Farklı Varyans Var(u i |X i ) = Var(u i ) = E(u i 2 ) =  2  Eşit Varyans Y X.

Slides:



Advertisements
Benzer bir sunumlar
ZAMAN SERİLERİ EKONOMETRİSİ I : DURAĞANLIK, BİRİM KÖKLER
Advertisements

İstatistik Tahmin ve Güven aralıkları
Farklı Varyans Var(ui|Xi) = Var(ui) = E(ui2) = s2  Eşit Varyans Y X.
Farklı Varyans Var(ui|Xi) = Var(ui) = E(ui2) = s2  Eşit Varyans Y X.
Sabit Varyans Var(ui|Xi) = Var(ui) = E(ui2) = s2  Eşit Varyans
Farklı Varyans Var(ui|Xi) = Var(ui) = E(ui2) = s2  Eşit Varyans Y X.
İyi Bir Modelin Özellikleri
Farklı Varyans Var(ui|Xi) = Var(ui) = E(ui2) = s2  Eşit Varyans Y X.
Hatalarda Normal Dağılım
OTOKORELASYON.
ÇOKLU DOĞRUSAL BAĞLANTI
Hatalarda Normal Dağılım
Mehmet Vedat PAZARLIOĞLU
KOŞULLU ÖNGÖRÜMLEME.
© The McGraw-Hill Companies, 2005 Bölüm 2 İktisadi analizin araçları David Begg, Stanley Fischer and Rudiger Dornbusch, Economics, 8th Edition, McGraw-Hill,
OTOKORELASYON.
Otokorelasyonun Önlenmesi
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.
Mehmet Vedat PAZARLIOĞLU
Bağımlı Kukla Değişkenler
Zaman Serileri Analizi
GÖRÜNÜRDE İLİŞKİSİZ REGRESYON MODELLERİ
ÇOKLU REGRESYON MODELİ
Hatalarda Normal Dağılım
Normal Dağılımlılık EKK tahmincilerinin ihtimal dağılımları u i ’nin ihtimal dağılımı hakkında yapılan varsayıma bağlıdır.  tahminleri için uygulanan.
DOĞRUSAL OLMAYAN REGRESYON MODELLERİ…
İyi Bir Modelin Özellikleri
DURAĞAN SÜREÇ Eğer bir Xt zaman serisi, E(Xt), ve Xt ile Xt+s arasındaki anakitle kovaryansı t’den bağımsız ise durağandır. 1.
ÇOKLU DOĞRUSAL BAĞLANTI
Otokorelasyon ut = r ut-1 + et -1 < r < +1 Yt = a + bXt + ut 
OTOKORELASYON.
Otokorelasyon Y t =  +  X t + u t  u t =  u t-1 +  t -1 <  < +1 Birinci dereceden Otokorelasyon Cov (u t,u s )  0  Birinci Dereceden Otoregressif.
OTOKORELASYON.
KUKLA DEĞİŞKENLİ MODELLER
Tüketim Gelir
ORTAK FAKTÖR TESTİ VE DİNAMİK MODEL SPESİFİKASYONU
Sabit Terimsiz Bağlanım Modeli
Normal Dağılım EKK tahmincilerinin ihtimal dağılımları u i ’nin ihtimal dağılımı hakkında yapılan varsayıma bağlıdır.  tahminleri için uygulanan testlerin.
Normal Dağılımlılık EKK tahmincilerinin ihtimal dağılımları u i ’nin ihtimal dağılımı hakkında yapılan varsayıma bağlıdır.  tahminleri için uygulanan.
Mehmet Vedat PAZARLIOĞLU
…ÇOKLU REGRESYON MODELİ…
Farklı Varyans Var(u i |X i ) = Var(u i ) = E(u i 2 ) =  2  Eşit Varyans Y X 1.
Farklı Varyans Var(u i |X i ) = Var(u i ) = E(u i 2 ) =  2  Eşit Varyans Y X.
HİPOTEZ TESTLERİNE GİRİŞ
Maliye’de SPSS Uygulamaları
Maliye’de SPSS Uygulamaları
Bağımlı Kukla Değişkenler
İSTATİSTİK II Hipotez Testleri 3.
1 KUKLA DEĞİŞKENLİ MODELLER Bir kukla değişkenli modeller (Varyans Analiz Modelleri) Kukla değişkenlerin diğer kantitatif değişkenlerle alındığı modeller.
İSTATİSTİK II Örnekleme Dağılışları & Tahminleyicilerin Özellikleri.
OTOKORELASYON.
Bağımlı Kukla Değişkenler 1 Bağımlı değişken özünde iki değer alabiliyorsa yani bir özelliğin varlığı ya da yokluğu söz konusu ise bu durumda bağımlı kukla.
1 KUKLA DEĞİŞKENLİ MODELLER Bir kukla değişkenli modeller (Varyans Analiz Modelleri) Kukla değişkenlerin diğer kantitatif değişkenlerle alındığı modeller.
PANEL VERİ ANALİZİ.
ZAMAN SERİLERİ EKONOMETRİSİ I : DURAĞANLIK, BİRİM KÖKLER
İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ
Hatalarda Normal Dağılım
Farklı Varyans Var(ui|Xi) = Var(ui) = E(ui2) = s2  Eşit Varyans Y X.
Hatalarda Normal Dağılım
Öğr. Gör. Zeynep KÖSE Hasan Kalyoncu Üniversitesi İktisat Bölümü
Bağımlı Kukla Değişkenler
Bağımlı Kukla Değişkenler
Farklı Varyans Var(ui|Xi) = Var(ui) = E(ui2) = s2  Eşit Varyans Y X.
Tüketim Gelir
Bağımlı Kukla Değişkenler
İyi Bir Modelin Özellikleri
Bağımlı Kukla Değişkenler
Farklı Varyans Var(ui|Xi) = Var(ui) = E(ui2) = s2  Eşit Varyans Y X.
NİŞANTAŞI ÜNİVERSİTESİ
Dağıtılmış Gecikme Modeli
Sunum transkripti:

Farklı Varyans Var(u i |X i ) = Var(u i ) = E(u i 2 ) =  2  Eşit Varyans Y X

Farklı Varyans Var(u i |X i ) = Var(u i ) = E(u i 2 ) =  i 2  Farklı Varyans Hata Zaman

Farklı Varyans ile Karşılaşılan Durumlar Kesit Verilerinde, Kar dağıtım modellerinde, Sektör modellerinde, Ücret modellerinde, Deneme - Yanılma modellerinde.

Farklı Varyansı Gözardı Etmenin Sonuçlar Tahminci Özelliklerine etkisi, Tahminciler sapmasız ve tutarlıdırlar, ancak etkin değildirler. Hipotez testleri üzerine etkisi, Tahminciler minimum varyanslı olma özelliklerini kaybettiklerinden, bunlara bağlı olarak elde edilen t ve F istatistiklerine ve elde edilen güven aralıklarına güvenilemeyecektir. Öngörümleme üzerine etkisi. Önceden değerleri sapmalı olacaktır.

Farklı Varyansın Tesbit Edilmesi Grafik Yöntemle, Sıra Korelasyonu testi ile, Goldfeld-Quandt testi ile, White testi ile, Lagrange çarpanları testi ile

Grafik Yöntem

Sıra Korelasyonu Testi 1.Aşama H 0 :  = 0 H 1 :   0 2.Aşama  = ? s.d.=? 3.Aşama t tab =? 4.Aşama H 0 hipotezi reddedilebilir t hes > t tab

Sıra Korelasyonu Testi Y X eXsXs eses didi di2di  d i 2 =112

Sıra Korelasyonu Testi = Aşama H 0 :  = 0 H 1 :   0 2.Aşama  = 0.05 s.d.= 8 3.Aşama t tab = = Aşama H 0 hipotezi reddedilemez. t hes < t tab

Goldfeld-Quandt Testi Y X 2s X 3... X k Y = b 1 + b 2 X 2 + b 3 X b k X k + u I.Alt Örnek n 1 II.Alt Örnek n 2 Çıkarılan Gözlemler Y I = b 11 + b 21 X 2 + b 31 X b k1 X k + u Y II = b 12 + b 22 X 2 + b 32 X b k2 X k + u n(1/6) < c < n(1/3)  e 2 =?

Goldfeld-Quandt Testi 1.Aşama H 0 : Eşit Varyans H 1 : Farklı Varyans 2.Aşama  = ? 3.Aşama F tab =? 4.Aşama H 0 hipotezi reddedilebilir F hes > F tab

lnmaas = b 1 + b 2 Yıl + b 3 Yıl 2 Goldfeld-Quandt Test Dependent Variable: lnmaas Included observations: 222 VariableCoefficientStd. Errort-StatisticProb. C Yıl Yıl R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)

1.alt örnek sonuçları: Goldfeld-Quandt Test Dependent Variable: lnmaas Sample: 1 75 Included observations: 75 VariableCoefficientStd. Errort-StatisticProb. C Yıl Yıl R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)

Goldfeld-Quandt Test 2.Altörnek Sonuçları: Dependent Variable: lnmaas Sample: Included observations: 75 VariableCoefficientStd. Errort-StatisticProb. C Yıl Yıl R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)

Goldfeld-Quandt Testi 1.Aşama H 0 : Eşit Varyans H 1 : Farklı Varyans 2.Aşama  = Aşama 1.43<F tab < Aşama H 0 hipotezi reddedilebilir F hes > F tab =

White Testi Y = b 1 + b 2 X 2 + b 3 X 3 + u White Testi için yardımcı regresyon: u 2 = a 1 + a 2 X 2 + a 3 X 3 + a 4 X a 5 X a 6 X 2 X 3 + v R y 2 = ? White Testi Aşamaları: 1.Aşama 2.Aşama  = ? 3.Aşama 4.Aşama H 0 : a 2 = a 3 = a 4 = a 5 = a 6 =0 H 1 : a i ’lerin en az bir tanesi anlamlıdır s.d.= k-1  2 tab =? W= n.R y 2 = ? W >  2 tab H 0 hipotezi reddedilebilir

White Testi lnmaaş = yıl yıl 2 White Testi için yardımcı regresyon: 1.Aşama 2.Aşama  = Aşama 4.Aşama H 0 : a 2 = a 3 = a 4 = a 5 =0 ; H 1 : a i ’lerin en az bir tanesi anlamlıdır s.d.=5-1=4  2 tab = W= n.R y 2 = 222(0.0901)= W >  2 tab H 0 hipotezi reddedilebilir e 2 = Yıl Yıl Yıl Yıl 4 R y 2 =

Lagrange Çarpanları(LM) Testi Y = b 1 + b 2 X 2 + b 3 X 3 + u LM testi için yardımcı regresyon: R y 2 = ? LM Testi Aşamaları: 1.Aşama 2.Aşama  = ? 3.Aşama 4.Aşama H 0 : b = 0 H 1 : b  0 s.d.= k-1  2 tab =? LM= n.R y 2 = ? LM >  2 tab H 0 hipotezi reddedilebilir

Lagrange Çarpanları(LM) Testi lnmaaş = yıl yıl 2 LM Testi için yardımcı regresyon: 1.Aşama 2.Aşama  = Aşama 4.Aşama H 0 : b = 0 H 1 : b  0 s.d.=2-1=1  2 tab = LM= n.R y 2 = 222(0.0537)= LM >  2 tab H 0 hipotezi reddedilebilir e 2 = lnmaas-tah R y 2 =

Genelleştirilmiş EKKY(GEKKY) Y i = b 1 + b 2 X i + u i

bilinmemesi durumu Y i = b 1 + b 2 X i + u i