05 PDF

SIRADAN EN KÜÇÜK KARELER (OLS)
YÖNTEMİNİN ASİMPTOTİK ÖZELLİKLERİ
Hüseyin Taştan1
1 Yıldız Teknik Üniversitesi

İktisat Bölümü
Ders Kitabı:
Introductory Econometrics: A Modern Approach (2nd ed.)
J. Wooldridge
14 Ekim 2012
Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 1

OLS Yönteminin Asimptotik (Büyük Örneklem) Özellikleri
Önceki derslerde SEKK (OLS) tahmin edicilerinin belirli sayıda

gözlem içeren sonlu örneklem (finite sample) özelliklerini
gördük.
Bu özellikler herhangi bir örneklem büyüklüğü, n, için
geçerliydi.
Bunlar şu özelliklerdi:
Sapmasızlık (MLR.1-MLR4 altında)
BLUE özelliği (MLR.1-MLR5 altında)(Best=En Etkin)
Varsayım MLR.6’nın işlevi: Hata terimi, u, normal dağılmıştır
ve açıklayıcı değişkenlerden bağımsızdır.
Bu varsayım kullanılarak OLS tahmin edicilerinin x’lere koşullu
kesin örneklem dağılımları türetilebilir.
Normal örnekleme dağılımı: t ve F testleri standart
dağılımlara sahip olur (her gözlem boyutunda).


gördük.
geçerliydi.


gördük.
geçerliydi.


gördük.
geçerliydi.


gördük.
geçerliydi.


gördük.
geçerliydi.


gördük.
geçerliydi.


gördük.
geçerliydi.

Asimptotik Özellikler
OLS tahmin edicilerinin sonlu (finite) örneklem özelliklerinin

yanında büyük örneklem özelliklerini de incelememiz
gerekmektedir.
Bu özellikler ”örneklem hacmi, n, sınırsız olarak artarken”
durumu altında incelenecektir.
İnceleyeceğimiz özellikler: tutarlılık (consistency) ve asimptotik
normallik
OLS tahmincilerinin asimptotik özelliklerini ortaya koyarken
MLR varsayımlarından bazılarını yumuşatabileceğiz.


gerekmektedir.
normallik


gerekmektedir.
normallik


gerekmektedir.
normallik

Asimptotik Özellikler: Tutarlılık
Tanım
Wn bilinmeyen parametre vektörü θ’nın {Y1 , Y2 , . . . , Yn }
örneklemine dayanan bir tahmincisi olsun. İstediğimiz kadar küçük
seçebileceğimiz herhangi bir > 0 için, n sınırsız büyürken
P (|Wn − θ| > ) → 0, n→∞
koşulu sağlanıyorsa, Wn , θ’nın tutarlı (consistent) bir tahmin

edicisidir: plim(Wn ) = θ
Örnek: Popülasyon ortalaması µ’nun tahmin edicisi: x̄,

aritmetik ortalama.
Popülasyondan rassal örnekleme yoluyla çekilmiş (iid)
örnekleme dayanılarak hesaplanan x̄, µ’nun tutarlı bir tahmin
edicisidir.

Tanım
P (|Wn − θ| > ) → 0, n→∞


aritmetik ortalama.
edicisidir.

Tanım
P (|Wn − θ| > ) → 0, n→∞


aritmetik ortalama.
edicisidir.

Farklı Örneklem Büyüklükleri ve Örnekleme Dağılımları:
n1 < n2 < n3
Her bir örnek hacmi n için β̂j bir olasılık dağılımına sahiptir.
Bu dağılım, hepsi n hacimli farklı yinelenen örneklerde β̂j ’nın
alabileceği mümkün değerleri gösterir.
Sapmasızlık özelliği gereği bu dağılımların ortalaması βj ’ye
eşittir.
Eğer tahmin edici β̂j tutarlı ise, n arttıkça bu dağılımlar βj
etrafında daha dar olarak dağılır.
n → ∞ iken, β̂j ’nin dağılımı tek bir nokta üzerine, βj , düşer.
Yani, ne kadar çok büyük örnek alabilirsek, bilinmeyen kitle
parametresi βj ’yi o kadar az hata ile tahmin edebiliriz.

eşittir.

eşittir.

eşittir.

eşittir.

Eğer n büyürken, kitle parametresi βj ’ye daha yakın bir

noktaya gelmiyorsak o tahmin edici tutarsız (inconsistent) bir
tahmin edicidir.
Sapmasızlık (unbiasedness) için gereken varsayımlar tutarlılık
için de yeterlidir : MLR.1-MLR.4 varsayımları altında OLS
tahmin edicileri tutarlıdır.
Ancak tutarlılık için MLR.3 varsayımından daha zayıf bir
varsayım olan ’hata terimi ile açıklayıcı değişkenlerin
ilişkisiz olma’ koşulu yeterlidir.


tahmin edicidir.


tahmin edicidir.

Varsayım MLR.3’: Sıfır Ortalama ve Sıfır Korelasyon
E(u) = 0
Cov(xj , u) = 0, j = 1, 2, . . . , k
MLR.3 yerine MLR.3’ varsayımı yapılırsa OLS tahmincilerinin

tutarlı olduğu gösterilebilir.
Bu varsayım her bir x açıklayıcı değişkeniyle hata teriminin
ilişkisiz (sıfır korelasyonlu) olduğu anlamına gelir.
MLR.3’ varsayımı MLR.3 varsayımına göre daha zayıf bir
varsayımdır. Sapmasızlığın sağlanması için yeterli değildir.
MLR.3’ varsayımının sağlanması MLR.3’ün sağlandığı
anlamına gelmez. Ancak MLR.3 sağlanıyorsa MLR.3’ otomatik
olarak sağlanır.

E(u) = 0
Cov(xj , u) = 0, j = 1, 2, . . . , k

olarak sağlanır.

E(u) = 0
Cov(xj , u) = 0, j = 1, 2, . . . , k

olarak sağlanır.

E(u) = 0
Cov(xj , u) = 0, j = 1, 2, . . . , k

olarak sağlanır.

E(u) = 0
Cov(xj , u) = 0, j = 1, 2, . . . , k

olarak sağlanır.

Basit regresyon modelinde eğim katsayısının OLS tahmin
edicisinin aşağıdaki gibi yazılabildiğini biliyoruz:
Pn
(xi1 − x̄1 )yi
β̂1 = Pi=1n 2
i=1 (xi1 − x̄1 )
Burada y = β0 + β1 x1 + u yerine yazılıp yeniden düzenlenirse:
n−1 ni=1 (xi1 − x̄1 )ui
P
β̂1 = β1 + −1 Pn 2
n i=1 (xi1 − x̄1 )
Bu ifadenin olasılık limiti (plim) alınırsa

Cov(x1 , u)
plim(β̂1 ) = β1 +
Var(x1 )
MLR.3’ varsayımı gereği Cov(x1 , u) = 0 olduğundan
plim(β̂1 ) = β1

Pn
(xi1 − x̄1 )yi
β̂1 = Pi=1n 2
i=1 (xi1 − x̄1 )
n−1 ni=1 (xi1 − x̄1 )ui
P
β̂1 = β1 + −1 Pn 2
n i=1 (xi1 − x̄1 )

Cov(x1 , u)
plim(β̂1 ) = β1 +
Var(x1 )
plim(β̂1 ) = β1

Pn
(xi1 − x̄1 )yi
β̂1 = Pi=1n 2
i=1 (xi1 − x̄1 )
n−1 ni=1 (xi1 − x̄1 )ui
P
β̂1 = β1 + −1 Pn 2
n i=1 (xi1 − x̄1 )

Cov(x1 , u)
plim(β̂1 ) = β1 +
Var(x1 )
plim(β̂1 ) = β1

Pn
(xi1 − x̄1 )yi
β̂1 = Pi=1n 2
i=1 (xi1 − x̄1 )
n−1 ni=1 (xi1 − x̄1 )ui
P
β̂1 = β1 + −1 Pn 2
n i=1 (xi1 − x̄1 )

Cov(x1 , u)
plim(β̂1 ) = β1 +
Var(x1 )
plim(β̂1 ) = β1

Asimptotik sapma:
Cov(x1 , u)
plim(β̂1 ) − β1 =
Var(x1 )
Asimptotik sapmanın işareti x1 ile u arasındaki kovaryansın

işaretine bağlıdır. Cov(x1 , u)’nun tahmin edilmesi, u
gözlemlenemez olduğundan, mümkün değildir.
Gerekli bir değişkenin model dışında bırakılması tutarsızlık
yaratır. Örneğin gerçek popülasyon modeli aşağıdaki gibi
olsun. İlk dört MLR varsayımı sağlanıyor olsun.
y = β 0 + β 1 x1 + β 2 x2 + ν
x2 model dışında bırakılırsa hata terimi u = β2 x2 + ν olur.

Asimptotik sapma:
Cov(x1 , u)
plim(β̂1 ) − β1 =
Var(x1 )

y = β 0 + β 1 x1 + β 2 x2 + ν

Asimptotik sapma:
Cov(x1 , u)
plim(β̂1 ) − β1 =
Var(x1 )

y = β 0 + β 1 x1 + β 2 x2 + ν

Asimptotik sapma:
Cov(x1 , u)
plim(β̂1 ) − β1 =
Var(x1 )

y = β 0 + β 1 x1 + β 2 x2 + ν

Bu durumda olasılık limiti
plim(β̂1 ) = β1 + β2 δ1
Cov(x1 , x2 )
δ1 =
Var(x1 )
Bu sonuca aşağıdaki ifadenin olasılık limitini alarak ulaştık:
−1 P
n (xi1 − x̄1 )xi2
β̂1 = β1 + β2
n−1 (xi1 − x̄1 )2
P
plim n−1 (xi1 − x̄1 )xi2

P
plimβ̂1 = β1 + β2
plim n−1 (xi1 − x̄1 )2
P
| {z }
=δ1

Bu durumda olasılık limiti
plim(β̂1 ) = β1 + β2 δ1
Cov(x1 , x2 )
δ1 =
Var(x1 )
Bu sonuca aşağıdaki ifadenin olasılık limitini alarak ulaştık:
−1 P
n (xi1 − x̄1 )xi2
β̂1 = β1 + β2
n−1 (xi1 − x̄1 )2
P
plim n−1 (xi1 − x̄1 )xi2

P
plimβ̂1 = β1 + β2
plim n−1 (xi1 − x̄1 )2
P
| {z }
=δ1

OLS tahmincilerinin tutarlılığı
Bir tahmin edici tutarsız ise gözlem sayısı n arttırılarak sorun

çözülemez. n sınırsız arttıkça OLS tahmin edicisi β1 ’e değil
β1 + β2 δ1 ’e yaklaşır.
x’lerden sadece birisinin (x1 diyelim) u ile ilişkili olması
genellikle (eğer x1 diğer tüm x’lerle ilişkili ise) tüm OLS
tahmin edicilerinin tutarsız olmasına yol açar.
x1 ile ilişkisiz olan x’ler varsa onların katsayıları tutarlıdır.





Tutarsızlık: Örnek
y: ev fiyatları
x1 : evlerin çöp arıtma tesislerine uzaklığı
x2 : evin kalitesi (büyüklük, oda sayısı, bulunduğu semtin
çekiciliği, ulaşım kolaylığı vs. gibi tüm faktörler)
Bu modelde x2 ’nin model dışında bırakıldığını düşünelim.
β1 > 0, β2 > 0
Eğer ortalamada kaliteli evler çöp arıtma tesislerinin
uzağındaysa bu iki değişken (pozitif) ilişkili olur: δ1 > 0
Bu durumda
β1 + β2 δ1 > β1
β1 ’in OLS tahmincisi β̂1 , limitte β1 + β2 δ1 değerine yaklaşır.

y: ev fiyatları
β1 > 0, β2 > 0
Bu durumda
β1 + β2 δ1 > β1

y: ev fiyatları
β1 > 0, β2 > 0
Bu durumda
β1 + β2 δ1 > β1

y: ev fiyatları
β1 > 0, β2 > 0
Bu durumda
β1 + β2 δ1 > β1

y: ev fiyatları
β1 > 0, β2 > 0
Bu durumda
β1 + β2 δ1 > β1

y: ev fiyatları
β1 > 0, β2 > 0
Bu durumda
β1 + β2 δ1 > β1

y: ev fiyatları
β1 > 0, β2 > 0
Bu durumda
β1 + β2 δ1 > β1

y: ev fiyatları
β1 > 0, β2 > 0
Bu durumda
β1 + β2 δ1 > β1

Asimptotik Normallik
MLR.6 hata teriminin x’lere koşullu dağılımının normal

olduğunu söylüyordu. Bu varsayım sonucunda y’nin x’lere
koşullu dağılımı da normaldir.
OLS tahmincilerinin sapmasızlığı için normallik varsayımına
gerek yoktu. Normallik varsayımı betaşapkaların örnekleme
dağılımlarının elde edilmesi ve istatistiksel çıkarsama
yapılabilmesi için gerekliydi.
Normal dağılım varsayımının sağlanmadığı durumda t ve F
testlerini ve diğer istatistiksel çıkarsamaları yapamayacak
mıyız?
Eğer yeterince büyük bir örneklem varsa Merkezi Limit
Teoreminden hareketle hata teriminin asimptotik normal
dağılıma sahip olduğu varsayılarak testler yapılabilir.


mıyız?


mıyız?


mıyız?

Asimptotik Normallik: Teorem 5.2
Gauss-Markov varsayımları altında
!
√ σ2
n(β̂j − βj ) ∼a N ormal 0, 2
aj
Asimptotik varyans:
σ2
>0
a2j
n
!
X
a2j = plim n−1 2
r̂ij
i=1
Burada 2,
r̂ij
xj ’nin tüm diğer x’ler üzerine regresyonundan elde
edilen kalıntılardır.
OLS tahmincileri standardize edilirse:
β̂j − βj
∼a N (0, 1)
se(β̂j )

!
√ σ2
aj
Asimptotik varyans:
σ2
>0
a2j
n
!
X
a2j = plim n−1 2
r̂ij
i=1
Burada 2,
r̂ij
β̂j − βj
∼a N (0, 1)
se(β̂j )

!
√ σ2
aj
Asimptotik varyans:
σ2
>0
a2j
n
!
X
a2j = plim n−1 2
r̂ij
i=1
Burada 2,
r̂ij
β̂j − βj
∼a N (0, 1)
se(β̂j )

!
√ σ2
aj
Asimptotik varyans:
σ2
>0
a2j
n
!
X
a2j = plim n−1 2
r̂ij
i=1
Burada 2,
r̂ij
β̂j − βj
∼a N (0, 1)
se(β̂j )

n arttıkça t test istatistiği standart normal dağılıma

yaklaşacağından şu yazılabilir (asimptotik t istatistiği):
β̂j − βj
∼a tn−k−1
se(β̂j )
Teorem 5.2 geçerliyse artık MLR.6 Normallik varsayımına

gerek kalmaz.
Hata teriminin dağılımına ilişkin tek kısıt u’ların varyansının
sonlu olmasıdır: σ 2 > 0. Bunu zaten her zaman varsayıyoruz.
Teorem 5.2, sabit varyans ve sıfır koşullu ortalama
varsayımlarını yapmaktadır.
OLS tahmincilerinin standart hataları (se(β̂j )) 1/n oranında
sıfıra yaklaşır.


β̂j − βj
∼a tn−k−1
se(β̂j )

gerek kalmaz.


β̂j − βj
∼a tn−k−1
se(β̂j )

gerek kalmaz.


β̂j − βj
∼a tn−k−1
se(β̂j )

gerek kalmaz.


β̂j − βj
∼a tn−k−1
se(β̂j )

gerek kalmaz.

Asimptotik Etkinlik
OLS tahmincilerinin Gauss-Markov varsayımları altında BLUE

olduklarını biliyoruz.
OLS tahmincileri Gauss-Markov varsayımları altında
asimptotik etkindir. Belli bir sınıf tahminciler kümesi içinde
asimptotik varyansı en küçük tahminci OLS tahmincisidir.
√ √
Avar n(β̂j − βj ) ≤ Avar n(β̃j − βj )
Burada Avar asimptotik varyansı ifade etmektedir. β̃j ise OLS

dışında başka bir tahmin edicidir.

Asimptotik Etkinlik
OLS tahmincilerinin Gauss-Markov varsayımları altında BLUE

olduklarını biliyoruz.
OLS tahmincileri Gauss-Markov varsayımları altında
asimptotik etkindir. Belli bir sınıf tahminciler kümesi içinde
asimptotik varyansı en küçük tahminci OLS tahmincisidir.
√ √
Avar n(β̂j − βj ) ≤ Avar n(β̃j − βj )
Burada Avar asimptotik varyansı ifade etmektedir. β̃j ise OLS

dışında başka bir tahmin edicidir.

Büyük Örneklem Testi: LM Test İstatistiği
Doğrusal kısıtlamaların testinde Lagrange Çarpanı (LM -

Lagrange Multiplier, score test) testi büyük örneklemlerde
kullanılabilir.
Bu test istatistiği sadece kısıtlanmış modelin tahminine
dayanmaktadır. Bir yardımcı regresyon kurularak LM test
istatistiği kolayca hesaplanabilmektedir.
Örnek: Dışlama testi - kısıtlanmamış model aşağıdaki gibi
olsun:
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + u
H0 : β3 = β4 = 0, H1 : en az biri sıfırdan farklıdır.

LM test istatistiği H0 altında elde edilen kısıtlanmış modelin
tahmininden elde edilen kalıntıların, kısıtlanmamış modeldeki
tüm x’ler üzerine regresyonundan elde edilen determinasyon
katsayısının R2 gözlem sayısı n ile çarpılmasıyla elde edilir.

kullanılabilir.
olsun:
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + u


kullanılabilir.
olsun:
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + u


kullanılabilir.
olsun:
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + u


kullanılabilir.
olsun:
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + u

H0 : β3 = β4 = 0 altında kısıtlanmış model:
y = β0 + β1 x1 + β2 x2 + u
ũ bu modelden elde edilen kalıntılar olsun. Kalıntıların tüm

x’ler üzerine regresyonunu kuralım:
ũ = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + hata
Bu regresyondan elde edilen determinasyon katsayısı Rũ2 olsun.

LM test istatistiği:
LM = nRũ2 ∼ χ2q
Boş hipotez altında LM test istatistiği serbestlik derecesi q =

toplam kısıt sayısı olan ki kare dağılımına uyar.
Karar: LM > c ise H0 reddedilir.
y = β0 + β1 x1 + β2 x2 + u

ũ = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + hata


y = β0 + β1 x1 + β2 x2 + u

ũ = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + hata


y = β0 + β1 x1 + β2 x2 + u

ũ = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + hata


y = β0 + β1 x1 + β2 x2 + u

ũ = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + hata


LM Test İstatistiği: Örnek
Yeni doğan bebeklerin sağlık düzeyi ve anne-babanın eğitim düzeyi:

bwght.gdt
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + β5 x5 + u
Bağımlı değişken: y = yeni doğan bebek ağırlıkları (libre)

Açıklayıcı değişkenler
x1 : annenin hamilelik süresince günde içtiği ortalama sigara
sayısı
x2 : bebeğin doğum sırası
x3 : ailenin yıllık geliri
x4 : annenin eğitim düzeyi, yıl
x5 : babanın eğitim düzeyi, yıl.
İlgilendiğimiz hipotez: H0 : β4 = 0, β5 = 0, annenin ve
babanın eğitim düzeyleri birlikte bebek ağırlıkları üzerinde bir
etkiye sahip değildir.


bwght.gdt
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + β5 x5 + u

sayısı


bwght.gdt
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + β5 x5 + u

sayısı


bwght.gdt
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + β5 x5 + u

sayısı


bwght.gdt
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + β5 x5 + u

sayısı


bwght.gdt
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + β5 x5 + u

sayısı


bwght.gdt
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + β5 x5 + u

sayısı


bwght.gdt
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + β5 x5 + u

sayısı


bwght.gdt
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + β5 x5 + u

sayısı

1. adım: Kısıtlanmış modelin tahmini
\ = 115.470 − 0.5979 cigs + 1.8323 parity + 0.0671 faminc

bwght
(1.656) (0.1088) (0.6575) (0.0324)
n = 1191 R2 = 0.036 F (3, 1187) = 14.953 σ̂ = 19.796
Kısıtlanmış modelden elde edilen kalıntılar: uhat
2. adım: Kısıtlanmış modelin kalıntılarının tüm x’ler üzerine

regresyonu
d = −0.9456 + 0.0019 cigs − 0.0447 parity − 0.011 faminc

uhat
(3.729) (0.110) (0.659) (0.0366)
− 0.370 motheduc + 0.472 fatheduc

(0.319) (0.283)
2
n = 1191 R = 0.00242 F (5, 1185) = 0.57491 σ̂ = 19.789

1. adım: Kısıtlanmış modelin tahmini
\ = 115.470 − 0.5979 cigs + 1.8323 parity + 0.0671 faminc

bwght
(1.656) (0.1088) (0.6575) (0.0324)
n = 1191 R2 = 0.036 F (3, 1187) = 14.953 σ̂ = 19.796
Kısıtlanmış modelden elde edilen kalıntılar: uhat
2. adım: Kısıtlanmış modelin kalıntılarının tüm x’ler üzerine

regresyonu
d = −0.9456 + 0.0019 cigs − 0.0447 parity − 0.011 faminc

uhat
(3.729) (0.110) (0.659) (0.0366)
− 0.370 motheduc + 0.472 fatheduc

(0.319) (0.283)
2
n = 1191 R = 0.00242 F (5, 1185) = 0.57491 σ̂ = 19.789

3. adım: test istatistiğinin hesaplanması
LM = (1191)(0.00242) ∼ χ22
LM = 2.88
2 serbestlik derecesinde kritik değer, c = 5.99. Buna göre H0
reddedilemez. p-değeri = 0.24

05 PDF

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

05 PDF

Uploaded by

Copyright:

Available Formats

SIRADAN EN KÜÇÜK KARELER (OLS)

YÖNTEMİNİN ASİMPTOTİK ÖZELLİKLERİ

1 Yıldız Teknik Üniversitesi

Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 1

Önceki derslerde SEKK (OLS) tahmin edicilerinin belirli sayıda

Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 2

Önceki derslerde SEKK (OLS) tahmin edicilerinin belirli sayıda

Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 2

Önceki derslerde SEKK (OLS) tahmin edicilerinin belirli sayıda

Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 2

Önceki derslerde SEKK (OLS) tahmin edicilerinin belirli sayıda

Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 2

Önceki derslerde SEKK (OLS) tahmin edicilerinin belirli sayıda

Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 2

Önceki derslerde SEKK (OLS) tahmin edicilerinin belirli sayıda

Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 2

Önceki derslerde SEKK (OLS) tahmin edicilerinin belirli sayıda

Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 2

Önceki derslerde SEKK (OLS) tahmin edicilerinin belirli sayıda

Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 2

OLS tahmin edicilerinin sonlu (finite) örneklem özelliklerinin

Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 3

OLS tahmin edicilerinin sonlu (finite) örneklem özelliklerinin

Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 3

OLS tahmin edicilerinin sonlu (finite) örneklem özelliklerinin

Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 3

OLS tahmin edicilerinin sonlu (finite) örneklem özelliklerinin

Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 3

P (|Wn − θ| > ) → 0, n→∞

koşulu sağlanıyorsa, Wn , θ’nın tutarlı (consistent) bir tahmin

Örnek: Popülasyon ortalaması µ’nun tahmin edicisi: x̄,

Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 4

P (|Wn − θ| > ) → 0, n→∞

koşulu sağlanıyorsa, Wn , θ’nın tutarlı (consistent) bir tahmin

Örnek: Popülasyon ortalaması µ’nun tahmin edicisi: x̄,

Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 4

P (|Wn − θ| > ) → 0, n→∞

koşulu sağlanıyorsa, Wn , θ’nın tutarlı (consistent) bir tahmin

Örnek: Popülasyon ortalaması µ’nun tahmin edicisi: x̄,

Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 4

Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 6

Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 6

Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 6

Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 6

Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 6

Eğer n büyürken, kitle parametresi βj ’ye daha yakın bir

Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 7

Eğer n büyürken, kitle parametresi βj ’ye daha yakın bir

Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 7

Eğer n büyürken, kitle parametresi βj ’ye daha yakın bir

Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 7

Varsayım MLR.3’: Sıfır Ortalama ve Sıfır Korelasyon

MLR.3 yerine MLR.3’ varsayımı yapılırsa OLS tahmincilerinin

Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 8

Varsayım MLR.3’: Sıfır Ortalama ve Sıfır Korelasyon

MLR.3 yerine MLR.3’ varsayımı yapılırsa OLS tahmincilerinin

Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 8

Varsayım MLR.3’: Sıfır Ortalama ve Sıfır Korelasyon

MLR.3 yerine MLR.3’ varsayımı yapılırsa OLS tahmincilerinin

Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 8

Varsayım MLR.3’: Sıfır Ortalama ve Sıfır Korelasyon

MLR.3 yerine MLR.3’ varsayımı yapılırsa OLS tahmincilerinin

Ekonometri I: OLS’nin Asimptotik Özellikleri - H. Taştan 8

P (|Wn − θ| > ) → 0, n→∞

P (|Wn − θ| > ) → 0, n→∞

P (|Wn − θ| > ) → 0, n→∞