Sunum yükleniyor. Lütfen bekleyiniz

Sunum yükleniyor. Lütfen bekleyiniz

1 İyi Bir Modelin Özellikleri 1.Basitlik 2.Belirlenmişlik Y t =  1 (1-  )+  2 X t -  2 X t-1 +  Y t-1 +e t 3.R 2 ölçüsü 4.Teorik tutarlılık 5.Tahmin.

Benzer bir sunumlar


... konulu sunumlar: "1 İyi Bir Modelin Özellikleri 1.Basitlik 2.Belirlenmişlik Y t =  1 (1-  )+  2 X t -  2 X t-1 +  Y t-1 +e t 3.R 2 ölçüsü 4.Teorik tutarlılık 5.Tahmin."— Sunum transkripti:

1 1 İyi Bir Modelin Özellikleri 1.Basitlik 2.Belirlenmişlik Y t =  1 (1-  )+  2 X t -  2 X t-1 +  Y t-1 +e t 3.R 2 ölçüsü 4.Teorik tutarlılık 5.Tahmin Gücü

2 2 Model Tanımlanması Araştırmada kullanılan modelin tanımlamasının “doğru” olduğu kabul edilmektedir.. Doğru modele ulaşmak için R 2, t, F, DW-d vb. İstatistik ve ekonometrik testler kullanılır. Eğer model hala tatmin edici değilse, araştırmacı tanımlama hatalarından ya da seçilen modeldeki sapmalardan kaygılanmaya başlamaktadır. - Yanlış Fonsiyonel Biçim, - Gereksiz Değişkenin Modelde Yer Alması, -Gerekli Değişkenin Gözardı Edilmesi, - Değişkenlerin Ölçme Hatalı Olması.

3 3 Tanımlama Hatası Tipleri Y = 1 + 2 X + 3 X 2 + 4 X 3 + 5 X 4 + v v = u - 5 X 4 Gereksiz Değişkenin Modelde Yer Alması, Y =  1 +  2 X +  3 X 2 +  4 X 3 + u lnY =  1 +  2 X +  3 X 2 +  4 X 3 + u Yanlış Fonksiyonel biçim

4 4 Tanımlama Hatası Tipleri Y i * =  1 * +  2 * X i * +  3 * X i *2 +  4 * X i *3 + u i * Y i * = Y i +  i X i * = X i + w i Ölçme Hatası Sapması Y =  1 +  2 X +  3 X 2 +  4 X 3 + u Y =   +  2 X +  3 X 2 + v v =  4 X 3 + u Gerekli Değişkenin Gözardı Edilmesi,

5 5 Tanımlama Hatası Sonuçları Y i =  1 +  2 X 2i +  3 X 3i + u i Y =   +  2 X 2i + v i v =  3 X 3i + u Gerekli Değişkenin Gözardı Edilmesi X 3 Değişkenini gözardı etmenin sonuçları   ve  2 üzerine etkisi (r 23  0),   ve  2 sapmalı ve tutarsız olacaktır.   ’e etkisi (r 23  0),  2 sapmasız iken    hala sapmalı olacaktır. 3.Hata varyansına etkisi  2,

6 6 Tanımlama Hatası Sonuçları Y i =  1 +  2 X 2i + u i Y =   +  2 X 2i +  3 X 3i +v i u i =  3 X 3i + v i Gereksiz Değişkenin Modelde Yer Alması, Gereksiz Değişkenin Modelde Yer Almasının Sonuçları 1.Bu tür modeldeki EKK tahmincileri tutarlı ve sapmasızdır. 2.Hata varyansı  2 doğru tahmin edilmiştir. 3.Güven aralıkları ve hipotez testleri hala geçerlidir, 4.Tahmini  ’lar etkin değildirler.

7 7 Tanımlama Hatası Sonuçları Gerekli Değişkenin Gözardı Edilmesi X 3 Değişkenini gözardı etmenin sonuçları  2 ’nin varyansına etkisi,  2 ‘nin varyansı  2 ’nin varyansının sapmalı bir tahmin edicisidir. 5.Güven aralıkları ve hipotez testlerine etkisi. Y i =  1 +  2 X 2i +  3 X 3i + u i Y =   +  2 X 2i + v i v =  3 X 3i + u

8 8 Gerekli Bir Değişkenin Modele Alınmaması Doğru Model (1) Hatalı Model (2) Doğru model ortalamadan farklar ile yazılırsa (3) (4)

9 9 Gerekli Bir Değişkenin Modele Alınmaması (4) nolu eşitlik (3) nolu eşitlikte yerine konursa

10 10 Gerekli Bir Değişkenin Modele Alınmaması  2 nin beklenen değeri alınırsa (5)  3 ün yanında çarpım olarak yer alan ifade X 2 ’nin, bağımsız X 3 ‘ün bağımlı değişken olduğu basit doğrusal regresyon modelinin bağımsız değişken katsayısının formülüdür.

11 11 Gerekli Bir Değişkenin Modele Alınmaması Basit regresyon modeli: (6) (7)

12 12 Gerekli Bir Değişkenin Modele Alınmaması (5) nolu ifade

13 13 Gerekli Bir Değişkenin Modele Alınmaması (8) (6) nolu denklemin sabit terimi aşağıdaki gibi yazılabilir. (9)

14 14 Gereksiz Bir Değişkenin Modele Alınmaması Doğru Model (1) Hatalı Model (2)

15 15 Gereksiz Bir Değişkenin Modele Alınmaması Hatalı modelin ortalamadan farklara göre normal denklemleri (3) (4)

16 16 Gereksiz Bir Değişkenin Modele Alınmaması  3 ün beklenen değeri Hatalı model için

17 17 Gereksiz Bir Değişkenin Modele Alınmaması  2 in beklenen değeri (5)

18 18 Gereksiz Bir Değişkenin Modele Alınmaması (8) (7)  1 ve  2 için tahminciler sapmasızdır. Aynı zamanda tutarlıdır.

19 19 Gereksiz Bir Değişkenin Modele Alınmamasıvar

20 20 Gereksiz Bir Değişkenin Modele Alınmamasıvar

21 21 Gereksiz Bir Değişkenin Modele Alınmamasıvar Etkin değil Doğru model

22 22 Yanlış tanımlamanın sonuçları Doğru model Tahmini model GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI Şimdi modele alınması gereken değişkenlerin alınmaması sonucunda ortaya çıkabilecekleri tartışacağız.

23 23 Yanlış tanımlamanın sonuçları GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI Analizimizde iki durum söz konusudur. Y sadece X 2 ile ya da X 2 ve X 3 ile ilişkilendirilecektir. 2 Doğru model Tahmini model

24 24 GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI Y sadece X 2 ile ilişkilendirilirse problem söz konusu olmayacaktır. Yanlış tanımlamanın sonuçları Doğru model Tahmini model Doğru tanımlama. Problem yok

25 25 GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI Y hem X2 ve hem X3 ile ilişkilendirilirse yine problem söz konusu olmayacaktır” Yanlış tanımlamanın sonuçları Doğru model Tahmini model Doğru tanımlama. Problem yok Doğru tanımlama. Problem yok.

26 26 GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI Doğru model, çok açıklayıcılı model iken, tek açıklayıcılı model tahmin etmenin sonuçlarını inceleyeceğiz. Yanlış tanımlamanın sonuçları Doğru model Tahmini model Doğru tanımlama. Problem yok Doğru tanımlama. Problem yok.

27 27 GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI Daha sonra da doğru model, tek açıklayıcılı model iken, çok açıklayıcılı model tahmin etmenin sonuçlarını inceleyeceğiz. Yanlış tanımlamanın sonuçları Doğru model Tahmini model Doğru tanımlama. Problem yok Doğru tanımlama. Problem yok.

28 28 GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI Gerekli bir açıklayıcı değişkenin modele alınmaması, modeldeki tahmincilerin yanlı ve standart hatalarının geçersiz olmasına yol açacaktır. Yanlış tanımlamanın sonuçları Tahmini model Doğru tanımlama. Problem yok Doğru tanımlama. Problem yok. Tahminciler yanlı, standart hatalar geçersiz.

29 29 GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI Bu durumda X 3, b 2 ’nin  3 Cov(X 2, X 3 )/Var(X 2 ) kadar yanlı olmasına neden olacaktır.

30 30 GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI Y X3X3 X2X2 X 3 sabitken X 2 ’nin doğrudan etkisi X 3 ’ün etkisi X 3 gibi davranan X 2 ’nin görünen etkisi 22 33  2 doğrudan etkisine ek olarak X 2, modele alınmayan X 3 ’ün vekili gibi davranıp dolaylı etkiye de sahip olacaktır.

31 31 GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI Y X3X3 X2X2 22 33 Vekil etkisi iki faktöre bağlı olacaktır: X 3 ’ ün Y üzerine etkisinin gücü (  3 ) ve X 2 ’ nin X 3 ’ü taklit etme yeteneği. X 3 sabitken X 2 ’nin doğrudan etkisi X 3 ’ün etkisi X 3 gibi davranan X 2 ’nin görünen etkisi

32 32 GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI Y X3X3 X2X2 22 33 X 2 ’nin X 3 ’ü taklit etme yeteneği X 3 ile X 2 ilişkilendirildiğinde elde edilen eğim elde edilir. X 3 sabitken X 2 ’nin doğrudan etkisi X 3 ’ün etkisi X 3 gibi davranan X 2 ’nin görünen etkisi

33 33. reg S ASVABC SM Source | SS df MS Number of obs = 570 ---------+------------------------------ F( 2, 567) = 156.81 Model | 1230.2039 2 615.101949 Prob > F = 0.0000 Residual | 2224.04347 567 3.92247526 R-squared = 0.3561 ---------+------------------------------ Adj R-squared = 0.3539 Total | 3454.24737 569 6.07073351 Root MSE = 1.9805 ------------------------------------------------------------------------------ S | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------- ASVABC |.1381062.0097494 14.166 0.000.1189567.1572556 SM |.154783.0350728 4.413 0.000.0858946.2236715 _cons | 4.791277.5102431 9.390 0.000 3.78908 5.793475 ------------------------------------------------------------------------------ Örneğimizde eğitim süresi (S), yetenek puanı (ASVABC) ve anne eğitim düzeyine (SM) ilişkilendirilecektir. GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI

34 34. reg S ASVABC SM Source | SS df MS Number of obs = 570 ---------+------------------------------ F( 2, 567) = 156.81 Model | 1230.2039 2 615.101949 Prob > F = 0.0000 Residual | 2224.04347 567 3.92247526 R-squared = 0.3561 ---------+------------------------------ Adj R-squared = 0.3539 Total | 3454.24737 569 6.07073351 Root MSE = 1.9805 ------------------------------------------------------------------------------ S | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------- ASVABC |.1381062.0097494 14.166 0.000.1189567.1572556 SM |.154783.0350728 4.413 0.000.0858946.2236715 _cons | 4.791277.5102431 9.390 0.000 3.78908 5.793475 ------------------------------------------------------------------------------ Daha sonra SM’yi modelden çıkararak tahminleyeceğiz. GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI

35 35. reg S ASVABC SM Source | SS df MS Number of obs = 570 ---------+------------------------------ F( 2, 567) = 156.81 Model | 1230.2039 2 615.101949 Prob > F = 0.0000 Residual | 2224.04347 567 3.92247526 R-squared = 0.3561 ---------+------------------------------ Adj R-squared = 0.3539 Total | 3454.24737 569 6.07073351 Root MSE = 1.9805 ------------------------------------------------------------------------------ S | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------- ASVABC |.1381062.0097494 14.166 0.000.1189567.1572556 SM |.154783.0350728 4.413 0.000.0858946.2236715 _cons | 4.791277.5102431 9.390 0.000 3.78908 5.793475 ------------------------------------------------------------------------------  3 ün pozitif olduğunu, sağduyuya dayanarak kabul etmek makul olacak tır. Bu varsayım çoklu regresyonun pozitif ve yüksek derecede anlamlı olduğu tahmin gerçeğiyle kuvvetli olarak desteklenmektedir. GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI

36 36 ASVABC ve SM arasındaki korelasyon pozitif olduğundan kovaryansı da pozitif olacaktır. Var(ASVABC) da otomatik olarak pozitif olacaktır. Bundan dolayı sapma da pozitif olacaktır.. reg S ASVABC SM Source | SS df MS Number of obs = 570 ---------+------------------------------ F( 2, 567) = 156.81 Model | 1230.2039 2 615.101949 Prob > F = 0.0000 Residual | 2224.04347 567 3.92247526 R-squared = 0.3561 ---------+------------------------------ Adj R-squared = 0.3539 Total | 3454.24737 569 6.07073351 Root MSE = 1.9805 ------------------------------------------------------------------------------ S | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------- ASVABC |.1381062.0097494 14.166 0.000.1189567.1572556 SM |.154783.0350728 4.413 0.000.0858946.2236715 _cons | 4.791277.5102431 9.390 0.000 3.78908 5.793475 ------------------------------------------------------------------------------ GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI. cor SM ASVABC (obs=570) | SM ASVABC --------+------------------ SM| 1.0000 ASVABC| 0.3819 1.0000

37 37. reg S ASVABC Source | SS df MS Number of obs = 570 ---------+------------------------------ F( 1, 568) = 284.89 Model | 1153.80864 1 1153.80864 Prob > F = 0.0000 Residual | 2300.43873 568 4.05006818 R-squared = 0.3340 ---------+------------------------------ Adj R-squared = 0.3329 Total | 3454.24737 569 6.07073351 Root MSE = 2.0125 ------------------------------------------------------------------------------ S | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------- ASVABC |.1545378.0091559 16.879 0.000.1365543.1725213 _cons | 5.770845.4668473 12.361 0.000 4.853888 6.687803 ------------------------------------------------------------------------------ SM’nin ihmal edildiği regresyon yukarıda yer almaktadır. GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI

38 38. reg S ASVABC SM ------------------------------------------------------------------------------ S | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------- ASVABC |.1381062.0097494 14.166 0.000.1189567.1572556 SM |.154783.0350728 4.413 0.000.0858946.2236715 _cons | 4.791277.5102431 9.390 0.000 3.78908 5.793475 ------------------------------------------------------------------------------. reg S ASVABC ------------------------------------------------------------------------------ S | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------- ASVABC |.1545378.0091559 16.879 0.000.1365543.1725213 _cons | 5.770845.4668473 12.361 0.000 4.853888 6.687803 ------------------------------------------------------------------------------ Gördüğünüz gibi, ASVABC ‘nin katsayısı SM ihmal edildiğinde gerçektende daha yüksek olmaktadır. Farkın bir kısmı tam değişime bağlı olabilir, fakat fark sapmaya atfolunabilir. GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI

39 39. reg S SM Source | SS df MS Number of obs = 570 ---------+------------------------------ F( 1, 568) = 83.59 Model | 443.110436 1 443.110436 Prob > F = 0.0000 Residual | 3011.13693 568 5.30129742 R-squared = 0.1283 ---------+------------------------------ Adj R-squared = 0.1267 Total | 3454.24737 569 6.07073351 Root MSE = 2.3025 ------------------------------------------------------------------------------ S | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------- SM |.3445198.0376833 9.142 0.000.2705041.4185354 _cons | 9.506491.4495754 21.145 0.000 8.623458 10.38952 ------------------------------------------------------------------------------ SM yerine ASVABC’in ihmal edilmesiyle elde edilen regresyon yukarıda yer almaktadır. b 3 nin yukarı doğru sapma yapması beklenir.  2 ‘nin pozitif olmasını bekleriz ve sapma ifadesinde yer alan hem kovaryans hem de varyans pozitif olduğunu biliyoruz. GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI

40 40. reg S ASVABC SM ------------------------------------------------------------------------------ S | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------- ASVABC |.1381062.0097494 14.166 0.000.1189567.1572556 SM |.154783.0350728 4.413 0.000.0858946.2236715 _cons | 4.791277.5102431 9.390 0.000 3.78908 5.793475 ------------------------------------------------------------------------------. reg S SM ------------------------------------------------------------------------------ S | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------- SM |.3445198.0376833 9.142 0.000.2705041.4185354 _cons | 9.506491.4495754 21.145 0.000 8.623458 10.38952 ------------------------------------------------------------------------------ Yukarıdaki örnekte sapma gerçekten çarpıcıdır. SM katsayısı iki katından daha fazladır. (Büyük sonucun sebebi Var(SM), Var(ASVABC) den daha küçükken,  2 ve  3 nin tahminlerinin aynı boyutta olmasıdır.) GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI

41 41. reg S ASVABC SM Source | SS df MS Number of obs = 570 ---------+------------------------------ F( 2, 567) = 156.81 Model | 1230.2039 2 615.101949 Prob > F = 0.0000 Residual | 2224.04347 567 3.92247526 R-squared = 0.3561 ---------+------------------------------ Adj R-squared = 0.3539 Total | 3454.24737 569 6.07073351 Root MSE = 1.9805. reg S ASVABC Source | SS df MS Number of obs = 570 ---------+------------------------------ F( 1, 568) = 284.89 Model | 1153.80864 1 1153.80864 Prob > F = 0.0000 Residual | 2300.43873 568 4.05006818 R-squared = 0.3340 ---------+------------------------------ Adj R-squared = 0.3329 Total | 3454.24737 569 6.07073351 Root MSE = 2.0125. reg S SM Source | SS df MS Number of obs = 570 ---------+------------------------------ F( 1, 568) = 83.59 Model | 443.110436 1 443.110436 Prob > F = 0.0000 Residual | 3011.13693 568 5.30129742 R-squared = 0.1283 ---------+------------------------------ Adj R-squared = 0.1267 Total | 3454.24737 569 6.07073351 Root MSE = 2.3025 Sonuç olarak, R 2 bir değişken ihmal edildiğinde nasıl davranış gösterdiğini inceledik. S nin ASVABC deki basit regresyonundaki, R 2 değeri 0.33, ve S nin SM deki basit regresyonundaki R 2 değeri 0.13 dir. GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI

42 42. reg S ASVABC SM Source | SS df MS Number of obs = 570 ---------+------------------------------ F( 2, 567) = 156.81 Model | 1230.2039 2 615.101949 Prob > F = 0.0000 Residual | 2224.04347 567 3.92247526 R-squared = 0.3561 ---------+------------------------------ Adj R-squared = 0.3539 Total | 3454.24737 569 6.07073351 Root MSE = 1.9805. reg S ASVABC Source | SS df MS Number of obs = 570 ---------+------------------------------ F( 1, 568) = 284.89 Model | 1153.80864 1 1153.80864 Prob > F = 0.0000 Residual | 2300.43873 568 4.05006818 R-squared = 0.3340 ---------+------------------------------ Adj R-squared = 0.3329 Total | 3454.24737 569 6.07073351 Root MSE = 2.0125. reg S SM Source | SS df MS Number of obs = 570 ---------+------------------------------ F( 1, 568) = 83.59 Model | 443.110436 1 443.110436 Prob > F = 0.0000 Residual | 3011.13693 568 5.30129742 R-squared = 0.1283 ---------+------------------------------ Adj R-squared = 0.1267 Total | 3454.24737 569 6.07073351 Root MSE = 2.3025 GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI Yukarıdaki örnek ASVABC nin 33% of the S deki değişimin % 33 ünü ve SM dekinin ise % 13 ünü açıkladığını ifade etmekte midir? Hayır çünkü, çoklu regresyon ortak açıklama gücünün 0.46 değil 0.36 olduğunu göstermektedir.

43 43. reg S ASVABC SM Source | SS df MS Number of obs = 570 ---------+------------------------------ F( 2, 567) = 156.81 Model | 1230.2039 2 615.101949 Prob > F = 0.0000 Residual | 2224.04347 567 3.92247526 R-squared = 0.3561 ---------+------------------------------ Adj R-squared = 0.3539 Total | 3454.24737 569 6.07073351 Root MSE = 1.9805. reg S ASVABC Source | SS df MS Number of obs = 570 ---------+------------------------------ F( 1, 568) = 284.89 Model | 1153.80864 1 1153.80864 Prob > F = 0.0000 Residual | 2300.43873 568 4.05006818 R-squared = 0.3340 ---------+------------------------------ Adj R-squared = 0.3329 Total | 3454.24737 569 6.07073351 Root MSE = 2.0125. reg S SM Source | SS df MS Number of obs = 570 ---------+------------------------------ F( 1, 568) = 83.59 Model | 443.110436 1 443.110436 Prob > F = 0.0000 Residual | 3011.13693 568 5.30129742 R-squared = 0.1283 ---------+------------------------------ Adj R-squared = 0.1267 Total | 3454.24737 569 6.07073351 Root MSE = 2.3025 GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI İkinci regresyonda, ASVABC SM için kısmen vekil gibi davranmakta, ve bu görünen açıklayıcı değişkeni şişirmektedir. Benzer olarak, üçüncü regresyonda, SM ASVABC için vekil gibi davranmaktadır, tekrardan görünen açıklayıcı değişkeni şişirmektedir..

44 44 Tanımlama Hatası Testleri Gereksiz değişkenlerin varlığının araştırılması, Basit t testi Değişken gerekli olup olmadığı F testi Gerekli değişkenlerin gözardı edilmesinin ve yanlış fonksiyonel biçimin test edilmesi: 1.Hataların İncelenmesi 2.The Durbin-Watson d istatistiği(-) 3.Ramsey’in RESET testi 4.Eklenen Değişkenler için Lagrange Multiplier (LM) testi 5.Hausman Testi

45 45 Hataların İncelenmesi

46 46 Ramsey’in RESET testi Y i =  1 +  2 X 2i + u i Modelde tanımlama hatası olup olmadığını araştırmak için 1. Adım: 2. Adım: arasındaki dağılma diyagramı çizilerek (n= 2, 3,…..,) değişkenler eklenerek model yeniden tahminlenir. Grafik parabol ise; Grafik kübik ise;

47 47

48 48 Ramsey’in RESET testi H 0 : Model spesifikasyonu doğrudur. H 1 : Model spesifikasyonu yanlıştır. F hes > F tab H 0 reddedilebilir. 3. Adım: F tab =F , f 1, f 2 = ? f 1 : Yeni Değişken Sayısı f 2 : n – yeni model katsayı sayısı 4. Adım: 5. Adım: 6. Adım:

49 49 Ramsey’in RESET testi Uygulama: Türkiye’nin 1984 -2003 dönemi için İhracatı (IH, milyar $) ile ABD Döviz Kurları (1/ 1000 YTL) değerleri aşağıda verilmiştir. YILLARDKIHRYILLARDKIHR 19840.3687.134199429.84818.106 19850.5257.958199545.95221.638 19860.6807.457199681.79623.225 19870.86110.191997152.80526.261 19881.43111.6621998262.23326.974 19892.12511.6251999422.15226.588 19902.61212.9592000626.71227.775 19914.18413.59420011231.32231.334 19926.88814.71520021513.10235.762 199311.05815.34520031500.26938.317

50 50 Ramsey’in RESET testi 2. Adım: 1. Adım:

51 51 H 0 : Model spesifikasyonu doğrudur. H 1 : Model spesifikasyonu yanlıştır. F hes > F tab H 0 reddedilebilir. 3. Adım: F tab =F , 2, 20-4 =3.63 f 1 : Yeni Değişken Sayısı f 2 : n – yeni model katsayı sayısı 4. Adım: 5. Adım: 6. Adım: Ramsey’in RESET testi

52 52 Lagrange Multiplier (LM) testi Sınırlandırılmamış Model Sınırlandırılmış Model 1. Adım: Sınırlandırılış model EKK ile tahminlenipelde edilir. 2. Adım:

53 53 Lagrange Multiplier (LM) testi 4. Adım: 6. Adım:  2 hes >  2 tab H 0 reddedilebilir. 5. Adım: c: sınırlama sayısı H 0 : Model spesifikasyonu doğrudur. H 1 : Model spesifikasyonu yanlıştır. 3. Adım:

54 54 Lagrange Multiplier (LM) testi Uygulama: Kısa dönemde bir malın üretimiyle toplam üretim maliyetin gösteren veriler aşağıda verilmiştir. Üretim (X)Toplam Maliyet $ (Y) 1193 2226 3240 4244 5257 6260 7274 8297 9350 10420

55 55 Lagrange Multiplier (LM) testi 1. Adım: 2. Adım:

56 56 Lagrange Multiplier (LM) testi 4. Adım: 6. Adım:  2 hes >  2 tab H 0 reddedilebilir. 5. Adım: c: sınırlama sayısı 3. Adım: H 0 : Model spesifikasyonu doğrudur. H 1 : Model spesifikasyonu yanlıştır.

57 57 Hausman Tanımlama Testi Basit regresyon modeli için Hausman test istatistiği  m: 1 serbestlik dereceli ki – kare dağılımıdır. Gerçek model: Tahminlenen model:

58 58 Araç değişken Z ise araç değişken tahmincisi; Araç değişken yöntemi ile tutarlı tahminciler elde edilebilir. r: X ve Z arasındaki korelasyon katsayısı

59 59 Hausman Tanımlama Testi

60 60 Hausman Tanımlama Testi 1. Adım: H 0 : Model spesifikasyonu doğrudur. H 1 : Model spesifikasyonu yanlıştır. 2. Adım: Test İstatistiği: 3. Adım: m >  1 2 H o reddedilebilir.

61 61 Hausman Tanımlama Testi Uygulama: İhracat modelini Hausman testi ile test edelim. EKK ile tahmin edilen model Araç değişkeni kullanılarak elde edilen model:

62 62 Hausman Tanımlama Testi

63 63 Hausman Tanımlama Testi 1. Adım: H 0 : Model spesifikasyonu doğrudur. H 1 : Model spesifikasyonu yanlıştır. 2. Adım: Test İstatistiği: 5. Adım: m >  1 2 H o reddedilebilir. 4. Adım:  1 2 = 3.84

64 64 Ölçme Hataları 1. Bağımlı değişkendeki Ölçme Hataları 2. Bağımsız değişkendeki Ölçme Hataları 3.Hem Bağımlı hem de Bağımsız Değişkendeki Ölçme Hataları

65 65 Y i =  +  X i +e i Y * i = Y i + w i Y * i = (  +  X i +e i ) + w i Y * i =  +  X i +v i Bağımlı Değişkendeki Ölçme Hataları  Katsayıların sapmasız tahminlerini vermektedir.  tahmin edilen varyanslar ölçme hatasının bulunmadığı duruma göre daha büyüktür. Doğru Model Yanlış Model

66 66 Bağımsız Değişkendeki Ölçme Hataları Basit doğrusal regresyon denklemi Bağımsız değişken X’de toplamsal ölçme hatası olsun. Bu hata v i ile ifade edilirse, ölçme hatalı bağımsız değişken Ölçme Hatası v i, temel varsayımları sağlamakta, e i ile v i ’nin bağımsız olduğu varsayılsın.

67 67 Bağımsız Değişkendeki Ölçme Hataları Hatalı tahminlenen model

68 68 Bağımsız Değişkendeki Ölçme Hataları Hatalı model için Doğru model için

69 69 Bağımsız Değişkendeki Ölçme Hataları

70 70 Bağımsız Değişkendeki Ölçme Hataları aşağıdaki İfadeyi n/n ile çarparsak

71 Bağımsız Değişkendeki Ölçme Hataları

72 Varyanslar pozitif olduğundan;  1 pozitif ise daha küçük  1 negatif ise daha büyük

73 Bağımsız Değişkendeki Ölçme Hataları

74 0 < A < 1  1 in sapmalı tahmincisidir.

75 Bağımsız Değişkendeki Ölçme Hataları Sapmanın büyüklüğü Doğru model Hatalı model

76 Bağımsız Değişkendeki Ölçme Hataları

77 Bağımlı ve Bağımsız Değişkendeki Ölçme Hataları 1. w i ve v i temel varsayımlara sahip 2. e i, v i ve w i birbirinden bağımsızdır.

78 Bağımlı ve Bağımsız Değişkendeki Ölçme Hataları Yukarıdaki ifadeler denklemde yerine konursa

79 Bağımlı ve Bağımsız Değişkendeki Ölçme Hataları

80  Sapmalı  Tutarsız olacaktır. Parametre tahmincileri

81 81 Bağımsız Değişkenlerin Ölçme Hatalı Olması Durumunda Çözüm Yolları 1. EKK uygulanabilir. 2.Alet Değişken Yöntemi

82 82 Leamer’in Model Seçim Yaklaşımı Hipotez Testi Yorumlama Basitleştirme İkame Değişken arama Veri seçme Yeni model ilave etme. Leamer’e göre, model kurma ayışına girmek için 6 neden vardır:

83 83 Leamer’in Model Seçim Yaklaşımı logY = 6.2 + 0.85 logI – 0.67 logPR 2 =0.15 S(b i )(1.1) (0.21) (0.13) n=150 Bir malın talebinin belirlenmesi; Y: Talep edilen miktar (Portakal), I: Gelir; P: Fiyat İlk olarak Log-log model ile başlandığını varsayılsın; En basit şekilde talep kuramına göre; her şey aynı iken, bir malın talep edilen miktarı tüketicinin geliri ile o malın fiyatına bağlıdır.

84 84 logY + logP = 7.2 + 0.96 logI R 2 =0.14 S(b i ) (1.0) (0.20) T4.8 n=150 Hipotez Test ile arayışta fiyat esnekliği katsayısınının -1 olduğu varsayımı; Leamer’in Model Seçim Yaklaşımı logY = 6.2 + 0.85 logI – 0.67 logPR 2 =0.15 S(b i )(1.1) (0.21) (0.13) n=150 Sınırlı regresyon tahmini F testi sonucu fiyat esnekliği katsayısının -1 olduğu hipotezi reddedilir.

85 85 Leamer’in Model Seçim Yaklaşımı logY N = 7.3 + 0.89 logI N – 0.60 logP N R 2 =0.18 S(b i )(1.9) (0.41) (0.25) n=65 logY S = 7.0 + 0.82 logI S – 1.10 logP S R 2 =0.19 S(b i )(2.2) (0.31) (0.26) n= 85 Veri seçme veri setinin güneş alan ve almayan bölgeler olarak ayrılması; N: Kuzey S:Güney P:Fiyat I:Gelir Gelir ve fiyat değişkenlerinin bölgesel katsayıları aynıdır hipotezi ile ver seçme arayışı gerçekleştirilebilir.

86 86 Leamer’in Model Seçim Yaklaşımı İkame değişken arama; Gelir (I) yerine Harcama ( E) değişkeninin kullanılması logY = 5.2 + 1.1 logE – 0.45 logPR 2 =0.18 S(b i )(1.0) (0.18) (0.16) n=150 Yeni bir model kurma logY = 3.1 + 0.83 logE + 0.01 logP – 0.56 logGPR 2 =0.20 S(b i )(1.0) (0.83) (0.13) (0.60) n=150 GP: İkame mal fiyatı (Mandalina Fiyatı) İşaretleri yanlış

87 87 Leamer’in Model Seçim Yaklaşımı logY = 4.2 + 0.52 logI - 0.61 logP + 0.09 logGPR 2 =0.19 S(b i )(0.9) (0.19) (0.14) (0.31) n=150 logY = 3.7 + 0.58 log(E/P)R 2 =0.19 S(b i )(0.8) (0.18) n=150 Yorumlama Basitleştirme İşaretleri doğru

88 88 Hendry’in Model Seçim Yaklaşımı 1.Veri alabilmeli, 2.Teoriye uygun olmalı, 3.Dışsallığı zayıf açıklayıcı değişkenleri olmalı, 4.Katsayılar değişmez olmalı, 5.Hata terimi Beyaz Gürültülü olmalı, 6.Kapsayıcı olmalı.

89 89 Hendry’in Model Seçim Yaklaşımı Yukardan aşağıya yada genelden özele yaklaşım Genel Model Özel Model

90 90 Dependent Variable: HOUSING Method: Least Squares Sample: 1963 1985 Included observations: 23 VariableCoefficientStd. Errort-StatisticProb. C5087.43411045.790.4605770.6506 GNP1.7563532.1399840.8207320.4225 INTRATE-174.691861.00066-2.8637690.0103 POP-33.4336983.07564-0.4024490.6921 UNEMP79.71988122.57940.6503530.5237 R-squared0.449950 Mean dependent var1601.100 Adjusted R-squared0.327716 S.D. dependent var345.4715 S.E. of regression283.2621 Akaike info criterion14.32028 Sum squared resid1444274. Schwarz criterion14.56713 Log likelihood-159.6833 F-statistic3.681069 Durbin-Watson stat0.793569 Prob(F-statistic)0.023274 Hendry’in Model Seçim Yaklaşımı

91 91 Dependent Variable: HOUSING Method: Least Squares Sample: 1963 1985 Included observations: 23 VariableCoefficientStd. Errort-StatisticProb. C645.0187393.46531.6393280.1176 GNP0.9014190.2525993.5685740.0020 INTRATE-187.021751.57249-3.6263840.0018 UNEMP35.5866653.550950.6645380.5143 R-squared0.445000 Mean dependent var1601.100 Adjusted R-squared0.357369 S.D. dependent var345.4715 S.E. of regression276.9448 Akaike info criterion14.24228 Sum squared resid1457270. Schwarz criterion14.43976 Log likelihood-159.7863 F-statistic5.078083 Durbin-Watson stat0.816988 Prob(F-statistic)0.009478 Hendry’in Model Seçim Yaklaşımı İşareti yanlış

92 92 Dependent Variable: HOUSING Method: Least Squares Sample: 1963 1985 Included observations: 23 VariableCoefficientStd. Errort-StatisticProb. C687.8977382.68181.7975710.0874 GNP0.9053950.2489783.6364440.0016 INTRATE-169.657943.83829-3.8700840.0010 R-squared0.432101 Mean dependent var1601.100 Adjusted R-squared0.375311 S.D. dependent var345.4715 S.E. of regression273.0513 Akaike info criterion14.17830 Sum squared resid1491140. Schwarz criterion14.32641 Log likelihood-160.0505 F-statistic7.608750 Durbin-Watson stat0.831697 Prob(F-statistic)0.003489 Hendry’in Model Seçim Yaklaşımı

93 93 Seçilmiş Hipotez Testleri 1.Yuvalanmış Model Testleri 2.Yuvalanmamış Model Testleri Model A: Y = b 1 + b 2 X 2 + b 3 X 3 + b 4 X 4 + u Model B: Y = b 1 + b 2 X 2 + b 3 X 3 + u Model C: Y = a 1 + a 2 X 2 + u Model D: Y = b 1 + b 2 Z 2 + v Model E: Y = c 1 + c 2 X 2 + c 3 Z 2 + u

94 94 Yuvalanmış Model Testleri Model A: Y = b 1 + b 2 X 2 + b 3 X 3 + b 4 X 4 + u Model B: Y = b 1 + b 2 X 2 + b 3 X 3 + u B modeli, A modeli içinde yuvalanmıştır. Hipotez testleri: A modeli tahmin edilerek H 0 :  4 = 0 test edilerek hipotez kabul edilirse A modeli B modeline indirgenir.

95 95 Yuvalanmamış Hipotez Testleri Model C: Y = a 1 + a 2 X 2 + u Model D: Y = b 1 + b 2 Z 2 + v C ve D yuvalanmamış modellerdir.

96 96 Belirlilik Katsayıları Hocking S p Ölçüsü Mallow C p Ölçüsü Amemiya PC Ölçüsü Akaike AIC Schwartz SC Yuvalanmamış Hipotez Testleri 1.Ayırdedici Yaklaşım,

97 97 Yuvalanmamış Hipotez Testleri Farklı Model Bilgisiyle Ayırdedici Yaklaşım Yuvalanmamış- F testi Davidson-MacKinnon testi

98 98 Yuvalanmamış-F testi Model E: Y = c 1 + c 2 X 2 + c 3 Z 2 + u Model C: Y = a 1 + a 2 X 2 + u Model D: Y = b 1 + b 2 Z 2 + v C modeli doğru ise c 3 = 0 D modeli doğru ise c 2 = 0 olacaktır. Katsayılar t yada F Testi ile test edilirler

99 99 Yuvalanmamış-F testi Uygulama: 1990-2002 yılları verisi ile Vadeli Mevduat (VM), Para arzı(PA) ve GSMH verileri ile Yuvalanmamış F testini yapalım. YILLARVMPAGSMH 19900.0420.0720.397 19910.0730.1170.634 19920.1150.1911.104 19930.1590.2821.997 19940.4090.633.888 19950.8791.2577.855 19962.0442.92514.978 19974.1445.65929.393 19989.01211.42353.518 199917.95822.40278.283 200024.34831.912125.596 200135.65247.241179.48 200247.15961.879265.476

100 100 Yuvalanmamış-F testi Model E: Dependent Variable: VM Method: Least Squares Sample (adjusted): 1987 1999 Included observations: 13 after adjustments VariableCoefficientStd. Errort-StatisticProb C0.0212440.1086110.1955990.8488 GSMH-0.0108940.012517-0.8703790.4045 PA0.8066340.05080015.878690.0000 R-squared0.999663 Mean dependent var10.92262 Adjusted R-squared0.999596 S.D. dependent var15.71347 S.E. of regression0.315964 Akaike info criterio 0.732797 Sum squared resid0.998332 Schwarz criterion0.863170 Log likelihood-1.763182 F-statistic14834.53 Durbin-Watson stat1.593500 Prob(F-statistic)0.000000 H 0 : c 3 = 0 H 0 : c 2 = 0 Sadece t testi uygulayarak

101 101 Yuvalanmamış-F testi Dependent Variable: VM Method: Least Squares Sample (adjusted): 1987 1999 Included observations: 13 after adjustments VariableCoefficientStd. Errort-StatisticProb. C-0.0529330.529706-0.0999290.9222 GSMH0.1871000.00532535.134560.0000 R-squared0.991168 Mean dependent var10.92262 Adjusted R-squared0.990365 S.D. dependent var15.71347 S.E. of regression1.542417 Akaike info criterion3.845217 Sum squared resid26.16955 Schwarz criterion3.932132 Log likelihood-22.99391 F-statistic1234.437 Durbin-Watson stat1.825363 Prob(F-statistic)0.000000 Model C: VM = f(GSMH)

102 102 Yuvalanmamış-F testi Dependent Variable: VM Method: Least Squares Sample (adjusted): 1987 1999 Included observations: 13 after adjustments VariableCoefficientStd. Errort-StatisticProb. C0.0123400.1069300.1153980.9102 PA0.7625870.004378174.17500.0000 R-squared0.999638 Mean dependent var10.92262 Adjusted R-squared0.999605 S.D. dependent var15.71347 S.E. of regression0.312463 Akaike info criterion0.651975 Sum squared resid1.073962 Schwarz criterion0.738890 Log likelihood-2.237836 F-statistic30336.94 Durbin-Watson stat1.467167 Prob(F-statistic)0.00000 Model D: VM = f(PA)

103 103 Yuvalanmamış-F testi F Testi: 1. Adım: H 0 : c 2 = 0 (Değişken modele eklenmemelidir.) H: En az biri sıfırdan farklıdır. (Değişken modele eklenmelidir. 2.Adım 3.Adım F 1, 10, 0.05 = 4.96 4.Adım F hes < F tab H 0 reddedilemez. VM = f(PA) Sınırlandırılmış Model VM = f(GSMH, PA) Sınırlandırılmamış Model

104 104 Davidson-MacKinnon J Sınaması C modelini, D modeliyle karşılaştırmak istediğimizi düşünelim; 1. Adım: 2. Adım: D modelini tahmin et, tahmin edilmiş Y değerleri bul. Kapsayıcılık İlkesi 3. Adım:t sınamasını kullanarak testi yapılır. 4. Adım: Eğer hipotezi reddedilmez ise, C modelini doğru model olarak kabul ederiz. C Modeli, D Modelini kapsamaktadır. Model C: Y = a 1 + a 2 X 2 + u Model D: Y = b 1 + b 2 Z 2 + v değerini, C modeline ek bir açıklayıcı değişken olarak koy, aşağıdaki modeli tahmin et.

105 105 Davidson-MacKinnon J Sınaması D modelini, C modeliyle karşılaştırmak istediğimizi düşünelim; 1. Adım: 2. Adım: C modelini tahmin et, tahmin edilmiş Y değerleri bul. Kapsayıcılık İlkesi 3. Adım: t sınamasını kullanarak testi yapılır. 4. Adım: Eğer hipotezi reddedilmez ise, D modelini doğru model olarak kabul ederiz. D Modeli, C Modelini kapsamaktadır. Model C: Y = a 1 + a 2 X 2 + u Model D: Y = b 1 + b 2 Z 2 + v değerini D modeline ek bir açıklayıcı değişken olarak koy, aşağıdaki modeli tahmin et.

106 106 Davidson-MacKinnon J Sınaması  3 =0 Hipotezi  3 =0 Hipotezi ReddetmeyinReddedin ReddetmeyinHem C hem de D’yi kabul et D’i kabul et, C’i reddet ReddedinC’i kabul et, D’i reddetHem C’i hm de D’i reddet

107 107 Uygulama: 1990-2002 yılları verisi ile Vadeli Mevduat (VM), Para arzı(PA) ve GSMH verileri ile Davidson- MacKinnon J sınaması ile testini yapalım. YILLARVMPAGSMH 19900.0420.0720.397 19910.0730.1170.634 19920.1150.1911.104 19930.1590.2821.997 19940.4090.633.888 19950.8791.2577.855 19962.0442.92514.978 19974.1445.65929.393 19989.01211.42353.518 199917.95822.40278.283 200024.34831.912125.596 200135.65247.241179.48 200247.15961.879265.476 Davidson-MacKinnon J Sınaması

108 108 Davidson-MacKinnon J Sınaması Model C: Y = a 1 + a 2 PA + u Model D: Y = b 1 + b 2 GSMH + v

109 109 Davidson-MacKinnon J Sınaması Dependent Variable: VM Method: Least Squares Sample: 1990 2002 Included observations: 13 VariableCoefficientStd. Errort-StatisticProb. C0.0181620.1083350.1676480.8702 PA0.8066340.05080015.878690.0000 -0.0582280.066899-0.8703790.4045 R-squared0.999663 Mean dependent var10.92262 Adjusted R-squared0.999596 S.D. dependent var15.71347 S.E. of regression0.315964 Akaike info criterion0.732797 Sum squared resid0.998332 Schwarz criterion0.863170 Log likelihood-1.763182 F-statistic14834.53 Durbin-Watson stat1.593500 Prob(F-statistic)0.000000 H 0 reddedilemez C modeli, D modelini kapsamaktadır.

110 110 Davidson-MacKinnon J Sınaması Dependent Variable: VM Method: Least Squares Sample (adjusted): 1990 2002 Included observations: 13 after adjustments VariableCoefficientStd. Errort-StatisticProb. C0.0081920.1085790.0754470.9413 GSMH-0.0108940.012517-0.8703790.4045 1.0577600.06661515.878690.0000 R-squared0.999663 Mean dependent var10.92262 Adjusted R-squared0.999596 S.D. dependent var15.71347 S.E. of regression0.315964 Akaike info criterio0.732797 Sum squared resid0.998332 Schwarz criterion0.863170 Log likelihood-1.763182 F-statistic14834.53 Durbin-Watson stat1.593500 Prob(F-statistic)0.00000 H 0 red. D modeli, C modelini kapsamamaktadır.


"1 İyi Bir Modelin Özellikleri 1.Basitlik 2.Belirlenmişlik Y t =  1 (1-  )+  2 X t -  2 X t-1 +  Y t-1 +e t 3.R 2 ölçüsü 4.Teorik tutarlılık 5.Tahmin." indir ppt

Benzer bir sunumlar


Google Reklamları