Professional Documents
Culture Documents
Hüseyin Taştan1
Ders Kitabı:
Introductory Econometrics: A Modern Approach (2nd ed.)
J. Wooldridge
14 Ekim 2012
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
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
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
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.
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.
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.
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.
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.
E(u) = 0
Cov(xj , u) = 0, j = 1, 2, . . . , k
E(u) = 0
Cov(xj , u) = 0, j = 1, 2, . . . , k
E(u) = 0
Cov(xj , u) = 0, j = 1, 2, . . . , k
E(u) = 0
Cov(xj , u) = 0, j = 1, 2, . . . , k
E(u) = 0
Cov(xj , u) = 0, j = 1, 2, . . . , k
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
Asimptotik sapma:
Cov(x1 , u)
plim(β̂1 ) − β1 =
Var(x1 )
y = β 0 + β 1 x1 + β 2 x2 + ν
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(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
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
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
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
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
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
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
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
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.
β̂j − βj
∼a tn−k−1
se(β̂j )
β̂j − βj
∼a tn−k−1
se(β̂j )
β̂j − βj
∼a tn−k−1
se(β̂j )
β̂j − βj
∼a tn−k−1
se(β̂j )
β̂j − βj
∼a tn−k−1
se(β̂j )
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + u
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + u
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + u
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + u
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + u
y = β0 + β1 x1 + β2 x2 + u
ũ = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + hata
LM = nRũ2 ∼ χ2q
y = β0 + β1 x1 + β2 x2 + u
ũ = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + hata
LM = nRũ2 ∼ χ2q
y = β0 + β1 x1 + β2 x2 + u
ũ = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + hata
LM = nRũ2 ∼ χ2q
y = β0 + β1 x1 + β2 x2 + u
ũ = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + hata
LM = nRũ2 ∼ χ2q
y = β0 + β1 x1 + β2 x2 + u
ũ = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + hata
LM = nRũ2 ∼ χ2q
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + β5 x5 + u
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + β5 x5 + u
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + β5 x5 + u
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + β5 x5 + u
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + β5 x5 + u
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + β5 x5 + u
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + β5 x5 + u
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + β5 x5 + u
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + β5 x5 + u
LM = nRũ2 ∼ χ2q
LM = (1191)(0.00242) ∼ χ22
LM = 2.88
2 serbestlik derecesinde kritik değer, c = 5.99. Buna göre H0
reddedilemez. p-değeri = 0.24