AÖF Kitapları Öğrenci Kullanım Kılavuzu

Öğrenme çıktıları
Bölüm içinde hangi bilgi, beceri ve yeterlikleri
kazanacağınızı ifade eder.

Tanım
Bölüm içinde geçen
önemli kavramların
Bölüm Özeti tanımları verilir.
Bölümün kısa özetini gösterir.

Dikkat
Konuya ilişkin önemli
Sözlük uyarıları gösterir.
Bölüm içinde geçen önemli
kavramlardan oluşan sözlük
ünite sonunda paylaşılır.

Karekod
Bölüm içinde verilen
Neler Öğrendik ve Yanıt Anahtarı
karekodlar, mobil
Bölüm içeriğine ilişkin 10 adet
cihazlarınız aracılığıyla
çoktan seçmeli soru ve cevapları
sizi ek kaynaklara,
paylaşılır.
videolara veya web
adreslerine ulaştırır.

Öğrenme Çıktısı Tablosu

Araştır/İlişkilendir/Anlat-Paylaş
İlgili konuların altında cevaplayacağınız soruları, okuyabileceğiniz
ek kaynakları ve konuyla ilgili yapabileceğiniz ekstra etkinlikleri gösterir.
Yaşamla İlişkilendir
Bölümün içeriğine uygun paylaşılan yaşama dair gerçek kesitler
veya örnekleri gösterir.
Araştırmalarla İlişkilendir
Bölüm içeriği ile ilişkili araştırmaların ve bilimsel çalışmaları gösterir.
 Ekonometrinin
Temelleri

Editör

Prof.Dr. Mehmet Sinan TEMURLENK

Yazarlar

BÖLÜM 1, 2, 3, 4 Dr.Öğr.Üyesi Ümit YILDIZ

BÖLÜM 5, 6, 7, 8
Prof.Dr. Mehmet Sinan TEMURLENK
 T.C. ANADOLU ÜNİVERSİTESİ YAYINI NO: 3986
AÇIKÖĞRETİM FAKÜLTESİ YAYINI NO: 2769

Bu kitabın basım, yayım ve satış hakları Anadolu Üniversitesine aittir.

“Uzaktan Öğretim” tekniğine uygun olarak hazırlanan bu kitabın bütün hakları saklıdır.
İlgili kuruluştan izin almadan kitabın tümü ya da bölümleri mekanik, elektronik, fotokopi, manyetik kayıt
veya başka şekillerde çoğaltılamaz, basılamaz ve dağıtılamaz.

Copyright © 2020 by Anadolu University

All rights reserved
No part of this book may be reproduced or stored in a retrieval system, or transmitted
in any form or by any means mechanical, electronic, photocopy, magnetic tape or otherwise, without
permission in writing from the University.

Öğretim Tasarımcısı
Doç.Dr Canatay Hacıköylü

Grafik Tasarım ve Kapak Düzeni

Prof.Dr. Halit Turgay Ünalan

Dil ve Yazım Danışmanı

Öğr.Gör.Dr. Olcay Saltık

Ölçme Değerlendirme Sorumlusu

Yaşar Özden İnceler

Grafiker
Ayşegül Dibek

Dizgi ve Yayıma Hazırlama

Saner Coşkun
Halil Kaya
Dilek Özbek
Handan Bağ
Yasin Özkır
Kader Abpak Arul
Zülfiye Çevir
Beyhan Demircioğlu

EKONOMETRİNİN TEMELLERİ

E-ISBN
978-975-06-3723-0

Bu kitabın tüm hakları ANADOLU ÜNİVERSİTESİ’ne aittir.

ESKİŞEHİR, Şubat 2020

3397-0-0-0-2002-V02
 İçindekiler
Ekonometrinin
BÖLÜM 1 Tanımı, Amacı, Niteliği
ve Metodolojisi
Giriş ................................................................. 3
Ekonometrinin Tanımı ve Amacı ................. 3
Ekonometrinin Niteliği ................................. 4
Regresyon Kavramı ............................... 4
Veri Tipleri ............................................. 5
Ekonometrinin Metodolojisi ........................ 10
Problemin İfade Edilmesi  .................... 10
Modelin Kurulması ................................ 10
Modelin Tahmini ................................... 12
Tahmin Sonuçlarının Test
Edilmesi .................................................. 13
Tahmin Sonuçlarının
Değerlendirilmesi .................................. 14
Çoklu Doğrusal
BÖLÜM 3
Regresyon Modeli
Giriş  ................................................................ 47
Çoklu Doğrusal Regresyon Modeli  .............. 47
Çoklu Doğrusal Regresyon Modelinin
Varsayımları ........................................... 49
Çoklu Doğrusal Regresyon Modelinin
Tahmini .......................................................... 51
En Küçük Kareler Tahmincisi ............... 51
Katsayı Tahminlerinin Yorumlanması  .... 52
Çoklu Belirlilik Katsayısı (R2)  ............... 52
Hipotez Testleri ............................................. 54
Basit Doğrusal
BÖLÜM 2
Regresyon Modeli
Giriş ................................................................. 23
Doğrusal Regresyon Modeli  ........................ 23
Bağımlı ve Bağımsız Değişken ............. 24
Stokastik Hata Terimi (u)  .................... 24
β0 ve β1 Katsayıları ................................. 24
Basit Doğrusal Regresyon Modeli .................. 25
Basit Doğrusal Regresyon Modelinin
Temel Varsayımları ............................... 27
Basit Doğrusal Regresyon
Modelinin Tahmini ........................................ 30
En Küçük Kareler Yöntemi  .................. 32
Çoklu Doğrusal
BÖLÜM 4 Regresyon
Modelinin Uzantıları
Giriş ................................................................. 71
Sabit Terimsiz Regresyon Modeli ................. 71
Sabit Terimsiz Regresyon Modellerinin
Özellikleri  .............................................. 71
Standartlaştırılmış Değişkenli Regresyon
Modeli ............................................................. 73
Standartlaştırılmış Değişkenlerin
Ortalaması ve Varyansı ........................ 74
Standartlaştırılmış Değişkenli
Regresyon Modeli ................................. 74
Doğrusal Olmayan (Nonlineer) Regresyon
Modelleri ........................................................ 76
Tam Logaritmik Model ......................... 76
Yarı Logaritmik Modeller ..................... 77
Ters Modeller  ........................................ 78
Fonksiyonel Biçimin Seçimi ................. 80
Sınırlamaların Testi ........................................ 81
Doğrusal Sınırlamaların Testi ............... 81
Doğrusal Olmayan Sınırlamaların
Testi ........................................................ 84
iii

Yapay Değişkenli
BÖLÜM 5
Modeller
Giriş ................................................................. 93
Yapay Değişkenler ve Yapay Değişkenli
Model Türleri ................................................. 93
Nitel Bilgilerin Nicelleştirilmesi ................... 94
Sadece İki Nitel Özellik Bulunması
Durumunda Yapay Değişken
Oluşturma............................................... 94
İkiden Fazla Nitel Özellik Bulunması
Durumunda Yapay Değişken
Oluşturma .............................................. 95
Yapay Değişkenlerin Sabit Terimi Etkilemesi... 97
Yapay Değişken Kullanarak Ortalamalar
Arası Farkları Bulma ............................. 97
Yapay Değişkenin Nicel Değişkenlerle
Birlikte Kullanılması .............................. 99
Yapay Değişkenlerde Referans Grubun
Değiştirilmesi ......................................... 100
İki Grubun Birlikte Dahil Edilmesi ....... 101
Yapay Değişkenlerin Eğim Parametrelerini
Etkilemesi ....................................................... 103
İki veya Daha Fazla Nitel Değişkenin
Etkileşimi ........................................................ 106
Klasik Doğrusal
Regresyon Modelinin
BÖLÜM 6
Varsayımlarından
Sapmalar I
Giriş ................................................................. 117
 Varsayım 1 Hata Teriminin Ortalaması Sıfırdır:
E(ui) = 0 .......................................................... 117
Varsayım 2 Açıklayıcı Değişkenler Arasında
Tam veya Güçlü Doğrusal Bir İlişki
Yoktur ............................................................. 118
Tam Çoklu Doğrusal Bağlantı .............. 118
Güçlü Çoklu Doğrusal Bağlantı ............ 119
Çoklu Doğrusal Bağlantının Nedenleri  119
Çoklu Doğrusal Bağlantının Neden
Olduğu Sonuçlar .................................... 120
Çoklu Doğrusal Bağlantıyı Belirleme
Yöntemleri ............................................. 120
Çoklu Doğrusal Bağlantıya Karşı
Çözüm Önlemleri .................................. 121

Klasik Doğrusal
Regresyon Eşanlı Denklem
BÖLÜM 7 Modelinin BÖLÜM 8 Modelleri
Varsayımlarından
Sapmalar II
Giriş ................................................................. 135
Varsayım 3 Hata Terimi Sabit Giriş ................................................................. 161
Varyanslıdır: Var (Ui) = Σ2 ............................. 135 Bazı Temel Kavramlar ................................... 161
Değişen Varyansın Nedenleri ............... 135 Eşanlı Denklem Sapması ............................... 164
Değişen Varyansın Neden Olduğu
Sonuçlar ................................................. 136 Belirlenme Sorunu ve Belirlenme
Değişen Varyansın Tespiti .................... 136 Koşulları .......................................................... 165
Değişen Varyansa Karşı Çözümler ....... 138
Varsayım 4 Hata Terimler Arasında Belirlenmenin Biçimsel Koşulları ......... 166
İlişki Yoktur: Kov(Xt, Ut) = 0İ ≠ J ................. 142 Geri Dönüşlü Denklem Modeli  ........... 170
Otokorelasyonun Nedenleri ................ 143 (Üçgen Sistemler)  ................................ 170
Otokorelasyonun Neden Olduğu
Sonuçlar ................................................. 143 Eşanlı Denklem Modelleri İçin Tahmin
Gecikmeli Değer Kavramı ..................... 143 Süreçleri .......................................................... 171
Otokorelasyon için Grafiksel Testler ... 144
Otokorelasyonun Test Edilmesi: Dolaylı En Küçük Kareler (DEKK)  ...... 171
Durbin-Watson Testi ............................ 145 İki Aşamalı En Küçük Kareler Yöntemi
Durbin Watson Testinin Geçerli (2AEKK)  ................................................ 171
Olabilmesi İçin Gerekli Koşullar ........... 147
Diğer Bir Otokorelasyon Testi: Araç Değişkenler Yöntemi (AD)  ......... 172
Breusch – Godfrey Testi ....................... 147
Otokorelasyona Karşı Çözümler .......... 148
Uygulanabilir Genelleştirilmiş En
Küçük Kareler ........................................ 148
Otokorelasyona Duyarlı Sağlam
Standart Hatalar ................................... 150
Varsayım 5: Hata Terimi Normal
Dağılmıştır ...................................................... 151
Normallikten Ayrılma Testleri ............. 151

iv
Önsöz
Sevgili öğrenciler,
Bilgi işlem teknolojilerindeki gelişmeler tüm
dünyada ve ülkemizde önemli bir veri birikimi
ortaya çıkarmıştır. Bu veriler ülkelerin resmi is-
tatistik kurumları, kamu ve özel sektör kuruluş-
ları ve uluslararası kuruluşların bünyesinde yer
almaktadır. Bunların önemli bir kısmı da Inter-
net üzerinde erişilebilecek şekilde yayınlanmak-
tadır. Bu veriler tek başına sayılar veya sayısal-
laşmaya muhtaç nitel bilgi yığınından başka bir
şey değildir. Bunların uygun bir şekilde analiz
edilmesiyle açığa çıkarılacak bilgi, kamu ve özel
sektör kuruluşlarının karar alma süreçlerinde
kullanılma potansiyeli içermektedir.
Diğer yandan bilgi işlem teknolojilerindeki ge-
lişmeler, ekonometri yazılımlarının sayılarının
artmasına ve her birinin iş yapma kapasite-
lerinin hızlı bir şekilde gelişmesine de neden
olmuştur. Başlangıçta daha düşük iş yapma
kapasitesine sahip olan yazılımların yaptıkları
işlem miktarı, günümüzde devasa boyutlara
ulaşmıştır. Bundan sadece üç, beş yıl önce bü-
yük emek ve zaman harcanarak yapılan işlem-
ler artık neredeyse birkaç tıklama ile yapılabi-
lir hale gelmiştir. Kaldı ki bu yazılımlar içinde
yasal olarak ücretsiz kullanabileceklerimiz bile
mevcuttur.
Mevcut gelişmeler, bilimsel yayın yapma ve
onlara erişim olanaklarının da gelişmesini
sağlamıştır. Internet’teki gelişmeler gelenek-
sel dergilere erişimi kolaylaştırdığı gibi birçok
derginin fiziki olarak yayınlanmasına gerek
kalmadan düşük maliyetli bir şekilde elektro-
nik ortamda yayınlanmasına olanak sağlamış-
tır. Bu gelişmeler iktisadi ve sosyal bilimler
alanında yapılan araştırmalarda yoğun olarak
kullanılan ekonometrik yöntemlere olan ilgiyi
artırmış ve onu sınırlı sayıda elit eğitimli kişi
tarafından kullanılan bir araç olmaktan çıka-
rarak daha yaygın bir araç haline gelmesini
sağlamıştır.
Bu kitap Anadolu Üniversitesi İktisat Fakül-
tesi İktisat Lisans Programın Ekonometrinin
Temelleri dersinin konularını içermektedir. Bu
ders kitabı programda bir ekonometri dersi-
nin okutulmasının gerektiğine karar verilmesi
üzerine Türkiye’de açık öğretim sistemi için
yazılan ilk ekonometri kitabıdır. Kitabı ha-
zırlarken sade ve anlaşılır bir dil kullanmaya
çalıştık. Konu anlatımlarında cebirsel detay-
lara mümkün olduğunca girmedik. Konuların
daha iyi anlaşılması için bazı uygulamalara yer
verdik. Yöntemlerin uygulanmasında bilgisa-
yar kullanımını göstermek için bazı bilgisayar
uyugulamaları yaptık. Ayrıca Açıköğretim sis-
teminde yer alan diğer kitaplarda olduğu gibi
“Yaşamla İlişkilendir”, “Araştırmalarla İlişkilen-
dir”, bölümlerine de yer verdik.
Bu kitabın hazırlanmasında pek çok kişinin
emeği geçmiştir. Sağladıkları olanaklardan
ötürü başta rektörümüz sayın Prof. Dr. Şafak
Ertan ÇOMAKLI olmak üzere Rektör Yardım-
cısı ve Açık Öğretim Fakültesi Dekan Vekili
Prof. Dr. Selim BAŞAR’a ve kitabın dizgisinden
basımına kadar emeği geçen herkese editör ve
yazarlar olarak çok teşekkür ederiz.
Editör
Prof.Dr. Mehmet Sinan TEMURLENK
v
 Bölüm 1
Ekonometrinin Tanımı, Amacı, Niteliği ve Metodolojisi

1 2
Ekonometrinin Tanımı ve Amacı Ekonometrinin Niteliği
öğrenme çıktıları

1 Ekonometriyi tanımlayabilme, 2 Regresyon kavramını tanımlayabilme, veri

ekonometrinin amacını açıklayabilme tiplerini sıralayabilme

3
Ekonometrinin Metodolojisi
3 Ekonometrinin metodolojisini
açıklayabilme

Anahtar Sözcükler: • İktisat Teorisi • Matematik, İstatistik • Regresyon • Zaman Serisi Verileri • Yatay
Kesit Verileri • Panel Veriler • Ekonometrik Model • Tahmin Yöntemi • Hipotez Testi

2
Ekonometrinin Temelleri

GİRİŞ
İktisat bilimi, iktisadi olayları inceleyerek çeşitli teoriler ve hipotezler ortaya koyar. Ancak ortaya konu-
lan bu hipotez veya teorilerin kabul görmesi için doğruluğunun sınanması gerekir. Bu sınamalar ise iktisadi
değişkenlere dair bilgileri içeren bir takım sayısal veriler kullanılarak yapılır. Söz konusu sayısal veriler bir
takım istatistiksel yöntemler ile analiz edilerek iktisadi teori ve hipotezler test edilir. Tüm bunlara olanak
sağlayan bilim dalı ise ekonometridir.

EKONOMETRİNİN TANIMI VE AMACI

İlk kez 1926 yılında Norveçli iktisatçı Ragnar Frisch tarafından kullanılan ve ismini Latince ekonomi
anlamına gelen “oikonomia” ve ölçüm anlamına gelen “metron” sözcüklerinin birleşiminden alan ekono-
metri kavramı en net ifadesiyle “ekonomik ölçüm” demektir. Ekonometri temel olarak, iktisat kuramını
matematiksel araçlar ve istatistiki yöntemler yardımıyla sınayan bilim dalıdır. Peki ekonometri, iktisat
kuramına dair bu sınamaları yaparken neyi amaçlar?
İktisatçılar, iktisadi değişkenler arasındaki ilişkileri ortaya koyan ve bu ilişkiler doğrultusunda çeşitli
politikalar geliştiren sosyal bilimcilerdir. Ancak herhangi bir ekonomi politikasının geliştirilebilmesi için
öncelikle ortaya konulan teorilerin test edilerek değişkenler arasındaki ilişkilerin matematiksel boyutunun
bilinmesi gerekir. İktisat teorisi, iktisadi olayları açıklarken bazı varsayımlar altında iktisadi değişkenler
arasındaki ilişkileri belirten teori ve hipotezler ortaya koyar. Ancak bu bilgi politika geliştirmek için yeterli
değildir. Örneğin; faiz oranlarında yapılması planlanan bir değişikliğin enflasyon üzerinde ne derecede
etkili olacağını öngörmek için faiz ve enflasyon arasındaki iktisadi ilişkiyi biliyor olmak yeterli değildir. Bu-
rada, faiz oranı ve enflasyon arasındaki ilişkiyi matematiksel bir kalıba sokarak çeşitli istatistiksel yöntemler
yardımıyla söz konusu değişkenler için parametre tahminlerinde bulunulması gerekir. Çünkü; ancak bu
şekilde faiz oranlarına dair uygulanacak bir politikanın enflasyon üzerindeki etkisi öngörülebilir ve bu
kapsamda politika uygulanabilir. Ekonometrinin temel amacı da bu ihtiyacı karşılamaktır.

İsmini Latince ekonomi anlamına gelen “oikonomia” ve ölçüm anlamına gelen “metron” söz-
cüklerinin birleşiminden alan ekonometri kavramı en kısa ifadesiyle “ekonomik ölçüm” demektir.

Ekonometri, iktisat kuramını matematiksel araçlar ve istatistiki yöntemler yardımıyla sınayan

bilim dalıdır.

3
 Ekonometrinin Tanımı, Amacı, Niteliği ve Metodolojisi

Öğrenme Çıktısı

1 Ekonometriyi tanımlayabilme, ekonometrinin amacını açıklayabilme

Araştır 1 İlişkilendir Anlat/Paylaş

Ekonometrinin diğer bilim Ekonometrinin ortaya çı-

Büyük Buhran’ın ekono-
dalları ile olan ilişkilerini kışında aktif rol oynayan
metrinin ortaya çıkışındaki
ortaya koyarak matematik faktörleri arkadaşlarınızla
etkilerini araştırın.
ve istatistik ile ilişkilendirin. tartışın.

EKONOMETRİNİN NİTELİĞİ doğru durum tespiti yapabilmek ve gerekli politi-

Birçok bilim gerçek olayları incelerken olayların
karmaşık yapısını anlayabilmek veya çözüm yolları
geliştirebilmek için farklı bilim dallarıyla birlikte
çalışmaya ihtiyaç duymuş ya da kendi alt bilim dal-
larını geliştirmiştir. Bu durum iktisat bilimi için de
geçerlidir. İktisatçılar iktisadi olayları analiz eder-
ken ve çeşitli ekonomi politikaları geliştirirken za-
manla farklı bilim dallarına ait yöntemlere de ihti-
yaç duymuşlardır. Örneğin, Büyük Buhran sonrası
sistematik olarak incelenmeye başlanan makroeko-
nomi daha önce pek de üzerinde durulmayan milli
gelir, enflasyon, işsizlik gibi makroekonomik olgu-
ların sistematik olarak incelenmesine ve bu doğ-
rultuda ekonomi politikalarının geliştirilmesine
olanak sağlamıştır. Ancak burada doğru ekonomi
politikalarının geliştirilebilmesi ve sağlıklı işleye-
bilmesi mevcut durumun doğru analiz edilmesine
bağlıdır. Bu analizler ise bazı bilgiler ışığında ya-
pılabilir ve bu bilgilerin gerçek durumu gerçeğe
en yakın şekilde temsil etmesi gerekir. Dolayısıyla
bahsi geçen bu bilgilerin sübjektiflikten uzak olma-
sı beklenir. Bu ise ancak somut bir takım verilere
bağlıdır. Örneğin; enflasyonu önleyici bir takım
politikalar geliştirmek istiyorsak burada enflasyonu
doğru tanımlamalı ve doğru analiz etmeliyiz. Bu
ise bir takım sayısal verilere ihtiyaç duyduğumuzu
gösterir. Dolayısıyla burada iktisatçılar olarak ma-
tematiğin araçlarına ihtiyacımız vardır. Öte yandan
kaları geliştirebilmek için elde ettiğimiz bu sayısal
verilerin bir takım yöntemlerle analiz edilmesi ge-
rekecektir. Bu da istatistiksel yöntemlere duyulan
ihtiyacı göstermektedir. Gördüğünüz gibi iktisadi
olayları anlayabilmek, sorunları iyi tanımlayabil-
mek ve doğru ekonomi politikaları geliştirebilmek
için iktisadi teoriden biraz fazlasına ihtiyacımız
vardır. Bu ihtiyaç da ekonometri bilimini gelişme-
sine olanak sağlamıştır.
Ekonometri iktisat kuramına dair ölçümler
yaparken matematikten ve istatistikten yararlanır.
İstatistik matematiksel işlemleri kullanarak de-
ğişkenler arasındaki ilişkileri ortaya koyan ve yo-
rumlayan bir bilimdir. Ekonometri ise istatistiksel
yöntemleri kullanarak iktisadi olayları açıklamaya
çalışan farklı bir bilim dalıdır. Bu açıklamadan da
anlaşılacağı gibi ekonometri, iktisadi teoriye uygu-
lanan istatistiksel yöntemler şeklinde de tanımla-
nabilir. Dolayısıyla burada ekonometrinin istatis-
tiksel yöntemleri kullanarak iktisadi değişkenler
arasındaki ilişkileri incelediğini söyleyebiliriz. Söz
konusu ilişkileri incelerken başvurulan temel ista-
tistiksel yöntem ise regresyon analizidir.
Regresyon Kavramı
Regresyon kısaca aralarında neden-sonuç ilişki-
si olan iki veya daha çok sayıdaki değişkenin bir

4
Ekonometrinin Temelleri

denklem yardımıyla ifade edilmesidir. Herhangi iki yon modeli, tek bağımlı ve birden çok bağımsız de-
veya daha çok sayıda değişken arasındaki ilişkinin ğişkenin oluşturduğu modellere ise çoklu regresyon
yönü veya büyüklüğü ise regresyon analizi ile be- modeli adı verilir.
lirlenir. Regresyon analizinde, kurulan regresyon
denkleminin tahmini yapılarak modelde yer alan
değişkenlere dair parametreler tahmin edilir ve bu
şekilde bağımlı ve bağımsız değişkenler arasındaki
Regresyon aralarında neden-sonuç ilişkisi
ilişkiler matematiksel olarak ortaya konur. Burada
olan iki veya daha çok sayıdaki değişkenin
bağımlı değişken bir tane olmasına karşın bağımsız
bir denklem yardımıyla ifade edilmesidir
değişkenlerin sayısı değişebilir. Tek bağımlı ve tek
bağımsız değişkenden oluşan modellere basit regres-

Regresyon analizinde modeli oluşturan değişkenlere dair katsayılar tahmin edilir. Bu katsayılar ise ba-
ğımlı değişken ile bağımsız değişken arasındaki ilişkilerin yönünü ve büyüklüğünü gösterir. Bu katsayılara
ulaşabilmek için ise analizlerde kullanılmak üzere bir takım sayısal verilere ihtiyacımız vardır ve bu veriler
farklı türlerde karşımıza çıkmaktadır. Şimdi bu veri türlerini inceleyelim.

Veri Tipleri
Regresyon analizi yaparken kullanılan veriler temelde üç farklı tiptedir. Bunlar, zaman serisi verileri,
yatay kesit verileri ve panel verilerdir.

5
 Ekonometrinin Tanımı, Amacı, Niteliği ve Metodolojisi

Zaman Serisi Verileri

Zaman serisi verileri, kısaca herhangi bir değişkenin belirli bir zaman dilimi içerisinde aldığı değerler
kümesidir. Örneğin, Tablo 1’de gösterilen Türkiye’nin 2004-2018 yılları arasındaki yıllık enflasyon de-
ğerleri bir zaman serisidir. Burada tek bir birimin belirli bir periyot için birbirini izleyen değerleri zaman
serisini oluşturmaktadır.
Tablo 1.1 Zaman Serisi Verileri

Yıl Tüketici Fiyat Endeksi (Yıllık % Değişim)

2004 9.35
2005 7.72
2006 9.65
2007 8.39
2008 10.06
2009 6.53
2010 6.40
2011 10.45
2012 6.16
2013 7.40
2014 8.17
2015 8.81
2016 8.53
2017 11.92
2018 20.30
Kaynak: Türkiye İstatistik Kurumu

6
Ekonometrinin Temelleri
Tablo 1.1’de Türkiye için tüketici fiyat endek-
sindeki yıllık yüzde değişimlerin yıllara göre aldığı
değerler gösterilmektedir. Buradaki iktisadi değiş-
ken enflasyondur ve tüketici fiyat endeksindeki yıl-
lık yüzde değişim yıllık enflasyonu göstermektedir.
Bu şekilde 2004-2018 yıllarını kapsayacak şekilde
Türkiye’nin yıllık enflasyon oranlarını her bir yıl
için sıralarsak enflasyona dair bir zaman serisi oluş-
turmuş oluruz. Gördüğünüz gibi burada tek bir bi-
rim (Türkiye) söz konusu iken 15 yıllık bir zaman
periyodundan (2004-2018) bahsedilmektedir. İşte
bu şekilde tek bir birim için herhangi bir değişke-
nin ardışık değerleri zaman serisi verileri olarak ad-
landırılmaktadır. Yalnızca yıllık değil, günlük, haf-
talık, aylık, üç aylık gibi ardışık değerleri oluşturan
veriler de zaman serisi verileri olarak değerlendiri-
lir. Örneğin, bir firmanın belirli bir zaman dilimin-
deki günlük ciro değerleri de yine bir zaman serisi
örneğidir.
Zaman serisi verileri, herhangi bir değiş-
kenin belirli bir zaman dilimi içerisinde
aldığı değerler kümesidir.
Yatay Kesit Verileri
Yatay kesit verileri ise, zamanın belirli bir nok-
tasında herhangi bir değişkenin çok sayıda birim
için aldığı değerlerdir. Örneğin, Tablo 2’de verildiği
gibi BRICS ülkeleri için 2018 yılına ait enflasyon
verileri bir yatay kesit verisi örneğidir. Bu tip ve-
rilerde çok sayıda birim söz konusu iken birbirini
izleyen bir zaman periyodu yoktur.
Tablo 1.2 Yatay Kesit Verileri
Ülkeler 2018 Yılı Tüketici Fiyat Endeksi (Yıllık % Değişim)
Brezilya
Rusya
Hindistan
Çin
Güney Afrika
Kaynak: Dünya Bankası Veri Tabanı
Tablo 2’de yatay kesit verisine örnek olarak
BRICS ülkelerinin enflasyon değerleri gösterilmiş-
tir. Tablodan da görebileceğiniz gibi burada zaman
serisinden farklı olarak enflasyon verisi çok sayıda
birim (BRICS ülkeleri) için gösterilmekte ancak
birbirini takip eden bir zaman periyodu yer alma-
maktadır. İşte bu şekilde herhangi bir değişkenin
çok sayıda birim için, zamanın belirli bir noktasın-
da aldığı değerler yatay kesit verileri olarak adlandı-
rılır. Yine mikro düzeyde bir örnek vermek gerekir-
se, turizm sektöründe faaliyet gösteren firmaların
2018 yılındaki kar oranlarının başka bir yatay kesit
verisi olduğunu söyleyebiliriz.
Yatay kesit verileri, zamanın belirli bir
noktasında herhangi bir değişkenin çok
sayıda birim için aldığı değerlerdir.
Panel Veriler
Regresyon analizlerinde kullanılan diğer bir veri
tipi ise panel verilerdir. Panel veriler herhangi bir
değişkenin çok sayıda birim için belirli bir zaman
diliminde aldığı değerler kümesidir. Tanımdan da
anlaşılacağı gibi panel veriler zaman serisi verileri
ve yatay kesit verilerinin bir araya gelmesiyle oluş-
maktadır. Örneğin, BRICS ülkelerinin 2014-2018
yılları arasındaki enflasyon oranları bir panel veri
örneğidir. Burada, verilerde hem yatay-kesit boyu-
tu (BRICS ülkeleri) hem de zaman serisi boyutu
(2014-2018 yılları arası) söz konusudur.
3.66
2.88
4.86
2.07
4.50
7
 Ekonometrinin Tanımı, Amacı, Niteliği ve Metodolojisi

Tablo 1.3 Panel Veriler

Ülkeler Yıllar Tüketici Fiyat Endeksi (Yıllık % Değişim)

Brezilya 2014 6.33

Brezilya 2015 9.03
Brezilya 2016 8.74
Brezilya 2017 3.45
Brezilya 2018 3.66
Rusya 2014 7.82
Rusya 2015 15.53
Rusya 2016 7.04
Rusya 2017 3.68
Rusya 2018 2.88
Hindistan 2014 6.35
Hindistan 2015 5.87
Hindistan 2016 4.94
Hindistan 2017 2.49
Hindistan 2018 4.86
Çin 2014 1.92
Çin 2015 1.44
Çin 2016 2.00
Çin 2017 1.59
Çin 2018 2.07
Güney Afrika 2014 6.14
Güney Afrika 2015 4.51
Güney Afrika 2016 6.59
Güney Afrika 2017 5.18
Güney Afrika 2018 4.50
Kaynak: Dünya Bankası Veri Tabanı

8
Ekonometrinin Temelleri
Tablo 3’te BRICS ülkelerindeki enflasyon oran-
larının 2014-2018 yıllarında aldığı değerler göste-
rilmektedir. Tablodan da anlaşılacağı gibi bu veri
setinde hem yatay kesit verilerinde olduğu gibi çok
sayıda birim, hem de zaman serilerinde olduğu gibi
ardışık bir zaman periyodu vardır. İşte bu şekilde
zaman serisi verileri ve yatay kesit verilerinin bir
araya getirilmesiyle panel veriler oluşturulur.
Yaşamla İlişkilendir
EKONOMETRİST ÇOBANDAN SIRA-
DIŞI UYGULAMALARLA YÜKSEK GELİR
Tayyib HOŞBAŞ 05.10.2019
Düzce
Üniversite eğitiminin ardından köyüne dö-
nen ve çocukluk hayali olan çobanlık mesleğini
yapmaya başlayan Tamer Küçükakbulut, yeni uy-
gulamalarla geleneksel çobanlığın dışına çıkıyor.
Köyde “sayılarla oynayan çoban” olarak tanı-
nan Küçükakbulut, bu uygulamalar sayesinde dü-
şük giderle yüksek kazanç elde etmeyi başarıyor.
Çocuk yaşlarda hayallerini süsleyen hayvan-
cılıktan kopamayan Küçükakbulut, Çanakkale
18 Mart Üniversitesi Biga İktisadi ve İdari Bilim-
ler Fakültesi Ekonometri Bölümünü bitirerek,
doğduğu Konaklı köyüne yerleşti.
Tarım ve Orman Bakanlığının “Genç Çiftçi
Projesi” ile hayallerine giden yolun ilk adımını
atan ekonometrist genç, her gün hayvanlarını
kendi güdüyor.
Aldığı eğitimle çobanlığı harmanlayan Küçü-
kakbulut, küçükbaş hayvanlarının doğum anın-
daki kilosu, günlük kilogram değerleri, beslenme
planlamaları gibi istatistikler tutarak geleneksel
çobanlığa yeni bir yaklaşım getiriyor.
Küçükakbulut, ahırına kamera sistemi, oto-
matik yemlik ve suluklar yerleştirerek, teknolojik
Kaynak:https://www.aa.com.tr/tr/ekonomi/eko-
imkanlardan yararlanıyor.
Hayvanlarının kaba yemini de kendisi ürete-
rek, düşük giderle yüksek kazanç elde eden üni-
dikkat
Zaman serisi verileri ve yatay kesit verilerinin bir ara-
ya getirilmesiyle panel veriler oluşturulur.
versite mezunu çoban, hayalini gerçekleştirirken
gelir elde etmenin mutluluğunu yaşıyor.
Tamer Küçükakbulut, AA muhabirine yap-
tığı açıklamada, hayalini yaşamak üzere köyüne
döndüğünü belirtti.
Sabahları ıslık çalarak işine gittiğini anlatan
Küçükakbulut, şöyle konuştu:
“Bu benim çocukluk hayalimdi, herkes ‘ben
doktor, öğretmen olacağım’ derdi, ben hep vete-
riner olmak istedim. Veterinerlik nasip olmadı,
sayısal bölümü seçmek istedim ama çevre baskı-
sıyla eşit ağırlık bölümünü seçmek zorunda kal-
dım. Daha sonra ekonometri okudum. Pişman
değilim, çok faydasını gördüm. Çevreme çok
fazla kulak asmadım, ‘ben hayallerimin peşinden
koşacağım, sabahları ıslık çalarak gideceğim bir
işim olsun’ dedim hep. Hayallerimin peşinden
koştum. Ne kadar şükretsem az, sevdiğim işi ya-
pıyorum ve mutluyum. Mutlu oldukça kazandı-
ğım paranın da kıymetini biliyorum. Daha rahat
bir yaşam sürüyorum.”
Küçükakbulut, çoğu sistemi otomatiğe bağ-
ladığını dile getirerek, kamera sistemi, otomatik
yemleme ve sulama olduğu için sabah erkenden
kalkıp hayvanların yanına gitme durumu olma-
dığını aktardı.
nometrist-cobandan-siradisi-uygulamalarla-yuk-
sek-gelir-/1603020 Erişim Tarihi: 10.10.2019
9
 Ekonometrinin Tanımı, Amacı, Niteliği ve Metodolojisi

Öğrenme Çıktısı
2 Regresyon kavramını tanımlayabilme, veri tiplerini sıralayabilme

Araştır 2 İlişkilendir Anlat/Paylaş

Avrupa Birliği ülkelerinde Türkiye için yıllık enflas-

Değişken kavramını tanım-
2018 yılı işsizlik oranlarının yon oranlarına dair veri seti
layın, regresyon kavramıyla
hangi tip veriye örnek oldu- oluşturun ve arkadaşlarınız-
ilişkilendirin.
ğunu araştırın. la paylaşın.

EKONOMETRİNİN METODOLOJİSİ
Geleneksel ekonometrik metodolojinin herhangi bir iktisadi olayı analiz ederken izlediği bazı adımlar
vardır. Bu adımları temel olarak şu şekilde sıralayabiliriz:
• Problemin ifade edilmesi.
• Modelin kurulması.
• Modelin tahmini.
• Tahmin sonuçlarının test edilmesi.
• Tahmin sonuçlarının değerlendirilmesi.
Şimdi dilerseniz söz konusu adımları iktisadi bir teori üzerinden somutlaştırmaya çalışalım.

Problemin İfade Edilmesi

Örneğin iktisat derslerinden de hatırlayacağınız
bir teori üzerinden gidelim. Örneğimiz talep teorisi
olsun. Talep kanununa göre diğer koşullar sabitken
bir malın fiyatı arttıkça talep edilen miktarı düşer
veya bir malın fiyatı düştükçe talep edilen miktarı
artar. Bizde burada talep kanunun öne sürdüğü bu
ilişkiyi herhangi bir X malı için sınayalım.

Modelin Kurulması
Ekonometrik çalışmalarda, incelenen iktisadi
olayı matematiksel bir kalıba sokarak tahmin edile-
bilir bir model haline getirmek oldukça önemlidir.
Bunun için öncelikle iktisadi teoriyi temel alacak
şekilde uygun bağımlı ve bağımsız değişkenlerin se-
çilmesi ve değişkenler arasındaki ilişkileri gösteren
katsayıların işaret ve büyüklüklerinin belirlenmesi
gerekir. Ardından incelenen iktisadi olay matema-
tiksel bir kalıba sokularak ölçülebilir bir model ha-
line getirilir.

10
Ekonometrinin Temelleri
Değişken Seçimi
Uygun model belirlenirken yapılacak ilk iş ik-
tisadi teoriyi temel alacak şekilde analizlerde kul-
lanılacak bağımlı ve bağımsız değişkenleri belir-
lemektir. Örneğin, burada inceleyeceğimiz talep
fonksiyonu için bağımlı değişkenimiz X malının
talep edilen miktarı olacaktır. İktisat teorisine göre
herhangi bir malın talep edilen miktarı ilgili malın
fiyatına, tüketicinin gelirlerine, ikame ve tamamla-
yıcı malların fiyatlarına, zevk ve tercihlere ve diğer
bir takım faktörlere bağlıdır. Burada da bağımsız
değişken olarak belirlenecek değişkenlerin temel
olarak iktisadi teorinin öne sürdüğü bu değişken-
lerden seçilmesi uygun olacaktır. Ancak burada
değişken seçimini tamamıyla iktisadi teoriden al-
dığımız bilgiye dayandırmamız gerekmez. Konuyla
ilgili daha önce yapılmış çalışmalardan da faydala-
nabilir, gerektiği durumlarda değişkenlere ilaveler
yapılabilir veya iktisadi teoriyi temel alan değişken-
ler modelden çıkarılabilir. Örneğin, monopolcü bir
firmanın ürettiği mala yönelik bir talep tahminin-
de ilgili malın ikamesi olmadığı için modelde ika-
me malın fiyatı yer almayacaktır. Bu şekilde uygun
değişkenler seçildikten sonra bir sonraki aşamada
bağımlı ve bağımsız değişkenler arasındaki ilişkiyi
gösteren katsayıların işaret ve büyüklüklerinin be-
lirlenir.
Katsayıların İşaret ve Büyüklüklerinin
Belirlenmesi
Bağımlı değişken ile bağımsız değişkenler ara-
sındaki ilişkileri gösteren katsayıların işaret ve bü-
yüklükleri yine temel olarak iktisat teorisinden ve
öncesinde yapılan çalışma çıktılarından elde edece-
ğimiz bilgiye dayanır. Örneğin, burada yaptığımız
gibi bir talep fonksiyonu tahmin ediliyorsa burada
ilgili malın fiyatını temsil eden bağımsız değişkenin
katsayısının negatif işarete sahip olmasını bekleriz.
Ya da eğer talebini tahmin etmeye çalıştığımız mal
normal bir mal ise gelir değişkenine ait katsayının
pozitif işarete sahip olmasını bekleriz.
Öte yandan bazı durumlarda iktisadi teori bu
katsayıların büyüklüklerine ilişkin bilgileri de içe-
rir. Örneğin, bir tüketim fonksiyonu tahmini ya-
pıyorsak, burada harcanabilir gelire ait katsayının
iktisadi teori gereği 0’dan büyük ve 1’den küçük bir
değer alması gerekmektedir.
Bu şekilde katsayıların işaret ve büyüklüklerinin
belirlenmesinin ardından bir sonraki adımda uy-
gun matematiksel kalıp belirlenir.
Matematiksel Kalıbın Seçilmesi
Uygun matematiksel kalıbın seçilmesi temel
olarak değişkenler arasındaki ilişkilerin doğrusal
olup olmaması ile ilgilidir. Burada uygun matema-
tiksel kalıp belirlenirken çoğunlukla değişkenlere
ait gözlemlerin dağılımı göz önünde bulundurulur.
Örneğin, bu gözlemler bir doğru şeklinde ilerliyor-
sa bu durumda doğrusal bir modelin tercih edilme-
si daha uygun olacaktır.
Örneğimizde herhangi bir X malı için talep
tahmininde bulunacağımızdan bahsetmiştik. Bura-
da tahmini yapılacak ekonometrik modelin ifade
edilmesinin öncesinde talep teorisi çerçevesinde bu
modelin matematiksel kalıbının belirlenmesi ge-
rekmektedir. Bir malın fiyatı ile talep edilen mik-
tarı arasındaki ters yönlü ilişkiyi açıklayan bu teori
doğrusal formda şu şekilde ifade edilir:
QDX = β0 – β1PX (1.1)
Eşitlik (1.1)’de, QDX, x malı için talep edilen
miktarı, β0 sabit katsayısı β1 ise x malının fiyatı
ile talep edilen miktarı arasındaki ilişkiyi gösteren
parametreyi gösterir. Bu ifade aynı zamanda talep
fonksiyonunun matematiksel modelidir. Burada
β1 katsayısının talep kanunu gereği negatif işare-
te sahip olduğunu görüyoruz. Bu x malının fiyatı
ile talep edilen miktarı arasında ters yönlü bir iliş-
ki olduğunu söylemektedir. Ancak bu bilgi bizim
için çoğu kez yeterli değildir. Dolayısıyla bu teoriyi
test ederek, gerçekte x malının fiyatı arttığı zaman
talebinin azalacağına dair veya azalacaksa ne kadar
azalacağına dair bilgiye ulaşmamız gerekir. İşte bu
bilgiye ulaşmak için β1 katsayısı tahmin edilmeli
yani ona bir sayısal değer bulunmalıdır. Bu tah-
min için öncelikle matematiksel kalıbı verilen talep
fonksiyonunun ekonometrik bir modele dönüştü-
rülmesi gerekir. Ekonometrik model kurulduktan
sonra artık ilgili modelin tahmini yapılabilir. Bu-
rada tahmini yapılacak ekonometrik model ise şu
şekilde ifade edilir:
QDX = β0 – β1PX + u (1.2)
11
 Ekonometrinin Tanımı, Amacı, Niteliği ve Metodolojisi
Talep kanununa göre, malın talep edilen mik-
tarı o malın fiyatının bir fonksiyonu olarak kabul
edilir ve talebi etkilediği düşünülen diğer tüm de-
ğişkenlerin sabit olduğu varsayılır. Eşitlik 2’de yer
alan ve hata terimi adını verdiğimiz u, x malının
talebi üzerinde etkisi olan ancak dikkate alınmayan
işte bu diğer faktörlerin etkisini temsil etmektedir.
Öte yandan tahmini yapılacak olan (1.2) numaralı
ekonometrik model aynı zamanda bağımlı değiş-
ken olan QDX ile bağımsız değişken olan PX arasın-
daki doğrusal ilişkiyi gösteren bir doğrusal regres-
yon modelidir. Bir sonraki aşamada ise bu doğrusal
regresyon modelinin tahmini yapılmaktadır.
dikkat
Doğrusal Regresyon Modeli iki veya daha fazla değiş-
ken arasındaki doğrusal ilişkileri açıklar.
Modelin Tahmini
Eşitlik (1.2)’nin tahmin edilebilmesi için ön-
celikle bir takım sayısal verilere ihtiyacımız vardır.
Doğru tahminlerin yapılabilmesi için bu sayısal
verilerin değişkenlere dair gerçek bilgileri içerme-
si gerekir. Bu nedenle herhangi bir iktisadi olayı
ekonometrik yöntemlerle analiz ederken veri top-
lama aşamasının sağlıklı gerçekleşmesi son derece
önemlidir.
Verilerin Toplanması
Burada veriler daha önce veri tiplerinde de bah-
sedildiği gibi zaman serisi verilerinden, yatay kesit
verilerinden veya panel verilerden oluşabilir. Hangi
veri tipinin tercih edileceği yapılacak analizin ama-
cına ve niteliğine göre farklılık gösterebilir.
dikkat
Ekonometrik analizlerde hangi tip verilerin kullanı-
lacağı yapılacak analizin amacına ve niteliğine göre
farklılık gösterebilir.
12
İhtiyaç duyulan veriler toplandıktan sonra ar-
tık Eşitlik (1.2)’de doğrusal formda verilen talep
fonksiyonun tahmini yapılabilir. Ancak burada da
doğru tahmin yönteminin tercih edilmesi önem
arz etmektedir.
Uygun Tahmin Yönteminin Seçilmesi
ve Modelin Tahmini
Ekonometrik modellerin tahmininde çok sayı-
da tahmin yönteminden faydalanılmakla birlikte bu
yöntemler temel olarak tek denklem modelleri ve eşanlı
denklem modelleri şeklinde iki grupta toplanır. Burada
bahsi geçen tek denklem modelleri tek bir denklemin
bireysel tahminine olanak sağlarken, eşanlı denklem
modelleri birden çok modelin eşanlı tahmininde
kullanılmaktadır. Buna göre örnek modelimizde tek
denklem modellerinden faydalanılacaktır.
dikkat
Tek denklem modelleri tek bir denklemin bireysel
tahminine olanak sağlarken, eşanlı denklem model-
leri birden çok modelin eşanlı tahmininde kullanıl-
maktadır.
Tek denklem modellerinin başında En Küçük
Kareler Yöntemi gelir. İlk kez 1795 yılında matema-
tikçi C. F. Gauss tarafından geliştirilen bu yöntem
kısaca hata karelerinin toplamını minimum yapan
katsayıları tahmin etme yöntemidir. Buna göre söz
konusu yöntemin örneğimizdeki talep fonksiyonu-
nun tahmininde kullanılması uygun olacaktır.
dikkat
En Küçük Kareler Yöntemi hata karelerinin toplamı-
nı minimum yapan katsayıları tahmin etmektedir.
Verilerin doğruluğundan emin olduktan ve uy-
gun tahmin yöntemini belirledikten sonra modeli-
mizin tahminini yaparak β0 ve β1 parametrelerinin
belirleyebiliriz. Tahmin sonucunda ulaştığımız eşit-
lik şu şekilde olsun:
Ekonometrinin Temelleri
Q̂DX = 120 – 5PX (1.3)
Eşitlik (1.3)’te Q’nun üzerinde yer alan şapka
bu eşitliğin bir tahmin olduğunu göstermekte-
dir. Tahmin sonucunda ise sabit katsayının 120,
x malının fiyatı ile talep edilen miktarı arasındaki
ilişkiyi temsil eden parametrenin ise -5 olduğu an-
laşılmaktadır. Burada tahmin edilen -5 şu anlama
gelmektedir. X malının fiyatı 1 birim arttığından
x malının talep edilen miktarı 5 birim azalmakta-
dır. Görüldüğü gibi artık sadece x malının fiyatı ve
talep edilen miktarı arasındaki ters yönlü ilişkiden
daha fazla bilgiye sahibiz. Bu bilgiye sahip olmak
ise son derece önemlidir. Örneğin, x malının üreti-
cisi olan firma bu tahmin sonucunun içerdiği bilgi
ile ilgili malın fiyat esnekliğini hesaplayabilir ve fi-
yat politikasını bu bilgiler ışığında güncelleyebilir.
Tahmin Sonuçlarının Test Edilmesi
Modelin tahmininden sonraki aşama ise hipo-
tez testi aşamasıdır. Hipotez testi gereklidir çünkü
her ekonometrik modelin tahmininde bir hata riski
söz konusudur. Bu nedenle tahminler yapıldıktan
sonra ulaşılan sonuçların güvenilirliğinin de sınan-
ması gerekir. Çünkü güvenilir olmayan sonuçların
referans alınması uygulanacak politikaların etkin-
liğini azaltabileceği gibi istenmeyen sonuçlar da
doğurabilir. Bu nedenle yapılan tahminlerin güve-
nilirliğinin sınanarak incelenen iktisadi olayı ne ka-
dar sağlıklı temsil ettiğinin belirlenmesi son derece
önemlidir.
Bu noktada yapılması gereken ilk şey tahmin
sonuçlarının iktisat teorisiyle uyumlu olup olma-
dığını incelemektir.
İktisadi Ölçütler
Örneğin, tahmin ettiğimiz modelde β katsayı-
sının negatif işarete sahip olduğu görülmektedir.
Bu sonuç talep kanunun öne sürdüğü bir malın
fiyatı ve talep edilen miktarı arasındaki ters yön-
lü ilişkiyi desteklemektedir. Ancak bazı durumlar-
da katsayılar iktisat teorisinin öne sürdüğü işarete
veya büyüklüğe sahip olmayabilir. Bu durumda
sonuçların iyi irdelenmesi ve bu sonucun arkasında
yatan nedenlerin detaylı olarak ortaya konulması
gerekebilir.
İstatistiki Ölçütler
Ekonometriyi temel olarak iktisadi kuram veya
hipotezleri istatistiksel yöntemlerle sınayan bilim
dalı olarak tanımlamıştık. Dolayısıyla tahmin so-
nuçlarını iktisat teorisi çerçevesinde değerlendir-
menin yanı sıra, sonuçların istatistiksel olarak da
doğruluğunun sınanması gerekir. Çünkü sonuçlar
teoriyle uyumlu olsa dahi yapılan tahminlerin is-
tatistiksel olarak güvenilir olup olmadığının belir-
lenmesi şarttır. Tahminlerin istatistiksel olarak gü-
venilir olup olmadığının belirlenmesinde genellikle
t, F ve R2 testleri kullanılır. Burada t testi ile tah-
min edilen her bir katsayının bireysel anlamlılığı
sınanırken, F testi ile tüm katsayıların eşanlı olarak
anlamlılığı diğer bir ifadeyle modelin bir bütün
olarak anlamlılığı sınanmaktadır. Öte yandan R2
değeri tahmin edilen modelin açıklama gücünü
göstermektedir. R2 değeri ile temel olarak bağımlı
değişkendeki değişimin hangi oranda bağımsız de-
ğişkenler tarafından açıklandığı belirlenmektedir. t,
F ve R2 testlerine dair detaylı bilgilere kitabımızın
devam eden bölümlerinde yer verilecektir.
Ekonometrik Ölçütler
Tahmin sonuçlarının güvenilirliğini sınarken
tahmin yönteminin varsayımlarının da yerine geti-
rilip getirilmediğinin ortaya konulması gerekmek-
tedir. Çünkü her yöntem bazı varsayımlar doğrultu-
sunda uygulanır ve bu varsayımların sağlanmadığı
durumlarda ulaşılan sonuçların da sağlıklı olduğu
söylenemez. Burada yararlandığımız en küçük ka-
reler yöntemimin de bir takım varsayımları vardır.
Örneğin, bağımsız değişkenler arasında tam veya
güçlü bir doğrusal bir ilişki olmadığı varsayılır. Bu
varsayımın geçerli olmadığı durumda modelde
çoklu doğrusallık sorunu olduğu söylenir. Diğer bir
varsayıma göre hata terimlerinin varyansının de-
ğişmediği diğer bir ifadeyle sabit varyanslı olduğu
kabul edilir. Bu varsayımın ihlali ise değişen varyans
sorunu olarak adlandırılır. Öte yandan en küçük
kareler yönteminin önemli bir varsayımı da mode-
lin otokorelasyon içermediğidir. Otokorelasyon içe-
ren bir modelde hata terimleri arasında istatistiksel
olarak anlamlı ilişkiler olduğu kabul edilir ve bu
da hipotez testlerinin yanıltıcı sonuçlar vermesine
neden olabilir. Sonuç olarak bu aşamada bahsi ge-
çen tüm bu varsayımların geçerli olup olmadığının
incelenmesi gerekir. Söz konusu varsayımların ge-
13
 Ekonometrinin Tanımı, Amacı, Niteliği ve Metodolojisi

çerli olmadığı durumlarda ulaşılan sonuçlar güvenilir olmayacağı gibi, sonuçların ekonomi politikalarında
referans olarak kullanılması da sağlıklı olmayacaktır. Kitabımızın ilerleyen bölümlerinde çoklu doğrusallık,
değişen varyans ve otokorelasyon gibi tanısal sorunlara daha ayrıntılı bir şekilde yer verilmektedir.

Tahmin Sonuçlarının Değerlendirilmesi

Ekonometrik çalışmaların temel amacı iktisadi teorileri test etmek, ulaşılan sonuçları politika uygula-
malarında kullanmak ve tahmin sonuçlarından hareketle geleceğe dair öngörülerde bulunmaktır. Yürütü-
len çalışmanın sonuçları da bu amaçların biri veya birkaçına uygun şekilde değerlendirilebilir. Buradaki
önemli bir ölçüt de modelin gerçek duruma uygunluğudur. Modelin uygun olmadığı durumlarda bu
tahmin sürecinin tekrarlanması ve gerçek durumu daha iyi temsil edecek başka bir modelin belirlenmesi
gerekecektir.

Araştırmalarla
İlişkilendir
EKONOMETRİ’NİN SERÜVENİ: İKTİ-
SADIN “BİLİM” VE “ÇARE” OLMASI İÇİN
ARAYIŞLAR*
Ercan UYGUR
Büyük Bunalım, Ekonometrinin Ortaya
Çıkışı ve Cowles Komisyonları
1929’da başlayan büyük bunalım ile birlikte,
mikro düzeydeki talep, arz ve fiyat dalgalanmala-
rına duyulan ve zaten azalmış olan iktisatçı ilgisi
makro düzeydeki gelişmelere doğru kaydı. Di-
ğer yandan, yukarıda da belirttiğimiz gibi, dev-
resel hareketleri istatistiğe ve verilere dayanarak
açıklama çabaları da yeterli bulunmuyordu. Bu
durumda zamanın iktisatçıları, istatistiksel çalış-
malara temel oluşturacak dinamik makroiktisadi
modeller oluşturma çabası içine girdiler.
Bu bağlamda iki Avrupalı iktisatçının, Frisch
ve Tinbergen’in 1930’lar ortalarında yaptığı ça-
lışmalar en önemli katkıları oluşturdular. Bu mo-
delleri gerçek ekonominin verileriyle doğrulama
çabaları, ekonometrinin oluşumunda önemli bir
aşama olmuştur. O zamanki hakim düşünceye
göre, iktisadi ve ekonometrik modellerle buna-
lımları ve çalkantıları nicel olarak anlamak, bun-
ları öngörmek ve bunlara uygun politika öner-
meleri geliştirmek mümkün olabilecektir. Frisch
ve Tinbergen’in modellerini ve Frisch’in zaman
serisi yönteminden yararlanışını aşağıda açıkla-
yacağız. Ancak önce ekonometrinin doğuşunu
simgeleyen Ekonometri Derneğini (Econometric
Society), Econometrica dergisini ve Cowles Ko-
misyonlarını ele almak yararlı olacak.
1929 bunalımı Keynesyen makroiktisadın
doğuşuna da ortam hazırlamıştır. Ayrıca Frisch ve
özellikle Tinbergen’in Keynesyen iktisattan etki-
lendikleri de bilinmektedir. Ekonometri ve Key-
nesyen makroiktisat aynı dönemde oluşmuşlar ve
birbirlerini önemli ölçüde etkilemişlerdir. Şu ay-
rıntıyı da belirtelim; ekonometrinin oluşumuna
önemli katkılar yapan, ekonometri kavramını ilk
kez kullanan Frisch, makroiktisat kavramını da
ilk kez kullanan iktisatçıdır. Frisch makroiktisat
kavramını aşağıda ele alacağımız 1933 makale-
sinde kullanmıştır.
Daha önce de bazı girişimler olmasına kar-
şılık, ekonometri adını alacak oluşumu hazırla-
mak üzere ilk ciddi girişimler 1928 ilkbaharında
başladı. Bu tarihte bir bursla Norveç’ten ABD’ye
giden Frisch, iktisatçıların bu konuda bir bilim-
sel birlik oluşturması gerektiğini düşünmüştü.
Düşüncesini matematikçi Charles F. Roos ile
birlikte zamanın önde gelen iktisatçılarından Ir-
ving Fisher’e açıkladı. Fisher de Frisch ve Roos’a
belli bir sayıda iktisatçıyı bu düşünce etrafında
toplamalarını öğütledi. Bu konuda ayrıntılı bilgi
için Christ’in (1983), (1994) ve (1996) yazılarına
bakılabilir.
Büyük bunalımın etkileyip belirlediği bir or-
tamda 12 ABD’li ve 4 Avrupalı iktisatçı 29 Aralık
1930’da Ekonometri Derneği’nin kuruluşu için
ABD’nin Cleveland kentinde toplandılar. Derne-
ğin kuruluş önergesini o sırada Bonn Üniversite-
sinde olan Joseph A. Schumpeter verdi. Ekono-
metrinin ortaya çıkışında ilk temel böylece atıldı,
Ekonometri Derneği kurulmuş oldu. Ekonometri
Derneğinin ilk başkanlığına Irving Fisher seçildi

14
Ekonometrinin Temelleri
ve dernek ilk toplantısını Eylül 1931’de İsviçre-
Lozan’da, ikinci toplantısını Aralık 1931’de ABD-
Washington’da yaptı. 1931 yılı sonunda derneğe
kabul edilen toplam üye sayısı 173’tü.
Ekonometri Derneği, Keynes de dahil olmak
üzere birçok ünlü iktisatçıyı bünyesinde toplamış
olmasına karşılık, 1931 yılı boyunca ciddi bir
faaliyette bulunamadı, çünkü yeterli parasal kay-
nağı yoktu. Ancak, Ekonometri Derneği kaynak
konusunda Alfred Cowles’dan 1931 yılı Ekim
ayında Irving Fisher’in deyimiyle “inanılmayacak
kadar iyi bir öneri” aldı. Alfred Cowles kimdir?
Alfred Cowles bir finansal danışmanlık şir-
keti sahibidir ve hisse senedi borsası başta olmak
üzere finans ve mal piyasaları konusunda yatırım
danışmanlığı yapmaktadır. Bu bağlamda olası
piyasa gelişmelerinin öngörülerini yapmakta ve
bunları bir yayın ile abonelerine duyurmaktadır.
Birçok başka yatırım danışmanı gibi, Cowles da
1929 Bunalımı öncesinde ve sırasında yaptığı
öngörülerde yanılmıştır. Kendisi sürekli yanıl-
maktan rahatsız olur, danışmanlık yaptığı kişiler-
kuruluşlar tarafından rahatsız da edilir. Sonuçta,
yaptığı piyasa öngörüleri ve önerileri için bilim-
sel bir temel olması gerektiğini düşünür. Bilimsel
öngörüleri nasıl yapacağını sordukça kendisini
önce matematikçi ve istatistikçilere, sonra Eko-
nometri Derneğine ve en sonunda da derneğin
başkanı Fisher’e yönlendirirler.
Bu noktada Fisher hakkında bir not düşmek-
te yarar var. Bazı başka iktisatçılar gibi, Fisher de
1929 Bunalımının geçici olduğunu ve hisse sene-
di fiyatlarının kısa süre sonra yeniden yükselişe
geçeceğini ve yeni rekorlar kıracağını düşünür.
Bu düşüncelerini 1930 Şubat ayında yayınlanan
The Stock Market Crash and After başlıklı kita-
bında açıklar. Fisher’in ünlü kitabı The Theory of
Interest de aynı yıl yayınlanır.
Fisher düşüncelerini eyleme de döker ve
bunalım başladıktan kısa süre sonra bütün biri-
kimini hisse senedine yatırır. Üstelik, bankadan
da borçlanarak yüklüce hisse senedi alır. Ancak
Fisher çok kötü yanılır ve hisse fiyatları düşme-
ye devam eder. Bankaya borçlarını ödeyemeyen
Fisher’in, yaşadığı ev de dahil olmak üzere, bü-
tün mal varlığı satılır. Fisher hayatının geri ka-
lan bölümünde kızkardeşinin yardımı ile yaşar ve
1947’de kötü maddi koşullar içinde ölür. Fisher
konusunda bakınız örneğin van Wijk (1997).
Cowles, Ekim 1931’de Ekonometri
Derneği’nin başkanı Fisher ve genel sekreteri
Charles F. Roos ile yaptığı görüşmede, sonuçla-
rını kendisinin de kullanabilmesi koşuluyla, eko-
nometrik araştırmaları parasal olarak destekleme
önerisi getirir. Bu öneri bazı üyeler arasında aka-
demik etik tartışmalarına neden olmuştur, ama
1932 Ocak ayındaki Ekonometri Derneği genel
kurulunda kabul edilir.
Genel kurulda kabul edilen anlaşmaya göre,
Colorado Springs’de Ekonometri Derneğinin
yönlendireceği bir araştırma komisyonu kurula-
cak (Cowles Commission for Research in Eco-
nomics) ve araştırmaların yayınlanacağı bir dergi
çıkarılacaktır. A. Cowles, kısaca Cowles Komis-
yonu olarak anılan komisyonun yapacağı araş-
tırmaların ve derginin maliyetini karşılayacaktır.
Çıkarılacak derginin adı Econometrica olarak be-
lirlenir ve baş-editörlüğe Frisch getirilir.
Cowles Komisyonunun ilk amaçlarından bi-
risi bir hisse senedi endeksi oluşturmaktır. Econo-
metrica dergisinin ilk sayısı Ocak 1933’te çıkar,
yazarlar arasında Schumpeter ve Tinbergen de
vardır. Econometrica’nın Haziran 1933 sayısında,
Cowles’un, hisse senedi fiyatlarını ve bunların fi-
nansal danışmanlık şirketleri tarafından yapılan ön-
görülerini konu edinen, bir araştırması yayınlanır.
Cowles Komisyonunun ilk iki yayını Dina-
mik İktisat başlıklı bir kitapçık ve bir istatistik
kitabıdır. Ancak Cowles Komisyonunun asıl
ilgi çeken faaliyetleri yaz aylarında düzenlediği
bilimsel toplantılar ve bu toplantılarda sunulan
bazı tebliğlerin yayınlanması olmuştur. 1930’lu
yıllarda bu toplantılara katılan, tebliğleri yayınla-
nan ve/veya Cowles Komisyonlarında görev alan
ünlü Avrupalı ve ABD’li iktisatçılar ve istatistik-
çiler arasında Marschak (Oxford), Gini (Roma),
Tintner (Viyana), Allen (LSE), Trygve Haavelmo
(Oslo), Abba Lerner (LSE), Abraham Wald (Vi-
yana), Jacob Viner (Chicago), Oscar Lange (Chi-
cago) ve Elmer J. Working (Illınois) vardır.
Cowles Komisyonu 1939’da Ekonometri
Derneği ile birlikte Chicago’ya taşınır ve Chicago
Üniversitesi ile de yakın ilişkiler içine girer. Ay-
rıca artık başka kaynaklardan da parasal destek
sağlanır. 1940’larda Cowles Komisyonlarında
görev alan iktisatçılar arasında Leontief, Paul A.
Samuelson, Tjallling C. Koopmans, Lawrence
R. Klein, Leonid Hurwicz ve Kenneth J. Arrow
belirtilebilir. 1940’lar başında yayınlanan Cowles
Komisyonu kitaplarında daha çok zaman serileri
incelenmiştir.
Cowles Komisyonu, 1943’te Marschak’ın
başkan olmasıyla birlikte, yapılacak araştırmalar
için şu kuramsal ve istatistiksel özellikleri dikkate
15
 Ekonometrinin Tanımı, Amacı, Niteliği ve Metodolojisi

alacağını açıklamıştır. (a) Kuram, bir tek denk-
lemle değil bir eşanlı (simultaneous) denklemler
sistemi ile ifade edilmelidir. (b) Bu sistemdeki
denklemlerin tümünde veya birçoğunda rassal
(tesadüfi) (random) hata terimi vardır. (c) Eko-
nometrik uygulamalarda kullanılan veriler büyük
ölçüde zaman serileridir ve bunlar genellikle ön-
ceki değerleri ile ilişkilidirler, içsel bağıntı (auto-
correlation) taşırlar. (d) Yayınlanan verilerin bü-
yük bölümü mikro düzeyde kişi ve kuruluşlarla
değil, makro düzeyde ekonominin bütünüyle
ilgilidir.
Kaynak:
Cowles Komisyonları konusunda birkaç nok-
tayı belirtmek yerinde olacak. Birincisi, bu komis-
yonlar iktisadi yapının iç içe geçmiş karmaşık ve
dinamik ilişkilerden oluştuğunu, bunları açıkla-
mak için öncelikle iktisat kuramına başvurmak
gerektiğini öne çıkarmışlardır. İkincisi, bu komis-
yonlar 1930’ların başından itibaren birçok ülke-
den farklı iktisadi-politik görüşleri ile bilinen ikti-
satçıyı-istatistikçiyi biraraya getirebilmiştir. Açıktır
ki, bilim adamları dünya görüşleri ile değil araştır-
macı özellikleriyle değerlendirilmiş ve bunlar için
uygun bir bilimsel ortam da sağlanmıştır.
Cowles Komisyonlarının üçüncü bir özelliği,
ekonometri ve dinamik makroiktisat konusunda
yapılan ilk ve öncü yayınlara, ders kitapları da
dahil olmak üzere, kaynaklık etmiş olmasıdır.
Tintner’in (1952) derlediği bilgilere göre, ilk
ekonometri kitabı Ekonometri Derneğinin kuru-
cularından ve ilk Cowles Komisyonu üyelerinden
Harold T. Davis tarafından yazılmış ve Theory of
Econometrics başlığı ile 1941’de yayınlanmıştı.
Jan Tinbergen’in Hollanda dilinde yazılmış
olan Ekonometri kitabı da 1941’de yayınlandı.
Bu kitabın İngilizcesi 1951’de yayınlandı. Leonti-
ef, 1948’de yayınlanan ve iktisatta yeni gelişmele-
ri anlatan bir kitapta ekonometrideki gelişmeleri
açıkladı. 1952’de ve 1953’te yayınlanan iki ekono-
metri ders kitabının da yazarları, Tintner (1952)
ve Klein (1953), Cowles Komisyonu üyesidirler.
1960’larda ve 1970’lerde ekonometri ders kitapla-
rında bir sıçrama olduğunu görüyoruz.
Uygur, E. (2006). Ekonometri’nin serüveni:
iktisadın “bilim” ve “çare” olması için arayışlar.
Tuncer Bulutay (Ed.) Türk İktisadının Öncülerin-
den Nejat Bengül’e Armağan içinde (s.227-274).
Ankara: Mülkiyeliler Vakfı Yayınları
http://mulkiye.org.tr/wp-content/uplo-
ads/2015/09/35.pdf Erişim Tarihi: 02.10.2019
* İlgili kitap bölümü “Ekonometrinin Gelişi-
mi: İktisadın “Bilim” Olma Çabası” adlı Türkiye
Ekonomi Kurumu tartışma metnine dayanmak-
tadır. Tartışma metnine aşağıdaki linkten ulaşa-
bilirsiniz:
h t t p : / / w w w. t e k . o r g . t r / d o s y a l a r /
EKONOMETRI-T3.pdf Erişim Tarihi:
02.10.2019

Öğrenme Çıktısı

3 Ekonometrinin metodolojisini açıklayabilme

Araştır 3 İlişkilendir Anlat/Paylaş

Otokorelasyon sorununun
Varyans kavramını açıkla- Keynesyen tüketim fonksi-
hipotez testleri üzerinde ne
yın ve standart sapma ile yonunu geleneksel ekono-
gibi etkilerinin olacağını
ilişkilendirin. metrik metodolojinin adım-
araştırın.
larına uygun şekilde sınayın
ve arkadaşlarınızla paylaşın.

16
Ekonometrinin Temelleri

1 Ekonometriyi tanımlayabilme,
ekonometrinin amacını açıklayabilme

öğrenme çıktıları ve bölüm özeti

Ekonometrinin Tanımı ve
Amacı

İsmini Latince ekonomi anlamına gelen “oikonomia” ve ölçüm anlamına gelen “metron” sözcüklerinin birle-
şiminden alan ekonometri kavramı en net ifadesiyle “ekonomik ölçüm” demektir. Ekonometri temel olarak,
iktisat kuramını matematiksel araçlar ve istatistiki yöntemler yardımıyla sınayan bilim dalıdır. Herhangi bir eko-
nomi politikasının geliştirilebilmesi için öncelikle ortaya konulan teorilerin test edilerek değişkenler arasındaki
ilişkilerin matematiksel boyutunun bilinmesi gerekir. İktisat teorisi, iktisadi olayları açıklarken bazı varsayımlar
altında değişkenler arasındaki ilişkileri belirten teori ve hipotezler ortaya koyar. Ancak bu bilgi politika geliştir-
mek için yeterli değildir. Burada iktisadi değişkenler arasındaki ilişkileri matematiksel bir kalıba sokarak çeşitli
istatistiksel yöntemler yardımıyla söz konusu değişkenler için parametre tahminlerinde bulunulması gerekir.
Ekonometrinin temel amacı da bu ihtiyacı karşılamaktır.

2 Regresyon kavramını tanımlayabilme,

veri tiplerini sıralayabilme

Ekonometrinin Niteliği

Regresyon kısaca aralarında neden-sonuç ilişkisi olan iki veya daha çok sayıdaki değişkenin bir denklem yardımıyla
ifade edilmesidir. Herhangi iki veya daha çok sayıda değişken arasındaki ilişkinin yönü veya büyüklüğü ise regres-
yon analizi ile belirlenir. Regresyon analizi yaparken kullanılan veriler temelde üç farklı tiptedir. Bunlar zaman serisi
verileri, yatay kesit verileri ve panel verilerdir. Zaman serisi verileri, kısaca herhangi bir değişkenin ardışık bir zaman
dilimi içinde aldığı değerler kümesidir. Tek bir birimin belirli bir periyot için birbirini izleyen değerleri zaman
serisini oluşturmaktadır. Yatay kesit verileri ise, zamanın belirli bir noktasında herhangi bir değişkenin çok sayıda
birim için aldığı değerlerdir. Bu tip verilerde çok sayıda birim söz konusu iken birbirini izleyen bir zaman periyodu
yoktur. Panel veriler ise herhangi bir değişkenin çok sayıda birim için belirli bir zaman diliminde aldığı değerler
kümesidir. Panel veriler hem yatay-kesit boyutuna hem de zaman serisi boyutuna sahiptir.

3 Ekonometrinin metodolojisini
açıklayabilme

Ekonometrinin Metodolojisi

Geleneksel ekonometrik metodolojinin herhangi bir iktisadi olayı analiz ederken izlediği bazı adımlar vardır. Bu
adımlar sırasıyla şu şekildedir: Öncelikle iktisadi bir teoriyi temel alacak şekilde problem ortaya koyulur. Ardından
ortaya konulan bu teori matematiksel bir kalıba sokularak ekonometrik model oluşturulur. Devamında analizlerde
kullanılmak üzere veriler toplanır. Sağlıklı verilere ulaşıldıktan sonra uygun tahmin yöntemi belirlenerek modelin
tahmini yapılır ve katsayılara ulaşılır. Devam eden aşamada ise iktisadi, istatistiki ve ekonometrik ölçütler temel
alınarak tahmin edilen katsayıların güvenilirliği sınanır ve son aşamada tahmin sonuçları amaca uygun şekilde
değerlendirilir.

17
 Ekonometrinin Tanımı, Amacı, Niteliği ve Metodolojisi

1 Aşağıdakilerden hangisi iktisat kuramını ma- 6 Aşağıdakilerden hangisi hem birim boyutuna
tematiksel araçlar ve istatistiki yöntemler yardımıy- hem de zaman boyutuna sahip verileri tanımlar?
neler öğrendik?

la sınayan bilim dalıdır?

A. Zaman serisi verileri
A. Ekonometri B. İktisat B. Yatay kesit verileri
C. Matematik D. İstatistik C. Doğrusal veriler
E. Matematiksel iktisat D. Panel veriler
E. Nominal veriler
2 Ekonometri ile ilgili aşağıdaki ifadelerden
hangisi yanlıştır?
7 Geleneksel ekonometrik metodolijinin aşama-
A. Ekonometrinin kelime anlamı “ekonomik öl- ları aşağıdakilerden hangisinde doğru olarak sıralan-
çüm” demektir. mıştır?
B. Ekonometri, iktisadi teori veya hipotezlerin sı- A. Problemin ifade edilmesi → Modelin kurul-
nanmasına olanak sağlar. ması → Modelin tahmini → Tahmin sonuç-
C. Ekonometri, iktisadi değişkenlere dair verileri larının test edilmesi → Tahmin sonuçlarının
kullanarak çeşitli istatistiksel analizler yapar. değerlendirilmesi
D. Ekonometri, iktisadi değişkenler arasındaki iliş- B. Modelin kurulması → Modelin tahmini →
kilerin belirlenmesine olanak sağlar. Problemin ifade edilmesi → Tahmin sonuçla-
E. Ekonometri matematiksel iktisadın alt bilim rının değerlendirilmesi →Tahmin sonuçlarının
dalıdır. test edilmesi
C. Modelin tahmini → Problemin ifade edilme-
3 Aralarında neden-sonuç ilişkisi bulunan iki si → Tahmin sonuçlarının değerlendirilmesi
veya daha çok sayıdaki değişkenin yer aldığı denk- →Tahmin sonuçlarının test edilmesi → Mo-
lemlere ne ad verilir? delin kurulması
A. Panel veri D. Tahmin sonuçlarının test edilmesi → Modelin
B. Değişen varyans kurulması → Modelin tahmini → Problemin
ifade edilmesi → Tahmin sonuçlarının değer-
C. Çoklu denklem
lendirilmesi
D. Eşanlı denklem
E. Problemin ifade edilmesi → Modelin tahmini
E. Regresyon → Tahmin sonuçlarının test edilmesi → Mo-
delin kurulması → Tahmin sonuçlarının de-
4 Tek bağımlı ve tek bağımsız değişkenden olu- ğerlendirilmesi
şan regresyon modellerine ne ad verilir?
A. Ekonometrik model 8 Aşağıdakilerden hangisi hata karelerinin top-
B. Basit regresyon modeli lamını minimum yapan katsayıları tahmin etme
C. Çoklu regresyon modeli yöntemidir?
D. Eşanlı denklem modelleri A. Basit regresyon modeli
E. Çoklu denklem modelleri B. Çoklu regresyon modeli
C. Eşanlı denklem modeli
5 Bir değişkenin belirli bir zaman dilimi içerisin- D. En küçük kareler yöntemi
deki sıralanmış değerleri hangi tip verileri gösterir? E. Çoklu denklem yöntemi
A. Kesit verileri
B. Yatay kesit verileri
C. Zaman serisi verileri
D. Panel veriler
E. Havuzlanmış veriler

18
Ekonometrinin Temelleri

9 Tahmin katsayılarının bireysel anlamlılığını sı- 8 Hata terimleri arasında istatistiksel olarak an-
nayan test aşağıdakilerden hangisidir? lamlı ilişkilerin olduğu durumda karşılaşılan tanısal
sorun aşağıdakilerden hangisidir?

neler öğrendik?
A. R2
B. F testi A. Değişen varyans
C. t testi B. Otokorelasyon
D. Hipotez testi C. Çoklu doğrusal bağlantı
E. Regresyon analizi D. Doğrusal regresyon
E. Çoklu doğrusal regresyon

19
 Ekonometrinin Tanımı, Amacı, Niteliği ve Metodolojisi

1. A Yanıtınız yanlış ise “Ekonometrinin Tanımı ve 6. D Yanıtınız yanlış ise “Veri Tipleri” konusunu
Amacı” konusunu yeniden gözden geçiriniz. yeniden gözden geçiriniz.
neler öğrendik yanıt anahtarı

2. E Yanıtınız yanlış ise “Ekonometrinin Tanımı ve 7. A Yanıtınız yanlış ise “Ekonometrinin Metodo-
Amacı” konusunu yeniden gözden geçiriniz. lojisi” konusunu yeniden gözden geçiriniz.

3. E Yanıtınız yanlış ise “Regresyon Kavramı” ko- 8. D Yanıtınız yanlış ise “Tahmin Yöntemi” ko-
nusunu yeniden gözden geçiriniz. nusunu yeniden gözden geçiriniz.

4. B Yanıtınız yanlış ise “Regresyon Kavramı” ko- 9. C Yanıtınız yanlış ise “Hipotez Testi” konusu-
nusunu yeniden gözden geçiriniz. nu yeniden gözden geçiriniz.

5. C Yanıtınız yanlış ise “Veri Tipleri” konusunu 10. B Yanıtınız yanlış ise “Hipotez Testi” konusu-
yeniden gözden geçiriniz. nu yeniden gözden geçiriniz.

Araştır Yanıt
1 Anahtarı

Mikro iktisadi teorilerin 1929 Büyük Buhranı’nın dinamiklerini açıklamada

ve çözüm önerileri sunmada yetersiz kalması, iktisatçıların ve iktisadi karar
Araştır 1 mercilerinin ilgisini makroekonomik gelişmelere yöneltmiştir. Bu dönemde
iktisatçılar yoğun olarak makro iktisadi modeller oluşturma eğilimine girmiş-
lerdir. Bu modeller ise iktisadi teoriye yönelik istatistiksel çalışmalara zemin
hazırlayarak modern ekonometrinin gelişmesinde önemli bir rol oynamıştır.

Zaman serisi verileri, herhangi bir değişkenin belirli bir zaman dilimi içe-
risinde aldığı değerler kümesi iken yatay kesit verileri, zamanın belirli bir
noktasında herhangi bir değişkenin çok sayıda birim için aldığı değerlerdir.
Panel veriler ise herhangi bir değişkenin çok sayıda birim için belirli bir zaman
Araştır 3 diliminde aldığı değerler kümesini temsil eder. Bu tanımlamalar dikkate alın-
dığında, Avrupa Birliği ülkelerinde 2018 yılı işsizlik oranlarının bir yatay kesit
verisi örneği olduğu anlaşılmaktadır. Çünkü burada yatay kesit verisinin tanı-
mında da belirtildiği gibi çok sayıda birim için (AB ülkeleri) zamanın tek bir
noktasındaki (2018) işsizlik oranının alacağı değerler kümesi belirtilmektedir.

Otokorelasyon içeren bir modelde hata terimleri arasında istatistiksel olarak

anlamlı ilişkiler olduğu varsayılır. Otokorelasyon sorununun göz ardı edilme-
si durumunda tahmin edilen varyans değerleri gerçek varyans değerlerinden
Araştır 4 küçük hesaplanabilir. Bu durumda modelin açıklama gücünü gösteren R2
değeri olması gerekenden yüksek çıkacaktır. Buna bağlı olarak t ve F testleri-
nin sonuçları da güvenilir olmayacaktır. Dolayısıyla otokorelasyonun göz ardı
edilmesi durumda uygulanan hipotez testleri sağlıklı sonuçlar vermeyecektir.

20
Ekonometrinin Temelleri
Kaynakça
Gujarati, D. N. (2003). Basic econometrics (4th
Edition). NewYork: McGraw-Hill Higher Education
Gujarati, D. N. (2011). Econometrics by examp-
le. New York: Palgrave Macmillan
Güriş, S., Çağlayan, E. ve Güriş, B. (2013). Evi-
ews ile temel ekonometri (2. Baskı). İstanbul: Der
Yayınları
Kennedy, P. (2003). A guide to econometrcis. (5th
Edition). Cambridge: MIT Press
Tarı, R. (2018). Ekonometri (13. Baskı). Kocaeli:
Umuttepe Yayınları
Uygur, E. (2001). Ekonometri yöntem ve uygula-
ma. Ankara: İmaj Yayıncılık
Wooldridge, J. M. (2012). Introductory econo-
metrics: a modern approach (5.th Edition). Nelson
Education
21
 Bölüm 2
Basit Doğrusal Regresyon Modeli
Doğrusal Regresyon Modeli
1 Doğrusal regresyon modelini
öğrenme çıktıları

açıklayabilme
Basit Doğrusal Regresyon Modeli

1 2
2 Bağımlı değişken, bağımsız değişken
ve stokastik hata terimi kavramlarını
tanımlayabilme, β katsayılarını ifade
edebilme
3 Basit doğrusal regresyon modelini
tanımlayabilme, varsayımlarını
açıklayabilme

Basit Doğrusal Regresyon Modelinin

Tahmini

3
4 En küçük kareler yöntemini açıklayabilme
5 Tahmin katsayılarını yorumlayabilme,
katsayılarının anlamlılığını sınayabilme

Anahtar Sözcükler: • Regresyon Analizi • Bağımlı Değişken • Bağımsız Değişken • Stokastik Hata Terimi
• β Katsayısı • Basit Doğrusal Regresyon • En Küçük Kareler Yöntemi
• Belirlilik Katsayısı (R2) • t-Testi • F Testi

22
Ekonometrinin Temelleri

GİRİŞ
Regresyon analizi kısaca, aralarında neden-sonuç ilişkisi bulunan iki veya daha çok sayıda değişken
arasındaki matematiksel ilişkileri ortaya koyan yöntemdir. İktisadi teoriler de bir neden-sonuç ilişkisi bağ-
lamında ortaya konulur. Örneğin, talep kanununa göre malın fiyatı ile talep edilen miktarı arasında bir
neden-sonuç ilişki söz konusudur. Benzer şekilde tüketim fonksiyonu harcanabilir gelir ve tüketim düzeyi
arasındaki neden-sonuç ilişkisini temsil eder. İktisadi değişkenler arasındaki bu ilişkilerin varlığı regresyon
analizinin ekonometrik çalışmalarda sıklıkla kullanılan bir yöntem olmasını mümkün kılmıştır.
Regresyon analizi, temel olarak bağımlı ve bağımsız değişken sayısına göre veya değişkenler arasındaki
ilişkilerin doğrusal olup olmamasına göre sınıflandırılmaktadır. Tablo 1’de bu kriterlere göre sınıflandırılan
regresyon analizi türleri gösterilmektedir:

Tablo 2.1 Regresyon Analizi Türleri

Kriter Model
Model bir bağımlı değişken ve bir bağımsız
Basit Regresyon Modeli
değişkenden oluşuyorsa,
Model bir bağımlı değişken ve iki veya daha fazla
Çoklu Regresyon Modeli
bağımsız değişkenden oluşuyorsa,
Modelde değişkenler arasındaki ilişkiler
Doğrusal (Lineer) Regresyon Modeli
doğrusalsa,
Modelde değişkenler arasındaki ilişkiler doğrusal
Doğrusal Olmayan (Nonlineer) Regresyon Modeli
değilse,

Tablodan da anlaşılacağı gibi regresyon modelleri, bağımlı ve bağımsız değişken sayısına göre basit ve
çoklu regresyon modelleri şeklinde adlandırılırken değişkenler arasındaki ilişkilere göre doğrusal ve doğ-
rusal olmayan regresyon modelleri şeklinde sınıflandırılmaktadır. Bu bölümde basit doğrusal regresyon
modeli incelenmektedir. Yani bu bölümde, aralarında doğrusal ilişki olduğu varsayılan bir bağımlı ve bir
bağımsız değişkenin oluşturduğu modellerin yapısı analiz edilmektedir. Burada öncelikle doğrusal reg-
resyon modelinin neyi ifade ettiğini daha detaylı şekilde inceleyerek sonrasında basit doğrusal regresyon
modeline ve bu modelin tahminine değinebiliriz.

Bir bağımlı ve bir bağımsız değişkenden oluşan regresyon modellerine basit regres-
yon modeli adı verilmektedir.

DOĞRUSAL REGRESYON MODELİ

Regresyon analizi ekonometrik çalışmalarda değişkenler arasındaki ilişkiler incelenirken başvurulan
başlıca yöntemdir. Regresyon analizi, temel olarak bir değişkenin başka değişkenler tarafından açıklandığı
varsayımına dayanır. Burada bir değişken, aralarında neden-sonuç ilişkisi bulunan diğer değişkenler ile
birlikte matematiksel olarak modellenir ve bu modele regresyon modeli adı verilir. Regresyon modeli fonk-
siyonel formda şu şekilde ifade edilebilir:

Y = β0 + β1X + u (2.1)

Eşitlik (2.1)’de iki değişken arasındaki ilişkinin fonksiyonel formu gösterilmektedir. Bu değişkenler Y
ve X değişkenleridir. Burada Y açıklanan veya bağımlı değişken olarak adlandırılırken X değişkeni açık-

23

layıcı veya bağımsız değişken olarak isimlendiril-
mektedir. Öte yandan u stokastik (olasılıklı) hata
terimini, β0 sabit katsayısı β1 ise Y ve X değişkeni
arasındaki ilişkinin yönünü ve büyüklüğünü gös-
teren katsayısı temsil etmektedir. Burada doğrusal
regresyon modelinin daha iyi anlaşılabilmesi için
bağımlı ve bağımsız değişken, stokastik hata terimi
ve β0 ve β1 katsayıları hakkında daha detaylı bilgiler
verelim.
Bağımlı ve Bağımsız Değişken
Bağımlı değişken kısaca bağımsız değişkenlere
bağlı olarak değişen yani bağımsız değişkenler tara-
fından açıklanan değişkendir. Bağımsız değişken ise
bağımlı değişkeni açıklayan değişkendir ve değişimi
herhangi bir değişkene bağlı değildir. Eşitlik (2.1)’de
yer alan Y ve X sırasıyla bağımlı ve bağımsız değiş-
kenleri temsil etmektedir. Yani bağımlı değişken olan
Y bağımsız değişken olan X tarafından açıklanmak-
tadır. Burada, Y ve X arasında, temeli iktisat teorisine
dayanan bir ilişki olmalıdır. Örneğin, bu bir tüketim
fonksiyonu ise burada Y tüketim düzeyini gösterir-
ken, X harcanabilir geliri temsil edecektir. Tüketim
düzeyi olan Y ile harcanabilir gelir olan X arasındaki
ilişki iktisat teorisi gereğidir. Ekonometrik analizler-
de regresyon modeli kurulurken bağımlı ve bağımsız
değişkenler arasındaki neden-sonuç ilişkisinin iktisat
teorisini temel alması gereklidir.
Stokastik Hata Terimi (u)
Regresyon modelindeki u ise stokastik hata teri-
midir. Eğer bu ifade modelde yer almıyor olsaydı Y ve
X arasında kesin (deteministik) bir ilişkiden söz ede-
bilirdik. Bu durumda β katsayılarını biliyor olsaydık
bağımsız değişkenin (X) alacağı herhangi bir değerde
bağımlı değişkenin (Y) alacağı değeri kesin olarak
bilebilirdik. Ancak eksik model kurma, verilere ula-
şamama, ölçüm hataları vb. nedenlerle modelde yer
almayan veya ölçülemeyen ancak Y’yi etkilediği düşü-
24
Basit Doğrusal Regresyon Modeli
nülen çok sayıda faktör olabilir. Stokastik hata terimi
de tüm bu değişkenleri temsil etmektedir. Buna göre
X’in alacağı herhangi bir değer için Y’nin alacağı değer
kesin olarak bilinemez ancak ortalama değeri tahmin
edilebilir. Tahmin edilen yani beklenen Y ile gerçek Y
arasındaki fark ise stokastik hata terimi olarak adlan-
dırılır. Bu nedenle regresyon modeli için değişkenler
arasındaki ilişkiler kesin değil, olasılıklı veya stokastik
olarak nitelendirilmektedir.
dikkat
Beklenen Y değeri ile gerçek
Y değeri arasındaki fark sto-
kastik (tesadüfi) hata terimi
olarak adlandırılmaktadır.
β0 ve β1 Katsayıları
Modelde yer alan β0 katsayısı sabit katsayıyı temsil
etmektedir. Sabit katsayı temel olarak bağımsız değiş-
kenin sıfır olduğu durumda bağımlı değişkenin ala-
cağı değerdir. β0 katsayısı güçlü teorik gerekçeler bu-
lunmadığı takdirde doğrusal regresyon modellerinde
yaygın biçiminde yer almaktadır. Öte yandan model-
de yer alan β1 katsayısı bağımsız değişken katsayısıdır
ve bağımsız değişkendeki değişimin bağımlı değişkeni
ne yönde ve ne düzeyde etkilediğini gösterir. Burada
açıklamasını yaptığımız doğrusal regresyon modelin-
deki doğrusal ifadesi de bu katsayının doğrusallığı ile
ilgilidir. Doğrusal regresyon modellerinde β1 katsayısı-
na, kuvvetinin alınması (β2) veya logaritmasının alın-
ması (lnβ) gibi herhangi bir dönüşüm uygulanamaz
ve bu modellerde bağımlı ve bağımsız değişkenler ara-
sındaki ilişkilerin doğrusal olduğu varsayılır. Doğrusal
regresyon modeli de adını değişkenler arasındaki bu
doğrusal ilişkiden almaktadır.
Ekonometrinin Temelleri

dikkat
Doğrusal regresyon modelindeki doğrusal ifadesi β katsayının
doğrusallığını ifade eder. Doğrusal regresyon modellerinde β1
katsayısına, kuvvetinin alınması (β2) veya logaritmasının alın-
ması (lnβ) gibi herhangi bir dönüşüm uygulanamaz.

Bölümün giriş kısmında da bahsedildiği gibi regresyon modelleri değişkenler arasındaki ilişkilerin doğ-
rusal olup olmamasına göre ayrılabileceği gibi bağımlı ve bağımsız değişkenlerin sayısına göre de sınıflan-
dırılmaktadır. Burada bir bağımlı ve bir bağımsız değişkenden oluşan regresyon modellerine basit regresyon
modeli, bir bağımlı ve birden çok bağımsız değişkenden oluşan modellere ise çoklu regresyon modelleri adı
verilmektedir. Buna göre aralarında doğrusal ilişkiler bulunan bir bağımlı ve bir bağımsız değişkenden
oluşan modeller basit doğrusal regresyon modeli olarak adlandırılmaktadır. Bu bölümde de temel olarak basit
doğrusal regresyon modeli üzerinde durulmaktadır.

Öğrenme Çıktısı

1 Doğrusal regresyon modelini açıklayabilme

2 Bağımlı değişken, bağımsız değişken ve stokastik hata terimi kavramlarını
tanımlayabilme, β katsayısını ifade edebilme

Araştır 1 İlişkilendir Anlat/Paylaş

Cobb-Douglas tipi üretim β katsayısını yorumlayarak Stokastik hata teriminin

fonksiyonunun doğrusal doğrusal regresyon mode- modelde yer almasının ne-
bir model olup olmadığını linde yer alan “doğrusal” denlerini arkadaşlarınızla
araştırın. ifadesiyle ilişkilendirin. tartışın.

BASİT DOĞRUSAL REGRESYON MODELİ

Basit regresyon modeli bir bağımlı ve bir bağımsız değişkenin oluşturduğu regresyon modelidir. Bu tür
modellerde bağımlı değişkendeki değişim yalnızca bir bağımsız değişken tarafından açıklanır. Bu iki değiş-
ken arasındaki ilişkinin doğrusal olması durumunda ise modele basit doğrusal regresyon modeli adı verilir.
Basit doğrusal regresyon modeli şu şekilde ifade edilir:

Yi = β0 + β1Xi + ui (2.2)

Eşitlik (2.2)’de β0 modeldeki sabiti temsil etmektedir.

Sabit terim matematiksel olarak X’in sıfır olduğu durumda Aralarında doğrusal ilişki bulunan bir ba-
Y’nin alacağı değerdir. β1 ise bağımsız değişken katsayısıdır ğımlı ve bir bağımsız değişkenin oluştur-
ve bağımsız değişkendeki değişimin bağımlı değişken üze- duğu modeller basit doğrusal regresyon
rindeki etkisini gösterir. modeli olarak adlandırılmaktadır.

25

Günlük hayatta basit regresyon modeline konu
olacak ilişkileri bulmak oldukça güçtür. Benzer du-
rum iktisadi olaylar için de geçerlidir. Çünkü ikti-
sadi değişkenler de genellikle çok sayıda faktörün
etkisinde kalır ve iktisadi değişkenlerdeki değişim-
leri tek bir bağımsız değişkenle açıklamaya çalışmak
çoğu zaman yetersiz kalır. Her ne kadar burada tek
açıklayıcı değişkenin çoğu kez yetersiz kalabileceği
vurgulansa da regresyon analizinin daha iyi anla-
şılabilmesi için basit regresyon modelinin detaylı
incelenmesi önem arz etmektedir.
Bu bilgiler ışığında basit doğrusal regresyon
modelini bir iktisadi teori üzerinden ayrıntılı şekil-
de inceleyebiliriz. Burada örneğimiz Keynesyen tü-
ketim fonksiyonu olsun. Keynesyen tüketim fonk-
siyonu temel olarak şu şekilde ifade edilir:
C = C0 + cY (2.3)
Eşitlik (2.3)’te fonksiyonel formda gösterilen
Keynesyen tüketim fonksiyonunda C tüketim
düzeyini, C0 otonom tüketimi yani harcanabilir
gelirin sıfır olması durumda yapılması planlanan
tüketimi, cY ise uyarılmış tüketim harcamalarını
yani gelire bağlı olarak değişen tüketim düzeyini
göstermektedir. c katsayısı ise harcanabilir gelirdeki
değişimin ne kadarının tüketim harcamalarına ay-
rılacağını gösteren marjinal tüketim eğilimi katsa-
yısıdır. Eşitlikten de görüleceği gibi burada bağımlı
değişken olan tüketim harcamaları, tek açıklayıcı
değişken olan harcanabilir gelir tarafından açıklan-
maktadır. Eşitlik (2.3)’te fonksiyonel formu verilen
bu ilişkiyi grafik yardımıyla şu şekilde gösterebiliriz:
C Keynesyen tüketim fonksiyonu har-
C=C0+cY
C0
Y olduğunu söylemiştik. Ancak Eşitlik (2.4)’te ifade
Grafik 2.1 Keynesyen Tüketim Fonksiyonu
Burada değişkenler arasındaki ilişkinin determi-
nistik olduğu görülmektedir. Çünkü otonom tüke-
tim düzeyinin (C0) ve marjinal tüketim eğiliminin (c)
bilinmesi durumunda harcanabilir gelirin (Y) alacağı
herhangi bir değerde tüketim harcamalarının (C) ala-
26
Basit Doğrusal Regresyon Modeli
cağı değeri kesin olarak hesaplayabiliriz. Ancak gerçek
hayatta bu deterministik ilişki söz konusu değildir. Bu
nedenle değişkenler arasındaki ilişkinin stokastik oldu-
ğu varsayımıyla Keynesyen tüketim fonksiyonuna dair
basit doğrusal regresyon modeli şu şekilde ifade edilir:
Ci = C0 + cYi + ui (2.4)
Bu modelde otonom tüketimi temsil eden C0 sa-
bit katsayıyı gösterirken uyarılmış tüketim olan cY
ifadesindeki Y yani harcanabilir gelir bağımsız de-
ğişkeni, marjinal tüketim eğilimini temsil eden c ise
regresyon katsayısını göstermektedir. ui ise stokastik
hata terimidir. Keynesyen tüketim teorisini temel
alacak şekilde kurulan Eşitlik (2.4)’teki regresyon
modeli kullanılarak tahmin edilen β0 ve β1 katsayı-
ları sırasıyla otonom tüketim olan C0 ile marjinal
tüketim eğilimi olan c katsayılarıdır.
Marjinal tüketim eğilimi iktisat derslerinden de
hatırlayacağımız gibi harcanabilir gelirde meydana
gelen bir değişimin hangi oranda tüketime ayrılacağı-
nı göstermektedir. Harcanabilir gelirde bir artış yaşan-
ması durumunda bu gelir birey tarafından ya tüketi-
me ayrılacak ya da tasarruf edilecektir. Bu nedenle c
katsayısı yani marjinal tüketim eğilimi 0 ila 1 arasında
bir değer almalıdır. Dolayısıyla tahmini yapılan reg-
resyon modelinde de bu katsayının 0 ila 1 aralığında
bir değer olması beklenir. Bu aralık dışında bir değere
ulaşılması durumunda bu sonuçların iktisadi teori ta-
rafından desteklenmediği söylenebilir.
dikkat
canabilir gelir ile tüketim harcamaları
arasındaki ilişkiyi açıklamaktadır.
Öte yandan Eşitlik (2.3)’te fonksiyonel formda
verilen Keynesyen tüketim fonksiyonunda değiş-
kenler arasındaki ilişkilerin kesin yani deterministik
edilen regresyon modelinde kesin olmayan yani sto-
kastik ilişkiler söz konusudur. Bu nedenle modelde
beklenen C ile gerçek C arasındaki farkı temsil eden
hata terimi yer almaktadır. Dolayısıyla burada har-
canabilir gelir ile tüketim düzeyi arasındaki kesin
ilişkiler değil, ortalama ilişkiler belirlenmektedir. Bu
durum grafik yardımıyla şu şekilde gösterilebilir:
Ekonometrinin Temelleri
C tir yani kesin değildir. Çünkü her tahminde bir hata
c payı vardır. Bu nedenle ulaşılan sonuçlarda gerçek
Ĉi=Ĉ0+ĉYi
b
C0
Y
a
Grafik 2.2 Keynesyen Tüketim Fonksiyonuna İlişkin
Dağılma Diyagramı
Grafikte a-b tahmin edilen yani beklenen tü-
ketim düzeyini (Ĉi = Ĉ0 + ĉYi), α-c ise gerçek
tüketim düzeyini (Ci = C0 + cYi + ui) temsil et-
mektedir. Tahmin edilen değer ile gerçek değer
arasındaki farkı gösteren b-c ise hata terimidir.
Grafikten de görüleceği üzere burada harcanabi-
lir gelir ile tüketim düzeyi arasındaki ilişki kesin
değildir. Tahmin sonucunda artı veya eksi bir hata
payı söz konusudur. Buna göre regresyon analizi
yardımıyla bağımlı değişken ile bağımsız değiş-
kenler arasındaki kesin ilişkiler değil ortalama
ilişkiler belirlenmektedir.
Basit Doğrusal Regresyon Modelinin
Temel Varsayımları
Basit doğrusal regresyon modeli bir bağımlı ve
bir bağımsız değişken arasındaki ortalama ilişki-
leri gösterir. Bu ilişki kesin değildir çünkü tahmi-
ni yapılan modelde her zaman bir hata payı söz
konusudur. Tahmin edilen değerle gerçek değer
arasındaki değeri gösteren bu hata payı ise regres-
yon modelinde hata terimi şeklinde modele da-
hil edilmektedir. Regresyon modellerinin temel
varsayımları da büyük ölçüde bu hata terimi ile
ilgilidir. Regresyon modelinde tahmin edilen mo-
delin gerçek durumu temsil etmesi beklenir. Bu
ise ancak hata terimi ile ilgili bazı varsayımlara
bağlıdır. Basit regresyon modelinde hata terimine
dair temel varsayımlar şu şekildedir:
Hata Teriminin Ortalaması Sıfırdır
Sıfır ortalama varsayımı hata terimlerinin “0”
ortalamaya sahip olduğunu ifade eder. Regresyon
analizinde değişkenler arasındaki ilişkiler stokastik-
değerden pozitif veya negatif yönde sapmalar yaşa-
nır. Ancak tahmin edilen modelin gerçek durumu
temsil edebilmesi için bu pozitif veya negatif sapma-
ların toplamının sıfır olması gerekir. Bu durumda
hata terimlerinin beklenen değeri de “0”dır.
E = (ui) = 0 (2.5)
Hata Teriminin Varyansı Sabittir
Varyans herhangi bir veri setinin ortalama etrafın-
daki dağılımını ölçmek için kullanılan bir gösterge-
dir. Varyans temel olarak ortalamaya göre volatiliteyi
ölçer. Varyans değeri büyüdükçe ortalamadan sapma
artar, varyans değeri küçüldükçe ortalamadan sapma
azalır. Basit regresyon modelinin bir varsayımı da hata
teriminin volatilitesinin bağımsız değişkene göre artıp
ya da azalmadığı yani sabit kaldığıdır. Diğer bir ifa-
deyle sabit varyans varsayımı, hata teriminin varyansı-
nın bağımsız değişkenin alacağı her değerde eşit oldu-
ğunu yani değişmediğini ifade etmektedir. Örneğin;
Keynesyen tüketim fonksiyonunda hata terimlerinin
varyansı farklı gelir düzeylerinde değişmiyor sabit ka-
lıyorsa sabit varyans varsayımı geçerlidir diyebiliriz.
Var (ui) = E (ui)2= σ2 i = 1,2,3, …, n (2.6)
Burada bağımsız değişkenlerin (Xi) alacağı her
değerde oluşacak varyans, σ2’ye eşit olacaktır ve de-
ğişmeyecektir. Sabit varyans varsayımı altında Key-
nesyen tüketim fonksiyonu için hata terimlerinin
dağılımı Grafik 2.3’teki gibi olacaktır.
Ci
Yi
Grafik 2.3 Sabit Varyans Durumunda Hata Terimlerinin
Dağılımı
Öte yanda hata terimlerinin varyansının ba-
ğımsız değişkenlerin (Xi) alacağı her bir değerde
farklılık göstermesi değişen varyans olarak adlandı-
rılmaktadır.
27
 Basit Doğrusal Regresyon Modeli

Var (ui) = E (ui)2 = σi2 i = 1, 2, 3, …, n (2.7)

Değişen varyans durumunda bağımsız değişkenlerin alacağı her Ci

değerde varyans (σi2) değişecektir. Örneğin, yüksek gelire sahip bi-
reylerin hem ortalama tasarrufları hem de marjinal tasarruf eğilim-
leri daha yüksek olabilir. Bu nedenle düşük gelirli bireylerin yük-
sek gelirli bireylere göre tüketim eğilimlerinin daha yüksek olması
beklenebilir. Bu da hata teriminin varyansının her bir gelir düzeyi
için farklılık gösterebileceğini söylemektedir. Grafik 2.4’te değişen
varyans durumunda hata terimlerinin dağılımı gösterilmektedir:
Sabit varyans varsayımı basit regresyon modelinin temel var- Yi
sayımlarından biridir. Bu varsayımın sağlanamadığı yani değişen
Grafik 2.4 Değişen Varyans
varyansın varlığı durumunda ulaşılacak sonuçlar iyi özelliklere olma-
Durumunda Hata Terimlerinin
yacaktır.
Dağılımı
Değişen varyans sorunu ile yatay kesit verilerinde sıklıkla rastlanıl-
maktadır. Yatay kesit analizlerinde özellikle birimler arasındaki farklılıklar böyle bir sorunla karşılaşmamıza
neden olmaktadır. Bu durumu gerçek hayatla daha iyi ilişkilendirebilmek için TÜİK’in gelir dağılımı istatis-
tiklerini konu alan şu haberi inceleyelim:

Yaşamla İlişkilendir

TÜRKİYE’DE GELİR DAĞILIMI belirlenen yoksulluk sınırına göre, yoksulluk ora-

RAKAMLARI AÇIKLANDI
Mustafa ÇALKAYA, Ayşenur SAĞLAM
18.09.2019 - Ankara
Eşdeğer hane halkı kullanılabilir fert geliri
Türkiye’de ortalama yıllık eşdeğer hane hal-
kı kullanılabilir fert geliri de bir önceki yıla göre
yüzde 12,2 artarak 21 bin 577 liradan 24 bin 199
liraya çıktı.  bir çekirdek aile ve diğer kişilerden oluşan hane
Toplam eşdeğer hane halkı kullanılabilir fert
gelirleri içinde en yüksek payı, yüzde 48,5 ile bir
önceki yıla göre 0,4 puan azalan maaş ve ücret
gelirleri aldı. İkinci sırayı yüzde 20,1 ile önceki
yıla göre 0,4 puanlık artış gösteren sosyal transfer
gelirleri alırken bunu yüzde 18,8 ile 2017 yılına
göre 0,8 puan azalan müteşebbis gelirleri izledi.
Tarım gelirlerinin müteşebbis geliri içinde-
ki payı 2017 yılına göre 1,4 puan artarak yüzde
22,9 olurken, emekli ve dul-yetim aylıklarının
sosyal transferler içindeki payı önceki yıla göre
0,4 puan azalarak yüzde 91 olarak gerçekleşti.
Eşdeğer hane halkı kullanılabilir fert medyan
(ortanca) gelirinin yüzde 50’si dikkate alınarak
nı bir önceki yıla kıyasla 0,4 puan artarak yüzde
13,9 olarak gerçekleşti. Medyan gelirin yüzde
60’ı dikkate alınarak belirlenen yoksulluk sınırı-
na göre ise yoksulluk oranı bir önceki yıla kıyasla
1,1 puan artarak yüzde 21,2 oldu.
Tek kişilik hane halklarının yoksulluk oranı
bir önceki yıla göre 1,4 puan artarak yüzde 9,6,
tek çekirdek aileden oluşan hane halklarının yok-
sulluk oranı 0,4 puan artarak yüzde 12,9, en az
halklarının yoksulluk oranı ise 0,9 puan artarak
yüzde 18,8 olarak hesaplandı.
Okuryazar olmayanların yüzde 27,5’i, bir
okul bitirmeyenlerin yüzde 23,6’sı yoksulken bu
oran lise altı mezunlarda yüzde 12,1, lise ve dengi
mezunlarda yüzde 5,8 oldu. Yükseköğretim me-
zunları yüzde 2,2 ile yoksulluk oranının en düşük
gözlendiği grup olarak belirlendi.
Kaynak: https://www.aa.com.tr/tr/ekono-
mi/turkiyede-gelir-dagilimi-rakamlari-aciklan-
di/1587020# Erişim Tarihi: 29.10.2019

28
Ekonometrinin Temelleri
Burada Anadolu Ajansının web sayfasından
TÜİK’in gelir dağılımı istatistikleri ile ilgili haberin
bir bölümü alınmıştır. Son paragrafta vurgulanan
eğitim düzeyi ile yoksulluk oranı arasındaki oransal
ilişkiler eğitim düzeyi ile gelir seviyesi arasındaki
ilişkiyi vurgulamaktadır. Buna göre eğitim düzeyi
arttıkça gelir düzeyinin de arttığı görülmektedir.
Dolayısıyla gelir düzeyine ilişkin yapılacak bir reg-
resyon analizinde bireylerin eğitim durumlarına
göre gelir oranlarının da farklılık göstereceği anla-
şılmaktadır. Buna göre kişisel gelir düzeyi üzerine
yapılacak bir yatay kesit analizinde hata terimleri-
nin varyansının eğitim düzeyine göre farklılaşacağı
anlaşılmaktadır. Bu nedenle bu tür bir modelde
değişen varyans sorunu ile karşılaşılması kuvvetle
muhtemeldir.
Hata Terimleri Arasında İlişki Yoktur
Basit regresyon modelinde hata terimine dair
önemli bir varsayım da birbiri ardını izleyen hata
terimleri arasında doğrusal bir ilişkinin olmadığı
varsayımıdır. Hata teriminin otokorelasyon içer-
mediği durumda hata terimleri arasında ardışık bir
bağımlılık söz konusu değildir. Burada hata terim-
leri arasındaki ilişki bulunmaması hata terimleri
arasındaki kovaryansın sıfır olması anlamına gelir
ve şu şekilde gösterilebilir:
Kov(ui, uj) = E{[ui – E(ui)][uj – E(uj)]}
= E (ui, uj) = 0 i ≠ j için (2.8)
Yani, farklı hata terimleri arasındaki kovaryans-
lar sıfıra eşit olup hata terimleri arasında bir ilişki
söz konusu değildir.
Bu varsayımın ihlali ise otokorelasyon veya ar-
dışık bağımlılık olarak adlandırılır. Hata teriminin
otokorelasyon içeriyor olması ardışık hata terimleri
arasında anlamlı bir ilişki olduğunu ifade eder ve şu
şekilde ifade edilir:
E (ui, uj) ≠ 0 i ≠j için (2.9)
Hata teriminin otokorelasyon içermemesi varsa-
yımı doğrusal regresyon modelinde doğru sonuçlara
ulaşılabilmesi için son derece önemlidir. Otokorelas-
yon sorununun göz ardı edilmesi durumunda ulaşı-
lacak sonuçlar da sağlıklı olmayacaktır. Bu durumda
R2 değeri olması gerekenin üzerinde çıkacak, t ve F
test sonuçları da güvenilir olmayacaktır. Otokorelas-
yon ile ilgili daha detaylı bilgilere kitabımızın devam
eden bölümlerinden ulaşabilirsiniz.
Hata Terimi (ui) ile Açıklayıcı
Değişkenler (Xi) Arasında İlişki Yoktur.
Basit doğrusal regresyon modelinde bağımsız
değişkenin (Xi) stokastik yani tesadüfi olmadığı var-
sayılır. Bu nedenle tekrarlanan örnekler için bağım-
sız değişkenin alacağı değerler sabittir ve bağımlı
değişkendeki değişmelerin nedeni hata teriminden
yani diğer tesadüfi faktörlerden kaynaklanmakta-
dır. Bu durumda bağımsız değişken ile hata terimi
birlikte hareket etme eğiliminde değildirler. Daha
net bir ifadeyle bağımsız değişken ile hata terimi
arasında bir ilişki yoktur ve kovaryansları “0” dır.
Dikkat: Basit doğrusal regresyon modelinde
hata terimini normal dağılım sergilediği, sıfır or-
talamaya sahip olduğu, her bir gözlem için varyan-
sının değişmediği, ardışık hata terimleri arasında
korelasyon olmadığı ve bağımsız değişken ile hata
terimi arasında bir ilişki olmadığı varsayılır.
Hata Terimi Normal Dağılıma Sahiptir
Normallik varsayımı, modelde hata terimleri-
nin normal dağılım sergilediğini ifade eder. Bura-
da bağımsız değişkenin alacağı her bir değer için
oluşturulan hata terimlerinin her birinin ayrı ayrı
normal dağılım sergilemesi gerekmektedir. Normal
dağılım varsayımı temel olarak hata terimlerinin si-
metrik bir dağılıma sahip olduğunu söylemektedir.
Hata teriminin normal dağılmış olması varsayımı
tahmin için gerekli bir varsayım değildir ancak
model ve parametreler hakkında hipotez testlerinin
yapılabilmesi için gereklidir.
29
 Basit Doğrusal Regresyon Modeli

Öğrenme Çıktısı

3 Basit doğrusal regresyon modelini tanımlayabilme, varsayımlarını açıklayabilme

Araştır 2 İlişkilendir Anlat/Paylaş

Önemli bir değişkenin mo-

Basit doğrusal regresyon
del dışında tutulmasının Basit doğrusal regresyon
modellerinde sabit varyans
yaratacağı sonuçlarını basit modeli ile açıklanabilecek
varsayımının ihlal edilmesi
doğrusal regresyon mode- bir iktisadi teoriyi arkadaş-
durumunda karşılaşılabile-
linin varsayımları ile ilişki- larınızla tartışın.
cek sorunları araştırın.
lendirin.

BASİT DOĞRUSAL REGRESYON MODELİNİN TAHMİNİ

Regresyon analizi, anakütleyi temsil eden bir örneklem yardımıyla tahmincilerin belirlenmesi temeline
dayanır. Burada bilinmeyen bir ana kütleden n sayıda gözlemli rassal olarak seçilen bir örneklem belirlenir
ve her bir gözlem için regresyon modeli şu şekilde ifade edilir:

Yi = β0 + β1Xi + ui i = 1, 2, 3, …, n (2.10)

Eşitlik (2.10)’de basit doğrusal regresyon modeli fonksiyonel formda gösterilmektedir. Eşitlikten de görülebi-
leceği gibi bağımlı değişken (Y), tek bağımsız değişken (X) tarafından açıklanmaktadır. Daha önce de bahsedildi-
ği gibi bir bağımlı ve bir bağımsız değişkenin oluşturduğu modellere basit regresyon modelleri adı verilmekteydi.
Öte yandan bağımlı değişken ve bağımsız değişken arasındaki ilişkinin doğrusal olduğu (β) görülmektedir. Bu
da modelin aynı zamanda doğrusal bir model olduğunu söylemektedir. Buna göre Eşitlik (2.10)’de belirtilen
modelin basit doğrusal regresyon modeli olduğu anlaşılmaktadır. Basit doğrusal regresyon modelini örneğimiz
olan Keynesyen tüketim fonksiyonunu temel alacak şekilde düzenlersek şu ifadeye ulaşırız:

Ci = C0 + cYi + ui i = 1, 2, 3, …, n (2.11)

Eşitlik (2.11)’de tanımlanan doğrusal regresyon modelinin beklenen değeri ise şu şekilde ifade edilir:

E(Ci) = Ĉ0 + ĉYi (2.12)

Eşitlikte Ci’nin normal dağılıma sahip olduğu varsayılır ve ortalaması C0 + cYi’dir. Ĉ0 ve ĉ ifadelerinin
üzerinde bulunan şapka ise bu katsayıların birer tahmin olduğunu söylemektedir. Burada çeşitli yöntemler
yardımıyla C0 ve c’nin tahmini yapılabilir ve bu yöntemlerin her birine tahminci adı verilir. Peki gerçeğe en
yakın tahmini belirleyebilmek için hangi tahmin yöntemini tercih edeceğiz? Burada uygun tahmin yönte-
mini belirleyebilmek için tahmincinin bazı özellikleri taşımasını bekleriz. Bu özellikler ise küçük örneklem
ve büyük örneklem özellikleri şeklinde ikiye ayrılmaktadır.
Küçük örneklem için tahmincinin taşıması gereken özellikler sapmasızlık, en küçük varyans, en küçük
ortalama hata karesi, etkinlik, doğrusal en iyi sapmasızlık ve yeterlilik ölçütleridir. Şimdi bu özellikleri
daha detaylı inceleyelim.

30
Ekonometrinin Temelleri

i. Bir tahminci için sapma, tahmincinin beklenen değeri ile gerçek parametre değeri arasındaki farkı
temsil eder. Sapmasızlık ise bu farkın yani sapmanın “0” olduğunu ifade etmektedir.

E (β̂ )–β=0 (2.13)

ii. En küçük varyans özelliği ise sapmalı veya sapmasız tahminciler arasında en küçük varyansa sahip
tahmincinin tercih edilebileceğini ifade eder.

var (β̂ )< var (β̂ ) (2.14)

iii. Ancak yalnızca bu bilgiyle tahmincinin en iyi tahminci olduğunu söyleyemeyiz. Çünkü burada tah-
mincinin öncelikle sapmasızlık özelliğini taşıması ve aynı zamanda en küçük varyansa sahip olması
arzu edilir. Peki, sapmalı ancak düşük varyansa sahip tahminci ile sapmasız ancak büyük varyanslı
tahminci arasında tercih yapmamız gerekirse hangisini tercih etmeliyiz? Bu durumda hangi tah-
mincinin en iyi tahminci olduğuna karar verebilmek için ortalama hata karelerine bakılır. Burada
iki tahminci arasından ortalama hata kareleri düşük olan tercih edilir. Arzu edilen ise tahmincinin
sapmasız ve en küçük varyansa sahip olmasıdır. Sapmasız tahminciler arasında en küçük varyansa
sahip tahminci tercih edilir ve buna etkin tahminci adı verilir.
iv. Doğrusallık, tahmincinin gözlemlerin doğrusal bir fonksiyonu olduğunu ifade eder. Doğrusal en
iyi sapmasızlık özelliği ise doğrusal ve sapmasız tahmin ediciler arasında en düşük varyansa sahip
tahmincinin doğrusal en iyi sapmasız tahminci olduğunu ifade etmektedir. Öte yandan tahminci-
nin, gerçek parametrenin yeterli bir tahmincisi olması beklenir. Eğer bir tahminci yeterlilik şartını
yerine getiriyorsa bu, söz konusu tahmincinin gerçek parametre hakkında diğer tüm tahmincilere
göre daha fazla bilgi içerdiğini ifade etmektedir.
Büyük örneklem durumunda ise tahmincinin asimtotik özellikleri incelenir. Burada gözlem sayısının
sonsuza gittiği varsayılır. Bu nedenle büyük örneklem özelliklerine asimtotik özellikler denir. Bunlar sıra-
sıyla, asimtotik sapmasızlık, tutarlılık ve asimtotik etkinliktir.
i. Asimtotik sapmasızlık, tahmincinin asimtotik ortalamasının yani beklenen değerinin gerçek para-
metre değerine eşit olduğunu ifade etmektedir. Burada gözlem sayısının sonsuza gittiği varsayılır.

lim E (β̂ ) = β (2.15)

n→∞

ii. Eğer bu koşul sağlanıyor ve gözlem sayısı sonsuza giderken varyans sıfıra yaklaşıyorsa tahmincisi β̂
tutarlı tahmincidir.
iii. Öte yandan β̂ hem tutarlı tahminci, hem de diğer tahmincilerden daha düşük varyanslı ise β̂ , ger-
çek parametrenin asimtotik etkin tahmincisi olduğunu söyleyebiliriz.
Ekonometrik analizlerde katsayılar tahmin edilirken başvuru-
lan çok sayıda yöntem yani tahminci vardır. Peki bu yöntemler-
den hangisinin tercih edilmesi gerekir? Bu sorunun net bir cevabı
olmamakla birlikte iyi bir tahmincinin burada bahsi geçen özel-
liklerden mümkün olduğunca çoğuna sahip olmasını bekleriz.
Ekonometrik analizlerde sıklıkla başvurulan yöntem ise En Kü-
çük Kareler Yöntemi’dir. En küçük kareler tahmincisi regresyon
modelinin temel varsayımlarının sağlanması şartıyla, bütün tah-
minciler arasında doğrusal, sapmasız ve en düşük varyansa sahip
tahmincidir.

31
 Basit Doğrusal Regresyon Modeli

En Küçük Kareler Yöntemi

En küçük kareler yöntemi temel olarak, ortalamadan sapmaların kareleri toplamını minimum yapan
β0 ve β1 katsayılarının belirlenmesine dayanır. EKK yöntemiyle değişkenler arasındaki ortalama ilişkiler
belirlenir ve bu ilişkinin gerçeğe en yakın şekilde tahmin edildiği varsayılır. Burada ana kütleden rassal
olarak seçilen bir örneklemden elde edilen veriler kullanılarak gerçek durumu en iyi temsil eden β0 ve β1
katsayılarının tahmin edilmesi amaçlanır. Burada tahmini yapılan regresyon denklem şu şekildedir:

Yˆi = 0 + 1 Xi i = 1, 2, 3, …, n (2.16)

Eşitlik (2.16)’da yer alan β̂0 ve β̂i ifadeleri β0 ve β1’in tahmin edilen değerleridir. EKK yönteminde amaç
hata terimlerinin kareleri toplamını minimum yapan β0 ve β1’in belirlenmesidir. Buna göre öncelikle hata
terimlerinin tanımlanarak hata terimlerinin kareleri toplamını minimum yapan eşitliğe ulaşılması gerek-
mektedir.
Hata terimi daha önce de belirtildiği gibi gözlenemeyen Yi değeri ile Y’nin beklenen değeri (Yˆi) arasın-
daki farktır ve şu şekilde ifade edilir:

Ui = Yi – Yˆi (2.17)

EKK yönteminde amaç hata terimlerinin kareleri toplamını minimum yapan katsayıları tahmin etmektir.


n n n
! )2 =
2
∑ i ∑ i
u =
(Y −Y ∑ (Yi − β!0 − β!i X i )2 = min. (2.18)
i=1 i=1 i=1

Bu amaçla öncelikle (2.18) numaralı eşitlik cebirsel olarak açılır ve ardından β̂0 ve β̂i’ye göre kısmi tü-
revleri alınarak sıfıra eşitlenir. Gerekli çözümlemeler yapıldıktan sonra hata terimlerinin kareleri toplamını
minimum yapan β̂0 ve β̂i değerlerine ulaşılır.
Bu amaçla öncelikle (2.18) numaralı eşitlik cebirsel olarak açılır ve ardından β̂0 ve β̂i ye göre kısmi tü-
revleri alınarak sıfıra eşitlenir. Gerekli çözümlemeler yapıldıktan aşağıdaki normal denklemlerine ulaşılır:

∑ Yi = nβ! 0 + β! i ∑ X i
(2.19)

∑ X iYi = β! 0 ∑ X i + β! i ∑ X 2i
(2.20)

(2.19) ve (2.20) numaralı denklemler en küçük kareler yönteminin normal denklemleridir. Normal denk-
lemlerinin çözümlenmesiyle hata terimlerinin kareleri toplamını minimum yapan β̂0 ve β̂i değerlerine ulaşılır.
Normal denklemleri yardımıyla β̂0 ve β̂i parametreleri değişkenlerin orijinal değerleri ile tahmin edil-
mektedir. Parametreleri tahmin etmenin bir diğer yolu da değişkenlere ait değerlerin ortalamadan farkla-
rını kullanmaktır. Ortalamadan farklar yönteminde β̂i parametresi hesaplanırken değişkenlerin orijinal de-
ğerleri yerine (Yi ve Xi) değişkenlerin ortalamadan farkları (yi ve xi) esas alınır. Ortalamadan farklar yoluyla
β̂i parametresi hesaplanırken kullanılan eşitlikler ise şu şekildedir:

β! i =
∑ xi yi
(2.21)
∑ xi2

32
Ekonometrinin Temelleri

– –
Eşitlikte xi, Xi’nin ortalamadan farkını (Xi – Xi ), yi ise Yi’nin ortalamadan farkını (Yi – Yi ) temsil et-
mektedir. Burada (2.21) numaralı eşitlik yardımıyla β̂i parametresi hesaplandıktan sonra aşağıdaki eşitlikte
yerine yazılarak β̂0 parametresi belirlenir.

– –
β̂0 = Yi – β̂i Xi (2.22)

En küçük kareler yöntemi özetle hata terimlerinin kareleri toplamını minimum yapan parametrelerin
tahminine dayanmaktadır. Bu şekilde parametreler tahmin edilirken en küçük kareler yönteminin normal
denklemleri kullanılabileceği gibi bu parametreler ortalamadan farklar yoluyla da belirlenebilir. Şimdi diler-
seniz konunun daha iyi anlaşılabilmesi için örnek veriler üzerinden her iki yolla da β̂0 ve β̂i parametrelerinin
tahminini yapalım. Örnek verilerimiz Tablo 2.2’de belirtildiği gibi tüketim ve harcanabilir gelir verileri olsun.

Tablo 2.2 Tüketim ve Harcanabilir Gelir Verileri

n Yi Xi Xi Yi Xi 2 yi xi xi yi xi 2
1 800 1050 840000 1102500 40 35 1400 1225
2 700 950 665000 902500 -60 -65 3900 4225
3 750 900 675000 810000 -10 -115 1150 13225
4 900 1200 1080000 1440000 140 185 25900 34225
5 600 800 480000 640000 -160 -215 34400 46225
6 850 1150 977500 1322500 90 135 12150 18225
7 550 800 440000 640000 -210 -215 45150 46225
8 950 1200 1140000 1440000 190 185 35150 34225
9 800 1100 880000 1210000 40 85 3400 7225
10 700 1000 700000 1000000 -60 -15 900 225
Σ Yi =7600 Σ Xi =10150
–
Yi =760
–
Xi =1015
Σ Xi Yi =7877500 Σ Xi 2=10507500 Σ yi =0 Σ xi =0 Σ xi yi =163500 Σ Xi 2 =205250

Tablo 2.2’de verilen bilgilerden hareketle (2.4) numaralı eşitlikte verilen tüketim fonksiyonunun tah-
minini yapabiliriz. Tabloda Yi bağımlı değişkeni, Xi ise bağımsız değişkeni ifade etmektedir. Dolayısıyla
tabloda Yi ile belirtilen veriler tüketim harcamalarının (C) Xi ile belirtilen veriler ise harcanabilir gelirin
(Y) orijinal değerlerini göstermektedir. yi ve xi ise sırasıyla bağımlı ve bağımsız değişkenin ortalamadan
farklarını ifade etmektedir.
Şimdi dilerseniz tablodaki değerleri en küçük kareler yönteminin (2.19) ve (2.20) numaralı normal
denklemlerinde yerine yazalım. Buna göre normal denklemleri;

7600 = 10. C0 + 10150 c

7877500 = 10150 C0 + 10507500 c

şeklinde oluşacaktır. Burada normal denklemlerini çözümlersek;

163500 = 205250 c

ifadesine ulaşırız. Buradan marjinal tüketim eğilimini ifade eden c (β̂i) katsayısı 0,80 olarak hesaplanır.
c katsayısını normal denklemlerinden herhangi birinde yerine yazarsak otonom tüketim harcamalarını
temsil eden C0 (β̂0);
7600 = 10. C0 + 10150 (0,80)
7600 = 10. C0 + 8120

33

C0 = -52 olarak hesaplanır. Buna göre tahmin
edilen tüketim fonksiyonu şu şekilde yazılır:
Ĉi = -52 + 0.8Yi (2.23)
Öte yandan parametreleri ortalamadan farklar
cinsinden hesaplayacak olursak, C0 ve c paramet-
relerini (2.21) ve (2.22) numaralı eşitlikler yardı-
mıyla belirleyebiliriz. Burada öncelikle; (2.21) nu-
maralı eşitlik yardımıyla c katsayısını belirleyelim.
Buna göre c,
β̂i = ĉ =
∑ xi yi 163500
= =0.80
∑ x 2 205250
i göstermektedir. Öte yandan bağımsız değişken ile
şeklinde hesaplanır. Hesaplanan c değeri (2.22)
numaralı eşitlikte yerine yazılırsa C0,
–
β̂0 = Ĉ0 = Yi – β̂i Xi = 760 – 0,8. (1015) = - 52
olarak belirlenir. Buradan da anlaşılacağı gibi
ister orijinal değerler kullanılsın ister ortalamadan
farklar kullanılsın ulaşılan sonuçlar aynı olacaktır.
Sonuç olarak burada sırasıyla -52 ve 0.8 şeklinde
tahmin edilen β̂0 ve β̂i (Ĉ0 ve ĉ) parametreleri hata
terimlerinin kareleri toplamını minimum yapan
değerlerdir.
En küçük kareler yöntemiyle parametreler tah-
min edilirken hata terimlerinin kareleri toplamının
minimum olması amaçlanır. Bu durumda tahmi-
nin varyansı da düşük olacaktır. Varyans temel
olarak veri setinin dağılımını gösteren bir ölçüttür.
Buna göre düşük varyans regresyon doğrusunun
verilerle uyumlu olduğunun bir göstergesidir. Var-
yansın karekökü ise tahminin standart hata ifade
etmektedir.
S=
∑ ui2 (2.24)
n−2
En küçük kareler yöntemi kısaca, ortala-
madan sapmaların kareleri toplamını mi-
nimum yapan β katsayılarının belirlenme-
si yöntemidir.
34
Basit Doğrusal Regresyon Modeli
Katsayı Tahminlerinin Yorumlanması
Basit doğrusal regresyon modelini örnek tahmi-
nimiz üzerinden yorumlamaya çalışalım. Keynes-
yen tüketim fonksiyonuna dair tahmin sonucumuz
Eşitlik (2.23)’de ifade edildiği gibidir. Burada β0
ve β1 katsayılarının yani otonom tüketim (C0) ve
marjinal tüketim eğiliminin (c) sırasıyla -52 ve 0.8
değerlerini aldığı görülmektedir. Sabit katsayı ba-
ğımsız değişkenin “0” olması durumunda bağım-
lı değişkenin alacağı değerdir. Dolayısıyla burada
sabit katsayıyı temsil eden otonom tüketim har-
camaları harcanabilir gelirin “0” olduğu durum-
da toplam tüketim harcamalarının alacağı değeri
bağımlı değişken arasındaki ilişkinin yönünü ve
kuvvetini gösteren β1 katsayısı ise 0.8 olarak be-
lirlenmiştir ve bu modelimizde marjinal tüketim
eğilimini temsil etmektedir. Buna göre harcanabilir
gelirde meydana gelen “1” birimlik artış, tüketim
harcamalarını “0.8” birim artıracaktır. Görüldüğü
gibi bağımlı ve bağımsız değişken arasındaki ilişki
doğrusal bir ilişkidir ve tahmin edilen parametre-
ler iktisat teorisi tarafından da desteklenmektedir.
Eşitlik (2.16)’da fonksiyonel formda gösterilen
Keynesyen tüketim fonksiyonunu grafik yardımıy-
la görmek de mümkündür.
C
Ĉi=20+0,8Yi
20
Y
Grafik 2.5 Keynesyen Tüketim Fonksiyonu
Grafik 2.5’te en küçük kareler yöntemi ile tah-
mini yapılan Keynesyen tüketim fonksiyonu göste-
rilmektedir. Burada C için gözlem değerleri serpme
noktaları şeklinde gösterilmiştir. En küçük kareler
yönteminde de amaç tahmin edilen fonksiyon ile
serpme noktaları arasındaki uzaklıkların yani hata
terimlerinin kareleri toplamını minimum yapmak-
tır. Tahmin sonucuna göre bu şartı sağlayan β0 ve β1
parametreleri sırasıyla -52 ve 0.8 değerleridir.
Ekonometrinin Temelleri
Katsayı Tahminlerinin Anlamlılık Testleri
Ekonometrik analizlerdeki temel amaç ana küt-
leden rassal olarak seçilen bir örneklem yardımıy-
la ana kütle hakkında çıkarsama yapabilecek tah-
minlerde bulunmaktır. Bu amaçla iktisat teorisine
dayanan ekonometrik modeller çeşitli yöntemler
yardımıyla tahmin edilir ve katsayılar belirlenir.
Ancak bu tahminlerin hem iktisadi olarak hem de
istatistiksel olarak anlamlılığının test edilmesi ge-
rekir. Dolayısıyla burada basit doğrusal regresyon
modelinin tahmin sonuçlarına ilişkin hipotez test-
lerine de ihtiyacımız vardır.
Basit doğrusal regresyon modeline ekonometrik
analizlerde sıklıkla başvurulmaktadır. Ancak bu tür
modellerin ekonometrik analizlerde kullanılabil-
mesi bir takım koşullara bağlıdır. Her şeyden önce
tahmini yapılan modelin iktisat teorisi tarafından
desteklenmesi gerekir. Örneğin, burada örnek ola-
rak incelediğimiz Keynesyen tüketim fonksiyonu-
nu ele alalım. Tahmin edilen bu modelde, gelirde
meydana gelen bir artışın ne oranda tüketim har-
camalarına ayrılacağını gösteren marjinal tüketim
eğiliminin (c) teori gereği 0 ila 1 arasında bir değer
almasını bekleriz. Çünkü, teori gereği gelir artışı ya
tüketime ya da tasarrufa ayrılacaktır. Eğer katsayı
ilgili aralıkta tahmin edilirse tahminin iktisat teori-
si tarafından desteklendiği söylenebilir. Ancak aksi
bir durumda tahmini yapılan regresyon modelinin
gerçek durumu temsil eden uygun bir model olma-
dığı sonucuna varılır. Örnek tahmin sonucumuza
baktığımızda sonuçların iktisat teorisi tarafından
desteklendiğini görebiliriz. Ancak sonuçlar iktisadi
teori tarafından destekleniyor olsa dahi bu, mo-
delin uygun bir model olup olmadığı konusunda
kesin bir yargı içermez. Bu noktada modelin ista-
tistiksel olarak da anlamlı olup olmadığının belir-
lenmesi gerekir. Bu amaçla incelenen ölçütler, R2
(Belirlilik Katsayısı) değeri ile t ve F testleridir.
R2 (Belirlilik Katsayısı)
Tahmin edilen regresyon fonksiyonunun serp-
me diyagramındaki gözlemleri en iyi şekilde temsil
edebilmesi için bu fonksiyonun serpme noktala-
rına ne kadar yakın olduğu modelin gerçek olayı
açıklayıcılığı açısından son derece önemlidir. Belir-
lilik katsayısı da bu serpme noktalarının yani göz-
lem değerlerinin regresyon fonksiyonuna ne kadar
yakın olduğuna dair bir ölçüttür ve temel olarak
bağımlı değişkendeki değişiminin yüzde kaçının
bağımsız değişken tarafından açıklandığını ifade
eder. Eğer gözlem değerlerinin tamamı tahmin edi-
len regresyon fonksiyonu üzerinde yer alsaydı bu
durumda tahmin edilen fonksiyonun gerçek du-
ruma uyumu mükemmel denilebilirdi. Ancak bu
genellikle mümkün değildir ve burada önemli olan
tahmin edilen fonksiyonun gerçeğe ne kadar uyum
gösterdiğidir. Belirlilik katsayısı bu uyumu gösterir
ve şu şekilde hesaplanır:
R2 =
∑ (Y! −Y )2 (2.25)
∑ (Y −Y )2
–
Eşitlik (2.25)’in payında yer alan Σ (Yˆ- Y )2 açık-
lanan değişimi, paydasında yer alan ise toplam de-
ğişimi göstermektedir. Açıklanan değişimin toplam
değişime oranlanmasıyla R2 değerine ulaşılır ve bu
bağımlı değişkendeki değişimin yüzde kaçının ba-
ğımsız değişken tarafından açıklandığını ifade eder.
Burada R2 0 ila 1 arasında bir değer alır ve değer
1’e yaklaştıkça modelin açıklama gücü artar. Örnek
tahminimizde bu katsayının 0,90 olarak hesaplan-
dığını varsayalım. 0,90 olarak hesaplanan R2 değeri
şu anlama gelmektedir: Tüketim harcamalarında
meydana gelen değişim %90 oranında harcanabilir
gelirdeki değişim tarafından açıklanmaktadır.
dikkat
R2 değeri bağımlı değiş-
kendeki değişimin yüzde
kaçının bağımsız değişken-
ler tarafından açıklandığını
ifade eder.
t ve F testi
Tahmin edilen bir modelin istatistiksel olarak
anlamlılığını sınayan testler temel olarak t ve F test-
leridir. Burada t-testi iki ortalama arasındaki farkın
istatistiksel olarak anlamlılığı sınayan doğrusal bir
yöntemdir ve tahmin katsayılarının bireysel olarak
anlamlı olup olmadığını test eder. F testi ise katsa-
yıların eşanlı olarak anlamlılığını sınar ve modelin
bir bütün olarak anlamlı olup olmadığı hakkında
fikir verir. Bir bağımlı ve bir bağımsız değişkenden
oluşan basit doğrusal regresyon modellerinde her
iki testin de sonucu aynı olacağından bu bölümde
yalnızca t testine dair açıklamalara yer verilecektir.
35

Bir sonraki “Çoklu Doğrusal Regresyon Modeli”
başlıklı bölümümüzde F testi ile ilgili detaylı açık-
lamalara ulaşabilirsiniz.
dikkat
t-testi ile tahmin katsayılarının bi-
reysel olarak anlamlı olup olmadığı
sınanırken F testi modelin bir bü-
tün olarak anlamlı olup olmadığı
hakkında fikir verir.
t testi hata terimlerinin varyansının bilinmediği
durumlarda -ki genellikle bilinmez- bireysel olarak
katsayıların anlamlılığının sınanmasında kullanı-
lan istatistiksel bir yöntemdir. İstatistiksel olarak
tahmin edilen katsayısının sıfıra eşit olması o kat-
sayının anlamlı olmadığını ifade eder. Bu neden-
le tahmin edilen katsayının anlamlılığını sınarken
katsayının istatistiksel olarak 0’a eşit olup olma-
dığını test etmemiz gerekir. Buna olanak sağlayan
test ise t testidir. t testi için sıfır hipotezi (veya boş
hipotez) şu şekilde kurulur:
H0: β = 0
Öte yandan alternatif hipotez eğer test çift ta-
raflıysa,
H1: β ≠ 0
şeklinde, eğer test tek taraflıysa,
H1: β > 0 (tahmin edilen β sıfırdan büyükse)
H1: β < 0 (tahmin edilen β sıfırdan küçükse)
şeklinde kurulur.
Tahmin edilen katsayının istatistiksel olarak an-
lamlı olduğunu söyleyebilmemiz için burada sıfır
hipotezini reddetmemiz gerekir. Hipotez testi için
hesaplanacak test istatistiği ise şu şekildedir:
β! − β
t=
(2.26)
()
s β!
Burada test edilen hipotez tahmin parametresi-
nin istatistiksel olarak 0’dan farklı olup olmadığı-
dır. Dolayısıyla Eşitlik (2.26)’da β katsayısı “0” de-
ğerini alacaktır. Buna göre test istatistiğini yeniden
yazacak olursak (2.26) numaralı eşitliği şu şekilde
düzenleyebiliriz:
36
Basit Doğrusal Regresyon Modeli
β!
t
= (2.27)
()
s β!
Eşitlik (2.27)’den de görüleceği üzere tahmin
parametresini tahmin standart hatasına oranlaya-
rak t istatistiğine ulaşabiliriz. Hesaplanan t istatis-
tik değeri testin tek taraflı mı yoksa çift taraflı mı
olduğuna göre t dağılım tablosundan elde edilen
tablo kritik değeri ile karşılaştırılır ve nihayetinde
katsayının istatistiksel olarak anlamlı olup olmadı-
ğı belirlenir. Eğer hesaplanan t değeri mutlak değer
olarak tablo kritik değerinden büyükse H0 reddedi-
lir ve katsayısının istatistiksel olarak anlamlı oldu-
ğunu sonucuna varılır. Yani,
|t| > |ta n-k|
ise H0 reddedilir. Burada tablo kritik değeri be-
lirlenirken anlam düzeyi ve serbestlik derecesi re-
ferans alınır. ta,n-k ifadesindeki α anlam düzeyini,
n-k ise serbestlik derecesini temsil etmektedir. An-
lam düzeyi tek taraflı testlerde genellikle %5 ola-
rak belirlenir. Eğer test çift taraflıysa anlam düzeyi
α/2 olarak alınır. Öte yandan serbestlik derecesini
gösteren n-k ifadesindeki n, gözlem sayısını, k ise
tahmin edilen parametre sayısını ifade etmektedir.
Basit doğrusal regresyon modelinde tahmin edilen
parametre sayısı 2 olduğu için serbestlik derecesi
n-2 olarak belirlenir.
t testini bir örnek üzerinden uygulayacak olur-
sak tahminin yaptığımız Keynesyen tüketim fonk-
siyonunu kullanabilir. ĉi= -52 + 0,8Yi şeklinde tah-
min ettiğimiz Keynesyen tüketim fonksiyonunda
tahmin edilen β1 parametresine ait standart sapma-
nın 0,014 olarak hesaplandığını varsayalım. Bu du-
rumda tahmin edilen β1 katsayısı için test istatistiği
şu şekilde hesaplanacaktır:
β!
t
= =
0.8
=57.14 (2.28)
( )
!
s β1 0.014
Burada tahminin yaptığımız Keynesyen tüke-
tim fonksiyonunda gözlem sayısının 10 olduğu gö-
rülmektedir. Bu durumda serbestlik derecesi n-k,
8 olacaktır. Öte yandan anlam düzeyi olarak 0.05
referans alınacaktır. Çünkü iktisat teorisi gereği
Ekonometrinin Temelleri

marjinal tüketim eğilimini temsil eden β1 katsayısı 0’dan büyük olmalıdır. Dolayısıyla burada alternatif
hipotez “H1: β > 0” şeklinde kurulacak ve hipotez testi tek yönlü olacaktır. 0.05 anlam düzeyinde ve 8
serbestlik derecesinde tablo kritik değeri t tablosundan 1.86 olarak belirlenir. Burada hesaplanan t istatistik
değeri tablo kritik değerinden büyük olduğu için sıfır hipotezi reddedilmiştir.

|t| > |t0.025,28| → |57.14| > |1.86| → H0 red

Dolayısıyla β1 katsayısı istatistiksel olarak 0’dan büyüktür. Buna göre harcanabilir gelirdeki artışın tü-
ketim harcamaları üzerindeki pozitif etkisi iktisadi teori tarafından desteklenmekle birlikte tahmin edilen
katsayının istatistiksel olarak da anlamlı olduğu görülmektedir.

Araştırmalarla
İlişkilendir
TÜKETİM FONKSİYONU VE TÜRKİYE Aynı ifadeyi cebirsel olarak ifade etmek ister-
Mahfi EĞİLMEZ, 9 Ağustos 2016 sek tüketimin gelire göre türevini almamız gerekir:

Tüketim fonksiyonu, Keynesyen makroeko- Mpc = dC / dY

nomik analizde tüketim harcamaları ile GSYH
arasındaki ilişkiyi ortaya koyan bir fonksiyondur.
Gelirin kullanımı iki şekilde olur: Tüketim
(C) ve tasarruf (S). Bunu şöyle ifade edebiliriz:
Y=C+S
Keynes, Genel Teorisinde şöyle yazıyor: “İn-
sanlar, gelirleri arttıkça tüketimlerini de artırırlar.
Ne var ki tüketimdeki artış, gelirlerindeki artış
kadar olmaz.” Bu ifadeden yola çıkarsa başka şey-
ler sabit tutulduğunda (ceteris paribus), tüketi-
min gelirin bir fonksiyonu olduğunu görebiliriz.
Bunu da şöyle yazabiliriz:
C = f (Y)
Her ne kadar tüketim, gelirin bir fonksiyonu
olarak ifade edilse de insanoğlu, hiç geliri olma-
sa da yaşamak için tüketim yapmak zorundadır.
Gelire bağlı olmaksızın yapılan bu tür harcamaya
otonom tüketim harcaması (CO) adı veriliyor.
Tüketim ile gelir arasındaki bu ilişkiden çı-
karak marjinal tüketim eğilimi (Mpc) kavramı
geliştirilmiştir. Marjinal tüketim eğilimi, gelirde
ortaya çıkan bir birim artışın tüketimde ortaya
çıkardığı artışı gösterir. Hesaplanması tüketim-
deki değişimin (ΔC) gelirdeki değişime (ΔY) bö-
lünmesiyle bulunur: 
Keynes’in yukarıya aldığımız ifadesinden
yola çıkarsak marjinal tüketim eğiliminin 0 ile
1 arasında olacağını anlarız. Çünkü tanıma göre
gelirde artış olduğunda tüketimde artış olacak
(0’dan büyük) ama bu artış gelirdeki artış kadar
büyük olmayacaktır (1’den küçük.)
Buraya kadar yaptığımız açıklamayı özet-
lersek: (1) İnsan, hiç geliri olmasa da belirli bir
tüketim harcaması yapmak zorundadır (bunu
borçlanarak yaptığını varsayıyoruz.) (2) Geliri
arttıkça tüketim harcamaları da artar ancak bu
artış gelirdeki artıştan daha küçük olur.
Buraya kadar anlattıklarımızı bir şekille gös-
terelim:
C
C=CO+cY
C2
C1 c
CO
0 Y1 Y2 Y

Mpc = ΔC / ΔY

37
 Basit Doğrusal Regresyon Modeli

Dikey eksende tüketim harcamaları (C), yatay eksende gelir (Y) yer alıyor. 0 ile C1 arasında tü-
ketim harcamalarının gelirden bağımsız kısmı yani otonom tüketim (CO) yer alıyor. Dikkat edilecek
olursa gelirin (Y) sıfır olduğu yerde de tüketim söz konusu.
Buna göre tüketim fonksiyonunu şöylece yazabiliriz:

C = CO + cY

Burada C tüketim harcamalarını, CO otonom (gelirden bağımsız) tüketim harcamalarını, cY gelire

bağımlı tüketim harcamalarını gösteriyor. Denklemdeki C bağımlı değişkeni (açıklanan değişken), Y ise
bağımsız değişkeni (açıklayıcı değişken) gösteriyor. C’nin bağımlı değişken olmasının nedeni yukarıda
C = f (Y) fonksiyonel ilişkisinde gösterildiği gibi Y’ye bağımlı olmasından, Y’nin bağımsız değişken
olması ise tüketim harcamalarından bağımsız olarak ortaya çıkmasından kaynaklanıyor. Denklemdeki
CO’ya (dikey ekseni) kesen katsayı, c’ye ise eğim katsayısı adı veriliyor.
Ekonomilerde GSYH büyümesi de benzer şekilde tüketim harcamalarının artışına yol açar. Bunu
bir tablo yardımıyla gösterilebilir (bütün veriler milyar TL olarak okunmalı.)

Yıllar GSYH GSYH’da Artış Tüketim Harcamaları Tüketim Harcamalarında Artış

1 100 90 8
2 110 10 98 8
3 120 10 106 8
4 130 10 114 8
5 140 10 122 8
6 150 10 130 8

Yukarıdaki tabloya bakıldığında gelir (GSYH) arttıkça tüketim harcamalarının da arttığı görülebi-
liyor. Tablodaki verileri yukarıdaki denklemimizde yerine koyalım:

C = CO + cY
C = 10 + 08 Y

Bu fonksiyonel ilişki bize şunu anlatıyor: GSYH düzeyi sıfır bile olsa 10 milyar TL’lik tüketim har-
caması yapılmaktadır. GSYH’daki her 10 milyar TL’lik artış, 8 milyar TL’lik tüketim harcaması artışına
yol açtığına göre marjinal tüketim eğilimi 0,8 demektir. Her farklı GSYH düzeyinde yapılan toplam
tüketim harcamasının GSYH’ya oranı değişmektedir. Bu orana da ortalama tüketim eğilimi adı veril-
mektedir. Örneğin GSYH 100 milyar TL iken ortalama tüketim eğilimi 90/100 = 0,90, 110 milyar TL
iken 98/110 = 0,89 olmaktadır.
Bu sanal örnekten sonra Türkiye verilerini kullanarak aynı hesaplamaları tekrarlayalım. Aşağıdaki
tablo Türkiye’nin 1998 – 2015 yılları arasındaki GSYH ve özel nihai tüketim harcamalarını sergiliyor.

38
Ekonometrinin Temelleri

Yıllar GSYH GSYH Artışı Özel Tüketim Tüketim Artışı Tüketim/GSYH (%)
 Y ΔY C ΔC c
1998 70,2 46,7 66,5
1999 104,6 34,4 71,6 24,9 68,5
2000 166,7 62,1 117,5 45,9 70,5
2001 240,2 73,5 164,3 46,8 68,4
2002 350,5 110,3 238,4 74,1 68
2003 454,8 104,3 324 85,6 71,2
2004 559 104,2 398,6 74,6 71,3
2005 648,9 89,9 465,4 66,8 71,7
2006 758,4 109,5 534,8 69,4 70,5
2007 843,2 84,8 601,2 66,4 71,3
2008 950,5 107,3 663,9 62,7 69,8
2009 952,6 2,1 680,8 16,9 71,5
2010 1.098,80 146,2 787,8 107 71,7
2011 1.297,70 198,9 923,8 136 71,2
2012 1.416,80 119,1 994,4 70,6 70,2
2013 1.567,30 150,5 1.109,70 115,3 70,8
2014 1.748,20 180,9 1.204,40 94,7 68,9
2015 1.953,60 205,4 1.341,20 136,8 68,7
Ortalama 110,8 76,1 70,2

Bu tablodan hareketle Türkiye için tüketim fonksiyonu grafiğini çizelim:

Türkiye Tüketim Fonksiyonu

Tüketim C

1600
1400 c=CO+cY
1200
1000
800
600
400
200
0
60 560 1060 1560 2060
Gelir Y

Şimdi de tablodaki verileri tüketim fonksiyonu denklemine yerleştirelim:

C = CO + cY

Burada:

C = 1.341,20

CO = Bilinmiyor

Y = 1.953,60

c = Mpc = 0,702

39
 Basit Doğrusal Regresyon Modeli

O halde önce bilinmeyen CO’ı bulalım:

1.341,20 = CO + 0,702 (1.953,60)
CO = - 1.371,43 + 1.341,20 = - 30,23
C = - 30,23 + 0,702 (1.953,60) = 1.341,20
Orta Vadeli Programa göre 2016 yılının GSYH tahmini 2.207 milyar TL’dir. Buradan giderek 2016
yılı için tüketim harcamalarını tahmin etmeye çalışalım. Bu tahmini yaparken 2015 yılı için hesapladı-
ğımız CO = – 30,23’ün ve c = Mpc = 0,702 değerlerinin 2016 yılında da aynı kalacağını varsayıyoruz.
C 2016 = CO 2016 + cY 2016
C 2016 = - 30,23 + 0,702 (2.207) = - 30,23 + 1.549,31 = 1.519,1
Buraya kadar anlattıklarımız matematiksel ekonominin alanına giriyor. Bunun ekonometrinin ala-
nına girebilmesi için gelir artışı dışında tüketimi etkilemesi olası diğer unsurları da işin içinde katmamız
gerekiyor. O zaman denklemimiz şöyle bir görünüm alır:
C = CO + cY + u

Burada denkleme eklediğimiz u (hata payı) toplumun yaş ortalaması, hane halklarının sayısı, inanç-
lar, gelenekler gibi tüketim harcamalarını gelir dışında etkileyen diğer faktörleri kapsayan bir terimdir.
Ekonometrik tahminde kullandığımız u terimini işin içine katarak yapacağımız doğrusal regresyon tah-
mini u terimini katmadan yapacağımız tahmine göre gerçekleşmeye daha yakın bir tahmin olacaktır. u
terimi için bir değer bulmanın en kestirme yolu herhangi bir yılın gerçekleşmiş verilerini ve bir sonraki
yılın gerçekleşmiş GSYH’sını alıp yukarıdaki denklemi kullanarak bir sonraki yıl için tüketim tahmini
yapmaktır. Çıkacak tahmin sonucuyla gerçekleşme arasındaki farkı bütün bir seri için hesaplayıp orta-
lamasını alırsak ortaya çıkan değeri u olarak kabul edebiliriz.

Kaynak: http://www.mahfiegilmez.com/2016/08/tuketim-fonksiyonu-ve-turkiye.html Erişim Ta-

rihi: 31.10.2019

Öğrenme Çıktısı

4 En küçük kareler yöntemini açıklayabilme

5 Tahmin katsayılarını yorumlayabilme, katsayılarının anlamlılığını sınayabilme

Araştır 3 İlişkilendir Anlat/Paylaş

İktisat teorisini temel ala-

Qsx = 50 + 5Px şeklinde tah-
En küçük kareler tahmin- cak şekilde oluşturacağınız
min edilen bir arz fonksi-
cisinin taşıdığı özellikleri bir basit doğrusal regresyon
yonunda katsayıları ile bu
açıklayın, bu özellikleri tah- modelini en küçük kareler
tahminin anlamlılığını ikti-
mincilerde aranan özellikler yöntemiyle tahmin edin ve
sadi teori çerçevesinde yo-
ile ilişkilendirin. sonuçları arkadaşlarınızla
rumlayın.
paylaşın.

40
Ekonometrinin Temelleri

1 Doğrusal regresyon modelini açıklayabilme

öğrenme çıktıları ve bölüm özeti

Bağımlı değişken, bağımsız değişken
2 ve stokastik hata terimi kavramlarını
tanımlayabilme, β katsayılarını ifade edebilme

Doğrusal Regresyon Modeli

1 Regresyon modelleri, bağımlı ve bağımsız değişken sayısına göre basit ve çoklu regresyon modelleri olarak
ayrılırken değişkenler arasındaki ilişkilere göre doğrusal ve doğrusal olmayan regresyon modelleri şeklinde
sınıflandırılmaktadır. Doğrusal regresyon modelindeki “doğrusal” ifadesi “β1” katsayının doğrusallığı ile
ilgilidir. Bu tür modellerde β1 katsayısına, kuvvetinin alınması (β2) veya logaritmasının alınması (lnβ) gibi
herhangi bir dönüşüm uygulanamaz, bağımlı ve bağımsız değişkenler arasındaki ilişkilerin doğrusal olduğu
varsayılır.

2 Bağımlı değişken kısaca bağımsız değişkenlere bağlı olarak değişen yani bağımsız değişkenler tarafından
açıklanan değişkendir. Bağımsız değişken ise bağımlı değişkeni etkileyen değişkendir ve değişimi modeldeki
herhangi diğer bir değişkene bağlı değildir. Y = β0 + β1 X + u gibi bir doğrusal regresyon modelinde Y ve X
sırasıyla bağımlı ve bağımsız değişkenleri temsil etmektedir. Yani bağımlı değişken olan Y bağımsız değişken
olan X tarafından açıklanmaktadır. Burada, Y ve X arasında temeli iktisat teorisine dayanan bir ilişki ol-
malıdır. Regresyon modelinde yer alan u ise stokastik hata terimidir. Regresyon modeli kurulurken verilere
ulaşamama, ölçüm hataları gibi nedenlerle modelde yer almayan veya ölçülemeyen ancak Y’yi etkilediği
düşünülen çok sayıda faktör olabilir. Stokastik hata terimi de tüm bu değişkenleri temsil etmektedir. Öte
yandan modelde yer alan β0 bağımlı değişkenin sıfır olması durumunda bağımlı değişkenin alacağı değeri
gösteren sabit katsayıyı β1 ise bağımsız değişkendeki değişimin bağımlı değişkeni ne yönde ve ne düzeyde
etkilediğini gösteren bağımsız değişken katsayısını temsil etmektedir. Doğrusal regresyon modelindeki doğ-
rusal ifadesi de β1 katsayının doğrusallığı ile ilgilidir.

Basit doğrusal regresyon

3 modelini tanımlayabilme,
varsayımlarını açıklayabilme

Basit Doğrusal Regresyon

Modeli

3 Basit regresyon modeli bir bağımlı ve bir bağımsız değişkenin oluşturduğu regresyon modelidir. Bu tür
modellerde bağımlı değişkendeki değişim yalnızca bir bağımsız değişken tarafından açıklanır. Bu iki değiş-
ken arasındaki ilişkinin doğrusal olması durumunda ise modele basit doğrusal regresyon modeli adı verilir.
Basit doğrusal regresyon modeli bağımlı ve bağımsız değişken arasındaki ortalama ilişkileri gösterir. Bu
ilişki kesin değildir çünkü tahmini yapılan modelde her zaman bir hata payı söz konusudur. Tahmin edilen
değerle gerçek değer arasındaki farkı gösteren bu hata payı ise regresyon modelinde hata terimi şeklinde mo-
dele dahil edilmektedir. Regresyon modellerinin temel varsayımları da bu hata terimi ile ilgilidir. Regresyon
modelinde hata terimine ilişkin varsayımlar sırasıyla, normallik varsayımı, sıfır ortalama varsayımı, sabit
varyans varsayımı ve hata teriminin otokorelasyon (ardışık bağımlılık) içermemesi varsayımlarıdır.

41
 Basit Doğrusal Regresyon Modeli

4 En küçük kareler
yöntemini açıklayabilme
öğrenme çıktıları ve bölüm özeti

Tahmin katsayılarını
5 yorumlayabilme, katsayılarının
anlamlılığını sınayabilme

Basit Doğrusal Regresyon

Modelinin Tahmini

4 En küçük kareler yöntemi temel olarak, ortalamadan sapmaların kareleri toplamını minimum yapan
β katsayılarının belirlenmesine dayanır. EKK yöntemi yardımıyla herhangi bir iktisadi olayı incelerken
değişkenler arasındaki ortalama ilişkiler belirlenir ve bu ilişkinin gerçeğe en yakın şekilde tahmin edildiği
varsayılır. Burada ana kütleden rassal olarak seçilen bir örneklemden elde edilen veriler kullanılarak gerçek
durumu en iyi temsil eden β0 ve β1 katsayılarının tahmin edilmesi amaçlanır.

5 Ĉ = -52 + 0,8Y şeklinde tahmin edilen Keynesyen tüketim fonksiyonunda 20 olarak belirlenen sabit kat-
i i
sayı (β0) bağımsız değişkenin “0” olması durumunda bağımlı değişkenin alacağı değeri temsil etmektedir.
Dolayısıyla burada sabit katsayıyı temsil eden otonom tüketim harcamaları harcanabilir gelirin “0” olduğu
durumda toplam tüketim harcamalarının alacağı değeri göstermektedir. Öte yandan bağımsız değişken ile
bağımlı değişken arasındaki ilişkinin yönünü ve kuvvetini gösteren β1 katsayısı ise 0,8 olarak belirlenmiştir
ve bu modelimizde marjinal tüketim eğilimini temsil etmektedir. Buna göre harcanabilir gelirde meyda-
na gelen “1” birimlik artış, tüketim harcamalarını “0,8” birim arttıracaktır. Basit regresyon modellerinin
ekonometrik analizlerde kullanılabilmesi bir takım koşullara bağlıdır. Her şeyden önce tahmini yapılan
modelin iktisat teorisi tarafından desteklenmesi gerekir. Bu öncelikli şarttır. Ancak sonuçlar iktisadi teori
tarafından destekleniyor olsa dahi bu, modelin uygun bir model olup olmadığı hakkında kesin bir yargı
oluşturmaz. Çünkü modelin istatistiksel olarak da anlamlı olup olmadığının belirlenmesi gerekir. Bu amaca
yönelik olarak başvurulan ölçütler, R2 (Belirlilik Katsayısı) değeri ile t ve F testleridir. Burada R2 (Belirlilik
Katsayısı) temel olarak bağımlı değişkendeki değişiminin yüzde kaçının bağımsız değişkenler tarafından
açıklandığını gösteren bir ölçüttür. Öte yandan t-testi iki ortalama arasındaki farkın istatistiksel olarak
anlamlılığı sınayan doğrusal bir yöntemdir ve tahmin katsayılarının bireysel olarak anlamlı olup olmadığını
test eder. F testi ise katsayıların eşanlı olarak anlamlılığını sınar ve modelin bir bütün olarak anlamlı olup
olmadığı hakkında fikir verir.

42
Ekonometrinin Temelleri
1 Bir bağımlı ve bir bağımsız değişkenden olu-
şan regresyon modellerine ne ad verilir?
A. Basit regresyon modeli
B. Doğrusal regresyon modeli
C. Lineer regresyon modeli
D. Çoklu regresyon modeli
E. Nonlineer regresyon modeli
2 Aşağıdakilerden hangisi beklenen Y değeri ile
gerçek Y değeri arasındaki farkı ifade eder?
A. Bağımsız değişken
B. Bağımlı değişken
C. Sabit katsayı
D. Bağımlı değişken katsayısı
E. Stokastik hata terimi
3 Basit doğrusal regresyon modeli için aşağıda
verilen ifadelerden hangisi yanlıştır?
A. Modelde bir bağımlı değişken vardır.
B. Modelde bir bağımsız değişken vardır.
C. Değişkenler arasındaki ilişkiler deterministiktir.
D. Modelde stokastik hata terimi yer almaktadır.
E. Bağımlı ve bağımsız değişken arasındaki ilişki
doğrusaldır.
4 Aşağıdakilerden hangisi basit doğrusal regres-
yon modelinde bağımsız değişkenin “0” olması du-
rumunda bağımlı değişkenin alacağı değeri temsil
etmektedir?
A. Stokastik hata terimi
B. Bağımsız değişken katsayısı
C. Bağımlı değişken
D. Sabit katsayı
E. Bağımsız değişken
5 Aşağıdakilerden hangisi basit doğrusal regres-
yon modelinin varsayımları arasında yer almaz?
A. Hata terimi normal dağılıma sahiptir.
B. Hata terimleri otokorelasyon içermektedir.
C. Hata terimi sıfır ortalamaya sahiptir.
D. Hata terimlerinin varyansı sabittir.
E. Hata terimleri arasında ardışık bağımlılık yoktur.
6 Aşağıdakilerden hangisi hata terimlerinin
varyansının bağımsız değişkenin alacağı her bir de-
neler öğrendik?
ğerde farklılık göstermesi durumunu ifade eder?
A. Sabit varyans B. Değişen varyans
C. Otokorelasyon D. Ardışık bağımlılık
E. Normal dağılım
7 Aşağıdakilerden hangisi hata terimlerinin ar-
dışık bağımlılığını ifade eder?
A. Otokorelasyon B. Sabit varyans
C. Sıfır ortalama D. Değişen varyans
E. Normal dağılım
8 Aşağıda en küçük kareler yöntemi ile ilgili
verilen ifadelerden hangisi yanlıştır?
A. EKK tahmincisi doğrusal ve sapmasız tahmin-
cidir.
B. EKK tahmincisi en düşük varyansa sahip tah-
mincidir.
C. EKK temel olarak ortalamadan sapmaların ka-
releri toplamını minimum yapan β katsayıları-
nın belirlenmesine dayanır.
D. EKK yöntemi ile değişkenler arasındaki ortala-
ma ilişkileri belirlenir.
E. EKK yöntemi ile minimum β katsayıları belir-
lenir.
9 ∑ xi yi = 900 ve ∑ xi2= 1200 olarak hesaplan-
mışsa ortalamadan farklar yöntemine göre βi kat-
sayısının alacağı değer aşağıdakilerden hangisidir?
A. 1,33 B. 1,25
C. 0,75 D. 0,12
E. 0,09
10 Bağımlı değişkendeki değişimin yüzde kaçı-
nın bağımsız değişken tarafından açıklandığı gös-
teren ölçüt aşağıdakilerden hangisidir?
A. t istatistiği
B. F istatistiği
C. β katsayısı
D. R2 değeri
E. u terimi
43
 Basit Doğrusal Regresyon Modeli

Yanıtınız yanlış ise “Basit Doğrusal Regres-

1. A Yanıtınız yanlış ise “Giriş” konusunu yeni- 6. B
yon Modelini Temel Varsayımları” konusu-
den gözden geçiriniz.
nu yeniden gözden geçiriniz.
neler öğrendik yanıt anahtarı

Yanıtınız yanlış ise “Doğrusal Regresyon Yanıtınız yanlış ise “Basit Doğrusal Regres-
2. E 7. A
Modeli” konusunu yeniden gözden geçiri- yon Modelini Temel Varsayımları” konusu-
niz. nu yeniden gözden geçiriniz.

Yanıtınız yanlış ise “Basit Doğrusal Regres-

3. C 8. E Yanıtınız yanlış ise “En Küçük Kareler Yön-
yon Modeli” konusunu yeniden gözden ge-
temi” konusunu yeniden gözden geçiriniz.
çiriniz.

Yanıtınız yanlış ise “Basit Doğrusal Regres-

4. D 9. C Yanıtınız yanlış ise “En Küçük Kareler Yön-
yon Modeli” konusunu yeniden gözden ge-
temi” konusunu yeniden gözden geçiriniz.
çiriniz.

Yanıtınız yanlış ise “Basit Doğrusal Regres- Yanıtınız yanlış ise “Katsayı Tahminlerinin
5. B 10. D
yon Modelini Temel Varsayımları” konusu- Anlamlılık Testleri” konusunu yeniden göz-
nu yeniden gözden geçiriniz. den geçiriniz.

Araştır Yanıt
2 Anahtarı

Doğrusal regresyon modelleri bağımlı ve bağımsız değişken arasındaki iliş-

kilerin doğrusal olduğu modelleri tanımlamaktadır. Bu tür modellerde β1
katsayısına, kuvvetinin alınması (β2) veya logaritmasının alınması (lnβ) gibi
Araştır 1 herhangi bir dönüşüm uygulanamaz. Buna göre Q = AKαLβ şeklinde tanım-
lanan Cobb-Douglas üretim fonksiyonunun parametrelerine göre doğrusal
olmadığı görülmektedir.

Varyans temel olarak ortalamaya göre volatiliteyi ölçer. Basit doğrusal reg-
resyon modelinin bir varsayımı da hata teriminin volatilitesinin değişmediği
yani sabit kaldığıdır. Bu varsayıma göre hata teriminin varyansını bağımsız
değişkenin alacağı herhangi bir değerde değişmez. Bu varsayımın ihlali du-
Araştır 2 rumunda değişen varyans sorunuyla karşılaşılır. Değişen varyans durumunda
bağımsız değişkenlerin alacağı her değerde hata teriminin varyansı değişir.
Değişen varyansın varlığı durumunda en küçük kareler tahmincileri en dü-
şük varyansa sahip olma özelliğini kaybedecektir. Aynı zamanda uygulanacak
t ve F testleri de sağlıklı sonuçlar vermeyecektir.

Qsx = 50 + 5Px şeklinde tahmin edilen arz fonksiyonunda sabit katsayı (β0) 50,
bağımsız değişken parametresi ise (β1) 5 olarak belirlenmiştir. Burada tahmin
sonuçlarını iktisadi teori çerçevesinde değerlendirecek olursak sonuçların arz
kanunu tarafından desteklenip desteklenmediğini incelememiz gerekir. Arz
kanunu temel olarak diğer koşullar sabitken malın fiyatı (Px) ile arz edilen
Araştır 3 miktarı (Qsx) arasındaki doğru yönlü ilişkiyi açıklamaktadır. Buna göre bir
malın fiyatı arttığı zaman arz edilen miktarının da artması beklenir. Burada
da bağımsız değişken parametresinin (5) pozitif bir değer olduğu görülmek-
tedir ve katsayının yorumu şu şekildedir: X malının fiyatında meydana gelen
1 birimlik değişim karşısında malın arz edilen miktarı aynı yönde 5 birim
değişir. Dolayısıyla burada tahmin edilen arz fonksiyonunun iktisat teorisi
tarafından da desteklendiği görülmektedir.

44
Ekonometrinin Temelleri
Kaynakça
Amemiya, T. (1985). Advanced econometrics.
Cambridge: Harvard University Press
Ertek, T. (1987). Ekonometriye giriş. İstanbul: Beta
Basım Yayım
Greene, W. H. (2003).  Econometric analysis. New
Jersey: Pearson Education
Gujarati, D. N. (2011). Econometrics by example. New
York: Palgrave Macmillan
Hill, R.C., Griffiths, W.E. ve Lim, G.C. (2008).
Principles of econometrics. (3rd Edition) NJ: Wiley
Verbeek, M. (2004). A guide to modern econometrics.
(2nd Edition). UK: John Wiley & Sons, Ltd.
Wooldridge, J. M. (2012). Introductory econometrics: a
modern approach (5.th Edition). Nelson Education
45
 Bölüm 3
Çoklu Doğrusal Regresyon Modeli
Çoklu Doğrusal Regresyon Modelinin
Tahmini
öğrenme çıktıları

2 Çoklu doğrusal regresyon modeli için en

1 2
Çoklu Doğrusal Regresyon Modeli
1 Çoklu doğrusal regresyon modelini
tanımlayabilme, varsayımlarını
sıralayabilme
küçük kareler yöntemini açıklayabilme,
tahmin katsayılarını yorumlayabilme
3 Çoklu belirlilik katsayısını tanımlayabilme

3
Hipotez Testleri
4 Kısmi regresyon katsayılarını ve modelin bir
bütün olarak anlamlılığını sınayabilme

Anahtar Sözcükler: • Çoklu Doğrusal Regresyon Modeli • Kısmi Regresyon Katsayıları

• En Küçük Kareler Yöntemi • Çoklu Belirlilik Katsayısı (R2) • t-Testi • F Testi

46
Ekonometrinin Temelleri
GİRİŞ
Basit doğrusal regresyon modelinde bağımlı
değişken yalnızca bir bağımsız değişken tarafından
açıklanmaktaydı. Ancak günlük hayatta çoğu kez
olaylar çok sayıda faktörden etkilenir. İktisadi olaylar
da benzer şekilde birçok faktörün etkisi altında kal-
maktadır. Bu nedenle iktisadi teori veya hipotezleri
analiz ederken basit doğrusal regresyon modeli çoğu
kez yetersiz kalmaktadır. Örneğin, bir malın arz edi-
len miktarı o malın fiyatının yanı sıra girdi maliyet-
leri, ikame malların fiyatları, teknoloji düzeyi gibi
çok sayıda faktörden etkilenmektedir. Dolayısıyla
arz edilen miktar burada tek bir faktörün etkisiyle
değil, çok sayıda faktörün kolektif etkisiyle açıklan-
maktadır. Bu şekilde bir bağımlı değişken ve birden
çok bağımsız değişken arasındaki ilişkiler çoklu reg-
resyon modelleri yardımıyla incelenmektedir.
ÇOKLU DOĞRUSAL REGRESYON
MODELİ
Bir önceki bölümde de bahsedildiği gibi bir ba-
ğımlı ve bir bağımsız değişkenden oluşan model-
lere basit regresyon modeli, bir bağımlı ve birden
çok bağımsız değişkenin oluşturduğu modellere
ise çoklu regresyon modeli adı verilmektedir. Öte
yandan değişkenler arasındaki ilişkilerin doğrusal-
lığına göre, regresyon modelleri doğrusal (lineer)
regresyon modeli ve doğrusal olmayan (nonlineer)
regresyon modeli olarak sınıflandırılmaktadır. Eğer
model, aralarında doğrusal ilişkiler bulunan bir ba-
ğımlı değişken ve birden çok bağımsız değişkenden
oluşuyorsa bu tür modeller ise çoklu doğrusal reg-
resyon modeli olarak adlandırılmaktadır.
Aralarında doğrusal ilişkiler bulunan bir
bağımlı ve birden çok bağımsız değişkenin
oluşturduğu regresyon modellerine çoklu
doğrusal regresyon modeli adı verilir.
Çoklu doğrusal regresyon modelleri ekonomet-
rik analizlerde sıklıkla başvurulan regresyon modeli
türüdür. Çünkü günlük hayattaki birçok olay gibi
iktisadi olaylarda sayısız faktörden etkilenmektedir.
Bu nedenle iktisadi olaylar çoğu kez çoklu regres-
yon ilişkisi ile modellenir ve tahmin edilir. Çoklu
doğrusal regresyon için genel ekonometrik model
şu şekilde ifade edilir:
Yi = β0 + β1X1i+ β2X2i + …+ βnXni + ui (3.1)
Eşitlikte Yi bağımlı değişkeni, Xi’ler ise her i
gözlemi için 1’den n’e kadar olan bağımsız değiş-
kenleri göstermektedir. Öte yandan β0 sabit teri-
mi, βni ‘ler ise bağımsız değişkenlere ait katsayıları
diğer bir adıyla kısmi regresyon katsayılarını tem-
sil etmektedir. Kısmi regresyon katsayıları temel
olarak bağımsız değişkenler ile bağımlı değişken
arasındaki ilişkileri ortaya koyan katsayılardır. Mo-
delin doğrusal model olarak adlandırılması da bir
önceki bölümde bahsedildiği gibi yine bu β kat-
sayılarının doğrusallığı ile ilgilidir. β katsayıları
temel olarak bağımsız değişkenlerin bağımlı değiş-
ken üzerindeki etkisini gösterir ve katsayı doğrusal
formda yorumlanır. Örneğin, eğer β1 katsayısı +5
olarak belirlenmişse bu X1i’in 1 birim değişmesi
durumunda Yi’nin aynı yönde 5 birim değişeceğini
söylemektedir. Öte yandan modelde yer alan ui ise
yine hata terimini temsil etmektedir. Basit doğrusal
regresyon modelinde olduğu gibi burada da hata
terimi stokastik yani tesadüfi bir değişkendir.
Çoklu doğrusal regresyon modelini daha iyi
kavrayabilmek için iktisadi bir örnek üzerinden
somutlaştıralım. Bir önceki bölümde basit doğ-
rusal regresyon modelini incelerken Keynesyen
tüketim fonksiyonunu ele almıştık ve tüketimin
harcanabilir gelirin bir fonksiyonu olduğunu dile
getirmiştik. Tüketim fonksiyonuna göre bireyler
gelirlerinde meydana gelen bir artışı ya tüketim
harcamalarına ayırırlar ya da tasarruf ederler. Bu-
rada da üzerinde duracağımız iktisadi teori tasarruf
fonksiyonu olsun. Teori gereği tasarruflar da temel
olarak tüketim harcamaları gibi harcanabilir gelirin
bir fonksiyonudur. Daha önce de belirttiğimiz gibi
bireyler artan gelirlerini ya tüketim harcamalarına
ya da tasarruflara yöneltir. Peki bireylerin tasarruf-
larını belirleyen tek faktör harcanabilir gelirleri mi-
dir? Hayır. Çünkü bireyler artan gelirlerini tüketim
veya tasarruf arasında paylaştırırken yapacakları
tercihin fırsat maliyetini de göz önünde bulundu-
rurlar. Dolayısıyla burada önemli bir iktisadi değiş-
kenin de modele dahil edilmesi gerekir. Bu değiş-
ken ise faiz oranlarıdır.
Faiz oranları ile tasarruflar arasında teorik ola-
rak doğru yönlü bir ilişki olduğu varsayılır. Çünkü
faiz oranlarındaki artış tüketimin fırsat maliyetini
artırmaktadır ve bireylerin tasarruflarını artırma-
larına yol açmaktadır. Benzer şekilde harcanabilir
gelir ile tasarruflar arasında da yine pozitif yönlü
bir ilişki olduğu bilinmektedir. Buna göre tasarruf-
ların harcanabilir gelirin ve faiz oranlarının doğru
yönlü bir fonksiyonu olduğunu söyleyebiliriz.
47

S = S0 + sY + br (3.2)
Eşitlik (3.2)’de yer alan S0 otonom tasarruflar-
dır. Otonom tasarruflar harcanabilir gelirin ve faiz
oranlarının sıfır olduğu durumda toplam tasarruf-
ların alacağı değerdir. sY ise harcanabilir gelire bağlı
olarak değişen tasarrufları belirtir. Bu ifade de yer
alan s marjinal tasarruf eğilimini temsil eder ve bu
katsayı gelirdeki artışın ne oranda tasarruflara ayrı-
lacağını ifade eder. Öte yandan modelde yer alan r
faiz oranlarını, faiz değişkenine ait katsayı olan b
ise faiz oranlarındaki değişimin tasarruflar üzerin-
deki etkisinin ne yönde ve ne büyüklükte olacağını
gösteren katsayıdır. Eşitlikte hem harcanabilir gelir
hem de faiz oranlarına ait katsayıların pozitif işare-
te sahip olduğu görülmektedir. Buna göre tasarruf-
ların, harcanabilir gelirin ve faiz oranlarının doğru
yönlü bir fonksiyonu olduğunu söyleyebiliriz. An-
Yaşamla İlişkilendir
FAİZ VE TASARRUF ORANI
Asaf Savaş AKAT, 21 Nisan 2014
Para politikası kurulunun Perşembe toplan-
tısından önce reel faizlere bakmaya devam ediyo-
rum. Geçen yazıda Serdengeçti, Yılmaz ve Başçı
yönetimleri için üç faizi (MB borçlanma ve fon-
lama, gösterge tahvil) karşılaştırdım.
Para politikası ve faiz tartışmalarında günde-
me gelen bir konu tasarruf oranlarıdır. Örneğin
düşük faizin özel tasarrufları azaltıcı etki yaptığı
görüşü yaygındır. Tasarruf oranındaki gerileme-
nin temel nedeni olduğu bile söylenir.
Özel tasarruf oranı Türkiye’de tasarruflar
cari fiyatlarla milli gelirin tüketim ve yatırım ve-
rileri üzerinden Kalkınma Bakanlığı (eski DPT)
tarafından hesaplanıyor. İç tasarruflar ikiye ayrı-
lıyor: özel ve kamu. Mutlak değerleri milli gelire
bölünce tasarruf oranları bulunuyor.
Kamu tasarrufu faizden etkilenir mi? Faiz
yükselince devlet tüketimini kısıp tasarrufunu
arttırır mı? Cevap olumsuzdur. Maliye politika-
sı, siyasi konjonktür, vs. öne çıkar. Dolayısı ile
faiz-tasarruf ilişkisi için özel tasarruflara dönmek
gerekir.
Maalesef özel tasarrufun “hanehalkı” ve “ku-
rumlar” arasında dağılımı bilinmiyor. Tasarruf
tartışmasında kavram kargaşasının temel nedeni-
dir. Bir: faize hanehalkı duyarlıdır. İki: eskime-
yıpranma payı (amortisman) kurumsal tasarrufa
dahildir. Ayrıntısına girmiyorum.
48
Çoklu Doğrusal Regresyon Modeli
cak burada söz konusu ilişkinin diğer koşulların
sabit olduğu varsayımı altında geçerli olduğunu
vurgulamamız gerekmektedir. Öyle ki yapılan kimi
çalışmalarda tasarruflar ve faiz oranları arasındaki
doğru yönlü ilişkilerin zaman zaman geçerli olma-
dığı da belirlenmiştir. Bu durum, tasarrufları etki-
leyen başka faktörlerin de varlığını ima etmektedir.
Tasarrufları etkileyen çok sayıda faktörden bah-
sedebiliriz ve bu faktörlerin etkisi döneme veya
ekonomik koşullara bağlı olarak faizlerin tasarruf-
lar üzerindeki etkisinden daha kuvvetli olabilir. Bu
nedenle Asaf Savaş Akat’ın da yazısında belirttiği
gibi tasarruf analizlerinde döviz kuru gibi değişken-
lerin ya da ekonomik birimlerin tasarruf kararları
üzerinde etkili olan diğer sosyo-ekonomik faktörle-
rin analizlere dahil edilmesi tasarruf-faiz ilişkisinin
daha sağlıklı yorumlanmasını sağlayabilir.
Veriler şaşırtıyor
Karşılaştırmayı Serdengeçti ve Başçı’nın üç
yıllık yönetimleri ve MB borçlanma faiz orta-
laması ile sınırladım. Grafiği kolaylaştırdı. Ser-
dengeçti (2003-05) yüksek (yüzde 13.6) reel faiz
öderken Başçı (2011-13) reel faizi negatife (yüz-
de - 2.4) çekiyor.
Ya özel kesim tasarruf oranları? 2002’de
yüzde 23.4 iken 2005’de yüzde 13.1’e geriliyor.
Serdengeçti’nin yüksek faizine rağmen 10.3 puan
düşüyor. 2010’da yüzde 12 iken 2013’de yüzde
9.7’ye iniyor. Başcı’nın negatif faizine rağmen
düşüş 3.3 puanda kalıyor.
Resim çok nettir. Özel tasarruflarda büyük
çöküş reel faizlerin rekor kırdığı Serdengeçti yö-
netiminde yaşanıyor. Nasıl böyle olabilir? İpucu
vereyim: Analize mutlaka döviz kurunu katmak
gerekiyor. Başka yazıya bırakıyorum.
16
Reel faiz ve özel tasarruf (%)
12
8
4
0
Serdengeçti
-4
Başçı
-8
-12
MB Borçlanma (reel) Özel Tas./GSYH değişim
Kaynak: http://www.gazetevatan.com/asaf-
savas-akat-629664-yazar-yazisi-faiz-ve-tasarruf-
orani/ Erişim Tarihi: 03.11. 2019
Ekonometrinin Temelleri
Eşitlik 3.2’de değişkenler arasındaki ilişkilerin
deterministik yani kesin olduğu anlaşılmaktadır.
Oysa ki ekonometrik analizlerde söz konusu iliş-
kilerin stokastik olduğu bilinmektedir. Çünkü her
tahmin bir hata payını içerir. Örneğin, biraz önce
de bahsettiğimiz gibi döviz kurunu veya tasarruf-
ları etkileyen herhangi bir faktörü model dışında
bırakmış olabiliriz. Ancak bu faktörlerin de mo-
delde temsil edilmesi gerekmektedir. Bu nedenle
tüm bu faktörlerin etkisini temsil eden stokastik
hata terimini modele dahil etmemiz gerekir. Bu
durumda model değişkenler arasındaki kesin ilişki-
leri değil, değişkenler arasındaki ortalama ilişkileri
temsil edecektir. Buna göre Eşitlik (3.2)’de genel
ekonomik modelini çizdiğimiz tasarruf fonksiyo-
nuna stokastik hata terimini dahil ederek tahmin
edilecek ekonometrik modeli oluşturabiliriz.
Si = S0 + sYi+ bri +ui (3.3)
dikkat
Faiz ve tasarruflar arasındaki ilişki ikame etkisi
gereği pozitif yönlü iken gelir etkisi gereği ne-
gatif yönlüdür. Ancak ikame etkisinin gelir etki-
sinden büyük olduğu varsayımı ile teorik olarak
faiz oranları ile tasarruflar arasında pozitif yönlü
bir ilişki olduğu varsayılır.
Çoklu Doğrusal Regresyon Modelinin
Varsayımları
Çoklu doğrusal regresyon modeli temel olarak
basit doğrusal regresyon modelinin bir uzantısıdır.
Dolayısıyla basit doğrusal regresyon modeline dair
varsayımlar çoklu doğrusal regresyon modeli için
de geçerlidir. Bir önceki bölümden hatırlayacağınız
gibi basit doğrusal regresyon modelinde hata te-
rimlerinin sıfır ortalamaya sahip olduğu, sabit var-
yanslı olduğu, otokorelasyon içermediği, normal
dağılım sergilediği ve bağımsız değişken ile hata
terimi arasında bir ilişki olmadığı varsayılmaktay-
dı. Bu varsayımlar çoklu doğrusal regresyon modeli
için de geçerli olmakla birlikte bu varsayımlara bir
ilave yapılması gerekmektedir.
Çoklu doğrusal regresyon modelinde basit
doğrusal regresyon modelinden farklı olarak bir-
den çok bağımsız değişken yer almaktadır. Burada
basit regresyon modelinin özelliklerine ek olarak
belirteceğimiz varsayım bu bağımsız değişkenler
ile ilgilidir. Buna göre çoklu doğrusal regresyon
modelinde bağımsız değişkenlerin kendi araların-
da da doğrusal bir ilişkinin olmadığı varsayılır. Bu
durumda bağımsız değişkenler arasındaki doğru-
sal korelasyon katsayıları “0” veya “0”a yakın bir
değerdir. Bu varsayımın ihlali ise “Çoklu doğrusal
bağlantı” olarak adlandırılmaktadır. Kitabımızın
ilerleyen bölümlerinde çoklu doğrusal bağlantı so-
rununun nedenlerine ve sonuçlarına dair detaylı
bilgiler verileceğini belirttikten sonra, çoklu doğ-
rusal regresyon modelinin temel varsayımlarını şu
şekilde sıralayabiliriz:
• Hata terimleri sıfır ortalamaya sahiptir.
• Hata terimleri sabit varyanslıdır.
• Hata terimleri otokorelasyon içermemektedir.
• Hata terimleri normal dağılıma sahiptir.
• Bağımsız değişkenler ile hata terimi arasın-
da bir ilişki yoktur.
• Bağımsız değişkenlerin kendi aralarında
kuvvetli ve tam bir ilişki yoktur.
dikkat
Çoklu doğrusal regresyon modellerinde basit
doğrusal regresyon modellerinin varsayımlarına
ilave olarak bağımsız değişkenlerin kendi arala-
rında kuvvetli ve tam bir ilişki olmadığı varsayılır.
Çoklu doğrusal regresyon modeli basit doğ-
rusal regresyon modelinden farklı olarak birden
çok bağımsız değişkeni barındırmaktadır. İktisadi
olayların da çoğu kez birden çok açıklayıcısı vardır.
Bu nedenle çoklu doğrusal regresyon modellerine
ekonometrik analizlerde sıklıkla yer verilir. Model-
ler kurulurken iktisadi teori referans alınmaktadır.
Dolayısıyla modelde yer alacak bağımsız değişken-
ler arasında zayıf veya kuvvetli bir ilişkinin olması
muhtemeldir ancak değişkenler arasındaki zayıf
ilişkilerin varlığı modelin tahmininde herhangi bir
sakınca doğurmaz. Zira iktisadi değişkenlerin bir-
biriyle tamamen ilişkisiz olması pek de mümkün
değildir. Bu nedenle değişkenler arasındaki ilişki-
lerin bir düzeye kadar varlığı çoklu doğrusal mo-
dellerinde sorun teşkil etmemektedir. Burada adı
geçen varsayımda vurgulanan, değişkenler arasında
güçlü ve tam bir ilişkinin olmamasıdır. Bu varsa-
49
 Çoklu Doğrusal Regresyon Modeli

yımın ihlali çoklu doğrusal bağlantı olarak adlan-
dırılır. Çoklu doğrusal bağlantı sorunu genellikle
zaman serilerinde karşılaşılan bir sorundur.
Çoklu doğrusal bağlantı sorunu bağımsız
değişkenler arasındaki kuvvetli ve tam bir
ilişkinin varlığını açıklar.
Bağımsız değişkenler arasındaki ilişkiler kore-
lasyon katsayısı (r) ile gösterilir. Eğer değişkenler
arasında tam bir ilişki söz konusu ise korelasyon
katsayısı “1” değerini alır. Korelasyon katsayısının
1 değerini aldığı durumlarda değişkenler arasında
tam çoklu doğrusal bağlantı söz konusudur ve bu
durumda parametreler tahmin edilemez hâle gelir.
Öte yandan değişkenler arasında hiçbir ilişki söz
konusu değilse korelasyon katsayısı “0” değerini
almaktadır. Aralarında hiçbir ilişki bulunmayan
değişkenlere ortogonal (dikey) değişkenler adı veri-
lir. Bu durumda ise katsayıların tahminin de çoklu
doğrusal bağlantıya dair bir sorun söz konusu de-
ğildir. Değişkenler arasındaki ilişkilerin ortogonal
olduğu durumlarda çoklu regresyon modelinin
yanı sıra katsayılar bireysel olarak basit regresyon
modeliyle de tahmin edilebilir.
rxy = 1 → tam çoklu doğrusal ilişki
rxy = 0 → ortogonal (dikey) ilişki

Öğrenme Çıktısı

1 Çoklu doğrusal regresyon modelini tanımlayabilme, varsayımlarını sıralayabilme

Araştır 1 İlişkilendir Anlat/Paylaş

Çoklu doğrusal bağlantı so-

İktisadi modellerde çoklu
İktisadi bir teoriyi çoklu rununun varlığı durumun-
doğrusal bağlantı sorunu-
doğrusal regresyon modeli da karşılaşılacak sorunları
nun temel nedenlerini araş-
ile ilişkilendirin. araştırın ve arkadaşlarınızla
tırın.
paylaşın.

50
Ekonometrinin Temelleri

ÇOKLU DOĞRUSAL REGRESYON MODELİNİN TAHMİNİ

Çoklu doğrusal regresyon modelinde birden çok bağımsız değişken eş anlı olarak bir bağımlı değişkeni
açıklamaktadır. Günlük hayatta da birçok olay çok sayıda faktörün etkisiyle oluşmaktadır. Bu özelliği ile
çoklu doğrusal regresyon modeli sosyal bilimcilerin sıklıkla başvurdukları bir model türü olarak karşımıza
çıkmaktadır.
Diğer tüm sosyal bilimlerde olduğu gibi iktisadi olaylar da sayısız faktörün etkisinde kalmaktadır.
Dolayısıyla iktisadi teori ve hipotezleri sınarken basit doğrusal regresyon modeliyle yapılan analizler çoğu kez
gerçek durumu yansıtmada yetersiz kalmaktadır. Örneğin, basit doğrusal regresyon modelinde örneklendir-
diğimiz tüketim fonksiyonunda tüketim harcamalarının harcanabilir gelirin bir fonksiyonu olduğu belirtmiş
ve modeli tek bağımlı değişken olan harcanabilir gelir ile oluşturmuştuk. Oysa ki gerçek hayatta bireylerin
tüketim harcamalarını belirleyen sayısız faktörden söz etmek mümkündür. Bu birçok iktisadi teori ve hipotez
için geçerlidir. Burada örneklendirdiğimiz tasarruf fonksiyonu da yine bu çerçevede kurulmuş bir çoklu doğ-
rusal regresyon fonksiyonudur. Çünkü tasarruflar da tıpkı diğer iktisadi olaylar gibi çok sayıda faktör tarafın-
dan belirlenmektedir. Burada bireylerin tasarruf kararları için harcanabilir gelirin en önemli faktör olduğunu
söyleyebiliriz. Ancak harcanabilir gelirin tasarrufları açıklamada tek başına yeterli olmadığı çoğu kez tecrübe
edilmiştir. Bu nedenle tek bir bağımlı değişken ile oluşturulan basit regresyon modelinin bireylerin tasarruf
kararlarını açıklamada yeterli olmayacağı aşikardır. Peki bireylerin tasarruf yapma kararlarını gelirleri dışında
hangi faktörler etkileyebilir? Bu faktörlerin başında faiz oranları gelmektedir.
Faiz oranları bireylerin tasarruf kararlarını belirleyen oldukça önemli bir göstergedir. Öyle ki faiz oran-
larında meydana gelen bir artışın tasarrufları da artırdığı çok sayıda çalışmayla kanıtlanmıştır. Çünkü yük-
sek faiz oranlarında yüksek getiri elde etmek isteyen ekonomik birimler, gelirlerindeki artışın artık daha
büyük bir kısmını tasarrufa ayırmakta ve tüketim harcamalarını kısmaktadır. Görüleceği üzere burada
harcanabilir gelir ve faiz oranlarının tasarruflar üzerinde eşanlı bir etkisi vardır. Çoklu doğrusal regresyon
analizlerinde de işte bu birden çok bağımsız değişkenin tek bir bağımlı değişken üzerindeki eş anlı etkisi
analiz edilmektedir.
Çoklu doğrusal regresyon modellerinde de katsayılar, basit regresyon modellerinde olduğu gibi en kü-
çük kareler yöntemiyle tahmin edilebilmektedir. Biz de bu kısımda yine en küçük kareler yöntemini tah-
min yöntemi olarak tercih edeceğiz.

En Küçük Kareler Tahmincisi

Burada iki bağımsız değişkenli bir çoklu doğrusal regresyon modelini ele alalım. Söz konusu model şu
şekilde ifade edilir:

Yi = β0 + β1X1i+ β2X2i + ui (3.4)

Modelde Yi bağımsız değişkeni, Xi’ler bağımsız değişkenleri, β0, sabit katsayıyı, β1 ve β2 kısmi reg-
resyon katsayılarını, ui ise stokastik hata terimini ifade etmektedir. En küçük kareler yöntemi, bir önce-
ki bölümde de bahsedildiği gibi hata kareleri toplamını minimum yapan β katsayılarının belirlenmesini
amaçlamaktadır.

n n n
∑ ui2 = ∑ (Yi − Y! i )2 = ∑ (Yi − β! 0 − β!1 X1i − β! 2 X 2i )2 = min.
(3.5)
i=1 i=1 i=1

! ! !
Bu amaçla Eşitlik (3.5)’in β 0 , β 1ve β 2 ’ye göre kısmi türevleri alınıp sıfıra eşitlendiğinde normal denk-
! ! !
lemleri elde edilir. Normal denklemler β 0 , β 1ve β 2 ’ye göre çözülerek hata terimlerinin karelerini mini-
! ! !
mum yapan β 0 , β 1ve β 2 tahmincileri (formülleri) elde edilir.

51

Katsayı Tahminlerinin Yorumlanması
Çoklu doğrusal regresyon modelinde tahmin
edilen bağımsız değişken parametrelerine kısmi
regresyon katsayıları adı verilir. Katsayıların yo-
rumu ise basit doğrusal regresyon modelinde ol-
duğu gibidir. Ancak burada birden fazla bağımsız
değişken söz konusu olduğu için kısmi regresyon
katsayılarını yorumlarken diğer değişkenlerin sabit
kaldığı varsayılır. Örneğin, tasarruf fonksiyonuna
dair tahmin sonuçlarımız şu şekilde olsun:
Ŝi = -20 + 0.2Yi + 0.5ri (3.6)
Eşitlik (3.6)’da en küçük karelere yöntemi ile
tahmini yapılan tasarruf fonksiyonu yer almakta-
dır. Buna göre tahmin edilen sabit parametre -20,
harcanabilir gelir katsayısı 0.2, faiz değişkenine ait
katsayı ise 0.5 olarak belirlenmiştir. Burada katsa-
yılar yorumlanırken basit doğrusal regresyon mo-
delinde olduğu gibi katsayılar doğrusal formda
yorumlanır. Ancak katsayılar yorumlanırken diğer
bağımsız değişkenin bağımlı değişken üzerindeki
etkisinin sabit olduğu varsayılır. Örneğin, harca-
nabilir gelir değişkenine ait parametre 0.2 olarak
belirlenmiştir. Bu katsayı harcanabilir gelirde mey-
dana gelecek 1 birimlik bir değişimin tasarrufları
da aynı yönde 0.2 birim değiştireceğini söylemek-
tedir. Bu yorum yapılırken faiz oranlarının tasar-
ruflar üzerindeki etkisinin sabit olduğu varsayılır.
Öte yandan 0.5 olarak belirlenen faiz değişkenine
ait parametre yine harcanabilir gelirin tasarruflar
üzerindeki etkisi sabit tutularak yorumlanır. Buna
göre harcanabilir gelirin tasarruflar üzerindeki etki-
si sabit tutulmak kaydıyla faiz oranlarında meyda-
na gelen 1 birim değişim tasarrufları da aynı yönde
0.5 birim değiştirecektir.
dikkat
Çoklu doğrusal regresyon modellerinde
kısmi regresyon katsayıları yorumlanır-
ken, diğer bağımsız değişkenlerin bağımlı
değişken üzerindeki etkileri sabit tutulur.
52
Çoklu Doğrusal Regresyon Modeli
Öte yandan -20 olarak belirlenen ve otonom
tasarrufları gösteren sabit katsayı ise bağımsız de-
ğişkenlerin (Y, r) sıfır olduğu durumda bağımsız
değişkenin (S) alacağı değeri temsil etmektedir.
Burada otonom tasarrufları temsil eden sabit kat-
sayının negatif bir değer olarak belirlenmiş olması
iktisadi olarak anlamlıdır. Otonom tasarrufların
negatif bir değer alması iktisadi olarak otonom tü-
ketimin pozitif bir değer olduğunu söylemektedir.
Çoklu Belirlilik Katsayısı (R2)
Çoklu doğrusal regresyon modellerinde, basit
doğrusal regresyon modellerinden farklı olarak ba-
ğımlı değişken birden çok açıklayıcı değişken ta-
rafından açıklanmaktadır. Çoklu belirlilik katsayısı
da burada bağımlı değişkendeki değişimin yüzde
kaçının bağımsız değişkenler tarafından açıklandı-
ğını göstermektedir. Bu katsayı 0 ila 1 arasında bir
değer alır ve 1’e yaklaştıkça modelin açıklama gü-
cünün arttığını ifade eder. Yüksek R2 değeri tahmin
edilen regresyon fonksiyonunun gerçek durumun
iyi bir temsilcisi olduğunu yani uyum iyiliğinin
yüksek olduğunu ifade eder. R2 değeri 0’a yaklaş-
tıkça tahmin edilen fonksiyonun uyum iyiliğinin
de azaldığı anlaşılır. Belirlilik katsayısı şu şekilde
hesaplanır:
R2 =
∑ (Y! − Y )2 (3.7)
∑ (Y − Y )2
–
Eşitlik (3.7)’nin payında yer alan ∑(Ŷ− Y)2 reg-
resyona bağlı değişimi diğer bir ifadeyle açıklanan
–
değişimi, paydasında yer alan ∑( Ŷ− Y)2 ise toplam
değişimi temsil etmektedir. Regresyona bağlı deği-
şimin toplam değişime oranlanmasıyla R2 değerine
ulaşılır ve bu bağımlı değişkendeki değişimin yüz-
de kaçının bağımsız değişkenler tarafından açıklan-
dığını ifade eder. Örneğin, tahmin edilen tasarruf
fonksiyonunda R2 değeri 0.85 olarak hesaplan-
mışsa bu, tasarruflarda meydana gelen değişimin
%85’inin harcanabilir gelir ve faiz değişkenleri ta-
rafından açıklandığını söylemektedir.
Ekonometrinin Temelleri
Basit doğrusal regresyon modellerinde bağım-
lı değişken tek bir açıklayıcı değişken tarafından
açıklanmaktaydı. Çoklu regresyon modellerinde
basit regresyon modellerinden farklı olarak birden
çok bağımsız değişken yer almaktadır. Dolayısıyla
modelde iki bağımsız değişken yer alabileceği gibi
ikiden fazla değişken de yer alabilir. Peki model-
deki açıklayıcı değişken sayısı ise R2 değeri arasın-
da bir ilişki var mıdır? Bu sorunun cevabı kısaca
evettir. Çoklu regresyon modellerinde modele bir
bağımsız değişken eklendiğinde genellikle R2 değe-
rinin arttığı görülür. Çünkü, modele yeni bir değiş-
ken eklendikçe R2 formülünün payında yer alan ve
regresyona bağlı değişimi temsil eden değer büyür
ancak paydadaki toplam değişim değeri değişmez.
Herhangi kesrin payı büyür ancak paydası sabit
kalırsa kesrin değeri büyür. Bu nedenle modele
eklenen her bir bağımsız değişken R2 değerini ar-
tıracaktır. Ancak bu şekilde belirlenecek R2 değeri
modelin açıklama gücü hakkında yanıltıcı bilgiler
verebilir. Çünkü modele eklenen her bir bağımsız
değişken serbestlik derecesini değiştirmektedir. Bu
nedenle R2 formülasyonunun bir düzenlemeye ih-
tiyacı vardır. Böyle durumlarda değişen serbestlik
derecesini de içeren eşitlik 8’deki Düzeltilmiş Çoklu
Belirlilik Katsayısı’nın kullanılması uygun olacaktır.
n −1
R– 2 = 1− (1− R 2 ) (3.8)
n− k
Eşitlik (3.8)’den de anlaşılacağı gibi örneklem
–
hacminin (n) büyük olduğu durumlarda R2 R2 ve
değerleri birbirine oldukça yakın olacaktır. Küçük
örneklemlerde ise iki değer arasındaki fark açıla-
caktır. Bu nedenle özellikle küçük örneklemlerde
düzeltilmiş çoklu belirlilik katsayısının referans
alınması daha sağlıklı olacaktır.
Öte yanda bağımsız değişken sayıları farklı iki
model karşılaştırılırken de yine düzeltilmiş çoklu be-
lirlilik katsayılarının karşılaştırılması daha doğrudur.
Ancak bu karşılaştırma yapılırken her iki modelinde
bağımlı değişkeninin aynı fonksiyonel formda olma-
sına dikkat edilmelidir. Örneğin, her iki modelin-
de bağımlı değişkeni mutlak değer veya logaritmik
–
olabilir. Böyle durumlarda modeller R 2 değerleriyle
karşılaştırılabilir. Ancak örneğin, bir bağımlı değiş-
kenin mutlak değer diğer bir bağımlı değişkenin ise
logaritmik değer olması durumunda bu modeller
arasında hem R–2 hem de R2 değerleri üzerinden bir
karşılaştırma yapmak doğru değildir.
dikkat
Bağımlı değişkenleri farklı fonksiyonel biçim-
de olan regresyon modelleri arasında R–2 veya
R2 değerleri üzerinden bir karşılaştırma yap-
mak doğru değildir.
53
 Çoklu Doğrusal Regresyon Modeli

Öğrenme Çıktısı
2 Çoklu doğrusal regresyon modeli için en küçük kareler yöntemini açıklayabilme, tahmin
katsayılarını yorumlayabilme
3 Çoklu belirlilik katsayısını tanımlayabilme

Araştır 2 İlişkilendir Anlat/Paylaş

PX, X malının fiyatı, m tü-

keticinin geliri olmak üze-
re Q̂DX= 100 – 4PX + 0.5
m şeklinde tahmin edilen
talep fonksiyonu için kıs-
mi regresyon katsayılarının
nasıl yorumlanacağını araş-
tırın.
Çoklu doğrusal regresyon
Modele dahil edilecek her
modelinin tahmininde kul-
bir bağımsız değişkenin mo-
lanılan diğer yöntemleri
dele etkisini çoklu belirlilik
araştırın, arkadaşlarınızla
katsayısı ile ilişkilendirin.
paylaşın.

HİPOTEZ TESTLERİ Şimdi isterseniz örnek tasarruf fonksiyonumuz

Ekonometrik çalışmalarda, iktisadi teori temel
alınarak oluşturulan ekonometrik modeller çeşitli
yöntemlerle tahmin edilir ve tahmin parametrele-
ri belirlenir. Ancak analizler sadece parametrelerin
belirlenmesiyle son bulmaz. Tahmin edilen para-
metrelerin iktisadi ve istatistiksel olarak anlamlı
olup olmadığının da belirlenmesi gerekir.
Ekonometriyi kısaca iktisadi teori veya hipotez-
leri matematiksel araçlar ve istatistiksel yöntemlerle
sınayan bilim dalı olarak tanımlaşmıştık. Dolayı-
sıyla burada tahmin edilen parametrelerin geçerlili-
ğini sınarken sonuçların hem iktisadi ölçütlere göre
anlamlılığının hem de istatistiksel ve ekonometrik
ölçütlere göre anlamlılığının sınanması gerekir. İk-
tisadi ölçütlere göre katsayıların anlamlılığı sınanır-
ken başvurulacak kaynak ise iktisat teorisidir. Buna
göre tahmin edilen parametrelerin iktisadi teoriyle
uyumu, araştırılması gereken ilk noktadır.
dikkat
Tahmin edilen parametreler öncelikle ikti-
sadi ölçütlere göre sınanmalıdır. İktisadi öl-
çütlere göre katsayıların anlamlılığı sınanır-
ken başvurulacak kaynak iktisat teorisidir.
üzerinden gerekli sınamaları yapalım. Tahmin etti-
ğimiz tasarruf fonksiyonunda sabit katsayının (β̂0)
-20, harcanabilir gelir değişkenine ait katsayının
(β1) 0.2 ve faiz oranına ait katsayının ise (β2) 0.5
olduğunu belirtmiştik. Bu katsayıların anlamlılığı-
nı sınanırken öncelikle sonuçların iktisadi teoriyle
uyumunu incelememiz gerekir. Şimdi bu incele-
meyi yapalım. Örneğin, -20 olarak belirlenen β0
katsayısı iktisadi olarak anlamlı mıdır? Anlamlıdır
çünkü modelimizde otonom tasarrufları temsil
eden β0 katsayısı iktisadi teoriye göre pozitif veya
negatif bir değer alabilmektedir. Öte yandan 0.2
olarak belirlenen β1 katsayısı da yine iktisadi teori
tarafından desteklenmektedir. Modelimizde ikti-
sadi teoriye göre marjinal tasarruf eğilimini temsil
eden β1 katsayısı harcanabilir gelirin ne kadarının
tasarruflara ayrılacağını gösteren katsayıdır. Bu kat-
sayı teori gereği 0 ila 1 değer arasında olmalıdır.
Çünkü gelirde meydana gelen bir artış tüketime
veya tasarrufa ayrılır. Bu nedenle hem marjinal tü-
ketim eğilimi (c) hem de marjinal tasarruf eğilimi
(s) 0 ila 1 arasında bir değer alır ve her iki katsayının
toplamı 1’e eşittir. (c + s = 1). Dolayısıyla burada
0.2 olarak belirlenen marjinal tasarruf eğiliminin
(s) iktisadi teori ile uyumlu olduğu anlaşılmaktadır.

54
Ekonometrinin Temelleri
Benzer şekilde faiz oranına ait parametrenin
(β2) de iktisadi olarak anlamlılığı olduğu görül-
mektedir. Öyle ki iktisadi teori gereği faiz oranla-
rında meydana gelen bir artışın tasarrufları da artı-
racağı varsayılır. Çünkü faiz oranlarında meydana
gelen bir artış tüketimin fırsat maliyetini artırır ve
ekonomik birimleri tasarrufa yöneltir. Buna göre
0.5 olarak belirlenen β2 parametresinin de iktisadi
olarak anlamlı olduğu söylenebilir. Tüm bu açıkla-
malardan da anlaşılacağı üzere burada örnek olarak
sunduğumuz temsili tasarruf fonksiyonu iktisadi
teori tarafından desteklenmektedir. Ekonometrik
analizlerde zaman zaman teoriye aykırı sonuçlarla
da karşılaşılabilir. Böyle durumlarda sonuçların iyi
analiz edilerek karşılaşılan bu sonuçların arkasında
yatan nedenlerin araştırılması ve yapılan ölçüm ha-
talarının düzeltilmesi gerekebilir.
Tahmin edilen modelin iktisadi teoriyle uyu-
mu incelendikten sonra istatistiksel olarak anlam-
lı olup olmadığının da belirlenmesi gerekir. Bu
amaçla tahmin edilen parametreler çeşitli hipotez
testleriyle sınanır. Bu noktada başvurulan hipotez
testleri ise t ve F testleridir. Burada t testi ile katsa-
yıların bireysel olarak anlamlılığı sınanırken F testi
ile modelin bir bütün olarak anlamlı olup olmadığı
tespit edilmektedir.
t -Testi
Basit doğrusal regresyon modellerinde olduğu
gibi çoklu regresyon modellerinde de katsayıların
bireysel olarak anlamlılığı t testi ile belirlenir. Bura-
da da t testi ile tahmin parametrelerinin istatistiksel
olarak sıfıra eşit olup olmadığı test edilir. Buna göre
t testi için sıfır hipotezi şu şekilde kurulur:
H0: β = 0
Alternatif hipotez ise tek taraflı ve çift taraflı
testlerde farklılık göstermektedir. Eğer test çift ta-
raflı ise alternatif hipotez,
H1: β ≠ 0
şeklinde, eğer test tek taraflıysa alternatif hipotez,
H1: β > 0 (tahmin edilen β sıfırdan büyükse)
H1: β < 0 (tahmin edilen β sıfırdan küçükse)
şeklinde oluşturulur.
Öte yandan test istatistiği yine basit doğrusal
regresyon modelinde olduğu gibi ifade edilir.
β! − β β!
t= = (3.9)
s( β! ) s( β")
Burada tahmin edilen parametrenin tahminin
standart hatasına oranlanmasıyla t istatistiği değeri
elde edilir. Bu değer küçük örneklemlerde (n < 30)
t dağılım tablosundan, büyük örneklemlerde (n >
30) ise normal dağılım tablosunda elde edilen tab-
lo kritik değeri ile karşılaştırılır. Örneğin, toplam
gözlemlerin 30’un altında olduğunu varsayarsak
bu durumda hesaplanan t istatistiği değeri α an-
lam düzeyi (genellikle 0.05) ve n-k serbestlik dere-
cesi (n: gözlem sayısı, k: bağımsız değişken sayısı)
referans alınarak t tablosundan elde edilen kritik
değer ile karşılaştırılır. Eğer t istatistiği mutlak ola-
rak tablo kritik değerinden büyükse H0 hipotezi
reddedilir.
|tist.| > |t α,n–k| ise H0 reddedilir.
Denklem (3.9)’daki katsayıların standart ha-
talarını belirleyebilmek için öncelikle tahminin
varyansının belirlenmesi gerekir. Ancak tahminin
varyansı bilinmediği için örneklem hata teriminin
varyansı anakütle hata teriminin varyansının orta-
lama bir tahmincisi olarak kabul edilir ve şu şekilde
hesaplanır:
Se2 =
∑ (Y − Y! )2 = ∑ e2
n− k n− k
Ardından aşağıdaki formüller yardımıyla katsa-
yı tahminlerinin varyanslarına ulaşılır:
55
 Çoklu Doğrusal Regresyon Modeli

2 2
1 X 1 ∑ x22 + X 2 ∑ x12 − 2 X 1 X 2 ∑ x1x2
var ( β0 ) = Se2 ( + )
n ∑ x12 ∑ x22 − (∑ x1x2 )2
var ( β1 ) = Se2 (
∑ x22 )
∑ 1∑ 2 ∑ 1 2
x 2
x 2
− ( x x ) 2

var ( β 2 ) = Se2 (
∑ x12 )
∑ 1∑ 2 ∑ 1 2
x 2
x 2
− ( x x ) 2

Varyansların karekökleri alınarak katsayıların standart hataları elde edilir. Formüllerde yer alan X ’ler
ortalamaları x’ler (küçük x’ler) ise ortalamadan farkları (X – X ) temsil etmektedir).
Sıfır hipotezinin reddedilmesi β katsayısının istatistiksel olarak sıfırdan farklı olduğunu ifade eder.
Tablo kritik değerinin mutlak değer olarak t istatistiğinden büyük olması durumunda ise β katsayısının
sıfıra eşit olduğunu ifade eden H0 hipotez kabul edilir. Bu durumda bağımsız değişkenin bağımlı değişken
üzerinde istatistiksel olarak anlamlı bir etkisinin olmadığı anlaşılır.
t-testini tahminini yaptığımız tasarruf fonksiyonu üzerinden uygulamaya çalışalım.

Ŝi= -20 + 0.2Yi + 0.5ri, s(β̂1)= 0.005, s(β̂2)= 0.008 (3.10)

Eşitlikte (3.10)’da parantez içinde verilen değerler tahmin edilen β1 ve β2 parametrelerinin standart
sapmalarıdır. Bu bilgilerden hareketle β1 ve β2 katsayılarının istatistiksel olarak anlamlı olup olmadığını t
testi yardımıyla belirleyebiliriz. İlk olarak β̂1’in anlamlılığını test edelim. Burada öncelikle t istatistik değe-
rini hesaplayalım.

β! 1 0.2
t= ! = = 40 (3.11)
s( β ) 0.005
1

β̂1 için t istatistik değeri Eşitlik (3.9)’da yer alan formül yardımıyla 40 olarak hesaplanmıştır. β̂1 katsa-
yısının istatistiksel olarak anlamlı olup olmadığını belirleyebilmemiz için hesaplanan bu test istatistiğinin,
α anlam düzeyi ve n-k serbestlik derecesine göre belirlenen tablo kritik değeri ile karşılaştırmamız gerek-
mektedir. Burada gözlem sayımızın (n) 30 olduğunu varsayalım. Bu durumda modelde değişken sayısı (k)
3 olduğu için n-k serbestlik derecesi 27 olacaktır. Anlam düzeyinin ise yine %5 olduğunu varsayarsak 0.05
anlam düzeyi ve 27 serbestlik derecesine göre belirlenen tablo kritik değeri 1.70 olacaktır. Burada testin
tek taraflı olduğu da unutulmamalıdır. Çünkü iktisadi olarak marjinal tasarruf eğilimini temsil eden β̂1
katsayısının 0’dan büyük bir değer olması beklenir. Bu nedenle t testinde sıfır hipotezi ve alternatif hipotez
şu şekilde kurulmuştur:

H0: β1 = 0

H1: β1 > 0

t istatistik değeri ile tablo kritik değeri karşılaştırıldığında ise hesaplanan t istatistiğinin tablo kritik
değerden mutlak olarak büyük olduğu anlaşılmaktadır.

|40| > |1.70| → |tist.| > |t α,n–k|

56
Ekonometrinin Temelleri
Bu durumda sıfır hipotezi reddedilmiştir. Buna
göre harcanabilir gelirin tasarruflar üzerindeki et-
kisini gösteren β̂ 1 katsayısının istatistiksel olarak
anlamlı olduğu anlaşılmaktadır.
Benzer şekilde β̂2 katsayısının anlamlılığını sı-
nayacak olursak öncelikle yine t istatistiğini şu şe-
kilde belirleyebiliriz:
β! 0.5 (3.12)
t = !2 = = 62.50
s( β ) 0.008
2
β2 katsayısı için t istatistiği 62.50 olarak hesap-
lanmıştır. Tablo kritik değeri ise yine %5 anlam
düzeyi ve 27 serbestlik derecesine göre tek taraflı
test için 1.70’tir. Buna göre test istatistik değeri
yine tablo kritik değerinden mutlak olarak büyük-
tür. Dolayısıyla sıfır hipotezi reddedilmiştir.
|62.50| > |1.70| → |tist.| > |t α,n–k|
Buna göre β2 parametresinin istatistiksel ola-
rak anlamlı olduğu anlaşılmaktadır. Bu sonuç faiz
oranları ile tasarruflar arasındaki pozitif ilişkinin is-
tatistiksel olarak anlamlı olduğunu söylemektedir.
İktisadi olarak hem harcanabilir gelir hem de faiz
oranları tasarruflarla doğru yönlü ilişkilidir. Buna
göre tahmin edilen parametrelerin pozitif bir değer
alması beklenmektedir. Bu nedenle t testleri her iki
parametre için de tek taraflı olarak uygulanmıştır.
Öte yandan bazı durumlarda iktisat teorisi ge-
reği tahmin edilen parametrenin belirli bir değere
sahip olmasını da bekleyebiliriz. Böyle durumlarda
da yine tahmin edilen β parametresinin herhangi
bir değere eşit olup olmadığını t testi yardımıyla
belirleyebiliriz. Burada kurulacak sıfır hipotezi ise
şu şekilde olacaktır:
H0: β = β*
Alternatif hipotez ise yine tek ve çift taraflı test-
lerde farklılık gösterecektir. Eğer test çift taraflı ise
alternatif hipotez,
H1: β ≠ β*
şeklinde, eğer test tek taraflıysa alternatif hipotez,
H1: β > β* (tahmin edilen β, β*’den büyükse)
H1: β < β* (tahmin edilen β, β*’den küçükse)
şeklinde oluşturulur.
Burada test istatistik değeri,
β! − β ∗
t= (3.13)
s( β! )
şeklinde ifade edilen eşitlik yardımıyla belirlen-
dikten sonra yine tablo kritik değeri ile karşılaştırılır.
Eğer test istatistiği mutlak değer olarak tablo kritik
değerinden büyükse H0 reddedilir ve katsayının ista-
tistiksel olarak anlamlı olduğu sonucuna varılır.
F Testi
Çoklu doğrusal regresyon modellerinde katsa-
yıların bireysel olarak anlamlılığı t testi ile belirle-
nirken, sabit katsayı dışındaki diğer katsayıların eş
anlı olarak anlamlılığı F testi yardımıyla belirlenir.
F testinde sıfır hipotezi katsayıların toplu olarak sı-
fıra eşit olduğunu ifade eder.
H0: β1= β2 = … = βk = 0
Sıfır hipotezi bize 1’den k’ya kadar tüm bağım-
sız değişken parametrelerinin toplu olarak anlamsız
olduğunu yani modelin bir bütün olarak anlamlı
olmadığını söyler. Öte yandan F testinde alternatif
hipotez şu şekilde ifade edilir:
H1: β1 ≠ β2 ≠ … ≠ βk ≠ 0
Alternatif hipotez ise bağımsız değişken para-
metrelerinden en az birinin istatistiksel olarak sı-
fırdan farklı yani anlamlı olduğunu söylemektedir.
F testi, t testinden farklı olarak yalnızca çift taraflı
uygulanır. Burada da t testine benzer şekilde F test
istatistiği belirlenerek F dağılım tablosundan elde
edilen tablo değeriyle karşılaştırılır. F test istatistiği
ise şu şekilde hesaplanır:
R 2 / (k − 1)
Fist. = (3.14)
(1− R 2 )(n − k
F test istatistiği bağımsız değişkenler tarafından
açıklanan değişimin, bağımsız değişkenler tarafın-
dan açıklanmayan değişime oranlanmasıyla hesap-
lanır. Hesaplanan bu değer, α anlamlılık düzeyi
k-1 ve n-k serbestlik derecelerine göre F tablosun-
57
 Çoklu Doğrusal Regresyon Modeli

dan elde eden tablo kritik değeri ile karşılaştırılır. Eğer hesaplanan F istatistiği, tablo kritik değerinden
büyükse sıfır hipotezi reddedilir ve bağımsız değişkenlerden en az birinin istatistiksel olarak sıfırdan farklı
olduğu sonucuna ulaşılır.

Fist. > F α,k–1,n–k → H0 reddedilir.

İsterseniz şimdi F testini örnek tasarruf fonksiyonumuz üzerinden uygulayalım. Tahmin edilen tasarruf
fonksiyonumuzda çoklu belirlilik katsayısının 0.90 olarak hesaplandığını varsayalım ve yine gözlem sayımız
30 olsun. Bu durumda F test istatistiği,

R 2 / (k − 1) 0.90 / (3− 1) 0.45

Fist. = = = = 121.62 (3.15)
2 (1− 0.90)(30 − 3) 0.0037
(1− R )(n − k)

olarak hesaplanmıştır. Öte yandan F tablo değeri, %5 anlam düzeyi, k-1 ve n-k serbestlik derecelerine
göre F tablosundan 3.35 olarak belirlenmiştir. Buna göre F istatistik değeri F tablo değerinden büyüktür.
Bu nedenle katsayıların eş anlı olarak sıfıra eşit olduğunu ifade eden sıfır hipotezi reddedilmiştir. Yani
model bir bütün olarak anlamlıdır.

121.62 > 3.35 → Fist. > F0.05,2,27

Çoklu doğrusal regresyon modellerinde t testi ile katsayıların bireysel anlamlılığı sınanırken katsayıların
bir kısmının anlamlı bir kısmı ise anlamsız olduğu sonucuna varılabilir. Ancak yalnızca t testi sonuçlarına
bakarak modelin anlamlılığı hakkında yorum yapmak doğru değildir. Bu nedenle çoklu doğrusal regres-
yon modellerinde t testinin yanı sıra F testi ile modelin bir bütün olarak anlamlılığı da sınanmalıdır. Öte
yandan tahmin sonuçları ekonometrik ölçütlere göre de değerlendirilmeli tüm bu değerlendirmeler yapıl-
dıktan sonra modelin uygun bir model olup olmadığına karar verilmelidir.
Öte yandan en az iki bağımsız değişkeni içeren bir çoklu doğrusal regresyon modeline zaman zaman
yeni değişkenler de eklenebilir. Peki modele yeni bir değişken eklenip eklenmemesinin kararı nasıl alınır?
Bu soruya cevap ararken de yine F testinden faydalanabiliriz.
Çoklu belirlilik katsayısından bahsederken modele yeni bir bağımsız değişken eklendiğinde modelin
R2 değerinin yükseldiğini, yani modelin söz konusu iktisadi olayı açıklama gücünün arttığını söylemiştik.
Ancak burada eksik olan şey, modelin açıklama gücünde meydana gelen bu artışın anlamlı bir artış olup
olmadığının henüz bilinmemesidir. İşte bu artışın istatistiksel olarak anlamlı olup olmadığı yani modele
eklenen yeni değişkenin modelde istatistiksel olarak pozitif bir katkı yapıp yapmadığı F testi yardımıyla
belirlenir.

dikkat
F testi yardımıyla modele yeni bir değişken eklemenin gerekli olup olmadığı belirlenebilir.

Şimdi modele yeni bir değişken eklemenin gerekli olup olmadığının F testi yardımıyla nasıl belirlendi-
ğine bakalım. Örneğin, Eşitlik (3.16) ve (3.17)’deki gibi iki farklı modelimiz olsun:

(Model A) Yi = β0 + β1X1i+ β2X2i + ui (3.16)

(Model B) Yi = β0 + β1X1i+ β2X2i + β3X3i + β4X4i + ui (3.17)

58
Ekonometrinin Temelleri

Burada A modeline X3 ve X4 değişkenleri eklenerek B modeli oluşturulmuş olsun. Şimdi bu değişken-

lerin modele dahil edilmesinin gerekli olup olmadığını test edelim. Burada F testi yardımıyla test edilecek
hipotezler şu şekildedir:

H0: Yeni değişkenler modele dahil edilmemelidir.

H1: Yeni değişkenler modele dahil edilmelidir.

Burada testi istatistiği ise şu şekilde belirlenir:

(RB2 + R A2 ) / v1 (3.18)
Fist. =
(1− RB2 ) / v2

Formülde yer alan R A2 ve RB2 ifadeleri sırasıyla A ve B modellerinin R2 değerlerini temsil etmektedir.
Öte yandan v1, eklenen değişken sayısını v2 ise serbestlik derecesini (Gözlem sayısı – B modelindeki para-
metre sayısı) ifade eder.
Burada öncelikle Eşitlik (3.18) yardımıyla F test istatistiği hesaplanır. Ardından hesaplanan test ista-
tistik değeri, α anlam düzeyi, v1 eklenen değişken sayısı ve v2 serbestlik derecelerine göre F tablosundan
elde edilen tablo kritik değeri ile karşılaştırılır. Hesaplanan F istatistiği tablo kritik değerinden büyükse
sıfır hipotezi reddedilir.

Fist. > F α,v1,v2 → H0 reddedilir.

Bu durumda “yeni değişkenler modele dahil edilmemelidir.” şeklinde kurulan sıfır hipotezi reddedile-
rek “yeni değişkenler modele dahil edilmelidir.” şeklinde kurulan alternatif hipotez kabul edilir. Bu şekilde
X3 ve X4 değişkenlerinin modele dahil edilmesinin istatistiksel olarak anlamlı olduğu sonucuna varılır.
Bir önceki bölümde basit doğrusal regresyon modeli üzerinde bu bölümde ise çoklu doğrusal regresyon
modeli üzerinde durduk ve modellerin nasıl tahmin edildiğini teorik bir çerçevede sunmaya çalıştık. Bu
bilgilerin yanı sıra günümüzde artık ekonometrik analizlerin çeşitli bilgisayar uygulamaları yardımıyla da
gerçekleştirildiği ifade etmemiz gerekir. Ekonometrik modeller analiz edilirken uygulamada Eviews, Stata,
Gauss, R gibi çok sayıda paket programdan faydalanılmaktadır. Konunun daha iyi anlaşılabilmesi için biz
de şimdi bu bölümün “Araştırmalarla İlişkilendir” kısmında söz konusu paket programlardan biri olan R
programı ile örnek bir çoklu doğrusal regresyon modelinin tahmini yapacağız.

59
 Çoklu Doğrusal Regresyon Modeli

Araştırmalarla
İlişkilendir
ÇOKLU DOĞRUSAL REGRESYON MODELİ İÇİN ÖRNEK BİLGİSAYAR UYGULAMASI
Konut Fiyatlarının Belirleyicileri Üzerine Bir Uygulama
Konut fiyatlarının belirleyicilerine yönelik yapacağımız bu örnek tahminde aşağıdaki Excel tablo-
sunda yer alan temsili verileri kullanacağız.

n y x1 x2 x3
1 450000 155 4 3
2 370000 135 7 6
3 275000 105 2 9
4 410000 115 7 4
5 310000 110 4 10
6 355000 130 1 8
7 205000 115 2 16
8 200000 120 1 18
9 490000 160 7 2
10 290000 108 5 16
11 230000 115 1 11
12 370000 141 3 5
13 420000 150 3 7
14 280000 110 3 5
15 250000 110 4 13
16 310000 110 4 9
17 385000 127 7 12
18 380000 140 5 16
19 435000 135 4 2
20 335000 120 1 4

Burada tahmin edeceğimiz çoklu regresyon modeli şu şekildedir:

y = β0 + β1x1+ β2x2 + β3 x3 + ui

Eşitlikte,
y = Konutun satış fiyatını,
x1= Konutun büyüklüğünü (m2),
x2= Konutun bulunduğu katı,
x3 =Konutun bulunduğu binanın yaşını temsil etmektedir.
Şimdi dilerseniz tablodaki bilgilerden hareketle konut satış fiyatlarına yönelik model tahminimizi
R programı yardımıyla gerçekleştirelim. Ancak öncesinde R programına ilişkin gerekli bazı bilgilere
değinelim.

60
Ekonometrinin Temelleri

R (R Project) veri analizinde sıklıkla kullanılan açık kaynak kodlu bir programlama dilidir. R programına
herhangi bir ücret ödemeden ana sayfası (https://www.r-project.org/) üzerinden ulaşmak mümkündür. Bu
sayfaya girdiğinizde dünyanın farklı noktalarındaki sunucularda yer alan CRAN sitelerinin adreslerini bu-
labilirsiniz. Burada bölgenize yakın bir bağlantıyı tıklayarak, işletim sisteminize uygun kurulum dosyalarını
bilgisayarınıza indirebilir, kurulumu tamamladıktan sonra programı kullanmaya başlayabilirsiniz.
Kurulumu tamamladıktan sonra programı açtığınızda aşağıdaki gibi bir arayüzle karşılaşacaksınız.

Programı Türkçe dahil bir çok dilde geliştirilmiş bir ara yüze sahiptir. R Console olarak tanımlanan
beyaz alan R programının komut alanıdır. Programda yapılacak işlemler bu alana yazılacak komutlar vasıta-
sıyla gerçekleştirilmektedir. Biz de bu alana ilgili komutları yazarak regresyon analizimizi gerçekleştireceğiz.
Excel’den Dosya Aktarma
Regresyon analizini yapabilmemiz için öncelikle çalışacağımız verileri Excel dosyasından R progra-
mına aktarmamız gerekecektir. Bu amaçla öncelikle verilerin bulunduğu Excel dosyasının konumunu
programa tanıtmamız gerekmektedir. Burada kullanacağımız komut şu şekildedir:
> setwd (“C:/Users/Pc/Desktop”)
Burada parantez içindeki “C:/Users/Pc/Desktop” ifadesi Excel dosyamızın bulunduğu konumu
göstermektedir. Siz de bu alana verilerinizin yer aldığı Excel dosyasının konumunu girmelisiniz. Burada
Excel dosyasının csv. uzantılı olduğundan emin olun.

61
 Çoklu Doğrusal Regresyon Modeli

Sonrasında ise “C:/Users/Pc/Desktop” konumunda yer alan .csv uzantılı “veri.csv” adlı Excel dos-
yamızdan verilerin şu komutla R programına aktarımını sağlayacağız:
> veri <-read.csv(“veri.csv”, header=TRUE)
Burada analizde kullanacağımız verileri bir isimle programa tanıtmamız gerekmektedir. Öte yan-
dan komut içerisinde yer alan header=TRUE ifadesi Excel dosyasındaki ilk satırın program tarafından
değişken isimleri olarak tanınması için ilave edilmektedir.

Bu şekilde veriyi programa aktardıktan sonra verileri tanımladığımız ismi komut bölümüne yazarak
analizde kullanacağımız verileri görebiliriz:
> veri

Regresyon Modelinin Tahmini

Verinin aktarımından sonra model tahminimizi yapabiliriz. Bunun için öncelikle modele bir isim
vermemiz gerekecektir. Burada modelimizi “regresyon” olarak tanımlayalım ve modelimizi şu komut
yardımıyla tahmin edelim:
> regresyon<-lm(y~x1+x2+x3, data=veri)

62
Ekonometrinin Temelleri

Burada “lm” ifadesi “linear model” yani “doğrusal model” anlamına gelmektedir. Bu şekilde çoklu
doğrusal regresyon modelimizi tahmin ettikten sonra modelimizi tanımladığımız ismi komut bölümü-
ne yazarak tahmin edilen parametreleri görebiliriz.
> regresyon

Katsayıları incelediğimizde konutun büyüklüğü ve bulunduğu kat ile konutun satış fiyatı üzerinde
doğru yönlü, konutun bulunduğu binanın yaşı ile konutun satış fiyatı üzerinde ise ters yönlü bir ilişki
olduğu görülmektedir. Ancak burada tahmin edilen modelin istatistiksel olarak anlamlı olup olmadığı
görülmemektedir. Aynı şekilde bu çıktılar modelin açıklama gücü hakkında da henüz bir fikir verme-
mektedir. Tüm bunları görebilmek için “summary” komutu kullanılır.
Hipotez Testleri
> summary(regresyon)

63
 Çoklu Doğrusal Regresyon Modeli

Burada tahmin edilen parametrelerin t istatistik değerleri ile tablo kritik değerlerini (%5 anlam
düzeyi ve 16 serbestlik derecesine göre çift yönlü test için tablo kritik değeri 2.120 olarak belirlenmiştir)
karşılaştırarak veya olasılık değerlerine bakarak katsayıların bireysel anlamlılığını sınayabiliriz. Eğer ola-
sılık değerleri 0.5’ten küçükse sıfır hipotezi reddedilir ve katsayıların istatistiksel olarak anlamlı olduğu
sonucuna ulaşılır. Buna göre,
tx1 = 5.250, |5.250| > |2.120| → H0 red, katsayı istatistiksel olarak anlamlıdır.
tx2 = 4.074, |4.074| > |4.074| → H0 red, katsayı istatistiksel olarak anlamlıdır.
tx3 = -4.284, |-4.284| > |2.120| → H0 red, katsayı istatistiksel olarak anlamlıdır.
veya
x1[Pr(>|t|) = 0.00008 < 0.05 → H0 red, katsayı istatistiksel olarak anlamlıdır.
x1[Pr(>|t|) = 0.00088< 0.05 → H0 red, katsayı istatistiksel olarak anlamlıdır.
x1[Pr(>|t|) = 0.00057 < 0.05 → H0 red, katsayı istatistiksel olarak anlamlıdır.
Bu kapsamda sonuçlar incelendiğinde β1, β2 ve β3 parametrelerinin %5 anlam düzeyinde istatistik-
sel olarak anlamlı olduğu görülmektedir.
Burada tahminini yaptığımız model doğrusal bir model olduğu için tahmin edilen parametreler
doğrusal formda yorumlanacaktır. Buna göre,
• Konut büyüklüğü 1 birim (m2) arttığında konutun satış fiyatı yaklaşık T2479 artmaktadır.
• Konutun bulunduğu kat 1 birim arttığında konutun satış fiyatı yaklaşık T14118 artmaktadır.
• Konutun bulunduğu binanın yaşı 1 birim arttığında konutun satış fiyatı (%10 anlam düzeyinde)
yaklaşık T6598 azalmaktadır.
Diğer taraftan F test istatistiğine baktığımızda olasılık değerinin 0.006312 olduğunu görmekteyiz.
Burada 0.000079 < 0.05 olduğu için %5 anlam düzeyinde modelin bir bütün olarak anlamlı olduğunu
söyleyebiliriz.
Ayrıca modelde çoklu belirlilik katsayısının (R2) ve düzeltilmiş belirlilik katsayısının (düzeltilmiş
2
R ) sırasıyla 0.8877 ve 0.8667 olduğunu görmekteyiz. Bu katsayılar tahmin edilen modelin açıklama
gücünü göstermektedir. Örneğin, düzeltilmiş belirlilik katsayısına göre konut satış fiyatlarında meydana
gelen değişimin yaklaşık %87’si modelde yer alan bu üç bağımsız değişkendeki değişimler tarafından
açıklanmaktadır.

Öğrenme Çıktısı

4 Kısmi regresyon katsayılarını ve modelin bir bütün olarak anlamlılığını sınayabilme

Araştır 3 İlişkilendir Anlat/Paylaş

Gerekli bir değişkenin mo-

Gereksiz bir değişkenin
del dışında bırakılmasının Model kurma hatalarının
modele dahil edilmesinin
EKK tahmincilerinin sap- nasıl belirlendiğini araştırın
sonuçlarını tahminin var-
masızlık varsayımı üzerin- ve arkadaşlarınızla paylaşın.
yansı ile ilişkilendirin.
deki etkisini araştırın.

64
Ekonometrinin Temelleri

Çoklu doğrusal regresyon modelini

1 tanımlayabilme, varsayımlarını
sıralayabilme

öğrenme çıktıları ve bölüm özeti

Çoklu Doğrusal Regresyon
Modeli

Aralarında doğrusal ilişkiler bulunan bir bağımlı değişken ve birden çok bağımsız değişkenin oluşturduğu regres-
yon modellerine çoklu doğrusal regresyon modeli denir. Çoklu doğrusal regresyon modeli temel olarak basit doğ-
rusal regresyon modelinin bir uzantısıdır. Bu nedenle basit doğrusal regresyon modeline dair varsayımlar çoklu
doğrusal regresyon modeli için geçerlidir. Basit doğrusal regresyon modelinde hata terimlerinin sıfır ortalamaya
sahip olduğu, sabit varyanslı olduğu, otokorelasyon içermediği, normal dağılım sergilediği ve bağımsız değişken
ile hata terimi arasında bir ilişki olmadığı varsayılmaktaydı. Bu varsayımlar çoklu doğrusal regresyon modeli
için de geçerli olmakla birlikte bu varsayımlara ilave olarak çoklu doğrusal regresyon modellerinde bağımsız
değişkenlerin kendi aralarında da doğrusal bir ilişkinin olmadığı varsayılır. Bu durumda bağımsız değişkenler
arasındaki doğrusal korelasyon katsayıları “0” veya “0”a yakın bir değer alır.

Çoklu doğrusal regresyon modeli için en küçük

2 kareler yöntemini açıklayabilme, tahmin
katsayılarını yorumlayabilme

3 Çoklu belirlilik katsayısını tanımlayabilme

Çoklu Doğrusal Regresyon

Modelinin Tahmini

Çoklu doğrusal regresyon modellerinde katsayılar, en küçük kareler yöntemiyle tahmin edilebilmektedir.
En küçük kareler yöntemi, hata kareleri toplamını minimum yapan β katsayılarının belirlenmesine daya-
nan bir yöntemdir. Çoklu doğrusal regresyon modellerinde tahmin edilen bağımsız değişken parametre-
lerine kısmi regresyon katsayıları adı verilir. Bu tür modellerde birden fazla bağımsız değişken bulunduğu
için kısmi regresyon katsayılarını yorumlarken diğer değişkenlerin etkisinin sabit kaldığı varsayılır. Örne-
ğin; Ŝi = -20 + 0.2Yi + 0.5ri şeklinde tahmin edilen bir tasarruf fonksiyonunda harcanabilir gelir değiş-
kenine ait parametre şu şekilde yorumlanır: Harcanabilir gelirde meydana gelen 1 birimlik değişim faiz
oranlarının tasarruflar üzerindeki etkisinin sabit olduğu varsayımıyla tasarrufları aynı yönde 0.2 birim de-
ğiştirecektir. Benzer şekilde harcanabilir gelirin tasarruflar üzerindeki etkisinin sabit olduğu varsayımıyla
faiz oranlarında meydana gelen 1 birimlik değişim de tasarrufları aynı yönde 0.5 birim değiştirecektir.

Çoklu belirlilik katsayısı bağımlı değişkendeki değişimin yüzde kaçının bağımsız değişkenler tarafından
açıklandığını söylemektedir. Bu katsayı 0 ila 1 arasında bir değer alır ve 1’e yaklaştıkça modelin açıklama
gücü artar. Çoklu regresyon modellerinde basit regresyon modellerinden farklı olarak birden çok bağım-
sız değişken yer almaktadır. Çoklu regresyon modellerinde modele bir bağımsız değişken eklendiğinde
genellikle R2 değerinin arttığı görülür. Ancak bu şekilde belirlenecek R2 değeri modelin açıklama gücü
hakkında yanıltıcı bilgiler verebilir. Çünkü modele eklenen her bir bağımsız değişken serbestlik derece-
sini değiştirmektedir. Bu nedenle R2 formülasyonu değişen serbestlik derecesine göre düzenlenir ve bu
formül yardımıyla belirlenen değere “Düzeltilmiş Çoklu Belirlilik Katsayısı” adı verilir.

65
 Çoklu Doğrusal Regresyon Modeli

4 Kısmi regresyon katsayılarını ve modelin

bir bütün olarak anlamlılığını sınayabilme
öğrenme çıktıları ve bölüm özeti

Hipotez Testleri

Ekonometri, iktisadi teori veya hipotezleri matematiksel araçlar ve istatistiksel yöntemlerle sınayan bilim dalıdır.
Dolayısıyla tahmin edilen parametrelerin geçerliliğini sınarken sonuçların hem iktisadi ölçütlere göre anlamlılığı
hem de istatistiksel ve ekonometrik ölçütlere göre anlamlılığı incelenmelidir. İktisadi ölçütlere göre katsayıların
anlamlılığı sınanırken başvurulacak kaynak iktisat teorisidir. Tahmin edilen modelin iktisadi teoriyle uyumu
incelendikten sonra tahmin edilen parametrelerin çeşitli hipotez testleriyle istatistiksel olarak anlamlılığının sı-
nanması gerekir. Bu testler temel olarak t ve F testleridir. Burada t testi ile katsayıların bireysel olarak anlamlılığı
sınanırken F testi bize modelin bir bütün olarak anlamlılığı hakkında fikir verir. Öte yandan modele yeni bir
değişken eklemenin gerekli olup olmadığı da yine F testi ile belirlenebilir.

66
Ekonometrinin Temelleri
1 Bir bağımlı ve birden çok bağımsız değişken-
den oluşan regresyon modellerine ne ad verilir?
A. Basit regresyon modeli
B. Çoklu regresyon modeli
C. Çok denklemli modeller
D. Doğrusal model
E. Doğrusal olmayan model
2 Çoklu doğrusal regresyon modeli için aşağı-
daki ifadelerden hangisi yanlıştır?
A. Bir bağımlı değişken vardır.
B. Birden çok bağımsız değişken vardır.
C. Değişkenler arasındaki ilişkiler lineerdir.
D. Değişkenler arasındaki ilişkiler nonlineerdir.
E. Değişkenler arasındaki ilişkiler doğrusaldır.
3 Aşağıdakilerden hangisi çoklu regresyon mo-
dellerinde, diğer bağımsız değişkenlerin etkisi sa-
bitken herhangi bir bağımsız değişkenin bağımlı
değişken üzerindeki etkisini gösterir?
A. Hata terimi
B. Belirlilik katsayısı
C. t istatistiği
D. Kısmi regresyon katsayısı
E. F istatistiği
4 Aşağıdakilerden hangisi çoklu doğrusal reg-
resyon modelinin varsayımları arasında yer almaz?
A. Hata terimleri sıfır ortalamaya sahiptir.
B. Hata terimleri sabit varyanslıdır.
C. Hata terimleri otokorelasyon içermemektedir.
D. Bağımsız değişkenler ile hata terimi arasında bir
ilişki yoktur.
E. Bağımsız değişkenler arasında tam bir ilişki vardır.
5 Korelasyon katsayısının (r) 1 olması aşağıda-
kilerden hangisini tanımlar?
A. Tam çoklu doğrusal bağlantı
B. Değişen varyans
C. Normal dağılım
D. Otokorelasyon
E. Ardışık bağımlılık
6 X ve Y değişkenleri arasındaki ilişkilerin or-
togonal (dikey) olduğu durumda korelasyon kat-
neler öğrendik?
sayısının alacağı değer aşağıdakilerden hangisidir?
A. rxy = 1 B. rxy < 1
C. rxy > 1 D. rxy = ∞
E. rxy = 0
7 Q̂ SX = 70 + 5PX + 0.5PY şeklinde tahmin
edilen bir arz fonksiyonu için aşağıdaki ifadelerden
hangisi doğrudur?
A. X malının fiyatı 5 birim arttığında X malının
arz edilen miktarı 0.5 birim azalmaktadır.
B. X malının fiyatı 1 birim arttığında X malının
arz edilen miktarı 5 birim artmaktadır.
C. X malının fiyatı 5 birim arttığında X malının
arz edilen miktarı 1 birim artmaktadır.
D. Y malının fiyatı 1 birim azaldığında X malının
arz edilen miktarı 5 birim azalmaktadır.
E. Y malının fiyatı 1 birim arttığından X malının
arz edilen miktarı 70 birim artmaktadır.
8 Aşağıdakilerden hangisi çoklu doğrusal reg-
resyon modellerinde modelin açıklama gücünü
gösterir?
A. Kısmi regresyon katsayısı
B. Hata terimi
C. Çoklu belirlilik katsayısı
D. t istatistiği
E. Sabit katsayı
9 Varyansın karekökü aşağıdakilerden hangisidir?
A. Standart sapma
B. Hata terimi
C. R2 değeri
D. t istatistiği
E. β katsayısı
10 Modelin bir bütün olarak anlamlılığını sına-
yan test aşağıdakilerden hangisidir?
A. R2
B. Düzeltilmiş R2
C. F testi
D. t testi
E. Regresyon analizi
67
 Çoklu Doğrusal Regresyon Modeli

Yanıtınız yanlış ise “Çoklu Doğrusal Reg-
1. B
resyon Modeli” konusunu yeniden gözden
geçiriniz.
neler öğrendik yanıt anahtarı
Yanıtınız yanlış ise “Çoklu Doğrusal Reg-
6. E
resyon Modelinin Varsayımları” konusunu
yeniden gözden geçiriniz.

Yanıtınız yanlış ise “Çoklu Doğrusal Reg- Yanıtınız yanlış ise “Katsayı Tahminlerinin
2. D 7. B
resyon Modeli” konusunu yeniden gözden Yorumlanması” konusunu yeniden gözden
geçiriniz. geçiriniz.

Yanıtınız yanlış ise “Çoklu Doğrusal Reg-

3. D 8. C Yanıtınız yanlış ise “Çoklu Belirlilik Katsayı-
resyon Modeli” konusunu yeniden gözden
sı (R2)” konusunu yeniden gözden geçiriniz.
geçiriniz.

Yanıtınız yanlış ise “Çoklu Doğrusal Reg-

4. E 9. A Yanıtınız yanlış ise “t Testi” konusunu yeni-
resyon Modelinin Varsayımları” konusunu
den gözden geçiriniz.
yeniden gözden geçiriniz.

Yanıtınız yanlış ise “Çoklu Doğrusal Reg-

5. A 10. C Yanıtınız yanlış ise “F Testi” konusunu yeni-
resyon Modelinin Varsayımları” konusunu
den gözden geçiriniz.
yeniden gözden geçiriniz.

68
Ekonometrinin Temelleri

Araştır Yanıt
3 Anahtarı

İktisadi modellerde karşılaşılan çoklu doğrusal bağlantı sorununun temel ne-

denlerini birkaç cümleyle şu şekilde özetleyebiliriz: Öncelikle, iktisadi değiş-
kenler çeşitli nedenlerden dolayı benzer faktörlerin etkisi altında kalabilirler.
Bu nedenle değişkenler zaman zaman birlikte hareket etme eğiliminde olurlar
Araştır 1 ve bu çoklu doğrusal bağlantı sorununa neden olabilir. Öte yandan küçük
örneklemlerle çalışılması da çoklu doğrusal bağlantı sorununa neden olabilir.
Zira iktisadi değişkenlerin kısa dönemde birlikte hareket etmesi daha muhte-
meldir. Benzer şekilde herhangi bir bağımsız değişkenin gecikmeli değerleri-
nin farklı bir bağımsız değişken olarak modele dahil edilmesi de değişkenler
arasında güçlü doğrusal ilişkilere neden olabilir.

PX, X malının fiyatı, m tüketicinin geliri olmak üzere Q̂ DX = 100 – 4PX +

0.5m şeklinde tahmin edilen talep fonksiyonunda kısmi regresyon katsayıları
-4 ve 0.5 olarak belirlenmiştir. Burada -4 malın fiyatı ile talep edilen miktarı
arasındaki ters yönlü ilişkiyi göstermektedir ve şu şekilde yorumlanır: X malı-
nın fiyatında meydana gelen 1 birimlik artış gelirin talep üzerindeki etkisinin
Araştır 2 sabit olduğu varsayımıyla malın talep edilen miktarını 4 birim azaltmaktadır.
Öte yandan 0.5 olarak belirlenen katsayı tüketicinin geliri ile X malının talep
edilen miktarı arasındaki doğru yönlü ilişkiyi göstermektedir. Buna göre he-
saplanan 0.5 değeri, malın fiyatının talebi üzerindeki etkisinin sabit olduğu
varsayımı altında tüketicinin gelirinde meydana gelen 1 birimlik artışın X ma-
lının talep edilen miktarını 0.5 birim arttıracağını söylemektedir.

En küçük kareler tahmincileri sapmasız ve tutarlı tahmincilerdir. Burada sap-

masızlıkla ifade edilen tahmincinin beklenen değeriyle gerçek parametre değeri
arasındaki farkın “0” olduğudur. Eğer bir değişkenin modelde yer alması gere-
kiyorsa bu o değişkenin bağımlı değişken üzerindeki kısmi etkisinin sıfırdan
Araştır 3 anlamlı derecede farklı olduğunu söyler. Ancak modelde yer alması gereken bir
değişken modelde yer almazsa bu değişken gözlenemez ve bu değişkenin etkisi
hata terimi içerisinde yer alır. Bu da tahminlerin negatif veya pozitif yönde sap-
ma göstermesine neden olur. Bu nedenle gerekli bir değişkenin model dışında
bırakılması genellikle tahmincilerin sapmalı tahminciler olmasına yol açar.

Kaynakça
Baltagi, B. H. (2008). Econometrics. (2nd Edition)
Germany: Springer
Johnston, J. ve Dinardo, J. (1997). Econometrics
methods (4th Edition). New York: Mcgraw-Hill
Companies
Kutlar, A. (2005). Uygulamaları ekonometri (2. Baskı).
Ankara: Nobel Yayın Dağıtım
Maddala, G.S. (1992). Introduction to econometrics.
(2nd Edition). New York: Macmillan Publishing
Company
Stock, J. H. ve Watson, M.W. (2011). Ekonometriye
giriş, Bedriye Saraçoğlu (Çev.) Ankara: Efil
Yayınevi
Tarı, R. (2018). Ekonometri (13. Baskı). Kocaeli:
Umuttepe Yayınları

69
 Bölüm 4
Çoklu Doğrusal Regresyon Modelinin Uzantıları
öğrenme çıktıları

Standartlaştırılmış Değişkenli Regresyon

Modeli

1 2
Sabit Terimsiz Regresyon Modeli 2 Standartlaştırılmış değişkenler ile
1 Sabit terimsiz regresyon modellerini doğrusal regresyon modellerini ifade
tanımlayabilme, özelliklerini açıklayabilme edebilme

Doğrusal Olmayan (Nonlineer)

3 4
Regresyon Modelleri Sınırlamaların Testi
3 Tam logaritmik, yarı logaritmik ve ters 4 Doğrusal ve doğrusal olmayan
modelleri açıklayabilme sınırlamaları test edebilme

Anahtar Sözcükler: • Sabit Terimsiz Regresyon • Standartlaştırılmış Değişken • Log-log Modeli

• Log-lin Modeli • Lin-log Modeli • Ters Model • Logaritmik Ters Model • MWD Testi • Chow Testi
• Benzerlik Oranı (LR) Testi • Lagrange Çarpanı (LM) Testi • Wald Testi

70
Ekonometrinin Temelleri
GİRİŞ
Bu bölüme kadar incelediğimiz basit doğru-
sal regresyon modeli ve çoklu doğrusal regresyon
modeli ekonometrik çalışmalarda sıklıkla kullanıl-
makla birlikte regresyon modelleri zaman zaman
yapılan çalışmaların amacı ve niteliğine göre fark-
lı formlarda karşımıza çıkabilir. Örneğin, basit ve
çoklu doğrusal regresyon modellerini incelerken
her iki modelde de sabit katsayısına yer verilmek-
teydi. Ancak iktisadi teori gereği bazı modeller
sabit katsayısını içermeyebilir veya ölçü birimleri
farklı olan serilerin aynı modelde kullanılması de-
ğişkenlerin standartlaştırılmasını gerekli kılabilir.
Ya da hem basit doğrusal modelde hem de çoklu
doğrusal modelde bahsettiğimiz değişkenler ara-
sındaki doğrusal ilişkiler her zaman iktisadi değiş-
kenlerin analizinde geçerli olmayabilir. Biz de bu
bölümde sözü geçen bu tür modeller hakkında bil-
giler vereceğiz.
Bu bölümde öncelikle sabit terimsiz regresyon
diğer bir adıyla sıfır noktasından geçen regresyon
modelleri üzerinde duracağız. Ardından standart-
laştırılmış değişkenli regresyon modellerini ince-
leyeceğiz. Sonrasında ise değişkenler arasındaki
ilişkilerin doğrusal olmadığı (nonlineer) regresyon
modellerini inceleyecek, son olarak ise doğrusal ve
doğrusal olmayan sınırlamaların nasıl test edildiği-
ne değineceğiz.
SABİT TERİMSİZ REGRESYON
MODELİ
Önceki bölümlerden de hatırlayacağınız gibi
basit ve çoklu regresyon modellerini oluştururken
modellere bağımsız değişken parametrelerinin yanı
sıra sabit katsayıyı da dahil etmiştik. Örneğin, çok-
lu doğrusal regresyon modelini şu şekilde belirt-
miştik:
Yi = β0 + β1X1i+ β2X2i + ….+ βnXni + ui (4.1)
Burada β0 katsayısı, bağımsız değişkenler “0”
olduğunda bağımlı değişkenin alacağı değeri temsil
etmektedir. Örneğin; kısa dönem tüketim fonksi-
yonunda tüketicinin geliri “0” olsa dahi bireylerin
belirli bir düzeyde tüketim yapmaları gerekmek-
tedir. Dolayısıyla tüketim fonksiyonuna dair bir
tahmin yapılacaksa regresyon modelinin sabit kat-
sayıyı içeren formunun kullanılması gerekir. Ancak
iktisadi teori gereği bazı durumlarda model sabit
katsayıyı içermeyebilir. Örneğin, imalat sanayi
ürünleri için bir üretim fonksiyonunu ele alalım.
Burada üretim fonksiyonu üretim faktörlerinin
bir fonksiyonu olarak tanımlanır. Eğer bu fonksi-
yonda üretim faktörleri “0” değerini alırsa üretim
miktarı da “0” değerini alır. Sabit katsayının mo-
delde yer almadığı veya “0” olarak kabul edildiği
bu tür modellere sabit terimsiz regresyon modelleri
denir. Model sabit katsayıyı içermediği ya da “0”
olarak kabul edildiği için bu tür modellerde bağım-
lı değişken bağımsız değişkelerin alacağı değerlere
göre belirlenir. Bağımsız değişkenlerin “0” olması
hâlinde bağımlı değişken de “0” değerini alır. Bu
durumda sabit terimsiz regresyon fonksiyonu da
sıfır noktasından geçer. Bu nedenle sabit terimsiz
regresyon modelinin bir diğer adı da sıfır nokta-
sından (orijinden) geçen regresyon modelidir. Sabit
terimsiz (sıfır noktasından geçen) regresyon modeli
şu şekilde ifade edilir.
Yi = β1X1i+ β2X2i + …+ βnXni + ui (4.2)
Sabit katsayının modelde yer almadığı
veya “0” olarak kabul edildiği regresyon
modellerine sabit terimsiz regresyon modeli
adı verilir.
Eşitlik (4.2)’den anlaşılacağı gibi bağımsız de-
ğişkenlerin “0” olması hâlinde bağımlı değişken de
“0” değerini alır. Bu nedenle sabit terimi içermeyen
bu model sıfır noktasından geçmektedir.
dikkat
Sabit terimsiz regresyon denklemi sıfır noktasın-
dan (orijinden) geçmektedir.
Sabit Terimsiz Regresyon
Modellerinin Özellikleri
Sabit terimsiz regresyon modelleri, sabit terimli
modellerden iki noktada farklılaşmaktadır. Bunla-
rın ilki hata terimlerinin ortalaması diğeri ise belir-
lilik katsayısı ile ilgilidir.
71
 Çoklu Doğrusal Regresyon Modelinin Uzantıları

Basit ve çoklu doğrusal regresyon modellerinin
varsayımlarından bahsederken hata terimlerinin
beklenen değerinin “0” olduğunu ifade etmiştik.
Bu varsayıma göre pozitif veya negatif yönde sap-
malar olsa da bu sapmaların toplamı “0”değerini
almaktadır. Bu nedenle hata terimlerinin toplamı
“0”dır. Ancak sabit terimsiz regresyon modellerin-
de hata terimlerinin toplamının sıfıra eşit olması
şart değildir. Bu durumda gerçek Y değerinin orta-
laması beklenen Y değerinin ortalaması eşit olma-
yacaktır. Buna göre,
Yi = Ŷi + ûi
eşitliğinde,
∑ (ûi) = 0 → Yi ≠ Ŷi
olacaktır. Bu durumda en küçük kareler tahmincisi
de sapmasız tahminci olma özelliğini kaybedecektir.
dikkat
Sabit terimsiz regresyon modellerinde hata te-
rimlerinin toplamının sıfır olması şart değildir.
Hata terimlerinin toplamının sıfır olmadığı du-
rumda ise EKK tahmincileri sapmasızlık özelli-
ğini kaybetmektedir.
bir ölçüt değildir. Bu nedenle sabit terim içerme-
yen regresyon modellerinde ham R2 değeri kullanı-
lır. Ham R2 değeri şu şekilde hesaplanır:
2 ∑ ( XiYi )2
ham R = (4.3)
∑ Xi2 ∑Yi2
Burada son olarak vurgulanması gereken nokta
şudur: Sabit terimli bir modelde sabit katsayının
istatistiksel olarak anlamsız çıkması bu modelin
tahmininde bir sorun teşkil etmemektedir. Ancak
istatistiksel olarak anlamlı bir sabit terimin mode-
le dahil edilmemesi tahmini yapılan ekonometrik
modelin hatalı kurulduğu anlamına gelir. Bu ne-
denle güçlü gerekçeler bulunmadığı takdirde reg-
resyon modellerinin sabit terimli oluşturulması
daha doğrudur.
dikkat
Sabit terimsiz regresyon modellerinde R2 değeri
negatif bir değer alabilir. Bu nedenle sabit te-
rimsiz modellerde R2 değeri modelin açıklama
gücünü gösteren uygun bir ölçüt değildir.

Sabit terimsiz modellerin sabit terimli model-

lerden farklılaştığı bir diğer nokta ise belirlilik kat-
sayısıyla (R2) ilgilidir. Sabit terimli modeller için
R2 değeri her durumda 0 ila 1 değeri arasında bir
değer alır ve bu modelin açıklama gücünü gösterir.
Ancak sabit terimsiz modellerde R2 değeri negatif
bir değer alabilir ve bu durumda R2 değeri yorum-
lanamaz. Dolayısıyla sabit terimsiz modellerde R2
değeri modelin açıklama gücünü gösteren uygun

72
Ekonometrinin Temelleri

Öğrenme Çıktısı
1 Sabit terimsiz regresyon modellerini tanımlayabilme, özelliklerini açıklayabilme

Araştır 1 İlişkilendir Anlat/Paylaş

Uzun dönem tüketim fonk- Sabit terimsiz regresyon

Enflasyon ve para arzı ara-
siyonunun modellenmesin- modellerinde R2 değerinin
sındaki ilişkiyi sabit terim-
de sabit terimsiz regresyon hangi durumlarda negatif
siz regresyon modeli ile
modelinin uygun olup ol- değer alacağını araştırın, ar-
ilişkilendirin.
madığını araştırın. kadaşlarınızla paylaşın.

STANDARTLAŞTIRILMIŞ DEĞİŞKENLİ REGRESYON MODELİ

Ekonometrik analizlerde zaman zaman değişkenlere ait verilerin ölçüm birimleri arasındaki farklılıklar
serilerin standartlaştırılmasını gerekli kılabilir. Hatırlayacağınız gibi bir önceki bölümde konut fiyatlarının
belirleyicilerine yönelik örnek bir regresyon modeli tahmin etmiş, katsayıları ise değişkenlerin ölçü birimleri
üzerinden yorumlamıştık. Ancak kimi zaman bu bilgiler yeterli olmayabilir ve değişkenler arasında bir kar-
şılaştırma yapmamız gerekebilir. Böyle bir modelde ise değişkenler arasında karşılaştırma yapmak veya hangi
faktörün etkisinin daha önemli olduğunu belirlemek kolay değildir. Çünkü bu tür bir modelde, örneğin;
modelin bağımsız değişkenleri konutun büyüklüğü, oda sayısı, konutun bulunduğu binanın yaşı, konutun
hastane veya üniversite gibi önemli yerleşkelere uzaklığı gibi faktörlerden oluşacaktır. Burada konutun oda
sayısı 3 veya 4 gibi değerler alırken konutun hastaneye uzaklığı 1000 m., 2000 m. gibi değerlerle ifade edile-
cektir. Buradan da anlaşılacağı gibi değişkenlerin ölçü birimleri birbirinden oldukça farklıdır ve bu hem mo-
delin genel görünümü bozmakta hem de tahmin edilen parametrelerin karşılaştırılmasını zorlaştırmaktadır.

Yaşamla İlişkilendir

KONUT FİYATLARI YILLIK BAZDA YÜZDE 4 ARTTI.

16 Ekim 2019
Ağustos ayında bir önceki aya göre yüzde 0,59 oranında artan Konut Fiyat Endeksi, bir önceki yılın
aynı ayına göre nominal olarak yüzde 4 oranında artarken, reel olarak ise yüzde 9,57 oranında azaldı.
Türkiye Cumhuriyeti Merkez Bankası (TCMB) tarafından ağustos dönemine ilişkin Konut Fiyat
Endeksi verileri açıklandı.
Türkiye’deki konutların gözlemlenebilen özelliklerinin zaman içinde kontrol edilerek, kalite etki-
sinden arındırılmış fiyat değişimlerini izlemek amacıyla hesaplanan KFE (2017=100), ağustosta bir
önceki aya göre yüzde 0,59 artarak 113,07 oldu.
Bir önceki yılın aynı ayına göre yüzde 4 artan KFE, aynı dönemde reel olarak yüzde 9,57 azaldı.
Üç büyük ilin konut fiyat endekslerindeki gelişmeler değerlendirildiğinde, ağustos ayında bir önceki
aya göre İstanbul’da yüzde 1,21 azalış, Ankara ve İzmir’de sırasıyla yüzde 1,05 ve 0,59 artış gözlemlendi.
Endeks değerleri bir önceki yılın aynı ayına göre, İstanbul’da yüzde 3,41 azalış, Ankara ve İzmir’de
sırasıyla yüzde 3,78 ve 2,15 artış gösterdi.

Kaynak: https://www.dunya.com/sektorler/emlak/konut-fiyatlari-yillik-bazda-yuzde-4-artti-haberi-455380
25.11.2019
73
 Çoklu Doğrusal Regresyon Modelinin Uzantıları

Dünya Gazetesi’nin 16 Ekim 2019 tarihli haberinde konut fiyatlarında yüzde 4 oranında bir artış oldu-
ğu belirtilmektedir. Peki konut fiyatlarının belirleyicileri nelerdir ve konut fiyatlarını belirleyen çok sayıda
faktörün hangisi veya hangileri konut fiyatındaki artış veya azalış üzerinde daha etkilidir? Temel olarak
konut fiyatları ve konut özellikleri modellenerek bu soruya cevap aranabilir. Ancak daha önce de bahsetti-
ğimiz gibi eğer bu tür bir modelde değişkenlerin düzey değerlerinin kullanırsak değişkenlerin ölçümlerin-
deki farklılıklardan dolayı hangi faktörlerin konut fiyatları üzerinde daha etkili olduğunu görmemiz veya
bir karşılaştırma yapmamız oldukça güçtür. Standartlaştırılma işlemi işte bu tür sorunlardan kaçınmak için
başvurulan uygun bir yöntemdir.
Seriler standartlaştırılırken izlenen yol ise şu şekildedir: Öncelikle serilerin düzey değerlerinden aritme-
tik ortalamaları çıkartılır ve ardından elde edilen değer serinin standart sapmasına bölünür. Bu işlem sıra-
sıyla serilerin bütün birimleri için uygulanırsa tüm seri standartlaştırılmış olur. Buna göre bağımlı değişken
Yi ve bağımsız değişken Xi’nin standardize edilmiş formu şu şekilde ifade edilir:

Yi −Y X −X
Yi* = , Xi* = i (4.4)
s (Y ) s(X)

- -
Eşitliklerde Y ve X sırasıyla Yi’nin ve Xi’nin aritmetik ortalamalarını, s(Y) ve s(X) ise örneklem standart
sapmalarını temsil etmekte Yi* ve Xi*ise standartlaştırılmış değişkenleri ifade etmektedir.

Standartlaştırılmış Değişkenlerin Ortalaması ve Varyansı

Şimdi de isterseniz değişkenler standardize edildikten sonra değişkenlerin ortalamaları ve varyansları-
nın bundan nasıl etkilendiğine bakalım. Örneğin; standartlaştırılmış Y değişkeninin (Yi*) ortalamasını ve
varyansını inceleyelim. Burada Yi*’nin ortalaması için şu formülü kullanabiliriz:

* 1 ∑ Yi −Y
( ) =0
Yi = (4.5)
s (Y ) n

-
Eşitlik (4.5)’te yer alan ∑(Yi-Y ) ifadesi ortalamadan sapmaların toplamını ifade etmektedir. Önceki
-
bölümlerden de hatırlayacağımız gibi ortalamadan sapmaların toplamı daima “0”dır. Buna göre ∑(Yi-Y)
ifadesinin her durumda ”0” değerini alması standartlaştırılmış değişkenlerin ortalamasının da her durum-
da “0” olacağını göstermektedir.
Diğer taraftan standartlaştırılmış Y değişkeni için varyansı şu şekilde formüle edebiliriz:

2
Yi*
(Yi −Y ) (n − k ) 1 2 ( n − k ) var (Y )
var ( ) =∑
var (Y )
=
(n − k ) var (Y )
∑ (Yi −Y ) =
(n − k ) var (Y )
= 1 (4.6)

Buna göre standartlaştırılmış değişkenlerin varyansları da her

koşulda 1’e eşittir. Bu şekilde ortalaması “0” varyansı “1” olan de- dikkat
ğişkenlere temel olarak standartlaştırılmış değişken adı verimektedir. Standartlaştırılmış değişkenlerin her
durumda ortalaması 0, varyansı 1’dir.

Standartlaştırılmış Değişkenli Regresyon Modeli

Şimdi de dilerseniz standartlaştırılmış değişkenler ile regresyon modellerinin nasıl oluşturulduğunu ve
bu şekilde kurulan modeller için tahmin edilen parametrelerin nasıl yorumlanacağına değinelim. Örneğin;
Eşitlik (4.7)’deki gibi bir çoklu doğrusal regresyon modelimiz olsun:

74
Ekonometrinin Temelleri

Yi = β0 + β1X1i+ β2X2i + ui (4.7) Öte yandan modeldeki bağımsız değişken para-

Burada daha önce de belirttiğimiz gibi değişken-
lere ait serilerin ortalamadan farklarını alarak stan-
dart sapmalarına bölerek değişkenleri standartlaştı-
rabiliriz. Buna göre standartlaştırılmış değişkenler ile
çoklu regresyon modelini şu şekilde ifade edebiliriz:
Yi* = β1*X1i*+ β2*X2i* + ui* (4.8)
Burada, değişkenler standartlaştırılarak oluş-
turulan Eşitlik (4.8)’de sabit terimin yer almadığı
görülmektedir. Şimdi bunun nedenini inceleyelim.
Bunun için öncelikle sabit katsayıyı şu şekilde ye-
niden formüle edelim:
- - - değişken üzerindeki kısmi etkilerini karşılaştırma-
β̂0* = Y i* - β̂1* X 1i* - β̂2* X 2i* (4.9)
- - -
Eşitlik (4.9)’da, Y i* , X 1i* ve X 2i* sırasıyla stan-
dartlaştırılmış bağımlı ve bağımsız değişkenlerin or-
talamalarını göstermektedir. Standartlaştırılmış de-
ğişkenlerin ortalamalarının “0” olduğunu biliyoruz.
Dolayısıyla burada standartlaştırılmış sabit terim de
“0” değerini alacaktır. Bu nedenle ortalaması “0”
olan sabit terim artık modelde yer almamaktadır.
metrelerini gösteren β1* ve β2* standardize edilmiş
katsayılar olarak adlandırılmaktadır ve yorumu da
sıradan doğrusal regresyon parametrelerinden fark-
lı yorumlanmaktadır. Burada parametreler artık
standart sapma cinsinden yorumlanır. Örneğin,
β1* katsayısının 0,5 olarak belirlendiğini varsa-
yalım. Bu durumda standardize edilmiş β1 katsa-
yısı (β1*) şu şekilde yorumlanacaktır: Standardize
edilmiş X1i değişkeninde (X1i* ) meydana gelecek 1
birimlik standart sapma, standardize edilmiş Yi de-
ğişkenini de (Yi*) aynı yönde 0,5 standart sapma
değiştirecektir. Buradan da anlaşılacağı gibi katsa-
yıların yorumları artık ölçü birimlerinden bağım-
sızdır ve bu bize bağımsız değişkenlerin bağımlı
mıza olanak sağlamaktadır.
dikkat
Standartlaştırılmış değişkenli modellerde ba-
ğımsız değişken parametreleri bağımsız değiş-
kenlerin ölçüm birimlerinden bağımsız olarak
standart sapma cinsinden yorumlanmaktadır.

dikkat
Standartlaştırılmış değişkenli modellerde sabit
terim yer almamaktadır.

Öğrenme Çıktısı
2 Standartlaştırılmış değişkenler ile doğrusal regresyon modellerini ifade edebilme

Araştır 2 İlişkilendir Anlat/Paylaş

Standartlaştırma işleminin Standartlaştırılmış değişkenli

Standartlaştırılmış değişken-
R2 değeri üzerinde bir etkisi regresyon modellerinde tah-
li regresyon modelinin avan-
olup olmadığını araştırın ve min katsayılarının yorumları
tajlarını bir örnek üzerinden
sonucu F test istatistiğiyle neden farklılaşmaktadır? Ar-
özetleyin.
ilişkilendirin. kadaşlarınızla tartışın.

75
 Çoklu Doğrusal Regresyon Modelinin Uzantıları
DOĞRUSAL OLMAYAN
(NONLINEER) REGRESYON
MODELLERİ
Regresyon analizi türlerinden bahsederken reg-
resyon modellerinin değişken sayısına ve değişken-
ler arasındaki ilişkilerin doğrusal olup olmamasına
göre sınıflandırıldığını hatırlarsınız. Buna göre bir
bağımlı ve bir bağımsız değişkenden oluşan reg-
resyon modellerine basit regresyon, bir bağımlı ve
birden çok bağımsız değişkenin oluşturduğu mo-
dellere ise çoklu regresyon adı verilmekteydi. Öte
yandan değişkenler arasındaki ilişkilerin doğrusal-
lığına göre regresyon modelleri doğrusal (lineer)
regresyon ve doğrusal olmayan (nonlineer) regres-
yon modelleri olarak sınıflandırılmaktaydı.
Bu bölüme kadar yaptığımız tüm açıklama-
lar doğrusal regresyon modelleriyle ilgiliydi. Yani
değişkenler arasındaki ilişkilerin doğrusal olduğu
regresyon modelleri üzerinde durduk. Doğrusal
regresyon modelleri hem birçok iktisadi teoriye uy-
gunluğundan hem de uygulamada sağladığı kolay-
lıklar nedeniyle ekonometrik çalışmalarda kendisi-
ne sıklıkla yer bulmaktadır. Ancak bazı durumlarda
iktisadi teori gereği doğrusal regresyon modeli ik-
tisadi olayı açıklamada yetersiz kalabilir ve bu du-
rumlarda doğrusal olmayan regresyon modellerine
başvurulabilir. Bu bölümde de temel olarak ikti-
sadi teori gereği değişkenler arasındaki ilişkilerin
doğrusal olmadığı ancak uygun dönüşümlerle de-
ğişkenler arasındaki ilişkileri temsil eden bağımsız
değişken parametrelerinin doğrusal forma dönüş-
türülebileceği regresyon modelleri üzerinde dura-
cağız. Bu kapsamda sırasıyla tam logaritmik, yarı
logaritmik ve ters modeller üzerinde duracağız.
Tam Logaritmik Model
Bazı iktisadi teoriler değişkenler arasındaki iliş-
kilerin doğrusal formda olmadığını öne sürmek-
tedir. Örneğin, Cobb-Douglas tipi üretim fonk-
siyonu değişkenler arasındaki ilişkilerin doğrusal
olmadığı bir fonksiyonel biçimdir ve temel olarak
şu şekilde ifade edilir:
Q = β0K β1 L β2 (4.10)
Eşitlik (4.10)’da Q üretim düzeyini, K ve L sırasıy-
la sermaye ve emek faktörlerini gösterirken β1 ve β2
ise sırasıyla bağımsız değişken parametrelerini temsil
etmektedir. Eşitlikten de anlaşılacağı gibi bu tür bir
76
üretim fonksiyonu doğrusal olmayan bir formda ku-
rulmuştur. Yani değişkenler arasındaki ilişkiler doğ-
rusal değildir. Dolayısıyla burada β1 ve β2 katsayıları
doğrusal formdaki gibi yorumlanamaz. Burada β1 ve
β2 katsayıları iktisadi teori gereği üretimin sermaye ve
emek faktörüne göre esnekliğini göstermektedir ve
nispi değişim şeklinde yorumlanır. Örneğin, β1 kat-
sayısı 0.5 olarak belirlenmişse bu sermaye faktörün-
de meydana gelen %1’lik bir artışın toplam üretimi
%0.5 artıracağını söylemektedir. İktisat derslerinde de
hatırlayacağınız gibi bu yorum esneklik yorumudur
ve burada da üretimin sermaye faktörüne göre esnek-
liğini ifade etmektedir. Benzer şekilde β2 de üretimin
emek faktörüne göre esnekliğini tanımlamaktadır.
%ΔQ %ΔQ
β1 = β2 = (4.11)
%ΔK %ΔL
Eşitlik (4.10)’da genel matematiksel kalıbı veri-
len Cobb-Douglas tipi üretim fonksiyonunun ge-
nel ekonometrik modeli şu şekilde oluşturulabilir:
Q = β0K β1 L β2ui (4.12)
Eşitlik (4.12)’de ekonometrik modeli verilen
Cobb-Douglas üretim fonksiyonunda değişken-
ler arasındaki ilişkilerin doğrusal olmadığı görül-
mektedir. Ancak doğrusal olmayan bu modelin
parametreler açısından doğrusallaştırılması müm-
kündür. Bunun için modelin logaritmasının alın-
ması yeterlidir. Buna göre Eşitlik (4.12)’deki doğ-
rusal olmayan model logaritması alınarak Eşitlik
(4.13)’teki gibi doğrusal forma dönüştürülebilir.
logQ = logβ0 + β1logK + β2logL + ui (4.13)
Burada, Eşitlik (4.12)’de doğrusal olmayan
formda verilen üretim fonksiyonunun, modelin
logaritması alınarak katsayılar açısından doğru-
sallaştığı anlaşılmaktadır. Yani model bağımlı ve
bağımsız değişkenlerin logaritmalarında doğrusal
fonksiyonel forma dönüşmüştür. Bağımlı ve bağım-
sız değişkenlerin logaritmalarında doğrusallaşan bu
tür modellere log-log modeli adı verilmektedir. Bu-
rada β1 ve β2 katsayıları daha önce de bahsedildiği
gibi üretimin sermaye faktörüne ve emek faktörüne
göre esneklik katsayılarını ifade etmektedir ve nispi
değişimin etkisi şeklinde yorumlanmaktadır. Şimdi
bu katsayıları tahmin edilen bir üretim fonksiyonu
üzerinden yorumlayalım: Örneğin; tahmin edilen
modelimiz şu şekilde olsun:
Ekonometrinin Temelleri
logQ̂= -1.60 + 0.75logK + 0.45logL (4.14)
Eşitliğe göre üretimin sermaye faktörüne göre
esnekliği (β1) 0.75, üretimin emek faktörüne göre
esnekliği (β2) 0.45 olarak belirlenmiştir. Buna göre
sermaye faktöründe meydana gelen %1’lik bir artış
üretim miktarını %0.75 artırırken emek faktöründe
meydana gelen %1’lik artış üretim miktarını %0.45
artırmaktadır. İktisadi teoriye göre β1 ve β2 katsayı-
larının toplamının 1’den büyük olduğu bu durum
ölçeğe göre artan getiriyi tanımlamaktadır. Öte yan-
dan β1 ve β2 katsayılarının toplamının 1’den küçük
bir değer olsaydı bu durumda ilgili endüstride ölçe-
ğe göre azalan getiri, 1’e eşit olması durumunda ise
ölçeğe göre sabit getiri söz konusudur diyebilirdik.
dikkat
Tam logaritmik modelde bağımsız değişken pa-
rametreleri aynı zamanda esneklik katsayılarıdır.
Yarı Logaritmik Modeller
Tam logaritmik modeller bağımsız değişken-
lerin bağımlı değişken üzerindeki nispi etkilerini
göstermektedir. Bu tür modellerde tahmin edilen
katsayılar bağımsız değişkenlerdeki yüzde değişi-
min bağımlı değişken üzerindeki etkisini yine yüz-
de değişim cinsinden ifade etmektedir. Bu durum-
da değişkenler arasındaki bağlantılar hem bağımlı
değişken hem de bağımsız değişkenlerdeki nispi
değişim ile açıklanır. Ancak bazı durumlarda araş-
tırmacılar bağımlı ve bağımsız değişkenlerin birin-
deki nispi değişim ile diğerindeki mutlak değişimi
karşılaştırarak bu bağlantıları kurmak isteyebilirler.
Böyle durumlarda ise yarı logaritmik modellere
başvurulur. Yarı logaritmik modeller temelde log-
lin modeli ve lin-log modeli olmak üzere iki farklı
türde karşımıza çıkmaktadır.
Log- lin Modeli
Tam logartimik modeli tanımlarken Cobb-
Douglas tipi üretim fonksiyonunun logaritması-
nı alarak modeli doğrusal hâle dönüştürmüştük.
Modelin logaritmasını aldıktan sonra ise modelin
hem bağımlı değişkeninin hem de bağımsız değiş-
kenlerinin logaritmik olduğunu görmüştük. Ancak
doğrusal olmayan bazı modellerin logaritması alın-
dığında modelin bağımlı değişkeninin logaritmik
olup bağımsız değişkenlerinin doğrusal olduğu
görülür. Bu şekilde bağımlı değişkenin logaritmik
bağımsız değişkenlerin ise doğrusal olduğu regres-
yon modellerine log-lin modeli (logaritmik doğrusal
model) adı verilmektedir.
Şimdi isterseniz logaritmik doğrusal modellerin
nasıl oluştuğuna bakalım. Örneğin, şu şekilde bir
üstel fonksiyonumuz olsun:
Yi = eβ 0 +β1 X1i +β 2 X2i +ui (4.15)
Eşitlik (4.15)’in doğrusal bir model olmadığı
görülmektedir. Şimdi de üstel fonksiyon şeklinde
verilen bu ifadenin e tabanında logaritmasını ala-
rak modeli doğrusal forma dönüştürelim. Buna
göre yeni eşitliğimiz şu şekilde olacaktır:
lnYi = β0 + β1X1i+ β2X2i + ui (4.16)
Eşitlik (4.16)’ten de anlaşılacağı gibi model
artık parametreleri açısından çoklu doğrusal reg-
resyon formundadır ve dolayısıyla en küçük ka-
reler yöntemiyle tahmini yapılabilir. Ancak diğer
taraftan modelde bağımlı değişkenin logaritmik,
bağımsız değişkenlerin ise doğrusal olduğu anlaşıl-
maktadır. Bağımlı değişkenin logaritmik bağımsız
değişkenlerin ise doğrusal olduğu bu tür modellere
log-lin modeli adı verilmektedir.
Şimdi dilerseniz örnek bir tahmin üzerinden
modelin nasıl yorumlandığına bakalım. Örneğin
tahmin edilen log-lin modelimizi şu şekilde olsun:
lnYi = 20 + 0.05X1i - 0.07X2i (4.17)
Burada bağımsız değişken parametrelerinin
100 ile çarpımı sonucunda elde edilen değer ba-
ğımsız değişkenlerdeki mutlak değişimin bağımlı
değişken üzerindeki nispi etkilerini göstermekte-
dir. Buna göre tahmin edilen bağımsız değişken
parametreleri şu şekilde yorumlanmaktadır: X1i’de
77
 Çoklu Doğrusal Regresyon Modelinin Uzantıları

meydana gelen 1 birimlik artış Yi’yi %5 oranında
artırmaktadır. Öte yandan X2i’de meydana gelen 1
birimlik artış ise Yi’yi %7 oranında azaltmaktadır.
Bağımlı değişkenin logaritmik bağımsız
değişkenlerin doğrusal olduğu regresyon
modellerine log-lin modeli (logaritmik
doğrusal model) adı verilmektedir.
Lin-log Modeli
Bir diğer yarı logaritmik model olan lin-log mo-
delinde (doğrusal logaritmik model) ise bağımsız
değişkenler logaritmik bağımlı değişken doğrusal
formdadır. Lin-log modeli iki bağımsız değişken
için şu şekilde ifade edilebilir:
Yi = β0 + β1lnX1i+ β2lnX2i + ui (4.18)
yüzde değişimin bağımlı değişken üzerindeki mut-
lak etkisidir. Buna göre tahmin parametreleri şu
şekilde yorumlanır: X1i’de meydana gelen %1’lik
bir artış, Yi’yi 0.2 birim azaltırken X2i’de meydana
gelen %1’lik artış Yi’yi 0.8 birim artırmaktadır.
Bağımlı değişkenin doğrusal bağımsız de-
ğişkenlerin logaritmik olduğu regresyon
modellerine lin-log modeli (doğrusal lo-
garitmik model) adı verilmektedir.
Ters Modeller
İktisat teorisi gereği bazı durumlarda bağımlı
değişken ile bağımsız değişkenlerin tersi arasında
bir ilişki söz konusu olabilir. Değişkenler arasında-
ki bu tür ilişkiler ters modeller ile analiz edilmekte-
dir. Ters model temel olarak şu şekilde ifade edilir:

Eşitlik (4.18)’de ifade edildiği gibi bağımlı Yi = β0 + β1i Xi-1+ ui (4.20)

değişkenin doğrusal bağımsız değişkenlerin loga-
ritmik olduğu modellere lin-log modeli adı veril-
mektedir. Bu tür modellerde bağımsız değişken
parametreleri, bağımsız değişkenlerdeki nispi deği-
şimlerin bağımlı değişken üzerindeki mutlak etki-
lerini göstermektedir. Örneğin, tahmin edilen lin-
log modelimizin şu şekilde olduğunu varsayalım:
Yi = 50 - 20 lnX1i + 80 lnX2i (4.19)
Doğrusal logaritmik modellerde, tahmin edilen
bağımsız değişken parametrelerinin 100’e bölü-
münden elde edilen değer, bağımsız değişkendeki
Bu tür modeller bağımsız değişkenin tersi ile (Xi-1)
bağımlı değişken (Yi) arasındaki ilişkileri açıklamak-
tadır. Burada Xi sonsuza yaklaştıkça Xi-1’in değeri 0’a
yaklaşmakta dolayısıyla Yi de β0’a veya β0’ın asimto-
tik değerine yaklaşmaktadır.
İktisat teorisi gereği iktisadi değişkenler arasın-
daki ilişkiler kimi zaman ters modeller yardımıyla
modellenmektedir. Parasal ücretlerdeki değişme
oranı ile işsizlik oranı arasındaki ters ilişkiyi açık-
layan Phillips Eğrisi bu tür modellere örnek olarak
gösterilebilir.

Araştırmalarla
İlişkilendir
YENİ KEYNESYEN BİR BAKIŞ AÇISIYLA TÜRKİYE’NİN ENFLASYON DİNAMİKLERİ
YÖNÜNDEN YAPISAL ANALİZİ
Ferhat ÇAMLICA, Uzmanlık Yeterlilik Tezi
TCMB İletişim ve Dış İlişkiler Genel Müdürlüğü
Ankara, Ocak 2010
1.1.Orijinal Phillips Eğrisi
ABD için 1915–1925 yıllarına ait aylık verileri kullanarak, işsizlik ve gecikmeli enflasyon arasında
güçlü bir bağıntının varlığını ilk tespit eden iktisatçı Irvin Fisher olmuştur. Buna göre, Fisher, işsizlik
ve gecikmeli enflasyon değişkenleri arasındaki bağıntı katsayısının %90 olduğunu bulmuştur. Fisher’ın
çalışmasında, işsizlik ve enflasyon arasındaki nedensellik ilişkisinin fiyatlardan işsizliğe doğru olduğunu
gösteren istatistiksel bulgulara da yer verilmiştir (Fisher, 1973).

78
Ekonometrinin Temelleri

1936 yılında Hollandalı iktisatçı Jan Tinbergen, enflasyon ve işsizlik arasındaki ilişkiyi arz ve talep
piyasası çerçevesinde, ekonometrik olarak ortaya koymayı başarmıştır. Fisher’in aksine, Tinbergen, fi-
yatlar ve işsizlik arasındaki ilişkide nedenselliğin işsizlik veya işgücü piyasasındaki talep baskısını ölçen
benzer bir değişkenden fiyatlara doğru olduğunu savunmuştur. Bununla birlikte, Tinbergen, nominal
ücretlerin işsizliğin doğrusal olmayan bir fonksiyonu olduğunu söylemiştir (Tinbergen, 1959). Aynı
zamanda, Tinbergen’in 1923–1933 yılları arasında Hollanda için ortaya koyduğu eşitlik, Phillips eğrisi
literatüründeki ilk Phillips eğrisi denklemi olma özelliğini taşımaktadır:

dW = 0,16 E + 0,27 dP-1 (1.1)

(1.1) nolu denklemde W ücretleri, E ise cari istihdamın trend istihdama oranını ifade etmektedir. P
ise fiyat seviyesini temsil etmektedir. Tinbergen’in ortaya koymuş olduğu bu denklikte, ücretler ve işsiz-
lik arasındaki ilişkinin niteliğini tanımlamak bakımından, fiyat değişimi veya enflasyon ilk defa açıkça
değişken olarak bir model içerisinde yer almıştır (Humphrey, 1985).
Tinbergen sonrasında, Phillips eğrisi, bu dönemde Klein, Goldberger, A. J. Brown ve Sultan
gibi başka iktisatçıların da ilgisini çekmesine karşın; enflasyon ve işsizlik arasındaki ilişki, A. William
Phillips’in bu konudaki ünlü çalışması ile makro ekonominin temel taşlarından biri haline gelmiştir. Bu
dönemde enflasyon ve işsizlik arasındaki bağıntı birçok iktisatçı tarafından fark edilmiş olsa da, 1958
yılında gerçekleştirmiş olduğu çalışmasında Phillips, söz konusu ilişki üzerine doğrudan odaklanan ilk
iktisatçı olmuştur (Humprey, 1985).
Phillips’in çalışmasını diğer çalışmalardan ayırt eden iki önemli özellik söz konusudur. Birincisi,
Phillips’in çalışması yalnızca işsizlik ve enflasyon arasındaki ilişkiye odaklanmıştır. İkincisi de, Phillips’in
çalışması, daha sonra Richard Lipsey tarafından 1960 yılında gözden geçirilerek, daha kuramsal bir
çerçevede genişletilmiştir. Phillips’in çalışmasının bu iki özelliği Phillips eğrisi literatürünün temelini
atmakla birlikte, günümüze kadar makro ekonominin başlıca çalışma alanlarından biri olmasını da
sağlamıştır.
Phillips, çalışmasında işgücü piyasasında arz ve talebi kullanarak, işsizlik ve ücret oranları arasında
bir bağıntının var olduğunu ortaya koymaktadır. Phillips’e göre ücretler işsizliğin bir fonksiyonudur ve
bu önermeyi test etmek için aşağıdaki denklemi kullanmıştır:

log(y + a) = logb + c.log x (1.2)

Denklemde, y ücretlerdeki değişim oranını; x işsizlik oranını ifade etmektedir. Diğer yandan, a,
b ve c sabit değerlerdir. Phillips, İngiltere için 1861–1957 dönemine ait veri setini kullanarak, basit
regresyon yöntemi ile yukarıdaki denklemi tahmin etmiştir. Phillips’in elde ettiği sonuçlara göre ortaya
çıkan denklem,

y + 0.900 = 9,638x-1,394 veya

log(y+0.900) = 0.964 – 1.394 log X (1.3)

şeklinde ifade edilmektedir. Buna göre, Phillips, ücretler ve işsizlik oranı arasında uzun dönemli, negatif
ve doğrusal olmayan bir ilişki olduğuna dair kanıt getirmektedir (Phillips, 1958).

Kaynak: http://www3.tcmb.gov.tr/kutuphane/TURKCE/tezler/ferhatcamlica.pdf Erişim Tarihi: 26.11.2019

79
 Çoklu Doğrusal Regresyon Modelinin Uzantıları

Ters modelin bir diğer türü de logaritmik ters modeldir. Bu modelde (4.20) numaralı modelden farklı
olarak bağımlı değişken logaritmik olarak ifade edilir.

InYi = β0 + β1i Xi-1 + ui (4.21)

Bu tür bir modelde Xi arttıkça, Yi önce artarak artarken belirli bir noktadan sonra azalarak artmaya
başlar. Bu nedenle logaritmik ters model grafik üzerinde gösterilirken grafiğin, bağımlı değişkenin artarak
arttığı bölümde “dışbükey”, azalarak arttığı bölümde ise “içbükey” bir seyir izleyeceği söylenebilir.

Fonksiyonel Biçimin Seçimi

Önceki bölümlerde hem katsayıları açısından hem de değişkenleri açısından doğrusal regresyon mo-
delleri üzerinde durmuştuk. Bu bölümde ise gerçekte doğrusal olmayan ancak logaritması alındığında
değişkenleri açısından doğrusallaşan modelleri inceledik. Peki regresyon modeli oluşturulurken bu farklı
fonksiyonel biçimlerden hangisi tercih edilmelidir? Şimdi de bu soruya cevap aramaya çalışalım.
Regresyon modelinde doğrusal biçimin mi yoksa logaritmik biçimin mi kullanılacağına MWD testi
yardımıyla karar verilebilir. Örneğin, şu şekilde biri doğrusal diğeri logaritmik formda iki regresyon mo-
delimiz olsun:

Yi = β0 + β1 X1i+ β2 X2i + ui (4.22)

lnYi = β0 + β1 lnX1i+ β2 lnX2i + ui (4.23)

Burada test edilen hipotez şu şekildedir:

H0: Doğrusal model geçerlidir.

H1: Logaritmik model geçerlidir.

MWD testinin uygulanışını birkaç aşamada özetleyelim.

1. (4.22) numaralı doğrusal regresyon modelinin tahmini yapılır ve Ŷ değerleri elde edilir.
2. (4.23) numaralı logaritmik regresyon modelinin tahminin yapılır ve lnŶ değerleri elde edilir.
3. 1 adımda elde edilen Ŷ değerlerinin logaritması alınır. (logŶ)
4. Zi= logŶ- lnŶ formülü yardımıyla yeni bir değişken oluşturulur.
5. 4. adımda elde edilen yeni değişken (Zi) (4.22) numaralı doğrusal regresyon modeline dahil edilir.

Yi = β0 + β1 X1i+ β2 X2i + β3 Zi+ ui (4.24)

6. Son olarak oluşturulan yeni modelin tahmini yapılarak Zi değişkenine ait parametrenin (β3) ista-
tistiksel olarak anlamlılığı sınanır.
Eğer β3 parametresi istatistiksel olarak anlamlı ise H0 reddedilir ve uygun fonksiyonel biçiminin loga-
ritmik model olduğu sonucuna ulaşılır. Aksi hâlde H0 reddedilemez ve doğrusal modelin uygun olduğu
söylenir.

80
Ekonometrinin Temelleri

Öğrenme Çıktısı
3 Tam logaritmik, yarı logaritmik ve ters modelleri açıklayabilme

Araştır 3 İlişkilendir Anlat/Paylaş

Kısa dönem üretim fonksi- Yarı logaritmik modellerde

Bileşik faiz formülü tanım-
yonunun tahmininde hangi eğim katsayılarının nasıl
layın ve logaritmik doğrusal
fonksiyonel biçimin kulla- belirlendiğini araştırın, ar-
model ile ilişkilendirin.
nılacağını araştırın. kadaşlarınızla paylaşın.

SINIRLAMALARIN TESTİ t -Testi

Kitabımızın önceki bölümlerinde temel olarak
basit doğrusal regresyon modeli ve çoklu doğrusal
regresyon modeli üzerinde durduk. Bu bölümde ise
şu ana kadar sabit terim içermeyen regresyon mo-
deli, standartlaştırılmış değişkenli regresyon mo-
deli ve doğrusal olmayan regresyon modelleri gibi
çoklu doğrusal bağlantı modelinin bir takım uzan-
tılarını inceledik ve hem basit ve çoklu regresyon
modellerinde hem de bu modellerin uzantılarında
parametrelerin nasıl belirlendiği ve nasıl yorumlan-
dığına değindik. Ancak bu parametreleri tahmin
ederken ve yorumlarken herhangi bir kısıtlama
üzerinde durmadık. Ancak iktisadi teori gereği bazı
durumlarda parametrelere bir takım kısıtlamalar
uygulanması gerekebilir. Örneğin, iktisat bilgileri-
mizden de hatırlayacağımız gibi marjinal tüketim
eğilimi ve marjinal tasarruf eğiliminin toplamı her
zaman 1’e eşittir. Ya da Cobb-Douglas tipi üretim
fonksiyonunda emek ve sermaye faktörlerine dair
katsayıların ölçeğe göre artan getiri durumunda
1’den büyük, ölçeğe göre azalan getiri durumunda
1’den küçük, ölçeğe göre sabit getiri durumunda
ise 1’e eşit olduğunu biliyoruz. İşte bu ve benzeri
durumlarda regresyon parametrelerine bir takım
kısıtlamalar getirilebilir. Biz de bu bölümde bu kı-
sıtlamaların nasıl test edildiğini inceleyeceğiz.
Sınırlamalar temel olarak doğrusal ve doğrusal
olmayan sınırlamalar şeklinde test edilmektedir.
Şimdi dilerseniz, bu testlere sırasıyla değinelim.
Önceki bölümlerden de hatırlayacağımız gibi
t-testi ile temel olarak tahmin edilen parametre-
lerin bireysel olarak anlamlılığı sınanmaktaydı.
Benzer şekilde tahmin parametrelerinin belirli bir
değere eşit olup olmadığı da yine t-testi yardımıyla
belirlenebilmekteydi. Aslında doğrusal sınırlama-
ların test edilmesinde uygulanan t-testi de benzer
mantıkla yürütülmektedir.
Şimdi burada bir örnek üzerinden t testinin
uygulamasına değinelim. Örneğin, iki tahmin pa-
rametresinin toplamının 1’e eşit olduğunu yani
β1+β2 = 1 sınırlamasını test edeceğimizi varsaya-
lım. Bu durumda sıfır hipotezi ve alternatif hipotez
şu şekilde kurulmaktadır:
H0: β1 +β2 = 1 (Sınırlama geçerlidir.)
H1: β1 +β2 ≠ 1 (Sınırlama geçerli değildir.)
Öte yandan t istatistik değeri şu şekilde belirlenir:
t=
(β!1 + β! 2 ) − (β1 + β2 ) (4.25)
s ( β! 1 + β! 2 )
Burada β1 +β2 = 1 sınırlaması test edileceği için
eşitlikteki (β1 +β2) ifadesinin yerine 1 yazılır ve
eşitlik yeniden düzenlenirse,

Doğrusal Sınırlamaların Testi t=

( β! 1 + β! 2 ) −1
(4.26)
s ( β! 1 + β! 2 )
Katsayılara dair sınırlamaların doğrusal olduğu
durumlarda bu sınırlamaları t testi ve F testi yardı-
mıyla sınayabiliriz.

81

ifadesine ulaşılır. Eşitlikten de görüleceği gibi tahmin
edilen β1 ve β2 parametrelerinin toplamından 1 çıkarılır
ve bu değer parametrelerinin toplamının standart hata-
var β! 1 + β! 2 = var β! 1 + var β! 2 + 2cov β! 1, β! 2
( ) ( ) ( ) ( )
sına (
s ( β! 1 + β! 2 ) = var ( β! 1 + β! 2 )
bölünerek t istatistik değerine ulaşılır. Hesaplanan
t istatistik değeri, %5 anlam düzeyi ve n-k serbest-
lik derecesine göre belirlenen tablo kritik değeri
ile karşılaştırılır. Eğer hesaplanan t istatistik değeri
mutlak olarak tablo kritik değerinden büyükse sıfır
hipotezi reddedilir ve sınırlamanın geçersiz oldu-
ğunu ifade eden alternatif hipotez kabul edilir. Aksi
durumda ise sıfır hipotezi kabul edilerek β1 + β2
= 1 sınırlamasının geçerli olduğu sonucuna varılır.
F- Testi
Doğrusal sınırlamaların test edildiği bir diğer
yöntem F testidir. F testi ile ilgili çoklu doğrusal
regresyon modelindeki açıklamalarımızda, F testi-
nin temel olarak tahmin edilen modelin bir bütün
olarak anlamlı olup olmadığının belirlenmesinde
kullanıldığını ifade etmiştik. Yine bir diğer kullanı-
mında modele yeni bir değişken ekleyip eklememe
kararı verirken F testinden faydalanıldığını belirt-
miştik. F testi sınırlamaları test ederken de benzer
bir mantıkla çalışmaktadır. Burada sınırlandırılmış
ve sınırlandırılmamış iki model F testi yardımıyla
karşılaştırılarak sınırlamanın geçerli olup olmadığı
belirlenir.
Şimdi dilerseniz F testi ile sınırlamaların nasıl
test edildiğine bakalım. Örneğin, şu şekilde bir
Cobb-Douglas tipi üretim fonksiyonumuz olsun:
logQ = logβ0 + β1logK + β2logL + ui (4.27)
Burada ölçeğe göre sabit getiriyi test ettiğimizi
varsayalım. Ölçeğe göre sabit getiri durumunda K
ve L’ye ait parametrelerinin toplamının 1 olduğu-
nu (β1 + β2 = 1) biliyoruz. Bu durumda β1 + β2 =
1 sınırlamasının geçerli olup olmadığını F testi ile
sınayalım. F testi için sınırlandırılmış ve sınırlandı-
rılmamış iki modele ihtiyacımız olduğunu belirt-
miştik. Burada 4.27 numaralı üretim fonksiyonu
sınırlandırılmamış modelimizi temsil etmektedir.
Öte yandan sınırlandırılmış modeli ifade etmemiz
gerekmektedir. Sınırlandırma β1 + β2 = 1 şeklinde
olduğu için bu ifade aynı zamanda şu iki farklı şe-
kilde yazılabilir:
82
Çoklu Doğrusal Regresyon Modelinin Uzantıları
β1 = 1 - β2
β2 = 1 - β1
Bu ifadelerden herhangi biri sınırlandırılmış
) modelde kullanılabilir. Örneğin, β2 =1- β1 ifadesi-
nin tercih edildiğini varsayalım. Bu durumda sınır-
landırılmış modelimiz şu şekilde ifade edilecektir:
logQ = logβ0 + β1logK + (1-β1)logL + ui (4.28)
Şimdi bu sınırlandırmanın geçerli olup olmadı-
ğının nasıl belirlendiğine bakalım. Burada F testi için
kurulan sıfır hipotezi ve alternatif hipotez şu şekildedir:
H0: β1 + β2 = 1 (Sınırlama geçerlidir)
H1: β1 + β2 ≠ 1 (Sınırlama geçerli değildir)
Burada da yine F test istatistiği hesaplanır ve
tablo kritik değeri ile karşılaştırılarak sınırlamanın
geçerli olup olmadığı belirlenir. Öncelikle F test is-
tatistiğini hesaplayalım:
( RU2 + RR2 ) / C
Fist. = (4.29)
(1− RU2 ) / n − k
Formülde yer alan RU2 ve RR2 ifadeleri sırasıyla
sınırlandırılmamış ve sınırlandırılmış modellerinin
R2 değerlerini temsil etmektedir. Öte yandan c, sı-
nırlama sayısını n-k ise serbestlik derecesini (Gözlem
sayısı–sınırlandırılmamış modeldeki parametre sayı-
sı) ifade eder. Burada öncelikle 4.29 numaralı eşit-
lik yardımıyla F test istatistiği hesaplanır. Ardından
hesaplanan test istatistik değeri, α anlam düzeyi, c
sınırlama sayısı ve n-k serbestlik derecelerine göre F
tablosundan elde edilen tablo kritik değeri ile karşı-
laştırılır. Hesaplanan F istatistiği tablo kritik değe-
rinden büyükse sıfır hipotezi reddedilir.
Fist. > Fα,c,n-k → H0 reddedilir.
Bu durumda sınırlamanın geçerli olduğunu ifade
eden sıfır hipotezi reddedilerek sınırlamanın geçerli
olmadığı sonucuna varılır. Aksi durumda ise yani,
Fist. < Fα,c,n-k → H0 kabul edilir.
Bu durumda ise sınırlamanın geçerli olduğu so-
nucuna varılır ve ölçeğe göre sabit getiri kabul edilir.
Ekonometrinin Temelleri

Yapısal Kırılma Testi (Chow Testi)

Genellikle zaman serilerinde görülen yapısal kırılmalar regresyon parametrelerinin zaman içerisinde
sabit kalmayıp değişime uğradığını ifade eder. Yapısal kırılmalar iktisadi olayları açıklarken sıklıkla karşıla-
şılan bir durumdur. Zira, yaşanan iktisadi ve politik şokların iktisadi değişkenler üzerinde sıklıkla yapısal
kırılmalara neden olduğu pek çok kez tecrübe edilmiştir. Örneğin, 2008 Küresel Krizi dünya üzerinde
hemen hemen tüm ekonomilerin makroekonomik göstergelerinde bir yapısal kırılma meydana getirmiştir.
Peki, bir modelin yapısal değişime uğrayıp uğramadığı nasıl belirlenir ve bunun sınırlamalarla ilgisi nedir?
Şimdi bu soruya cevap aramaya çalışalım.
Örneğin, Türkiye’nin tüketim fonksiyonunun 2008 küresel krizi ile yapısal bir değişim yaşayıp yaşa-
madığını incelediğimizi varsayalım. İncelediğimiz dönem 2000-2018 dönemi olsun. Bu dönem içerisinde
yapısal bir kırılma olup olmadığını belirleyebilmek için incelenen dönemi 2008 öncesi ve sonrası şeklinde
iki farklı döneme ayırabiliriz. Buna göre tüm dönemi içeren ve iki alt dönemi içeren şu üç farklı regresyon
denklemi oluşacaktır:

Ci1 = Co1 + c1Yi + ui1 (2000-2018) (4.30)

Ci2 = Co2 + c2Yi + ui2 (2000-2007) (4.31)
Ci3 = Co3 + c3Yi + ui3 (2008-2018) (4.32)

Burada (4.30) numaralı model tüm dönemi kapsayan model iken (4.31) ve (4.32) numaralı modeller
ilk alt dönem için tüketim fonksiyonlarını temsil etmektedir. İncelenen bu dönem içerisinde yapısal bir
değişimin yaşanmadığını yani 2008 küresel krizinin Türkiye’nin tüketim fonksiyonunda bir yapısal kırıl-
maya neden olmadığını varsayalım. Bu durum alt dönemler için tahmin edilen Co2 katsayısının Co3’e,
c2’nin ise c3’e eşit olacağını ima etmektedir. Dolayısıyla burada dolaylı olarak Co2 = Co3 ve c2 = c3 şeklinde
iki sınırlama söz konusudur. Şimdi bu sınırlamaların geçerli olup olmadığını yani model katsayılarının
zamanla bir değişime uğrayıp uğramadığını belirleyelim.
Burada yapısal bir kırılma yaşanıp yaşanmadığını belirleyeceğimiz test Chow testidir. Chow testi adını
testin geliştiricisi olan Gregory Chow tarafından almaktadır. Chow testi yardımıyla test edilecek hipotez
şu şekildedir:

H0: Co2 = Co3, c2 = c3 (Katsayılar değişmemiştir)

H1: Co2 ≠ Co3, c2 ≠ c3 (En az bir katsayı değişmiştir)

Burada hipotez testi için F test istatistiğinden faydalanılmaktadır. F test istatistiği ise şu şekilde
hesaplanmaktadır:

(∑ eU2 − ∑ eR2 ) / k
Fist = (4.33)
2
( R) 1 2
∑ e / ( n + n − 2k )

Eşitlikte ∑ eU2 ve ∑ eR2 sırasıyla sınırlandırılmamış modelin ve sınırlandırılmış modelin hata terimleri-
nin kareleri toplamını ifade etmektedir. Burada (4.30) numaralı model sınırlandırılmamış modelimizdir.
Buna göre (4.30) numaralı modeli tahmin ederek sınırlandırılmamış model için hata terimlerinin kareleri
toplamını elde edebiliriz (∑ eU2). Öte yandan sınırlandırılmış model için hata terimleri kareleri toplamı ise
(4.31) ve (4.32) numaralı iki alt modelden elde edilir. Burada her iki model tahmin edilerek hata terimleri
kareleri toplamı birbiriyle toplanır ve bu sınırlandırılmış modelin hata terimleri kareleri toplamını ifade
eder (∑ eR2 ). Öte yandan k parametre sayısını, n1 ve n2 ise alt dönemler için kurulan modellerin gözlem
sayılarını temsil etmektedir.

83
 Çoklu Doğrusal Regresyon Modelinin Uzantıları
Burada hesaplanan F istatistiği, α anlam düze-
yi, k ve n1 + n2 – 2k serbestlik derecesine göre be-
lirlenen F tablo kritik değeri ile karşılaştırılır. Eğer
hesaplanan F test istatistiği tablo değerinden bü-
yükse katsayılar değişmemiştir şeklinde ifade edilen
sıfır hipotezi reddedilir. Buna göre 2008 Küresel
Krizi’nin Türkiye’nin tüketim harcamaları üzerinde
yapısal bir kırılmaya neden olduğu sonucuna varılır.
Bu durumda sınırlamaların geçerli olmadığı anlaşı-
lır. Hesaplanan F istatistiğinin tablo değerinden kü-
çük olduğu durumda ise sıfır hipotezi kabul edilir
ve katsayıların bu süre içerisinde değişmediği yani
sınırlamaların geçerli olduğu sonucuna ulaşılır.
Doğrusal Olmayan Sınırlamaların
Testi
Buraya kadar sözünü ettiğimiz doğrusal sınır-
lama testleri, doğrusal regresyon modelleri veya-
hut logaritması alınarak parametreleri bakımından
doğrusallaşan regresyon modelleri için kullanıl-
maktadır. Ancak bazı durumlarda sınırlamalar doğ-
rusal formda olmayabilir. Böyle durumlarda yuka-
rıda sözünü ettiğimiz testlerin kullanılması uygun
değildir ve dolayısıyla yeni yöntemlere ihtiyacımız
vardır. Şimdi dilerseniz bu yöntemlere değinelim.
Örneğin, şu şekilde bir regresyon modelimiz olsun:
Yi = β0 + β1X1i+ β2X2i + ui (4.34)
Burada β1.β2 = 1 sınırlamasının test edileceğini
varsayalım. Bu durumda sınırlandırılmış model şu
iki şekilde ifade edilebilir:
Yi = β 0 + β1 X1i + 1 X2i + ui (4.35)
β1
1 ∑ eR2
Yi = β 0 + X1i + β 2 X2i + ui (4.36)
β2
84
Eşitliklerden de anlaşılacağı üzere regresyon
modellerinde değişkenler arasındaki ilişkiler doğ-
rusal değildir. Böyle durumlarda sınırlamaların yu-
karıda sözünü ettiğimiz testlerle sınanması uygun
değildir. Bu tür doğrusal olmayan sınırlamalar için
temel olarak LR Testi (Benzerlik Oranı Testi), LM
Testti (Lagrange Çarpanı Testi) ve Wald Testi kul-
lanılır. Bu testler doğrusal sınırlamaların testinde
de kullanılabilir.
dikkat
LR, LM ve Wald testi hem doğrusal hem de
doğrusal olmayan sınırlamaların testinde kulla-
nılırken, t ve F testi yalnızca doğrusal sınırlama-
ların testinde kullanılmaktadır.
LR Testi (Benzerlik Oranı Testi)
LR (Benzerlik Oranı) testi ile test edilen hipotez
şu şekildedir:
H0: Sınırlamalar geçerlidir.
H1: Sınırlamalar geçerli değildir.
Burada öncelikle sınırlandırılmış modelin loga-
ritmik benzerlik fonksiyonu (LR) ve sınırlandırıl-
mamış modelin logaritmik benzerlik fonksiyonun-
dan (LU) hareketle LR test istatistiği hesaplanır.
LR = -2 (LR – LU) (4.37)
Hesaplanan test istatistiği, α anlam düzeyi, c
(sınırlama sayısı) serbestlik derecesine göre ki-kare
tablosundan elde edilen tablo değeri ile karşılaştırı-
lır. Eğer LR test istatistiği tablo değerinden büyükse
sınırlamaların geçerli olduğunu ifade eden sıfır hi-
potezi reddedilir. Tablo değerinin LR istatistiğinden
büyük olduğu durumda ise sıfır hipotezi kabul edi-
lerek sınırlamaların geçerli olduğu sonucuna varılır.
LR test istatistiğini sınırlandırılmış ve sınırlan-
dırılmamış modellerin hata terimlerinin kareleri
toplamı veya belirlilik katsayıları ile hesaplamak da
mümkündür.
1− RR2
LR = n.ln veya LR = n.ln (4.38)
∑ eU2 1− RU2
Ekonometrinin Temelleri

LM Testi (Lagrange Çarpanı Testi)

Sınırlandırılmış modelin tahminine dayanan LM (Lagrange Çarpanı) testi ile test edilen hipotez LR
testinde olduğu gibi şu şekildedir:

H0: Sınırlamalar geçerlidir.

H1: Sınırlamalar geçerli değildir.

Sınırlamaların doğrusal olduğu durumda LM test istatistiği,

LM = nR2 (4.39)

şeklinde hesaplanırken sınırlamaların doğrusal olmadığı büyük örneklemler için LM test istatistiği sınır-
landırılmamış ve sınırlandırılmış modellerin hata terimleri kareleri toplamı (∑eU2, ∑eR2 ) veya belirlilik
katsayıları (RU2, RR2 ) ile şu şekilde belirlenir:

∑ eR2 − ∑ eU2 RU2 − RR2

LR = veya LM = (4.40)
∑ eR2 / n (1− RR2 ) / n
Hesaplanan LM test istatistiği, α anlam düzeyi ve c (sınırlama sayısı) serbestlik derecesine göre X2
tablosundan elde edilen tablo değeri ile karşılaştırılır. Eğer LR test istatistiği tablo değerinden büyükse
sınırlamaların geçerli olduğunu ifade eden sıfır hipotezi reddedilir. Aksi durumda ise sıfır hipotezi kabul
edilerek sınırlamaların geçerli olduğu sonucuna varılır.

Wald Testi
Wald testi LM testinden farklı olarak sınırlandırılmamış modelin tahminine dayanır ve test edilen hi-
potez LR ve LM testlerinde olduğu gibidir.

H0: Sınırlamalar geçerlidir.

H1: Sınırlamalar geçerli değildir.

Wald test istatistiği sınırlandırılmamış ve sınırlandırılmış modellerin hata terimleri kareleri toplamı
(∑eU2, ∑eR2 ) veya belirlilik katsayıları (RU2, RR2 ) ile şu şekilde belirlenir:

W=
∑ eR2 − ∑ eU2 veya W =
RU2 − RR2
(4.41)
∑ eU2 / n (1− RU2 ) / n
Hesaplanan Wald test istatistiği, α anlam düzeyi ve c
(sınırlama sayısı) serbestlik derecesine göre X2 tablosun- dikkat
dan elde edilen tablo değeri ile karşılaştırılır. Wald test LM testi sınırlandırılmış modelin tahminine da-
istatistiğinin tablo değerinden büyük olduğu durumda yanırken, Wald testi standartlaştırılmamış mo-
sıfır hipotezi reddedilirken küçük olduğu durumda sıfır delin tahminine dayanmaktadır.
hipotezi kabul edilir.

85
 Çoklu Doğrusal Regresyon Modelinin Uzantıları

Öğrenme Çıktısı
4 Doğrusal ve doğrusal olmayan sınırlamaları test edebilme

Araştır 4 İlişkilendir Anlat/Paylaş

LR, LM ve Wald test ista-

t ve F testlerinin doğrusal Doğrusal olmayan sınırla-
tistik değerlerini bir örnek
olmayan sınırlamalarda ne- maların testinde kullanılan
üzerinden hesaplayın, he-
den kullanılmadığını araştı- yöntemlerin benzer ve farklı
saplanan test istatistik de-
rın, tahmincilerin özellikle- yönlerini araştırın, arkadaş-
ğerlerinin büyüklüklerini
ri ile ilişkilendirin. larınızla paylaşın.
karşılaştırın.

86
Ekonometrinin Temelleri

Sabit terimsiz regresyon

1 modellerini tanımlayabilme,
özelliklerini açıklayabilme

öğrenme çıktıları ve bölüm özeti

Sabit Terimsiz Regresyon
Modeli

Sabit katsayı, bağımsız değişkenler “0” olduğunda bağımlı değişkenin alacağı değeri temsil etmektedir. An-
cak iktisadi teori gereği bazı durumlarda model sabit katsayıyı içermeyebilir. Örneğin, imalat sanayi ürünle-
ri için bir üretim fonksiyonunu ele alalım. Bu tür bir üretim fonksiyonu üretim faktörlerinin bir fonksiyonu
olarak tanımlanır. Eğer bu fonksiyonda üretim faktörleri “0” değerini alırsa üretim miktarı da “0” değerini
alır. Sabit katsayının modelde yer almadığı veya “0” olarak kabul edildiği bu tür modellere sabit terimsiz
regresyon modelleri denir. Model sabit katsayıyı içermediği ya da “0” olarak kabul edildiği için bu tür model-
lerde bağımlı değişken bağımsız değişkenin alacağı değerlere göre artar veya azalır. Sabit terimsiz regresyon
modelleri, sabit terimli modellerden temel olarak iki noktada farklılaşmaktadır. Öncelikle sabit terimsiz
regresyon modellerinde hata terimlerinin toplamının sıfıra eşit olması şart değildir. Bu durumda gerçek Y
değerinin ortalaması ile beklenen Y değerinin ortalaması eşit olmayacaktır. Bu durumda EKK tahmincileri
sapmasızlık özelliğini kaybedecektir. Sabit terimsiz modellerin sabit terimli modellerden farklılaştığı bir
diğer nokta ise belirlilik katsayısıyla (R2) ilgilidir. Sabit terimli modeller için R2 değeri her durumda 0 ila 1
değeri arasında bir değer alır ve bu modelin açıklama gücünü gösterir. Ancak sabit terimsiz modellerde R2
değeri negatif bir değer alabilir ve bu durumda R2 değeri yorumlanamaz. Bu nedenle sabit terimsiz model-
lerde R2 değeri modelin açıklama gücünü gösteren uygun bir ölçüt değildir. Sabit terim içermeyen regresyon
modellerinde ham R2 değeri kullanılır.

Standartlaştırılmış değişkenler
2 ile doğrusal regresyon
modellerini ifade edebilme

Standartlaştırılmış Değişkenli
Regresyon Modeli

Ekonometrik analizlerde zaman zaman değişkenlere ait verilerin ölçüm birimleri arasındaki farklılıklar seri-
lerin standartlaştırılmasını gerekli kılabilir. Bu amaca yönelik olarak veriler standartlaştırılırken izlenen yol
ise şu şekildedir: Öncelikle serilerin düzey değerlerinden aritmetik ortalamaları çıkartılır ve ardından elde
edilen değer serinin standart sapmasına bölünür. Bu işlem sırasıyla serilerin bütün birimleri için uygulanırsa
tüm seri standartlaştırılmış olur. Standartlaştırılmış değişkenlerin ortalaması her durumda “0” varyansı ise
“1”a eşittir. Standartlaştırılmış değişkenlerin ortalamaları “0” olduğu için standartlaştırılmış sabit terim de
“0” değerini alır. Dolayısıyla standartlaştırılmış değişkenlerle oluşturulan modeller sabit terimi içermez. Öte
yandan modeldeki bağımsız değişken parametrelerini gösteren β1*ve β2* standardize edilmiş katsayılar olarak
adlandırılmaktadır ve bu katsayılar sıradan doğrusal regresyon parametrelerinden farklı yorumlanmaktadır.
Burada parametreler artık standart sapma cinsinden yorumlanır. Örneğin, β1* katsayısının 0.5 olarak belir-
lendiğini varsayalım. Bu durumda standardize edilmiş β1 katsayısı (β1* ) şu şekilde yorumlanacaktır: Stan-
dardize edilmiş X1i değişkeninde (X1i* ) meydana gelecek “1” birimlik standart sapma, standardize edilmiş Yi
değişkenini (Y1* ) aynı yönde “0.5” standart sapma değiştirecektir. Buradan da anlaşılacağı gibi katsayıların
yorumları artık ölçü birimlerinden bağımsızdır ve bu bize bağımsız değişkenlerin bağımlı değişken üzerin-
deki kısmi etkilerini karşılaştırmamıza olanak sağlamaktadır.

87
 Çoklu Doğrusal Regresyon Modelinin Uzantıları

Tam logaritmik, yarı

3 logaritmik ve ters
modelleri açıklayabilme
öğrenme çıktıları ve bölüm özeti

Doğrusal Olmayan (Nonlineer)

Regresyon Modelleri

Bazı iktisadi teoriler değişkenler arasındaki ilişkilerin doğrusal formda olmadığı öne sürmektedir. Örneğin,
Cobb-Douglas tipi üretim fonksiyonu değişkenler arasındaki ilişkilerin doğrusal olmadığı bir modeldir.
Ancak doğrusal olmayan bu modelin parametreler açısından doğrusallaştırılması mümkündür. Bunun için
modelin logaritmasının alınması yeterlidir. Doğrusal olmayan üretim fonksiyonu, modelin logaritması alı-
narak katsayılar açısından doğrusallaştırılır. Bu durumda model bağımlı ve bağımsız değişkenlerin logarit-
malarında doğrusal fonksiyonel forma dönüşür. Bağımlı ve bağımsız değişkenlerin logaritmalarında doğru-
sallaşan bu tür modellere log-log modeli adı verilmektedir. Bu tür modellerde hem bağımlı değişken hem de
bağımsız değişkenler logaritmiktir. Tam logaritmik modeller temel olarak bağımsız değişkenlerin bağımlı
değişken üzerindeki nispi etkilerini göstermektedir. Bu tür modellerde tahmin edilen katsayılar bağımsız
değişkenlerdeki yüzde değişimin bağımlı değişken üzerindeki etkisini yine yüzde değişim cinsinden ifade
etmektedir
Tam logaritmik modellerde değişkenler arasındaki bağlantılar hem bağımlı değişken hem de bağımsız değiş-
kenlerdeki nispi değişim ile açıklanır. Ancak bazı durumlarda araştırmacılar bağımlı ve bağımsız değişken-
lerin birindeki nispi değişim ile diğerindeki mutlak değişimi karşılaştırarak bu bağlantıları kurmak isteyebi-
lirler. Böyle durumlarda ise yarı logaritmik modellere başvurulur. Yarı logaritmik modeller log-lin modeli ve
lin-log modeli olmak üzere iki farklı türdedir. Burada bağımlı değişkenin logaritmik, bağımsız değişkenlerin
ise doğrusal olduğu regresyon modelleri log-lin modeli (logaritmik doğrusal model) olarak tanımlanırken ba-
ğımsız değişkenlerin logaritmik, bağımlı değişkenin doğrusal formda olduğu regresyon modellerine lin-log
modeli (doğrusal logaritmik model) adı verilmektedir.
Öte yandan iktisat teorisi gereği bazı durumlarda bağımlı değişken ile bağımsız değişkenlerin tersi arasında
bir ilişki söz konusu olabilir. Değişkenler arasındaki bu tür ilişkiler ters modeller ile ifade edilmektedir.
Parasal ücretlerdeki değişme oranı ile işsizlik oranı arasındaki ters ilişkiyi gösteren “Phillips Eğrisi” bu tür
modellere örnek olarak gösterilebilir. Bağımlı değişkenin logaritmik olduğu ters modeller ise logaritmik ters
model olarak adlandırılır. Bu tür modellerde fonksiyon önce artarak artan sonrasında ise azalarak artan bir
seyir izler.

Doğrusal ve doğrusal
4 olmayan sınırlamaları test
edebilme

Sınırlamaların Testi

İktisadi teori gereği bazı durumlarda parametrelere bir takım sınırlamaların uygulanması gerekebilir. Bu
sınırlamalar doğrusal olabileceği gibi bazı durumlarda doğrusal olmayan sınırlamalara da gidilebilir. Katsa-
yılara dair sınırlamaların doğrusal olduğu durumlarda bu sınırlamalar temel olarak t testi ve F testleriyle sı-
nanmaktadır. Modelde yapısal bir kırılma olup olmadığını belirleyen Chow testi de doğrusal bir model için
sınırlamaların test edilmesinde kullanılan bir yöntemdir. Öte yandan bazı durumlarda sınırlamalar doğrusal
formda olmayabilir. Böyle durumlarda yukarıda sözünü ettiğimiz testlerin kullanılması uygun değildir ve
dolayısıyla yeni yöntemlere ihtiyacımız vardır. Bu tür doğrusal olmayan sınırlamalar için temel olarak LR
Testi (Benzerlik Oranı Testi), LM Testti (Lagrange Çarpanı Testi) ve Wald Testi kullanılır. Bu testler doğru-
sal sınırlamaların testinde de kullanılabilir.

88
Ekonometrinin Temelleri
1 Aşağıdakilerden hangisi yalnızca sabit terim-
siz regresyon modeli için geçerlidir?
A. Değişkenler arasındaki ilişkiler stokastiktir.
B. Değişkenler arasındaki ilişkiler doğrusaldır.
C. Bir bağımlı ve bir bağımsız değişkenden oluşur.
D. Fonksiyon sıfır noktasından (orijinden) geçer.
E. Değişkenler arasındaki ilişkiler nonlineerdir.
2 Sabit terimsiz regresyon modeli için aşağıdaki
ifadelerden hangisi doğrudur?
A. Hata terimlerinin toplamının sıfır olması şart
değildir.
B. Gerçek Y değeri ile beklenen Y değeri her du-
rumda birbirine eşittir.
C. EKK tahmincileri her durumda sapmasızdır.
D. Sabit katsayı sıfırdan büyüktür.
E. R2 değeri her durumda pozitif bir değer alır.
3 Değişkenlere ait olarak seriler standartlaştırı-
lırken izlenen yol aşağıdakilerin hangisinde doğru
ifade edilmiştir?
A. Serilerin düzey değerleri serinin standart sap-
masına bölünür.
B. Serilerin düzey değerlerinden aritmetik orta-
lamaları çıkartılır, ardından elde edilen değer
serinin standart sapmasına bölünür.
C. Serilerin düzey değerleri serinin standart sap-
masına bölünür, ardından aritmetik ortalama-
ları çıkarılır.
D. Serilerin düzey değerlerinden aritmetik ortala-
maları çıkartılır.
E. Serilerin düzey değerleri aritmetik ortalamaları-
na bölünür.
4 Standartlaştırılmış değişkenlerin ortalaması
ve varyansı aşağıdakilerin hangisinde doğru ifade
edilmiştir?
A. Ortalaması 1, varyansı ∞’dur.
B. Ortalaması 0, varyansı ∞’dur.
C. Ortalaması 0, varyansı 1’dir.
D. Ortalaması 1, varyansı 1’dir.
E. Ortalaması 0, varyansı -1’dir.
5 Standartlaştırılmış sabit terimin ortalaması
aşağıdakilerden hangisidir?
A. -∞ B. -1 C. 1 D. 0 E. ∞
6 Tam logaritmik model ile ilgili aşağıdaki ifa-
delerden hangisi yanlıştır?
neler öğrendik?
A. Bağımlı değişken ve bağımsız değişkenler loga-
ritmiktir.
B. Bağımsız değişken parametreleri aynı zamanda
esneklik değerleridir.
C. Değişkenler açısından doğrusal bir model değildir.
D. Katsayılar açısından doğrusal bir modeldir.
E. EKK yöntemiyle tahmin edilemez.
7 Bağımlı değişkenin doğrusal, bağımsız değiş-
kenlerin logaritmik olduğu model aşağıdakilerden
hangisidir?
A. Ters model
B. Ters logaritmik model
C. Log – log modeli
D. Log – lin modeli
E. Lin – log modeli
8 Yi = 40 50lnX1i + 90lnX2i şeklinde tahmin
edilen doğrusal logaritmik model (Lin – log mo-
deli) için X1i değişkenine ait parametrenin doğru
yorumu aşağıdakilerden hangisidir?
A. X1i’de meydana gelen %1’lik bir artış, Yi’yi 50
birim azaltmaktadır.
B. X1i’de meydana gelen %1’lik bir artış, Yi’yi 50
birim arttırmaktadır.
C. X1i’de meydana gelen %1’lik bir artış, Yi’yi 0,5
birim azaltmaktadır.
D. X1i’de meydana gelen %1’lik bir artış, Yi’yi 0,5
birim arttırmaktadır.
E. X1i’de meydana gelen %1’lik bir artış, Yi’yi 5
birim azaltmaktadır.
9 Aşağıdakilerden hangisi regresyon modelinde ya-
pısal kırılmanın varlığının araştırılmasında kullanılır?
A. Chow testi B. LM testi C. Wald testi
D. LR testi E. t testi
10 Aşağıdakilerden hangisi doğrusal olmayan sı-
nırlamaların geçerliliğini test etmek için kullanılan
testlerden biridir?
A. t testi B. Wald testi C. F testi
D. Chow testi E. Ki-kare testi
89
 Çoklu Doğrusal Regresyon Modelinin Uzantıları

1. D Yanıtınız yanlış ise “Sabit Terimsiz Regresyon 6. E Yanıtınız yanlış ise “Tam Logaritmik Model”
Modeli” konusunu yeniden gözden geçiriniz. konusunu yeniden gözden geçiriniz.
neler öğrendik yanıt anahtarı

Yanıtınız yanlış ise “Sabit Terimsiz Regres-

2. A 7. E Yanıtınız yanlış ise “Yarı Logaritmik Model-
yon Modellerinin Özellikleri” konusunu ye-
ler” konusunu yeniden gözden geçiriniz.
niden gözden geçiriniz.

Yanıtınız yanlış ise “Standartlaştırılmış Reg-

3. B 8. C Yanıtınız yanlış ise “Yarı Logaritmik Model-
resyon Modeli” konusunu yeniden gözden
ler” konusunu yeniden gözden geçiriniz.
geçiriniz.

Yanıtınız yanlış ise “Standartlaştırılmış De-

4. C 9. A Yanıtınız yanlış ise “Doğrusal Sınırlamaların
ğişkenlerin Ortalaması ve Varyansı” konusu-
Testi” konusunu yeniden gözden geçiriniz.
nu yeniden gözden geçiriniz.

Yanıtınız yanlış ise “Standartlaştırılmış De- Yanıtınız yanlış ise “Doğrusal Olmayan Sı-
5. D 10. B
ğişkenler İle Regresyon Modeli” konusunu nırlamaların Testi” konusunu yeniden göz-
yeniden gözden geçiriniz. den geçiriniz.

Araştır Yanıt
4 Anahtarı

Kısa dönem tüketim fonksiyonu iki kısımdan oluşmaktadır. Otonom tüketim

ve uyarılmış tüketim. Otonom tüketim, gelir düzeyi “0” iken yapılan tüketi-
mi, uyarılmış tüketim ise gelire bağlı olarak değişen tüketimi ifade etmektedir.
Regresyon denklemindeki sabit katsayı da tüketim fonksiyonundaki otonom
tüketimi temsil etmektedir. Burada sabit katsayının yani otonom tüketimin
pozitif bir değer alması ekonomik birimlerin gelirleri “0” iken mevcut tasar-
Araştır 1
ruflarını tükettiklerini ima etmektedir. Bu durum ise cari dönemde negatif
bir tasarrufa karşılık gelir. Ancak uzun dönemde birikmiş tasarruflar servet
artışına neden olur ve tüketim artık gelirin ve servetin bir fonksiyonu haline
gelir. Bu durumda negatif tasarruf artık söz konusu değildir. Bu nedenle sa-
bit katsayı uzun dönemde anlamını yitirir. Bu nedenle uzun dönem tüketim
fonksiyonunu, sabit terim içermeyen yani sıfır noktasından geçen fonksiyon
şeklinde ifade edebiliriz.

İktisadi olayları analiz ederken incelenen değişkenlere ait veriler kimi zaman
farklı ölçüm birimlerine sahip olabilirler. Örneğin; akıllı telefon fiyatlarının be-
lirleyicilerini araştırdığımızı düşünelim. Burada bağımsız değişken olarak kulla-
nacağımız telefonun hafızası, ekran çözünürlüğü, kamera kalitesi ya da işlemci
hızı gibi ölçü birimleri birbirinden oldukça farklı değerlerle ifade edilmektedir.
Araştır 2 Ancak böyle bir modelde değişkenlere ait serilerin düzey değerlerinin kullanıl-
ması durumunda bağımsız değişkenlerin bağımlı değişken üzerindeki etkile-
rinin karşılaştırılması pek mümkün değildir. Standartlaştırılma işlemi bu gibi
sorunlardan kaçınmak için iyi bir yöntemdir. Standartlaştırma işlemi sonrasında
bağımsız değişkenlerin bağımlı değişken üzerindeki etkileri artık değişkenlerin
ölçüm birimleriyle değil standart sapmaları cinsinden ölçülür. Bu da bağımsız
değişkenlerin bağımlı değişken üzerindeki kısmi etkilerinin ölçüm birimlerin-
den bağımsız olarak karşılaştırılmasına olanak sağlamaktadır.

90
Ekonometrinin Temelleri

Araştır Yanıt
4 Anahtarı

Kısa dönem üretim fonksiyonu temel olarak sermaye faktörü sabitken emek
faktörü ile üretim miktarı arasındaki ilişkiyi açıklamaktadır. Kısa dönemde
sermaye faktörü sabit kabul edildiği için başlangıçta emek faktörünün marji-
Araştır 3 nal verimliliği yüksektir. Ancak emek faktörü arttıkça emeğin marjinal verim-
liliği de azalmaktadır. Bu nedenle emek miktarı arttıkça üretim önce artarak
artar, bir noktadan sonra ise azalarak artmaya başlar. Bu durum logaritmik ters
modele dair açıklamalarımızla uyuşmaktadır. Buna göre logaritmik ters model
kısa dönem üretim fonksiyonunun modellenmesi için uygun bir modeldir.

Sınırlandırılmamış ve sınırlandırılmış modellerimizin belirlilik katsayılarının sı-

rasıyla (RU2, RR2)0.998 ve 0.995 olduğunu varsayalım. Gözlem sayımız (n) ise 50 ol-
1− RR2 RU2 − RR2 RU2 − RR2
sun. Bu bilgiler ışığında LR = n.ln , LM = , W =
1− RU2 (1− RR2 / n
) 1− RU2 / 2
( )
formülleri yardımıyla LR, LM ve Wald test istatistik değerlerini hesaplayalım.
Araştır 4 Eğer verilen bilgileri eşitliklerde yerine koyar ve gerekli işlemleri yaparsak
1− 0.995 0.998 − 0.995 0.998 − 0.995
( LR = 50. ln , LM = ,W = ) LR test
1− 0.998 (1− 0.995 ) / 50 (1− 0.998) / 50
istatistiğinin 45.81 LM test istatistiğinin 30 ve son olarak Wald test istatisti-
ğini 75 olarak hesaplandığını görebiliriz. Buna göre test istatistik değerlerini
büyüklükleri bakımından karşılaştıracak olursak, aynı model ve aynı kısıtla-
malarda LM < LR < W olduğunu söyleyebiliriz.

Kaynakça
Baltagi, B. H. (2008). Econometrics. (4th Edition)
Germany: Springer
Davidson, R. ve MacKinnon, J.G. (2004). Econometric
theory and methods. New York: Oxford University
Press
Greene, W. H. (2003).  Econometric analysis. New
Jersey: Pearson Education.
Gujarati, D. N. (2011). Econometrics by example. New
York: Palgrave Macmillan
Güriş, S., Çağlayan, E. ve Güriş, B. (2013). Eviews ile
temel ekonometri (2. Baskı). İstanbul: Der Yayınları
Hill, R.C., Griffiths, W.E. ve Lim, G.C. (2008).
Principles of Econometrics. (3rd Edition) NJ: Wiley
Verbeek, M. (2004). A guide to modern econometrics.
(2nd Edition). UK: John Wiley & Sons, Ltd.

91
 Bölüm 5
Yapay Değişkenli Modeller
Yapay Değişkenler ve Yapay Değişkenli
Model Türleri Nitel Bilgilerin Nicelleştirilmesi

1 2
öğrenme çıktıları

1 Yapay değişkenleri tanımlayabilme, 2 Nitel ve nicel ekonomik değişkenler

örnekler verebilme ve yapay değişkenli arasındaki farkı açıklayabilme
model türlerini belirtebilme 3 Nitel bilgileri nicel verilere dönüştürebilme

Yapay Değişkenlerin Sabit Terimi

Etkilemesi Yapay Değişkenlerin Eğim Parametresini
4 İki grup arasındaki ortalama farkının Etkilemesi

3 4
regresyon analizinde nasıl tanımlanacağını
ve grup ortalamaları arasındaki farkın
anlamlılığının nasıl test edileceğini ifade
edebilme
5 Bir regresyona bir eğim yapay
değişkeninin hangi durumda, nasıl dahil
edileceğini ve nasıl yorumlanacağını
açıklayabilme ve bir örnek verebilme

İki veya Daha Fazla Nitel Değişkenin

Etkileşimi
6 Bir regresyona denklemine iki yapay

5
değişkeninin etkileşiminin hangi durumda,
nasıl dahil edileceğini ve katsayısının nasıl
yorumlanacağını ifade edebilme ve bir
örnek verebilme

Anahtar Sözcükler: • Nicel Değişken • Nitel Değişken • Yapay (Kukla) Değişken • Sabit Terim Kuklası
• Eğim Kuklası • Etkileşim Terimi • Yapay Değişken Etkileşimi

92
Ekonometrinin Temelleri
GİRİŞ
Şimdiye kadar bir regresyon denklemindeki
açıklayıcı değişkenlerin nicel olduğu durumlarla
ilgilendik. Örneğin, gelir, tüketim, fiyat, sıcaklık,
mesafe, yaş vb. değişkenler sayısal bir ölçekte kay-
dedilmiş olmaları nedeniyle niceldir. Ancak açık-
layıcı değişkenler bazen iyi tanımlanmış bir sayısal
ölçekte ölçülebilen değişkenler olmayabilir. Ör-
neğin dil, din, ırk, cinsiyet gibi kişisel özelliklerin
yanında coğrafi bölgeler, aylar, mevsimler, günler,
farklı dönemler (savaş öncesi, savaş sonrası veya is-
tikrar politikaları öncesi ve sonrası) ve iş durumu
(çalışan, işsiz) gibi değişkenler sayısal olarak ölçüle-
bilen değişkenler değillerdir. Bu değişkenlerin her-
hangi bir doğal ölçüm ölçekleri olmadığından nitel
değişkenlerdir. Hatta bazı değişkenler sayısal bir
ölçekte ölçülebilse bile onlara nitel değişkenlerle
benzer işlem yapmak daha yararlı olabilir. Örneğin
yaş değişkeni yıl olarak ölçülebilse bile kişileri genç
yaşta, orta yaşta ve ileri yaşta gibi nitel özellikleriyle
tanımlamak bazen daha yararlı olabilir. Bu bölüm-
de nitel özellikleri modelleştirmede kullanılan ya-
pay değişkenleri tanıyacağız.
YAPAY DEĞİŞKENLER VE YAPAY
DEĞİŞKENLİ MODEL TÜRLERİ
İyi tanımlanmış sayısal bir ölçekte ölçülemeyen
nitel özellikleri veya ölçülebilse bile nitel olarak ka-
bul edilmesi daha yararlı özellikleri temsil etmek
üzere oluşturulan değişkenlere “yapay değişken”
denir. İlgili yazında bu tür değişkenler yapay de-
ğişken kavramı yanında “kukla değişken”, “gölge
değişken”, “gösterge değişkeni” veya “kategorik de-
ğişken” olarak da adlandırılırlar.
Uygun sayısal bir ölçekte ölçülemeyen
nitel özellikleri veya ölçülebilse bile nitel
olarak kabul edilmesi daha yararlı olan
özellikleri temsil etmek üzere oluşturulan
değişkenlere yapay değişken denir.
Nitel bilgiler ekonometrik modellere yapay de-
ğişkenler yoluyla aktarılır. Yapay değişkenler eko-
nometrik modellerde bağımlı veya bağımsız değiş-
ken olarak yer alabilir. Bunlar sırasıyla, (i) yapay
bağımlı değişkenli modeller ve (ii) yapay bağımsız
değişkenli modeller olarak adlandırılır. Yapay de-
ğişkenlerin ekonometrik modellerde bağımlı değiş-
ken olarak (eşitliğin solunda) yer alması bazı tah-
min güçlüklerine neden olurken bağımsız değişken
olarak yer alması benzer güçlüklere yol açmaz. Bu
değişkenlerin modellerde bağımlı değişken olarak
yer almış olması bu kitapta, kapsam dışı bırakılmış
sadece yapay bağımsız değişkenli modeller dikkate
alınmıştır.
dikkat
Yapay değişkenli modeller iki genel gruba ayrılırlar:
(i) yapay bağımlı değişkenli modeller ve (ii) Yapay
bağımsız değişkenli modeller
Böylece bu bölümde yer alan modellerde ba-
ğımlı değişkenler önceden olduğu gibi nicel de-
ğişkenlerden oluşurken bağımsız değişkenler, nitel
veya nicel değişkenler olabilir.
Yapay değişkenle temsil edilen özellikler genel-
likle örneklemi alt gruplara ayırırlar. Örneğin cin-
siyet değişkeni örneklemdeki gözlemleri kadınlar
ve erkekler olmak üzere iki alt gruba ayırır. Benzer
şekilde mevsim değişkeni çeyreklik verilerde örnek-
lemi dört alt gruba ayırır. Örneklemde oluşan alt
gruplar model parametrelerinde farklılaşmaya ne-
den olabilir. Bu farklılaşma model sabitinde olabi-
leceği gibi eğim parametrelerinde de olabilir. Sabit
terim ve eğimde farklılaşma yapay değişkenlerde
bir miktar farklı kullanıma neden olur. Bu nedenle
yapay değişkenler modele bağımsız değişken ola-
rak dahil edilirken sabit terim veya kesim noktası
yapayı (veya kuklası) ve eğim yapayı (veya kuklası)
olarak adlandırılır.
dikkat
Yapay değişkenle temsil edilen özellikler örneklemi
alt gruplara ayırır. Parametreler bu alt gruplara göre
farklılaşabilir. Bu farklılaşma modelin sabit terimin-
de olabileceği gibi herhangi bir değişkene ait eğim
parametrelerinde de olabilir. Sabit terimde farklılaş-
maya neden olan yapay değişkenlere sabit terim kuk-
lası, eğim parametresinde farklılaşmaya neden olan
yapay değişkene ise eğim kuklası adı verilir.
93
 Yapay Değişkenli Modeller

Öğrenme Çıktısı
1 Yapay değişkenleri tanımlayabilme, örnekler verebilme ve yapay değişkenli model türlerini
belirtebilme

Araştır 1 İlişkilendir Anlat/Paylaş

Nitel değişkenlere iktisat

Yapay bağımlı değişkenli
modelleri araştırın. Bun-
lar hangi isimlerle anılırlar.
Yapay bağımsız değişkenli
modellerden hangi bakım-
dan ayrılırlar.
dışında diğer bilim dalla-
Ekonomide kriz, savaş vb.
rından (örneğin finansman
olağanüstü dönemlerin ya-
ve pazarlama gibi) örnekler
pay değişkenlerle nasıl tem-
verin. Bunların etkilerinin
sil edilebileceğini arkadaşla-
ekonometrik modellerle
rınızla tartışın.
nasıl dikkate alınabileceğini
ilişkilendirin.

NİTEL BİLGİLERİN D1i= 1 kişi erkek ise, 0 kişi kadın ise

NİCELLEŞTİRİLMESİ Benzer şekilde, “1”, kişinin çalıştığını ve “0”,
Ekonometrik bir modelin tahmin edilmesi, işsiz olduğunu belirtir.
tüm bilgilerin nicel olarak ifade edilmesini gerekti- D2i= {1 kişi erkek ise, 0 kişi kadın ise
rir. Başka bir deyişle hem nicel hem de nitel değiş-
kenlerinizi tanımlamak için rakamlar kullanılmalı- Tablo 5.1 Sadece İki Özellik Durumunda Yapay
dır. Bu bölümde, iki veya çoklu gruplarla çalışırken Değişken Oluşturulması
değişkenlerin nasıl ölçüleceği incelenmektedir.
Birey Sıra No Cinsiyet Erkek (D)
1 Kadın 0
Sadece İki Nitel Özellik Bulunması
2 Erkek 1
Durumunda Yapay Değişken
Oluşturma 3 Erkek 1
Pek çok durumda, ekonometrik analize dahil 4 Kadın 0
etmek istediğimiz nitel özellik iki grup (veya ka- 5 Erkek 1
tegoriye) sahiptir. Genel olarak, örnek gözlemlerin
6 Kadın 0
“bu” ya da “şu” seçeneği olduğunda iki grubumuz
vardır: Örneğin, çoğu ankette cinsiyet ya erkek ya 7 Erkek 1
da kadın olarak sınıflandırılır. 8 Kadın 0
Nitel bir özellik iki gruba sahipse bu niteliği 9 Kadın 0
nicel olarak ifade etmek için bir yapay değişken 10 Erkek 1
oluşturmamız gerekir. Yapay değişken, iki özellik-
ten biri mevcutsa “1”, diğeri mevcutsa “0” değerini
alır. Oluşturulan yapay değişken için 0 değeri ta-
nımlanan (veya atanan) gruba referans veya temel
grup adı verilir. Örneğin, “1”, kişinin erkek oldu-
ğunu ve “0” kişinin kadın olduğunu gösterir.

94
Ekonometrinin Temelleri
Tablo 5.1, nitel bir veriden nasıl bir yapay de-
ğişken oluşturabileceğimizi göstermektedir. Tablo-
da Sütun 1, birey sıra numarasını; Sütun 2, bireyin
cinsiyetini içerir. Sütun 3, orijinal verilerin bir par-
çası değildir ancak Sütun 2’deki bilgileri kullanarak
erkekse 1, değilse 0 değerini alan bir yapay değiş-
kendir. İki mümkün durumu temsil etmek için sa-
dece bir yapay değişkenin gerekli olduğuna dikkat
edelim (bu durumda, erkek ve kadın).
Burada yapay değişkeni belirtmek için X yerine
D gösterimini kullanıyoruz. Hangi gruba 1 veya 0
değeri verileceği tamamen isteğe bağlıdır. Örneğin,
yukarıdaki örneklerdeki yapay değişkenler aşağıda-
ki gibi de tanımlanabilir:
D1i = 1 kişi kadın ise, 0 kişi erkek ise
D2i = 1 kişi işsiz ise, 0 kişi çalışıyor ise
dikkat
Yapay değişkenler 1 ve 0 değerlerinden oluşan de-
ğişkenler olup gerçekte başka değerler de alabilirler.
Bu değerleri alması yorumlanmasını kolaylaştırdığı
içindir.
Kategoriyi belirtmek için sadece 1 ve 0 kulla-
nılması zorunlu değildir. Aslında, herhangi bir D
değeri, aynı amaca hizmet eder. Ancak hesaplama-
ları basitleştirmesi ve değerlerin yorumlanmasını
kolaylaştırması nedeniyle 1 ve 0 seçenekleri tercih
edilir.
İkiden Fazla Nitel Özellik Bulunması
Durumunda Yapay Değişken Oluşturma
Bazı durumlarda, ekonometrik analizimize da-
hil etmek istediğiniz nitelik ikiden fazla gruba (veya
kategoriye) ait olabilir. Örneğin, örneklemimizdeki
bireyler üç eğitim grubundan birine ait olabilir: lise
altı, lise ve üniversite gibi. Bu şekilde çoklu grup-
la (veya mümkün durumla) nitel bir özelliği nicel
olarak temsil etmek için, grup sayısı eksi 1 adet ya-
pay değişken oluşturmanız gerekir. Yapay değişken,
belirli bir özellik varsa 1 değerini, yoksa 0 değerini
alır. Başka bir deyişle, J sayıda grubumuz varsa tüm
nitel bilgileri yakalamak için 1 ve 0 değerlerinden
oluşan J – 1 sayıda yapay değişkene ihtiyaç duyarız.
Yapay değişken içermeyen grup, diğer tüm yapay
değerlerin 0 olduğu durumda temsil edilir ve refe-
rans veya temel grup olarak adlandırılır.
95
 Yapay Değişkenli Modeller

Tablo 5.2 İkiden Fazla Özellik Durumunda Yapay Değişken Oluşturma

Birey Sıra No Mezuniyet Lise (DLİSE) Üniversite (DÜNİV)

1 Lise
2 Lise altı
3 Lise
4 Üniversite
5 Lise
6 Üniversite
7 Lise altı
8 Üniversite
9 Lise
10 Üniversite
1 0
0 0
1 0
0 1
1 0
0 1
0 0
0 1
1 0
0 1

Ne demek istediğimizi görmek için Tablo 5.2’yi
inceleyebilirsiniz. Tabloda ikinci sütun bireylerin
mezun olduğu son okulu göstermektedir. Bu bir
nitel bilgidir. Tablodan görüleceği gibi bireyler üç
gruptan birinde yer almaktadır. Sütun 3 ve 4 ori-
jinal veri değil mezuniyet durumuna göre oluştu-
rulmuş yapay değişkenlerdir. Mezuniyet durumuna
göre üç grubu temsil etmek üzere iki yapay değişken
oluşturulmuştur. Üçüncü sütun lise mezunları için
oluşturulmuş olup birey lise mezunu ise 1 değilse
0 değerini almıştır. Dördüncü sütun ise üniversite
mezunları için benzer şekilde oluşturulmuştur. Her
iki yapay değişkeninin 0 değerin aldığı durum ise
lise altı grubu temsil etmektedir. Lise altı grup re-
ferans veya temel gruptur. Yapay değişken oluştu-
rulurken her birey sadece bir grupta yer alır. Üni-
versite mezunu zaten liseden de mezun olduğu için
hem lise mezunu grubunda hem üniversite mezunu
grubunda değerlendirilmez.
Belirli bir regresyon modelinde, nitel ve nicel
değişkenler birlikte kullanılabilir, yani bazı değiş-
kenler nitel iken diğerleri ise nicel olabilir.
Açıklayıcı değişkenlerin tümü;
• nicel olduğunda, model bir regresyon mo-
deli olarak adlandırılır,
• nitel olduğunda, modele bir varyans analizi
modeli denir ve
• nicel ve nitel birlikte olduğunda, modele ko-
varyans analizi modeli denir.
Bu modeller regresyon analizi çerçevesinde ele
alınabilir. Normal regresyon analizi araçları, yapay
değişkenli modeller için de geçerlidir. Yani regres-
yon modellerinde tüm tahmin ve sınama süreçleri
yapay değişkenli modeller için de aynıdır.
Yapay değişkenler örneklemdeki gözlemler ara-
sında ayrım yaparlar. Örneğin cinsiyet yapay de-
ğişkeni örneklemde yer alan gözlemleri kadınlar
erkekler olarak ikiye ayırarak her bir grubun bir-
birinden farklı davranış sergilediğini kabul eder.
Diğer yapay değişken örneklerinde de örneklemde
benzer durum görülebilir. Her bir grubun farklı
davranışı ya sabit terim üzerindeki bir farklılık ya
da diğer açıklayıcı değişkenlerin eğim katsayıları
üzerindeki bir farklılık olarak ortaya çıkar. Her iki
durum modelleme bakımından bir miktar ayrılık
gösterir. Bu nedenle her iki durumu ayrı başlıklar
altında inceleyeceğiz.
dikkat
Yapay değişkenli modellerde tahmin ve test süreci sa-
yısal değişkenler için uygulanan süreçle aynıdır. Yani
klasik doğrusal regresyon modelinin analizinde kul-
lanılan tüm araçlar yapay bağımsız değişken içeren
modeller için de geçerlidir.

96
Ekonometrinin Temelleri

Öğrenme Çıktısı
2 Nitel ve nicel ekonomik değişkenler arasındaki farkı açıklayabilme
3 Nitel bilgileri nicel verilere dönüştürebilme

Araştır 2 İlişkilendir Anlat/Paylaş

Konut fiyatlarının konutun

özelliklerinin bir fonksiyo-
nu olduğunu düşünürsek,
konut fiyatını etkilemesi
mümkün nitel değişken-
lerin neler olabileceğini ve
bunların nasıl nicel hâle ge-
tirilebileceğini araştırın.
Nitel değişkenleri kadınla-
rın işgücüne katılımına etki
yapan faktörlerle ilişkilen-
dirin.
Konut fiyatlarının öngör-
meyi hedefleyen bir mo-
delde nelerin açıklayıcı
değişken olmasının yarar-
lı olacağını arkadaşınızla
paylaşın.

YAPAY DEĞİŞKENLERİN SABİT TERİMİ ETKİLEMESİ

Yapay değişkenlerin sabit terimi etkilemesi durumu modelleştirilmek istendiğinde diğer değişkenlerde
olduğu gibi yapay değişkenin parametre ile çarpımı modele dahil edilir. Yapay bağımsız değişkenli bir
model oluşturulurken model tek bir yapay bağımsız değişkenli olarak oluşturulabileceği gibi birden fazla
sayıda nitel özelliği temsil eden yapay değişkenler veya herhangi sayıda nitel ve nicel değişkenler bir araya
getirilerek de düzenlenebilir.

Yapay Değişken Kullanarak Ortalamalar Arası Farkları Bulma

İstatistiğin konularından biri, iki grup arasındaki ortalamalar arası farkın anlamlılığının test edilmesi-
dir. Bunun t-testi ile yapıldığını hatırlayabiliriz. Bu başlık altında bu testin yapay değişkenler yardımıyla
nasıl yapılabileceğini göreceğiz.
Ekonometrik modelimizin genelde nitel ve nicel özellikleri aynı anda içermesi daha yaygın olmakla
birlikte, nitel özellikleri anlamak için sadece bir yapay değişkenli bir modelle başlıyoruz. Bu süreç, yapay
değişken(ler) tarafından tanımlanan gruplar için ortalamaları belirleme anlamına gelir. Bağımsız bir değiş-
ken olarak kullanmak istediğimiz nitel özellik sadece iki gruptan oluşuyorsa aşağıdaki tek yapay değişkenli
bir model olarak ifade edilebilir:

Yi = β0 + β1Di + ui (5.1)

burada, Y bağımlı değişken, β0 kesim noktası (veya sabit terim) ve β1 yapay değişken (D) tarafından temsil
edilen özelliğin etkisinin etkisidir. Di = 1 nitel özellik mevcutsa ve Di = 0 nitel özellik mevcut değilse ui
KDRM’nin olağan varsayımlarına sahip hata terimidir.
Bağımsız değişken olarak kullanmak istediğiniz nitelik ikiden fazla gruba sahipse durum sayısı eksi bir
(J – 1) değişken içermelidir. Örneğin üç olası sonuç içeren {A, B ve C} nitelik kullanmak istediğinizi kabul
edelim. O zaman bu niteliği temsil etmek için model şöyle oluşturulur:

Yi = β0 + β1DiB + β2DiC + ui (5.2)

97
 Yapay Değişkenli Modeller

gözlem B grubuna aitse DiB = 1 değilse 0, gözlem C grubuna aitse DiC = 1 değilse 0 ve gözlem A grubu
ise DiB = DiC = 0, bu denklemi kullanarak herhangi bir iki grubun karşılaştırılmasında A grubu referans
veya temel gruptur.
Yapay değişkenli modellerin en basit biçimi modelin açıklayıcı değişkenin sadece bir yapay değişken-
den oluştuğu modeldir. Örneğin büro çalışanlarının ortalama maaşlarının cinsiyetin fonksiyonu olduğu
aşağıdaki modeli dikkate alalım:

Yi = β0 + β1Di + ui (5.3)

burada Y büro çalışanının aylık maaşı,

Di = 1 çalışan erkek ise, 0 çalışan kadın ise
Modelden bir kadın çalışanın ortalama maaşı D = 0 iken Y’nin beklenen değeri, yani E(Y | D = 0),
aşağıdaki gibi elde edilir:

E(Yi| D=0) = β0+β1.0=β0 (5.4)

Bir erkek çalışanın ortalama maaşı ise:

E(Yi| D=1) = β0+β1.1=β0+β1 (5.5)

Sabit terim bir kadın çalışanın ortalama maaşını vermektedir. Yapay değişkenin katsayısı bir erkeğin
ortalama maaşının bir kadının maaşından farkını gösterir. Erkeklerin ortalama maaşı ise sabit terim artı
yapay değişkenin katsayısıdır.
Sonuçların aşağıdaki gibi olduğunu düşünelim:

Ŷi=2.30 + 0.36Di
t= (42.65) (6.58) (5.6)

burada, Y gelir (bin T), ve D = 1 erkek ise 0 değilse

Kadın çalışanların tahmin edilen aylık ortalama maaşı T3200 ve erkek çalışanların aylık ortalama
maaşı T3200 + T360 = T3560 ’dir. β1 anlamlı olduğu sürece cinsiyet farklılıkları istatistiki bakım-
dan anlamlıdır.

Yi
Maaş

β0+β1=Ortalama
β0= Ortalama erkek maaşı
kadın maaşı

Kadın Erkek Cinsiyet

Grafik 5.1 Yapay değişkenlerin ortalamaları karşılaştırmada kullanımı

98
Ekonometrinin Temelleri

Yapay Değişkenin Nicel Değişkenlerle Birlikte Kullanılması

Bir yapay değişkenin nicel bir değişkenle birlikte kullanılmasını aşağıdaki modelle dikkate alalım:

Yi = β0 + β1Di + β2Xi + ui (5.7)

burada, Y ofis çalışanının aylık maaşı (bin T olarak), D birey erkekse 1 değilse 0 sıfır değerini alan bir yapay
değişken, X ise yıl olarak deneyim değişkenleri olsun.
Bir kadın çalışanın ortalama maaşı:

E (Yi | Di = 0) = β0 + β1·0 + β2Xi

= β0 + β2Xi

Bir erkek çalışanın ortalama maaşı:

E (Yi | Di = 0) = β0 + β1·1 + β2Xi

= (β0 + β1) + β2Xi

Her iki grubun ortalama tepkisi, grafik olarak Grafik 5.1’de olduğu gibi gösterilir. Grafikte, iki paralel
regresyon doğrusu yer almaktadır. β1’in pozitif olduğu varsayımı ile erkeklerin maaş düzeyi kadınların-
kinden daha yüksektir, deneyim ile beraber maaştaki artış erkek ve kadın çalışanlar için aynı şekilde artar.
100 gözlemli bir örneklemden şu tahmin sonuçlarının elde edildiğini kabul edelim:

Ŷi= 2.80+0.25Di+0.40Xi
t= (42.65) (6.58) (54.2) (5.8)

Eğer tecrübe 0 ise (yani X = 0 ise) kadınların ortalama maaşı T2800, (yani, 2.80 x T1000) erkeklerin
ortalama maaşı ise 2800 + 250 = T3050 ’dir (2.80 bin T + 0.25 bin T = 3.05 bin T). Bir yıllık tecrübe ila-
vesi erkek veya kadın çalışanların maaşını T400 (0.40 x T1000) artırmaktadır. Bu durumda â2 iki grubun
ortalama değerleri arasındaki fark olarak yorumlanır. Yapay değişken üzerine katsayının t değeri, yaklaşık 2
olan %5 tablo kritik değerinin oldukça üzerinde olduğundan katsayının anlamlı olduğunu göstermektedir.
Bunun sonucu, tecrübe sabit tutulursa, erkek ve kadın çalışanların ortalama maaşlarının istatistiki bakım-
dan birbirinden farklı olduğunu göstermektedir.
Yi
Maaş

Erkek
Kadın
β0+β1 β2
β0 β2

Deneyim Xi

Grafik 5.2 Yapay değişkenlerin nicel değişkenlerle birlikte kullanımı

99
 Yapay Değişkenli Modeller

Yapay Değişkenlerde Referans Grubun Değiştirilmesi

Yukarıdaki örneklerde yer alan yapay değişkenlerde erkeklere 1, kadınlara 0 değeri atamıştık. Yani re-
ferans grup kadınlar olarak alınmıştı. Bu defa erkekleri referans grup olarak alalım ve yapay değişkenimizi
kadın ise 1, erkek ise 0 olarak düzenleyelim. Modelimiz aşağıdaki gibi olsun:

Yi = β0 + β1Di + β2Xi + ui (5.9)

Burada; Y ofis çalışanının aylık maaşı, D = 1 çalışan kadın ise, 0 değilse (erkekse), ε hata terimidir.
Bir erkek çalışanın ortalama maaşı:

E (Yi | X, Di = 0) = β0 + β1·0 + β2Xi

= β0 + β2Xi (5.10a)

Bir kadın çalışanın ortalama maaşı:

E (Yi | Di = 0) = β0 + β1·1 + β2Xi

= (β0 + β1) + β2Xi (5.10b)

Bu durumda, model aynı verilerle tahmin edildiğinden β1 için negatif bir katsayı beklenir. Daha genel
olarak ifade edersek bir yapay değişkenin referans grubu değiştirildiğinde yapay değişkene ait katsayı değeri
aynı fakat ters işaret alır.

dikkat
Referans (temel) grubun değiştirilmesi durumunda, yapay değişkene ait katsayının işareti değişir rakamsal değeri
aynı kalır.

100
Ekonometrinin Temelleri

İki Grubun Birlikte Dahil Edilmesi

İki grup için iki ayrı yapay değişkeni sabit terim ile birlikte aynı modelde kullanamayız. Örneğin biri
(D1) erkekse 1, kadınsa 0 ve diğeri (D2) kadın ise 1, erkekse 0 gibi iki yapay değişkeni sabit terimle birlikte
aynı modelde kullanamayız. Aksi hâlde, bu iki değişkenin toplamı tüm gözlemlerde 1 değerini alarak sabit
terimin değişkeni olan 1 değerleriyle tam doğrusal ilişkili olur. Bu durum yapay değişken tuzağı olarak
adlandırılır. Böyle bir durumda parametre tahminleri belirsiz varyans ve standart hataları ise sonsuz büyük-
lükte olur. Yani, parametreler ile varyans ve standart hataları tahmin edilemez. Yani modeli aşağıdaki gibi
düzenlersek yapay değişken tuzağı nedeniyle tahmin edilemez:

Yi = β0 + β1D1i + β2 D2i + β3 Xi + βi !! bu model tahmin edilemez.

burada; D1 = 1 erkekse, = 0 kadınsa; D2 = 1 kadınsa, = 0 erkekse

Bununla birlikte, modelde sabit terime yer verilmezse tam doğrusallık ortadan kalkmış olur. Bunun so-
nucu her iki grubu temsil eden yapay değişkenlerin parametreleri o grubun sabit terimi olarak yorumlanır.
Böyle bir modeli aşağıdaki gibi düzenleyebiliriz:

Yi = β1D1i + β2 D2i + β3 Xi + ui !! Uygun şekilde tahmin edilebilir.

burada; D1 = 1 erkekse, = 0 kadınsa; D2 = 1 kadınsa, = 0 erkekse

Bu durumda kadınlar ve erkekler için beklenen değer sırasıyla aşağıdaki gibidir:
Kadınlar için beklenen değer:

E (Yi | X, D1i = 0, D2i = 1) = β1 ·0 + β2·1 + β3Xi

= β2 + β3Xi (5.11)

Erkekler için beklenen değer:

E (Yi | X, D1i = 1, D2i = 0) = β1 ·1 + β2·0 + β3Xi

= β1 + β3Xi (5.12)

Araştırmalarla
İlişkilendir
Aşağıda yapay değişkenli bir model yardımıyla Borsa İstanbul BİST 100 Endeksinde haftanın gün-
leri etkisini araştıran örnek bir bilimsel makalenin konumuzla ilgili olan seçilmiş bölümleri yer almak-
tadır. Özellikle OLS ( yani EKK) yöntemine dayalı kısımlar verilmekle yetinilmiştir. Bu araştırmanın
sonuç ve bulguları için orijinal makaleye başvurulmalıdır.
BİST 100’de Haftanın Günü Anomalisi: Ekonometrik Bir Analiz
Ali ARI
(Marmara Üniversitesi Fransızca Siyaset Bilimi ve Kamu Yönetimi Bölümü, ali.ari@marmara.edu.tr)
Özge YÜKSEL (Namık Kemal Üniversitesi, İktisat Bölümü, ozgeyuksel62@gmail.com)
Öz: Etkin Piyasa Hipotezi menkul kıymet pazarlarında oluşan fiyatların tahmin edilemeyeceğini
dolayısıyla pazar getirisinin üzerinde aşırı kazanç elde edilemeyeceğini iddia eder. Yapılan araştırmaların
bir kısmı bu hipotezi desteklerken azımsanmayacak bir kısmı ise bu hipotez ile çelişen sonuçlar ortaya
koymuştur. Etkin Piyasa Hipotezi ile çelişen bulgular ise normalden uzaklaşma anlamına gelen anomali
kavramı ile açıklanmıştır. Bu çalışmanın amacı Borsa İstanbul’daki olası dönemsel anomalileri OLS,
GARCH ve EGARCH yöntemleri ile ampirik olarak ortaya koymaktır. Bu çerçevede BİST 100’e ait
03/01/2003-01/07/2016 tarihleri arasındaki 3.389 günlük kapanış verileri kullanılarak haftanın günü

101
 Yapay Değişkenli Modeller

etkisinin varlığı araştırılmaktadır. Farklı model sonuçlarına göre BİST 100’de haftanın günü etkisine
rastlanmamaktadır. Bu bağlamda BİST’in zayıf formda etkin olduğu ifade edilebilir.
Anahtar Kelimeler: Etkin Piyasa Hipotezi, Haftanın Günü Anomalisi, En Küçük Kareler Yöntemi
(OLS), GARCH, EGARCH.
…
4. Veri Seti ve Metodoloji
Çalışmada haftanın günü anomalisinin BİST 100’de var olup olmadığı, 03/01/2003 ile 01/07/2016
tarihleri arasındaki 3.389 adet kapanış fiyatları kullanılarak çeşitli istatistiki ve ekonometrik analiz-
ler yardımıyla incelenmektedir. Araştırmada kullanılan veriler Türkiye Cumhuriyet Merkez Bankası
(TCMB) elektronik veri dağıtım sisteminden temin edilmiştir. Her bir günlük kapanışa ait fiyat serile-
rinin, araştırmanın amacına göre günlük getiri oranlarına dönüştürülmesi işlemi için aşağıdaki eşitlik
(1) kullanılmıştır:
⎡ P ⎤
R1 = 1n ⎢ t ⎥×100
⎣ Pt−1 ⎦ (1)
Burada, Rt t dönemindeki getiri oranını, Pt t dönemindeki kapanış fiyatını, Pt-1 t-1 dönemdeki
kapanış fiyatını ifade etmektedir.
Literatürde haftanın günlerinin finansal piyasalarda getiri oluşum sürecine etkisi olup olmadığını
test etmek için farklı yöntemler kullanılmaktadır. Bu çalışmada, ilk aşamada OLS yöntemi ile kukla
değişkenli regresyon analizi tercih edilmiştir. Kullanılan regresyon denklemi aşağıdaki gibidir:

Rt = β1 + β2 Dpazartesi + β3 Dsalı + β4 Dperşembe + β5Dcuma + βi (2)

Bu denklemde Rt, t zamandaki getiri oranını, D değerleri ise borsadaki her işlem günü için tanım-
lanmış olan kukla değişkenleri ifade etmektedir. Burada Pazartesi günü için tanımlanan kukla değer
(Dpazartesi) ilgili gün olan Pazartesi için 1 değerini alıp diğer günler için 0 değerini almaktadır ve bu
yöntem diğer tüm işlem günleri için uygulanmaktadır. Diğer taraftan, Çarşamba günleri (β1) regresyon
modeline sabit olarak eklenmiştir. Böylece Çarşamba ve Çarşamba’nın diğer günlerden farkı sabitlene-
rek analiz yapılmıştır.
Çalışmada oluşturulan temel araştırma hipotezi aşağıdaki gibidir: H0 = Endeksin hafta başı günler-
de (Pazartesi ve Salı) sağladığı ortalama getiriler ile endeksin hafta sonu günlerde (Perşembe ve Cuma)
sağladığı ortalama getiriler arasında farklılık yoktur (H0: β2 = β3 = β4 = β5). H1 = Endeksin hafta başı
günlerde (Pazartesi ve Salı) sağladığı ortalama getiriler ile endeksin hafta sonu günlerde (Perşembe ve
Cuma) sağladığı ortalama getiriler arasında farklılık vardır (H0: β2 ≠ β3 ≠ β4 ≠ β5).
Kukla değişkenli regresyon analizinin varsayımlarından değişen varyans White testi ile sınanmıştır.
Kukla değişkenli regresyon analizinde karşılaşılan otokorelasyon ve değişen varyans sorunu nedeniyle
(bkz. Tablo 6), seriler varyans ve kovaryansın zaman içinde değişmesine izin veren Genelleştirilmiş
Otoregresif Koşullu Değişen Varyans (GARCH) ve Üssel GARCH (EGARCH) modelleri ile de test
edilmiştir
...
5. Bulgular
…
Eşitlik (2)’ye göre oluşturulan regresyon analizi sonuçları Tablo 3’de verilmiştir. Buna göre p olasılık
değerleri dikkate alındığında tüm değerlerin %10 anlamlılık seviyesinden büyük olduğu görülmektedir.
Bu nedenle H0 hipotezi reddedilememekte ve böylece günlere ait getirilerin birbirinden farklı olma-
dıkları sonucuna varılmaktadır. Ayrıca Tablo 3’te verilen F-İstatistiği ve F İstatistik olasılık değerleri de
H0 hipotezinin reddedilemediğini göstermektedir. Bir diğer ifadeyle haftanın günleri arasında getiri
bağlamında herhangi bir farklılık söz konusu değildir.

102
Ekonometrinin Temelleri

Tablo 5.3 Regresyon Model Sonuçları

Değişken Katsayı Standart Hata t-İstatistiği Olasılık (p)
Pazartesi -0.011441 0.097588 -0.117240 0.9067
Salı 0.029043 0.097624 0.297502 0.7661
Çarşamba (c) 0.033411 0.069056 0.483824 0.6285
Perşembe 0.034130 0.097805 0.348958 0.7271
Cuma 0.072783 0.097732 0.744718 0.4565
R2 0.000269 Standart Hata 1.798109
Adj. R2 -0.000914 F-İstatistiği 0.227128
Akaike 4.012823 F-İstatistik Olasılığı 0.9233
…
Kaynak: Finans Politik & Ekonomik Yorumlar 2017 Cilt: 54 Sayı: 632, ss. 77-89

Öğrenme Çıktısı
4 İki grup arasındaki ortalama farkının regresyon analizinde nasıl tanımlanacağını ve grup
ortalamaları arasında farkın anlamlılığının nasıl test edileceğini ifade edebilme

Araştır 3 İlişkilendir Anlat/Paylaş

İktisadi uygulamalarda
İktisatta rejim değişimi ko- Farklı rejimler ile nitel de- farklı rejimlerin neler ola-
nusunu araştırın. ğişkenleri ilişkilendirin. bileceğini arkadaşlarınızla
tartışın.

YAPAY DEĞİŞKENLERİN EĞİM PARAMETRELERİNİ ETKİLEMESİ

Yapay değişkenler sabit terimi etkilediği gibi eğim parametrelerini de etkileyebilirler. Yapay değişken-
lerin sabit terimi etkilemesi durumunda sabit terim olası grupları için farklılaşmaktaydı. Yapay değişkenin
eğim parametresini etkilemesi durumunda, yapay değişken bu defa eğim parametresinde olası gruplar
arasında farklılığa neden olur. Böyle bir durum yapay değişkenle nicel değişkenin etkileşimi olarak bilinir
ve modele yapay değişkenle nicel değişkenin çarpımı olarak dahil edilir. Ofis çalışanlarının maaşı örneğin-
den hareket edersek kadın çalışanlar ile erkek çalışanların işe başlama maaşları yanında bir yıllık deneyim
artışının maaşta farklı artışa yol açtığını modelleştirmek istersek modele etkileşim terimi dahil ederiz. Bu
durumda model aşağıdaki gibi oluşturulur:

Yi = β0 + β1 Di + β2 Xi + β3 (DX)i + ui (5.13)

burada, X nicel değişken deneyim, Di ofis çalışanı erkekse 1 değilse 0 değerini alan yapay değişken ve DX
etkileşim terimdir (her bir gözlem için yapay değişkenle nicel değişkenin çarpımından oluşur). Kadınlar ve
erkekler için beklenen koşullu ortalamalar aşağıdaki gibidir:

103
 Yapay Değişkenli Modeller

Kadınlar için (Di = 0)

E (Yi | X, Di = 0) = β0 + β1·0 + β2Xi + β3(0·X)i

= β0 + β2Xi (5.13)

Erkekler için (Di = 1)

E (Yi | X, Di = 1) = β0 + β1·1 + β2Xi + β3 (1·X)i

= β0 + β1 + β2Xi + β3Xi
= (β0 + β1) + (β2 + β3)Xi (5.14)

Böylece, modele yapay değişken yanında kesişim teriminin de dahil edilmesi sabit terim yanında eğim
parametresinin de gruplar için farklı olmasına neden olmuştur. Modeldeki β1 yapay değeri 1 olan grubun
referans gruptan sabit terim farklılığını gösterirken β3 yapay değeri 1 olan grubun referans gruptan eğim
farkını gösterir. Bizim örnek modelimiz için β1 erkeklerin kadınlara göre işe başlama (yani deneyim sıfır
iken) beklenen maaş farkını ve β3 erkekleri ilave bir yıl çalışmanın getirdiği maaş farkını göstermektedir.
β1 ve β3 parametreleri istatistiki bakımdan farklıysa gruplar için hem sabit hem de eğim parametrelerinin
farklı olduğu anlamına gelir. Böyle bir durumda elde edilen regresyon tahmini sonuçları, modelin yapay
değişken ve etkileşim terimi olmaksızın grupların her birine ayrı ayrı uygulanmasıyla elde edilen sonuçlarla
aynı olacaktır.
Bir yapay değişken, bir nicel değişken ve yapay ile nicel değişken etkileşimli bir terim içeren bir model
tahmin edildiğinde parametrelerin anlamlılığına göre dört olası sonuçtan birini elde edilir. Bunlar:
i) Tek regresyon doğrusu: Hem yapay değişken hem de etkileşim terimlerine ait katsayıların sıfır yani
istatistiki bakımdan anlamsız olması
ii) Farklı sabit aynı eğime sahip iki ayrı regresyon doğrusu: Yapay değişkene ait katsayının sıfırdan farklı
yani anlamlı ve etkileşim terimine ait katsayının sıfır yani anlamsız olması
iii) Aynı sabit ancak farklı eğime sahip iki ayrı regresyon doğrusu: Yapay değişkene ait katsayının sıfır yani
anlamsız ve etkileşim terimine ait katsayının sıfırdan farklı yani anlamlı olması
iv) Farklı sabit ve farklı eğime sahip iki ayrı regresyon doğrusu: Hem yapay değişkene ait katsayının hem
de etkileşim terimine ait katsayının sıfırdan farklı yani anlamlı olması
Grafik 5.3’te yapay değişkenin katsayısının anlamsız etkileşim katsayısının ise anlamlı olduğu bir reg-
resyon sonuçları görülmektedir. Gruplar için sabit terimin aynı fakat eğimin farklı olması nedeniyle grup-
ları her biri için aynı kesim noktasından çıkan iki farklı regresyon doğrusu oluşmaktadır:
Yi Yˆ i=(βˆ 0+βˆ 1)+(βˆ 2+β
ˆ 3)Xi
Yˆ i=βˆ 0+βˆ 1Di+β
ˆ 2Xi+β
ˆ 3(DX)i
Eğer βˆ 1=0 ve Di= 1 ise

Maaş
Yˆ i=β
ˆ 0+β
ˆ 2Xi
Eğer βˆ 1=0 ve Di= 0 ise

βˆ 0

Deneyim Xi

Grafik 5.3 Yapay Değişkenlerin Nicel Değişkenlerle Etkileşimi (Aynı Sabit Farklı Eğim)

104
Ekonometrinin Temelleri

Yi Yˆ i=βˆ 0+βˆ iDi+βˆ 2Xi+β

ˆ 3(DX)i
Yˆ i=βˆ 0+(βˆ 2+βˆ 3)Xi
Eğer βˆ 1=0 ve Di= 1 ise

Maaş
Yˆ i=β
ˆ 0+β
ˆ 2Xi
Eğer βˆ 1=0 ve Di= 0 ise

βˆ 0+βˆ 1
ˆ0
β

Deneyim Xi

Grafik 5.4 Yapay Değişkenlerin Nicel Değişkenlerle Etkileşimi (Farklı Sabit Farklı Eğim)

Grafik 5.4’te yapay değişkenin katsayısının anlamsız etkileşim katsayısının ise anlamlı olduğu bir reg-
resyon sonuçları görülmektedir. Gruplar için sabit terimin aynı fakat eğimin farklı olması nedeniyle grup-
ları her biri için aynı kesim noktasından çıkan iki farklı regresyon doğrusu ortaya oluşmaktadır.
Ofis çalışanlarının maaşı örneğimizde aşağıdaki sonuçları elde ettiğimizi kabul edelim:

Ŷ, = 2.65+ 0.24Di + 0.38Xi+ 0.03 (DX)i

t = (41.1) (1.18) (58.3) (14.4) (5.15)

burada, X nicel değişken deneyim, Di ofis çalışanı erkek ise 1, değilse 0 değerini alan yapay değişken ve DX
etkileşim terimdir Modelde tüm katsayılar artı değer almış, yapay değişken D dışındaki katsayılara ait t is-
tatistikleri yaklaşık 2 olan %5 tablo kritik değerinden büyük oldukları için istatistiki bakımdan anlamlıdır,
yani bağımlı değişken üzerinde önemli etkiye sahiptirler. Yapay D değişkenine ait katsayı %5’te istatistiki
bakımdan anlamlı değildir. Bu değişkene ait katsayının anlamlı olmaması kadın ve erkek ofis çalışanlarının
başlangıç maaşlarında anlamlı bir farklılık olmadığı anlamına gelir. Bununla birlikte etkileşim terimine ait
katsayının anlamlı olması bir yıllık ilave tecrübe karşısında kadın çalışanlar ile erkek çalışanların maaş ar-
tışları farklılık göstermektedir. Bu model bulgularına göre kadın ve erkeklerin sıfır deneyim ile işe başlama
maaşları ortalama T2650 (2.65x T1000), ilave bir yıllık deneyim karşısında kadınlar T380 (0.38x T1000)
maaş artışı alırken erkeklerin maaş artışı T410 ’dir ((0.38+0.03)x1000). Bu bulgular Grafik 5.3’teki aynı
sabit farklı eğime sahip iki regresyon doğrusu durumuna uyar.

105
 Yapay Değişkenli Modeller

Öğrenme Çıktısı
5 Bir regresyona bir eğim yapay değişkeninin hangi durumda, nasıl dahil edileceğini ve nasıl
yorumlanacağını açıklayabilme ve bir örnek verebilme

Araştır 4 İlişkilendir Anlat/Paylaş

İktisadi uygulamalarda sa-

Parametre simetrisi veya Parametre simetrisi veya bit terim kuklasının mı
asimetrisi ile eşik modeller asimetrisini nitel değişkenle yoksa eğim kuklasının mı
kavramlarını araştırın. ilişkilendirin. daha yaygın kullanıldığını
arkadaşlarınızla tartışın.

İKİ VEYA DAHA FAZLA NİTEL DEĞİŞKENİN ETKİLEŞİMİ

İki nitel veya yapay değişkeni birbiriyle etkileşime sokmak, çeşitli grup birleşimleri arasındaki farkları
tespit etmenizi sağlar. Bir ekonometrik modelde yapay değişkenlerle, nitel özelliklerin bağımsız etkisini
tahmin edebiliriz ancak yapay değişkenlerin etkileşimini modele dahil ederek birden çok özelliğin varlığı-
nın bağımlı değişkeni nasıl etkilediğini görebiliriz.
İki (veya daha fazla) özelliğin birlikte varlığının, bağımlı değişkenimiz üzerinde ek bir etkiye sahip
olabileceğini düşündüğümüzde yapay değişkenleri birbirleriyle etkileşime sokabiliriz. Örneğin üniversite
mezunu kadın ofis çalışanı olmanın maaşa etki yapabileceğini düşünüyorsak kadın olma yapay değişkeni
ile üniversite mezunu olma yapay değişkeninin etkileşimini modele dahil edebiliriz. Böyle bir model aşa-
ğıdaki gibi yazılabilir:

Yi = β0 + β1 Xi + β2 D1i + β3 D2i + β4(D1·D2)i + ui (5.16)

burada, Y ofis çalışanının maaşını, X yıl olarak deneyim, D1 gözlem kadın ise 1, erkekse 0 değerini alan
yapay değişken ve D2 gözlem üniversite mezunu ise 1 değilse 0 değerini alan yapay değişken, D1·D2 etki-
leşim terimi ve u bildik özelliklere sahip hata terimidir.

dikkat
İki veya daha fazla nitel özelliğin birlikte varlığının bağımlı değişken üzerinde ek bir etkiye sahip olabileceği dü-
şünülüyorsa yapay değişimlerin etkileşimi modele dahil edilir.

Çeşitli gruplar için beklenen değerler aşağıdaki gibidir:

Üniversite mezunu olmayan erkekler için maaş fonksiyonu:

E (Yi | X, D1i = 0, D2i = 0) = β0 + β1 Xi + β2 · 0 + β3 · 0+ β4(0 · 0)i

= β0 + β1Xi (5.17)

Üniversite mezunu erkekler için maaş fonksiyonu:

E (Yi | X, D1i = 0, D2i = 1) = β0 + β1 Xi + β2 · 0 + β3 · 1+ β4(0 · 1)i
= (β0 + β3) + β1Xi (5.18)

106
Ekonometrinin Temelleri

Üniversite mezunu olmayan kadınlar için maaş fonksiyonu:

E (Yi | X, D1i = 1, D2i = 0) = β0 + β1 Xi + β2 · 1 + β3 · 0+ β4(1 · 0)i

= (β0 + β2) + β1Xi (5.19)

Üniversite mezunu kadınlar için maaş fonksiyonu:

E (Yi | X, D1i = 1, D2i = 0) = β0 + β1 Xi + β2 · 1 + β3 · 1 + β4(1 · 1)i
= (β0 + β2 + β3 + β4) + β1Xi (5.20)

İki nitel değişken etkileşiminin modele dahil edilmesi, regresyon fonksiyonunun her bir nitel özellik
kombinasyonu için farklı sabit terimlere sahip olmasını sağlamıştır. Yapay değişkenlerin ve etkileşimlerinin
katsayıları, sabit terimin tahmin edilen büyüklükte kaymasına neden olur.
İki yapay değişken ve iki nitel özellik arasındaki etkileşimi olan bir modelin tahmininden dört olası
sonuçtan biriyle karşılaşırız:
(i) Bir regresyon doğrusu: Yapay değişken ve yapay etkileşimli değişkene ait katsayılar sıfırdır (veya
istatistiki bakımdan anlamlı değildir).
(ii) İki regresyon doğrusu: Bir yapay değişken için katsayı anlamlı ancak diğer yapay değişken katsa-
yısı ve etkileşim katsayısı sıfırdır (veya istatistiki bakımdan anlamlı değildir).
(iii) Üç regresyon doğrusu: Yapay değişken katsayıların her ikisi de anlamlı ancak etkileşim katsayısı
sıfırdır (istatistiksel olarak anlamlı değildir).
(iv) Dört regresyon doğrusu: Yapay değişken katsayıları ve etkileşim katsayısı anlamlıdır.

Yˆ i=β
ˆ 0+β
ˆ iXi+βˆ 2D1i+βˆ 3D2i+β
ˆ 4(D1D2)i
Yi

Maaş ˆ 0+βˆ 2+βˆ 3+βˆ 4)+βˆ 1Xi Üniversite mezunu

Yi=(β

Yˆ i=(βˆ 0+βˆ 2)+βˆ 1Xi Üniversite mezunu olmayan

βˆ 0+βˆ 2+βˆ 3+β
ˆ4
Yˆ i=(βˆ 0+βˆ 3)+βˆ 1Xi Üniversite mezunu erkekler
βˆ 0+βˆ 2 Yˆ i=β
ˆ 0+β
ˆ 1Xi Üniversite mezunu olmayan erkekler için
βˆ 0+βˆ 3

βˆ 0

Deneyim Xi

Grafik 5.5 Bir yapay değişken (X), iki anlamlı yapay değişken katsayısı ve anlamlı bir etkileşimli yapay değişken
katsayısı durumunda olası nitel özellik bileşenleri için regresyon doğruları

Grafik 5.5’te örnek model için tüm katsayıların pozitif olduğu varsayımı altında dört bileşen için reg-
resyon doğruları görülmektedir. β4 katsayısı üniversite mezunu olmanın aylık maaş üzerine etkisini gös-
termektedir.
Ofis çalışanlarının maaşı örneğimizde aşağıdaki sonuçları elde ettiğimizi kabul edelim:

Ŷi=2.80+0.40Xi - 0.24D1i+0.02D2i+1.20 (D1.D2)i

t= (42.65) (54.2) (-6.55) (2.02) (3.05) (5.21)

107
 Yapay Değişkenli Modeller

burada, yukarıda belirtildiği gibi Y ofis çalışanının maaşını (bin TL), X yıl olarak deneyim, D1 gözlem ka-
dın ise 1, erkekse 0 değerini alan yapay değişken ve D2 gözlem üniversite mezunu ise 1, değilse 0 değerini
alan yapay değişken, D1·D2 etkileşim terimidir. Tüm katsayılara ilişkin t değerleri %5 önem seviyesinde
yaklaşık 2 olan kritik değerden mutlak olarak büyük oldukları için sıfırdan farklı yani anlamlıdır. D1 yapay
değişkeninin katsayısı negatif değer aldığından yapay değişkende “1” ile temsil edilen kadın çalışanların
erkeklere göre düşük maaş aldıklarını göstermekle birlikte kesişim teriminin pozitif değer alması üniversite
mezunu kadınların T1200 (1.2x T1000) daha fazla ücret elde ettiklerini göstermektedir.

Öğrenme Çıktısı
6 Bir regresyona denklemine iki yapay değişkeninin etkileşiminin hangi durumda, nasıl dahil
edileceğini ve katsayısının nasıl yorumlanacağını ifade edebilme ve bir örnek verebilme

Araştır 5 İlişkilendir Anlat/Paylaş

Konut satış fiyatı veya kira

Konut satış fiyatı veya kira
bedeli için nitel değişkenle-
rin etkileşimini araştırın.
Nitel değişkenlerin etkileşi-
bedeli için nitel değişkenle-
mini ücret denklemiyle iliş-
rin etkileşimini arkadaşları-
kilendirin.
nızla tartışın.

108
Ekonometrinin Temelleri

Yapay değişkenleri tanımlayabilme,

1 örnekler verebilme ve yapay değişkenli
model türlerini belirtebilme

öğrenme çıktıları ve bölüm özeti

Yapay Değişkenler ve Yapay
Değişkenli Model Türleri

1 Uygun sayısal bir ölçekte ölçülemeyen nitel özellikler veya ölçülebilse bile nitel olarak alınması daha yarar-
lı olan özellikleri temsil etmek üzere oluşturulan değişkenler yapay değişken olarak adlandırılır. Örneğin dil,
din, ırk, cinsiyet gibi kişisel özelliklerin yanında coğrafi bölgeler (doğu bölgesi, batı bölgesi, güney bölgesi,
kuzey bölgesi veya onların türevleri), aylar, mevsimler, günler, dönemler (savaş öncesi savaş sonrası, politika
öncesi, politika sonrası gibi) yapay değişkenle temsil edilebilecek özelliklere örnek olarak verilebilir. Yapay
değişkenler ekonometrik modellerde bağımlı veya bağımsız değişken olarak yer alabilirler. Bunlar sırasıyla,
“yapay bağımlı değişkenli modeller” ve “yapay bağımsız değişkenli modeller” olarak adlandırılırlar. Yapay
değişkenlerin ekonometrik modeller bağımlı değişken olarak kullanılması bazı tahmin güçlüklerine neden
olur. Yapay değişkenlerin ekonometrik modellerde bağımlı değişken olarak yer alması (i) Doğrusal olasılık
modeli, (ii) Logit modeli ve (iii) Probit modeli bağlamında incelenir.

Nitel ve nicel ekonomik

2 değişkenler arasındaki farkı
açıklayabilme

3 Nitel bilgileri nicel verilere

dönüştürebilme

Nitel Bilgilerin Nicelleştirilmesi

2 Nicel ekonomik değişkenler uygun sayısal ölçekte ölçülebilen değişkenler olup sürekli değerler alırlar.
Buna karşılık nitel değişkenler uygun bir sayısal ölçekte ölçülemeyen değişkenlerdir. Nitel değişkenler ge-
nellikle örneklemi alt gruplara ayırırlar. Örneğin cinsiyet değişkeni örneklemi kadınlar, erkekler olarak iki
alt gruba ayırırken, mevsim değişkeni çeyreklik verileri I. Çeyrek, II. Çeyrek, III. Çeyrek ve IV. Çeyrek
olmak üzere dört alt gruba ayırır.

3 Bir ekonometrik modelde yer alan değişkenler uygun bir sayısal ölçekte ölçülen nicel değişkenlerdir.
Nicel olmayan değişkenlerin uygun bir şekilde nicel verilere dönüştürülmesi gerekir. Nitel bir değişken iki
gruba sahipse, bu niteliği nicel olarak ifade etmek için bir yapay değişken oluşturmamız gerekir. Yapay de-
ğişken, iki özellikten biri mevcutsa “1”, diğeri mevcutsa “0” değerini alır. Oluşturulan yapay değişken için
0 değeri tanımlanan (veya atanan) gruba referans veya temel grup adı verilir. Örneğin, “1”, kişinin erkek
olduğunu ve “0” kişinin kadın olduğunu gösterir.
Nitel bir özelliğin ikiden fazla grubu (veya mümkün duruma) varsa bu nitel bir özelliği nicel olarak temsil
etmek için, grup sayısı eksi 1 adet yapay değişken oluşturmanız gerekir. Yapay değişken, belirli bir özellik
varsa 1 değerini, yoksa 0 değerini alır. Başka bir deyişle, J sayıda grubumuz varsa, her biri 1 ve 0 değerlerin-
den oluşan J – 1 sayıda yapay değişkene ihtiyaç duyarız. Yapay değişken içermeyen grup, diğer tüm yapay
değerlerin 0 olduğu durumda temsil edilir ve referans veya temel grup olarak adlandırılır.

109
 Yapay Değişkenli Modeller

İki grup arasındaki ortalama farkının regresyon

4 analizinde nasıl tanımlanacağını ve grup

ortalamaları arasındaki farkın anlamlılığının nasıl
öğrenme çıktıları ve bölüm özeti

test edileceğini ifade edebilme

Yapay Değişkenlerin Sabit

Terimi Etkilemesi

4 Bağımlı değişkenin sabit terimle birlikte ikili bir yapay değişken üzerine regresyonu (Yi = β0 + β1 Di +
ui ) yapay değişkende yer alan gruplar arasındaki farkın modelleştirilmesini sağlar. Böyle bir modelde sabit
terim (β0) yapay değişkende “0” değeri alan grubun ortalamasını, eğim parametresi (β1) yapay değişkende
“1” değeri alan grubun “0” değeri alan gruptan ortalama farkını, sabit terimle eğim parametresinin toplamı
(β0 + β1) “1” değeri alan grubun ortalamasını verir. İki grup ortalamaları arasındaki farkın istatistiki bakım-
da anlamlı olup olmadığı eğim parametresinin anlamlılığı ile test edilir. Eğim parametresine ait t-istatistiği
mutlak olarak 2 veya daha büyükse ortalama farkının %5 önem düzeyinde anlamlı olduğuna karar verilir.

Bir regresyona bir eğim yapay değişkeninin

5 hangi durumda, nasıl dahil edileceğini ve nasıl

yorumlanacağını açıklayabilme ve bir örnek
verebilme

Yapay Değişkenlerin Eğim

Parametresini Etkilemesi

5 Yapay değişkende yer alan nitel özelliklerin bir veya daha fazla açıklayıcı değişkenin eğim katsayılarında
farklılığa neden olacağına inanılıyorsa ya da en azından bu durum test edilmek isteniyorsa modele eğim
yapay değişkeni dahil edilir. Modele eğim yapay değişkeni dahil edilmesi, yapay değişkenle nicel değişkenin
etkileşimi olarak bilinir ve yapay değişken modele nicel değişkenin çarpımı olarak dahil edilir. Yi = β0 + β1
Di + β2 Xi + β3(DX)i + ui regresyonunda (DX)i terimi etkileşim terimidir. Bu regresyondaki β3 parametresi
yapay değişkende “1” değeri alan grubun “0” değeri alan gruptan eğim parametresi farkını verir. Örneğin
bir gelir tüketim fonksiyonunda sabit terim otonom tüketim harcamasına ve eğim parametresi marjinal tü-
ketim eğilimine karşılık gelir. Bir araştırmacı marjinal tüketim eğiliminin cinsiyete göre farklılaşabileceğini
düşünüyorsa düzenleyeceği tüketim fonksiyonuna cinsiyeti temsil eden bir yapay değişkeni gelir değişkeni
ile çarparak dahil eder. Çarpım sonucu oluşan etkileşim teriminin parametresi istatistiki bakımdan anlamlı
ise yapay değişkende “1” değerini alan gruba ait marjinal tüketim eğiliminin diğer grubun marjinal tüketim
eğiliminden anlamlı bir şekilde farklı olduğu bulgusunu elde eder.

110
Ekonometrinin Temelleri

Bir regresyona denklemine iki yapay değişkeninin

6 etkileşiminin hangi durumda, nasıl dahil

edileceğini ve katsayısının nasıl yorumlanacağını

öğrenme çıktıları ve bölüm özeti

ifade edebilme ve bir örnek verebilme

İki veya Daha Fazla Nitel

Değişkenin Etkileşimi

6 İki veya daha fazla sayıda yapay değişkenin çeşitli bileşenlerinin bağımlı değişken üzerinde nasıl bir etki
yaptığını görmek için modele yapay değişkenlerin etkileşimleri (yani çarpımları) dahil edilir. Yi = β0 + β1
D1i + β2D2i + β3Xi + β4(D1·D2)i + ui regresyonunda (D1·D2)i terimi yapay değişken etkileşim terimidir.
Bu değişkenin katsayısı her iki yapay değişkende “1” olan özellik bileşeninin bağımlı değişken üzerindeki
etkisini gösterir. Örneğin bir yapay değişken kadınlar için “1”, erkekler için “0” değerini alıyorsa ve başka
bir yapay değişken üniversite mezunları için “1”, olmayanlar için “0” değerini alıyorsa (D1·D2)i etkileşimine
ait katsayı üniversite mezunu kadın olmanın bağımlı değişken üzerindeki etkisini temsil eder.

111

1 Yapay değişkenli bir ekonometrik model aşa-
ğıdakilerden hangisini inceler?
A. Bir nicel bağımlı ve bir nicel bağımsız değişken
neler öğrendik?
arasındaki ilişkiyi
B. Bir nitel bağımlı ve bir kategorik bağımsız de-
ğişken arasındaki ilişkiyi
C. Bir kategorik bağımlı ve bir kategorik bağımsız
değişken arasındaki ilişkiyi
D. Bir kategorik bağımlı ve bir nitel bağımsız de-
ğişken arasındaki ilişkiyi
E. Bir kategorik bağımlı ve bir nicel bağımsız de-
ğişken arasındaki ilişkiyi
2 Bir nitel bağımsız değişkenin 4 nitel özellik
içerdiği durumda bu özellikleri temsil etmek için
modelde kaç yapay değişkene ihtiyaç duyulur?
A. 1 B. 2
C.
3
D. 4 E. 5
3 Bağımlı değişkeni nicel ve biri nitel diğeri ni-
cel iki açıklayıcı değişkeni bulunan bir ekonomet-
rik model aşağıdakilerden hangisi ile anılır?
A. Varyans analizi (ANOVA) modeli
B. Regresyon modeli
C. Logit modeli
D. Probit modeli
E. Kovaryans analizi (ANCOVA) modeli
4 Bir araştırmacı Y değişkeninin iki grup or-
talamaları arasında anlamlı bir fark bulunup bu-
lunmadığını yapay değişken yaklaşımıyla sınamak
istemektedir. Bu amaçla aşağıdaki regresyon denk-
lemi tahmin sonuçlarını elde etmiştir:
Yi = 25.6 + 5.12 Di
t = (18.2) (0.25) R2 = 0.75
Bu denklemde grup ortalamaları arasında %5
önem düzeyinde anlamlı bir fark bulunup bulun-
madığının kararı aşağıdakilerden hangisinde doğ-
ru verilmiştir? (Dikkat: t tablo kritik değeri olarak
yaklaşık değeri 2 dikkate alınmıştır.)
A. Anlamlı fark var, çünkü 25.6 > 2
B. Anlamlı fark var, çünkü 18.2 > 2
C. Anlamlı fark var, çünkü 5.12 > 2
D. Anlamlı fark yok, çünkü 0.25 < 2
E. Anlamlı fark yok, çünkü 0.75 < 2
112
Yapay Değişkenli Modeller
5 Yi = β0 + β1Xi + β2Di + β3DİXi+ui denklemin-
de ve Di değişkeni 0 ve 1 değerleri alan bir yapay
değişkendir. Bu denklemde β3 katsayısı ne anlama
gelir?
A. Yapay değişkende 0 olan gruba ait sabit terim
B. Yapay değişkende 1 olan gruba ait eğim para-
metresi
C. Yapay değişkende 0 olan gruba ait eğim para-
metresi
D. Yapay değişkende 1 olan grubun 0 (sıfır) olan
gruptan sabit terim farkı
E. Yapay değişkende 1 olan grubun 0 (sıfır) olan
gruptan eğim farkı
6 Regresyon modeline girilecek kukla değişken
sayısı neden her zaman grup sayısı (J) eksi 1 (J-1)
sayısına eşit olmalıdır?
A. Modelin yanlış tanımlamasını önlemek için
B. R-kare değerini artırmak için
C. Yapay değişken tuzağından kaçınmak için
D. Modeldeki diğer değişkenleri kontrol etmek
için
E. Yukarıdakilerin hiçbiri
7 Bir kişinin yıllık gelirini ve eğitimini temel
alarak yıllık tasarruflarını belirlemek için şu basit
model kullanılmaktadır:
Tasarruf = β0 + β1 Eğitim + β2 Gelir + u
Modelde, ‘Eğitim’ değişkeni kişi üniversite
mezunu ise 1 değerini alan bir yapay değişken
ve ‘Gelir’ değişkeni bireyin aylık gelirini gösteren
sayısal bir değişkendir. Eğer β1 > 0 ise, aşağıdaki-
lerden hangisi doğrudur?
A. Yüksek gelirli bireylerin tasarrufları daha yük-
sektir.
B. Düşük gelirli bireylerin tasarrufları daha yük-
sektir.
C. Üniversite mezunu olmayanlar mezun olanlar-
dan daha tasarrufludur.
D. Üniversite mezunları üniversite mezunu olma-
yanlara göre daha tasarrufludur.
E. Gelirdeki bir birimlik değişim karşısında tasar-
ruf aynı yönde değişir.
Ekonometrinin Temelleri

8 Şu ücret denklemini dikkate alalım: Yi = β0 + 10 Soru 8’de verilen modeli yeniden dikkate ala-
β1 Xi + β2 D1i + β3 D2i + ui. lım: Yi = β0 + β1 Xi + β2 D1i + β3 D2i + ui. Aynı
Modelde Y aylık net ücret (T), Xi yıl olarak dene- değişken tanımlamalarına sahibiz. Araştırmacımız

yim, D1 çalışan kadın ise 1, değilse 0 değerini alan
bir yapay değişken, D2 çalışan üniversite mezunu
ise 1, değilse 0 değeri alan bir yapay değişken ve u
hata terimidir. Modelin SEKK ile tahmininden şu
sonuçlar elde edilmiştir:
Yi = 2350.0 + 255.0 Xi – 135.0 D1i + 290.0 D2i
t = (24.8) (30.1) (1.68) (3.39) R2 = 0.96
Bu modele göre 10 yıl deneyimli üniversite mezu-
nu olmayan bir erkek çalışanın aylık ortalama bek-
lenen ücret geliri aşağıdakilerden hangisidir?
A. 4900
B. 5035
C. 4765
D. 5055
E. 5190
neler öğrendik?
bu defa bu model üzerine üniversite mezunu kadın
olmanın ücretler üzerinde anlamlı bir farklılığa ne-
den olup olmadığını sınamak istiyor. Bu durumu
aşağıdakilerden hangisi doğru bir şekilde modelle-
miştir?
A. Yi = β0 + β1 Xi + β2 D1i + β3 (D1× D2)i + ui
B. Yi = β0 + β1 Xi + β3 D2i + β3 (D1× D2)i + ui
C. Yi = β0 + β1 Xi + β2 D1i + β3 D2i + β4 (D1× D2)
i + ui
D. Yi = β0 + β1 Xi + β2 D1i + β3 (D1× X1)i + β4
(D1× D2)i + ui
E. Yi = β0 + β1 Xi + β2 D2i + β3 (D1× X1)i + β4
(D1× D2)i + ui

9 Bir önceki sorudaki uygulamayı yapan araş-

tırmacımız aynı ücret denkleminde ilave bir yıllık
deneyim karşısında üniversite mezunu çalışanların
üniversite mezunu olmayanlara göre daha fazla sa-
bit ücret yanında aynı zamanda daha yüksek kıdem
ücreti de elde etmiş olabileceğini düşünüyor. Bu
durumda aşağıdaki modellerden hangisini dikkate
almalıdır?
A. Yi = β0 + β1 Xi + β2 D1i + β3 (D2×X)i + ui
B. Yi = β0 + β1 Xi + β3 D2i + β3 (D1×X)i + ui
C. Yi = β0 + β1 Xi + β2 D2i + β3 (D2×X)i + ui
D. Yi = β0 + β1 Xi + β2 D1i + β3 D2i + β4 (D1×X)i + ui
E. Yi = β0 + β1 Xi + β2 D1i + β3 D2i + β4 (D2×X)i + ui

113
 Yapay Değişkenli Modeller

Yanıtınız yanlış ise “İki Grubun Birlikte

1. D Yanıtınız yanlış ise “Giriş” konusunu yeni- 6. C
Dahil Edilmesi” konusunu yeniden gözden
den gözden geçiriniz.
geçiriniz.
neler öğrendik yanıt anahtarı

Yanıtınız yanlış ise “Nitel Bilgilerin Ni- Yanıtınız yanlış ise “Yapay Değişkenlerin
2. C 7. D
celleştirilmesi” konusunu yeniden gözden Eğim Parametrelerini Etkilemesi” konusunu
geçiriniz. yeniden gözden geçiriniz.

Yanıtınız yanlış ise “İkiden Fazla Nitel Yanıtınız yanlış ise “Yapay Değişkenlerin
3. E Özellik Bulunması Durumunda Yapay De- 8. A Sabit Terimi Etkilemesi” ve “Yapay Değiş-
ğişken Oluşturma” konusunu yeniden göz- kenlerin Eğim Parametrelerini Etkilemesi”
den geçiriniz. konusunu yeniden gözden geçiriniz.

Yanıtınız yanlış ise “Yapay Değişken Kulla- Yanıtınız yanlış ise “Yapay Değişkenlerin
4. D 9. E
narak Ortalamalar Arasındaki Farkları Bul- Eğim Parametrelerini Etkilemesi” konusunu
ma” konusunu yeniden gözden geçiriniz. yeniden gözden geçiriniz.

Yanıtınız yanlış ise “Yapay Değişkenlerin Yanıtınız yanlış ise “İki veya Daha Fazla Ni-
5. E 10. C
Eğim Parametrelerini Etkilemesi” konusunu tel Değişkenin Etkileşimi” konusunu yeni-
yeniden gözden geçiriniz. den gözden geçiriniz.

Araştır Yanıt
5 Anahtarı

Yapay bağımlı değişkenli modeller bağımlı değişkeninin 0 ve 1 değerlerinden

oluşması nedeniyle klasik doğrusal regresyon modeli çerçevesinde modelleşti-
Araştır 1 rilmesi bazı tahmin problemlerine yol açmaktadır. Yapay bağımlı değişkenli
modeller tipik olarak üç başlık altında incelenir. Bunlar: Doğrusal olasılık mo-
deli, Logit modeli ve Probit modelleridir.

Konut iktisattaki homojen mal tanımına uymayan bir ürün veya varlıktır. Bu
nedenle konut fiyatları onun sağladığı lükse göre belirlenir. Bu nedenle konut
fiyatı ile ilgili modellere hedonik fiyat modeli olarak adlandırılır. Günümüz
konutlarını göz önünde bulundurduğumuzda çok farklı özelliklerinin bulun-
Araştır 2 duğunu görebiliriz. Örneğin müstakil villa tarzı lüks bir konutta hem oda
sayısı fazladır hem konutun kullanım alanı fazla olduğu gibi çoğunun hem
garajı, hem bahçesi, hem lüks bir banyosu vb. özellikleri vardır. Bunlar içinde
lüks özelliklerin etkileşimi ile belirli bir özellik demetinin fiyatlar üzerindeki
etkisi incelenmeye değer olabilir.

114
Ekonometrinin Temelleri

Araştır Yanıt
5 Anahtarı

İktisatta rejim denince belirli bir durum anlaşılır. En basit bir rejim örneği
haftanın günleridir. Bağımlı değişken haftanın farklı günlerinde hem sabit
terim bakımından hem de eğim katsayısı bakımından farklı tepkiler verebi-
lir. Başka bir rejim örneği döviz kuru sistemleri bakımından olabilir. Bağımlı
değişkenin sabit döviz kuru veya dalgalı döviz kuru rejimleri altında farklı
Araştır 3 tepkiler verebilir. Farklı rejim durumları çok farklı durumlar için genelleştiri-
lebilir. Parametrelerin farklı rejimler altında farklı değerler alması her zaman
mümkündür. Bu da farklı rejim dönemlerini temsil etmek üzere nitel veya
yapay değişkenlerin kullanımını gerektirir. Bunların dikkate alınması başka
yararları yanında en azından modellerin yeterliliğini artıracaktır. Model daha
fazla bilgi kullanacaktır.

Parametre simetrisi, bir bağımlı değişkenin modeldeki herhangi bir bağımsız

değişkenin pozitif ve negatif yöndeki değişmelerine karşı farklı tepki verme-
sidir. Örneğin maliyetler arttığı zaman ürün fiyatları yukarı çıkma yönünde
Araştır 4 esnek iken, maliyetlerin düşüşü karşısında düşme yönünde daha katıdır. Eşik
modeller, bağımlı değişkenin verdiği tepkinin, bağımsız veya başka bir değiş-
kenin belli bir eşik değerinin altında veya üstünde iken farklı olmasını dikkate
alan modellerdir.

Konutun nitel özelliklerinin etkileşimi ile belirli özelliklerin birlikte bulunma-

Araştır 5 sının konut satış fiyatı üzerindeki etkilerini ekonometrik bir model yardımıyla
incelemek mümkündür.

Kaynakça
Arı, A. ve Yüksel, Ö. (2017). Finans Politik & Güriş, S., Çağlayan, E. ve Güriş, B. (2013). Eviews ile
Ekonomik Yorumlar 2017 Cilt: 54 Sayı: 632, ss. temel ekonometri (2. Baskı). İstanbul: Der Yayınları
77-89
Hill, R. C., Griffiths, E. G. ve Lim, G. C. (2011).
Brooks, C. (2014). Introductory econometrics for Principles of econometrics (4th Edition). John Wiley
finance (3rd Edition). Cambridge: Cambridge & Sons, Inc.
University Press
Stock, J. H. ve Watson, M.W. (2011). Ekonometriye
Gujarati, D. N. ve Porter, D. C. (2014). Temel giriş, Bedriye Saraçoğlu (Çev.) Ankara: Efil
ekonometri (Basic econometrics Beşinci Basımdan Yayınevi
Çeviri). Çevirenler: Ümit Şenesen, Gülay Günlük
Tarı, R. (2018). Ekonometri (13. Baskı). Kocaeli:
Şenesen, İstanbul: Literatür Ders Kitapları
Umuttepe Yayınları
Gujarati, D. N. (2011). Econometrics by example. New
York: Palgrave Macmillan

115
 Bölüm 6
Klasik Doğrusal Regresyon Modelinin
Varsayımlarından Sapmalar I
Varsayım 2 Açıklayıcı Değişkenler
Arasında Tam Veya Güçlü Doğrusal Bir
öğrenme çıktıları

İlişki Yoktur
Varsayım 1 Hata Teriminin Ortalaması 2 Tam ve güçlü çoklu doğrusal bağlantı
Sıfırdır: E(ui) = 0 kavramlarını ve parametre tahmini üzerine
1 Hata terimi u’nun ortalamasının hangi etkileri ifade edebilme

1
durumda daima sıfır olduğunu ve hata 3 Regresyonda çoklu doğrusal bağlantının

2
teriminin ortalaması sıfır olmadığı zaman ne zaman çözülmesi gereken bir problem
tahmin sonuçları üzerindeki etkisinin ne olduğunu belirler ve düzeltici eylemleri
olduğunu ifade edebilme ifade edebilme

Anahtar Sözcükler: • KDRM Varsayımları • Çoklu Doğrusallık • Çoklu Doğrusal Bağlantı

• Çoklu Doğrusal Bağlantının Nedenleri • Çoklu Doğrusal Bağlantının Neden Olduğu Sonuçlar
• Varyans Şişirme Çarpanı (VIF) • Yardımcı Regresyonlar Yöntemi

116
Ekonometrinin Temelleri

GİRİŞ
Klasik doğrusal regresyon modeliyle (KDRM)
ilgili beş varsayım yapıldığını hatırlayın. Bunlar, te-
mel tahmin tekniğimiz, sıradan en küçük karelerin
(EKK) bazı istenen özelliklere sahip olduğunu ve
ayrıca katsayı tahminlerine ilişkin hipotez testleri-
nin geçerli bir şekilde yapılabileceğini göstermek
için gerekliydi.
Özellikle, şu varsayımlar yapıldı:
1. Hata teriminin ortalaması sıfırdır: E(ui) = 0
∀ i için
2. Açıklayıcı değişkenler arasında tam veya
güçlü çoklu doğrusal bağlantı yoktur.
3. Hata terimi sabit varyanslıdır: Var(ui) = σ2
< ∞ ∀ i için
4. Hata terimleri arasında bir ilişki yoktur: VARSAYIM 1 HATA TERİMİNİN
Kov (ui, uj) = 0 i ≠ j için ORTALAMASI SIFIRDIR: E(ui) = 0
5. Hata terimiyle açıklayıcı değişkenler arasın- Gerekli ilk varsayım, hataların ortalama değeri-
da bir ilişki yoktur: Kov (ut, xt) = 0 nin sıfır olmasıdır. Gerçekte, eğer regresyon denkle-
6. Hata terimi normal dağılmıştır: ut ∼ N (0, minde sabit terim varsa bu varsayım asla ihlal edilme-
σ2) yecektir. Bununla birlikte teori, belirli bir uygulama
için, regresyon doğrusunun orijinden geçmesi gerek-
Bu bölüm ve bunu izleye bölümde bu varsayım-
tiğini ve bu nedenle modelde sabit terim bulunma-
lar özellikle aşağıdaki belirtilen başlıklar bağlamın-
ması gerekliyse ne olacak? Eğer regresyon bir sabit
da daha ayrıntılı olarak incelenecektir:
terim içermiyorsa ve hataların ortalama değeri sıfır
• Varsayımların geçerli olup olmadığı nasıl değilse istenmeyen bazı sonuçlar ortaya çıkabilir. İlk
tespit edilebilir? olarak, R2 negatif bir değer alabilir, ikincisi ve daha
• Uygulamada ihlallerin en olası nedenleri önemlisi, sabit terim parametresi olmayan bir reg-
nelerdir? resyonun eğim parametresi tahminlerinde ciddi bir
• Bir varsayım ihlal edilirse ve bu gerçek göz sapmaya neden olabilir. Veriler modelde sabit terim
ardı edilirse, sonuçları nelerdir? olması gerektiğini söylemezse ve modelde sabit te-
rime yer verilmemişse regresyon doğrusu orijinden
Bu sorulardan sonuncusuyla ilgili olarak mode-
geçmeye zorlanarak eğim parametresinin sapmalı ol-
lin genel olarak aşağıdaki üç sorunun herhangi bir
masına yol açabilir. Ayrıca, böyle bir durumda R2 ve
birleşimiyle karşılaşabileceği söylenebilir:
R– 2 genellikle anlamsızdır.
• katsayı tahminleri ( β̂’lar) yanlış,
• ilgili standart hatalar yanlış,
• test istatistikleri için varsayılan dağılımlar
uygun değildir. dikkat
Eğer regresyon denkleminde sabit terim var-
Varsayımlardan birinin veya daha fazlasının
sa, hata teriminin ortalaması daima sıfırdır.
verilerle desteklenmediği durumda ilgili sorunları
Eğer regresyon bir sabit terim içermiyorsa ve
“çözmek” için pratik bir yaklaşım izlenecektir. Bu-
hataların ortalama değeri sıfır değilse istenme-
nun sonucu çözümler genellikle şöyledir:
yen bazı sonuçlar ortaya çıkabilir. İlk olarak,
• varsayımlar artık ihlâl edilmiyor veya R2 negatif bir değer alabilir, ikincisi ve daha
• sorunlar yan adım atıldığından, hâlâ geçerli önemlisi, sabit terim parametresi olmayan bir
olan alternatif teknikler kullanılıyor. regresyonun eğim parametresi tahminlerinde
ciddi bir sapmaya neden olabilir.

117
 Klasik Doğrusal Regresyon Modelinin Varsayımlarından Sapmalar I

Öğrenme Çıktısı
1 Hata terimi u’nun ortalamasının hangi durumda daima sıfır olduğunu ve hata teriminin
ortalaması sıfır olmadığı zaman tahmin sonuçları üzerindeki etkisinin ne olduğunu ifade
edebilme

Araştır 1 İlişkilendir Anlat/Paylaş

Hataların ortalaması hangi Tahmin hatalarının ortala-

koşul altında sıfıra eşit olur.
Hataların ortalamasının sı-
fır olması hiç hata olmadığı
anlamına mı gelir?
R-kare belirginlik katsayısı-
masının sıfır oluşunu gün-
nın hangi durumda negatif
lük hayatınızdaki tahmin-
olduğunu arkadaşınıza an-
lerle ilişkilendirin. Gerçekçi
latın. Onun fikrini sorun.
olup olmadığını düşünün.

VARSAYIM 2 AÇIKLAYICI Yi= β1+β2 X2i+β3 (10+5X2i)+ui

DEĞİŞKENLER ARASINDA TAM
VEYA GÜÇLÜ DOĞRUSAL BİR
İLİŞKİ YOKTUR
KDRM’nin ikinci varsayımı açıklayıcı değiş-
kenler arasından tam veya güçlü doğrusal ilişki bu-
lunmuyor olmasıdır. Açıklayıcı değişkenler arasın-
da tam veya güçlü çoklu doğrusal ilişki varsa çoklu
doğrusal bağlantı sorunu olduğu belirtilir. Böylece,
çoklu doğrusal bağlantı, regresyon modelinde iki
veya daha fazla bağımsız değişken arasında doğ-
rusal bir ilişki bulunması durumudur. Regresyon
modellerinde çoklu doğrusal bağlantı iki ayrı başlık
altında incelenir: (i) Tam çoklu doğrusal bağlantı
ve (ii) Güçlü çoklu doğrusal bağlantı.
Tam Çoklu Doğrusal Bağlantı
Tam çoklu doğrusal bağlantı iki veya daha fazla
açıklayıcı değişken arasında tam doğrusal bir ilişki
bulunması durumudur. Aşağıdaki modeli tahmin
etmek istediğimizi düşünelim:
Yi= β1+β2 X2i+β3 X3i+ui (6.1)
X2 ile X3 arasında, örneğin X3i = 10 + 5X2i gibi
tam doğrusal bir ilişki varsa, bu iki değişkenin tam
doğrusal bağlantı içinde olduğu söylenir. Açıklayıcı
değişkenler arasında tam doğrusal bağlantı bulu-
nan bir regresyon modeli tahmin edilemez. Mo-
delin neden tahmin edilemediğini görmek için bu
ilişkiyi denklemde yerine koyalım:
= β1+β2 X2i+10β3 +5β3 X2i+ui
= (β1+10β3) + (β2+5β3) X2i+ui (6.2)
Bu denklemi yeniden şöyle yazalım:
Yi= A1+ A2 X2i+ui (6.3)
burada, A1=(β1+10β3) ve A2=(β2+5β3)
Denklem (6.3) EKK yöntemi kullanılarak tah-
min edildiğinde A1 ve A2 sayısal olarak tahmin
edilebilir. Fakat bu iki bilinen değerden β1, β2 ve
β3 bilinmeyenleri elde edilemez. Bunun sonucu,
değişkenler arasında tam doğrusal bir ilişki varsa
parametre tahminleri belirsizdir. Benzer şekilde,
parametrelere ait varyans ve standart hataların da
tahmin edilemeyeceği gösterilebilir.
Tam çoklu doğrusal bağlantı iki veya daha
fazla açıklayıcı değişken arasında tam doğ-
rusal bir ilişki bulunması durumudur.
Sonuç olarak bir regresyon modelinde açıklayı-
cı değişkenler arasında tam doğrusal bağlantı var-
sa regresyon parametreleri ile varyans ve standart
hatalar tahmin edilemez. Bununla birlikte gerçek
hayatta açıklayıcı değişkenler arasında (yapay de-
ğişken tuzağı hariç) bu tür tam doğrusal ilişkilerle
karşılaşmak mümkün değildir. Ancak araştırmacı-
nın hatası sonucu böyle bir durumla karşılaşılabilir.

118
Ekonometrinin Temelleri

Bunun en tipik örneği bir önceki bölümde gördü-
ğümüz yapay değişkenli modellerdir. Örneğin bir
araştırmacı çeyreklik veriler kullanarak mevsimleri
yapay değişkenle temsil etmek için dört mevsim-
den birini dışta tutup kalan üçü için birer yapay
değişken oluşturup modele dahil etmek yerine dört
mevsimin tümü için yapay değişken kullanmışsa
yapay değişken tuzağına düşer ve tam çoklu doğru-
sal bağlantı sorunu ile karşılaşır.
Tam doğrusal ilişkili değişkenlerle güçlü doğ-
rusal ilişkili değişkenler arasındaki farkı aşağıdaki
çizelgeden görebiliriz. Çizelgede X2 ve X3 değişken-
leri arasında X3i = 3X2i ilişkisi vardır, X3’ün tüm
değerleri X2’nin üç katıdır. Bu nedenle X2 ve X3
değişkenleri arasında tam doğrusal bir ilişki vardır.
Buna karşılık X2 ile X3* arasında X3i* = 3X2i + vi
ilişkisi vardır, vi rastgele hata serisidir. X3*, X2’nin
üç katından ancak vi kadar farklılaşmaktadır. X2 ile
X3* arasında güçlü doğrusal bir ilişki vardır.

dikkat Tablo 6.1 Tam Doğrusal ve Güçlü Doğrusal İlişkili

Sonuç olarak bir regresyon modelinde Değişkenler
açıklayıcı değişkenler arasında tam doğ-
X2i X3i X3i* vi
rusal bağlantı varsa regresyon parametre-
leri ile varyans ve standart hatalar tahmin 3 9 11 2
edilemez. Ancak gerçek hayatta açıklayıcı 5 15 16 1
değişkenler arasında bu tür tam doğrusal 6 18 17 -1
ilişkilerle karşılaşmak mümkün değildir. 6 18 18 0
Ancak araştırmacının hatası sonucu böyle
9 27 29 2
bir durumla karşılaşılır.
11 33 32 -1

Güçlü Çoklu Doğrusal Bağlantı Yukarıdaki örneklerde basitlik için değişkenler

Güçlü çoklu doğrusal bağlantı, açıklayıcı de-
ğişkenler arasında tam olmamakla birlikte yüksek
derecede bir ilişki bulunması durumudur. Güç-
lü çoklu doğrusal bağlantı durumunda açıklayıcı
değişkenler arasında yüksek derecede doğrusal bir
ilişki bulunmakla birlikte ilişki tam veya mükem-
mel değildir. Tam çoklu doğrusal bağlantının aksi-
ne araştırmalarda güçlü çoklu doğrusal bağlantıyla
karşılaşmak çok olasıdır ve ciddi tahmin sorunla-
rına yol açabilir . Bu nedenle araştırmacılar çoklu
doğrusal bağlantı sorununa işaret ettiklerinde tam
çoklu doğrusal bağlantıdan çok güçlü çoklu doğ-
rusal bağlantıyı kastederler. Bu ders kitabında da
bundan böyle çoklu doğrusal bağlantı deyince güç-
lü çoklu doğrusal bağlantı kastedilecektir.
Güçlü çoklu doğrusal bağlantı, açıklayı-
cı değişkenler arasında tam olmamakla
birlikte yüksek derecede ilişki bulunması
durumudur.
arasındaki ikili ilişkiler dikkate alınmıştır. Doğrusal
ilişkiler sadece iki değişken arasında değil daha faz-
la değişkenler arasında da gerçekleşebilir. Örneğin,
X4i = 1 – (X1i + X2i + X3i) dört değişken arasındaki
tam çoklu doğrusal bağlantıya bir örnek iken, X3i =
a + bX1i + cX2i + vi güçlü çoklu doğrusal bağlantı-
nın bir örneğidir. Burada X’ler bağımsız değişken-
ler, a, b ve c sabit katsayılar ve vi rastgele bir hata
terimidir.
Çoklu Doğrusal Bağlantının
Nedenleri
i. Açıklayıcı bir değişkeninin başka açıklayı-
cı değişken veya değişkenlerin doğrusal bir
fonksiyonu olarak hesaplanması: Örneğin bir
konutun alan büyüklüğünün salon artı oda
sayısının ortalama oda genişliği ile çarpılıp
diğer bileşenleri temsilen sabit bir değerin
eklenmesiyle hesaplanması durumunda bu
iki değişkenin çoklu doğrusal bağlantıya yol
açması kesindir.

119
 Klasik Doğrusal Regresyon Modelinin Varsayımlarından Sapmalar I
ii. Kullanılan veri toplama yöntemi: Örneğin
açıklayıcı değişkenin sınırlı değerler dağı-
lımından örnekleme yapılması, yani ör-
neklemde aylık ortalama hane geliri sadece
T3000-T5000 olan ailelerin bulunması.
Daha düşük veya daha yüksek gelirli ailelere
yer verilmemesi durumunda çoklu doğrusal
bağlantıya yakalanma olasılığı artar.
iii. Örnekleme yapılan anakütledeki kısıtlar: Ör-
neğin, geliri yüksek olan kişilerin servetleri-
nin de yüksek olma eğilimi vardır. Anaküt-
lede ve buna bağlı olarak örneklemde düşük
gelirli ama yüksek servetli ya da yüksek
gelirli düşük servetli bireylerle ilgili yeterli
gözlem bulunmayabilir. Bu da doğal olarak
çoklu doğrusal bağlantıya neden olabilir.
iv. Model kuruluşu: Modele açıklayıcı değişken
olarak kareli ve küplü değerlerin eklenmesi
ya da Xt–1, Xt–2, gibi gecikmeli terimlerin
eklenmesi çoklu doğrusal bağlantıya neden
olabilir.
v. Ortak zaman trendi paylaşan değişkenler: Fi-
yat ve gelir gibi parasal değişkenler zaman
içinde sürekli büyüme eğilimindedir. Bu
tür zaman serisi değişkenleri çoklu doğrusal
bağlantıya neden olabilirler.
Çoklu Doğrusal Bağlantının Neden
Olduğu Sonuçlar
Çoklu doğrusal bağlantının neden olduğu so-
nuçları teorik ve uygulamadan kaynaklanan sorun-
lar olarak iki başlık altında incelemek daha doğru
bir yaklaşımdır.
Teorik Sonuçlar
Çoklu doğrusal bağlantı durumunda EKK tah-
mincileri tekrarlamalı örnekleme sürecinde hâlâ
doğrusal sapmasız en iyi tahminciler olma, yani
DEST özelliklerini sürdürürler. Tahminciler hâlâ
etkin ve sapmasızdırlar. Ancak bu bir tekrarlamalı
örnekleme özelliğidir ve tek bir örneklemdeki tah-
minciler için bir şey belirtmez.
120
dikkat
Çoklu doğrusal bağlantı durumunda
EKK tahmincileri tekrarlamalı ör-
nekleme sürecinde hala doğrusal sap-
masız en iyi tahminciler olma, yani
DEST özelliklerini sürdürürler. Tah-
minciler hala etkin ve sapmasızdırlar.
Uygulamadan Kaynaklanan Sonuçlar
i. Çoklu doğrusal bağlantıya neden olan değiş-
kenlere ait kısmi regresyon parametreleri için
standart hatalar büyük hesaplanır. Bunun
sonucu parametrelere ait güven aralıkları ge-
niş ve parametrenin anlamlılığını test eden t
istatistikleri ise parametrenin anlamsız oldu-
ğunu gösterecek şekilde küçük olacaktır.
ii. Regresyon parametrelerine ait tahminler
güçlü olmazlar, verideki küçük değişiklikle-
re karşı önemli ölçüde farklılaşabilirler.
iii. Tahmin edilen regresyon parametreleri işa-
ret ve büyüklükleri bakımından beklentiler-
le uyumlu değerler almayabilir.
iv. Modelde anlamsız t istatistiklerine karşı bü-
yük bir R2 değeri ile karşılaşılabilir.
Çoklu Doğrusal Bağlantıyı Belirleme
Yöntemleri
Çoklu doğrusal bağlantıyı belirlemede kesin
geçerli bir test mevcut değildir. Ancak, aşağıda be-
lirtilen bazı yaklaşımlarla çoklu doğrusal bağlantıyı
ortaya çıkarabiliriz.
i. Yüksek R2 fakat az sayıda anlamlı t istatistiği:
Bir ekonometrik modelin tahmin sonuçları
incelendiğinde yüksek bir R2’ye karşılık az
sayıda anlamlı t istatistiği varsa bu bir çoklu
doğrusal bağlantı belirtisidir.
ii. Değişkenler arasında yüksek korelasyon kat-
sayıları: Açıklayıcı değişkenler arasındaki
basit veya kısmi korelasyon katsayılarının
kontrol edilmesi çoklu doğrusal bağlan-
tı hakkında fikir verir. Mutlak olarak 1’e
yakın korelasyon katsayısına sahip değiş-
kenler arasında bir çoklu doğrusal bağlantı
bulunabilir. Korelasyon katsayısının büyük
olması modelde mutlaka çoklu doğrusal
Ekonometrinin Temelleri

bağlantıya neden olacağı anlamına gelmez.
Bu durum yüksek R2 ve anlamsız t istatis-
tikleriyle birleşirse çoklu doğrusal bağlantı
sorunu olduğu düşünülmelidir.
iii. Yardımcı regresyonlar: Her bir X değişkeni
ile diğer X değişkenleri arasındaki yardımcı
regresyon denklemleri düzenlenerek her bir
regresyonun genel anlamlılığına bakılır. Ge-
nel anlamlılığın test edilmesinde geleneksel
F testinden yararlanılır. F testi kısmi regres-
yon parametrelerinin tümünün sıfıra eşit
olduğunu söyleyen boş hipotez reddederse
değişkenler arasında çoklu doğrusal bağlan-
tı problemi olduğu bulgusu elde edilir.
iv. Varyans Şişirme Çarpanı (VIF veya VŞÇ):
Çoklu doğrusal bağlantının araştırılmasının
bir yolu da her bağımsız değişken için var-
yans şişirme çarpanının hesaplanmasıdır.
VIF, herhangi bir açıklayıcı değişken ile di-
ğer açıklayıcı değişkenler arasındaki doğru-
sal ilişkiyi ölçer. VIF herhangi bir açıklayıcı
değişken için aşağıdaki gibi hesaplanır:
1
VIFk =
1− Rk2
Bu yardımcı regresyonların EKK ile tahminin-
den belirginlik katsayıları, sırasıyla R22 , R32 ve R4
2
olarak elde edilir.
Adım3: Her bir açıklayıcı değişken için aşağı-
daki VIF formülü kullanılarak VIF’ler hesaplanır:
1
VIFk =
1− Rk2
k = 2, 3, 4 için
Çoklu doğrusal bağlantının varlığını belirlemek
için kesin bir VIF değeri yoktur. Ancak 10’u aşan
VIF değerleri genellikle çoklu doğrusal bağlantıyı
göstergesi olarak kabul edilir. Daha zayıf modellerde
2.5’un üzerindeki değerler endişe kaynağı olabilir.
dikkat
Çoklu doğrusal bağlantının varlığını
belirlemek için kesin bir VIF değeri
yoktur. Ancak, 10’u aşan VIF değerleri
genellikle çoklu doğrusal bağlantının
göstergesi olarak kabul edilir.

burada; Rk X açıklayıcı değişkeninin modelde-

2

ki diğer açıklayıcı değişkenler üzerine düzenlenen

yardımcı regresyondan elde edilen belirginlik kat-
sayısıdır. Çoğu ekonometri yazılım programları,
VIF’leri her açıklayıcı değişken için hesaplayan se-
çeneklere sahiptir. Ancak VIF’leri ayrı ayrı hesapla-
mak gerekirse şu adımlar izlenir:
Adım1: Model belirlenerek EKK ile tahmin
edilir. Örneğin modelimiz şu olsun:

Yi = β1 + β2X2i + β3X3i + β4X4i + ui (6.4) Çoklu Doğrusal Bağlantıya Karşı

Adım2: Açıklayıcı değişkenlerin her birini mo-
deldeki diğer açıklayıcı değişkenler üzerine doğ-
rusal regresyonları düzenlenerek R2 değerleri elde
edilir. Örneğin Denklem (5.4)’deki model için şu
yardımcı regresyonlar düzenlenir:
X2i = α21 + α23 X3i + α24 X4i + u1i
X3i = α31 + α32 X2i + α34 X4i + u2i
X4i = α41 + α42 X2i + α43 X3i + u1i
Çözüm Önlemleri
Güçlü çoklu doğrusal bağlantı sorunun çözü-
mü belirli bir örnekleme özgü sorunun çözümü-
nü içerir. Diğer bir ifadeyle, bir durumda güçlü
çoklu doğrusal bağlantıyı hafifleten bir uygulama
başka bir durumda mutlaka benzer bir çözüme
yol açmaz. Ayrıca, güçlü çoklu doğrusal bağlantıyı
çözmeye çalışırken başka ciddi sorunlara (KDRM
varsayımlarının ihlali) yol açılmamasına da dikkat
etmek gerekir.

121
 Klasik Doğrusal Regresyon Modelinin Varsayımlarından Sapmalar I
Çoklu doğrusal bağlantıyı çözme başarısı ör-
neklemin karmaşıklığına ve sorunun şiddetine
bağlıdır. Başarılı bir çözüm, daha şiddetli başka so-
runlara neden olabileceği akılda tutularak, potansi-
yel düzeltici eylemlerin denenmesini içerir. Çoklu
doğrusal bağlantı sorununu çözmeye girişmeden
önce şu iki durumun dikkate alınması önemlidir.
• Birincisi, araştırmanın asıl amacı öngö-
rü veya kestirim değerleri oluşturmak ise
çoklu doğrusal bağlantıyı gidermek gerekli
olmayabilir. Çünkü çoklu doğrusal bağlan-
tı altında da iyi kestirimler elde edilmesi
mümkündür. Çoklu doğrusal bağlantının
gelecekte de devam edeceği kabul edilebi-
lirse geleceğe yönelik öngörüler elde etmek
için çoklu doğrusal bağlantıyı gidermeye
gerek yoktur.
• Buna karşılık amaç güvenilir parametre
tahminleri elde etmekse çoklu doğrusal
bağlantı problemiyle ilgilenmek gerekli
olabilir. Eğer parametrelere ait t istatistik-
leri 2’den büyük, R2 değeri diğer X’ler ara-
sındaki herhangi bir yardımcı regresyonun
R2 değerinden büyükse ve regresyon para-
metrelerinin işaret ve büyüklükleri uygun
bir şekilde yorumlanabiliyorsa model de-
ğiştirilmemelidir.
dikkat
Çoklu doğrusal bağlantının gelecekte de
devam edeceği kabul edilebilirse geleceğe
yönelik öngörüler elde etmek için çoklu
doğrusal bağlantıyı gidermeye gerek yoktur.
Amaç güvenilir parametre tahminleri elde
etmek ise çoklu doğrusal bağlantı sorunuyla
ilgilenmek gerekli olabilir.
Çoklu bağlantı sorununu çözmenin gerekli ol-
duğuna karar verilmişse aşağıdaki çözüm yollarına
başvurabiliriz:
i. Ek ya da yeni veri: Bu yaklaşım, mümkünse
farklı bir örneklem oluşturulmasını ya da ek
gözlemlerle örneklemin genişletilmesini içe-
rir. Büyük örneklemde çoklu doğrusal bağ-
lantı problemi olsa bile, ek bilgi varyansın
azaltılmasına yardımcı olur. Yatay kesit veri
122
kullanıyorsak ilgilendiğimiz anakütleye tek-
rar başvurarak veya belirli bir süre sonra geri
dönerek (ve böylece havuzlanmış bir kesit
oluşturarak) daha fazla veri elde edebiliriz.
Zaman serisi verileriyle çalışıyorsak verilerin
sıklığını artırarak gözlem sayısı artırabiliriz.
Örneğin, yıllık verileri kullanmak yerine üç
aylık, aylık, günlük ve hatta saatlik verileri
düşünülebilir. Tabii ki verinin sıklığını artır-
ma bu tür verinin bulunabilirliğine bağlıdır.
ii. Modelden değişken dışlama: Çoklu doğrusal
bağlantıya neden olan bir değişkenin mo-
delden çıkarılmasını içerir. Örneğin: bir tü-
ketim fonksiyonun gelir ve servet değişkeni
aralarındaki yüksek korelasyon nedeniyle
çoklu doğrusal bağlantı sorununa neden
oluyorsa servet değişkeninin modelden çı-
karılması. Ancak bu yaklaşım eğer o değiş-
kenin katsayısının sıfır olması gerektiğini
düşünürsek makul olur. Aksi takdirde, teori
ikisinin de dahil edilmesi gerektiğini belirt-
tiğinden model kurma hatası ortaya çıkar.
Bu da modelde kalan değişkenlere ait kat-
sayıların sapmalı olarak tahminine neden
olur. Bu nedenle dikkatli davranılması ge-
reken bir önlemdir.
iii. Modelin yeniden kurulması: Alternatif bir
model kuruluşu veya fonksiyon biçimleri-
nin uygulanışını içerir. Bazı durumlarda,
kuramsal modeli veya çok değişkenli bir
sorunu ele almak için bağımsız değişken-
lerin bağımlı değişkeni etkileme biçimini
yeniden düşünebiliriz. Ekonometrik mo-
delin yeniden tanımlanması, güçlü şekilde
ilişkili bağımsız değişkenleri dönüştürerek
çoklu doğrusal bağlantı sorununu çözmeyi
hedefler. Bunu yapmanın en yaygın yolları,
logaritmik dönüşümler, ters fonksiyonlar,
birinci farklar ve doğrusal ilişkili bağımsız
değişkenlerin birleştirilmesidir.
Bazı durumlarda, model yeniden tanım-
landıktan sonra bile güçlü çoklu doğrusal
bağlantı devam edebilir. Bununla birlikte,
daha ciddi bir endişe, model kurma sapma-
sı yapma olasılığını artırarak çoklu doğru-
sal bağlantı sorununu çözmeye çalışmaktır.
Diğer bir deyişle, çoklu doğrusal bağlantıyı
kaldırmaya çalışırken model kurma hatası-
na düşme durumuna gelmektir.
Ekonometrinin Temelleri
iv. Önsel bilgi kullanımı: Korelasyonun daha
az ciddi olduğu önceki tahminlerden elde
edilen bir bilgiyi modele katarak modelin
sadeleştirilmesi yoluyla çoklu doğrusal bağ-
lantı giderilmeye çalışılabilir. Örneğin aşa-
ğıdaki regresyon modelini tahmin etmek
istediğimizi kabul edelim:
Yi = β1 + β2X2i + β3 X3i + β4 X4i + ui (6.5)
Başka bir araştırmadan X3’ün Y üzerindeki
etkisinin X2’nin etkisinin %10’u kadar ol-
duğu, yani β3 = 0.10 β2 olduğu bilgisi elde
etmiş olalım. Bu bilgiyi modele dahil etmek
için β3 yerine 0.10 β2 bilgisini koyup mode-
li sadeleştiririz:
Yi = β1 + β2X2i + β3 X3i + β4 X4i + ui
= β1 + β2X2i + 0.10β2 X3i + β4 X4i + ui
= β1 + β2 (X2i + 0.10X3i)+ β4 X4i + ui
= β1 + β2 X2i* + β4 X4i + ui, burada
X2i* = X2i – 0.10X3i) (6.6)
Böylece, Denklem (6.5)’deki dört paramet-
reli model yerine üç parametreli Denklem
(6.6) tahmin edilir. Bu denklemin EKK ile
tahmininden β1, β2 ve β4 tahmin edildikten
sonra β3 = 0.10 β2 ilişkisinden yararlanarak
β3 elde edilir.
v. Değişkenlerin birinci farklarını alma: Birinci
fark alma zaman bileşeni olan verilerde kul-
lanılabilecek bir tekniktir. Başka bir deyişle,
kullanımı zaman serisi veya panel veri kul-
lanan modellerle sınırlıdır. Örneğin, her bir
yatay kesit birimini (bir ülke, bir bölge veya
hanehalkı vb.) birden fazla zaman dilimin-
de (t) gözlemlediğimizi varsayalım. Temel
ekonometrik modelimiz şu şekildedir:
Yit = β1 + β2X2it + β3X3it + … + βk Xkit + uit
burada i ve t indisleri, sırasıyla kesit ve za-
manı temsil eder. Değişkenlerimizin bir dö-
nem önceki değerlerini, cari dönem değer-
lerinden çıkarırsak şu eşitliği elde ederiz:
Yit–Yit-1=α1 + β2(X2it – X2it-1)+β3(X3it – X3it-1)
+ … + βk (Xkit – Xkit-1)+ (uit – uit-1)
veya
∆Yi=α1 + β2 ∆X2i+β3 ∆X3i +…+ + βk ∆Xki + ui
burada Δ, t döneminin t – 1 döneminden
farkını temsil eder. Bu denkleme birinci
fark denklemi denir ve SEKK kullanarak β
tahminlerini elde ettiğimizde bunlara birin-
ci fark tahmincileri adı verilir. Birinci farkı
kullanmayı planladığımızda, değişkenleri-
mizin zaman içinde değiştiğinden emin ol-
malıyız. Aksi hâlde ΔXik = 0 olur ve model
SEKK kullanılarak tahmin edilemez.
vi. Bileşik endeks değişkeni kullanımı: Benzer
özellikleri ölçen doğrusal ilişkili değişkenle-
ri birleştirerek bileşik bir endeks değişkeni
oluşturabiliriz. Doğrusal ilişkili ve benzer
X1 ve X2 değişkenlerimiz olduğunu kabul
edelim. X3i = aX1i + bX2i gibi ilgili değiş-
kenlerin doğrusal kombinasyonuyla bir en-
deks değişkeni (X3) oluşturabiliriz, burada
a ve b sabit katsayılardır. Endeks değişkeni,
X1 ve X2’nin ağırlıklı ortalaması ise, a + b =
1 olmalıdır.
vii. Diğer yöntemler: Çoklu doğrusal bağlantıya
karşı uygulanabilecek iki yöntemden daha
bahsedilebilir. Bunlar “Temel Bileşenler
Yöntemi” ve Sırt (Ridge) regresyon yön-
temleridir. Bu yöntemler bu ders kitabının
kapsamı dışında bırakılmıştır.
123
 Klasik Doğrusal Regresyon Modelinin Varsayımlarından Sapmalar I

Öğrenme Çıktısı

2 Tam ve güçlü çoklu doğrusal bağlantı kavramlarını ve parametre tahmini üzerine etkileri
ifade edebilme
3 Regresyonda çoklu doğrusal bağlantının ne zaman çözülmesi gereken bir problem
olduğunu belirler ve düzeltici eylemleri ifade edebilme

Araştır 2 İlişkilendir Anlat/Paylaş

Ekonometrinin diğer bilim Temel bileşenler yöntemi-

Temel bileşenler, Sırt (Rid-
dalları ile olan ilişkilerini nin kullanıldığı alanları
ge) Regresyon yöntemlerini
ortaya koyarak matematik arkadaş(lar)ınıza anlatınız,
araştırın.
ve istatistik ile ilişkilendirin. onların görüşlerini dinleyin.

Araştırmalarla
İlişkilendir
bir deyişle ekonometri de sürücülük gibidir, yapa-
rak daha çok öğrenilir. Bu uygulamada hayali veriler
oluşturarak aşağıdaki biçimde bir konut fiyat denk-
lemini tahmin edilmesiyle ilgileniyoruz:

Fiyati = β1 + β2Odai + β3Alani + β4Yaşi + ui

burada, “Fiyat” konutun satış fiyatı, “Oda” salon

DENEYSEL BİR UYGULAMA
Şimdi çoklu doğrusal bağlantı sorununun tah-
min sonuçları üzerindeki etkisini görmek ve olum-
suz sonuçlarının giderilmesinde gözlem büyüklüğü
ve veri çeşitliliğini artırmanın etkisini görmek için
deneysel bir uygulama yapalım. Bu deneyi hemen
her kişisel bilgisayarda yer alan elektronik tablolama
programı Microsoft Excel üzerinde yürütüyoruz. Siz
de benzer bir uygulama yaparak deneyiminizi gelişti-
rebilirsiniz. Ekonometride uygulamanın çok önemli
olduğu hatırdan çıkarılmamalıdır. İyi bir uygulamalı
iktisatçı olmak için iyi bir ekonometri bilgisi gerek-
lidir. Ekonometride iyi olmak için ise bol uygulama
yapmak gerekir. İyi ekonometri bilmek iyi sürücü
olmaya benzer. Sadece okuyarak veya ders dinleye-
rek nasıl iyi bir sürücü olunmaz, mutlaka araç üze-
rinde uygulama yapmak gerekirse ekonometride de
iyi olmak için bol uygulama yapmak gerekir. Diğer
dahil oda sayısı, “Alan” konutun alanı (m2) ve “Yaş”
konutun yaşıdır. Modeli tahmin etmek için türeti-
len verilen Tablo 6.1’de verilmiştir. Tablo 6.2’deki
fiyat değişkeni aşağıdaki gibi oluşturulmuştur:
Fiyati = 40 – 25Oda + 2.5Alani – 2Yaşi + ui
burada, u sıfır ortalama ve 10 standart sapma ile
normal dağılımdan rastgele alınmış hata terimidir.
Tablonun 4. ve 5. sütunlarında iki ayrı alan değişke-
ni oluşturulmuştur. İlk alan değişkeni (Alan1) oda
sayısı değişkeni ile tam doğrusal ilişki içindedir. Bu
değişken yaklaşık olarak ortalama oda büyüklüğü
(25 m2) çarpı oda sayısı artı oda dışı alan (40 m2)
olarak hesaplanmıştır. Yani,
Alan1 = 25 x oda sayısı + 40
İkinci alan değişkeni (Alan2) ise ilk alan değiş-
kenine tesadüfi hata teriminin eklenmesiyle elde
edilmiştir:

124
Ekonometrinin Temelleri

Alan2 = 25 x oda sayısı + 40 + vi

Tesadüfi hata terimi 0 ortalama ve 1,5 standart sapma ile normal dağılımdan üretilen tesadüfi sayıların
tam sayıya yuvarlatılması biçiminde oluşturulmuştur.
Model bir defa Alan1 değişkeni, bir defa da Alan2 değişkeni kullanılarak tahmin edilmeye girişildi.
Model tahmininde Microsoft Excel programı Veri Çözümleme eklentisi kullanıldı. Siz de bu verileri kul-
lanarak aynı sonuçları teyit edebilirsiniz.

Tablo: 6.2 Konut fiyat denklemi için deneysel veriler

Sıra no Fiyat Oda sayısı Alan1 (m2) Alan2 (m2) Yaş (yıl)
1 231 4 136 140 0
2 281 4 141 140 0
3 263 4 137 140 5
4 198 3 114 115 2
5 200 3 116 115 0
6 275 4 141 140 0
7 165 2 87 90 6
8 157 3 113 115 14
9 264 4 141 140 0
10 258 4 140 140 0
11 274 5 163 165 0
12 224 4 143 140 5
13 245 4 141 140 0
14 307 5 161 165 12
15 298 6 191 190 18
16 430 9 266 265 0
17 274 5 162 165 6
18 249 4 140 140 8
19 240 4 138 140 0
20 249 4 141 140 0
21 202 3 117 115 14
22 231 4 140 140 3
23 210 3 118 115 0
24 261 4 143 140 0
25 250 4 138 140 0
26 202 3 114 115 1
27 206 2 89 90 0
28 237 4 139 140 12
29 220 4 142 140 0
30 247 4 142 140 0

Açıklama: Microsoft Excel programında “Veri Çözümleme” eklentisini kullanabilmek için öncelikle bu eklen-
tinin yüklenmesi gerekmektedir. Bunun için şu yol izlenmelidir: Dosya Menüsü → Seçenekler → Eklentiler → Excel
Eklentileri → Git → Çözümleme Araç Takımı. Bu eklenti kurulduktan sonra “Veri” sekmesinde sağ üst tarafta yer alan
“Veri çözümleme” düğmesi kullanılarak devam edilebilir.

125
 Klasik Doğrusal Regresyon Modelinin Varsayımlarından Sapmalar I

Program Çıktısı 6.1 Tam çoklu doğrusal bağlantı durumunda konut fiyat denklemi tahmin sonuçları
ÖZET ÇIKIŞI
Regresyon İstatistikleri
Çoklu R 0,975456
R Kare 0,951514
Ayarlı R Kare 0,910885
Standart Hata 10,80093
Gözlem 30

ANOVA
  df SS MS F Anlamlılık F
Regresyon 3 61813,38 20604,46 264,9292 1,3329E-19
Fark 27 3149,825 116,6602
Toplam 30 64963,2      

  Katsayılar Standart Hata t Stat P-değeri Düşük %95 Yüksek %95

Kesişim 87,19615 9,170593 9,508235 4,14E-10 68,3796509 106,012656
Oda 0 0 65535 #SAYI! 0 0
Alan 1,456205 0,063802 22,82393 #SAYI! 1,32529492 1,5871154
Yaş -1,60327 0,375622 -4,26829 0,000217 -2,3739805 -0,8325532

Açıklama: Microsoft Excel programında “veri çözümleme” eklentisini kullanabilmek için öncelikle bu eklentinin
yüklenmesi gerekmektedir. Bunun için şu yol izlenmelidir: Dosya Menüsü → Seçenekler → Eklentiler → Excel Eklen-
tileri → Git → Çözümleme Araç Takımı. Bu eklenti kurulduktan sonra “veri” sekmesinde sağ üst tarafta yer alan “veri
çözümleme düğmesi” kullanılarak devam edilebilir.

Alan1 değişkeni kullanılarak elde edilen tahmin sonuçları Program Çıktısı 6.1’de yer almaktadır. Prog-
ram çıktısında renkli olarak gösterilen satır, alan değişkeniyle tam doğrusal ilişki içindeki oda değişkenine
ait satırdır. Oda ve alan değişkenleri aynı modelde tahmin edilemeyeceği için bu değişkene ait bilgiler yer
almamıştır. Oda değişkeni modelden çıkarılarak tahmin yapılmış ve sonuçları verilmiştir.
Buna karşılık, alan ve oda değişkenlerinin tam doğ-
rusal bağlantı içinde değil ama güçlü doğrusal bağlantı
içinde olduğu tahmin sonuçları Program Çıktısı: 6.2’de
verilmiştir. Model bu haliyle tahmin edilebilir olması-
na rağmen tahmin sonuçları çoklu doğrusal bağlantıdan
olumsuz olarak etkilenmiştir. Yüksek bir R2 değerine kar-
şılık parametrelere ait t istatistikleri “yaş” değişkeni dışın-
daki parametrelerin anlamlı olmadığını göstermektedir.
Ayrıca elde edilen parametre büyüklükleri de fiyat hesap-
lanırken kullanılan değerlerinden önemli ölçüde farklıdır.
Tablo 6.3 açıklayıcı değişkenler arasında korelasyon katsa-
yılarını göstermektedir. Tabloda alan ve oda değişkenleri arasında %99.9 gibi yüksek bir ilişki katsayısı elde
edilmiştir. Bu yüksek korelasyon katsayısı tahmin sonuçları üzerinde çoklu doğrusal bağlantı bulgusunu
kesinleştirmektedir.

126
Ekonometrinin Temelleri

Çoklu doğrusal bağlantının tahmin sonuçları üzerindeki etkisini görmek için modelin bir defa oda
değişkeni olmadan bir defa da alan değişkeni olmadan tahminlerini görmek istiyoruz. Bu sonuçları önceki
sonuçlarla birlikte Tablo 6.4’de görülmektedir. Tablonun ilk satırından da anlaşılacağı gibi Model 1 tam
çoklu doğrusal bağlantın nedeniyle uygun bir şekilde tahmin edilemeyen tahmin sonuçlarını vermektedir.
Model 2 tahminleri “oda” ve “alan2” arasında güçlü doğrusal bir ilişki bulunan tahmin sonuçlarını, Model
3 ve Model 4 ise sırasıyla “alan2” ve “oda” değişkenleri dışlanarak elde edilen tahmin sonuçlarını özetle-
mektedir. Parametre değerlerinin altın parantez içindeki değerler parametreye ait t istatistikleridir. Mutlak
olarak 2’den büyük t istatistikleri ait olduğu parametrenin anlamlı olduğunu gösterir.
Program Çıktısı 6.2 Güçlü çoklu doğrusal bağlantı durumunda konut fiyat denklemi tahmin sonuçları

ÖZET ÇIKIŞI
Regresyon İstatistikleri
Çoklu R 0,97557
R Kare 0,951737
Ayarlı R Kare 0,946168
Standart Hata 10,98129
Gözlem 30

ANOVA
  df SS MS F Anlamlılık F
Regresyon 3 61827,89312 20609,298 170,9057 3,15E-17
Fark 26 3135,306881 120,58873
Toplam 29 64963,2      

  Katsayılar Standart Hata t Stat P-değeri Düşük %95 Yüksek %95

Kesişim 121,8118 68,45336566 1,7794862 0,086854 -18,8961 262,519729
Oda 21,78297 42,17270633 0,5165181 0,609858 -64,9043 108,470208
Alan2 0,587797 1,694050268 0,3469776 0,731401 -2,89437 4,06996765
Yaş -1,64042 0,396621973 -4,135979 0,000328 -2,45569 -0,825152

Tablo 6.3 Açıklayıcı değişkenler arasındaki basit korelasyon katsayıları

Değişken  Oda Alan2 Yaş
Oda 1
Alan2 0,999206 1
Yaş 0,056314 0,067009 1

127
 Klasik Doğrusal Regresyon Modelinin Varsayımlarından Sapmalar I

Tablo 6.4 Toplu tahmin sonuçları

Model 5
Model 1 Model 2
Model 3 Model 4 (gözlem ve
Değişken (Tam Çoklu (Güçlü Çoklu
(alan dışlanmış) (oda dışlanmış) değişkenlik
Doğ. Bağ.) Doğ. Bağ.)
artmış)
87,20 121.81 145.44 86.78 32.66
Sabit
(9.17) (1.78) (21.59) (9.42) (5.69)
0 46.78 36.41 -29.33
Oda -
0 (1.11) (22.82) (-9.15)
1.456
Alan1 - - -
(22.82)
-0.412 1.462 2.684
Alan2 - -
(-0.24) (22.76) (20.68)
-1.603 -1.640 -1.603 -1.695 -2.025
Yaş
(-4.17) (-4.14) (-4.27) (-4.50) (-20.0)
R2 0.951 0.952 0.951 0.951 0.979
Ayarlı-R2 0.910 0.946 0.948 0.947 0.978
N 30 30 30 30 200

Model 3 ve Model 4 tahmin sonuçları oda ve alan değişkenlerine ait t istatistikleri değişkenlerin birlikte
yer almadığı tahminlerde bu iki değişkenin anlamlı değişkenliğe sahip olduğunu göstermektedir. Ancak
Model 3’te oda değişkenine ait katsayının pozitif olduğuna dikkat edilmelidir. Ayrıca Model 3 ve Model
4’ün R2’leri Model 2’nin R2’siyle hemen hemen aynıdır. Her iki değişkenin de fiyat üzerinde önemli etkisi
görülmektedir.
Çoklu doğrusal bağlantının neden olduğu olumsuzluklardan korunmada için en iyi çözüm yollarından
biri ek ya da yeni veri elde etmektir. Bu yol böyle veriler mevcut ise veya maliyeti katlanılmayacak kadar
çok değilse en iyi çözüm yoludur. Tablo 6.3’te Model 5 200 gözlemle elde edilen tahmin sonuçlarını ver-
mektedir. Gözlemler 200’e çıkarılırken örnekleme giren konut çeşitliliği de artmıştır. Çok odalı konutlar
yanında tek odalı konutlar ve sıfır konutlar yanında çok eski konutlar da örneklemde yer bulmuştur. Bu
çeşitliliğin ve gözlem sayısı fazlalığı çoklu doğrusallığı sorun olmaktan çıkarmış ve iyi bir fiyat denklemi
hâline getirmiştir.

128
Ekonometrinin Temelleri

Hata terimi u’nun ortalamasının hangi durumda

1 daima sıfır olduğunu ve hata teriminin ortalaması sıfır

öğrenme çıktıları ve bölüm özeti

olmadığı zaman tahmin sonuçları üzerindeki etkisinin
ne olduğunu ifade edebilme

Varsayım 1 Hata Teriminin

Ortalaması Sıfırdır: E(ui) = 0

1 Modelde sabit terim bulunması durumunda hata teriminin ortalaması ya da beklenen değeri her zaman sıfırdır.
Eğer modelde sabit terim yer almıyorsa ve hataların ortalaması sıfır değilse istenmeyen bazı sonuçlar ortaya çıkabilir.
İlk olarak, R2 negatif bir değer alabilir, ikincisi ve daha önemlisi, sabit terim parametresi olmayan bir regresyonun
eğim parametresi tahminlerinde ciddi bir sapmaya neden olabilir. Veriler modelde sabit terim olması gerektiğini
söylemekteyse ve modelde sabit terime yer verilmemişse regresyon doğrusu orijinden geçmeye zorlanarak eğim
–
parametresinin sapmalı olmasına yol açabilir. Ayrıca böyle bir durumda R2 ve R2 de genellikle anlamsızdır.

Tam ve güçlü çoklu doğrusal bağlantı

2 kavramlarını ve parametre tahmini üzerine
etkileri ifade edebilme

3 Regresyonda çoklu doğrusal bağlantının ne

zaman çözülmesi gereken bir problem olduğunu
belirler ve düzeltici eylemleri ifade edebilme

Varsayım 2 Açıklayıcı
Değişkenler Arasında Tam Veya
Güçlü Doğrusal Bir İlişki Yoktur

2 İki veya daha fazla sayıda açıklayıcı değişken arasında tam doğrusal bir ilişki olması durumu tam çoklu
doğrusal bağlantı olarak adlandırılır. Açıklayıcı değişkenler arasındaki ilişki tam olmamakla birlikte tama
yakınsa değişkenler arasında güçlü çoklu doğrusal bağlantı olduğu söylenir. Tam çoklu doğrusal bağlantı
durumunda parametre tahminleri belirsiz, varyans ve standart hataları ise sonsuz büyüklükte olur. Bunun
sonucu parametreler ile varyans ve standart hataları tahmin edilemez.
Güçlü çoklu doğrusal bağlantı durumunda, parametreler ile onların varyans ve standart hataları tahmin
edilebilmesine karşın varyansları ve standart hataları büyük olma eğiliminde, parametre tahminleri veri-
deki küçük değişmeler karşısında önemli ölçüde değişebilir, parametrelerin işaret büyüklükleri beklenti-
lere uymayabilir ve anlamsız t istatistiklerine karşın yüksek R-kare değerine sahip olma çelişkisi içerebilir.

3 Regresyonda açıklayıcı değişkenler arasında yüksek doğrusal ilişki bulunması mutlaka çoklu doğrusal
bağlantı sorununa neden olmaz. Diğer bir ifade ile değişkenler arasında yüksek dereceden doğrusal ilişki-
ler olsa bile parametre tahminleri ile varyans ve standart hataları bundan olumsuz bir şekilde etkilenme-
yebilir. Çoklu doğrusallık daha çok parametreler ile onların standart hataları olumsuz etkilendiğinde ve
verideki küçük değişmeler karşısında tahmin sonuçları büyük ölçüde değiştikleri zaman bir sorun olarak
görülür. Ayrıca zaman serisi verileriyle tahmin edilen bir modelde amaç bağımlı değişkenin gelecekte
alacağı değerlerin öngörülmesi ve çok doğrusal bağlantının gelecekte de devam edeceği düşünülüyorsa
modelde çoklu doğrusallık sorunu bulunsa bile öngörü yapmaya engel değildir. Modelde çoklu doğrusal
bağlantı sorunu olsa bile iyi öngörüler elde etmek mümkündür.
Çoklu doğrusal bağlantı sorunuyla baş etmenin standart bir yolu yoktur. Bunun yerine soruna ve veriye
özgü çözümler geliştirilebilir. Bir veride başarılı olarak kullanılabilen bir çözüm yolunun başka bir veride
de iyi sonuç vereceğinin bir garantisi yoktur. Çoklu doğrusal bağlantı durumunda uygulanacak çözüm
yolları şunlardır: (i) ek ya da yeni veri kullanmak, (ii) modelden değişken dışlamak, (iii) modeli yeniden
kurmak, (iv) önsel bilgi kullanmak, (v) değişkenlerin birinci farklarını alma (vi) bileşik endeks değişkeni
kullanmak ve (vii) temel bileşen yöntemi veya sırt regresyon yöntemlerinden birine başvurmak.

129
 Klasik Doğrusal Regresyon Modelinin Varsayımlarından Sapmalar I
1 I. Katsayı tahminleri (β̂’lar) yanlış
II. İlgili standart hatalar yanlış
III. Test istatistikleri için varsayılan dağılımlar
neler öğrendik?
uygun değildir
IV. Bağımlı ve bağımsız değişkenler arasında-
ki ilişkiler hakkındaki testler geçersiz
Klasik doğrusal regresyon modelinin bir veya daha
fazla varsayımının ihlal edilmesinin sonucu yukarı-
dakilerden hangisi veya hangileri meydana gelebilir?
A. I ve III
B. II ve IV
C. I,II ve III
D. I, II ve IV
E. I, II, III ve IV
2 Aşağıdakilerden hangisi hata terimleri arasın-
da ilişki olmadığını gösterir?
A. E(ui) = 0 ∀ i için
B. E(ui uj) = σ2 ∀ i ≠ j için
C. E(ui uj) = 0 ∀ i ≠ j için
D. E(Xi ui) = 0 ∀ i için
E. E(u2i ) = σ2 ∀ i için
3 Aşağıdakilerden hangisi güçlü çoklu doğrusal
bağlantının bir belirtisi değildir?
A. Yüksek bir R2 değerine karşı az sayıda anlamlı
parametre t istatistikleri bulunması
B. Belirli bir değişken çıkarıldığında regresyon so-
nuçlarının önemli ölçüde değişmesi
C. Parametrelerin güven aralıklarının dar olması
D. Bireysel parametrelerin anlamsız olması
E. Hatalı parametre işaret ve büyüklükleri bulun-
ması
130
4 Bir çoklu doğrusal regresyon modelinde ba-
ğımsız bir değişken, diğer bağımsız değişkenlerin
tam doğrusal bir birleşimi ise, model _____ prob-
lemi içerir.
Yukarıdaki cümlede boş bırakılan yeri aşağıdakiler-
den hangisi doğru olarak tamamlar?
A. tam çoklu doğrusal bağlantı
B. güçlü çoklu doğrusal bağlantı
C. değişen varyans
D. model kurma hatası
E. eşanlı denklem sapması
5 Bir çoklu doğrusal regresyon modelinde ba-
ğımsız bir değişken, diğer bağımsız değişkenlerin
tam doğrusal bir birleşiminden biraz farklıysa, mo-
del _____ problemi içerir.
Yukarıdaki cümlede boş bırakılan yeri aşağıdakiler-
den hangisi doğru olarak tamamlar?
A. tam çoklu doğrusal bağlantı
B. güçlü çoklu doğrusal bağlantı
C. değişen varyans
D. model kurma hatası
E. eşanlı denklem sapması
6 Aşağıdakilerden hangileri açıklayıcı değiş-
kenler arasındaki çoklu doğrusallık problemine
potansiyel iyileştirme getirmez?
A. Açıklayıcı değişkenlerden birinin çıkarılması
B. Değişkenlerin yüzde değişimlerini alma
C. Verileri logaritmalarına dönüştürme
D. Tüm değişkenlere ait daha yüksek frekansta
veri toplama
E. Modelde dış bir bilgi kullanımı
Ekonometrinin Temelleri
7 Güçlü çoklu doğrusal bağlantı aşağıdaki du-
rumlardan hangisinde görülür?
A. İki veya daha fazla açıklayıcı değişkenin birbir-
leriyle mükemmel bir şekilde ilişkili olmaları
durumunda
B. Açıklayıcı değişkenlerin hata terimiyle yüksek
derecede ilişkili olmaları durumunda
C. Açıklayıcı değişkenlerin bağımlı değişkenle
yüksek derecede ilişkili olmaları durumunda
D. İki veya daha fazla açıklayıcı değişkenin birbir-
leriyle yüksek derecede ilişkili olmaları duru-
munda
E. Açıklayıcı değişkenler bağımlı değişkenle mü-
kemmel bir şekilde ilişkili olmaları durumunda
8 Tam çoklu doğrusal bağlantı aşağıdaki du-
rumlardan hangisinde görülür?
A. İki veya daha fazla açıklayıcı değişkenin birbir-
leriyle mükemmel bir şekilde ilişkili olduğu bir
durumda
B. Açıklayıcı değişkenlerin hata terimiyle yüksek
derecede ilişkili olduğu bir durumda
C. Açıklayıcı değişkenlerin bağımlı değişkenle
yüksek derecede ilişkili olduğu bir durumda
D. İki veya daha fazla açıklayıcı değişkenin birbir-
leriyle yüksek derecede ilişkili olduğu bir du-
rumda
E. Açıklayıcı değişkenler bağımlı değişkenle mü-
kemmel bir şekilde ilişkili olduğu bir durumda
I. Regresyon katsayılarına doyurucu ve güveni-
lir anlamlar verilemez.
II. Katsayıların varyansları ve dolayısıyla stan-
dart hataları büyük çıkmaktadır.
neler öğrendik?
III. R2 değeri olduğundan büyük çıkmaktadır.
IV. Regresyon katsayıları yanlış işaretli çıkabil-
mektedir.
9
Yukarıda ifade edilen durumların neden ol-
duğu sorun aşağıdakilerden hangisidir?
A. Açıklayıcı değişkenler arasında tam doğrusal
bağlantı bulunması
B. Açıklayıcı değişkenler arasında güçlü doğrusal
bağlantı olması
C. Hata teriminin varyansının değişmesi
D. Hata terimlerinin birbirleriyle ilişkili olması
E. Açıklayıcı değişkenin hata terimiyle ilişkili ol-
ması
10 Güçlü çoklu doğrusal bağlantı varlığı du-
rumunda EKK parametre tahmincilerinin teorik
özellikleri aşağıdakilerden hangisine uyar?
A. Doğrusal en iyi sapmasız olma özelliklerini ko-
rurlar.
B. Doğrusal ve sapmasız fakat tutarlı ve etkin ol-
mayacaktır.
C. Doğrusal sapmasız fakat tutarlı olmayacaktır.
D. Doğrusal ama sapmalı ve tutarlı olmayacaktır.
E. Doğrusal ve tutarlı fakat sapmalı olacaktır.
131
 Klasik Doğrusal Regresyon Modelinin Varsayımlarından Sapmalar I

Yanıtınız yanlış ise “Çoklu Doğrusal Bağ-

1. E Yanıtınız yanlış ise “Giriş” konusunu yeni- 6. C
lantıya Karşı Çözüm Önlemleri” konusunu
den gözden geçiriniz.
neler öğrendik yanıt anahtarı

yeniden gözden geçiriniz.

2. C Yanıtınız yanlış ise “Giriş” konusunu yeni- 7. D Yanıtınız yanlış ise “Güçlü Çoklu Doğrusal
den gözden geçiriniz. Bağlantı” konusunu yeniden gözden geçiriniz.

3. C 8. A Yanıtınız yanlış ise Tam Çoklu Doğrusal

Yanıtınız yanlış ise “Güçlü Çoklu Doğrusal Bağlantı” ve “Yapay Değişkenlerin Eğim Pa-
Bağlantı” konusunu yeniden gözden geçiriniz. rametrelerini Etkilemesi” konusunu yeniden
gözden geçiriniz.

4. A Yanıtınız yanlış ise “Tam Çoklu Doğrusal 9. B Yanıtınız yanlış ise “Güçlü Çoklu Doğrusal
Bağlantı” konusunu yeniden gözden geçiriniz. Bağlantı” konusunu yeniden gözden geçiriniz.

Yanıtınız yanlış ise “Çoklu Doğrusal Bağlan-

5. B Yanıtınız yanlış ise “Güçlü Çoklu Doğrusal 10. A
tının Neden Olduğu Sonuçlar” konusunu
Bağlantı” konusunu yeniden gözden geçiriniz.
yeniden gözden geçiriniz.

Araştır Yanıt
6 Anahtarı

Hataların ortalaması, bazı hataların ortalamadan büyük bazılarının ise orta-

lamadan küçük olması durumunda gerçekleşir. Diğer bir ifadeyle bazı hata-
Araştır 1 ların artı değerli diğerlerinin ise eksi değerli olması durumunda gerçekleşir.
Artılarla eksilerin toplamı sıfır olursa ortalaması da sıfır olacaktır. Dolayısıyla
hataların ortalamasının sıfır olması hiç hata bulunmadığı anlamına gelmez.

Temel bileşenler yöntemi birbiri ile ilişkili çok sayıda değişkenden birbiri ile
ilişkisiz daha az sayıda değişken oluşturulmasını içerir. Bir ekonometrik mo-
delde birbiri ile ilişkili çok sayıda açıklayıcı değişken bulunması durumunda
çoklu doğrusal bağlantı durumu ile karşılaşılması büyük bir olasılık dahilin-
dedir. Bu durumda birbiriyle ilişkili açıklayıcı değişkenlerin temel bileşenleri
olarak oluşturulan bir veya daha fazla değişken modele açıklayıcı değişken ola-
rak konulabilir. Böylece çoklu doğrusal bağlantı probleminden korunulmuş
Araştır 2
olunur. Sırt regresyon yöntemi bir sapmalı tahmin yöntemidir. SEKK çoklu
doğrusal bağlantı durumunda sapmasız olmasına karşın büyük varyanslı pa-
rametre tahminleri verir. Oysa, böyle bir durumda bir miktar sapmaya razı
olunarak daha küçük varyanslı ve daha güvenilir tahminler daha yararlı olarak
kullanılabilir. Sırt regresyon tekniği bir miktar sapma ile daha küçük varyanslı
ve güvenilir tahminler elde edilmesine yarayan bir tekniktir.

132
Ekonometrinin Temelleri

Kaynakça
Arı, A. ve Yüksel, Ö. (2017). Finans Politik & Güriş, S., Çağlayan, E. ve Güriş, B. (2013). Eviews ile
Ekonomik Yorumlar 2017 Cilt: 54 Sayı: 632, ss. temel ekonometri (2. Baskı). İstanbul: Der Yayınları
77-89
Hill, R. C., Griffiths, E. G. ve Lim, G. C. (2011).
Brooks, C. (2014). Introductory econometrics for Principles of econometrics (4th Edition). John Wiley
finance (3rd Edition). Cambridge: Cambridge & Sons, Inc.
University Press
Stock, J. H. ve Watson, M.W. (2011). Ekonometriye
Gujarati, D. N. ve Porter, D. C. (2014). Temel giriş, Bedriye Saraçoğlu (Çev.) Ankara: Efil
ekonometri (Basic econometrics Beşinci Basımdan Yayınevi
Çeviri). Çevirenler: Ümit Şenesen, Gülay Günlük
Tarı, R. (2018). Ekonometri (13. Baskı). Kocaeli:
Şenesen, İstanbul: Literatür Ders Kitapları
Umuttepe Yayınları
Gujarati, D. N. (2011). Econometrics by example. New
York: Palgrave Macmillan

133
 Bölüm 7
Klasik Doğrusal Regresyon Modelinin
Varsayımlarından Sapmalar II
Varsayım 3 Hata Terimi Sabit Varyanslıdır: Varsayım 4 Hata Terimleri Arasında İlişki
Var(ui) = 0 Yoktur: Kov (xt, ut ) = 0
öğrenme çıktıları

1 Değişen varyansın neden ve sonuçlarını 4 Otokorelasyonun neden ve sonuçlarını

ifade edebilme ifade edebilme
2 Bir regresyon modelinde hataların değişen 5 Bir regresyon modelinde hataların

1
varyanslı olup olmadığını belirleyebilme otokorelasyon içerip içermediğini

2
3 Değişen varyansla baş edebilmek belirleyebilme
için ağırlıklı en küçük kareler sürecini 6 Otokorelasyonla baş edebilmenin yollarını
uygulayabilme ifade edebilme

Varsayım 5 Hata Terimi Normal

Dağılmıştır

3
7 Bir regresyondan elde edilen kalıntı
dağılımın normalden önemli ölçüde farklı
olup olmadığının nasıl test edileceğini ifade
edebilme

Anahtar Sözcükler: • Sabit varyans (Eşvaryans) • Değişen varyans • Otokorelasyon (ardışık bağımlılık)
• Ardışık bağıntı • Eşvaryanslılık testleri • Otokorelasyon testleri • Normal dağılım
• White standart hataları • Newey-West sağlam standart hataları • Jarque-Bera Testi

134
Ekonometrinin Temelleri

GİRİŞ
Bu ünite bundan önceki ünitenin devamı niteliğindedir. Ünite 6 ve Ünite 7 Klasik doğrusal regresyon
modelinin (KDRM) varsayımlarının geçerli olmaması durumunu incelemektedir. Bundan önceki Ünite
6’da KDRM’nin ilk beş varsayımından ilk ikisinin geçerli olmaması durumu incelenmiştir. Bunlar: Hata
teriminin ortalamasının sıfır olması ve hata terimleri arasında tam veya güçlü doğrusal ilişki bulunmaması
varsayımları idi. Bu ünitede ise kalan üç varsayımdan sapma durumları incelenmektedir. Bu varsayımlar:
hata teriminin sabit varyanslı olması, hata terimleri arasında ilişki olmaması ve hataların normal dağılımlı
olması varsayımlarıdır.

VARSAYIM 3 HATA TERİMİ SABİT VARYANSLIDIR: Var (ui) = σ2

Şu ana kadar hataların varyansının sabit ve σ2’ye eşit olduğu varsayılmıştır, bu eşvaryans varsayımı olarak
bilinir. Hataların varyansı sabit değilse değişen varyanslı olduğu söylenir. Değişen varyansın bir görünü-
münü incelemek için, bir regresyonun tahmin edildiğini, elde edilen tahminden regresyon doğrusunun
çizildiğini ve Y gözlem noktalarının da bu grafiğe işaretlendiğini kabul edelim. Gözlem noktaları ile doğru
arasındaki farklar hata değerleri, artıklar veya kalıntılar olarak adlandırılır. Grafik 7.1’de artıklarının sabit
bir bant içinde yer aldığı görülmektedir. Dolayısıyla hataların sabit varyanslı olduğu söylenebilir. Buna kar-
şılık Grafik 7.2’de hataların X ile birlikte giderek büyüdüğü ve giderek genişleyen bir bant içinde yer aldığı
görülmektedir. Bunun sonucu Grafik 7.2’deki hatalar açık bir şekilde değişen varyanslıdır ve X ile ilişkilidir.

Y Y

X X

Grafik 7.1 Sabit varyanslı hatalar Grafik 7.2 Değişen varyanslı hatalar

Değişen Varyansın Nedenleri

Hata teriminin değişen varyanslı olmasının çeşitli nedenleri olabilir. Bunlar içinde en yaygın olanları
aşağıdaki gibidir:
1. Ölçek etkileri: Gelir arttıkça, bireyler tüketim veya tasarrufta daha esnek davranma fırsatına sahip-
tir. Dolayısıyla yüksek gelirli bireylerin tüketimleri daha geniş bir aralıkta dağılabilir. Bu nedenle
σ2i’nin gelirle artması muhtemeldir.
2. Öğrenme etkileri: Hata öğrenme modellerinin ardından, insanlar davranış hatalarını öğrendikçe
zamanla hatalar giderek azalır ve daha dar bir aralıkta dağılır. Bu durumda σ2i’nin zamanla giderek
düşmesi beklenir. Örneğin, belirli bir zaman diliminde yapılan bir testte yapılan klavye yazım ha-
talarının sayısı alıştırma yaptıkça giderek azalır.
3. Veri toplama tekniklerindeki gelişmeler: Veri toplama teknikleri geliştikçe, σ2i’nin düşmesi olasıdır .
4. Aykırı değerler: Aykırı değerler diğer gözlem değerlerinden önemli ölçüde büyük veya küçük değer-
lerdir. Değişen varyans, aykırı değerlerin varlığı sonucu da ortaya çıkabilir. Bu tür gözlemlerin dahil
edilmesi veya hariç tutulması, özellikle örneklem hacmi küçük olduğunda, hata varyansı değişken-
liğine neden olabilir.
5. Model kurma hataları: Bazı önemli değişkenlerin modelden dışlanması, hatalı fonksiyonel biçim
(doğrusal veya log-doğrusal model) ve hatalı veri dönüşümü aynı zamanda bir değişen varyans
kaynağı olabilir.

135
 Klasik Doğrusal Regresyon Modelinin Varsayımlarından Sapmalar II
6. Diğer Nedenler: Modele dahil edilen bir
veya daha fazla açıklayıcı değişkenin dağı-
lımındaki çarpıklık, parametre değişmesi ve
yapısal kaymalar de potansiyel değişen var-
yans nedenleridir.
Değişen Varyansın Neden Olduğu
Sonuçlar
1. SEKK tahmincileri doğrusal ve sapmasız
olma özelliklerini korumakta ancak mini-
mum varyanslı olma özelliklerini kaybet-
mektedirler.
2. SEKK tahmincilerinin varyans ve standart
hataları yanlış sonuçlar vermekte, bunun
sonucu güven aralığı ve hipotez testleri (t ve
F) anlamlarını kaybetmektedir.
3. Belli bir X değerine karşılık gelen Y öngörü-
sü yüksek varyanslı olacak, dolayısıyla etkin
olmayacaktır.
dikkat
Hatalar değişen varyanslı olduğunda parametre
tahminleri hâlâ sapmasız ve SEKK ile uygun bir
şekilde tahmin edilebilmektedir. Parametrelere ait
varyans ve standart hatalar yanlıştır. Bu nedenle
parametre tahminleri etkin ve tutarlı değillerdir.
Değişen Varyansın Tespiti
Hataların değişen varyanslı olup olmadığını
nasıl anlaşılır? Yukarıdaki gibi grafiksel bir yöntem
kullanmak mümkündür. Ancak ne yazık ki deği-
şen varyansın nedeni veya biçimi nadiren bilinir.
Böyle bir durumda bir dağılım grafiği hiçbir şeyi
açığa çıkarmaz. Örneğin, eğer hataların varyansı
X3t’nin artan bir fonksiyonu iken araştırmacı kalın-
tıları X2t’ye karşı bir grafik oluşturursa herhangi bir
örüntü görmesi pek mümkün olmaz ve yanlışlık-
la hataların eşvaryanslı olduğu sonucuna varabilir.
Ayrıca hataların varyansının, açıklayıcı değişken-
lerden biri ile sistematik olarak değil, zaman içinde
değişmesi de mümkündür. Bu olgu “Otoregresif
Koşullu Değişen Varyans” veya kısaca “ARCH”
olarak bilinir. ARCH modellemesi bu dersin kap-
samı dışında tutulmuştur.
136
Spearman Sıra Korelasyonu Testi
Spearman sıra korelasyonu katsayısına dayalı bu
test aşağıdaki adımlar izlenerek gerçekleştirilir:
Adım 1: Ekonometrik model tahmin edilerek
hata terimleri serisi ûi elde edilir.
Adım 2: ûi serisi işareti dikkate alınmadan, |ûi|
ve varyansla ilişkili olduğu düşünülen X serisi kü-
çükten büyüğe (veya büyükten küçüğe) doğru sı-
raya dizilir.
Adım 3: Aşağıdaki formül kullanılarak Spear-
man sıra korelasyonu katsayısı hesaplanır:
6ΣD 2
rs =1-
n (n 2 -1)
Adım 4: Hesaplanan rs değerinin anlamlılığı şu
t istatistiğini kullanılarak test edilir:
rs n - 2
t=
1- rs2
Adım 5: Hesaplanan rs değeri anlamlı ise, yani
seçilen α anlamlılık düzeyi ve n – 2 serbestlik dere-
cesinde kritik t değerinden büyükse modelde deği-
şen varyans bulunduğuna karar verilir.
Goldfeld-Quandt Testi
Değişen varyans için çok sayıda düzenli istatis-
tiksel test vardır. Bunlar içinde basit ve güçlülüğü
yanında metodolojik üstünlüğü de olan bir test
Goldfeld-Quandt testidir. Bu testin temel yaklaşı-
mı, toplam n gözlemden oluşan örneklemin n1 ve
n2 gözlemli iki alt örnekleme bölünmesine dayanır.
Regresyon modeli her iki alt örneklemde tahmin
edilir ve iki ayrı kalıntı varyansı sırasıyla s12 = ∑ û1i2
/ (n1 - k) ve s2i2 = ∑ û2i2 / (n2 - k) olarak hesaplanır.
Boş hipotez, yani H0 hipotezi, iki taraflı bir alter-
natife karşı “hata varyansları birbirine eşittir” biçi-
mindedir. Yani H0: σ12 = σ22. GQ olarak gösterilen
test istatistiği, iki varyanstan daha büyük olanının
paya konulması sonucu oluşan iki hata varyansı-
nın oranı olarak hesaplanır (yani, σ12 ikinci alt ör-
neklemden gelmiş olsa bile T1 gözlemli örnekleme
ait daha büyük örneklem varyansını temsil eder):
S12
GQ =
S22
Ekonometrinin Temelleri

Test istatistiği, boş hipotezi altında bir F dağılımına uyar, pay ve paydanın serbestlik dereceleri ise sıra-
sıyla T1 – k ve T2 – k’dir. Bu durumda hesaplanan test istatistiği kritik değerden büyükse sabit varyans boş
hipotezi reddedilerek hataların değişen varyanslı olduğuna karar verilir.
GQ testinin oluşturulması basit olmakla birlikte testin sonucu, örneklemin ikiye ayrıldığı yere göre
farklılaşabilir. Yani, örneğin 40 gözlemle tahmin edilmiş bir regresyonda örneklemi tam ortadan 20’şer
gözlemli iki alt örnekleme ayırdığımızda sabit varyans durumu reddedilemez iken, diyelim ki ilk 25 gözle-
me karşılık ikinci 15 gözlemi alarak alt örneklemler oluşturduğumuzda sonuç tam tersi olabilir. Bu nedenle
seçimin teorik gerekçelerle yapılması durumunda - örneğin, büyük bir yapısal olaydan önce ve sonra testin
daha güçlü olması muhtemeldir.
Hataların varyansının herhangi bir gözlenen değişken zt (açıklayıcı değişkenlerden biri olabilir veya
olmayabilir) ile ilişkili olduğunu düşünelim. Bu durumda, testi gerçekleştirmenin daha iyi bir yolu, ör-
neklemi zt değerlerine göre (zamandan ziyade) sıralamak ve sonra sıralanmış örneklemi tekrar T1 ve T2
gözlemli iki alt örnekleme bölmektir.
Bazen testten elde edilen çıkarımları netleştirmek ve testin gücünü artırmak için kullanılan alternatif
bir yöntem, sıralanmış gözlemlerin merkezinden bir kısmının çıkarılarak örneklem iki alt örnekleme
ayrılmaktadır.

White Testi
Diğer popüler bir test ise, White’ın (1980) değişen varyans için genel testidir. Test değişen varyansın
biçimi hakkında birkaç varsayım yapması nedeniyle özellikle yararlı bir testir. Test, aşağıdaki gibi ger-
çekleştirilir.
Aşağıdaki doğrusal formdaki regresyon modelini tahmin ettiğimizi kabul edelim:

Yt = β1 + β2 X2t + β3 X3t + ut (7.1)

Modelde hata terimi u’nun sabit varyanslı, yani Var(ut) = σ2, olup olmadığını White testini kullanarak
test etmek istiyoruz. Bu test aşağıdaki adımlar izlenerek gerçekleştirilir:
Adım 1: Model (5.1)’i tahmin ederek hata terimleri serisi ût’yi elde ederiz.
Adım 2: Ardından şu yardımcı regresyonu koştururuz:

ût2 = α1 + α2X2t + α3X3t + α4X2t2 + α5X3t2 + α6 X2t X3t + vt (7.2)

burada, vt, ut’dan bağımsız, normal dağıtılmış bir hata terimidir.

Bu regresyonda eşitliğin solunda birinci aşamada elde edilen kalıntıların kareleri, sağ tarafında ise bir
sabit terim açıklayıcı değişkenlerin her biri, açıklayıcı değişkenlerin kareleri ve bunların çapraz çarpımları
yer almaktadır. Burada kareli hatalar varyansı temsil etmekte olup niçin böyle yazıldığı aşağıda görülebilir:

var(ut) = E[(ut - E(ut))2]

E(ut) = 0 olduğu varsayımına göre, köşeli parantez içindeki ifadenin ikinci kısmı gider ve geriye şu
sonuç kalır:

var(ut) = E(ut2)

Bir kez daha, anakütle hata teriminin karelerini bilmek mümkün değildir, bu nedenle bunların örnek-
lem muadili olan kareli artıklar, yani û’lar kullanılır.

137
 Klasik Doğrusal Regresyon Modelinin Varsayımlarından Sapmalar II

Yardımcı regresyonun bu biçimi almasının ne-

deni, hataların (ût2 ile somutlaşan) varyansının, mo-
delde yer alan değişkenlere göre sistematik olarak
değişip değişmediğinin araştırılmak istenmesidir.
Ayrıca başlangıç regresyonunda sabit terim olmazsa
bile yardımcı regresyonun sabit bir terim içermesi
gerektiğine dikkat edilmelidir. Bu, ût2’nin daima po-
zitif bir ortalamaya sahip olmasının bir sonucudur.
Adım 3: Yardımcı regresyon (7.2)’nin sağ ta-
rafındaki bir veya daha fazla katsayı istatistik ba-
kımdan anlamlıysa o denklem için R2’nin değeri
göreceli olarak yüksek olacak, değişkenlerin hiçbiri
önemli değilse R2 nispeten düşük olacaktır. Böyle- Ağırlıklı En Küçük Kareler (AEKK)
ce, bir olabilirlik oranı (LR) testi olarak adlandırılan Ağırlıklı en küçük kareler tekniği, başlangıç-
White testi yardımcı regresyondan R2 elde edilerek taki (değişen varyanslı) modeli, değişen varyansın
ve gözlem sayısı T ile çarpılarak elde edilen test is- biçimi hakkındaki bilgiyi kullanarak eşvaryanslı
tatistiği yardımıyla gerçekleştirilir. TR2 istatistiği m hâle getirmeyi amaçlar. Bu amaçla, ilk olarak de-
serbestlik derecesinde χ2 (ki-kare) dağılımına uyar.
ğişen varyansın bir değişken veya değişkenlerin bir
fonksiyonuyla orantılı olduğu varsayılır. Varyansın
TR2 ~ χ2 (m) orantılı olması beklenen değişkenler model içinden
veya model dışından olabilir. Başlangıç modelinin
burada m, yardımcı regresyondaki (sabit terim ha- varyansın ilişkili olduğu değişkenin kareköküne
riç) açıklayıcı değişkenlerin sayısıdır. bölünerek bir dönüştürülmüş model elde edilir.
Adım 4: Eğer test istatistiği seçilen önem dü- Orijinal modelinizin Yt = β1 + β2X2t + β3X3t + …
zeyinde tablo kritik χ2 değerinden büyükse deği- + β3X3t + ut biçiminde olduğunu ve hata teriminin
şen varyans bulunmadığını söyleyen boş hipotezi varyansının, var(ui) = σi2 = σ2 di olarak tanımlandı-
reddedilerek hataların değişen varyanslı olduğuna ğını varsayalım, burada di varyansın ilişkili olduğu
karar verilir. düşünülen değişken veya değişkenlerin bir fonksi-
yonudur. Hata teriminin sabit varyanslı olmaması
Örnek 7.1 ve di ile oransal olması nedeniyle eşvaryanslık var-
Yukarıda Denklem (7.2) ile verilen yardımcı sayımı di ile ihlal edilmektedir.
regresyon modelinin 120 gözlem kullanılarak tah-
min edildiğini ve R2’nin 0.234 olarak hesaplandığı-
nı kabul edelim. Test istatistiği boş hipotez altında
TR2 = 80 × 0.3424 = 27.4 olarak elde edilecek ve dikkat
χ2 (5) izleyecektir. χ2 tablosundan % 5 kritik de- Ağırlıklı en küçük kareler başlangıçta değişen
varyanslı modeli değişen varyansın biçimi hak-
ğer 11.07’dir. Hesaplanan test istatistiği kritik de-
kındaki bilgiyi kullanarak eşvaryanslı hâle getir-
ğerden daha büyük olup boş hipotez reddedilerek
meyi amaçlar. Modeli varyansın ilişkili olduğu
hataların sabit varyanslı olduğunu varsaymanın
değişkenin kareköküne bölerek bir dönüştürül-
makul olmayacağına karar verilir.
müş model elde eder.

Değişen Varyansa Karşı Çözümler

Değişen varyans sorunu ile karşılaştığımızda Hatanın varyansı σ2di olduğuna göre, başlangıç
olası model kuruluşu hatalarına karşı denetledikten modelinin her iki tarafını di ’ye bölerek hata te-
sonra modelde hâlâ değişen varyans sorunu devam
ediyorsa bunu düzeltmeye yönelik üç alternatif rimi eşvaryanslı bir dönüştürülmüş modeli şöyle
yaklaşıma sahibiz. Bunlar, (i) ağırlıklı en küçük ka- oluşturabiliriz:
reler, (ii) verileri dönüştürme ve (iii) değişen var-
yansla uyumlu standart hataları kullanmadır.

138
Ekonometrinin Temelleri

Yi 1 X 2i X 3i X ki ui
= β1 + β2 + β3 +... + β k + (7.3)
di di di di di di

Bu denklemi AEKK dönüştürmesi olarak adlandırıyoruz. Bu AEKK dönüştürmesi yeniden şöyle yazılabilir:

Yi* = β1X1i* + β2X2i* + β3X3i* + ... + βkXki* + ui*

(7.4)
Y 1 X X X u
burada; Yi* = i , X1i* = , X2i* = 2i , X3i* = 3i , Xki* = ki , ui* = i
di di di di di di

Denklem (7.4) ile verilen dönüştürülmüş modelin hata terimi artık eşvaryanslıdır. Çünkü
⎛ u ⎞ 1
var(ui*) = var ⎜⎜ i ⎟⎟ = var(ui*) = σ2
d
⎝ i⎠ d i

Dönüştürülmüş modelin β’ları AEKK tahmincileridir ve genelleştirilmiş en küçük kareler (GEKK)

tahmincilerinin özel bir türüdür (burada GEKK tahmincisi değişen varyansı düzeltmek için kullanıl-
makta olup bu bölümde aynı zamanda otokorelasyon sorunlarını gidermek için de bir GEKK tahmincisi
kullanacağız).
Uygulamada, di genellikle bilinmez. Bu amaçla di olarak açıklayıcı değişkenlerden biri veya onun karesi
ya da başka bir değişkenle çarpımı (X2i, X2i2 veya X2iX3) olarak kullanılabildiği gibi bir fonksiyonel biçim
olarak da tahmin edilebilir. Bir fonksiyonel biçim olarak tahmin edilmesi, GEKK dönüşümünde ağırlık-
landırmada di yerine dˆi değerleri kullanılması anlamına gelir. Bu süreci kullanan tahminciler, Uygulanabilir
Genelleştirilmiş En Küçük Kareler (Feasible Generalized Least Squares, FGLS) tahmincileri olarak bilinir.

Verileri Dönüştürme
Bu yaklaşım, değişkenleri logaritmalarına dönüştürerek veya başka bir “boyut” ölçüsü ile ölçeği daral-
tılması içerir. Aynı zamanda aykırı gözlemleri de yeniden ölçeklendirme etkisine sahiptir. Regresyon bu
durumda doğal logaritmalar veya dönüştürülmüş veriler üzerinden gerçekleştirilir. Logaritma almak ayrı-
ca, daha önce tartışılan üstel regresyon modeli gibi bir model oluşturma etkisine sahiptir. Bununla birlikte,
bir değişkenin logaritmaları, değişkenin sıfır veya negatif değerler alması durumunda tanımsız olmaları
nedeniyle alınamaz.

White’ın değişen Varyansla Uyumlu Standart Hatalarının (Sağlam Standart

Hatalar) Kullanımı
White’in değişen varyansla uyumlu standart hataları aynı zamanda sağlam standart hatalar olarak da
bilinir. Bu yaklaşım değişen varyans problemi için en sık başvurulan bir çözümdür. Yaklaşım EKK katsayı
tahminlerini kullanır ama standart hatalarını tahmin edilen modeli dönüştürmeden değişen varyans için
düzeltir. Bu yöntemin gücü, değişen varyansın fonksiyonel biçimi hakkında herhangi bir varsayım yapma-
dan değişen varyansla başa çıkmasıdır.
Çoğu standart ekonometri yazılımları, kullanıcılarına değişen varyansa karşı White’ın standart hata
tahminlerini kullanmasını sağlayan bir seçeneğe (genellikle “sağlam” benzeri bir ifadeyle adlandırılan) sa-
hiptir. Düzeltmenin etkisi, eğer hataların varyansı açıklayıcı bir değişkenin karesi ile pozitif olarak ilişkili
ise, eğim katsayıları için standart hataların büyümesine yol açarak hipotez testinde boş hipotezin reddini
zorlaştırır.

139
 Klasik Doğrusal Regresyon Modelinin Varsayımlarından Sapmalar II

Öğrenme Çıktısı

1 Değişen varyansın neden ve sonuçlarını ifade edebilme

2 Bir regresyon modelinde hataların değişen varyanslı olup olmadığını belirleyebilme
3 Değişen varyansla baş edebilmek için ağırlıklı en küçük kareler sürecini uygulayabilme

Araştır 1 İlişkilendir Anlat/Paylaş

Hata teriminin varyansının

Otoregresif koşullu değişen
varyans konusunu araştırın.
aynı zamanda bağımlı de-
Varyans ve belirsizlik konu-
ğişken Y’nin varyansına eşit
sunu ilişkilendirin.
olduğu konusunu arkadaşı-
nızla birlikte irdeleyin.

Araştırmalarla
İlişkilendir
Türkiye’de yoksullar bütçelerini kira ve gıdaya; zenginlerse ulaştırma, lokanta ve eğitime harcıyor
Türkiye’de hanehalkının tüketim harcamaları gelir gruplarına göre büyük değişim gösteriyor. Buna
göre ülkede en yoksul grubu oluşturan kesimin hanehalkı harcamasının yüzde 60’ı konut/kira ile gıda
ve alkolsüz içeceğe giderken bu oran en zengin grubu oluşturan kesimde sadece yüzde 36. zenginlerin,
yoksullardan daha fazla pay ayırdığı harcama türleri ise ulaştırma, eğitim, lokanta ve otel oldu.
Türkiye İstatistik Kurumunun (TÜİK) açıkladığı “Gelir ve Yaşam Koşulları Araştırması” 2018 yılı
verilerinde en düşük gelire sahip ‘ilk yüzde 20’lik grup yoksullar, en yüksek gelire sahip ‘beşinci yüzde
20’lik grup ise zenginler olarak değerlendiriliyor.
Türkiye genelinde hanehalkı harcamalarının yüzde 23,7’si konut ve kiraya gidiyor. Bu oran yok-
sullarda yüzde 31,4 iken zenginlerde yüzde 20,3. Bu; yoksulların yaptığı aylık 100 liralık harcamanın
31,4 lirasının kira ve konuta ödendiğini gösteriyor. Zenginlerin ise aylık 100 liralık harcamasının 20,3
lirası kira ve konuta gidiyor. Bu veriler ödenen gerçek miktarları değil, aylık harcamalar içindeki payını
gösteriyor.
Gıda ve alkolsüz içecek harcamalarının payı Türkiye genelinde yüzde 20,3 iken bu oran yoksullarda
yüzde 28,7’ye kadar çıktı. Zenginlerde ise yüzde 15,4’e kadar düştü.

140
Ekonometrinin Temelleri

Hanehalkı tüketim harcamasının gelir gruplarına göre dağılımı (2018)

100%

90%
4.9 5
80% 6
4.8 4.3
5
70% 6.5 5.9
6.5 7.8
60% 9.3
6.8
50%
18.3
40%
21.6
30% 28.7
20.3
20% 15.4

10%

0% 23.7 31.4 20.3

TOPLAM YOKSUL ZENGİN

Konut ve Kira Gıda ve alkolsüz içecek Ulaştırma Mobilya ve ev aletleri Lokanta ve otel

Giyem ve ayakkabı Alkollü içecek, sigara ve tütün Çeşitli mal ve hizmet Haberleşme

Eğlence ve kültür Eğitim Sağlık

Kaynak: TÜİK (Yoksul, en yoksul yüzde 20’lik dilimi; zengin ise en zengin yüzde 20’lik kesimi ifade etmektedir)

Türkiye’de hanehalkının tüketim harcamaları gelir gruplarına göre büyük değişim gösteriyor. Buna
göre ülkede en yoksul grubu oluşturan kesimin hanehalkı harcamasının yüzde 60’ı konut/kira ile gıda
ve alkolsüz içeceğe giderken bu oran en zengin grubu oluşturan kesimde sadece yüzde 36. zenginlerin,
yoksullardan daha fazla pay ayırdığı harcama türleri ise ulaştırma, eğitim, lokanta ve otel oldu.
Türkiye İstatistik Kurumunun (TÜİK) açıkladığı “Gelir ve Yaşam Koşulları Araştırması” 2018 yılı
verilerinde en düşük gelire sahip ‘ilk yüzde 20’lik grup yoksullar, en yüksek gelire sahip ‘beşinci yüzde
20’lik grup ise zenginler olarak değerlendiriliyor.
Türkiye genelinde hanehalkı harcamalarının yüzde 23,7’si konut ve kiraya gidiyor. Bu oran yoksul-
larda yüzde 31,4 iken zenginlerde yüzde 20,3. Bu; yoksulların yaptığı aylık 100 liralık harcamanın 31,4
lirasının kira ve konuta ödendiğini gösteriyor. Zenginlerin ise aylık 100 liralık harcamasının 20,3 lirası kira
ve konuta gidiyor. Bu veriler ödenen gerçek miktarları değil, aylık harcamalar içindeki payını gösteriyor.
Gıda ve alkolsüz içecek harcamalarının payı Türkiye genelinde yüzde 20,3 iken bu oran yoksullarda
yüzde 28,7’ye kadar çıktı. Zenginlerde ise yüzde 15,4’e kadar düştü.
Bu ikisinin dışında yoksulların zenginlerden daha fazla pay ayırdığı harcama kalemi alkollü içecek-
ler ve sigara oldu. Türkiye genelinde alkol ve sigaraya ayrılan pay yüzde 5 iken yoksullar aylık harcama-
larının yüzde 5’ini, zenginler ise yüzde 3,1’ini alkol ve sigaraya ayırdı.
Türkiye’de hanehalkının gıda ve alkolsüz içecek harcama payı yüzde 26 düştü
Türkler parayı gıda ve ulaşıma; Avrupalı ise eğlence, kültür, lokanta ve otele harcıyor
Zenginlerin yoksullardan daha fazla harcama yaptığı türlerin başında ulaşım geliyor. Türkiye gene-
linde hanehalkları aylık harcamalarının yüzde 18,3’ünü ulaştırmaya ayırıyor. Bu oran en yoksul kesimde
yüzde 9,3’e kadar düşüyor. En zengin kesimde ise yüzde 21,6. Zenginlerin ulaştırmaya ayırdığı harcama
oranı yoksulların iki katından fazla.
Zenginlerin lokanta ve otele ayırdıkları pay da (yüzde 7,8) yoksullardan yüzde 4,3 daha fazla. Aynı
durum eğitime ayrılan harcamada da görülüyor. Zenginler aylık harcamalarının yüzde 3,8’ini eğitime
ayırırken yoksullarda bu oran yüzde 0,5.

Kaynak: https://tr.euronews.com/2019/11/06/turkiyede-yoksullar-butcelerini-kira-ve-gidaya-
zenginlerse-ulastirma-lokanta-ve-egitime

141
 Klasik Doğrusal Regresyon Modelinin Varsayımlarından Sapmalar II

Yaşamla İlişkilendir

Değişen Varyans Örnekleri

Değişen varyans sıklıkla gözlemlerin büyüklüğü arasında geniş bir fark olduğunda ortaya çıkar. Ti-
pik bir değişen varyans örneği, gelir karşısında yemek harcamaları örneğidir. Bir bireyin geliri arttıkça,
gıda tüketimindeki değişkenlik de artacaktır. Daha yoksul bireyler, her zaman daha az pahalı yiyecekler
yiyerek oldukça sabit bir tutarda harcarken; zengin bireyler bazen ucuz yiyecekler ve diğer zamanlarda
pahalı yiyecekler yiyebilir. Gelirleri yüksek olanlar, yiyecek tüketiminde daha fazla değişkenlik gösterirler.

Kaynak: https://wiki.ubc.ca/Heteroskedasticity Erişim tarihi: 02.01.2020

VARSAYIM 4 HATA TERİMLER ARASINDA İLİŞKİ YOKTUR:

Kov(xt, ut) = 0
KDRM’nin hata terimi hakkında dördüncü varsayım, hata terimleri arasında ilişki olmaması, yani hata
terimleri arasındaki kovaryansın sıfır olmasıdır. Başka bir deyişle, hataların birbirleriyle ilişkisiz olduğu
varsayılmaktadır. Hatalar birbirleriyle ilişkisiz değillerse “otokorelasyonlu” veya “ardışık bağımlı” oldukları
belirtilir. Bu nedenle bir ekonometrik araştırmada bu varsayımın bir test edilmesi gerekir. Otokorelasyon
zaman serisi verileri için geçerli bir problemdir.
Otokorelasyonlu hatalara bir örnek vermek için aşağıdaki başlangıç modelimizin aşağıdaki gibi oldu-
ğunu kabul edelim:

Yt = β1 + β2Xt + ut

“Hata terimleri arasında ilişki yoktur” varsayımı geçerli olmayıp hata teriminin bir dönem önceki hata
terimli ile ilişkili ise aşağıdaki gibi gösterilir:

ut = ρut – 1 + vt -1 < ρ < 1 (7.5)

burada ρ otokorelasyon katsayısı olarak adlandırılır ve -1 ile 1 arasında bir değer alır. Eğer ρ = 0 ise otokore-
lasyon olmadığı, eğer 0 ile 1 arasında ise pozitif otokorelasyon ve 0 ile -1 arasında ise negatif otokorelasyon
bulunduğu anlamına gelir. İktisadi zaman serilerinde genellikle pozitif otokorelasyonla karşılaşılır. Örne-
ğin ρ = 0.8 ise hata teriminin bir dönem önceki değerleriyle pozitif olarak ilişkili olduğu anlamına gelir.
t – 1 dönemindeki hatanın %80’inin t döneminde hâlâ hissedildiği anlamına gelir. Hataların bir önceki
dönem değerleriyle ilişkili olması durumu birinci dereceden otokorelasyon veya ardışık bağımlılık olarak
adlandırılır ve AR(1) olarak gösterilir. Hatalar daha üst dereceden de otokorelasyon içerebilir. Yıllık zaman
serilerinde otokorelasyonun derecesi nispeten küçük iken aylık veya daha kısa dönemlik verilerde daha
üst dereceden otokorelasyonla karşılaşılması mümkündür. İkinci dereceden otokorelasyon (yani AR(2))
aşağıdaki gibi gösterilir:

ut = ρ1ut – 1 + ρ2ut – 2 + vt -1 < ρi < 1 i = 1, 2 (7.6)

Benzer şekilde p’inci dereceden otokorelasyon aşağıdaki gibidir:

ut = ρ1ut – 1 + ρ2ut – 2 + … + ρput – p + vt -1 < ρi < 1 i = 1, 2, …, p (7.7)

142
Ekonometrinin Temelleri
Otokorelasyonun Nedenleri
Otokorelasyona neden olan çeşitli sebepler
var. Bunlardan önemli olanları aşağıdaki gibi sı-
ralayabiliriz:
1. Verilerdeki Atalet: Makroekonomik veriler
uzun dönemde devresel dalgalar sergiler. Bu
devresel dalgalar değişkenler arasındaki po-
zitif otokorelasyonun önemli bir kaynağıdır.
Öyle ki belli bir dönem uzunca dönem bo-
yunca pozitif değişimler başka pozitif deği-
şimleri ya da negatif değişimler başka negatif
değişimleri izlerler. Bunun sonucu birbirini
izleyen gözlem dönemleri arasında pozitif
otokorelasyon oluşmasına neden olur.
2. Model kurma hatası - dışlanan açıklayıcı
değişkenler: Ekonomide bir değişkenin çok
sayıda değişkenden etkilendiğini biliyoruz.
Araştırmacı bunların sadece önemli ve ba-
ğımlı değişkeni doğrudan etkileyenleri mo-
dele dahil eder. Dışlanan değişkenlerin etkisi
hata terimi tarafından üstlenilir. Dışlanan
değişkenlerin birbirini izleyen değerleri çoğu
zaman birbirinden bağımsız değildir. Bir
ekonometrik modelde birbirini izleyen göz-
lemleri arasında ilişki bulunan bir değişken
modelde hata terimi tarafından temsil edili-
yorsa hata terimi otokorelasyon içerebilir.
3. Model kurma hatası - modelin matematik-
sel biçiminin yanlış tanımlanması: İlişkinin
gerçek biçiminden farklı bir matematiksel
biçim benimsenmesi durumunda da sonuç
genellikle hata teriminde otokorelasyon
oluşmasıdır.
4. Verilerde ara gözlem tahmini (enterpolas-
yonu): Yayınlanan zaman serisi verilerinin
çoğu, ardışık zaman dilimleri boyunca ger-
çek hatayı ortalamaya getiren bazı enterpo-
lasyon ve pürüzsüzleştirme işlemleri içerir.
Bunun sonucu, ardışık değerleri birbirleriy-
le ilişkilendirilir. Böyle bir durumda hata
terimi otokorelasyon içerebilir.
5. Verilerdeki ölçüm hataları: Hata terimi, veri-
lerde ölçüm hataları bulunması durumun-
da da otokorelasyon içerebilir. Açıklayıcı
değişken yanlış ölçülürse birbirini izleyen
hatalar ilişkili olacaktır. Bu hataların birbir-
leriyle ilişkili olmasına neden olabilecektir.
Otokorelasyonun Neden Olduğu
Sonuçlar
• EKK kullanılarak türetilen katsayı
tahminleri hâlâ sapmasızdır ancak
minimum varyanslı değillerdir. Bunun
sonucu etkin değildirler, yani büyük
örneklemlerde bile doğrusal eniyi sapmasız
tahminci (DEST) olmazlar. Tahmin edilen
hata varyansının gerçek varyanstan büyük
olması muhtemeldir.
• Bunun sonucu, olağan t ve F anlamlılık
testleri geçerli olmazlar, uygulandığında
tahmin edilen regresyon katsayıları hakkın-
daki hipotez testlerinin ciddi bir şekilde ya-
nıltıcı sonuçlar vermesi olasıdır .
• Pozitif ilişkili hatalar için R2’nin “doğru”
değerine göre şişmesi muhtemeldir.
Gecikmeli Değer Kavramı
Otokorelasyonda hata teriminin önceki değerle-
riyle yani gecikmeli değerleriyle ilişkili olması gecik-
meli değişken kavramının açıklanması gereğini orta-
ya koymaktadır. Otokorelasyon için düzenli testlerin
nasıl formüle edildiğini görmeden önce, bir değişke-
nin gecikmeli değer kavramı tanımlanmalıdır.
Bir değişkenin gecikmeli değeri (Yt-1, Yt-2 veya
ut-1 olabilir) basitçe değişkenin bir önceki dönem
boyunca aldığı değerdir. Örneğin, bir dönem ge-
cikmeli Yt değeri, tüm gözlemlerin Tablo 7.1’de
görüldüğü gibi tabloda bir dönem ileri kaydırılma-
sıyla oluşturulabilir. Bu nedenle, 2010-2 satırında-
ki Yt − 1 sütunu değer, bir önceki dönemdeki yani
2010-1’deki Yt değeri olan 8.3’tür. Tablo 7.1’deki
son sütun, Y ile ilgili bir başka miktarı, yani “bi-
rinci fark”ı göstermektedir. Aynı zamanda Y’deki
değişim olarak da bilinen ve ∆Y olarak gösterilen
Y’nin birinci farkı, bu dönem ve bir önceki dönem
değerleri arasındaki fark olarak hesaplanır. Yani
aşağıdaki gibi hesaplanır:
143
 Klasik Doğrusal Regresyon Modelinin Varsayımlarından Sapmalar II

∆Yt = Yt − Yt − 1 (7.8)

Bir değişkenin bir dönemlik gecikmesi veya birinci farkları oluştuğunda, ilk gözlemin kaybedildiğine
dikkat edilmelidir. Böylece, yukarıdaki verileri kullanarak Yt’nin regresyonu Şubat 2010 veri noktasıyla
başlayacaktır. İki-dönem gecikmeler, üç-dönem gecikmeler vb. üretmek de mümkündür. Bunlar benzer
bir şekilde gerçekleştirilebilir.

Tablo 7.1 Bir Serinin Gecikmeli ve Birinci Farklarının Oluşturulması

t Yt Yt – 1 ∆Yt
2010-1 8.3 − −
2010-2 9.2 8.3 9.2 – 8.3 = 0.9
2010-3 9.6 9.2 9.6 – 8.2 = 1.4
2010-4 9,4 9.6 9.4 – 9.6 = – 0.2
2010-5 11.2 9,4 11.2 – 9.4 = 1.8
2010-6 13.8 11.2 13.8 – 11.2 = 2.6
2010-7 14.6 13.8 14.6 – 13.8 = 0.8
. . . .
. . . .
. . . .

Otokorelasyon için Grafiksel Testler

Otokorelasyonu test etmek için, u’un cari örneklem değeri ût ile önceki değerleri, ût − 1, ût − 2, ... arasında
bir ilişki olup olmadığının grafiksel olarak incelenmesini içerir. Bu amaçla cari kalıntı ile bir dönem önceki
kalıntı arasındaki dağılım grafiği ile cari kalıntıların zaman serisi grafiği oluşturulur.
Grafik 7.3 artıklardaki pozitif otokorelasyonu göstermektedir. Grafik 7.3 (a) bölmesinde kalıntılar bir
dönemde pozitif ise izleyen dönemde de pozitif, benzer şekilde bir dönem negatifse izleyen dönemde de
negatif değerler almaktadır. Grafik 7.3 (a), aynı zamanda pozitif otokorelasyonlu bir kalıntı serisinin za-
man eksenini çok sık kesmediğini gösterirken Grafik 7.3 (b), gözlemleri temsil eden noktaların çoğunlukla
birinci ve üçüncü kadranlarda olduğunu gösterir:

(a) (b)
6 ût ût
4

0 ût-1
t
-2

-4

Grafik 7.3 Hataların Pozitif Otokorelasyonu

144
Ekonometrinin Temelleri

Grafik 7.4, artıklarda negatif otokorelasyonu göstermektedir. Grafik 7.4 (a) bölmesinde kalıntılar ge-
nellikle bir dönemde pozitif ise izleyen dönemde negatif, benzer şekilde bir dönem negatifse izleyen dö-
nemde pozitif değerler almaktadır. Grafik 7.4 (a), aynı zamanda negatif otokorelasyonlu bir kalıntı serisi-
nin zaman eksenini sıklıkla kestiğini Grafik 7.4 (b) ise gözlemleri temsil eden noktaların çoğunlukla ikinci
ve dördüncü kadranlarda olduğunu gösterir:

80 (a) (b) ût
60
40
20
0
-20 ût-1
-40
-60
-80
-100

Grafik 7.4 Hataların Negatif Otokorelasyonu

Grafik 7.5 otokorelasyon olmadığında hataların biçimini göstermektedir. Grafik 7.5 (a) bölmesinde
zamana göre grafiğinde artıkların tamamen rastgele dağıldığı zaman eksenini nispeten sık kestiğini ancak
negatif otokorelasyonda olduğu kadar sık kesmediği gözlenmektedir. Aynı grafiğin (b) bölmesinde artıkları
temsil eden noktaların tüm kadranlara eşit dağıldığı gözlenmektedir:

40
(a) (b) ût
30
20
10
0
ût-1
-10
-20
-30
-40

Grafik 7.5 Otokorelasyonu İçermeyen Hatalar

Otokorelasyonun Test Edilmesi: Durbin-Watson Testi

Tahmin edilen bir modelde hataların otokorelasyon içerip içermediğini test etmenin ilk adımı, artıkları
yukarıdaki gibi çizmek ve herhangi bir örüntü bulunup bulunmadığını aramak olacaktır. Ancak grafik
yöntemler yorumlama konusunda zor olabilir ve bu nedenle düzenli bir istatistiksel test de uygulanmalıdır.
En basit ve bilinen otokorelasyon testi Durbin-Watson testidir.
Durbin-Watson (DW) testi sadece birinci dereceden otokorelasyonu test etmede kullanılan bir testir -
yani hata teriminin sadece hemen önceki değeri arasındaki ilişkiyi test eder. Testi motive etmenin ve test
istatistiklerini yorumlamanın bir yolu, t değerinin önceki değerine göre regresyonu bağlamında olacaktır.

ut = ρut − 1 + vt (7.9)

145
 Klasik Doğrusal Regresyon Modelinin Varsayımlarından Sapmalar II

burada, vt ~ N(0, σv2) . DW test istatistiği boş ve alternatif hipotezleri aşağıdaki gibidir:

H0: ρ = 0 ve H1: ρ ≠ 0

Dolayısıyla, boş hipotez altında, t − 1 ve t zamanındaki hatalar birbirinden bağımsızdır ve eğer bu sıfıra
eşitlik reddedilirse ardışık kalıntılar arasında bir ilişki olduğuna dair kanıt olduğu sonucuna varılabilir.
Gerçekte, (7.9) ile verilen regresyonun koşturulması gerekli değildir çünkü test istatistiği, ilk regresyon
yapıldıktan sonra mevcut olan değerler kullanılarak hesaplanabilir:
T
(
∑ uˆt -uˆt -1
t =2
)
d= T
2
∑ uˆt
t =2

Aynı zamanda aşağıdaki gibi de yazılabilir:

d ≈ 2(1 – ρ^ ) (7.10)

burada ρ^ tahmin edilen otokorelasyon katsayıdır. Bu ilişkiden, ρ^’nın -1 ile 1 arasında değer aldığı dikkate
alındığında, d istatistiğinin yaklaşık olarak sıfırla dört arasında değerler aldığı görülebilir. Aynı zamanda
aşağıdaki bulguları da elde edebiliriz:
• Eğer ρ^= 0 ise, d ≈ 2. Bunun sonucu d değeri 2’ye yakın bir değer almışsa kabaca otokorelasyon
bulunmadığını düşünebiliriz.
• Eğer ρ^= 1 ise, d ≈ 0. Bunun sonucu d değeri 0’a yakın bir değer almışsa kabaca pozitif otokorelasyon
bulunduğunu düşünebiliriz.
• Eğer ρ^= -1 ise, d ≈ 4. Bunun sonucu d değeri 4’e yakın bir değer almışsa kabaca negatif otokorelas-
yon bulunduğunu düşünebiliriz.
DW testine dayalı daha kesin bir karara varmak için hesaplanan d istatistiğini kritik değerlerle karşı-
laştırırız. d istatistiğinin iki kritik değeri vardır: Bir alt kritik değer (dL) ve bir üst kritik değer. (dU), Bir de
H0’ı ne reddedebileceğimiz ne de reddedemeyeceğimiz bir ara bölge veya kararsızlık bölgesi vardır. Kritik
değerler bu

Pozitif Otokorelasyon Negatif

Otokorelasyon Kararsızlık Yok Kararsızlık Otokorelasyon
2
0 dL dU 4 - dU 4 - dL 4
1.391 1.600 4 -1.600 4 -1.391
=2.400 =2.609

Grafik 7.6 Durbin Watson Testinin Grafik Gösterimi

kitabın en arkasında istatistik tablolar bölümünde yer almaktadır. Grafik 7.6, otokorelasyon hakkında
sonuçlar çıkarmak için hesaplanan d istatistiğini nasıl kullanabileceğimizi göstermektedir. Hesaplanan d
istatistiği şekildeki bölmelerden hangisinin içinde yer alıyorsa ona göre otokorelasyon kararı oluşur.
Hesaplanan d istatistiği 2’ye ne kadar yakın olursa otokorelasyon olmadığını gösteren kanıtlar o kadar
güçlü olacaktır. Bununla birlikte, d istatistiği 0’a yaklaştıkça, otokorelasyon yoktur boş hipotezinin pozitif
otokorelasyon alternatifine karşı reddedilmesi kolaylaşır. d istatistiği 4’e yaklaştıkça otokorelasyon yoktur
boş hipotezinin negatif otokorelasyon lehine reddedilir.

146
Ekonometrinin Temelleri

Örnek 7.2
Bir araştırmacı doğrusal bir regresyondaki hata teriminin otokorelasyon içerip içermediğini test etmek
istemektedir. Kırk iki yıllık zaman serisi kullanarak aşağıdaki modeli tahmin ettiğini kabul edelim:

Yt = β1 + β2X2t + β3X3t + ut (7.11)

DW d istatistiği 1.33 olarak bulmuştur. Durbin Watson d istatistiği kritik değerleri k’ = başlangıç
modelindeki parametre sayısı eksi bir ve n gözlem sayısı için elde edilmektedir. Örnek modelimiz için
k’ = 3 – 1 = 2 ve n = 42’dir. Kritik değerler tablosundan k’ = 2 ve n = 42 için kritik değerleri 1.391 ve
1.600 olarak elde edebiliriz. Bu, hesaplanan d = 1.33’lük d istatistiği Grafik 7.6’da pozitif otokorelasyon
bölgesine düşmektedir. Bunun sonucu modelde pozitif otokorelasyon bulgusu elde edilmiştir.

Durbin Watson Testinin Geçerli Olabilmesi İçin Gerekli Koşullar

DW testinin bir uygulama için geçerli olarak kullanılabilmesi için şu üç koşul yerine getirilmelidir:
1. Regresyonda sabit terim olmalı
2. Açıklayıcı değişkenler stokastik (olasılıklı) olmamalı ve
3. Modelin sağ tarafından bağımlı değişkenin gecikmeli değerleri (Yt – 1, Yt – 2, vb. ) bulunmamalıdır.
Bağımlı değişkenin gecikmeli değerinin açıklayıcı değişken olarak kullanılması durumunda test istatis-
tiği 2’ye yakın değerler alma eğiliminde olacaktır. Bu da hata terimi otokorelasyon içerse bile otokorelas-
yon bulunmadığı kararının oluşmasına neden olacaktır.

Diğer Bir Otokorelasyon Testi: Breusch – Godfrey Testi

DW testi sadece birinci dereceden otokorelasyonun testinde kullanıldığını ve uygulanması için bazı
koşulların gerekli olduğunu hatırlayalım. Oysa Breusch – Godfrey (BG) testi sadece birinci dereceden oto-
korelasyonla sınırlı olmadığı gibi uygulanması için koşullara da gerek duyulmaz. BG testi, r’inci dereceye
kadar otokorelasyon için daha genel bir testtir. Bu test altındaki hataların modeli

ut = ρ1ut − 1 + ρ2ut − 2 + ρ3ut − 3 + ··· + ρr ut − r + vt, (7.12)

Boş ve alternatif hipotezler:

H0: ρ1 = 0 ve ρ2 = 0 ve ... ve ρr = 0
H1: ρ1 ≠ 0 veya ρ2 ≠ 0 veya ... veya ρr ≠ 0

Dolayısıyla, boş hipotez altında, cari hata önceki değerlerinden herhangi biriyle ilişkili değildir.
BG testi aşağıdaki adımlar izlenerek gerçekleştirilir:
1. Başlangıç modeli Yt = β1 + β2X2t + β3X3t + … + βkXkt + ut SEKK ile tahmin edilerek ût kalıntı değer-
lerini elde edilir.
2. Şu yardımcı regresyonu EKK ile tahmin ederiz: ût = α1+ α2 X2t + … + αk Xkt + ρ1 ût – 1 + ρ2 ût – 2 + … +
ρr ût – r + vt
3. Bu regresyondan R-kare değerini çekerek (n – r)R2 değerini hesaplarız; burada n gözlem sayısını ve
r otokorelasyon derecesini belirtir. Bu değer α önem düzeyinde ve r serbestlik derecesinde ki-kare
kritik değerinden büyükse yani (n – r)R2 > χ2α (r) ise, boş hipotez reddedilerek hataların r’inci
dereceden otokorelasyon içerdiğine karar verilir. Aksi halde otokorelasyon yoktur boş hipotezin
reddedilmesine yeterli kanıt bulunamaz.

147
 Klasik Doğrusal Regresyon Modelinin Varsayımlarından Sapmalar II
Breusch – Godfrey testi ile ilgili potansiyel bir
güçlük, testin hesaplanmasında uygun gecikme de-
recesi r’nin ne olacağı ile ilgilidir. Bunun ne olması
gerektiği konusunda açık bir r değeri yoktur, bu ne-
denle bir dizi değerle denemeler yapmak ve aynı za-
manda verilerin sıklığını kullanmak tipiktir. Örne-
ğin, veriler aylık veya üç aylık ise, r sırasıyla 12 veya
4 olarak alınabilir. Bu durumda argüman, herhangi
bir dönemde meydana gelen hataların yalnızca bir
önceki yıldaki hatalarla ilişkili olacağıdır. Model is-
tatistiksel olarak yeterli ise r değeri ne olursa olsun,
artıklarda otokorelasyon kanıtı bulunmamalıdır.
Otokorelasyona Karşı Çözümler
Otokorelasyonun muhtemel olduğunu belir-
ledikten sonra, bir düzeltme işlemine girişmeden
önce modelimizi gözden geçirmeliyiz. Otokore-
lasyonun ortaya çıkış nedenlerinden biri modelin
eksik belirlenmiş olmasıdır. Mevcut otokorelasyon
böyle bir eksik belirlenme nedeniyle ortaya çık-
mış olabilir. Zaman serisi verileriyle işlem yapılan
ekonometrik modellerde değişkenlerin cari dönem
değerlerinin açıklayıcı değişken olarak yer alması
yeterli olmayabilir. Özellikle aylık ve mevsimlik
verilerle tahmin yapılması durumunda X’lerin Y
üzerindeki tüm etkisini aynı dönemde gerçekleştir-
mesi mümkün olmayabilir. Yani X’in Y üzerindeki
etkisi gelecek dönemlere taşabilir. Buna karşılık ba-
zen Y’nin X’lere karşı tepkisi zaman alabilir. X’in Y
üzerindeki etkisi ilk dönemde yok ya da çok az iken
etki giderek artar ve belirli bir dönem sonra giderek
azalmaya başlayabilir. Her iki durumu da model-
leştirmenin yolu modele gecikmeli X değişkenleri-
ni katmaktır. Modele gecikmeli X değişkenlerinin
dahil edilmesi aynı zamanda modele dinamik bir
nitelik de katacaktır. Dinamik ekonometrik mo-
deller ekonometride en azından bir üniteye konu
olabilecek genişliktedir. Ekonometrinin temelleri
ile sınırlı ders kitabımızda dinamik ekonometri
modellerine yer verilmemiştir.
Modelin gözden geçirilmesi sonucu otokore-
lasyon hâlâ var olmaya devam ediyorsa doğru so-
nuçlar elde etmek için modelinizi yeniden tahmin
etmeye girişmemiz gerekir. Otokorelasyon için en
yaygın iki çözüm, uygulanabilir genelleştirilmiş en
küçük kareler (UEKK) ve otokorelasyonla uyumlu
sağlam standart hataların kullanılmasıdır.
148
Uygulanabilir Genelleştirilmiş En
Küçük Kareler
Modelde hata terimindeki otokorelasyonu gi-
dermek için uygulanan genelleştirilmiş en küçük
kareler yöntemi, uygulanabilir genelleştirilmiş en
küçük kareler (UGEKK) olarak bilinir. UGEKK
kullanılan kesin yönteme bağlı olarak çeşitli isim-
leri alır. Birinci dereceden otokorelasyon (yani AR
(1)) için kullanılan iki UGEKK tekniği şunlardır:
• Cochrane-Orcutt (CO) dönüşümü ve
• Prais-Winsten (PW) dönüşümü.
CO ve PW teknikleri başlangıçtaki otokorelas-
yonlu modeli otokorelasyonu olmayan bir modele
dönüştürürler. Dolayısıyla, CO ve PW dönüşüm-
lerinin amacı başlangıç modelindeki hata terimini
ilişkisiz hâle getirmektir. Bu amaçla, ilk olarak,
otokorelasyonun bir AR (1) süreci tarafından be-
lirlendiğini kabul ederler. Sonra, ilişkisiz bir hata
terimi ile sonuçlanan bir genelleştirilmiş fark denk-
lemi oluşturmak için bu ilişki bilgisini kullanırlar.
Genelleştirilmiş fark alma işlemi her bir değişkenin
cari değerinden otokorelasyon parametresi (ρ) ta-
rafından ölçeklenen önceki değerinin çıkarılmasını
içerir.
Önerilen AR (1) otokorelasyon modeli doğru
değilse, UGEKK ile EKK’den daha doğru standart
hatalar alma garantisi yoktur.
CO veya PW tekniğinin uygulanışı aşağıdaki
adımları içerir:
1. Başlangıç modelimizi, Yt = β1 + β2 X2t + β3 X3t
+ … + βk Xkt + ut, tahmin eder ût kalıntılarını
oluştururuz.
2. ρ^’yı tahmin etmek için kalıntıları kullanarak
aşağıdaki hesaplamalardan birini yaparız:
(i)
T
∑ uˆ t uˆ t-1
t =1
ρ^ = T
2
∑ uˆ t
t =1
Bu hesaplama büyük örnekler için geçerlidir,
küçük örneklemlerde ciddi hatalar olabilir.
(ii)
d
ρ^ = 1 -
2
Ekonometrinin Temelleri

Bu hesaplama daha küçük örneklemler ile kullanılabilir.

iii) u^t = ρ u^t + vt regresyonunun tahmininden ρ^ tahmini.
Bu yöntem ρ tahmini için en yaygın olanıdır, ancak yalnızca daha büyük örneklerle önerilir.
3. ρ yerine ρ^’yı kullanarak genelleştirilmiş fark denklemi CO veya PW olarak adlandırılan bir regres-
yonunu oluştururuz.
Artık temel adımları bildiğimize göre, önce CO dönüşümünü bulmak için bunları uygulamayı dene-
yelim. Başlangıç modelimizin aşağıdaki biçimde olduğunu:

Yt = β1 + β2X2t + β3X3t + … + βkXkt + ut (7.13)

ve hata teriminin ise

ut = ρut − 1 + vt, (7.14)

olduğunu kabul edelim. Burada vt, KDRM varsayımlarını sağlayan bir hata terimidir. Modelde t ve t - 1 dö-
nemindeki hatalar ilişkili olmaları nedeniyle Y modeli otokorelasyon olmadığı varsayımını ihlal etmektedir.
Y için model t döneminde geçerliyse, t – 1’de de geçerli olmalıdır, bu yüzden model bir dönem öncesi
için şöyle yazılır:

Yt – 1 = β1 + β2X2t – 1 + β3X3t – 1 + … + βkXk t – 1 + ut – 1 , (7.15)

Yt – 1’in her iki tarafını ρ ile çarparak başlangıç modelinden çıkarırsak şu genelleştirilmiş fark denklemini
elde ederiz:

Yt – ρYt -1 = β1(1– ρ) + β2(X2t – ρX2t-1) + β3(X3t – ρX3t -1) + … + βk (Xkt – ρXkt - 1) + (ut – ρut -1)

ut = ρut − 1 + vt bilgisinden yararlanarak ve modeli daha sade bir hale getirmek için şu tanımlamaları
yaparak;

Yt * = Yt − ρYt − 1,
β1* = (1 − ρ)β1,
X2t* = (X2t – ρX2t − 1),
X3t* = (X3t – ρX3t − 1),
Xkt* = (Xkt – ρXkt − 1),
β1* = β1, β2* = β2, β3* = β3, βk* = βk ve vt* = vt

model yeniden şöyle yazılabilir:

Yt* = β1* + β2*X2t* + β3* X3t* + … + βk* Xkt* + vt * (7.16)

β*’lar CO UGEKK tahmincileridir. Bu model KDRM’nin tüm varsayımlarını karşılar. Bununla birlik-
te, ilk gözlemin öncülü olmadığı için bir gözlem kaybolmaktadır. PW dönüşümü, CO dönüşümünün bu
eksikliğini ilk gözlemler için aşağıdaki tanımlamaları yaparak giderir:

149
 Klasik Doğrusal Regresyon Modelinin Varsayımlarından Sapmalar II

( 1- ρ )Y
Y1* = 2
1

X = ( 1- ρ ) X
1
* 2
1

v = ( 1- ρ ) u
1
* 2
1

İlk gözlemler dışında bütün yapı CO ile aynıdır. İlk dönemdeki hata teriminin de KDRM’nin varsa-
yımlarını karşıladığı gösterilebilir:

E (v1* ) = (( 1- ρ ) u ) = ( (1- ρ ) ) E (u ) = 0
2
1
2
1

ve

⎛ 2 ⎞ 2
Var (v1* ) = var (( ) ) ( ) ⎝1-σρ
1- ρ 2 u1 = 1- ρ 2 Var (u1 ) = 1- ρ 2 ⎜
( ) u
2
⎟ =σ u
⎠

Büyük örneklemlerde, CO ve PW tahminleri arasındaki fark genellikle küçüktür. Bununla birlikte,

küçük örneklerde, CO ve PW tahminleri arasındaki fark önemli olabilir.
Ekonometri yazılım programlarının çoğu, özel bir komut kullanarak otokorelasyonu düzeltmek için
Uygulanabilir Genelleştirilmiş EKK (UGEKK veya FGLS) seçeneğini sunarlar.

Otokorelasyona Duyarlı Sağlam Standart Hatalar

Modeli SEKK kullanarak tahmin etmek ve standart hataları otokorelasyon için ayarlamak diğer düzelt-
me yöntemlerinden daha popüler hâle gelmiştir. Bunun iki nedeni vardır: (1) otokorelasyona karşı sağlam
standart hataların, temel bir AR (1) süreci veya daha üst bir AR (q) sürecinin varlığına ayarlanabilmesi ve
(2) yalnızca sonuçların sapmalı kısımlara (standart hatalar) ayarlanırken, sapmasız tahminlere (katsayılar)
dokunulmaması, dolayısıyla model dönüşümü gerektirmemesidir.

dikkat
Hata terimi otokorelasyon içerdiği zaman modeli SEKK ile tahmin etmek ve
otokorelasyona karşı duyarlı sağlam standart hataları kullanmak daha popüler
hâle gelmiştir. Bu yaklaşım sadece AR(1) süreci ile sınırlı olmayıp herhangi
bir otokorelasyon derecesi için geçerli bir yaklaşımdır. Ayrıca, bu yaklaşımda
sadece sapmalı kısımlar düzeltilmesi nedeniyle model dönüşümüne de gerek
duyulmamaktadır.

Otokorelasyon için SEKK standart hatalarının ayarlanması otokorelasyona karşı sağlam standart hata-
lar üretir. Bunlara Newey-West (NW) standart hataları da denir. Bu yöntemin gücü, aynı zamanda daha üst
düzey otokorelasyon (AR (q)) ve değişen varyans ile baş edebilmesidir. Çoğu ekonometri yazılım program-
ları, özel bir komutla otokorelasyona duyarlı sağlam standart hataların elde edilmesini sağlarlar.

150
Ekonometrinin Temelleri

Öğrenme Çıktısı

4 Otokorelasyonun neden ve sonuçlarını ifade edebilme

5 Bir regresyon modelinde hataların otokorelasyon içerip içermediğini belirleyebilme
6 Otokorelasyonla baş edebilmenin yollarını ifade edebilme

Araştır 2 İlişkilendir Anlat/Paylaş

Bir değişken geçmiş de-

ğerleriyle ilişkilendirilerek
Otokorelasyon fonksiyonu Otokorelasyon ve otoreg-
değişkenin gelecek değer-
nedir ne amaçla kullanılır? regresyon kavramlarını iliş-
lerinin elde edilip edileme-
Araştırın. kilendirin.
yeceğini arkadaşlarınızla
paylaşın.

VARSAYIM 5: HATA TERİMİ NORMAL DAĞILMIŞTIR

Model parametreleri hakkında tekil veya bileşik hipotez testleri yapmak için normallik varsayımına
(ut ~ N(0, σ2)) gereksinim duyulur. Hata terimi normal dağılmış ise istatistikte Merkezi Limit Teoremi
olarak bilinen bir teorem uyarınca regresyon parametreleri de normal dağılıma uyar. Bunun sonucu,
parametreler hakkında hipotez testleri düzenlenebilir. Hata terimi normal dağılmamış ve örneklem hac-
mi yeterince büyük değilse hipotez testleri güvenli bir şekilde gerçekleştirilemez. Buna rağmen yapılan
hipotez testleri yanıltıcı sonuçlar verebilir. Buna karşılık, hata terimi normal dağılmamış olmakla bir-
likte örneklem hacmi yeterince büyük ise, örneklem hacmi sonsuz gittikçe bütün dağılımların normale
yaklaştığı bilgisinden yararlanarak hipotez testlerini gerçekleştirebiliriz.

Normallikten Ayrılma Testleri

Normallik için en sık uygulanan testlerden biri Jarque - Bera (bundan sonra JB olarak anılacaktır) tes-
tidir. JB testi, tüm dağılımın ilk iki momentle (ortalama ve varyans) karakterize edildiği normal dağılmış
rastgele değişken özelliğini kullanır. Standart bir dağılımın üçüncü ve dördüncü momentleri çarpıklık ve
basıklık olarak bilinir. Normal bir dağılım çarpık değildir ve basıklık katsayısı 3 olarak tanımlanmıştır.
Basıklık eksi 3’ün katsayısı aşırı basıklık katsayısıdır. Bu nedenle normal bir dağılım sıfıra aşırı basıklık kat-
sayısına sahip olacaktır. JB, çarpıklık katsayısının ve aşırı basıklık katsayısının birlikte sıfır olup olmadığını
test ederek bu testi gerçekleştirmektedir. Hataları u ve varyanslarını σ2 ile ifade ederek çarpıklık ve basıklık
katsayılarının sırasıyla aşağıdaki gibi ifade edilir:

E ⎡⎣u 3 ⎤⎦ E ⎡⎣u 3 ⎤⎦
b1 = 3 ve b2 = 2 (7.17)
2
σ2
( ) σ2
( )
Normal dağılımın basıklığı 3’tür, bu nedenle aşırı basıklığı (b2 − 3) sıfırdır. JB test istatistiği,

⎡b2 2⎤
JB=T ⎢ 1
+
(b2 - 3) ⎥
⎢⎣ 6 24 ⎥⎦ (7.18)

151
 Klasik Doğrusal Regresyon Modelinin Varsayımlarından Sapmalar II

olarak hesaplanır, burada T örneklem büyüklüğüdür. Test istatistiği, serinin dağılımının normal olduğu
yönündeki sıfır hipotezi altında asimptotik olarak χ2 (2) dağılımı izler. Hesaplanan JB değer α önem düze-
yi ve 2 serbestlik derecesinde kritik χ2 değerinden büyükse normallik boş hipotezi reddedilir. Formüldeki
b1 ve b2, SEKK regresyonu artıklarının tanımlayıcı istatistiklerinden tahmin edilebilir. Modeldeki artıklar
önemli ölçüde çarpık ve/veya leptokurtik (sivri) / platykurtik (yatık) olduğunda normallik reddedilir.

Öğrenme Çıktısı

7 Bir regresyondan elde edilen kalıntı dağılımın normalden önemli ölçüde farklı olup
olmadığının nasıl test edileceğini ifade edebilme

Araştır 3 İlişkilendir Anlat/Paylaş

Günlük hayatımızda kar-

Hata terimi normal dağıl-
mazsa parametreler hakkın-
daki hipotez testleri bundan
nasıl etkilenir?
Gelir değişkenini normal
şılaştığımız değişkenlerin
dağılım ile ilişkilendirin.
(örneğin yaş, boy uzunlu-
Gelir normal değilse nor-
ğu, kişisel gelir, çocuk sayısı
mallik uzaklaştıran faktör
gibi) normal dağılıma ne
basıklık mıdır yoksa çarpık-
kadar uygun olabileceğini
lık mıdır?
arkadaşlarınızla paylaşın.

152
Ekonometrinin Temelleri

1 Değişen varyansın neden ve sonuçlarını ifade

edebilme

öğrenme çıktıları ve bölüm özeti

2 Bir regresyon modelinde hataların değişen
varyanslı olup olmadığını belirleyebilme

3 Değişen varyansla baş edebilmek için ağırlıklı en

küçük kareler sürecini uygulayabilme

Varsayım 3 Hata Terimi Sabit

Varyanslıdır: Var(ui) = 0

1 Değişen varyans, “hata terimi sabit varyanslıdır” varsayımın geçerli olmaması hâlinde ortaya çıkan bir
durumudur. Genellikle yatay kesit verilerde görülür. Değişen varyans verideki ölçek etkisi, öğrenme
etkisi, toplanma biçimi, aykırı değerler, model kurma hataları vb. diğer nedenlerle ortaya çıkar. Deği-
şen varyans durumunda SEKK parametre tahmincileri sapmasız olmaya devam ederler ve tahminleri
uygun bir şekilde kullanılabilirler. Ancak parametrelerin varyans ve standart hataları yanlış hesaplanır.
Buna bağlı olarak güven aralığı ve hipotez testleri (t ve F) yanıltıcı sonuçlar verebilir. Ayrıca Y öngörü
değerleri de yüksek varyanslı olacak ve bu nedenle etkin olmayacaktır.

2 Bir regresyon modelinde hata teriminin değişen varyanslı olup olmadığı örneklem verileri kullanılarak
bazı biçimsel testler yardımıyla belirlenmeye çalışılır. Bu amaca uygun çok sayıda test mevcuttur. Yar-
dımcı regresyon denklemine dayalı White testi uygulamada sık kullanılmakta olup çoğu ekonometri
yazılımı yardımıyla kolaylıkla uygulanır. Bu testte hataların sabit varyanslı olduğunu belirten boş
hipotezin reddedilmesi durumunda hataların değişen varyanslı olduğu kararına ulaşılır.

3 Değişen varyansla baş edebilmenin bazı yolları vardır. Bunlar; (i) Ağırlıklı en küçük kareler, (ii) Verileri
dönüştürme ve (iii) Değişen varyansla uyumlu White standart hatalarının kullanımıdır. Uygulamalı
araştırmalarda sıklıkla bunlardan üçüncüsü tercih edilmektedir.

153
 Klasik Doğrusal Regresyon Modelinin Varsayımlarından Sapmalar II

4 Otokorelasyonun neden ve sonuçlarını ifade

edebilme
öğrenme çıktıları ve bölüm özeti

5 Bir regresyon modelinde hataların otokorelasyon

içerip içermediğini belirleyebilme

6 Otokorelasyonla baş edebilmenin yollarını ifade

edebilme

Varsayım 4 Hata Terimleri

Arasında İlişki Yoktur:
Kov (xt, ut ) = 0

4 Otokorelasyon, “hata terimleri birbirleriyle ilişkili değildir” varsayımın geçerli olmaması hâlinde or-
taya çıkan bir durumdur. Genellikle zaman serisi verilerinde görülen bir durumdur. Otokorelasyon
çeşitli nedenlerle ortaya çıkabilir. Bunlar şöyle sıralanabilir: Verilerdeki atalet, model kurma hataları
(gerek modelden değişken dışlama ve gerekse modelin matematiksel kalıbının yanlış seçilmiş olması),
verilerdeki ölçüm hataları ve verilerde ara gözlem tahmini yapılması. Hata teriminin otokorelasyon
içermesi durumunda SEKK kullanılarak türetilen katsayı tahminleri hâlâ sapmasızdır, ancak mini-
mum varyanslı değillerdir. Bunun sonucu etkin değildirler. Olağan t ve F testleri geçerli olmazlar, uy-
gulandığında ciddi bir şekilde yanıltıcı sonuçlar verebilirler. Pozitif otokorelasyon durumunda R-kare
değerinin doğru değerinden büyük olması muhtemeldir.

5 Bir regresyon modelinde hataların otokorelasyon içerip içermediğini belirlemek için grafik analiz
ve bazı biçimsel testlerde yararlanılabilir. Grafik olarak başlangıç modelinin SEKK tahmininden
elde edilen kalıntıların bir dönem önceki değerlerine karşı dağılım grafiğinden ve kalıntıların zama-
na karşı grafiğinden yararlanılır. Otokorelasyonu test etmede kullanılan biçimsel testlerden en sık
kullanılanı Durbin-Watson testidir. Ancak bu test sadece birinci dereceden otokorelasyonun testi
için uygundur ve bazı koşulların varlığını gerektirir. Diğer bir otokorelasyon testi Breusch-Godfrey
testidir. Bu test herhangi bir dereceden otokorelasyonun testi için uygun olduğu gibi bazı koşulların
varlığına da gerek duyulmaz.

6 Otokorelasyonla baş edebilmenin bazı biçimsel yolları mevcuttur. Ancak bu yollara başvurmadan
önce modelin ve verilerin gözden geçirilmesi ve mümkünse bu yolla otokorelasyonun giderilmeye
çalışılması gerekir. Otokorelasyon çoğu zaman modelin yanlış kurulması ve verilerin doğru olmaması
sonucu ortaya çıkar. Bu nedenle modelde otokorelasyon varsa bu durum modeli gözden geçirmenin
bir fırsatı olarak görülmelidir. Modelin gözden geçirilmesi sonucu otokorelasyon hala var olmaya de-
vam ediyorsa sorunu çözmenin iki genel yolu vardır. Bunlar: (i) Uygulanabilir Genelleştirilmiş EKK
(ii) Otokorelasyona duyarlı Newey-West sağlam standart hatalarının kullanımıdır. Bilinen standart
ekonometri yazılımları bu uygulamaların kullanışlı bir şekilde yapılmasını sağlamaktadırlar.

154
Ekonometrinin Temelleri

Bir regresyondan elde edilen kalıntı dağılımın

7 normalden önemli ölçüde farklı olup olmadığının
nasıl test edileceğini ifade edebilme

öğrenme çıktıları ve bölüm özeti

Varsayım 5 Hata Terimi Normal
Dağılmıştır
Bir regresyondan hataların normal dağılmış olması, model pa-
rametreleri hakkında hipotez testlerinin gerçekleştirilebilmesi
için gereklidir. Eğer hatalar normal dağılmamış ve örneklem
hacmi de yeterince büyük değilse hipotez testleri geçerli bir
şekilde gerçekleştirilemez. Buna karşılık, hata terimi normal
dağılmamış olmakla birlikte örneklem hacmi yeterince büyük-
se örneklem büyüklüğü sonsuza gittikçe bütün dağılımların
normale yaklaştığı bilgisinden yararlanarak hipotez testlerini
güvenli bir şekilde gerçekleştirebiliriz. Hataların normal dağılıp
dağılmadığını test etmek için SEKK regresyonundan elde edi-
len kalıntılar kullanılır. Bu amaçla Jarque-Bera (JB) testi kul-
lanılabilir. Hesaplanan JB istatistiği belli bir önem düzeyinde
ve 2 serbestlik derecesinde ki-kare kritik değerinden büyükse
serinin normal dağıldığını söyleyen boş hipotez reddedilerek
hataların normal dağılmadığı yönündeki bir bulguya ulaşılır.

155
 Klasik Doğrusal Regresyon Modelinin Varsayımlarından Sapmalar II

1
Değişen varyansın varlığı durumunda SEKK 4 Bir regresyon modelinde hata teriminin de-
tahminleri ile ilgili olarak aşağıdaki ifadelerden ğişen varyanslı olduğu belirlenmiştir. Değişen var-
hangisi doğrudur? yansın bilinmediği fakat X ile ilişkili olduğu be-
neler öğrendik?

lirlenmiştir. Değişen varyansın ağırlıklı en küçük

A. Parametre tahminleri ve standart hatalar geçerli
iken t ve F istatistikleri geçersizdir.
B. t istatistikleri geçerli iken standart hatalar ve F
istatistikleri geçersizdir.
C. F istatistikleri geçerli iken standart hatalar ve t
istatistikleri geçersizdir.
D. Parametre tahminleri geçerli iken varyans ve
standart hatalar ile t ve F istatistikleri geçersizdir.
E. Parametre tahminleri geçersiz iken, varyans ve
standart hatalar ile t ve F istatistikleri geçerlidir.
2 Bir ekonometrik modelde değişen varyans
bulunması durumunda SEKK kullanmanın muh-
temel sonuçları nelerdir?
I. Katsayı tahminleri belirsizdir.
II. Hipotez testleri yanlış sonuçlar verebilir.
III. Modelden elde edilen öngörüler sapmalıdır.
IV. Standart hatalar doğru değildir.
A. I ve II
B. I ve III
C. II ve IV
D. I, II ve II
E. I, II, III ve IV.
karelerle giderilmesi için gerekli dönüştürülmüş
model aşağıdakilerden hangisine göre oluşturulur?
A. Başlangıç modeli X’e bölünerek
B. Başlangıç modeli X’in karesine bölünerek
C. Başlangıç modeli X’in kareköküne bölünerek
D. Başlangıç modeli X’in logaritmalarına bölünerek
E. Başlangıç modeli Y’ye bölünerek
5 Bir regresyon modelinde değişen varyans
mevcut fakat göz ardı edilirse SEKK parametre
tahmincileri için aşağıdakilerden hangisidir?
A. Sapmalı olacaktır.
B. Tutarsız olacaktır.
C. Etkin olacaktır.
D. Sapmalı ve tutarsız olacaktır
E. Tamamı doğru olacaktır.
6 Bir kalıntı serisi ardışık bağlantılı değil ise
Durbin-Watson d istatistiğinin nasıl bir değer al-
ması beklenir?
A. Sıfıra yakın B. İkiye yakın
C. Dörde yakın D. Bire yakın
E. Eksi 1’e yakın

3 Breusch-Godfrey test istatistiğinin dağılımı 7 I. Değişkenlerin her birinin logaritmasını almak

aşağıdakilerden hangisidir?
II. Uygun şekilde değiştirilmiş standart hatalar
A. χ2 dağılımı kullanmak
B. t dağılımı
C. normal dağılım III. Genelleştirilmiş en küçük kareler sürecini kul-
lanmak
D. F dağılımı
E. Kolmogorov Smirmov IV. Regresyon denklemine değişkenlerin gecikmeli
değerlerini eklemek
Hata terimi değişen varyanslı bir modelde sorunu
gidermek için yukardakilerden hangileri makul
yaklaşımlardır?
A. I ve II B. I ve III
C. II ve IV D. I, II ve III
E. I, II, III ve IV

156
Ekonometrinin Temelleri

8 Aşağıdakilerden hangisi dördüncü dereceden 10 Negatif pozitif otokorelasyonu aşağıdakiler-

otokorelasyonun testinde kullanılır? den hangisiyle gösterilir?

neler öğrendik?
A. Durbin Watson testi A. Kalıntılarda döngüsel bir düzen
B. White testi B. Kalıntılarda alternatif bir düzen
C. Breusch-Godfrey testi C. Kalıntılarda tam bir rastgelelik
D. Ramsey’in RESET testi D. Giderek genişleyen bir düzen
E. Hausman Testi E. Tamamı sıfıra yakın olan artıklar

9 Pozitif otokorelasyon aşağıdakilerden hangisi

ile gösterilir?
A. Hatalarda döngüsel (konjonktürel) bir kalıp
B. Hatalarda değişken bir kalıp
C. Hataların tamamen rassal olması
D. Hataların tümünün sıfıra yakın olması
E. Aykırı hata değerleri bulunması

157
 Klasik Doğrusal Regresyon Modelinin Varsayımlarından Sapmalar II

Yanıtınız yanlış ise “Değişen Varyansın Ne-
1. D
den Olduğu Sonuçlar” konusunu yeniden
gözden geçiriniz.
neler öğrendik yanıt anahtarı
Yanıtınız yanlış ise “Otokorelasyonun test
6. B
edilmesi: Durbin-Watson testi” konusunu
yeniden gözden geçiriniz.

Yanıtınız yanlış ise “Değişen Varyansın Ne- Yanıtınız yanlış ise “Değişen Varyansa Karşı
2. C 7. D
den Olduğu Sonuçlar” konusunu yeniden Çözümler” konusunu yeniden gözden geçi-
gözden geçiriniz. riniz.

Yanıtınız yanlış ise “Diğer bir otokorelasyon Yanıtınız yanlış ise “Diğer bir otokorelasyon
3. A 8. C
testi: Breusch – Godfrey testi” konusunu ye- testi: Breusch – Godfrey testi” konusunu ye-
niden gözden geçiriniz. niden gözden geçiriniz.

Yanıtınız yanlış ise “Değişen Varyansa Karşı Yanıtınız yanlış ise “Otokorelasyon için gra-
4. C 9. A
Çözümler” konusunu yeniden gözden geçi- fiksel testler” konusunu yeniden gözden ge-
riniz. çiriniz.

Yanıtınız yanlış ise “Değişen Varyansın Ne- Yanıtınız yanlış ise “Otokorelasyon için gra-
5. B 10. B
den Olduğu Sonuçlar” konusunu yeniden fiksel testler” konusunu yeniden gözden ge-
gözden geçiriniz. çiriniz.

Araştır Yanıt
7 Anahtarı

Otoregresif koşullu değişen varyans veya kısaca İngilizce kısaltması olan

ARCH, koşullu varyansın otoregresyonu olarak adlandırılabilir. ARCH duru-
munda modelin hata varyansı geçmiş değerlerine bağlı olarak değişmektedir.
Araştır 1 Finansmanda varyansın oynaklığa (volatiliteye) karşılık gelmesi nedeniyle ve
oynaklık kavramının finansal karar almada kullanılabilir bir değişken olması
nedeniyle, ARCH ve türevleri şeklinde bir dizi model geliştirilmiştir. Bu mo-
del dizisi zaman serisi analizi ve finansal ekonometrinin alanına girmektedir.

Otokorelasyon fonksiyonu bir zaman serisinin geçmiş değerleriyle arasındaki

ilişkiyi (korelasyonu) gösteren bir çizelge olarak tanımlanabilir. Bu çizelgede
Araştır 2 bir zaman serisinin cari değerinin 1 gecikmeden istenilen herhangi bir gecik-
meye kadar geçmiş değerleri arasındaki korelasyon katsayıları ve sıfır katsayı
değerine karşılık gelen %95 güven sınırlarına yer verilir. Hesaplanan katsayı
güven sınırlarının dışına taşmışsa katsayının anlamlı olduğuna karar verilir.

Hata terimi normal dağılmamış ve örneklem hacmi yeterince büyük değilse

hipotez testleri güvenli bir şekilde gerçekleştirilemez. Buna rağmen yapılan
Araştır 3 testler yanıltıcı sonuçlar verebilir. Ancak hata terimi normal dağılmamış olma-
sına rağmen örneklem hacmi yeterince büyükse, hipotez testlerini yapmaya
devam edebiliriz.

158
Ekonometrinin Temelleri
Kaynakça
Brooks, C. (2014). Introductory econometrics for
finance (3rd Edition). Cambridge: Cambridge
University Press
Gujarati, D. N. ve Porter, D. C. (2014). Temel
ekonometri (Basic econometrics Beşinci Basımdan
Çeviri). Çevirenler: Ümit Şenesen, Gülay Günlük
Şenesen, İstanbul: Literatür Ders Kitapları
Gujarati, D. N. (2011). Econometrics by example. New
York: Palgrave Macmillan
Güriş, S., Çağlayan, E. ve Güriş, B. (2013). Eviews ile
temel ekonometri (2. Baskı). İstanbul: Der Yayınları
Hill, R. C., Griffiths, E. G. ve Lim, G. C. (2011).
Principles of econometrics (4th Edition). John Wiley
& Sons, Inc.
Stock, J. H. ve Watson, M.W. (2011). Ekonometriye
giriş, Bedriye Saraçoğlu (Çev.) Ankara: Efil
Yayınevi
Tarı, R. (2018). Ekonometri (13. Baskı). Kocaeli:
Umuttepe Yayınları
159
 Bölüm 8
Eşanlı Denklem Modelleri
Bazı Temel Kavramlar
1 Yapısal biçim, indirgenmiş biçim, yapısal
öğrenme çıktıları

ve indirgenmiş biçim parametreleri, içsel

1 2
ve dışsal değişkenler kavramlarını ifade
edebilme
2 Yapısal bir modelden indirgenmiş biçim
denklemlerini türetebilme
Eşanlı Denklem Sapması
3 Eşanlı denklem sapmasının nedenini,
sonuçlarını ve çözümü tartışabilme

Belirlenme Sorunu ve Belirlenme

Koşulları Eşanlı Denklem Sistemleri İçin Tahmin

3 4
4 Bir eşanlı denklem takımından alınan bir Süreçleri
denklemin belirlenip belirlenmediğini 5 Eşanlı denklem modellerini tahmin etmede
inceleyebilme kullanılan yöntemleri ifade edebilme

Anahtar Sözcükler: • Yapısal biçim • İndirgenmiş (daraltılmış) biçim • Yapısal parametreler

• İndigenmiş biçim parametreleri • Eşanlı denklem sapması • Belirlenme sorunu
• Belirlenmenin biçimsel koşulları • Eşanlı denklem tahmin yöntemleri • Dolaysız en küçük kareler
• İki aşamalı en küçük kareler • Araç değişkenler yöntemi

160
Ekonometrinin Temelleri
GİRİŞ
Şimdiye kadar dikkate aldığımız yapısal model-
lerin tümü, aşağıdakine benzer tek denklemli mo-
dellerdir:
Yi = β1 + β2 X2i + β2 X2i + … + βk Xki + ui (8.1)
Bu modelde X açıklayıcı değişkenleri Y’yi et-
kilerden Y, X açıklayıcı değişkenlerini etkilemez.
Yani nedensellik X’lerden Y’ye doğrudur, Y’den
X’lere doğru değildir. Y içsel bir değişken, X’ler ise
dışsal değişkenlerdir. Öte yandan, klasik doğrusal
regresyon modelinin (KDRM) varsayımlarından
biri, hata teriminin açıklayıcı değişkenlerle ilişkili
olmamasıdır. Gerçek iktisadi olguların pek çoğun-
da nedensellik tek yönlü değildir. Yani X’ler Y’yi
etkilerken Y de en azından bazı X’leri etkileyebilir.
Böyle bir durum X açıklayıcı değişkeninin hata te-
rimi ile ilişkili olmasına neden olur. Bu durumda
Y ve X’ler arasındaki ilişkileri tek denklemli eko-
nometrik modellerle incelemek istenen özelliklere
sahip parametre tahminleri vermez. Bunun yerine
birden fazla denklemden oluşan eşanlı denklem
modelleri kullanılmalıdır. Bu bölümün amacı, ba-
ğımlı ve bağımsız değişkenlerin karşılıklı ilişkili ol-
masından kaynaklanan bu varsayım ihlalinin EKK
tahmincisi üzerindeki etkisini ortaya koymak ve
eşanlı ekonometrik modelleri tanıtmaktır.
BAZI TEMEL KAVRAMLAR
Eşanlı ekonometrik modelleri dikkate almak için,
herhangi bir mal veya hizmetin arz ve talebini (örne-
ğin ülke genelinde yeni konut arz ve talebini) ince-
leyen aşağıdaki iki denklemli modeli dikkate alalım:
QDt = α + βPt + γSt + u1t (8.2)
QSt = δ + λPt + μTt + u2t (8.3)
QDt = QSt (8.4)
burada
QDt = t döneminde talep edilen yeni konut
miktarı,
QSt = t döneminde arz edilen (inşa edilen) yeni
konut miktarı,
Pt = t döneminde (ortalama) yeni konut fiyatı,
St = t döneminde (ortalama) ikame malların
(örneğin eski konutların) fiyatı,
Tt = t döneminde konut yapımı teknolojisinin
durumunu temsil eden bir değişken,
u1t ve u2t hata terimleridir.
Denklem (8.2) yeni konut talebini modelleyen
bir denklem ve Denklem (8.3) yeni konut arzını
modellemektedir. Denklem (7.4), aşırı talep olma-
ması (yeni ev satın alma gücünde ve isteğinde olup
da satın alamayanlar) ve aşırı arz bulunmaması
(talep yetersizliği nedeniyle boş kalan inşa edilmiş
evler) için bir denge koşuludur. Bu modelde (8.2)
ve (8.3) birer davranış denklemi iken (8.4) bir öz-
deşlik veya denge denklemidir. Bir eşanlı denklem
modelinde genellikle davranış denklemleri yanında
bir (veya daha fazla) denge denklemi de yer alır. Bir
davranış denklemi parametre ve hata terimi içerir,
bağımlı değişkendeki değişmeler karşısında bağım-
lı değişkenin nasıl değiştiğini tarif eder. Özdeşlik ve
denge denklemleri parametre ve hata terimi içer-
mezler. Basit bir eşitlik olmaktan ileri gitmezler.
Genellikle Denklem (8.4)’de olduğu gibi denge ko-
şulu olarak görev yaparlar. Parametre içermedikleri
için tahmin edilmeleri de gerekmez.
Piyasanın her zaman dengede olduğunu ve ba-
sitlik için zaman imlerini düşürdüğümüzü kabul
edersekDenklem (8.2) - (8.4) aşağıdaki gibi yazı-
labilir:
Talep denklemi Q = α + βP + γS + u1 (8.5)
Arz Denklemi Q = δ + λP + μT + u2 (8.6)
Denklemler (8.5) ve (8.6) birlikte, eşanlı denk-
lem modelinin yapısal biçimi veya eşanlı yapısal
model olarak adlandırılır.
İncelenen iktisadi olgunun değişkenle-
ri arasındaki doğrudan yapısal ilişkileri
ortaya koyan model “yapısal biçim” veya
“eşanlı yapısal model” olarak adlandırılır.
Bu modelin denklemlerine yapısal denk-
lemler, parametrelerine ise yapısal para-
metreler denir.
Bu denklemler, iktisat teorisinin önerdiği değiş-
kenlerin bu biçimde ilişkili olabileceğini bildirdiği
denklemlerdir. Burada vurgulanması gereken asıl
nokta fiyat ve miktarın karşılıklı olarak belirlenme-
si yani, aynı anda fiyatın miktarı, miktarın da fiya-
tı etkilemesidir. Bu nedenle, inşaatçı daha fazla ev
161
 Eşanlı Denklem Modelleri

satmak için, diğer her şey aynı kalmak koşuluyla, fiyatı düşürmek zorunda kalacaktır. Aynı şekilde, inşaatçı
her konut için fiyatı daha yüksek tutmak istiyorsa daha az konut inşa etmeli ve daha az satmalıdır. Modelde
P ve Q içsel değişkenler, S ve T ise dışsal değişkenlerdir. α, β, γ, δ, λ ve μ modelin yapısal parametreleridir.
Denklem (8.5) ve (8.6) ayrı ayrı P ve Q için çözülerek bu denklemlere karşılık gelen indirgenmiş biçim
denklemleri elde edilir. Sistemdeki her bir içsel değişken için bir indirgenmiş biçim denklemi olacaktır.
Bu iki denklemi P için çözmek için her iki denklemi eşitleyerek P’yi denklemin solunda yalnız bırakacak
çözümü elde ederiz:
α+ βP+γS+u1= δ+λP +μT+u2
βP-λP=δ-α+μT-γS+u2-u1
P(β-λ)=(δ-α)+μT-γS+(u2-u1)
(δ − α ) µ −γ (u − u )
P= + T+ S + 2 2 (8.7)
(β − λ ) (β − λ ) (β − λ ) (β − λ )
Bu denklem denge fiyat düzeyini temsil etmektedir. Şimdi bu fiyat denklemini Denklem (8.5) veya
(8.6)’da yerine koyarak Q için çözelim. O zaman, P’yi (8.5)’te yerine koyarak Q için aşağıdaki çözümleri
yapalım:
⎛ (δ − α ) µ −γ (u − u ) ⎞
Q=α +β ⎜ + T+ S + 2 1 ⎟ + γ S + u1
⎝ (β − λ ) (β − λ ) (β − λ ) (β − λ ) ⎠
β (δ − α ) βµ −βγ β (u2 − u1 )
Q=α + T+ S+ + γ S + u1
(β − λ ) (β − λ ) (β − λ ) (β − λ )
α (β − λ ) β (δ − α ) βµ −βγ β (u2 − u1 ) γ (β − λ ) u (β − λ )
Q= + + T+ S+ + S+ 1
(β − λ ) (β − λ ) (β − λ ) (β − λ ) (β − λ ) (β − λ ) (β − λ )
Sabit terimler, hata terimleri ve S içeren iki terim aynı kesirde birleştirildiğinde şu elde edilir:

αβ − αλ + βδ − βα βµ βµ γβ − γβ − γλ β u − β u1 + β u1 − λ u1
Q= + + T+ S+ 2
(β − λ ) (β − λ ) (β − λ ) (β − λ ) (β − λ )
Basit sadeleştirmelerden sonra şu Q sonucu elde edilir:
βδ − αλ βµ γβ − γβ − γλ β u − λ u1
Q= + T+ S+ 2 (8.8)
(β − λ ) (β − λ ) (β − λ ) (β − λ )
Denklem (8.7) ve (8.8), sırasıyla P ve Q için indirgenmiş biçim (veya daraltılmış biçim) denklemleri
olarak adlandırılır. Denklem (8.5) ve (8.6)’da verilen eşanlı yapısal denklemlerin çözümünden elde edilen
denklemlerdir. İndirgenmiş biçim denklemlerinin sağ tarafında sadece dışsal değişkenlerin yer aldığına
dikkat edilmelidir.

Eşanlı yapısal denklemin içsel değişkenler
için çözülmesiyle elde edilen denklemler
“indirgenmiş (daraltılmış) biçim” denk-
lemleri olarak adlandırılır.
dikkat
Daraltılmış biçim denklem takımının
içsel değişkenler için çözülmesiyle elde
edilebileceği gibi içsel değişkenlerin doğ-
rudan dışsal değişkeler üzerine doğrudan
yazılmasıyla da elde edilebilir.

162
Ekonometrinin Temelleri

Denklem (8.7) ve (8.8)’deki indirgenmiş biçim denklemleri yeniden aşağıdaki gibi yazılabilir:

P=p10+p11T+p12S+e1 (8.9)
Q=p20+p21T+p22S+e2 (8.10)

burada π’ler indirgenmiş biçim parametreleri olup yapısal parametrelerle aşağıdaki gibi ilişkilidirler:
(δ − α ) µ −γ (u − u )
π 10 = , π 11 = , π 12 = , ε1 = 2 1
(β − λ ) (β − λ ) (β − λ ) (β − λ )

βδ − αλ βµ γβ − γβ − γλ βµ − λ u1
π 20 = , π 21 = , π 22 = , ε2 = 2
(β − λ ) (β − λ ) (β − λ ) (β − λ )

Bu ilişkilere çoğu zaman ihtiyaç duyulmaz ve indirgenmiş biçim parametreleri doğrudan (8.9) ve
(8.10)’daki gibi yazılır. Bu dersin kapsamında da yapısal parametrelerle indirgenmiş biçim parametreleri
arasındaki ilişkilere ihtiyaç duyulmamaktadır. İndirgenmiş biçim denklemlerinin doğrudan π’ler cinsin-
den yazılı biçimi yeterlidir. Bu yazım biçiminde parametrelerdeki ilk alt imin denklem numarası ikinci alt
imin ise sabit terim ve sırasıyla birinci ve ikinci dışsal değişkenleri temsil edildiğine dikkat edelim.

Öğrenme Çıktısı

1 Yapısal biçim, indirgenmiş biçim, yapısal ve indirgenmiş biçim parametreleri, içsel ve dışsal
değişkenler kavramlarını ifade edebilme
2 Yapısal bir modelden indirgenmiş biçim denklemlerini türetebilme

Araştır 1 İlişkilendir Anlat/Paylaş

Eşanlı denklem model-

Açıklayıcı değişkenin hata
lerindeki denklemlerin Açıklayıcı bir değişkenin
terimiyle ilişkili olmasının
indirgenmiş biçimleri ile hata terimiyle ilişkili olma-
neden sapmalı ve tutarsız
matematik derslerinde gör- sının sonuçlarını arkadaşla-
tahminlere yol açtığını araş-
düğünüz denge kavramını rınızla paylaşın.
tırın.
ilişkilendirin.

163
 Eşanlı Denklem Modelleri

EŞANLI DENKLEM SAPMASI

P ve Q değişkenlerinin karşılıklı olarak birbirleriyle ilişkili olmaları ve SEKK’in denklemlerin her birine
bağımsız olarak uygulanabilmesi nedeniyle, Denklem (7.5) ve (7.6)’nın SEKK ile geçerli bir şekilde tahmi-
ni mümkün olamaz. Buna karşılık, bir araştırmacı bu denklemleri SEKK kullanarak ayrı ayrı tahmin eder-
se ne olur? Her iki denklemin de sağ tarafında P değişkeni yer almaktadır. KDRM’nin varsayımlarından
biri, hata teriminin açıklayıcı değişkenlerle ilişkisiz olmasıdır, yani E(Xt ut) = 0 olmalıdır. Ancak Denklem
(8.11)’deki P denkleminin sağ tarafında u1 ve u2 yer aldığından, Denklem (8.5) ve (8.6)’da açıklayıcı de-
ğişken konumundaki P hatalarla ilişkilidir. Bunun sonucu bu varsayım ihlal edilmektedir.
Eğer eşanlılık göz ardı edildiyse SEKK parametre tahmincilerini üzerine sonuçları ne olurdu? Eşanlı
bir sistemin parçası olan yapısal denklemlere SEKK’nin uygulanması sapmalı katsayısı tahminlerine yol
açacaktır. Bu, eşanlılık sapması veya eşanlı denklem sapması olarak bilinir.

SEKK tahmincisi sapmalı olmasına karşın, hala tutarlı mıdır? Yani örneklem büyüklüğü arttıkça sapma
giderek kaybolmakta mıdır? Hayır, tahminci, gerçekte, tutarlı da değildir. Örneklem büyüklüğü artırılsa
bile sapma kaybolmamaktadır. Bu nedenle (8.5) ve (8.6)’yı SEKK kullanarak geçerli bir şekilde tahmin
etmek mümkün olmayacaktır.
Peki, o zaman ne yapılmalıdır. Cevap indirgenmiş biçim denklemleri aracılığıyla olabilir. Yapısal denk-
lemler doğrudan SEKK ile uygun bir şekilde tahmin edilememekle birlikte, indirgenmiş biçim denklemle-
ri (8.9) ve (8.10), sağ taraf değişkenlerinin tamamen dışsal olması nedeniyle SEKK ile tahmin edilebilirler.
Ancak muhtemelen π katsayılarının hangi değerleri aldığı bizi ilgilendirmez; bizim isteğimiz yapısal denk-
lemlerdeki α, β, γ, δ, λ ve μ parametrelerdir. Bu parametreler indirgenmiş biçim parametreleri π’lerden
elde edilebilir mi? Bu sorunun cevabı, denklemin belirlenmiş olup olmamasına bağlıdır. Bu durumda
eşanlılık sorunu yanında diğer bir sorunla daha karşılaşırız: Tanımlanma.

Bir denklemde X açıklayıcı değişkeni hata dikkat

terimi ile ilişkiliyse bu denklemin SEKK
ile tahmini sapmalı parametre tahminle-
rine yol açar. Bu sapmaya eşanlılık sapması
veya eşanlı denklem sapması adı verilir.
X açıklayıcı değişkeni hata terimiyle ilişki-
li olduğunda SEKK parametre tahminleri
sapmalı olmakla kalmaz aynı zamanda tu-
tarlı da olmazlar. Yani örneklem büyüklü-
ğü artmakla sapma giderek azalmaz.

164
Ekonometrinin Temelleri

Öğrenme Çıktısı

3 Eşanlı denklem sapmasının nedenini, sonuçlarını ve çözümü tartışabilme

Araştır 2 İlişkilendir Anlat/Paylaş

Eşanlı denklem modellerin-

Eşanlı denklem modelleri-
nin en yaygın olarak kulla-
nıldığı alanların neler oldu-
ğunu araştırın.
Eşanlı denklem modellerin-
deki politika değişkenleri ile
içsel ve dışsal değişken kav-
ramlarını ilişkilendirin.
den elde edilen öngörüler
ile tek denklemli modeller-
den elde edilen öngörülerin
özelliklerini arkadaşlarınızla
paylaşın.

BELİRLENME SORUNU VE P
BELİRLENME KOŞULLARI D S

Bir eşanlı denklem modelini veya modele ait bir

denklemini tahmin etmeden önce belirlenme du-
rumunun incelenmesi gerekir. Belirlenme sorunu
yapısal parametrelerin indirgenmiş biçim paramet-
relerinden elde edilip edilemeyeceği sorunudur.
Belirlenme sorununu sezgisel olarak anlamak için
D
aşağıdaki arz ve talep denklemlerini dikkate alalım: S

Talep denklemi Q = α + βP + u1 (8.11) 0 Q

Arz denklemi Q = δ + λP + u2 (8.12)
Bu denklemlerde Q ve P daha önce belirtildi-
ği gibi sırasıyla miktar ve fiyat değişkenleridir. Bu
denklemleri tahmin etmek isteyen biri, bir miktar
satılan konutlar ile onların fiyatlarını derlerse ve
miktarın fiyat üzerine regresyon denklemini tah-
min etmeye girişirse tahmin ettiği denklemin bir
talep denklemi mi yoksa bir arz denklemi mi oldu-
ğunu bilemez. Bu nedenle her iki denklem de belir-
sizdir (veya belirlenmemiş ya da eksik belirlenmiştir).
Problem bu denklemlerden dört parametreyi tah-
min etmek için yeterli bilgiye sahip olmayışımız-
dır. Buna karşılık, (8.5) ve (8.6) nolu denklemlerde
farklı dışsal değişkenler bulunması nedeniyle böyle
bir problem yoktur. Buna karşılık modeli aşağıdaki
gibi düzenlemiş olsaydık durum ne olurdu?
Talep denklemi Q = α + βP + u1 (8.13)
Arz denklemi Q = δ + λP + μT + u2 (8.14)
Grafik: 8.1 SS Arz Eğrisindeki Kaymalar Sonucu DD
Talep Eğrisinin Belirlenmesi
Her iki denklemi Grafik 8.1’de olduğu gibi gra-
fik ortamına aktaralım. Grafikte DD doğrusu talep
eğrisini, SS doğrusu ise arz eğrisini temsil etmek-
tedir. Talep eğrisi fiyat ve miktar arasında sabit bir
ilişki olarak tek bir doğrudan oluşmaktadır. Buna
karşılık arz eğrisi fiyat miktar eksenlerinde teknolo-
jideki değişmelere karşı kayma göstermektedir. Arz
eğrisindeki kaymalar, talep eğrisi üzerinde yuvarlak
içinde görülen noktaları ortaya çıkarmakta ve talep
fonksiyonunun belirlenmesini sağlamaktadır. Aynı
durum arz eğrisi için geçerli değildir. Bu durumda
(8.14)’de arz denklemine eklenen T dışsal değişke-
ni talep eğrisinin belirlenmesini sağlamıştır. İlave
değişken arz denklemine değil de talep denklemine
eklenmiş olsaydı, bu defa talep denklemi belirlen-
miş durumda olurdu. (8.5) ve (8.6) nolu denklem-
lerde her iki denkleme de birer ayrı dışsal eklenmiş-
tir. Bu durumda sezgisel olarak bu denklemlerin de
belirlenmiş olduğu düşünülebilir.

165

Eşanlı bir modelin denklemlerinin belirlenmesi
ile ilgili olarak mevcut bilgi durumuna bağlı olarak
üç farklı durumla karşılaşılır. Bu durumlar aşağıda-
ki gibidir:
i) Denklem belirlenmez (veya belirlenmemiş
ya da eksik belirlenmiştir); bu durumda
yapısal parametreleri indirgenmiş biçim pa-
rametrelerinden elde etmenin bir yolu yok-
tur.
ii) Denklem tam belirlenmiştir; bu durumda
yapısal parametreler indirgenmiş biçim pa-
rametrelerinden tek değerli olarak elde edi-
lebilir.
iii) Denklem aşırı belirlenmiştir; bu durumda
yapısal parametreler indirgenmiş biçim pa-
rametrelerinden birden fazla değerli olarak
elde edilebilir.
Belirlenmenin Biçimsel Koşulları
Bir denklemin belirlenir olabilmesi için iki ko-
şulun sağlanması gereklidir: Bunlar mertebe ve sıra
koşullarıdır.
• Mertebe koşulu - bir denklemin belirlen-
mesi için gerekli ama yetersiz bir koşuldur.
Yani, mertebe koşulu sağlanmış olsa bile
denklem belirlenmiş olmayabilir.
• Sıra (rank) koşulu denklemin belirlenme-
si için gerekli ve yeterli koşuldur. Yapısal
denklemler bir matris biçiminde yazılır ve
belirli bir denklemin dışında tutulan değiş-
kenlerin hepsinin matriks rankı incelenir.
Rank durumunun incelenmesi bu dersin
kapsamına dahil edilmemiştir.
dikkat
Mertebe Koşulunun İfadesi: G sayıda eşanlı
denklemden oluşan bir eşanlı denklem mo-
delindeki bir denklemin belirlenmede mer-
tebe koşulunun sağlayabilmesi için bu denk-
lemden en az denklem sayısının bir eksiği
kadar değişken dışlanmış olmalıdır.
Bu sonucu formülleştirmek için sistemin bü-
tününde yer alan tüm içsel ve dışsal değişkenlerin
sayısı K ve denklemdeki tüm içsel ve dışsal de-
ğişkenlerin sayısı M olsun. Bu durumda, K – M,
denklemden dışlanan, yani denklemde yer veril-
166
Eşanlı Denklem Modelleri
meyen değişken sayısıdır. Bunun sonucu mertebe
koşulu şöyle yazılabilir:
K – M ≥ G – 1 olmalıdır.
Eğer dışlanan değişken sayısı, K – M, G – 1’den
küçük olursa denklem belirlenmez. Buna karşılık,
K – M, G – 1’e eşit olursa denklem tam belirle-
nir, büyük olursa aşırı belirlenir. Denklem (8.5) ve
(8.6)’daki eşanlı modelde tüm değişkenler Q, P, S
ve T’den oluşmakta olup sayısı K = 4’dür. Her iki
denklemde de 3 değişken yer almakta olup M =
3’dür. Denklem sayısı G her iki denklem için de
2’dir. Bunun sonucu, K – M ≥ G – 1 işlemi 4 – 3
= 2 – 1 olarak elde edilir. Sonuç, eşitlik olarak elde
edildiğinden her iki denklem de ayrı ayrı tam be-
lirlenmiştir.
Şimdi bir de (8.13) ve (8.14) ile verilen modelin
denklemlerin belirlenme durumunu tespit edelim.
Her iki denklemde yer alan değişkenler P, Q ve T
değişkenleri olup sayısı K = 3’dür. Denklem sayısı 2
ve bir eksiği yani G – 1 = 2 – 1’dir. O hâlde her bir
denklemin belirlenmesi için en az 1 değişkenin dış-
lanması gerekir. (8.13)’deki talep denkleminde top-
lam 2 değişken bulunmakta dolayısıyla 1 değişken
dışlanmış durumdadır. Bu nedenle talep denkle-
mi belirlenmenin gerekli koşulunu sağlamaktadır.
(8.14)’deki arz denkleminde ise üç değişken bulun-
makta ve değişken dışlaması yapılmamış durum-
dadır. Bu nedenle arz denklemi belirlenmenin ge-
rekli koşulunu sağlamamaktadır. (8.13)’deki talep
denkleminin belirlenmesini sağlayan şey, modelin
bütününde yer alıp da be denklemde bulunmayan
bir değişkenin olmasıdır.
Bir denklem tahmin edilmeden önce belirlen-
me koşulları kontrol edilmelidir. Bir denklem be-
lirlenmezse tahmin edilmeden önce modelin de-
Ekonometrinin Temelleri

ğiştirilmesi yoluna başvurulmalıdır. Bununla birlikte modelin değiştirilmesi, tesadüfen yapılmamalıdır.

Sadece belirlenir olması için bir denklemden önemli bir değişken çıkarılmamalıdır. Eşanlı bir denklem
modelinin yapısı, dengenin nasıl sağlandığına dair anlayışınızı yansıtmalı ve ekonomik teori ile tutarlı
olmalıdır. Yanlış bir model oluşturmak, belirlenme problemine iyi bir çözüm değildir.

Yaşamla İlişkilendir

167
 Eşanlı Denklem Modelleri

168
Ekonometrinin Temelleri

169

Örnek: 8.1: Aşağıdaki eşanlı denklem modelin-
de Y’ler içsel değişkenler ve X’ler dışsal değişkenler-
dir. Basitlik için değişkenlerdeki zaman imine yer
verilmemiştir. Parametrelerdeki ilk alt im denklem
numarasını, ikinci alt im ise değişken numarasını
göstermektedir. Denklemlerin her birinin belirle-
nip belirlenmenin gerekli koşulunu sağlayıp sağla-
madığı belirlenmişse aşırı mı tam mı belirlediğini
tespit ediniz:
Y1 = β10 + β11Y2 + β13Y3 + γ11 X1 + γ12 X2 + γ14X4
+ u1 (8.15)
Y2 = β20 + β21Y1 + γ21X1 + γ22X2 + γ23X3 + u2 denklem numarasını, ikincisi değişken numarasını
(8.16)
Y3 = β30 + β31Y1 + γ33X3 + u3 (8.17)
Modeldeki denklem sayısı 3’tür. Bunun sonu-
cu, belirlenmenin mertebe koşulu için gerekli koşul
her bir denklemden en az iki değişkenin dışlanmış
olmasıdır. Dışlanan değişken iki ise denklem tam
belirlenme koşuluna uyar, ikiden fazla ise denklem
aşırı belirlenme koşuluna uyar. Modelin bütünün-
de görülen değişkenler Y1, Y2, Y3, X1, X2, X3 ve X4
olmak üzere 7 tanedir. Denklemlerin her biri için
mertebe aşağıdaki gibidir:
1. Denklem (8.15): Toplam 6 değişken var, 1
değişken dışlanmış, denklem belirlenmez.
2. Denklem (8.16): Toplam 5 değişken var, 2
değişken dışlanmış, denklem tam belirlenir.
3. Denklem (8.17): Toplam 3 değişken var, 4
değişken dışlanmış, denklem aşırı belirlenir.
Bir eşanlı denklem takımından alınan bir denk-
lemin belirlenip belirlenmediğini inceler.
Eşanlı denklem modellerini tahmin etmede
kullanılan yöntemleri açıklar.
170
Eşanlı Denklem Modelleri
Geri Dönüşlü Denklem Modeli
(Üçgen Sistemler)
Basitlik için zaman imleri yazılmamış aşağıdaki
denklem takımını dikkate alalım:
Y1 = β10 + γ11X1 + γ12X2 + u1 (8.18)
Y2 = β20 + β21Y1 + γ21 X1 + γ23X3 + u2 (8.19)
Y3 = β30 + β31Y1 + β32Y2 + γ31X1 + γ32 X2 + u3
(8.20)
Bu üç denklemli modelde Y’ler içsel değişkenler
ve X’ler dışsal değişkenlerdir. β’lar içsel değişkenlere
ait parametreler ve γ’lar içsel değişkenlere ait para-
metrelerdir. Parametrelerdeki alt imlerden birincisi
temsil etmektedir. Örneğin, γ23 ikinci denklemde-
ki üçüncü dışsal değişkene ait parametre anlamına
gelir. Bu üç denklemin hata terimlerinin birbirle-
riyle ilişkili olmadığını varsayılır.
Buradaki soru şudur: Bu denklemler ayrı ayrı
SEKK kullanılarak tahmin edilebilir mi? Bu so-
ruya ilk bakıştauygun cevap: ‘Hayır, çünkü bu bir
eşanlı denklem sistemidir’ gibi görünebilir. Oysa, bu
denklemlerden birincisi (8.18) hiçbir içsel değişken
içermez, bu nedenle X1 ve X2, u1 ile ilişkili değildir.
Bunun sonucu bu denklemin tahmininde SEKK
kullanılabilir. İkinci denklem (8.19) X1 ve X2 dışsal
değişkenler yanında içsel Y1 değişkenini içerir. Eğer
denklemin sağ tarafında yer alan değişkenler hata te-
rimiyle ilişkili değilse bu denklem de SEKK ile tah-
min edilebilir. Bir önceki denklemin sağ tarafında
Y2 olmamasına karşın ikinci denklemin sağ tarafın-
da Y1 bulunmaktadır. Bunun sonucu Y1, Y2’yi etki-
lerken Y2, Y1’i etkilememektedir. Bu nedenle Y1 u2
ile ilişkili değildir. Böylece ikinci denklemin (8.19)
tahmininde SEKK kullanılabilir. Modelin üçüncü
denklemi (8.20) hem Y1 hem de Y2 içerir; bunların
u3 ile ilişkisiz olması gerekir. Yukarıdakine benzer bir
argümanla, (8.18) ve (8.19) Y3 içermez. Böylece bu
denklemin tahmininde de SEKK kullanılabilir.
Ekonometrinin Temelleri

Öğrenme Çıktısı

4 Bir eşanlı denklem takımından alınan bir denklemin belirlenip belirlenmediğini

inceleyebilme

Araştır 3 İlişkilendir Anlat/Paylaş

Eşanlı denklem modelleri

Eşanlı denklem modelleri-
Makro iktisattaki IS-LM ile tek denklemli modelle-
ne dayalı politika benzetimi
modelini eşanlı denklem rinden elde edilen öngörü-
(simülasyonu) ne demektir
modelleri ile ilişkilendirin. lerin tutarlılıklarını arka-
araştırın.
daşlarınızla paylaşın.

EŞANLI DENKLEM MODELLERİ İki Aşamalı En Küçük Kareler

İÇİN TAHMİN SÜREÇLERİ
Geri dönüşlü bir sistemin parçası olan her bir
denklem, SEKK kullanılarak ayrı ayrı tahmin edi-
lebilir. Ancak pratikte, pek çok denklem sistemi
geri dönüşlü olmayacağından, eşanlı denklem yön-
temlerine ihtiyaç vardır. Bu amaçla kullanılabilecek
çok sayıda yöntem mevcut olmakla birlikte burada
üç basit yönteme yer verilmektedir. Bunlar; dolay-
lı en küçük kareler (DEKK), iki-aşamalı en küçük
kareler (2AEKK) ve araç değişkenler (AD) yöntem-
leridir. Bunların her biri aşağıda incelenmektedir:
Dolaylı En Küçük Kareler (DEKK)
SEKK’yi doğrudan yapısal denklemlerde kul-
lanmak mümkün olmamakla birlikte, indirgenmiş
biçim denklemlerine geçerli şekilde uygulamak
mümkündür. Bu yöntem, aşırı belirlenmiş denk-
lemlerin tahmininde kullanılmaz. Yöntem, indir-
genmiş biçim denklemlerinin SEKK ile buradan
elde edilen indirgenmiş parametre tahminleri π’ler
kullanılarak yapısal parametrelerin tahminini içe-
rir. Bununla birlikte, yapısal parametre tahminleri-
nin indirgenmiş parametre tahminleri elde edilme-
si zahmetli ve sıkıcı olduğu kadar aşırı belirlenmiş
denklemlere daha basit bir şekilde uygulanan iki
aşamalı EKK ile eşdeğer sonuçlar vermesi nedeniy-
le de tercih edilmez. Bu nedenle, bu aşamada, yapı-
sal parametrelerin indirgenmiş biçim parametrele-
rinden dolaylı olarak elde edildiğini sezgisel olarak
bilinmesi yeterlidir.
Yöntemi (2AEKK)
2SLS tam ve aşırı belirlenmiş denklemlerin her iki-
sinin de tahmininde kullanılır. Bu teknik, DEKK’nin
kullanılamadığı aşırı belirlenmiş eşanlı denklemlerin
tahmininde kullanılır. Gerçekte, tam belirlenmiş sis-
temlerin katsayılarını tahmin etmek için de kullanı-
labilir. Bu durumda, yöntem DEKK’den elde edilen-
lere asimptotik olarak eşdeğer tahminler verir. Yani
2AEKK tahminleri örneklem büyüklüğü sonsuza
yaklaştıkça giderek DEKK tahminlerine yaklaşır. İki
aşamalı en küçük kareler tahmini adından da anlaşıla-
cağı gibi iki aşamada gerçekleştirilir:
1. Aşama 1: İndirgenmiş biçim denklemleri
SEKK kullanılarak tahmin edilerek bağımlı
değişkenlerin kestirim değerleri kaydedilir.
2. Aşama 2: Yapısal denklemler SEKK kul-
lanarak tahmin edilir ancak sağ taraf içsel
değişkenleri birinci aşamada kaydedilen
kestirim değerleriyle değiştirilir.
Örnek 8.2: Denklem (8.15) – (8.17) arasında
verilen eşanlı modelin (8.16) nolu denkleminin
tahminiyle ilgilendiğimizi düşünelim:
Y2 = β20 + β21Y1 + γ21X1 + γ22X2 + γ23X3 + u2
(8.16)
Denklem 8.16’nın tam belirlendiğini Örnek
8.1’de bulmuştuk. Bu nedenle, dolaylı EKK ve iki
aşamalı EKK süreçlerinin her ikisinin de bu denkle-
min tahmininde kullanılabilir. Ancak dolaylı EKK
yönteminin sıkıcı ve zaman alıcı işlemleri gerektir-
mesi ve ilave bir kazanım getirmemesi nedeniyle

171
 Eşanlı Denklem Modelleri

2AEKK ile tahmini yeterlidir. Üç denklemden olu- test istatistiklerinden bazıları sistem bağlamında
şan sistemde 2AEKK aşağıdaki adımları içerir: uygulanabilir değişiklikler gerektirmektedir. Eko-
Adım 1: Denklemin sağ tarafında içsel değiş- nometri paketlerinin çoğu gerekli değişiklikleri
ken olarak Y1 değişkeni yer almaktadır. Bu yönte- otomatik olarak yapmaktadır.
min birinci aşamasında Y1’e ait indirgenmiş biçim
denklemi oluşturularak SEKK ile tahmin edilir ve Araç Değişkenler Yöntemi (AD)
kestirim değerleri oluşturulur. Bu denklemin indir-
Eşanlı denklem modellerini geçerli bir şekilde
genmiş biçim denklemi
tahmin etmede kullanılan diğer bir yöntemdir.
SEKK yönteminin yapısal denklemlerde doğrudan
Y1 = π20 + π21 X1 + π22X2 + π23 X3 + π24 X4 + ε2
uygulanamayışının nedeni içsel değişkenlerin hata-
larla ilişkili olmasıydı. Araç değişkenler yöntemi,
olarak düzenlenir. Bu denklemin SEKK tahminin-
yapısal modelde hata terimiyle ilişkili içsel değiş-
den şu kestirim değerleri serisi oluşturulur:
kenler yerine bu değişkenle yüksek derecede ilişki
^ ancak hata terimi ile ilişki olmayan başka değişken-
Y 1 = π^20 + π^21 Y1 + π
^ Y +π
21 2
^ Y +π
22 3
^ Y
23 4 lerin kullanılmasını önermektedir. Bu değişkenler
‘araç değişkenler’ olarak bilinir.
Adım 2: Denklem (8.16), sağ tarafında yer alan Denklem (8.16)’nın sağ tarafında yer alan Y1 için
içsel değişken Y1 yerine bir önceki adımda oluşturu- uygun aracın z1 olarak bulunduğunu varsayalım.
^
lan Y 1 konularak SEKK kullanılarak tahmin edilir: Araç değişken yapısal denklemde doğrudan kullanıl-
maz, bunun yerine aşağıdaki şu regresyon düzenlenir:
^
Y2 = β20 + β21 Y 1 + γ21X1 + γ22X2 + γ23X3 + u2
(8.21) Y1 = λ1 + λ2z1 + w1 (8.22)

^
Bu durumda, Y 1, u2 ile ilişki değildir. Bu ne-
denle eşanlılık sorunu kaldırılmıştır. 2AEKK tah-
mincisinin tutarlı, fakat sapmasız olmadığını da
belirtmeliyiz. Yani, örneklem büyüklüğü arttıkça
sapma giderek azalmaktadır.
Eşanlı denklem modelleri çerçevesinde,
KDRM’nin genel varsayımlarının geçerli olup ol-
madığı hâlâincelenmesi gereken konudur ancak
Öğrenme Çıktısı
Bu denklemin SEKK ile tahminine dayalı ola-
rak Y^1 değerleri elde edilir ve yapısal denklemdeki
Y1 bu kestirilmiş değerlerle değiştirilir. İçsel değiş-
ken başına birden fazla araç değişken kullanılması
yaygın bir durumdur. Eğer araç değişkenler indir-
genmiş biçim denklemindeki değişkenler ise, AD
yöntemi 2AEKK yöntemine eşdeğerdir. Böylece,
AD, 2AEKK’nin özel durumu olarak görülebilir.

5 Eşanlı denklem modellerini tahmin etmede kullanılan yöntemleri ifade eder.

Araştır 4 İlişkilendir Anlat/Paylaş

Bir ekonometrik modelin

Tek denklemli bir ekono-
metrik bir modelde yer alan
bir açıklayıcı değişkenin
gerçekten dışsal olup ol-
madığının araştırılmasında
hangi testten yararlanılır?
Araştırın.
Eşanlı denklem tahmin
yöntemlerini logaritmik de-
ğişkenlerle ilişkilendirin.
sağ tarafında yer alan değiş-
kenler gerçekte dışsal olma-
sına ve hata terimiyle iliş-
kisiz olmasına karşın böyle
bir modele eşanlı denklem
tahmini yapmanın neden
etkin olmadığını arkadaşı-
nızla paylaşın.

172
Ekonometrinin Temelleri

Yapısal biçim, indirgenmiş biçim, yapısal ve

1 indirgenmiş biçim parametreleri, içsel ve dışsal
değişkenler kavramlarını ifade edebilme

öğrenme çıktıları ve bölüm özeti

2 Yapısal bir modelden indirgenmiş biçim
denklemlerini türetebilme

Bazı Temel Kavramlar

1 Bir iktisadi olguda yer alan değişkenler arasındaki doğrudan ilişkileri belirleyen model eşanlı denklem
modelinin yapısal biçimi veya eşanlı yapısal model olarak adlandırılır. Eşanlı denklem modelinin içsel
değişkenlerinin dışsal değişkenlere göre çözümü sonucu elde edilen biçimine modelin indirgenmiş biçimi
denir. İçsel değişkenlerin çözümü ya bir denge denklemi veya başka bir özdeşlik yardımıyla oluşturulur.
İçsel değişken alacağı değer model içinde belirlenen değişkenlerdir. Dışsal değişkenler de benzer bir argü-
manla alacağı değer model dışında belirlenen değişkenlerdir.

2 Eşanlı yapısal bir model bir denge denklemi yardımıyla dışsal değişkenlere göre çözüm değerleri elde
edilerek indirgenmiş biçim denklemleri türetilir.

2 Eşanlı denklem sapmasının nedenini,

sonuçlarını ve çözümü tartışabilme

Eşanlı Denklem Sapması

3 Eşanlı denklem sapması açıklayıcı değişkenlerden herhangi birinin hata terimi ile ilişkili olması durumunda
SEKK yöntemiyle elde edilen tahminlerde ortaya çıkar.

Bir eşanlı denklem takımından alınan bir

3 denklemin belirlenip belirlenmediğini
inceleyebilme

Belirlenme Sorunu ve
Belirlenme Koşulları

4 Bir eşanlı denklem takımından alınan bir denklemin belirlenmesinin iki koşulu vardır: Mertebe koşulu ve
sıra (rank) koşulu. Mertebe koşulu bir denklemin belirlenmesi için gerekli fakat yeterli olmayan bir koşuldur. Bir
denklemin mertebe koşulunu sağlayabilmesi için bu denklemden en azından modeldeki denklem sayısı eksi bir
tane değişken dışlanmış olmalıdır. Sıra koşulu belirlenme içim gerekli ve yeterli bir koşuldur. Sıra koşuluna göre,
bir denklemin belirlenebilmesi için, denklemde yer almayıp da modelin diğer denklemlerinde yer alan katsayılar
matrisinden en azından denklem sayısı eksi bir tane sıfırdan farklı determinant bulunmalıdır. Sıra koşulu merte-
be koşuluna göre daha az sınırlayıcıdır. Bu ders notlarında sıra koşulunun incelenmesi kapsam dışı bırakılmıştır.
Belirlenme için mertebe koşulunun sağlanması yeterli görülmüştür.

173
 Eşanlı Denklem Modelleri

Eşanlı denklem modellerini tahmin

4 etmede kullanılan yöntemleri ifade
edebilme
öğrenme çıktıları ve bölüm özeti

Eşanlı Denklem Sistemleri İçin

Tahmin Süreçleri

5 Eşanlı denklem modellerini tahmin tek denklem yöntemleri yanında sistem tahmin yöntemleri bulunmak-
tadır. Bu ders notları eşanlı denklemlerin tahmininde yaygın olarak kullanılan üç yöntemle sınırlı tutulmuştur:
Dolaylı en küçük kareler (DEKK), iki aşamalı en küçük kareler (2AEKK) ve araç değişkenler (AD) yöntemi.
Dolaylı en küçük kareler yöntemi tam belirlenmiş sistemler için geçerli bir tahmin yöntemidir. İndirgenmiş
biçim denklemlerinin tahmininden indirgemiş biçim parametreleri tahmin edilir. Yapısal parametrelerle indir-
gemiş biçim parametreleri arasındaki ilişkilerden yararlanarak yapısal parametreler dolaylı olarak elde edilir.
İki aşamalı en küçük kareler yöntemi tam ya da aşırı belirlenmiş denklemlerin tahmininde kullanılan bir yön-
temdir. Bir denklemin 2AEKK ile tahminin ilk aşaması indirgenmiş biçim parametreleri SEKK yardımıyla
tahminini ve kestirim değerlerlerinin oluşturulmasını içerir. İkinci aşamada, tahmin edilecek denklemin sağ
tarafındaki içsel değişkenlerin gerçek değerleri yerine birinci aşamada elde edilen kestirilmiş değerleriyle değişti-
rilerek denklem SEKK ile tahmin edilir.
Araç değişkenler yönteminde tahmin edilecek denklemin sağ tarafında yer alan içsel değişken yerine bu içsel
değişkenle yüksek derecede ilişkili fakat denklemin hata terimiyle ilişkili olmayan bir araç değişkenin kullanıl-
masını içerir. Ancak araç değişken içsel değişkenin yerine doğrudan kullanılmaz. Bunun yerine içsel değişkenin
aracı olan değişken üzerine regresyonu düzenlenerek bu regresyonun SEKK tahmininden kestirim değerleri elde
edilir. Tahmin edilen denklemde içsel değişkenin fiili değerleri yerine değişkenin aracı üzerine regresyonundan
elde edilen kestirim değerleri değiştirilerek tahmin gerçekleştirilir. İçsel değişkenin aracı olarak modeldeki dışsal
değişkenler alınırsa AD yöntemi ile 2AEKK yöntemi eşdeğer olur.

174
Ekonometrinin Temelleri
1 Eşanlı denklem modellemesi kapsamında dış-
sal değişkenlerle ilgili olarak aşağıdaki ifadelerden
hangisi doğrudur?
A. Dışsal değişkenlerin değeri sistem içinde belir-
lenir.
B. Dışsal değişkenlerin olasılıklı değişkenler olma-
dıkları varsayılır.
C. İndirgenmiş biçim denklemlerinin sağ tarafın-
da herhangi bir dışsal değişken yer almaz.
D. İndirgenmiş biçim denklemlerinin sol tarafında
sadece dışsal değişler yer alır
E. Eşanlı denklem modellerinde değişkenlerin tü-
münün dışsal olduğu kabul edilir.
2 Eşanlı denklem sapması aşağıdaki durumlar-
dan hangisinde ortaya çıkar?
A. Hata terimi değişen varyanslı olması durumunda
B. Geri dönüşlü sistemli durumlarda
C. Hata teriminin ardışık bağımlı olması duru-
munda
D. Bağımlı ve bağımsız değişkenlerin karşılıklı iliş-
kili olması durumunda
E. Açıklayıcı değişkenler arasında güçlü doğrusal
bağlantı bulunması durumunda
Soru 3 ve 4 için, aşağıdaki eşanlı denklem modelle-
rini dikkate alınız:
Y1 = α0 + α1Y2 + α2Y3 + α3X1 + α4X2 + u1 (1)
Y2 = β0 + β1Y1 + β2Y3 + β3X2 + u2 (2)
Y3 = γ0 + γ1Y1 + γ2X2 + γ3X3 + u3 (3)
Modelde Y’ler içsel ve X’ler dışsal değişkenlerdir,
hata terimlerinin birbirleriyle ilişkisiz olduğu var-
sayılmıştır.
3 Denklem (2) için aşağıdaki ifadelerden han-
gisi doğrudur?
A. Mertebe koşuluna göre tam belirlenmiştir
B. Mertebe koşuluna göre eksik belirlenmemiştir
C. Mertebe koşuluna göre aşırı belirlenmiştir
D. Mertebe koşuluna göre aşırı belirlenmemiştir
E. Verilen bilgi denklemin belirlenip belirlenme-
diği ile ilgili değildir.
4 Denklem (2)’nin sistemden bağımsız olarak
tek başına SEKK ile tahmini aşağıdakilerden han-
neler öğrendik?
gisine neden olur?
A. Sapmasız ve tutarlı katsayı tahminlerine
B. Sapmalı ancak tutarlı katsayı tahminlerine
C. Sapmasız ancak tutarsız katsayı tahminlerine
D. Sapmalı ve tutarsız katsayı tahminlerine
E. Sapmalı ve tutarsız ama etkin katsayı tahminlerine
5 Mertebe koşulu _____.
Yukarıdaki cümlede boş bırakılan yeri aşağıdakiler-
den hangisi doğru olarak tamamlar?
A. belirlenme için gerekli ve yeterli bir koşuldur.
B. belirlenme için gerekli ancak yetersiz bir koşuldur.
C. belirlenme için yeterli ancak gereksiz bir koşuldur.
D. belirlenme için ne gerekli ve ne de yeterli bir
koşuldur.
E. belirlenme için hem yeterli hem de gerekli bir
koşuldur.
6 I. Parametreler her bir denkleme ayrı ayrı SEKK
uygulanarak geçerli bir şekilde tahmin edilebilir.
II. Bağımlı değişkenlerin bazıları diğer denklem-
lerdeki hata terimleriyle ilişkili olabilir.
III. Bir 2AEKK uygulaması sapmasız fakat etkin
olmayan parametre tahminlerine neden olur.
IV. Bağımlı değişkenler yer aldıkları denklemdeki
hata terimleriyle ilişkisiz olabilir.
Geri dönüşlü veya üçgen sistemlerle ilgili olarak
yukarıdaki ifadelerden hangisi doğrudur?
A. I ve II
B. I ve III
C. II ve IV
D. I, II ve III
E. I, II, III ve IV
175
 Eşanlı Denklem Modelleri

7 Eşanlı denklem sisteminin iki aşamalı en kü- 9 I. SEKK

çük kareler ile tahminindeki ikinci aşama aşağıda-
kilerden hangisidir? II. DEKK
neler öğrendik?

A. İndirgenmiş biçim denklemlerinin tahminidir. III. 2AEKK

B. Yapısal denklemlerin sağ tarafında yer alan içsel IV. AD
değişkenlerin indirgenmiş biçimdeki kestiril-
miş değerleriyle yer değiştirilmesidir. Eşanlı denklemlerin aşırı tanımlanmış sistemleri-
nin tahmini için yukarıdaki tahmin tekniklerin-
C. Yapısal denklemlerdeki tüm içsel değişkenlerin
den hangileri mevcuttur?
indirgenmiş biçimdeki kestirilmiş değerleriyle
yer değiştirilmesidir. A. Yalnız I
D. İndirgenmiş biçimden elde edilen içsel değiş- B. Yalnız III
kenlere ait kestirilmiş değerleri yapısal denk- C. III ve IV
lemlerde ilave değişkenler olarak kullanmaktır. D. II, III ve IV
E. Yapısal denklemlerin sol tarafında yer alan içsel E. I, II, III ve IV
değişkenin indirgenmiş biçimden elde edilen
kestirilmiş değerleriyle yer değiştirilmesidir.
10 Y1 = α0 + α1Y2 + α2Y3 + α3X1 + α4X2 + u1 (1)
8 Aşağıdaki ifadelerden hangisi yanlıştır? Y2 = β0 + β1Y3 + β2Y1 + β3X2 + u2 (2)

A. İki aşamalı en küçük kareler (2AEKK) ve do- Y3 = γ0 + γ1X1 + γ2X2 + γ3X3 + u3 (3)
laylı en küçük kareler (DEKK) aşırı belirlenmiş I. EKK
sistemler için eşdeğerdir.
II. 2AEKK
B. Geri dönüşlü bir sistemin parçası olan denk-
lemler SEKK ile geçerli bir şekilde tahmin edi- III. DEKK
lebilirler. Yukarıdaki denklem takımı dikkate alındığında
C. İki aşamalı en küçük karelerin (2AEKK) gerek- sistemdeki üçüncü denklem için hangi tahmin
siz kullanımı (yani sağ taraf değişkenleri ger- yöntemi (varsa) kullanılabilir?
çekte dışsal iken) tutarlı ancak etkin olmayan
katsayı tahminlerine neden olur. A. Yalnız I
D. İki aşamalı en küçük kareler (2AEKK) yöntemi B. Yalnız II
araç değişkenler (AD) yönteminin özel bir du- C. II ve III
rumudur. D. I, II ve III
E. Eşanlı denklem modellerinin tahmininde sis- E. Katsayılar herhangi bir yöntem kullanılarak ge-
tem tam belirlenmiş ise dolaylı en küçük ka- çerli bir şekilde tahmin edilemez.
reler (DEKK) ve iki aşamalı en küçük kareler
(2AEKK) yöntemleri eşdeğerdir.

176
Ekonometrinin Temelleri

Yanıtınız yanlış ise “Basit Doğrusal Regres- Yanıtınız yanlış ise “Geri Dönüşlü Denklem
1. B 6. D
yon Modeli” konusunu yeniden gözden ge- Modeli” konusunu yeniden gözden geçiri-
çiriniz. niz.

neler öğrendik yanıt anahtarı

2. D Yanıtınız yanlış ise “Eşanlı Denklem Sapma-
sı” konusunu yeniden gözden geçiriniz.
Yanıtınız yanlış ise “Eşanlı Denklem Model-
7. B
leri için Tahmin Süreçleri” konusunu yeni-
den gözden geçiriniz.

Yanıtınız yanlış ise “Belirlenme Sorunu be Yanıtınız yanlış ise “Eşanlı Denklem Model-
3. A 8. A
Belirlenme Koşulları” konusunu yeniden leri için Tahmin Süreçleri” konusunu yeni-
gözden geçiriniz. den gözden geçiriniz.

Yanıtınız yanlış ise “Eşanlı Denklem Model-

4. D Yanıtınız yanlış ise “Eşanlı Denklem Sapma- 9. C
leri için Tahmin Süreçleri” konusunu yeni-
sı” konusunu yeniden gözden geçiriniz.
den gözden geçiriniz.

Yanıtınız yanlış ise “Belirlenme Sorunu be Yanıtınız yanlış ise “Eşanlı Denklem Model-
5. B 10. A
Belirlenme Koşulları” konusunu yeniden leri için Tahmin Süreçleri” konusunu yeni-
gözden geçiriniz. den gözden geçiriniz.

Araştır Yanıt
8 Anahtarı

Bir parametre tahmincisinin sapmasız olabilmesi için tahmincinin beklenen

değerinin anakütle değerine eşit olması gerekir. Açıklayıcı değişken hata te-
Araştır 1 rimiyle ilişkili olduğunda SEKK tahmincisinin beklenen değeri anakütle
değerine eşit olmamaktadır. Bu nedenle açıklayıcı değişkenlerden herhangi
biri hata terimi ile ilişkili olduğunda SEKK parametre tahmincisi sapmalı ol-
maktadır. Hatta örneklem büyüklüğü arttıkça sapma giderek azalmamaktadır.
Yani SEKK tahmincisi bu durumda aynı zamanda tutarlı da değildir.

Eşanlı denklem modelleri en yaygın kullanıldığı alanlar piyasa arz ve talep

Araştır 2
denge modelleri ile makro gelir belirlenme modelleridir.

Eşanlı denklem modellerine dayalı benzetim modelleri bir veya daha fazla dış-
sal değişkenin varsayımsal değerleri karşısında içsel değişkenlerin alacağı de-
Araştır 3 ğerlerin belirlenmesini içerir. Dışsal değişkenlerin alternatif senaryolar altında
(iyimser, ılımlı, kötümser senaryolar gibi) alacağı değerler karşısında içsel de-
ğişkenlerin hangi değerleri alacağı benzetilebilir.

Tek denklemli bir ekonometrik modelde bazı açıklayıcı değişkenlerin hata

Araştır 4 terimi ile ilişkili olmasından şüphe duyuluyorsa, değişken hakkında Hausman
dışsallık testi uygulanmalıdır.

177
 Eşanlı Denklem Modelleri

Kaynakça
Brooks, C. (2014). Introductory econometrics for Tarı, R. (2018). Ekonometri (13. Baskı). Kocaeli:
finance (3rd Edition). Cambridge: Cambridge Umuttepe Yayınları
University Press
Wooldridge, J. M. (2012). Introductory to econometrics:
Gujarati, D. N. ve Porter, D. C. (2014). Temel a modern approach (5.th Edition). Nelson
ekonometri (Basic econometrics Beşinci Basımdan Education
Çeviri). Çevirenler: Ümit Şenesen, Gülay Günlük
Dokuzuncu Kalkınma Planı, DPTMAKRO-
Şenesen, İstanbul: Literatür Ders Kitapları
ARZ Makroekonometrik Modeli, Ekonomik
Gujarati, D. N. (2011). Econometrics by example. New Modeller Dairesi, Ekonomik Modeller ve
York: Palgrave Macmillan Stratejik Araştırmalar Genel Müdürlüğü,
Aralık 2008. http://www.sbb.gov.tr/wp-
Güriş, S., Çağlayan, E. ve Güriş, B. (2013). Eviews ile
content/uploads/2018/11/MAKRO-ARZ_
temel ekonometri (2. Baskı). İstanbul: Der Yayınları
MAKROEKONOMETRIK_MODELI.pdf
Hill, R. C., Griffiths, E. G. ve Lim, G. C. (2011).
Erişim tarihi: 4.01.2020
Principles of econometrics (4th Edition). John
Wiley & Sons, Inc.
Stock, J. H. ve Watson, M.W. (2011). Ekonometriye
giriş, Bedriye Saraçoğlu (Çev.) Ankara: Efil
Yayınevi

178