tr hatann II.
tre gre daha ciddi oldu gudur.
Dolaysyla, = 0,01 ya da = 0,05 seilerek I. tr hata yapma olasl g
olabildi gince d sk tutulur.
Anlamll gn Kesin Dzeyi
nsav snamasndaki zayf noktann nn seimindeki geli sigzellik oldu-
gunu biliyoruz. p-de geri (p-value) kavram, de gerini seme sorununu
ortadan kaldrr:
P de geri
P-de geri ya da olaslk de geri (probability value), anlamll gn gzlenen kesin
dzeyi ya da I. tr hata yapma olasl gnn kesin dzeyinin lsdr.
Di ger bir deyi sle p de geri, sfr nsavnn reddedilebilece gi en d sk anlaml-
lk dzeyini verir.
Belli bir rneklem veriliyken |t| bydke p de geri azalr ve sfr nsav da
gittike artan bir gvenle reddedilebilir.
Gncel ekonometri yazlmlar e sitli snama istatistiklerine ili skin p-de gerlerini
de hesaplayp verebilmektedir.
Istatistikte Anlamllk ve Uygulamada Anlamllk
Istatistiksel anlamllk uygulamada anlaml g gerektirmez. Buna ili skin olarak

Trkiye milli gelir-tketim rne gimizi anmsayalm:
rneklemden elde etti gimiz

2
de geri 0,59 idi.
2
iin %95 gven aral g (0,56, 0,63) olarak hesaplanr. Buna gre
2
= 0,64
sfr nsavn reddedebiliriz.
te yandan,

2
y 0,56 ya da 0,63 almak arasndaki farkn uygulamada nemli
olup olmad g da dikkate alnmaldr.
Bu sorunun yant modelden modele de gi sir.
rnek olarak, burada

2
marjinal tketim e gilimi MTEdir.

Iktisat kuramna
gre yatrm arpan ise 1/(1 MTE)dir.
Buna gre e ger MTE = 0,56 ise arpan 2,27 olurken MTE = 0,63 ise de
arpan 2,70 olacaktr.
Grld g gibi, bu rnekteki fark hem istatistiksel olarak hem de uygulama
asndan nemlidir.
6.3 karsamaya

Ili skin Konular
6.3.1 Varyans zmlemesi
Varyans zmlemesi (analysis of variance) ya da ksaca VARZ (ANOVA),
istatistiksel karsama sorununa tamamlayc ve aydnlatc bir yakla sm su-
nar.
A sa gdaki zde sli gi anmsayalm:
y
2
i
=
y
i
2
+
u
i
2
y
2
i
=

2
2
x
2
i
+
u
i
2
TKT = BKT + KKT
VARZ yakla smnn temelinde TKTnin bu iki parasnn incelenmesi ya-
tar.
BKT 1 sd ile ve KKT de iki de gi skenli model iin (n 2) sd ile ki-kare
da glmldr.
O halde, toplamlarn kendi sdlerine blnmesi ile bulunan ortalama kare-
leri toplam (mean sum of squares) ya da ksaca OKT (MSS) de gerlerini
kullanarak sunu yazabiliriz:
F =
BKTnin OKTsi
KKTnin OKTsi
=
(
2
2
x
2
i
)/1
u
i
2
/(n 2)
Yukardaki de gi sken, hata teriminin normalli gi varsaym altnda pay 1 ve
payda (n 2) sd ile F da glmna uyar.
Tanmlad gmz F oranndan nasl yararlanabilece gimizi grmek iin a sa g-
daki e sitliklere bakalm:
E
_
(
2
2
x
2
i
)/1
_
= . . . =
2
+
2
2
x
2
i
E
_
u
i
2
/(n 2)
_
= E(
2
) =
2

2
ve
2
gerek anaktle katsaylardr.
E ger
2
sfr ise e sitliklerin her ikisi de ayn kar.
Demek ki, F oran bize H
0
:
2
= 0 sfr nsavn snamada kullanlabilecek
bir snama istatisti gi vermektedir.
Dikkat: Bu durum iki de gi skenli ba glanm iin geerlidir. F orannn oklu
ba glanmdaki yorumu farkldr.
Varyans zmlemesine rnek olarak, Trkiye gelir-tketim rne gimize dne-
lim.
F de geri 1213,49 olarak hesaplanmaktadr.
Anlamllk dzeyi %5 iken, 1 ve 18 sd iin kritik F de geri 4,41 olarak verili-
dir.
Elimizdeki F istatisti gi kritik de gerden byk oldu gu iin,
2
= 0 nsavn
reddederek Trkiyede gelirin, zel tketim harcamalar zerinde etkili oldu-
gunu syleyebiliriz.
Bu noktada, k sd ile t da glmna uyan de gi skenin karesinin de 1 ve k sd ile
F da glmna uydu gunu da anmsayalm.
H
0
:
2
= 0 altnda tahmin edilen t de geri 34,84tr.
Yuvarlama hatalarn bir yana brakrsak t
2
= (34,84)
2
= F e sitli ginin geerli
oldu gunu gryoruz.
Bu nedenle, iki de gi skenli ba glanm iin F snamasna aslnda gerek yoktur.
Simdilik F ve t snamalarnn
2
= 0 snamasnn iki farkl ve birbirini ta-
mamlayc yolu oldu gunu syleyebiliriz.
F snamasnn nemini ve farkl uygulamalarn oklu ba glanm konusu ie-
risinde ele alaca gz.
6.3.2 Kestirim Sorunu
Ortalama Kestirimi
rneklem katsaylar yannda tekil

Y
i
de gerleri iin de aralk tahmini ve nsav
snamas yaplabilir.
rnek olarak, a sa gdaki rneklem ba glanmna bakalm:
Y
i
= 25 + 2X
i
Katsay tahminlerine dayanarak E(Y |X
0
= 100) kestirimini yapmak istedi-
gimizi varsayalm.
Bu ortalama kestirimi (mean prediction) syle bulunur:
Y
0
=

1
+

2
X
0
= 25 + 2(100) = 225

Y
0
burada E(Y |X
0
) tahmincisidir.

Y
0
nn, bir tahminci olmasndan dolay, kendi gerek de gerinden farkl k-
mas sz konusudur.

Y
0
tahmincisinin a sa gda gsterilen ortalama ve varyans ile normal da glml
oldu gu kantlanabilir:
E(

Y
0
) =
1
+
2
X
0
var(

Y
0
) =
2
_
1
n
+
(X
0

X)
2
x
2
i
_
Bilinmeyen
2
yerine yansz tahminci
2
koyuldu gunda ise bulunan de gi sken
(n 2) sd ile t da glmna uyacaktr:
t =
Y
0
(
1
+
2
X
0
)
h(

Y
0
)
yleyse, t da glmn kullanarak E(Y
0
|X
0
) gven aral gn bulabilir ve bunu
nsav snamas yapmada kullanabiliriz.
E(Y
0
|X
0
) gven aral gnn tmXler iin hesaplanmas ile anaktle ba glanm
i slevine ili skin bir gven ku sa g (condence band) elde edilebilir.
Bu gven ku sa g X
0
=

X oldu gunda en dar noktadadr. X
0
de geri

Xden
uzakla stka kemer de geni sler.
Dolaysyla, rneklem ortalamas

Xden uzakla sldka rneklem ba glanm-
nn kestirim yetene gi de azalacaktr.
6.3.3 Ba glanm Bulgularnn De gerlendirilmesi
Verilere yak strlan model sonular yorumlanrken a sa gdaki lt gz nne
alnmaldr:
1. Tahmin edilen katsaylarn i saretlerinin kuramsal ya da nsel bilgilere dayal
beklentilerle uyumlulu gu,
2. Kuramsal ili skinin istatistiksel olarak anlaml olup olmad g,
3. Ba glanm modelinin gvenilirli gi ve kuramsal ili skiyi aklayabilme derecesi.
Trkiye gelir-tketim rne gi iin gretl ba glanm kts syledir:
Ba glanm bulgularn inceledi gimizde sunlar grrz:
Keynesci tketim kuram erevesinde
1
otonom tketimi,
2
ise marjinal
tketim e gilimi MTEyi gstermektedir.
Sfr gelir gerek hayatta gzlenen bir durum olmad g iin
1
e otonom t-
ketim anlam yklemekten kanlmaldr.

2
ise nsel beklentilere uygun sekilde 1den kk ve 0,59 olarak tahmin
edilmi stir. Buna gre, Trkiyede milli gelir 1 TL artt gnda tketim de 59
kuru s artmaktadr.
t istatistikleri ilgili anaktle de gerinin sfr oldu gu varsaym altnda bulun-
mu stur.
2
iin 34,84 = 0,59335/0,017033tr.
2
ya ait p-de geri de 18 sd ile 34,84 ya da daha yksek bir t de geri bulma
olasl gn 5,68e
18
olarak vermektedir. Demek ki MTEnin sfrdan farkl
oldu gunu syleyebiliriz.
Yakla sk 0,98 bykl gndeki r
2
de geri, zel tketim harcamalarndaki de gi-
simin %98 orannda milli gelirdeki de gi sim ile aklanabildi gini sylemekte-
dir.
Ba glanm sonularnn gvenilir oldu guna karar verebilmek iin modelimizin
KNDBM varsaymlarn sa glad gn da onaylamak zorundayz.
Su an tm KNDBMnin varsaymlarn denetleyemesek de u
i
hata teriminin
normalli gi varsaymna bakabiliriz.
Yaznda e sitli normallik snamalar bulunmaktadr. Biz bunlardan ki-kare
yak smann iyili gi (goodness of t) ve Jarque-Bera normallik snamalarn
ele alaca gz.
Bu snamalarn ikisi de u
i
kalntlarn ve ki-kare olaslk da glmn temel
almaktadr.
2
Yak smann

Iyili gi Snamas
2
yak smann iyili gi snamasnn admlar syledir:
1. Ba glanm i slevi bulunur ve u
i
kalntlar elde edilir.
2. u
i
nn rneklem lnl sapmas hesaplanr.
3. rneklem bykl gne gre bir kap (bin) says belirlenir. Kalntlar b-
yklk srasna sokulur ve sfrdan ka lnl sapma uzaklkta olduklarna
gre bu kaplara bl strlr.
4. Gzlenen sklklar (G
i
) ile normal da glm iin beklenen sklklar (B
i
) arasn-
daki farklarn kareleri alnr, beklenen sklklara blnr ve bunlarn toplam
hesaplanr:
2
=
k
i=1
(G
i
B
i
)
2
B
i
k = kap says iken, yukardaki de gi sken (k 3) (normal da glma kar s
snad gmz iin) sd ile
2
da glmna uyar.
5. E ger p de geri yksekse H
0
: normallik nsav reddedilmez.
Jarque-Bera Normallik Snamas
JB snamas bir kavu smazsal (asymptotic) ya da byk rneklem snamasdr.
Su sekilde yaplr:
1. ncelikle SEK kalntlarnn arpklk (skewness) ve basklk (kurtosis)
lleri bulunur.
2. Daha sonra a sa gdaki istatistik hesaplanr:
JB = n
_
S
2
6
+
(K 3)
2
24
_
Burada S arpkl g, K ise baskl g gstermektedir. Jarque ve Bera, 1987
tarihli bir al smalarnda, kalntlarn normal da gld g varsaym altnda JB
istatisti ginin byk rneklemde 2 sd ile
2
da glml oldu gunu gstermi sler-
dir.
3. E ger hesaplanan snama istatisti gine ait p de geri yksekse H
0
: normallik
nsav reddedilmez.
Ki-kare snamasnn ekici yan, y gnsal da glm i slevi (cumulative distri-
bution function) hesaplanabilen her trl da glm iin yak smay snamak iin
kullanlabilmesidir.
Sakncas ise kap saysnn nesnel bir lt olmad g iin hesaplanan
2
de-
gerinin farkllk gsterebilmesidir.
SEKynteminin istatistiksel zelliklerinden dolay, byk rneklemlerde nor-
mallik snamas o gu zaman gerekmez.
Ba glanm ile ilgili olarak normallik snamas daha ok bir kk rneklem
konusudur.
Di ger yandan, JB kavu smazsal bir snama oldu gu iin kk rneklemlerde
ki-kare da glmndan sapmaktadr.
rnek olarak, n = 70 gibi ok da kk saylamayacak rneklemlerde bile
bulunan JB p de geri yanltc olabilir.
Bu yzden Jarque-Bera yerine Doornik-Hansen snamas yazn literature
iinde ye glenmektedir.
dev
Kitaptan Blm 5 Two-Variable Regression: Interval Estimation and Hypothesis
Testing okunacak.
nmzdeki Ders
Iki De gi skenli Do grusal Ba glanm Modelinin Uzantlar

Blm 7
Iki De gi skenli Ba glanm Modelinin

Uzantlar
7.1 Sfr Noktasndan Geen Ba glanm
Kuram bazen modelde sabit terimin bulunmamasn ngrr:
Y
i
=
2
X
i
+ u
i
Sfr noktasndan geen ba glanm modelinin uygun oldu gu baz durumlar sun-
lardr:
sermaye varl g yatlama modeli (capital asset pricing model) ya da ksaca
SVFM (CAPM),
Milton Friedmann kalc gelir nsav (permanent income hypothesis),
Maliyet zmlemesi kuram (cost analysis theory),
Enasyon orannn para arzndaki de gi sim ile orantl oldu gunu ileri sren
para kuram e sitlemeleri.
Sfr noktasndan geen ba glanm iin B
I a sa gdaki gibidir:
Y
i
=

2
X
i
+ u
i
Yukardaki modele ait

2
SEK tahmincisi su sekilde bulunur:
Al slm s Model
110
Iki De gi skenli Ba glanm Modelinin Uzantlar A. Talha Yalta (2007 - 2011)
2
=
x
i
y
i
x
2
i
var(
2
) =

2
x
2
i

2
=
u
i
2
n2
1
= 0 Modeli
2
=
X
i
Y
i
X
2
i
var(
2
) =

2
X
2
i

2
=
u
i
2
n1
Yukardaki byk ve kk harf kullanmna dikkat ediniz.
Ksaca,
1
= 0 modeli formllerinde ortalamalardan sapma yerine X ve
Y lerin asl de gerlerini kullanyoruz.
Sabit terimsiz modelin iki zelli ginin bilinmesinde yarar vardr:
1. Bu modellerde
u
i
kalnt toplam her zaman sfr olmak zorunda de gildir.
2. Bu modellerde kalnt kareleri toplam, toplam kareleri toplamndan kk
olmak zorunda de gildir. Bu nedenle, al sldk modeller iin hesaplanan belir-
leme katsays r
2
sfr noktasndan geen ba glanmlarda zaman zaman eksi
de gerler alabilir ve kullanlmas uygun de gildir. Sabit terimsiz modellerde
ham (raw) r
2
kullanlabilir:
Ham r
2
ham r
2
=
(
X
i
Y
i
)
2
X
2
i
Y
2
i
Ham r
2
de 0 ve 1 arasndadr ama di ger r
2
ile kar sla strlamaz.
nsel dayanaklar ok gl olmad g srece sabit terimin modele eklenme-
sinde yarar vardr.
E ger modele sabit terim eklenir ve bu terim istatistiksel olarak anlaml bulun-
mazsa, zaten elde sfr noktasndan geen bir ba glanm modeli var demektir.
Di ger yandan, gerekte modelde sabit terim varken sabit terimsiz model ya-
k strlmaya al slrsa model belirtimhatas (model specication error) ya-
plm s olur.

Sfr Noktasndan Geen Ba glanm Aklayc rnek
Sfr noktasndan geen ba glanma bir rnek olarak, Gz 2007 dneminde
TOBB ET ekonometri grencilerinin arasnav ve dnem sonu snav notu
sralamalarn alalm:
Y
i
= + X
i
+ u
i
Burada
Y grencinin dnem sonu snavnda kanc oldu gunu,
X grencinin arasnavda kanc oldu gunu
gstermek-
tedir.
Tekil grencilere ili skin motivasyon de gi sikli gi ya da zel durumlar gibi rast-
sal kabul edilebilecek etmenler d snda sralamann de gi smeyece gini varsay-
mak yanl s olmaz.
Bu durumda nsel beklentimiz = 0 ve = 1 olmasdr.
Bu modeli sfr noktasndan geen ba glanm olarak hesaplarsak a sa gdaki bul-
gular elde ederiz:
Y
i
= 0,9466 X
i
h (0,0632)
t (14,9721) ham r
2
= 0,8961
Sabit terimsiz ba glanmn uygun olup olmad gn snamak iin al slm s ba g-
lanma da bakalm:
Y
i
= 3,1624 + 0,7741 X
i
h (2,0284) (0,1266)
t (1,5591) (6,1142) r
2
= 0,5992

Ilk ba glanmda

, 1e olduka yakndr.

Ikinci ba glanmda sabit terimin sfr
oldu gu sfr nsav reddedilmez.
E ger ba staki varsaymmz do gru ise, r
2
den dolay, rastsal etmenlerin ba sa-
rda %10 etkili oldu gunu syleyebiliriz.

0
5
10
15
20
25
30
0 5 10 15 20 25 30
D
n
e
m

s
o
n
u

s
n
a
v

d
e
r
e
c
e
s
i
Arasnav derecesi
EKONOMETR RENCLERNN SINAV DERECELER
Y = 0,95X
Y = 3,16 + 0,77X

7.2 Hesaplamaya

Ili skin Konular
7.2.1 lekleme ve l Birimleri
Ba glanm zmlemesinde dikkat edilmesi gereken bir nokta da verileri lek-
leme (data scaling) konusudur. Verilerin leklenmesi ile ilgili iki nemli soru su-
dur:
1. X ve Y de gi skenlerinin l birimleri ba glanm bulgularn etkiler mi?
2. Ba glanm zmlemesi iin l biriminin seilmesinde izlenilmesi gereken
bir yol var mdr?
Trkiyeye ait a sa gda verilen 1987 yatlar ile gayrisa sabit sermaye olu sumu
ve gayrisa yurtii hasla verilerine bakalm:
izelge: Trkiyede Sabit Sermaye Olu sumu ve GSYH (19872000)
Yl GSSSO GSSSO GSYH GSYH
(milyon TL) (milyon TL) (milyar TL) (milyar TL)
1987 18.491 74.416 0.018491 0.074416
1988 18.299 76.143 0.018299 0.076143
1989 18.701 76.364 0.018701 0.076364
1990 21.670 83.371 0.021670 0.083371
1991 21.764 84.271 0.021764 0.084271
1992 23.147 88.893 0.023147 0.088893
1993 29.247 96.391 0.029247 0.096391
1994 24.577 91.600 0.024577 0.091600
1995 26.823 97.729 0.026823 0.097729
1996 30.598 104.940 0.030598 0.104940
1997 35.137 112.892 0.035137 0.112892
1998 33.768 116.541 0.033768 0.116541
1999 28.473 111.083 0.028473 0.111083
2000 33.281 119.147 0.033281 0.119147
Ortaya atm s oldu gumuz iki soruyu yantlayabilmek iin a sa gda verilen ba gla-
nm bulgularn inceleyelim:

Hem GSSSO, hem GSYH milyon TL:
GSSSO
t
= 8,76891 + 0,364933 GSYH
t
(2,73489) (0,0283565) r
2
= 0,9324
Hem GSSSO, hem GSYH milyar TL:
GSSSO
t
= 0,00876891 + 0,364933 GSYH
t
(0,00273489) (0,0283565) r
2
= 0,9324
GSSSO milyon dolar, GSYH milyar TL:
GSSSO
t
= 8,76891 + 364,933 GSYH
t
(2,73489) (28,3565) r
2
= 0,9324
GSSSO milyar dolar, GSYH milyon TL:
GSSSO
t
= 0,00876891 + 0,000364933 GSYH
t
(0,00273489) (0,0000283565) r
2
= 0,9324
Not: lnl hatalar parantez ierisinde verilmi stir.
Ba glanm bulgularnn drd de GSYHdeki bir milyon liralk bir de gi simin
GSSSOde ortalama 0,364933 milyon liralk bir de gi sime yol at gn gster-
mektedir.
yleyse, SEK tahmincilerinin bilinen zellikleri farkl l birimlerinin kul-
lanlmasndan etkilenmemektedir.
te yandan, ba glanm hesaplar bilgisayar kullanlarak yapld g iin, verile-
rin uygun biimde leklendirilmesi uygulamada zaman zaman nemli olabi-
lir.
7.2.2 Saysal Hesaplama Sorunlar
Ekonometri, birok karma sk matematiksel ve istatistiksel yntem ieren bir
bilim daldr.
Ancak o gu ara strmac e sitli tekniklerin yalnzca birka fare tklamas ile
uygulanabilece gi izlenimini ta smaktadr.
Bilgisayar yazlmlarnn her zaman saysal olarak tutarl oldu gunu varsay-
mak hatal bir yakla smdr.
Gnmz bilimsel yazlmlarnn o gu tmhesaplamalarda 64bit kayan nokta
(oating point) aritmetik kullanmaktadr.
Bu altyap gerel say sistemini tmyle kar slayamayarak drt tr hataya yol
aabilmektedir:

Yuvarlama hatalar (rounding errors)
Iptal etme hatalar (cancellation errors)

Budama hatalar (truncation errors)
zmyolu hatalar (algorithm errors)
Yuvarlama Hatalar
Yuvarlama hatas, baz saylarn bilgisayarlarn kulland g ikili dzende tam
olarak gsterilememesinden kaynaklanr.
rnek olarak 0,1 ondalk saysnn ikili dzende gsterimi 0,00011dir. Bu
say yeniden ondalk sisteme evrildi ginde 0,09999999403953 olur.
Bu nedenle, cebirsel olarak birbirine e sde ger olan (p = q) ve (p q = 0) gibi
iki denklem bilgisayarda uyguland gnda farkl sonular verebilmektedir.
Iptal Etme Hatalar

Iptal etme hatas, yuvarlama hatasnn zel bir durumudur. Gzlemlerde fazla
sayda sabit ncl basamak oldu gunda ortaya kar.
Bu zelli gi gsteren veri setlerine kat (stiff) veri seti denir.
rnek olarak 1,000,000,001 saysndan 1,000,000,000 karlnca geriye yal-
nzca en sa gdaki tek basamak kalr.
Ba staki saynn bykl gnden dolay, bu son basamak yuvarlama hatalarna
fazla duyarldr.
Budama Hatalar
Budama hatas, yinelemesel (iterative) i slemlerde grlen ve yazlmdan
zorunlu olarak kaynaklanan bir hata trdr.
rnek olarak exp(x) i slevi x = 1 noktasnda a sa gdaki gibi geni sletilir:
exp(x) =
i=0
x
i
i!
=
x
0
0!
+
x
1
1!
+
x
2
2!
+
x
3
3!
+ . . . = e
Grld g gibi, oransz say (irrational number) enin hesaplanabilmesi
sonsuz sayda toplama gerektirmektedir.
Ancak bilgisayar hesaplamas snrl sayda i slem ierebilir ve sonuta bir
budama hatas ortaya kar.

zmyolu Hatalar
zmyolu hatas, bir problemin o gu zaman birden fazla sekilde zlebi-
lece gi gere ginden kaynaklanr.
Sonuta baz zmler di gerlerinden daha iyidir.
rnek olarak, do grusal SEK modelini hesaplamak iin kullanlabilecek yn-
temlerden bazlar sunlardr:
Gaussu eleme (Gaussian elimination) Tekil de ger ayr strmas
(singular value decomposition) Cholesky arpanlamas (Cholesky
factorization) QR arpanlamas (QR factorization)
Bunlar iinde QR yntemi, oklue sdo grusal veriler d snda di gerlerine gre
daha gvenilir sonular vermektedir.
Saysal Hesaplama Sorunlar zet
zetle, saysal hesaplama sorunlarna ili skin dikkat edilmesi gereken noktalar
sunlardr:
Bilgisayar matemati ginin ka gt-kalem matemati ginden tmyle farkl oldu gu
unutulmamaldr.
Saysal hatalar azaltmann kolay yolu, zmleme ncesi verileri uygun se-
kilde leklemektir.
Tm verileri ntanml olarak [0, 1) ya da [0,10) aralklarna gre leklemek
do gru bir yakla smdr.
ok byk ve ok kk saylar birlikte kullanmann hatal sonulara dave-
tiye karmak oldu gu unutulmamaldr.
Ayrca ara strmac al smasnda yalnzca veri kaynaklarn belirtmekle yetin-
memeli, verilerin nasl lld gn ve leklendi gini de mutlaka aklamal-
dr.

7.3 Ba glanm Modellerinin

I slev Biimleri
Do grusallk (linearity) kavramnn de gi skenlerde do grusallk ve de gi stir-
gelerde do grusallk olmak zere iki ayr sekilde tanmland gn anmsayalm.
KDBM iin de gi stirgelerde do grusallk zorunlu olsa da de gi skenlerde do gru-
sallk zorunlu de gildir.
yleyse, de gi skenlerde do grusal-d s ama de gi stirgelerde do grusal olan ya da
uygun dn strmelerle do grusal yaplabilen modelleri KDBM ile tahmin et-
mek olanakldr.
Bu ba glamda ele alaca gmz model biimleri sunlardr:
Log-do grusal model (log-linear model)
Yar-logaritmasal model (semi-logarithmic model)
Evrik model (reciprocal model)
Log-evrik model (log-reciprocal model)
7.3.1 Log-Do grusal Model
stel (exponential) ba glanm modeli diye adlandrlan a sa gdaki modeli
ele alalm:
Y
i
=
1
X
2
i
e
u
i
Yukardaki gsterim a sa gdaki sekilde do grusalla strlabilir:
ln Y
i
= ln
1
+
2
ln X
i
+ u
i
= +
2
ln X
i
+ u
i
Bu model, ve
2
anaktle katsaylarnda do grusaldr ve SEK yntemiyle
a sa gdaki gibi tahmin edilebilir:
Y
i
= +
2
X
i
+ u
i
Burada Y
i
= ln Y
i
ve X
i
= ln X
i
dir.

Her iki yannn logaritmas alnarak do grusalla strlm s modellere log-do grusal
(log-linear), log-log (log-log) ya da ifte-log (double-log) modeller ad
verilir.
Log-do grusal modeldeki ve

2
SEK tahmincileri, ba sta grd gmz do g-
rusal modellerde oldu gu gibi EDYTdirler.
Ancak

1
= antilog( ) biiminde tahmin edildi gi iin ,

1
nn yanl bir
tahmincisidir.
Birok uygulamada sabit terimikinci derecede nemli oldu gundan,

1
in yanl
olmasna aldrlmayabilir.
Log-do grusal modelin yaygnl gna yol aan ekici zelli gi,
2
e gim katsays-
nn Y nin Xe gre esnekli gini vermesidir:
Do grusal Model
Y
i
= +
2
X
i
+ u
i
E gim (birim de gi sim):
dY
i
dX
i
=
2
Esneklik (yzde de gi sim):
dY
i
/Y
i
dX
i
/X
i
=
dY
i
dX
i
X
i
Y
i
=
2
X
i
Y
i
Log-do grusal Model
Y
i
= exp( +
2
ln X
i
+ u
i
)
E gim (birim de gi sim):
dY
i
dX
i
= exp( +
2
ln X
i
+ u
i
)
2
1
X
i
=
2
Y
i
X
i
Esneklik (yzde de gi sim):
dY
i
/Y
i
dX
i
/X
i
=
dY
i
dX
i
X
i
Y
i
=
_
2
Y
i
X
i
_
X
i
Y
i
=
2
Bu zelli ginden dolay log-do grusal model sabit esneklik (constant elasti-
city) modeli diye de adlandrlr.
rnek olarak kahve talebi modeline bakalm.
Veriler zerinde log-log do grusalla strmas yapldktan sonra hesaplanan ba g-
lanm su sonular vermektedir:
ln Y
i
= 0,7774 0,2530 ln X
i
h (0,0152) (0,0494) r
2
= 0,7448
t (51,1447) (5,1214) F
1,9
= 26,23
Fiyat esnekli gi katsays 0,25 olarak bulunmu stur.
Buna gre kahve yatnda yzde 1 art s olmas durumunda kahve tketiminin
ortalama yzde 0,25 azalmas beklenir.
yleyse kahve talebinin kendi yatna gre esnek olmad g sylenebilir.
Zaman zaman do grusal ve log-do grusal model arasnda bir seim yapmak
gerekli olabilir.
Ba gml de gi skenler ayn olmad g iin, byle bir durumda iki r
2
de gerini
do grudan kar sla strma yoluna gidilemez.
Katsay tahminlerini kar sla strma konusunda ise
2
(

X/
Y ) tanmndan yarar-
lanlarak do grusal model iin bir ortalama esneklik hesaplanabilir.
Kahve talebi rne ginde, log-log modelden elde edilen
2
esneklik katsays
0,25 iken, do grusal modelin ortalama esnekli gi de benzer biimde 0,22
olarak bulunur.
Dikkat:
2
(

X/
Y ) kullanlarak bulunan ortalama esneklik farkl

X ve

Y de-
gerlerine ba gldr. Log-do grusal modelin esneklik katsays
2
ise her yat
dzeyinde ayndr.
7.3.2 Yar-logaritmasal Modeller
Log-Do g Modeli
Ekonomistler sk sk para arz, istihdam, GSYH gibi de gi skenlerin byme
oranlarnn tahmini ile ilgilenirler.
Bile sik faiz formln anmsayalm:
Y
t
= Y
0
(1 + r)
t
Burada r, Y nin zaman iindeki (bile sik) byme hzdr. Yukardaki denkle-
min logaritmasn alalm:

ln Y
t
= ln Y
0
+ t ln(1 + r)

1
= ln Y
0
ve
2
= ln(1+r) tanmlamalarn yapp hata terimini de ekledikten
sonra modeli syle yazabiliriz:
ln Y
t
=
1
+
2
t + u
t
Yukarda gsterilen modele log-do g (log-lin) modeli denir.
Bu noktada, sk sk kar sla st gmz mutlak de gi sim (absolute change), g-
reli de gi sim (relative change) ve yzde de gi sim (percentage change) terimleri
arasndaki farka dikkat edelim:
Mutlak de gi sim
X
Greli de gi sim
X/X
Yzde de gi sim
100 X/X
E ger Xdeki de gi sim kkse, a sa gda gsterilen yakla strma (approxima-
tion) uygulamada sklkla kullanlr:
ln X X/X (greli de gi sim)
Log-do g modeline geri dnelim:
ln Y
t
=
1
+
2
t + u
t
Bu modelde
2
katsays, aklayc de gi sken tdeki mutlak bir de gi smeye
kar slk Y deki greli de gi simi lmektedir:
2
=
ln Y
t

Di ger bir deyi sle,
2
katsays Y
t
de gi skenindeki byme hzn (
2
> 1) ya
da klme hzn (
2
< 1) vermektedir.
Bu nedenle, log-do g modeline ayn zamanda sabit byme (xed growth)
modeli de denir.
Reel GSSSO rne gine dnersek, log-do g modeline dayanan ba glanm bulgula-
rnn a sa gdaki gibi oldu gunu grrz:
GSSSO
t
= 2,8516 + 0,0509 t
h (0,0517) (0,0061)
t (55,1830) (8,3932) r
2
= 0,8544
Buna gre, 1987-2000 dneminde Trkiyede gayri sa sabit sermaye olu-
sumu ylda ortalama yzde 5,09dur.
Ayrca, ln Y
0
= 2,8516nn anti-logaritmasn alrsak bulaca gmz 17,3155
de geri de 1987 yl iin GSSSOnun yakla sk 17,3 milyon TL olarak tahmin
edildi gini gsterir.
Do grusal E gilim Modeli
Ara strmaclar kimi zaman log-do g modeli yerine a sa gdaki modeli tahmin
ederler:
Y
t
=
1
+
2
t + u
t
ln Y
t
yerine Y
t
nin zamana gre ba glanmnn hesapland g bu modele do g-
rusal e gilim (linear trend) modeli denir.
Buradaki t, e gilim (trend) de gi skeni diye adlandrlr.
E ger
2
e gim katsays art karsa Y
t
de zaman iinde bir art s e gilimi, eksi
karsa da bir d s s e gilimi var demektir.
Log-do g ve do grusal e gilim modellerine ili skin iki noktay zellikle belirtmekte
yarar vardr:
1.

Iki modelin ba gml de gi skenleri farkl oldu gu iin bu modellerin r
2
de gerle-
rini kar sla strmak do gru de gildir.
2. Ba gml de gi skenin zaman iinde de gi siminin bu sekilde incelenmesi ancak
zaman serisinin dura gan (stationary) olmas durumunda uygundur.

Dura ganlk kavram ileride zaman serileri ekonometrisi konusu altnda incelenecek-
tir.
GSSSO rne gimize geri dnelim ve simdi de do grusal e gilim modelini tahmin
edelim:
GSSSO
t
= 16,3621 + 1,2848 t
h (1,4170) (0,1664)
t (11,5466) (7,7202) r
2
= 0,8324
Buna gre, 1987-2000 dneminde Trkiyede reel GSSSO ylda yakla sk 1,3
milyon TL olarak gerekle smi stir.
Demek ki bu dnemde reel GSSSOda art s e gilimi vardr.
Do g-Log Modeli
E ger Xdeki yzde de gi sime kar slk Y deki mutlak de gi sim ile ilgileniyor-
sak, buna uygun bir modeli syle yazabiliriz:
Y
i
=
1
+
2
ln X
i
+ u
i
Yukardaki modele do g-log (lin-log) modeli denir.
Bu modelde
2
katsaysn kullanarak sunu gsterebiliriz:
2
=
Y
X/X
Y =
2
(
X
X
)
Bylece Xdeki 0,01 (yzde 1) oranndaki greli de gi smeye kar s Y de
2
0,01 boyutunda mutlak de gi sme olmaktadr.

Dolaysyla, do g-log modelini yorumlarken e gim katsays
2
yi nce 0,01 ile
arparz.
rnek olarak 1987-2006 yllarnda Trkiyedeki GSYH ve M2 para arz verile-
rini kullanarak do g-log modelini tahmin edelim:
GSYH
t
= 26,7905 + 41,9796 ln M2
t
h (13,6546) (4,2488)
t (1,9620) (9,8805) r
2
= 0,8443
41,98 bykl gndeki e gim katsaysnn anlam, rneklem dneminde para
arzndaki yzde 1lik bir art sn GSYHde ortalama 0,4198 milyon liralk ar-
t sa yol am s oldu gudur.

7.3.3 Evrik ve Log-Evrik Modeller
Evrik Model
A sa gda gsterilen trden modellere evrik model denir:
Y
i
=
1
+
2
1
X
i
+ u
i
Yukardaki model, X de gi skeni modele evrik girdi ginden, Xte do grusal de-
gildir ama
1
ve
2
de do grusaldr.
Modelin nemli zelli gi, X sonsuza yakla srken Y nin de
1
kavu smazsal
(asymptotic) de gerine yaknsamasdr.
Dolaysyla, evrik modellerde aklayc de gi sken artarken ba gml de gi skenin
yakla st g bir limit de geri bulunur.
Bu tr modellere rnek olarak Phillips e grisi ya da retimin ortalama sabit
gider ile olan ili skisi verilebilir.
Bir evrik model uygulamas olarak 2009 ylnda Trkiyede illere gre 16-19
ya s grubundaki gelinlerin oran (Y ) ile okuma yazma bilmeyenlerin toplam nfusa
oran (X) verilerine bakalm:
Y
i
= 37,4131 74,7805 1/X
i
h (1,7221) (11,7015) r
2
= 0,3408
t (21,7253) (6,3907) F
1,79
= 40,8407
Buna gre erken evliliklerde tavan oran yakla sk %36,7dir.
Syle ki X = %100 ve 1/X = 0,01 olunca 16-19 ya snda evlenen bayanlarn
oran da % (37,4131 0,7478) olur.
Dikkat: Gelir gibi di ger nemli etmenleri de gz nne alan bir modelde bu
kavu smazsal oran daha d sk kacaktr.

10
15
20
25
30
35
40
45
4 6 8 10 12 14 16 18
1
6
-
1
9

Y
a

G
r
u
b
u
n
d
a
k
i

G
e
l
i
n
l
e
r

(
%
)
Okuma-Yazma Bilmeyen Nfus (%)
TRKYE LLERE GRE ERKEN EVLENME VE OKUMA-YAZMA BLMEME ORANI LKS
Y = 37,4 - 74,8(1/X)
Log-Evrik Model
Evrik modelin bir tr olan log-evrik (log-reciprocal) model a sa gdaki bi-
imi alr:
ln Y
i
=
1
2
1
X
i
+ u
i
Trev hesab kullanlarak burada Y nin Xe gre e gimi d/dX(ln Y
i
) =
2
(1/X
2
i
)
olarak bulunur.
Model izim zerinde incelendi ginde de X artarken Y deki art sn nce d s-
bkey ve daha sonra da ibkey grnm sergiledi gi anla slr.
yleyse byle bir model sermaye sabitken retimin nce artarak artt g ve
sonra da azalarak artt g retim-i sgc ili skisini zmlemede kullanlabilir.
I slev Biiminin Seimi

Ele alm s oldu gumuz e sitli model i slev biimlerine ili skin e gim ve esneklik
bilgileri a sa gdaki izelgede verilmi stir.

izelge: e sitli

I slev Biimlerinin E gim ve Esneklikleri
Model

I slev Biimi E gim (
dY
dX
) Esneklik (
dY
dX
X
Y
)
Do grusal Y =
1
+
2
X
2

2
X
Y
Log-Log ln Y =
1
+
2
ln X
2
_
Y
X
_

2
Log-Do g ln Y =
1
+
2
X
2
(Y )
2
(X)
Do g-Log Y =
1
+
2
ln X
2
_
1
X
_

2
_
1
Y
_
Evrik Y =
1
+
2
_
1
X
_

2
_
1
X
2
_

2
_
1
XY
_
Log-Evrik ln Y =
1
2
_
1
X
_

2
_
Y
X
2
_

2
_
1
X
_
Grgl al smalarda model seiminin deneyim gerektirdi gi aktr. Yardmc
olabilecek birka nokta sunlardr:
1. Baz durumlarda iktisat kuram belli bir i slev biimini gsterebilir ya da n-
grebilir.
2. Tahmin edilen katsaylarn nsel beklentileri kar slad g do grulanmaldr.
3. Alma sk modelleri kar sla strmak iin e gim ve esneklik katsaylarn hesapla-
mak yardmc olabilir.
4. Veri setine iki farkl model yak strld gnda, e ger ba gml de gi skenler ayn
ise r
2
de gerleri kar sla strlabilir.
5. Ancak iki modeli r
2
temelinde kar sla strmak her zaman uygun de gildir. Bu-
nun bir nedeni, eklenen her aklayc de gi skenin r
2
yi ykseltecek olmasdr.
I slev biiminin seimine ili skin olarak, a sa gdaki hata terimsiz ba glanm mode-
lini ele alalm:
Y
i
=
1
X
2
i
Bu modeli tahmin amacyla farkl sekilde yazabiliriz:
Y
i
=
1
X
2
i
u
i
Y
i
=
1
X
2
i
e
u
i
Y
i
=
1
X
2
i
+ u
i
Iki yanl logaritmalarn alrsak da sunlar elde ederiz:

ln Y
i
= +
2
ln X
i
+ ln u
i
ln Y
i
= +
2
ln X
i
+ u
i
ln Y
i
= ln(
1
X
2
i
+ u
i
)
Yukarda grlen = ln
1
dir.

Ilk iki model de gi stirgelerde do grusalken, nc modelin znde do grusal-
d s oldu guna dikkat ediniz.
SEKin EDYT zelli ginin hatalarda sfr ortalama ve sabit varyans arad gn
anmsayalm.
Ayrca nsav snamas iin u
i
lerin normal da glml oldu gu, ksaca u
i

N(0,
2
) varsaylmaktadr.
Buna gre, rne gimizdeki ikinci modeli kullanmak istersek ln u
i
N(0,
2
)
varsaymamz gereklidir.
Ancak e ger ln u
i
N(0,
2
) ise, ilk modeldeki u
i
de e
2
/2
ortalama, e
2
(e
1) varyansla log-normal da glml olur.

nc model ise de gi stirgelerde do grusal-d s oldu gu iin ancak yinelemesel
bir yntem ile zlebilir.
Sonu olarak, modeli ba glanm iin dn strrken hata terimine zel bir dik-
kat gstermek gereklidir.
Hatal do grusalla strma, arzulanan istatistiksel zellikleri ta smayan bir mo-
dele yol aabilir.

dev
Kitaptan Blm 6 Extensions of the Two-Variable Regression Model okunacak.
nmzdeki Ders
oklu Ba glanm zmlemesi: Tahmin Sorunu
Blm 8
oklu Ba glanm zmlemesi -
Tahmin Sorunu
8.1 De gi skenli Model
8.1.1 Gsterim ve Varsaymlar
nceki blmlerde ba gml de gi sken Y nin yalnzca bir aklayc de gi sken
X tarafndan etkilendi gi varsaylm st.
Ancak iktisat kuram bu denli basit de gildir.
rnek: Bir mala olan talep yalnzca o maln yatna de gil; ikame ya da ta-
mamlayc mallarn yatna, gelir dzeyine, nfusa ve di ger de gi skenlere de
ba gl olabilir.
rnek: Tketim harcamalar yalnzca gelir ile de gil; ki sinin ya s, e gitim d-
zeyi, cinsiyeti, toplam serveti ve benzer de gi skenler ile de ili skili olabilir.
Modele ba ska de gi skenler eklemek bizi oklu ba glanm zmlemesine g-
trr.
En basit oklu ba glanm modeli, bir ba gml ve iki aklayc de gi skenden
olu san de gi skenli ba glanmdr:
Y
i
=
1
+
2
X
2i
+
3
X
3i
+ u
i
Burada Y ba gml de gi sken, X
2
ve X
3
aklayc de gi skenler, u olaslksal
hata terimi, i gzlem nosudur.
129
oklu Ba glanm zmlemesi - Tahmin Sorunu A. Talha Yalta (2007 - 2011)

1
, modelde bulunmayan tm de gi skenlerin Y zerindeki ortalama etkisini
gsteren sabit terimdir.

2
ve
3
e de ksmi ba glanm katsays (partial regression coefcient) ad
verilir.
de gi skenli modeldeki ksmi ba glanm katsaylarnn anlam sudur:

2
, X
3
sabit tutulurken X
2
deki bir birimlik de gi smeye kar s Y nin beklenen
de geri E(Y |X
2
, X
3
)teki de gi smeyi ler.
Bir ba ska deyi sle
2
, X
3
sabitken E(Y |X
2
, X
3
)n X
2
ye gre e gimini verir.
Di ger bir deyi sle
2
, X
2
deki bir birimlik de gi smenin Y zerindeki X
3
ten
ayr, net etkisini gsterir.

3
n yorumu da benzer sekildedir.
De gi skenli Model Varsaymlar
Daha nce KDBM erevesinde yaplm s olan varsaymlar, k de gi skenli oklu
ba glanm modeli iin de geerlidir:
1. oklu ba glanm modeli de gi stirgelerde do grusaldr.
2. Aklayc de gi skenler tekrarl rneklemlerde de gi smez.
3. Aklayc de gi skenlerde yeterli de gi skenlik bulunur.
4. Hata teriminin ortalamas sfrdr: E(u
i
|X
2i
, X
3i
, . . . , X
ki
) = 0
5. Hata teriminin varyans sabittir: var(u
i
) =
2
6. u
i
ve Xler birbirlerinden ba gmsz da glmaktadr:
cov(u
i
, X
2i
) = cov(u
i
, X
3i
) = . . . = cov(u
i
, X
ki
) = 0
7. Serisel ilinti (serial correlation) bulunmamaktadr:
cov(u
i
, u
j
) = 0 (i = j)
8. Model belirtim hatas (model specication error) yoktur.
9. X
2
ile X
3
arasnda tam e sdo grusallk (exact collinearity) bulunmamakta-
dr.
E sdo grusallk Kavram
X
2
ile X
3
arasnda tam do grusal ili ski olmad g ynndeki SEK varsaymn
anmsayalm.
e sdo grusal-d slk (non-collinearity) varsaymna gre, a sa gdaki gibi ta-
nmlanan iki de gi sken do grusal ba gmldr:
X
2i
= aX
3i
ya da X
2i
aX
3i
= 0, a R
Dolaysyla, X
2
ve X
3
e ger ayn modelde yer alrlarsa tam e sdo grusal ili ski
ortaya kar.
Tam e sdo grusallk oklu ba glanmda nemli bir konudur nk bu durumda
aklayc de gi skenlerin ba gml de gi sken zerindeki tekil etkilerini bulmann
yolu yoktur.
Tam e sdo grusallk olmas durumunda ksaca elde iki de gil bir ba gmsz de-
gi sken var demektir.
rnek: 4X
2i
= X
3i
olsun. Bu durumda de gi skenli model ikili modele
indirgenir:
Y
i
=
1
+
2
X
2i
+
3
(4X
2i
) + u
i
=
1
+ (
2
+ 4
3
)X
2i
+ u
i
=
1
+ X
2i
+ u
i
Di ger yandan, e ger X
3i
= X
2
2i
ise iki de gi sken arasndaki ili ski do grusal de-
gildir. Bu durumda da e sdo grusal-d slk varsaym i gnenmi s olmaz.
8.1.2 Ksmi Ba glanm Katsaylarnn Tahmini
SEK Tahmincileri
de gi skenli modelin SEK tahmincilerini bulmak iin nce rneklem ba gla-
nm i slevini a sa gdaki gibi yazalm:
Y
i
=

1
+

2
X
2i
+

3
X
3i
+ u
i
SEK yntemi, anaktle tahmincilerini kalnt kareleri toplam (
u
i
2
) en k-
k olacak biimde hesaplar:
min
u
i
2
= min
(Y
i
2
X
2i
3
X
3i
)
2
Yukardaki e sitli gi enazlayacak en do grudan sre e sitli gin

lara gre tre-
vini almak, bunlar sfra e sitlemek ve daha sonra e sanl olarak zmektir.
de gi skenli model iin SEK yntemi su tahmincileri verir:
1
=

Y

2

X
2
3

X
3
2
=
(
y
i
x
2i
)(
x
2
3i
) (
y
i
x
3i
)(
x
2i
x
3i
)
(
x
2
2i
)(
x
2
3i
) (
x
2i
x
3i
)
2
3
=
(
y
i
x
3i
)(
x
2
2i
) (
y
i
x
2i
)(
x
2i
x
3i
)
(
x
2
2i
)(
x
2
3i
) (
x
2i
x
3i
)
2
2
ve

3
tahmincileri bak smldr ve paydalar ayndr.
Demek ki X
2
ile X
3
n yerleri de gi stirilirse

2
ile

3
n de yeri de gi sir ama
bu ba glanm sonularn etkilemez.
Varyans ve lnl Hatalar
SEK tahmincilerinin varyanslar ise a sa gdaki gibi bulunur:
var(
1
) = (
1
n
+
X
2
2
x
2
3i
+

X
2
3
x
2
2i
2

X
2

X
3
x
2i
x
3i
(
x
2
2i
)(
x
2
3i
) (
x
2i
x
3i
)
2
)
2
var(
2
) =
x
2
3i
(
x
2
2i
)(
x
2
3i
) (
x
2i
x
3i
)
2
2
=

2
x
2
2i
(1 r
2
23
)
var(
3
) =
x
2
2i
(
x
2
2i
)(
x
2
3i
) (
x
2i
x
3i
)
2
2
=

2
x
2
3i
(1 r
2
23
)
var(
2
) ve var(
3
) formllerinde yer alan r
23
, X
2
ve X
3
arasndaki rneklem
ilinti katsays rdir.
lnl hatalar ise varyanslarn art de gerli karekkleridir:
h(
) =
_
var(
).
Varyans ve lnl hata formllerindeki
2
nin anaktle hata terimi u
i
nin
sabit varyans oldu gunu biliyoruz.
Bu anaktle katsaysnn yansz tahmincisi syledir:

2
=
u
i
2
n 3

2
nin bu tahmincisi ile iki de gi skenli modeldeki tahmincisi (
u
i
2
/n 2)
benzerdir. Aralarndaki tek fark de gi skenli model iin serbestlik derecesi-
nin artk (n 3) olmasdr.
Kalntlar bulunduktan sonra
2
kolayca hesaplanabilir.
Kalnt kareleri toplam ise su e sitlik ile kolayca bulunabilir:
u
i
2
=
y
2
i

y
i
x
2i
y
i
x
3i
SEK Tahmincilerinin zellikleri
de gi skenli model iin SEK tahmincilerinin zellikleri iki de gi skenli model
ile ayndr:
1. de gi skenli ba glanmdo grusu (dzlemi)

Y ,

X
2
,

X
3
ortalamalarndan geer:
Y =

1
+

2

X
2
+

3

X
3
2.

Y
i
nn ortalamas gzlenen Y
i
ortalamasna e sittir:

Y
i
=

Y
i
3. Kalntlar toplam sfra e sittir:
u
i
= n
u
i
=

u
i
= 0
4. Kalntlar X
2i
ve X
3i
ile ili skisizdir:
u
i
X
2i
=
u
i
X
3i
= 0
5. u
i
kalntlar

Y
i
ile de ili skisizdir:
u
i

Y
i
= 0
6. Varyans formllerinden grld g gibi, X
2
ile X
3
arasndaki ilinti katsays
r
23
artarken

2
ve

3
nn varyanslar ykselir.
7. Gzlem says n artarken

2
ve

3
nn varyanslar da azalr.
8.

2
ve

3
tahmincileri, en iyi do grusal yansz tahminci ya da ksaca EDYTdirler.
B
Inin Sapmalar Biimi Gsterimi

ok de gi skenli modelde B
Inin sapmalar biiminde gsterimi a sa gda gste-

rilen sekilde elde edilir:
1. l ba glanm modelini ele alalm:
Y
i
=

1
+

2
X
2i
+

3
X
3i
2. Ba glanm yzeyi

Y ,

X
2
,

X
3
ortalamalarndan geti gi iin:
Y =

1
+

2

X
2
+

3

X
3
3.

Ikinci denklemi birinciden kartrsak sunu buluruz:
Y
i
=

1
+

2
X
2i
+

3
X
3i
_

Y =

1
+

2

X
2
+

3

X
3
Y
i

Y =

1
+

2
(X
2i

X
2
) +

3
(X
3i

X
3
)
y
i
=

2
x
2i
+

3
x
3i
Enok Olabilirlik Tahmincileri

Iki de gi skenli modelde oldu gu gibi oklu modeller iin de ba glanm katsay-
larnn SEK ve EO tahmincileri ayndr.
Ancak l modelde
2
nin SEK tahmincisi
u
i
2
/(n 3) iken EO tahmin-
cisi modelde ka de gi sken olursa olsun
u
i
2
/n olarak bulunur.
Di ger bir deyi sle SEK tahmincisi serbestlik derecesini hesaba katarken yanl
EO tahmincisi bunu dikkate almaz.
E ger n ok bykse ku skusuz EOve SEKtahmincileri birbirlerine yakla srlar.
8.2 oklu Ba glanmda Yak smann

Iyili gi
8.2.1 oklu Belirleme ve

Ilinti Katsaylar

Iki de gi skenli durum iin geli stirmi s oldu gumuz r
2
, ikiden ok de gi skenli
ba glanm modellerine de geni sletilebilir.
oklu modelde bu istatisti ge R
2
ya da oklu belirleme katsays (multiple
coefcient of determination) denir.
R
2
, ba gml de gi sken Y deki de gi simin X
2
, X
3
, . . . , X
n
ile topluca aklana-
bilme orann gsterir.
oklu Belirleme Katsays
R
2
=
BKT
TKT
=
y
i
x
2i
+

y
i
x
3i
+ +

y
i
x
ni
y
2
i
R
2
de r
2
gibi 0 ile 1 arasndadr.
R
2
1e ne kadar yaknsa modelin verilere yak smas da o kadar iyidir. E ger
R
2
= 1 ise, yak strlan ba glanm Y deki de gi simin tamamn aklyor de-
mektir.

Iki de gi sken arasndaki do grusal ili skinin derecesini len rnin oklu ba gla-
nmdaki kar sl g da oklu ilinti katsays (coefcient of multiple correla-
tion) olup, R ile gsterilir:
oklu

Ilinti Katsays
R =
R
2
R de geri, ba gml de gi sken Y ile tm aklayc de gi skenler arasndaki ortak
ili skinin derecesini ler.
Di ger taraftan uygulamada Rnin nemi azdr. Ba glanm zmlemesi ere-
vesinde asl anlaml byklk R
2
dir.
R
2
nin nemli bir zelli gi, modelde bulunan aklayc de gi sken saysnn
azalmayan bir i slevi olmasdr.
Di ger bir deyi sle aklayc de gi sken says arttka R
2
hemen hemen her za-
man artar, asla azalmaz.
Bunu grebilmek iin belirleme katsaysnn tanmn anmsayalm:
R
2
= 1
KKT
TKT
= 1
u
i
2
y
2
i
Burada TKT, Xlerin saysndan ba gmszdr. KKT ise aklayc de gi sken
says arttka azalma e gilimine girer.
Bu nedenle, ba gml de gi skeni ayn olan ama farkl sayda aklayc de gi sken
ieren iki ayr ba glanm modeline ait R
2
de gerleri kar sla strrken dikkatli
olunmaldr.
R
2
De gerlerinin Kar sla strlmas

Iki R
2
de gerini kar sla strrken modelde var olan aklayc de gi sken saysn
da dikkate alma gereksinimi ayarlamal (adjusted) belirleme katsays

R
2
tanmna yol am str:
Ayarlamal Belirleme Katsays
R
2
= 1
u
i
2
/(n k)
y
2
i
/(n 1)
ya da

R
2
= 1

2
s
2
Y
Burada k, sabit terimle birlikte modeldeki katsay saysdr. s
2
Y
ise Y nin r-
neklem varyansdr.
Ayarlamal szc g, giren kareler toplamnn serbestlik derecesine gre ayar-
lanm s oldu gu anlamna gelir.
Dikkat: de gi skenli ba glanm iin
u
i
2
sdsinin (n 3) oldu gunu anm-
saynz.

R
2
nin R
2
ile ili skisini a sa gdaki e sitlikle gsterebiliriz:
R
2
= 1 (1 R
2
)
n 1
n k
Buradan da grlyor ki k > 1 oldu gunda

R
2
< R
2
dir.
Di ger bir deyi sle, Xlerin says arttka ayarlamal R
2
ayarlamasz (unad-
justed) R
2
ye gre daha az artar.
Ayrca

R
2
nin eksi de gerler de alabildi gi grlmektedir. E ger

R
2
eksi bulu-
nursa uygulamada sfr kabul edilir.
Tm modern ekonometri yazlmlar al sldk R
2
nin yansra ayarlamal R
2
istatisti gini de verir.
Iki farkl modeli ayarlamal ya da ayarlamasz R

2
temelinde kar sla strabilmek
iin iki noktaya daha dikkat edilmelidir:
1. rneklem bykl g n her iki model iin ayn olmaldr. Dikkat: Modele
gzlemeklendi ginde ya da kartld gnda, hesaplanan R
2
nin de de gi sece gini
unutmaynz.
2. Ba gml de gi sken Y de her iki model iin ayn olmaldr. Dikkat: R
2
de ge-
rinin, X aklayc de gi skenlerinin Y deki de gi simi aklama orann gster-
di gini anmsaynz. E ger Y ler farklysa, hesaplanan R
2
ler de farkl seylerin
de gi sim orann gsterece gi iin kar sla strlamaz.
Ba gml de gi skenleri ayn olmayan iki model d snelim:
Y
i
=
1
+
2
X
1i
+
3
X
2i
ln Y
i
=
1
+
2
ln X
1i
+
3
ln X
2i
Burada R
2
de gerlerini kar sla strmak iin 2 yol izlenebilir:
1. Yol
Ikinci modelden tahmin edilen

ln Y
i
larn anti-logaritmalar alnr. Bulunan de gerler
ile Y
i
arasnda hesaplanan r
2
de geri birinci modeldeki R
2
ile kar sla strlabilir.
2. Yol
Birinci modelden tahmin edilen

Y
i
larn logaritmalar alnr. Bulunan de gerler ile
ln Y
i
arasnda hesaplanan r
2
de geri ikinci modeldeki R
2
ile kar sla strlabilir.
Ba gml de gi skenleri farkl modelleri kar sla strmak iin, iki de gi sken arasn-
daki ilinti formlnn karesine dayanan su r
2
forml kullanlabilir:
r
2
=
(y
i
y
i
)
2
(
y
2
i
)(
y
i
2
)
Son olarak, R
2
nin yak smann iyili gini lmede kullanlan istatistiklerden
yalnzca biri oldu gu unutulmamaldr.
Model seimi iin ba ska ltler de bulunmaktadr:
Akaike bilgi lt (Akaike information criterion)
Schwarz Bayesi lt (Schwarz Bayesian criterion)
Hannan-Quinn lt (Hannan-Quinn criterion)
Ara strmacnn asl ilgisi, aklayc de gi skenlerin ba gml de gi sken ile olan
mantksal ya da kuramsal ili skilerine ve bunlarn istatistiksel anlamllklarna
ynelik olmaldr.
8.2.2 Ksmi

Ilinti Katsaylar

Iki de gi sken arasndaki do grudan ili skinin bir ls olarak tanmlanan ilinti
katsays r kavramn anmsayalm.
de gi skenli model iin byle ayr basit ilinti katsays (simple corre-
lation coefcient) de gerinden sz edilebilir:
Basit

Ilinti Katsaylar
Y ile X
2
arasndaki ilinti katsays: r
12
Y ile X
3
13
X
2
ile X
3
23
Bunlara ayn zamanda sfrnc dereceden ilinti katsays (correlation coef-
cient of zero order) da denmektedir.
E ger bir X
3
de gi skeni hem Y hem de X
2
ile ili skiliyse, bu durumda Y ve X
2
arasndaki basit ilinti r
12
yanltcdr.

Iki de gi sken arasnda, nc bir de gi skenin etkisinden ba gmsz olarak bu-
lunan ksmi ilinti katsays (partial correlation coefcient) ise syle tanm-
lanr:
Ksmi

Ilinti Katsaylar
X
3
sabitken Y ile X
2
arasndaki ksmi ilinti: r
12.3
X
2
sabitken Y ile X
3
13.2
Y sabitken X
2
ile X
3
23.1
Bunlara birinci dereceden (rst order) ilinti katsaylar denir. Buradaki de-
rece ikincil alt imlerin saysdr.
Buna gre, X
3
ve ikinci bir X
4
sabit tutulurken bulunan r
12.34
de gerine de
ikinci dereceden bir ilinti katsays denir.
Birinci dereceden ksmi ilinti katsaylarn hesaplamak iin a sa gdaki e sitlik-
ler kullanlabilir:
r
12.3
=
r
12
r
13
r
23
_
(1 r
2
13
)(1 r
2
23
)
r
13.2
=
r
13
r
12
r
23
_
(1 r
2
12
)(1 r
2
23
)
r
23.1
=
r
23
r
12
r
13
_
(1 r
2
12
)(1 r
2
13
)
ok de gi skenli modellerde basit ilinti katsaylarn yorumlarken su noktalara
dikkat etmek gereklidir:
r
12
= 0 olsa bile, ayn anda r
13
ya da r
23
de sfr olmazsa r
12.3
= 0 olmaz.
r
12.3
ile r
12
ayn i sareti ta smak zorunda de gildir.
r
13
= r
23
= 0 olmas r
12
= 0 anlamna gelmez.

Ikili ba glanmdaki 0 r
2
1 tanmn anmsayalm. Ksmi ilinti katsaylar
kareleri iin de geerli olan bu durumdan yararlanlarak, sfrnc dereceden
ilinti katsays arasndaki ili ski syle gsterilebilir:
0 r
2
12
+ r
2
13
+ r
2
23
2r
12
r
13
r
23
1
Yukardaki e sitsizlikten de anla slabilece gi gibi, Y ile X
2
nin ve X
2
ile de
X
3
n ilintisiz olmas Y ile X
3
n ilintisiz olaca g anlamna gelmemektedir.
8.2.3 oklu Ba glanm Aklayc rnek
oklu ba glanma rnek olarak 2005-2009 aylk verilerini alalm ve Trkiye
iin bir beklentilerle-geni sletmeli Phillips e grisi (expectations-augmented
Phillips curve) modeli belirtelim:
ln Y
t
=
1
+
2
ln X
2t
+
3
ln X
3t
+ u
t
Burada
Y
t
TFE de gerini (2005 Ocak=100),
X
2t
i ssiz saysn (bin ki si, mevsimsel ayarlamal),
X
3t
ise beklenen TFE de gerini
gstermektedir.

Iktisat kuramna gre
2
eksi,
3
ise art de gerli olmaldr.
Aslnda kurama gre
3
= 1 beklentisi vardr.
SEK yntemi ile elde edilen ba glanm bulgular syledir:
ln

Y
t
= 0,1879 0,0364 ln X
2t
+ 1,1012 ln X
3t
h (0,1072) (0,0166) (0,0120)
t (1,7535) (2,1960) (91,8156) R
2
= 0,9963
2
ve

3
nsel beklentilerle uyumlu i saret ta smaktadr.
1
ya gre, X
2
ve X
3
d sndaki di ger tm etmenler TFE zerinde ortalama
e
0,1879
0,83 etkiye yol amaktadr.
2
ksmi ba glanm katsays ise X
3
sabit tutuldu gunda i ssizlikteki %1lik bir
art sa kar slk TFEnin de yakla sk %0,036 d sece gi anlamna gelir.
Bulunan bu d sk de ger, Trkiyede enasyon ve i ssizlik arasndaki ili skinin
zayf oldu gu nsel bilgisi ile uyumludur.
R
2
de geri, enasyon oranndaki de gi simin %99unun bu iki aklayc de gi s-
kenle aklanabildi gini ne srer. Bu kadar yksek bir R
2
ba glanma ku skuyla
yakla smay gerektirir.
Model Belirtim Yanll g Sorunu
Klasik do grusal ba glanm modeli varsaymlarna gre ba glanm modeli do gru
kurulmu s olmaldr.
E ger zmlemede kullanlacak ba glanmmodeli yanl s kurulursa model be-
lirtim yanll g (model specication bias) ortaya kar.
Bu varsaymn nemini vurgulayabilmek iin elimizdeki Phillips e grisi mo-
deli yardmc olabilir.
(. . . devam)
Az nce ele alm s oldu gumuz a sa gdaki l ba glanm modelinin do gru
model oldu gunu varsayalm:
ln Y
t
=
1
+
2
ln X
2t
+
3
ln X
3t
+ u
1t
Elimizdeki Trkiye verilerini su iki de gi skenli modele yak strmakta diretiyor
olalm:
ln Y
t
=
1
+
2
ln X
2t
+ u
2t
Y
t
burada t dnemindeki TFE de gerini, X
2t
ise toplam i ssiz saysn gster-
mektedir.
Birinci model do gru oldu guna gre ikinci model bir model belirtim hatas
iermektedir.
Buradaki hata, X
3t
beklenen TFE de gi skenini modelden d slam s olmaktr.
Birinci modeldeki

2
nn gerek
2
nin yansz bir tahmincisi oldu gunu bili-
yoruz.
Di ger yandan ikinci modeldeki
2
de gi stirgesi
2
nin yansz tahmincisi de-
gildir.

2
nin aslnda X
3
n X
2
ye gre ba glanmndan ortaya kan e gim de gi stir-
gesi
3
ile ili skili oldu gu gsterilebilir:
2
=
2
+
3
3
+ hata terimi
Buna gre E(
2
) beklenen de geri
2
de gil de
2
+
3
3
olarak kar smza
kmaktadr.
Sonu olarak, ilk modeldeki
2
de gi stirgesi X
2
nin Y zerindeki do grudan ya
da tekil etkisini lmektedir.
Hatal modeldeki
2
de gi stirgesi ise X
2
nin Y zerindeki hem do grudan hem
de X
3
zerinden dolayl etkisini verir.
Hatal modelin SEK tahmini a sa gdaki bulgular vermektedir:
ln

Y
t
= 1,7203 + 0,8327 ln X
2t
h (1,4369) (0,1845)
t (1,1972) (4,5142) r
2
= 0,3070
Kuramsal beklentinin aksine
2
burada art de gerlidir ve 0,83 gibi yksek,
gerek d s bir byklktedir.
Demek ki belli bir model do gru olarak kabul ediliyorsa bir ya da birka
de gi skeni kartarak modeli de gi stirmek yanl tahminlere yol amaktadr.
Yanl s belirtilen bir model anaktle katsay tahminlerinin yanl olmas gibi
ciddi bir soruna neden olabilmektedir.
8.3 okterimli Ba glanm Modelleri
oklu ba glanmn bir sekli de okterimli (polynomial) ba glanm modelle-
ridir.
Simdiye kadar ele ald gmz tm rneklerde ba glanm i slevinin de gi skenlerde
do grusal oldu gunu varsam stk.
Gerek hayatta bu varsaymn geerli olmad g pek ok durum d snlebilir.
rnek olarak, gelir dzeyi ykseldike do gurganl gn da d st g bilinen bir
olgudur.
D sk gelir dzeylerinde ocuk bir tr sosyal gvence olarak d snlebildi gi
iin do gurganlk hz yksektir.
Gelir arttka ortalama ocuk says da azalr ancak ili ski do grusal de gildir.
Belli bir gelirden sonra ocuk saysnn sfr ya da eksi de gerlere ula saca gn
beklemeyiz.

Iki de gi sken arasndaki do grusal olmayan bir ili skiyi incelemenin bir yolu
okterimli SEK modelidir.
Genel olarak, rinci dereceden okterimli ba glanm modeli syle gsterilir:
Y =
0
+
1
X +
2
X
2
+ +
r
X
r
Buradaki tek aklayc de gi sken olan X, farkl kuvvetlerle gsterildi gi iin
bu model bir oklu ba glanm modelidir.
okterimli modeller katsaylarnda do grusal olduklar iin SEK yntemi ile
tahmin edilebilirler.
Bu modelde X ve Xin kuvvetleri arasndaki ili ski gl olmakla birlikte
do grusal olmad g iin, KDBMnin oklue sdo grusallk yoktur varsaym
i gnenmemi s olur.
Do grusal modellerde terimlerinin Y nin farkl Xlere gre sabit e gimini
verdi gini anmsayalm.
De gi skenlerde do grusal-d s olan okterimli modellerde ise katsaylarn yo-
rumlanmas biraz daha karma sktr.
Bu modellerde ele alnan ili ski e grisel oldu gu iin, e gim de Xin dzeyinine
gre de gi sir.
Bu nedenle, Xdeki bir birimlik art sn Y zerindeki etkisini bulmak iin,
nce bir ba slang X dzeyi seilir ve buna kar slk gelen

Y de geri hesaplanr.
Daha sonra X bir birim artrlr ve

Y yeniden hesaplanr.
Aradaki fark, seili X dzeyindeki ortalama e gimi verir.
okterimli Ba glanm Aklayc rnek
okterimli ba glanm modeline bir rnek olarak, Trkiyede illerdeki gelir ve
do gurganlk ili skisini kareli (quadratic) bir i slev erevesinde ele alalm.
Y
i
=
0
+
1
X
i
+
2
X
2
i
+ u
i
Burada Y ortalama ocuk saysn, X ise ki si ba sna d sen gayri sa yurtii
haslay gstermektedir.
Grld g gibi bu modelde Y ve X de gi skenleri arasndaki ili skiyi tanmla-
yan iki ayr
1
ve
2
bulunmaktadr.
Kabaca,
1
ili skinin ynn gsterirken
2
nin ise e griselli gi anlatt gn sy-
leyebiliriz.
nsel beklentimiz, X artarken Y nin de azalaca g ancak bu azalmann gide-
rek yava slayaca g ynndedir. Buna gre
1
eksi,
2
ise art de ger almaldr.
Modeli 2000 yl Trkiye verilerine yak strd gmzda a sa gdaki bulgular elde
ediyoruz:
Y
i
= 5,9486 0,0030 X
i
+ 4,978e-07 X
2
i
h (0,3835) (0,0004) (9,727e-08) R
2
= 0,5196
t (15,5094) (7,2485) (5,1179)

R
2
= 0,5073
Katsaylarn i saretleri beklentilerimiz ile rt smektedir.

Ili ski do grusal olsayd,

2
anlaml kmayacakt.

2
nn anlaml olmas do grusal-
d sl g onaylayc niteliktedir.
Gelir 1000 TL oldu gunda ortalama ocuk says sudur:
Y = 5,9486 (0,0030 1000) + (4,978e-07 1000

2
) = 3,44
Gelir 1100 TL oldu gunda ocuk says ise syledir:
Y = 5,9486 (0,0030 1100) + (4,978e-07 1100

2
) = 3,24
Demek ki X = 1000 oldu gunda, gelir dzeyindeki 100 TL kadar bir art s
ortalama ocuk saysn 0,2 d srmektedir.
1
2
3
4
5
6
7
8
500 1000 1500 2000 2500 3000 3500
O
r
t
a
l
a
m
a

o
c
u
k

s
a
y
Kii bana den gayri safi yurtii hasla (2000 yl cari milyon TL)
TRKYE'DE LLERE GRE K BAINA GELR VE ORTALAMA OCUK SAYISI LKS
Y = 5,95 - 0,00301X + 4,98e-007X^2
Y = 4,33 - 0,000990X
Uygulamaya

Ili skin

Iki Nokta
Son olarak, okterimli modeller kullanlrken zellikle iki noktaya dikkat etmek
nemlidir:
1. ncelikle do grusal-d s ili ski tanmlanmaldr. Ara stmac, X ve Y arasndaki
ili skinin neden do grusal olmayabilece gini sorgulamaldr. Daha sonra, uygun
bir i slev biimi semek iin iktisat kuram temel alnmaldr.
2.

Ikinci olarak, uygun bir okterimli model belirtilip tahmin edildikten sonra
bunun ili skiyi iyi anlatt g ve do grusal modelden stn oldu gu do grulanma-
ldr. Bunun iin tahmin edilen ba glanm i slevinin izdirmek ve ba glanmn
verilere iyi yak sp yak smad gna baklabilir. Ayrca, anaktle ba glanm i sle-
vinin do grusal oldu gu sfr nsav istatistiksel yntemler kullanlarak snan-
maldr.
Bu karsama yntemleri ise bir sonraki konuda ele alnacaktr.
dev
Kitaptan Blm 7 Multiple Regression Analysis: The Problem of Estimation oku-
nacak.
nmzdeki Ders
oklu Ba glanm zmlemesi: karsama Sorunu
Blm 9
oklu Ba glanm zmlemesi -
karsama Sorunu
9.1 T Snamalar
9.1.1 oklu Ba glanmda nsav Snamas
Bu blmde daha nce iki de gi skenli ba glanm modelleri iin ele alm s oldu-
gumuz aralk tahmini ve nsav snamas kavramlarn ok de gi skenli model-
lere geni sletece giz.
Bilindi gi gibi amacmz yalnzca ba glanm katsaylarn tahmin etmek de gil,
ayn zamanda bu katsaylara ili skin e sitli karsamalar ve nsav snamalar
da yapmaktr.
Bu do grultuda u
i
hatalarnn sfr ortalama ve
2
sabit varyansl normal da g-
lma uyduklar varsaymn oklu ba glanm modelleri iin de srdrece giz.
Ikili ba glanm modelinin basit dnyasndan d sar kld gnda nsav snamas
a sa gdaki gibi farkl sekiller almaktadr:
1. Tek bir ksmi ba glanm katsaysna ili skin nsav snamas,
2. Tahmin edilen ba glanm modelinin btnnn snanmas,
3.

Iki ya da daha ok katsaynn e sitli ginin snanmas,
4. Katsaylarn belli snrlamalara uygunlu gunun snanmas,
5. Modelin farkl veri setlerindeki kararll gnn snanmas,
6. Ba glanm modellerinin i slev biimlerinin snanmas.
147
oklu Ba glanm zmlemesi - karsama Sorunu A. Talha Yalta (2007 - 2011)
Izleyen blmde bu snama e sitleri ayr ayr ele alnacaktr.

Farkl nsav snama biimlerini gstermek iin, Trkiyede 81 ile ait ve 2000
yl verileri kullanlarak tahmin edilmi s su modeli ele alalm:
Y
i
= 7,3778 + 1,4718 X
2i
0,2014 X
3i
h (1,0689) (0,3850) (0,0717) R
2
= 0,3139
t (6,9021) (3,8223) (2,8078)

R
2
= 0,2963
Burada
Y ilin ald g gn toplam il nfusuna orann (%),
X
2
cari yatlarla ki si ba sna d sen GSYHyi (1000 TL),
X
3
erkek nfustaki i ssizlik orann (%)
gstermektedir.
Sonulara gre, milli gelirdeki 1000 liralk art s ilin g alma yzdesini yak-
la sk 1,5 puan ykseltirken i ssizlikteki benzer bir art s ise % 0,2lik eksi ynl
bir etkiye neden olmaktadr.
Katsaylar anlamldr ve nsel beklentilerle de uyumludur.
9.1.2 Tek Bir Katsaynn Snanmas
u
i
N(0,
2
) varsaym altnda, herhangi bir tekil ba glanm katsaysna ili s-
kin nsavlar iin t snamasn kullanabiliriz.
rnek olarak, erkek i ssizlik orannn g alma zerinde bir do grusal etkisi
olmad g varsaymn syle snarz:
H
0
:
3
= 0, H
1
:
3
= 0
t =
3
h(
3
)
=
0,2014 0
0,0717
= 2,8089
= 0,05 seilirse, 78 (81-3) sd ile kritik t
/2
= 1,9908 olur.
Hesaplanan t de geri kritik t de gerini a st g iin, istatistiksel olarak
3
n an-
laml oldu gunu ya da di ger bir deyi sle sfrdan anlaml lde uzak oldu gunu
syleyebiliriz.
Bilindi gi gibi nsav snamasna di ger bir yakla sm da gven aral g yntemi-
dir.
rnek olarak
2
nin yzde 95 gven aral g syledir:
2
t
/2
h(
2
)
2

2
+ t
/2
h(
2
)
1,4718 1,9908(0,3850)
2
1,4718 + 1,9908(0,3850)
0,7053
2
2,2383
81 gzlemli 100 farkl rneklem seilir ve

2
t
/2
h(
2
) gibi byle 100
gven aral g bulunursa, bunlardan 95inin anaktledeki gerek
2
yi iermesi
beklenir.
9.1.3

Iki Katsaynn E sitli ginin Snanmas
Simdi de
2
ve
3
e gim katsaylarnn birbirine e sit olup olmad gn snamak
istedi gimizi varsayalm.
Bunun iin sfr ve alma sk nsavlar iki sekilde yazabiliriz:
H
0
:
2
=
3
H
1
:
2
=
3
H
0
: (
2
3
) = 0
H
1
: (
2
3
) = 0
Milli gelir ve i ssizlik oran katsaylarnn e sit olmasn do gal olarak beklemi-
yoruz. Dolaysyla rne gimizde bu snama iktisat ba glamnda gereksizdir.
Di ger yandan, uygulamada bu tr nsav snamasna ska ba svurulur.
rnek olarak Y bir mala olan talebi, X
2
ve X
3
de srasyla tketicinin gelir
ve servetini gsteriyor olsun.
Log-do grusal model iin yukardaki sfr nsavlar talebin gelir ve servet es-
nekliklerinin ayn oldu gu anlamna gelir.

Iki katsay tahmininin e sitli gini snamak iin t snamas yntemi kullanlabi-
lir:
t =
(
3
) (
2
3
)
h(
3
)
Klasik varsaymlar altnda nk sd (rne gimizde k = 3) ile t da glmna uyan
yukardaki istatistik syle de yazlabilir:
t =
3
_
var(
2
) + var(
3
) 2cov(
2
,

3
)
Yukarda, h(
3
) =
_
var(
2
) + var(
3
) 2cov(
2
,

3
) ve H
0
a gre
2
3
= 0 zde sliklerinden yararlanlm str.
l ba glanm rne gimiz iin cov(
2
,

3
) = 0,0104tr.
var(
2
) ve var(
3
) de gerleri ise lnl hatalarn karesi alnarak 0,1482 ve
0,0051 olarak bulunur.
Buna gre
2
3
= 0 snamasn syle yaparz:
t =
1,4718 + 0,2014
0,1482 + 0,0051 0,0208

= 4,5966
Eldeki de ger 78 sd ve ift kuyruklu snama iin hesaplanan t = 1,9908 kritik
t de gerini a st g iin, X
2
ve X
3
e ait katsay de gerlerinin ayn oldu gu sfr
nsav reddedilir.
9.2 F Snamalar
9.2.1 Ba glanmn Btnnn Anlamllk Snamas
Trkiye rne gimize dnelim ve
2
ve
3
n ayn anda sfr oldu gunu neren
H
0
:
2
=
3
= 0 nsavn ele alalm.
Bu sfr nsavnn snanmasna, ba glanma ili skin btnn anlamll g (ove-
rall signicance) snamas ad verilir.
Bu snama tekil anlamllk snamalarndan farkldr.
Bunun nedeni sudur:

2
ve

3
gibi farkl katsaylar iin tekil anlamllk sna-
mas yaparken, her bir snamann farkl ve ba gmsz bir rnekleme dayand g
varsaylr.
Di ger yandan, verili bir rneklemde cov(
2
,

3
) = 0 geerli olmayabilir. Di-
ger bir deyi sle,

2
ile

3
ili skili olabilirler.
Bu durumda,

2
ile

3
nn ayn anda [
2
t
/2
h(
2
)] ve [
3
t
/2
h(
3
)]
aralklarnda bulunma olasl g (1 )
2
de gildir.
Anaktle ksmi ba glanm katsaylarnn ayn anda sfr oldu gu ynndeki or-
tak nsav snamak iin varyans zmlemesi yntemi kullanlabilir:
y
2
i
=

y
i
x
2i
+

y
i
x
3i
+
u
i
2
TKT = BKT + KKT
Buna gre a sa gdaki VARZ izelgesini dzenleyebiliriz:
De gi simin Kayna g KT sd OKT (KT/sd)
Ba glanmdan (BKT)

y
i
x
2i
+

y
i
x
3i
k 1

y
i
x
2i
+
y
i
x
3i
k1
Kalntlardan (KKT)

u
i
2
n k
u
i
2
nk
=
2
Toplamlarndan (TKT)

y
2
i
n 1
Burada k, sabit terim ile birlikte tahmin edilen toplam anaktle katsaylarnn
saysdr.
l model iin, hata teriminin normal da gld g varsaym ve
2
=
3
= 0
sfr nsav altnda su istatistik hesaplanr:
F =
(
y
i
x
2i
+

y
i
x
3i
)/(k 1)
u
i
2
/(n k)
=
BKT/sd
KKT/sd
Yukarda verilen de gi skenin (k 1) ve (n k) sd ile F da glmna uydu gu
gsterilebilir.
Buna gre, hesaplanan F istatisti ginin p de geri yeterince kkse H
0
redde-
dilir.
Btnn Anlamllk Snamas Aklayc rnek
Ba glanmn btnnn anlamll gnn snanmasna rnek olarak Trkiye iin ge-
lir, i ssizlik, ve g alma modelimize dnelim ve a sa gdaki VARZ izelgesini
olu sturalm:
De gi simin Kayna g KT sd OKT
Ba glanm 205,022 2 102,511
Kalntlar 448,080 78 5,74461
Toplam 653,102 80
F de geri izelgeden a sa gdaki gibi hesaplanr:
F =
102,511
5,74461
= 17,8448
Yzde 5 anlamllk dzeyinde ve 2 ile 78 sd iin kritik de ger F
0,05
(2, 78) =
3,1138dir.
Hesaplanan F de geri anlaml oldu gu iin H
0
reddedilir.
oklue sdo grusall gn Etkisi
Gstermi s oldu gumuz yntemle hesaplanan F istatisti gi o gu zaman yksek
kar.
Tm ba glanm katsaylar tek tek istatistiksel olarak anlaml de gilken, F de-
gerinin anlaml kmas olasdr.
Bu durum aklayc de gi skenler kendi aralarnda yksek derecede ilinti gs-
teriyorsa kar smza kabilir.
Bu sorunu ileride oklue sdo grusallk ba sl g altnda ayrntl biimde ele ala-
ca gz.
Simdilik F ve t snama sonularn yorumlarken dikkatli olmak gerekti gini
vurgulamakla yetiniyoruz.
R
2
ve F Arasndaki

Ili ski
Belirleme katsays R
2
ile varyans zmlemesindeki F de geri arasnda yakn
bir ili ski vardr.
k de gi skenli durumda ve H
0
:
2
=
3
= . . . =
k
= 0 sfr nsav altnda su
gsterilebilir:
F =
n k
k 1
BKT
KKT
=
n k
k 1
BKT
TKT BKT
=
n k
k 1
BKT/TKT
1 (BKT/TKT)
=
n k
k 1
R
2
1 R
2
Burada R
2
= BKT/TKT tanm kullanlm str.
E sitli ge gre R
2
ile F ayn ynde de gi sirler.
Tahmin edilen ba glanmn btn olarak anlamll gnn ls olan F demek
ki ayn zamanda H
0
: R
2
= 0 snamasna e sde gerdir.
F snamasnn R
2
cinsinden gsterilmesinin stn yan hesaplama kolayl g-
dr. Tek gereken R
2
de geridir.
VARZ izelgesini R
2
ile a sa gdaki gibi dzenleyebiliriz:
Ba glanm R
2
(
y
2
i
) k 1 R
2
(
y
2
i
)/(k 1)
Kalntlar (1 R
2
)(
y
2
i
) n k (1 R
2
)(
y
2
i
)/(n k)
Toplam

y
2
i
n 1
9.2.2 Bir Aklayc De gi skenin Marjinal Katks
Bir aklayc de gi skenin marjinal katksna bakmak iin, X
2
ve X
3
gibi iki
de gi skeni modele srayla ekleyelim.
Burada grmek istedi gimiz, eklenen de gi skenin KKTyi eskiye oranla ne l-
de azaltt gdr.
o gu grgl al smada, e sitli olas X de gi skenleri iinden KKTyi ok azalt-
mayanlar modele eklememek ye glenebilir.
Ayn sekilde KKTyi nemli lde azaltan, di ger bir deyi sle R
2
yi anlaml
biimde ykselten de gi skenler de modelden kartlmak istenmez.
Bu yzden bir X de gi skeninin marjinal katks uygulamada nemli bir konu-
dur.
Ek bir aklayc de gi skenin KKTyi anlaml biimde azaltp azaltmad gn
bulmak iin yine varyans zmlemesinden yararlanlabilir.
Trkiyede illerin ald g g rne gimize dnelim ve su ikili ba glanm tahmin
edelim:
Y
i
= 4,8832 + 1,8800 X
2i
h (0,6197) (0,3717)
t (7,8797) (5,0574) r
2
= 0,2446
Bulgular, ki si ba sna d sen GSYHyi gsteren X
2
nin Y yi anlaml biimde
etkiledi gini gstermektedir.

Ikili ba glanma ait VARZ izelgesi a sa gdaki gibidir:
Ba glanm 159,732 1 159,732
Kalntlar 493,370 79 6,24519
Toplam 653,102 80
Simdi, ildeki erkek i ssizlik orann gsteren X
3
de gi skenini modele eklemek
istedi gimizi varsayalm.
l ba glanma ait VARZ izelgesi ise syle idi:
Ba glanm 205,022 2 102,511
Kalntlar 448,080 78 5,74461
Toplam 653,102 80
KKTdeki (493,370448,080 = 45,290) birimlik azalmann istatistiksel ola-
rak anlaml olup olmad gn bulmak istiyoruz.
X
2
nin katks biliniyorken, X
3
n marjinal katks su snama istatisti gi ile
llebilir:
F =
Q
3
/sd
Q
4
/sd
=
(KKT
eski
KKT
yeni
)/m
KKT
yeni
/(n k)
Burada m, yeni modele eklenen de gi sken saysn gsterir.
Elimizdeki rnek iin F istatisti gi su sekilde hesaplanr:
F =
(493,370 448,080)/1
448,080/78
= 7,884
Bulunan istatistik anlamldr.

Ildeki erkek i ssizlik orann eklemek KKTyi
anlaml biimde azaltmaktadr.
Eldeki F oran R
2
de gerlerini kullanarak da bulunabilir:
F =
(R
2
yeni
R
2
eski
)/m
(1 R
2
yeni
)/(n k)
rne gimiz iin:
F =
(0,3139 0,2446)/1
(1 0,3139)/78
= 7,878
Bu da yuvarlama hatalar d snda nceki de ger ile ayndr.
Yeni Bir De gi sken Ne Zaman Eklenmeli?
Ara strmaclar o gu zaman ayn ba gml de gi skeni ieren ama aklayc de-
gi skenleri farkl olan modeller arasnda seim yapmak durumunda kalrlar.
Byle durumlardaki genel e gilim en yksek

R
2
yi semek ynndedir.
Di ger yandan, yeni eklenen bir de gi skenin katsaysnn t de geri mutlak olarak
1den byk oldu gu srece

R
2
artar.
Di ger bir deyi sle yeni eklenen bir de gi skene ili skin F(= t
2
) de geri 1den
bykse, ba glanm

R
2
de geri de ykselir.
Demek ki

R
2
de gerini ykseltti gi halde KKTyi istatistiksel olarak anlaml
lde azaltmayan bir ek de gi skenin modele eklenmesi konusunda dikkatli
olunmaldr.
9.2.3 Snrlamal Enkk Kareler Yntemi

Iktisat kuram zaman zaman belli bir ba glanm modelindeki katsaylar iin bir
takm do grusal snrlamalar ngrebilir.
rnek olarak Cobb-Douglas retim i slevini ele alalm:
Y
i
=
1
X
2
2i
X
3
3i
e
u
i
Burada Y retim, X
2
emek girdisi, X
3
de sermaye girdisidir.
Modelin log-do grusal biimdeki gsterimi syledir:
ln Y
i
=
1
+
2
ln X
2i
+
3
ln X
3i
+ u
i
Burada
1
, ln
1
dir.
E ger le ge gre sabit getiri sz konusu ise, iktisat kuram a sa gdaki do grusal
snrlamay ngrr:
2
+
3
= 1

2
+
3
= 1 gibi bir do grusal snrlamann geerli olup olmad g, t snamas
yntemi kullanlarak grlebilir.
Bunun iin, nce model tahmin edilir ve H
0
:
2
+
3
= 1 nsav bildik yolla
snanr:
t =
(
2
+

3
) 1
_
var(
2
) + var(
3
) + 2cov(
3
)
Bulunan t de geri e ger seili anlamllk dzeyindeki kritik t de gerinden b-
ykse, H
0
reddedilir.
t snamas yakla sm, snrlamasz (unrestricted) ba glanmbulunduktan sonra
snama yapmaya dayand g iin ye glenmeyen bir yntemdir.
Daha do gru bir yakla sm snrlamal enkk kareler (restricted least squ-
ares) yntemidir.
Bu ynteme gre, (
2
= 1
3
) denkleme en ba sta koyulur ve snrlamal
(restricted) model a sa gdaki gibi tretilir:
ln Y
i
=
1
+ (1
3
) ln X
2i
+
3
ln X
3i
+ u
i
=
1
+ ln X
2i
+
3
(ln X
3i
ln X
2i
) + u
i
ln Y
i
ln X
2i
=
1
+
3
(ln X
3i
ln X
2i
) + u
i
ln(Y
i
/X
2i
) =
1
+
3
ln(X
3i
/X
2i
) + u
i
Burada (X
3i
/X
2i
) sermaye/emek orann, (Y
i
/X
2i
) ise kt/emek orann
gsteren nemli iktisadi byklklerdir.
Tanmlanan snrlamann geerli olup olmad g iki ba glanmn kar sla strl-
mas ile bulunur:
F =
(KKT
s
KKT
sz
)/m
KKT
sz
/(n k)
=
(R
2
sz
R
2
s
)/m
(1 R
2
sz
)/(n k)
m burada do grusal snrlama saysn, sz ve s ise snrlamasz ve snrlamal
ba glanmlar gstermektedir.
Dikkat: Snrlamasz ve snrlamal modellerde ba gml de gi sken farkl ise,
R
2
sz
ve R
2
s
nin birlikte kullanlabilmesi iin gerekli dn smn yaplm s ol-
mas nemlidir.
Snrlamal Enkk Kareler Aklayc rnek
rnek olarak, Tayvan tarmkesimi iin Cobb-Douglas retimmodelini le ge
gre sabit getiri snrlamas ile tahmin edelim:
ln(Y
i
/X
2i
) = 1,7086 + 0,61298 ln(X
3i
/X
2i
)
h (0,4159) (0,0933) r
2
= 0,7685
Snrlamasz model iin R
2
de geri, gerekli dn strmeden sonra 0,8489 ola-
rak bulunur ve su F istatisti gi hesaplanr:
F =
(R
2
sz
R
2
s
)/m
(1 R
2
sz
)/(n k)
=
(0,8489 0,7685)/1
(1 0,8489)/12
= 6,385
F izelgesinden, gzlenen de gerin %5 dzeyinde anlaml oldu gu grlr ve
H
0
:
2
+
3
= 1 sfr nsav reddedilir.
E ger snrlamann geerli oldu guna karar verilmi s olsayd, snrlamal model
iin tahmin edilen 0,61298 de geri
3
gsterdi gi iin
2
de 0,38702 olarak
kolayca bulunurdu.
Simdi de snrlamasz ba glanm bulgularna bir gz atalm:
ln Y
i
= 3,3384 + 1,4988 ln X
2i
+ 0,4899 ln X
3i
R
2
= 0,8890
h (2,4495) (0,5398) (0,1020)

R
2
= 0,8705
Yukarda emek girdisi esnekli ginin istatistiksel olarak anlaml olmad g gr-
lyor.
Bu rnek, yalnzca tahmin edilen katsaylar ile yetinmeyip biimsel snama
da yapmann daha iyi bir zmleme iin gereklili gini gstermesi bakmndan
nemlidir.
Genel F Snamas
Bir aklayc de gi skenin marjinal katks blmnde sz edilen yeni model
aslnda snrlamasz modeldir. Buna gre eski model de
3
= 0 varsaym
ile snrlamal olur.
Aslnda, ba glanmbtnnn anlamll gn snamaya ili skin formldeki payn
BKT olmasnn nedeni de buradaki sper snrlamal modelin KKTsinin
TKT
sz
= TKT olmasdr.
Ele alm s oldu gumuz rneklerden de anla slaca g gibi, F snamas yntemi
k de gi skenli ba glanm modelindeki m anaktle katsaysnn snanmas iin
genel bir yntemdir.
rnek olarak
H
0
:
2
=
3
(m = 1),
H
0
:
3
+
4
+
5
= 3 (m = 1),
H
0
:
3
=
4
= 0 (m = 2),
H
0
:
3
=
4
=
5
=
6
= 0 (m = 4)
gibi pek ok farkl nsav F snamas ile snanabilir.
Genel F snamasnn admlar a sa gdaki gibi zetlenebilir:
1. Birincisi geni s snrlamasz model ve di geri de daha dar snrlamal model
olmak zere iki model vardr.
2. Bunlardan ikincisi, birinciden baz de gi skenler karlarak ya da e sitli do g-
rusal snrlamalar getirilerek elde edilir.
3. Daha sonra; snrlamasz ve snrlamal modeller verilere yak strlr ve KKT
sz
ve KKT
s
toplamlar ya da R
2
sz
ve R
2
s
belirleme katsaylar bulunur.
4. E ger ba gml de gi skenler farklysa, R
2
sz
ve R
2
s
kullanmak iin bunlar nce
birbirleriyle uyumlandrmak gereklidir.
5. KKT
sz
iin serbestlik derecesi (n k)dir. KKT
s
iin ise serbestlik derecesi
toplam kstlama says mdir.
6. Son olarak, forml verilen F istatisti gi hesaplanr ve bu de ger F
(m, n
k)den bykse sfr nsav reddedilir.
9.3 Di ger Snama ve Konular
9.3.1 Chow Snamas
E ger model katsaylar zaman ierisinde sabit kalmayp de gi sime u gruyorlar
ise bu duruma yapsal de gi sim (structural change) denir.
Yapsal de gi sime rnek neden olarak
2001 ylnda dalgal kur rejimine gei s,
1999 yl vergi yasas reformu,
1990-1991 Krfez Sava s,
1973-1977 OPEC petrol ambargosu
gibi ulusal ya da kresel etmenler gsterilebilir.
Yapsal de gi simkonusu zellikle zaman serileri ieren ba glanmmodellerinde
nemlidir.
Bir yapsal de gi simin varl gn grebilmeye rnek olarak, 1987 ve 2006 yllar
arasnda Trkiyede toplam tketim harcamalar ve GSYH (1987 yatlar,
milyon TL) rne gimizi anmsayalm:
Yl C Y Yl C Y
1987 51.019 74.416 1997 77.620 112.892
1988 51.638 76.143 1998 78.113 116.541
1989 51.105 76.364 1999 76.077 111.083
1990 57.803 83.371 2000 80.774 119.147
1991 59.366 84.271 2001 73.356 110.267
1992 61.282 88.893 2002 74.894 118.923
1993 66.545 96.391 2003 79.862 125.778
1994 62.962 91.600 2004 87.897 137.110
1995 66.011 97.729 2005 95.594 147.200
1996 71.614 104.940 2006 100.584 156.249
40
60
80
100
120
140
160
1988 1990 1992 1994 1996 1998 2000 2002 2004 2006
TRKYE'DE MLL GELR VE TKETM HARCAMALARI (1987 FYATLARI, MLYON TL)
GSYH
Toplu zel nihai tketim
Trkiyede tketim harcamalar ve milli gelir arasndaki ili skiyi incelemek
istiyoruz.
Elimizde 1987 ve 2006 yllar arasn kapsayan bir SEK ba glanmn tahmin
etmek iin yeterli veriler bulunmaktadr.
Di ger yandan, tasarruf ve gelir arasndaki ili skinin 20 yl boyunca ayn kald-
gn varsaymak fazla inandrc olmaz.
rnek olarak, Subat 2001 ve ncesinde ya sanan olaylar sonrasnda Cumhuri-
yet tarihindeki en byk ekonomik krizlerden birinin ortaya km s oldu gunu
biliyoruz.
Buna dayanarak, 2001 ve sonras dnemin yapsal olarak farkl olup olmad-
gn grmek istedi gimizi varsayalm.
Yapsal kararll g snamak iin rneklemi 2001 ncesi ve 2001 ve sonras
olarak iki dneme ayrabiliriz.
Bylece elimizde tahmin edilebilecek ayr ba glanm olur:
1987-2000 dnemi: Y
t
=
1
+
2
X
t
+u
1t
(n
1
= 14)
2001-2006 dnemi: Y
t
=
1
+
2
X
t
+u
2t
(n
2
= 6)
1987-2006 dnemi: Y
t
=
1
+
2
X
t
+u
3t
(n
3
= 14 + 6 = 20)
Yukardaki nc ba glanm, tm gzlemleri kapsamakta ve 1987-2006 ara-
l g iinde yapsal bir de gi sim olmad gn varsaymaktadr.
yleyse nc model,
1
=
1
ve
2
=
2
ko sullarndan dolay bir snrla-
mal model olarak d snlebilir.
ba glanma ait bulgular a sa gdaki gibidir:
Y
t
= 1,5027 + 0,6679X
t
R
2
= 0,9937
t (1,0156) (43,5400) KKT
1
= 8,9210
Y
t
= 1,0706 + 0,6358X
t
R
2
= 0,9835
t (0,1947) (15,4361) KKT
2
= 10,3487
Y
t
= 8,0344 + 0,5934X
t
R
2
= 0,9854
t (4,3310) (34,8352) KKT
3
= 55,0062
Sonular, tasarruf ve gelir arasndaki ili skinin iki alt dneme ait tahminlerinde
farkllklar oldu gunu gstermektedir.
Buna gre nc ba glanmn uygun ve gvenilir olmad g d snlebilir.
Yapsal de gi simin varl gn snamak iin kullanlabilecek yntemlerden biri
Chow snamasdr.
Bu snama, bildi gimiz F snamasndan farkl olmamakla birlikte geli stiricisi
Gregory Chowun adyla anlr.
Chow snamasnn gerisinde iki nemli varsaym vardr:
Varsaym 1: Birinci ve ikinci modellere ait hata terimleri ayn sabit varyans
ile normal da glmaktadrlar:
u
1t
N(0,
2
) ve u
2t
N(0,
2
)
Varsaym 2: u
1t
ve u
2t
ayn zamanda ba gmsz da glrlar.
Verilen varsaymlar altnda Chow snamas syle yaplr:
1. Birinci modelden sdsi (n
1
k) olan KKT
1
bulunur.
2.

Ikinci modelden sdsi (n
2
k) olan KKT
2
bulunur.
3.

Iki ba glanma ait hata terimleri ba gmsz kabul edildi gi iin, KKT
sz
= KKT
1
+
KKT
2
olarak hesaplanr.
4. Tm gzlemlerin kullanld g 3. model tahmin edilir ve KKT
3
ya da KKT
s
bulunur.
5. Yapsal de gi sim yoksa KKT
s
ve KKT
sz
istatistiksel olarak farkl olmamaldr.
Snamak iin su istatistik hesaplanr:
F =
(KKT
s
KKT
sz
)/k
(KKT
sz
)/(n
1
+ n
2
2k)
F
[k,(n
1
+n
2
2k)]
rne gimize dnecek olursak F istatisti gini syle buluruz:
F =
(55,0062 19,2697)/2
(19,2697)/(16)
= 14,8363
Gzlenen de ger 2 ve 22 sd iin yzde 1 kritik F de geri olan 6,23ten byk
oldu gu iin; H
0
:
1
=
1
,
2
=
2
reddedilir.
Demek ki Chow snamas 2001 ylnda Trkiyenin bir yapsal de gi sim geir-
di gi savn desteklemektedir.
Chow snamas ile ilgili su noktalara dikkat edilmelidir:
Chow snamas, birden fazla yapsal de gi simin varl gn snamak iin genel-
lenebilir.
rnek olarak, rneklemi ayr dneme blp drt farkl ba glanm tahmini
yapmak ve daha sonra KKT
s
yi de KKT
1
+KKT
2
+KKT
3
olarak hesaplamak
olanakldr.
Chow snamasnda yapsal krlma (structural break) noktasnn hangi d-
nemde yer ald gnn bilindi gi varsaylr.
Chow snamas iki ba glanmn farkl olup olmad gn syler ancak farkn sa-
bit terimden mi, X
t
nin katsaysndan m, ya da ayn anda her ikisinden mi
kaynakland gn bildirmez.
Yapsal de gi simin kayna gnn ne oldu gunu anlamak iin kukla de gi skenlere
dayanan farkl bir yakla sm gereklidir.
Ayr dnemlere ait hata varyanslarnn sabit oldu gu varsaymnn ayrca s-
nanmas gerekli olabilir.
9.3.2 MWD Snamas
Do grusal ve log-do grusal model arasnda bir seim yapma zorunlulu gu, gr-
gl al smalarda sk sk ortaya kar.
Byle bir model seimi iin MacKinnon, White ve Davidson (1983) tarafn-
dan nerilen MWD snamas kullanlabilir.
MWD snamas su sfr ve alma sk nsavlar ierir:
H
0
: Do grusal model
H
1
: Log-do grusal model
MWD snamasnn admlar a sa gdaki gibidir:
1. Do grusal model tahmin edilir ve

Y bulunur.
2. Log-do grusal model tahmin edilir ve

ln Y bulunur.
3. Z
1
= ln

Y

ln Y de gi skeni tretilir.
4. Y nin Xlere ve Z
1
e gre ba glanm hesaplanr. E ger Z
1
in katsays bilindik
t snamas ile istatistiksel olarak anlaml karsa, H
0
reddedilir.
5. Z
2
= exp(
ln Y )

Y de gi skeni tretilir.
6. ln Y nin ln Xlere ve Z
2
ye gre ba glanm hesaplanr. E ger Z
2
nin katsays
t snamas ile anlaml bulunursa, H
1
sav reddedilir.
Karma sk gibi grnse de MWD snamasnn mant g basittir:
E ger do grusal model gerekten do gru modelse, drdnc admda hesaplanan
Z
1
de geri anlaml olmamaldr.
nk byle bir durumda do grusal modelin

Y kestirimleri (kar sla strma ya-
pabilmek iin loglar alndktan sonra) ile log-do grusal modelin kestirimleri
farkl kmamaldr.
Ayn yorum H
1
alma sk nsav iin de geerlidir.
MWD Snamas Aklayc rnek
rnek olarak 1971-1975 aras dnem iin ABDnin Detroit sehrindeki gl
talebini ele alalm:
Do grusal model: Y
t
=
1
+
2
X
2t
+
3
X
3t
+ u
t
Log-log model: ln Y
t
=
1
+
2
ln X
2t
+
3
ln X
3t
+ v
t
Burada
Y satlan gl miktarn (dzine),
X
2
ortalama toptan gl yatn (dolar),
X
3
ise ortalama toptan karanl yatn (dolar)
gstermektedir.
Beklentiler
2
ile
2
nin eksi,
3
ve
3
n ise art de gerli olmas ynndedir.
Ba glanm bulgular a sa gdaki gibidir:
Y
t
= 9734,2176 3782,1956X
2t
+ 2815,2515X
3t
R
2
= 0,7710
t (3,3705) (6,6069) (2,9712) F = 21,84
ln Y
t
= 9,2278 1,7607 ln X
2t
+ 1,3398 ln X
3t
R
2
= 0,7292
t (16,2349) (5,9044) (2,5407) F = 17,50
Grld g gibi hem do grusal hem de log-do grusal model verilere iyi yak s-
m str.
Katsaylar beklenen i saretleri ta smaktadr ve t de gerleri de istatistiksel olarak
anlamldr.
nce modelin do grusal olup olmad gn snayalm:
Y
t
= 9727,5685 3783,0623X
2t
+ 2817,7157X
3t
+ 85,2319Z
1t
t (3,2178) (6,337) (2,8366) (0,0207)
R
2
= 0,7707 F = 13,44
Z
1
in katsays anlaml olmad gna gre, modelin gerekte do grusal oldu gunu
ne sren nsav reddetmiyoruz.
Simdi de gerek modelin log-do grusall gn snayalm:
ln Y
t
= 9,1486 1,9699 ln X
2t
+ 1,5891 ln X
3t
0,0013Z
2t
t (17,0825) (6,4189) (3,0728) (1,6612)
R
2
= 0,7798 F = 14,17
Z
2
ye ait t de geri 1,6612dir. Dolaysyla log-do grusallk varsaym da %5
anlamllk dzeyinde reddedilemez.
rne gin de gsterdi gi gibi baz durumlarda modellerin ikisi de reddedilmeye-
bilmektedir.
9.3.3 Di ger Baz Snama ve Konular
Alma sk Snamalar
Grld g gibi do grusal ba glanm modelleri erevesinde e sitli nsavlar
snamak iin t ve F snamalarndan yararlanlabilmektedir.
Do grusal modellerin basit dnyasndan kld gnda ise do grusal ve do grusal-
d s her modelde kullanlabilecek nsav snamalarna gereksinim duyulur.
Bu ama iin ska kullanlan yntem sunlardr:
Wald snamas (Wald test)
Olabilirlik oran (likelihood ratio), ksaca OO (LR)
Lagrange arpan (Lagrange multiplier), ksaca L (LM)
Bu snama kavu smazsal olarak e sde gerdir ve nn de snama istatisti gi
2
da glmna uyar.
Di ger yandan, do grusal modellerdeki her trl snama iin F yeterlidir ve
Wald, OO ve Lye bakmaya gerek yoktur.
Dolaysyla bu snama lsn simdilik ele almayaca gz.
oklu Ba glanm ve Kestirim
Tahmin edilen bir ba glanm i slevi, belli bir X
0
de gerine kar slk gelen Y yi
kestirmek iin kullanlabilir.

Iki farkl kestirim tr vardr: Ortalama kestirimi (mean prediction) ve bi-
reysel kestirim (individual prediction).
Ortalama kestirimi, belli X
0
de gerlerine kar slk gelen E(Y |X
0
) ko sullu ola-
slk de gerinin kestirilmesini ierir.
Bireysel kestirim ise X
0
n kar sl g olan tekil Y |X
0
de gerinin kestirilmesi
demektir.
Ortalama kestirimi, anaktle ba glanm i slevindeki noktann kestirimidir ve
varyans bireysel kestirimden daha kktr.
oklu ba glanmda kestirim de gerlerinin varyans ve lnl hata formlleri
kar sk oldu gu iin bunlar daha sonra dizey gsterimi ile ele alaca gz.
dev
Kitaptan Blm 8 Multiple Regression Analysis: The Problem of Inference oku-
nacak.
nmzdeki Ders
Kukla De gi skenlerle Ba glanm
Blm 10
Kukla De gi skenlerle Ba glanm
10.1 Nitel De gi skenlerle Ba glanm
Ba glanm zmlemelerinde ba gml de gi sken, saysal byklkler yannda
nitel de gi skenlerden de etkilenebilir.
Nicel De gi skenler
Gelir, retim, yat, maliyet, enasyon, i ssizlik oran, ya s, boy, ocuk says,
. . .
Nitel De gi skenler
Cinsiyet, rk, din, sava s, co gra blge, hkmet politikalarnda de gi sme, grev,
. . .
Grgl al smalarda kar sla slan pek ok sorunu zmede nitelik bildiren kukla
(dummy) de gi skenlerden yararlanlr.
Bu de gi skenler ayn zamanda nitel (qualitative) de gi sken, ulamsal (ca-
tegorical) de gi sken veya gsterge (indicator) de gi skeni olarak da adland-
rlmaktadrlar.
Kukla de gi skenler bir veri snandrma aracdr.
Nitel zellikleri nicel olarak gsterebilmek iin, niteli gin varlk ya da yoklu-
gunu gsteren 1 ve 0 de gerlerini alrlar.
rnek olarak bir kimsenin niversite mezunu oldu gu 1 ile, olmad g ise 0 ile
gsterilebilir.
169
Kukla De gi skenlerle Ba glanm A. Talha Yalta (2007 - 2011)
Kuklalarn mutlaka 0 ya da 1 de gerleri almalar gerekmez. Do grusal ili skili
herhangi bir say ifti kullanlabilir.
Di ger yandan, yorumlamada sa glad g kolaylktan dolay uygulamada {0, 1}
ifti ye glenmektedir.
Ba glanm modellerinde kukla de gi skenlerin kullanlmas ek bir zorluk getir-
memektedir.
Kukla ieren ba glanmlarn hesaplanmas bilindik sekilde olur. Katsaylarn
anlamll g da t istatisti gi ile snanabilir.
10.1.1 VARZ Modelleri
Bir ba glanm modelindeki tm aklayc de gi skenlerin birer kukla de gi sken
olmas mmkndr.
Byle modellere VARZ (ANOVA) modelleri de denir.
VARZ modelleri zellikle toplumbilim, psikoloji, e gitim, pazar ara str-
mas gibi alanlarda yaygndr.
rnek olarak, Subat-Mart 2011 dneminde Ankara ankayada satl ga kar-
tlan ikinci el daire yatlarnn ayr semtte nasl farkllk gsterdi gini inceleyen
a sa gdaki modeli ele alalm.
Y
i
=
1
+
2
D
2i
+
3
D
3i
+ u
i
Y burada sat s ilan verilen apartman dairesinin 1000 TL olarak yatdr.
Kukla de gi skenler ise D ile gsterilmektedir.
D
2i
= 1, daire Dikmende ise; D
2i
= 0, e ger de gilse. D
3i
= 1, daire Kavakl-
derede ise; D
3i
= 0, e ger de gilse.
Not: E ger D
2i
= 0 ve D
3i
= 0 olursa daire Kavakldere ya da Dikmende
de gil, nc seenek olan Cebeci semtinde bulunuyor demektir.
Bu modelin bize gsterdi gi sey sudur:
Dikmende ortalama yat: E(Y
i
|D
2i
= 1, D
3i
= 0) =
1
+
2
Kavaklderede ortalama yat: E(Y
i
|D
2i
= 0, D
3i
= 1) =
1
+
3
Cebecide ortalama yat: E(Y
i
|D
2i
= 0, D
3i
= 0) =
1
Ba glanma ili skin tahmin sonular a sa gdaki gibidir:
Y
i
= 91,4615 + 47,2746 D
2i
+ 94,1218 D
3i
h (11,6983) (13,6480) (16,8850)
t (7,8184) (3,4638) (5,5743) R
2
= 0,3491
D
2
ve D
3
anlaml oldu gu iin, Ankarann bu semtinde daire yatlarnn
farkl oldu gunu syleyebiliriz.
Buna gre Cebecideki ortalama bir dairenin yat yakla sk 91 bin TL iken,
Dikmen ve Kavaklderedeki ortalama yat ise sras ile 91 + 47 140 ve
91 + 94 185 bin liradr.
Birka nemli Nokta
Kukla de gi sken kullanm ile ilgili dikkat edilmesi gereken baz noktalar sunlar-
dr:
1. Bir nitel de gi skende m sayda snf ya da ulam (category) varsa, (m 1)
kukla de gi sken kullanlmaldr. Aksi halde kukla de gi sken tuza g (dummy
variable trap) denilen tam e sdo grusallk (exact collinearity) olu sur. Ancak,
sfr noktasndan geen ba glanmlarda ulam says kadar kukla de gi sken koy-
mak mmkndr.
2. Dikmen ve Dikmen de gil gibi seeneklere hangi de gerin atanaca g iste ge
ba gldr. E ger Dikmen de gil = 1 olursa
2
katsays da eksi kar. Demek
ki kukla de gi sken ieren modelleri yorumlarken, 1 ve 0 de gerlerinin nasl
verildi gini bilmek nemlidir.
3. 0 de geri verilen ulam, yazn (literature) ierisinde farkl adlarla kar smza
kabilmektedir:
Trke

Ingilizce
Taban ulam (Base category)
Kyas ulam (Benchmark category)
Kar sla strma ulam (Comparison category)
Denetim ulam (Control category)
Gnderi ulam (Reference category)
Atlanan ulam (Omitted category)
rne gimizde taban ulam Cebeci semtidir. Taban ulam, di gerlerini kar sla str-
mada kullanlan snftr. Taban ulam gsteren ya da len terim de
1
sabit
terimidir. D
2
ve D
3
kukla de gi skenlerine gelen
2
ve
3
katsaylarna ise sa-
bit terim fark (constant term difference) ad verilir.
10.1.2 KOVZ Modelleri
Birok iktisadi ara strmada, yalnzca kukla de gi skenlerin kullanld g VAR-
Z modellerine ok sk rastlanmaz.
Bunun yerine nitel ve nicel de gi skenlerin birlikte oldu gu kovaryans zm-
lemesi (analysis of covariance) ya da KOVZ (ANCOVA) modelleri
ye glenir.
Bu modellerde nicel de gi skenlere denetim de gi skeni (control variable) de
denir.
KOVZ modellerine bir rnek olarak Ankaradaki daire yatlar rne gimizi
geli stirelim.
Y
i
=
1
+
2
D
2i
+
3
D
3i
+
4
X
i
+ u
i
Y
i
burada satl ga kartlan apartman dairesinin yatdr.
X
i
ise dairenin metrekare cinsinden bykl gdr.
D
2i
= 1, daire Dikmende ise; D
2i
3i
= 1, daire Kavakl-
derede ise; D
3i
Not: Cebeciyi taban olarak ulamlandrmay srdryoruz.
Ba glanm tahminleri a sa gdaki gibidir:
Y
i
= 27,7639 + 15,1179 D
2i
+ 72,4160 D
3i
+ 1,24994 X
i
h (15,6787) (9,7259) (11,4113) (0,1431)
t (1,7708) (1,5544) (6,3460) (8,7354)
R
2
= 0,7217
Yeni modeldeki sabit terim fark katsaysnn Kavakldere iin anlamlyken
Dikmen iin anlaml olmad gn gryoruz.
Di ger bir deyi sle, metrekare sabitken, Dikmendeki daire yatlarnn Cebeci
ile ayn oldu gu reddedilmemekte, Kavakldere iin ise 72 bin liralk bir fark
gzlenmektedir.
Bulgularn Dikmen iin farkl kmasnn nedeni, ilk ba staki modelde Xi
hesaba katmam s olmamzdr.
Sonular Ankarann bu semtindeki dairelerin metrekare yatnn yakla sk
1250 lira oldu gunu gstermektedir.
Burada sabit terimleri farkl olan ancak ayn
4
e gimini payla san 3 farkl ba g-
lanm ele ald gmza dikkat ediniz.
10.2 Kukla De gi sken Kullanm Sekilleri
10.2.1 Chow Snamasnn Kukla Alma s g
nceki rnekte, nitel de gi skenlerin sabit terimi etkiledi gi ama e gim katsay-
sn etkilemedi gi varsaylm st.
Di ger yandan, e ger farkl ulamlarn e gim katsays da farkl ise sabit terim
farklarn snamann pek anlam yoktur.
Birden fazla ba glanmn ayn olup olmad gn snamak iin ok adml Chow
snamasnn kullanlabildi gini biliyoruz.
Farkl ba glanmlar sabit terimler, e gimler ya da her ikisi ynnden ayrt ede-
bilen daha genel bir snama yntemi kukla de gi skenler ile olanakldr.
Trkiye iin tketim harcamalar ve milli gelir verilerimizi anmsayalm:
Yl C Y Yl C Y
1987 51.019 74.416 1997 77.620 112.892
1988 51.638 76.143 1998 78.113 116.541
1989 51.105 76.364 1999 76.077 111.083
1990 57.803 83.371 2000 80.774 119.147
1991 59.366 84.271 2001 73.356 110.267
1992 61.282 88.893 2002 74.894 118.923
1993 66.545 96.391 2003 79.862 125.778
1994 62.962 91.600 2004 87.897 137.110
1995 66.011 97.729 2005 95.594 147.200
1996 71.614 104.940 2006 100.584 156.249
Trkiyedeki 1994 krizini anmsayalm. Verileri 1994 ncesi ve sonras olarak
ikiye ayralm ve su iki modeli inceleyelim:
1987-1993 dnemi: Y
t
=
1
+
2
X
t
+u
1t
, n
1
= 7
1994-2006 dnemi: Y
t
=
1
+
2
X
t
+u
2t
, n
2
= 13
Yukardaki iki model drt farkl olaslk sunmaktadr:
1. E ger
1
=
1
ve
2
=
2
ise, iki ba glanm sabit terim ve e gim olarak ayndr:
ak san (coincident) ba glanmlar.
2. E ger
1
=
1
ve
2
=
2
ise, iki ba glanm yalnzca sabit terimler ynnden
farkldr: Ko sut (parallel) ba glanmlar.
3. E ger
1
=
1
ve
2
=
2
ise, iki ba glanm ayn sabit terimli ama farkl
e gimlidir: Uyumlu (concurrent) ba glanmlar.
4. E ger
1
=
1
ve
2
=
2
ise, iki ba glanm btnyle farkldr: Benzemez
(dissimilar) ba glanmlar.
Elimizdeki iki modeli kar sla strabilmek iin tm n
1
ve n
2
gzlemlerini top-
layp a sa gdaki ba glanm tahmin edelim:
Y
t
=
1
+
2
D
t
+
1
X
t
+
2
(D
t
X
t
) + u
t
E(u
t
) = 0 varsaym ile su iki ba glanm buluruz:
E(Y
t
|D
t
= 0, X
t
) =
1
+
1
X
t
E(Y
t
|D
t
= 1, X
t
) = (
1
+
2
) + (
1
+
2
)X
t
Y
t
ve X
t
farkl yllar iin tketim ve geliri gstermektedir.
D
t
= 0 1994 ncesi, D
t
= 1 ise 1994 ve sonras dnemdir.

2
sabit terim farkdr.

2
ise e gim katsays fark olup, ikinci dnem i slevinin e gim katsaysnn ilk
ya da temel dneme ait e gim katsaysndan ne kadar farkl oldu gunu gsterir.
Model tahmini su sonular vermektedir:
Y
t
= 4,7884 + 16,2163 D
t
+ 0,7455 X
t
0,1796 D
t
X
t
h (6,9547) (7,5961) (0,0836) (0,0874)
t (0,6885) (2,1348) (8,9146) (2,0556)
R
2
= 0,9887
Buna gre 1987-94 dnemi tasarruf-gelir ba glanm sudur:
Y
t
= 4,7884 + 0,7455 X
t
1994-2006 dnemi tasarruf-gelir ba glanm ise syledir:
Y
t
= (4,7884 + 16,2163) + (0,7455 0,1796) X
t
= 11,4279 + 0,5659 X
t
Sabit terim fark ve e gim farknn her ikisinin de istatistiksel olarak anlaml
bulunmas, bu iki ba glanmn benzemez oldu gunu gstermektedir.
Kukla de gi sken ynteminin Chow snamasna stnlkleri sunlardr:
1. Kukla de gi sken yakla sm, tek bir ba glanm tahmini ierdi gi iin uygulama
ynnden basittir.
2. Kukla de gi skenler, iki ba glanmn farkl olup olmad gnn yan sra farkn sa-
bit terimden mi yoksa e gimden mi kaynakland gn da gstermektedir.
3. Tek ba glanm olmas nsav snamalarnda kolaylk sa glar.
4. Verilerin bir arada kullanlmas serbestlik derecesini arttrr. Dikkat: Modele
eklenen her kukla de gi skenin serbestlik derecesini bir azaltt g unutulmama-
ldr.
10.2.2 Kar slkl Etkile sim
Kukla de gi skenlerin bir di ger kullanm alan da aklayc de gi skenler aras kar s-
lkl etkile simi incelemektir.
Ankara rne gimize dnelim ve simdi de su modeli ele alalm:
Y
i
=
1
+
2
D
2i
+
3
D
3i
+ X
i
+ u
i
Y
i
burada evin yatn, X
i
ise m
2
alann gstermektedir.
D
2i
= 1, kot daire ise; D
2i
3i
= 1, su deposu bulunu-
yorsa; D
3i
= 0, e ger yoksa.
Model tahmin sonular a sa gdaki gibidir.
Y
i
= 1,2103 46,2989 D
2i
+ 20,4479 D
3i
+ 1,2023 X
i
h (19,0367) (12,8606) (9,7909) (0,1633)
t (0,0636) (3,6001) (2,0885) (7,3639)
R
2
= 0,5942
Bulgular kot dairelerin yakla sk 46 bin lira ucuz oldu gunu, apartmanda su de-
posu bulunmasnn ise ortalama daire yatn yakla sk 20 bin TL ykseltti gini
gstermektedir.
Tahmin etmi s oldu gumuz modeldeki st kapal varsaym, D
2
ve D
3
n fark
etkilerinin birbirinden ba gmsz oldu gudur.
Di ger bir deyi sle, su deposu olsa da olmasa da kot dairenin fark etkisinin ayn
oldu gu kabul edilmektedir.
Belli bir uygulamada bu varsaym savunulamayabilir.
D
2
ve D
3
gibi iki ayr nitel de gi sken arasnda var olabilecek kar slkl etkile-
sim su sekilde ele alnr:
Y
i
=
1
+
2
D
2i
+
3
D
3i
+
4
(D
2i
D
3i
) + X
i
Burada
2
kot dairenin fark etkisini,
3
su deposu bulunmasnn fark etkisini,
4
kot daire ve su deposu olmasnn birlikte fark etkisini
gstermektedir.
Kar slkl etkile simi neren model tahminleri syledir:
Y
i
= 1,1340 44,7608 D
2i
+ 21,1225 D
3i
4,3179 (D
2i
D
3i
) + 1,2014 X
i
h (19,2074) (16,1315) (10,7339) (26,9206) (0,1648)
t (0,0590) (2,7747) (1,9678) (0,1604) (7,2912)
R
2
= 0,5944
Etkile sim kuklas (interaction dummy)
4
n istatistiksel olarak anlaml
olup olmad g yine t snamasyla bulunabilir.
Sonular, bir apartmanda su deposu bulunmasnn kot daire yatlarn da di ger
daireler ile ayn sekilde artrd gn gstermektedir.
10.2.3 Para-Yollu Do grusal Ba glanm
Kukla de gi skenlerin bir di ger kullanm alan da para-yollu ba glanm (pi-
ecewise regression) modelleridir.
Bu modellere ynelik olarak, Ankaradaki satlk daireler rne gimizdeki yat-
metrekare ili skisini gz nne alalm.
Daire yatlarnn e sik (threshold) dzeyi denilen bir X
de geri ncesinde
ve sonrasnda farkl sekilde de gi sti gini varsayalm.
rnek olarak, daire yatlar metrekareye gre do grusal olarak artsn ancak
X
e sik dzeyinden sonra daha dik bir e gimle artyor olsun.

Buna gre, elimizdeki model iki farkl paradan olu san bir do grusal ba glanm
modelidir.
Bu tr modeller daha genel bir tr olan kama i slevleri (spline functions)
yakla smna bir rnektir.
Para-yollu ba glanm aklamak iin su modele bakalm:
Y
i
=
1
+
1
X
i
+
2
(X
i
X
)D
i
+ u
i
Y
i
burada dairenin yatn, X
i
de metrekare geni sli gini gstermektedir.
X
de geri geni sli gin e sik dzeyidir ve nceden bellidir.

D
i
= 1, e ger X
i
X
ise;D
i
= 0, e ger X
i
< X
ise.
E(u
i
) = 0 varsaym altnda sunu grebiliriz:
E si ge kadar: E(Y
i
|D
i
= 0, X
i
, X
) =
1
+
1
X
i
E sik sonras: E(Y
i
|D
i
= 1, X
i
, X
) =
1
2
X
+ (
1
+
2
)X
i
Buna gre
1
para-yollu ba glanmn birinci parasnn, (
1
+
2
) ise ikinci
parasnn e gimini vermektedir.
Krlma yoktur diyen nsav iin

2
nn p de gerine baklr.
Verilerden, X
= 120m
2
sonrasnda yatlarn de gi siyor olabilece gini kar-
d gmz varsayalm.
Fiyat (Y ) ve geni slik (X) verilerini bir para-yollu do grusal ba glanm mode-
line yak strrsak su bulgular elde ederiz:
Y
i
= 0,4698 + 1,1967 X
i
+ 0,2490 (X
i
X
)D
i
h (33,2861) (0,3203) (0,5660)
t (0,0141) (3,7365) (0,4400) R
2
= 0,4822
Dairelerin metrekare yat yakla sk 1200 TL kadardr.
120 metrekare stnde yat (1200 + 250) olmakla birlikte, aradaki fark ista-
tistiksel olarak anlaml de gildir.
yleyse (X X
)D de gi skeni modelden kartlabilir.

10.3 Kukla De gi skenlere

Ili skin Konular
10.3.1 Mevsimsel zmlemeler
Gnlk, aylk ya da aylk verilere dayanan birok zaman serisi; mev-
simsel rnt (seasonal pattern) ya da dzenli salnmsal hareket (regular
oscillatory movement) gsterir.
Buna rnek olarak yeni yl ncesi ma gaza sat slarn ya da bayram ncesi
hanelerin artan para talebini gsterebiliriz.
Bir zaman serisinin e sitli bile senleri zerinde ayr ayr yo gunla smak iin,
mevsimsel bile senin karlmas istenir.
TFE ve FE gibi nemli iktisadi zaman serileri genellikle mevsimsel ayar-
lamal (seasonally adjusted) yaynlanr.
Mevsimsellikten arndrma (deseasonalization) i sleminin e sitli yollar var-
dr ve bunlardan birisi de kukla de gi skenler yntemidir.
Konuya ili skin olarak, Trkiyede in saat kesimi iin aylk retim ve toplam
maliyet endeksleri verilerini ele alalm.
izelge:

In saat Kesiminde retim ve Maliyet (2005=100)
Dnem retim Maliyet Dnem retim Maliyet
20051 78,07 98,44 20081 100,01 138,79
20052 105,47 98,65 20082 128,49 153,78
20053 114,56 100,97 20083 128,62 142,16
20054 101,90 101,93 20084 105,08 136,62
20061 90,34 105,63 20091 81,24 135,44
20062 126,56 118,86 20092 101,53 136,62
20063 136,43 119,73 20093 106,09 137,37
20064 120,15 119,72 20094 97,61 137,47
20071 101,83 124,53 20101 88,76 142,26
20072 135,27 125,75 20102 121,29 142,77
20073 142,52 125,89 20103 128,60 145,52
20074 120,08 126,56 20104 115,21 147,81

In saat retim faaliyetlerinde mevsimsel bir etki olup olmad gn grmek iin
a sa gdaki modeli inceleyelim:
Y
t
=
1
+
2
D
2t
+
3
D
3t
+
4
D
4t
+ u
i
D
2t
= 1, ikinci ay ise; D
2t
3t
= 1, nc ay ise;
D
3t
4t
= 1, drdnc ay ise; D
4t
Burada mevsim de gi skeni drt ulamdan olu stu gu iin farkl kukla de gi sken
kullanlm str.
Nicel bir de gi sken kullanmayp, Y
t
nin yalnzca sabit terime gre ba glanmn
hesaplad gmza dikkat ediniz.
Tahmin sonular a sa gdaki gibidir:
Y
t
= 90,0422 + 29,7242 D
2t
+ 36,0968 D
3t
+ 19,9633 D
4t
h (4,7960) (6,7826) (6,7826) (6,7826)
t (18,7744) (4,3824) (5,3220) (2,9433)
R
2
= 0,6183

In saat retim endeksinin taban dnem olan k s dneminde ortalama 90 dze-
yinde oldu gunu gryoruz.
Endeks bahar dneminde 30 puan ykselmekte, yazn bu ykseli sini srdr-
mekte, ve gz dneminde gerilemektedir.
Yukardaki ba glanm tahminine ait kalntlar, in saat retim endeksinin mev-
simsellikten arndrmal bir serisini verir.
Bu kalntlardan daha sonra serinin e gilimbile seni (trend component), ev-
rimsel bile sen (cyclical component) ve rastsal bile sen (random compo-
nent) unsurlar bulunabilir.
Dikkat: Sz edilen bu mevsimsellikten arndrma i slemi her zaman serisi iin
uygun de gildir.
70
80
90
100
110
120
130
140
150
2005 2006 2007 2008 2009 2010
-25
-20
-15
-10
-5
0
5
10
15
20
TRKYE'DE NAAT KESM RETM ENDEKS (2005 = 100)
naat retim endeksi (sol)
Mevsimsellikten arndrmal endeks (sa)
Simdi, nceki yln ayn dnemine ili skin toplam maliyeti (X
t4
) bir nicel
de gi sken olarak modele ekleyelim.Tahmin sonular syledir:
Y
t
= 145,4342 + 32,9016 D
2t
+ 38,0662 D
3t
+ 20,9031 D
4t
0,4396 X
t4
h (15,7171) (5,6225) (5,5994) (5,5901) (0,1262)
t (9,2533) (5,8517) (6,7983) (3,7393) (3,4831)
R
2
= 0,8020

Ikinci, nc, ve drdnc eyreklerdeki retimin ilk eyrekten yksek ol-
du gunu bu modelde de gryoruz.
Ayrca, mevsimsel etkiler gznne alnd gnda, maliyet endeksindeki 1 pu-
anlk art sn retim endeksinde yakla sk 0,44 puanlk bir azalmaya yol at g
anla slmaktadr.
Bu noktada ilgin bir soru X
t
nin de Y
t
gibi bir mevsimsel rnm sergileyip
sergilemedi gi sorusudur.
Az nce ele alm s oldu gumuz modelin bir zelli gi, ba gml de gi sken Y
t
yi
mevsimsellikten arndrrken ayn zamanda X
t
yi de mevsimsellikten arndr-
masdr.
Bunu grmek iin ilk ba glanm tahmin edelim ve kalntlar saklayalm. Bu,
mevsimsellikten arndrmal Y
2,t
olsun.
Simdi de ayn modeli bu sefer de maliyet ba gml de gi sken olacak sekilde
tahmin edip kalntlar saklayalm. Bu da mevsimsellikten arndrmal X
2,t
olsun.
Y
2,t
ve X
2,t4
ba glanma birlikte sokulursa, X
2,t4
n e gim katsaysnn n-
ceki be s de gi skenli ba glanmdaki X
t4
ile ayn oldu gu grlr. Yani bir ta sla
iki ku s vurmu s oluyoruz.
10.3.2 Yar-Logaritmasal

I slevler
E gitim deneyimi (yl) ve cinsiyete (1 = erkek) gre gretim grevlisi i se ba s-
lama cretlerini (yllk, bin dolar) gsteren su varsaymsal verileri ele alalm:
cret Deneyim Cinsiyet
23,0 1 1
19,5 1 0
24,0 2 1
21,0 2 0
25,0 3 1
22,0 3 0
26,5 4 1
23,1 4 0
25,0 5 0
28,0 5 1
29,5 6 1
26,0 6 0
27,5 7 0
31,5 7 1
29,0 8 0
Verileri su log-do g modeline yak strmak istiyor olalm:
ln Y
i
=
1
+
2
X
i
+
3
D
i
+ u
i
Y
i
ba slama creti, X
i
ise e gitim deneyimidir.
D
i
= 1, e ger erkekse; D
i
= 0, kadnsa.

2
katsays burada X
i
deki bir birimlik de gi smeye kar slk Y
i
deki greli de-
gi smeyi gstermektedir.
Greli de gi sme 100 ile arplr ise yzde de gi sme olur.
Ancak yukardaki aklama, de gi skenin yalnzca srekli bir de gi sken olmas
durumunda geerlidir.
Kukla de gi skenin ortalama Y
i
deki greli etkisini bulmak iin, tahmin edi-
len

3
katsaysnn e tabanna gre ters logaritmasnn alnmas ve bundan 1
kartlmas gerekir.
rnekteki modeli tahmin edersek sunu buluruz:
ln Y
i
= 2,9298 +0,0546 X
i
+0,1341 D
i
t (481,524) (48,3356) (27,2250)
R
2
= 0,9958
Buna gre cinsiyet fark dikkate alnd gnda ortalama i se ba slama creti, de-
neyim yl ba sna % 5,46 artmaktadr.
Ancak, D
i
nin katsaysna bakarak cretlerin erkekler iin yzde 13,41 daha
fazla oldu gunu sylemek do gru olmaz.
0,1341in ters logaritmas alnr ve bundan 1 kartlrsa 0,1435 bulunur. De-
mek ki erkek gretim grevlisi cretleri kadnlara gre yzde 14,35 daha yk-
sektir.
10.3.3

Ileri al sma Konular
Rastsal De gi stirge Modelleri
Ele alm s oldu gumuz modellerde anaktle katsaylarnn bilinmeyen ama
sabit byklkler oldu gunu anmsayalm.
Kukla de gi skenlere ili skin ileri konulardan biri de rastsal de gi stirge (ran-
dom parameter) modelleridir.
Yaznda e sitli biimlerde kar smza kan bu modeller, de gi stirgelerinin de
rastsal oldu gunu varsayar.
De gi stirilen Ba glanm Modelleri

Iki ba glanmn hem sabit terim fark hem de e gim fark kullanlarak kar sla st-
rld g kukla de gi sken modellerinde, krlma noktasnn bilindi gi rtk olarak
varsaylr.
Di ger yandan, krlma noktasnn rne gin 1994te mi ya da ba ska bir dnemde
mi oldu gu o gu zaman bilinemez.
Dolaysyla, bir di ger ileri al sma konusu da de gi stirilen ba glanm (switc-
hing regression) modelleridir.
Bu modeller, krlma noktasnn da rastsal olmasna izin vererek ba glanmn
yinelemeli (iterative) olarak tahmin edilmesini sa glarlar.
Dengesizlik Modelleri
Pazarn dengeye gelmedi gi, arzn talebe e sit olmad g durumlar iin zel tah-
min yntemleri gerekir.
rnek olarak bir maln talebi, yat ve e sitli de gi skenlerin bir i slevi olarak
modellenirken, ayn maln arz da yine yat ve di ger de gi skenlerin bir i slevi
olarak modellenebilir.
Arzda yer alan de gi skenler taleptekilerden farkl olursa, gerekte alnp satlan
mal miktar arzn talebe e sitlendi gi noktada olmayabilir ve bu da dengesizli ge
yol aar.

I ste byle durumlar kukla de gi skenler yardmyla ele alan modellere de den-
gesizlik (disequilibrium) modelleri denir.
Farklserpilimsellik ve zilintinin Etkisi
Trkiyede 1994 sonras tketimde yapsal bir de gi siklik olup olmad gn in-
celeyen rne gi anmsayalm:
Y
t
=
1
+
2
D
t
+
1
X
t
+
2
(D
t
X
t
) + u
i
Kukla de gi sken kullanlan byle bir modelde rtk olarak aynserpilimsel-
lik (homoscedasticity), di ger bir deyi sle var(u
1i
) = var(u
2i
) = . . . =
2
varsaym sz konusudur.
E ger bu varsaym sa glanamyorsa tutarsz sonular elde edilmesi olasdr.
yleyse, kukla de gi skenli modellerde farklserpilimsellik (heteroscedas-
ticity) sorununun olmad g do grulanmaldr. (Not: Bunun iin Chow yerine
Wald snamas yaplabilir.)
Bu tr modellerde zilinti olmad g varsaym da nemlidir. Bu konu daha
sonra ele alnacaktr.
dev
Kitaptan Blm 9 Dummy Variable Regression Models okunacak.
nmzdeki Ders
Do grusal Ba glanm Modeline Dizey Yakla sm

Ekonometri1 Kitap Surumu (s2,0)

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Ekonometri1 Kitap Surumu (s2,0)

Uploaded by

Copyright:

Available Formats

Ekonometri 1

I sbu belge, Creative Commons Attribution-Non-Commercial ShareAlike 3.0 Un-

IINDEKILER A. Talha Yalta (2007 - 2011)

IINDEKILER A. Talha Yalta (2007 - 2011)

IINDEKILER A. Talha Yalta (2007 - 2011)

IINDEKILER A. Talha Yalta (2007 - 2011)

Istatistiksel Kavramlarn Gzden

Istatistiksel Kavramlarn Gzden Geirilmesi A. Talha Yalta (2007 - 2011)

Istatistiksel Kavramlarn Gzden Geirilmesi A. Talha Yalta (2007 - 2011)

Istatistiksel Kavramlarn Gzden Geirilmesi A. Talha Yalta (2007 - 2011)

Istatistiksel Kavramlarn Gzden Geirilmesi A. Talha Yalta (2007 - 2011)

Istatistiksel Kavramlarn Gzden Geirilmesi A. Talha Yalta (2007 - 2011)

Istatistiksel Kavramlarn Gzden Geirilmesi A. Talha Yalta (2007 - 2011)

Isine ili skin olarak f(x) ve f(y) i slevlerine marjinal olaslk

Isi de a sa gdaki gibidir:

Istatistiksel Kavramlarn Gzden Geirilmesi A. Talha Yalta (2007 - 2011)

Isi syle olur:

Istatistiksel Kavramlarn Gzden Geirilmesi A. Talha Yalta (2007 - 2011)

g(X)f(x)dx X srekli ise.

Iyi ele alalm:

Istatistiksel Kavramlarn Gzden Geirilmesi A. Talha Yalta (2007 - 2011)

Istatistiksel Kavramlarn Gzden Geirilmesi A. Talha Yalta (2007 - 2011)

XY f(x, y) dxdyE(X)E(Y ) srekliyse.

Istatistiksel Kavramlarn Gzden Geirilmesi A. Talha Yalta (2007 - 2011)

Isinin kendi ortalamas dolayndaki

Istatistiksel Kavramlarn Gzden Geirilmesi A. Talha Yalta (2007 - 2011)

Formlde grlen exp i slemcisi, e zeri anlamna gelir.

Istatistiksel Kavramlarn Gzden Geirilmesi A. Talha Yalta (2007 - 2011)

Istatistiksel Kavramlarn Gzden Geirilmesi A. Talha Yalta (2007 - 2011)

I ne olursa olsun bu sonu geerlidir.

Istatistiksel Kavramlarn Gzden Geirilmesi A. Talha Yalta (2007 - 2011)

Istatistiksel Kavramlarn Gzden Geirilmesi A. Talha Yalta (2007 - 2011)

Istatistiksel Kavramlarn Gzden Geirilmesi A. Talha Yalta (2007 - 2011)

Isi f(x; ) olan bir rastsal de gi sken olsun.

Istatistiksel Kavramlarn Gzden Geirilmesi A. Talha Yalta (2007 - 2011)

Istatistiksel Kavramlarn Gzden Geirilmesi A. Talha Yalta (2007 - 2011)

Istatistiksel Kavramlarn Gzden Geirilmesi A. Talha Yalta (2007 - 2011)

tahmincisi e ger rneklem gzlemlerinin do grusal bir i slevi ise, buna nn do g-

e ger nn farkl do grusal tahmincileri arasnda yansz ve enaz varyansl tahmin-

Isi f(x; ) bilinen bir rastsal de gi sken olsun.

de geriyle uyumlulu gu snanabilir.

Istatistiksel Kavramlarn Gzden Geirilmesi A. Talha Yalta (2007 - 2011)

de gerine e sit olup olmad g snanmak

savna sfr nsav (null hypothesis) ad verilir ve

ile gsterilen alma sk nsav (alternative hy-

Istatistiksel Kavramlarn Gzden Geirilmesi A. Talha Yalta (2007 - 2011)

de gerini ierip ier-

ieriyorsa sfr nsav reddedilmez, iermi-

varsaymna ili skin bir snama

Istatistiksel bir nsavn snanmasnn admlar ksaca syledir:

Istatistiksel Kavramlarn Gzden Geirilmesi A. Talha Yalta (2007 - 2011)

Iktisadi ili ski matematiksel olarak anlatlabilmelidir.

Gayri Safi Yurtii Hasla

Gayri Safi Yurtii Hasla

Iktisat kuramlarnn verilerden elde edilen kantlara dayanarak do grulanmas ya da

C = 8,03 + 0,59 165

Isel de gi sken (Endogenous variable) D ssal de gi sken (Exogenous variable)

Istatistiksel bir ili ski ne denli gl ve ne denli anlaml olursa ol-

Ilinti (correlation) zmlemesi, iki de gi sken arasndaki do grusal ili skinin

IK tarafndan belli aralklarla dzenlenen tketici harcamalar anketi

Iyi tahmin edip edemeyece gimiz sorusudur.

Inin nasl olu stu-

Iyi olabildi gince do gru yanstan B