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.

Slides:



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

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.
OTOKORELASYON.
ÇOKLU DOĞRUSAL BAĞLANTI
KOŞULLU ÖNGÖRÜMLEME.
© The McGraw-Hill Companies, 2005 Bölüm 2 İktisadi analizin araçları David Begg, Stanley Fischer and Rudiger Dornbusch, Economics, 8th Edition, McGraw-Hill,
Koentegrasyon Bir çok makro iktisadi zaman serisi stokastik ya da deterministik trend içermektedir. Bu tür serileri, durağanlığı sağlanıncaya kadar farkını.
OTOKORELASYON.
Otokorelasyonun Önlenmesi
Mehmet Vedat PAZARLIOĞLU
Bağımlı Kukla Değişkenler
Zaman Serileri Analizi
GÖRÜNÜRDE İLİŞKİSİZ REGRESYON MODELLERİ
ÇOKLU REGRESYON MODELİ
Farklı Varyans Var(u i |X i ) = Var(u i ) = E(u i 2 ) =  2  Eşit Varyans Y X.
Hatalarda Normal Dağılım
Normal Dağılımlılık EKK tahmincilerinin ihtimal dağılımları u i ’nin ihtimal dağılımı hakkında yapılan varsayıma bağlıdır.  tahminleri için uygulanan.
EŞANLI DENKLEMLİ MODELLER. Eşanlı denklem sisteminde, Y den X e ve X den Y ye karşılıklı iki yönlü etki vardır. Y ile X arasındaki karşılıklı ilişki nedeniyle.
ÇOKLU DOĞRUSAL BAĞLANTI
Ekonomik Araştırmalarda Bilgisayar Kullanımı Doç. Dr. Utku UTKULU Nevzat ŞİMŞEK C = ,8D C : tüketim D : kişisel kullanılabilir gelir
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.
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.
ÖNGÖRÜMLEME (Forecasting)
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.
Parametrik Hipotez Testleri
HİPOTEZ TESTLERİNE GİRİŞ
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.
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.
OLASILIK ve İSTATİSTİK
1 KUKLA DEĞİŞKENLİ MODELLER Bir kukla değişkenli modeller (Varyans Analiz Modelleri) Kukla değişkenlerin diğer kantitatif değişkenlerle alındığı modeller.
Lineer Regresyon. Amaç: Bu konu sonunda Tıp Fakültesi 1. sınıf öğrencilerinin çeşitli bağımsız değişkenleri kullanarak bir nümerik değişkenin değerini.
PANEL VERİ ANALİZİ.
Numerik Veri İki Bağımsız Grup
ZAMAN SERİLERİ EKONOMETRİSİ I : DURAĞANLIK, BİRİM KÖKLER
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
Tam Logaritmik Fonksiyon
İyi Bir Modelin Özellikleri
Bağımlı Kukla Değişkenler
2.Hafta Dağılım İç tutarlılık Tek Örneklem t Testi
Farklı Varyans Var(ui|Xi) = Var(ui) = E(ui2) = s2  Eşit Varyans Y X.
NİŞANTAŞI ÜNİVERSİTESİ
Normal Dağılımlılık EKK tahmincilerinin ihtimal dağılımları ui’nin ihtimal dağılımı hakkında yapılan varsayıma bağlıdır. b tahminleri için uygulanan testlerin.
Dağıtılmış Gecikme Modeli
Sunum transkripti:

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 Süreç;AR(1) e t =  e t-1 +  t

Otokorelasyon ile Karşılaşılan Durumlar Modele Bazı Bağımsız Değişkenlerin Alınmaması Modelin Matematiksel Kalıbın Yanlış Seçilmesi, Bağımlı Değişkenin Ölçme Hatalı Olması, Verilerin İşlenmesi, Örümcek Ağı Olayı, u’nun yanlış tanımlanması.

Y X         “tahminlenmiş” doğru “gerçek” doğru Otokorelasyonu Gözardı Etmenin Sonuçları

Hipotez testleri üzerine etkisi, Tahmin edilen katsayı varyansları gerçek varyans değerinden daha küçük elde edilir. Ve bu varyans değerleri sapmalı ve tutarsızdır. Dolayısıyla bunlara bağlı olarak elde edilen t ve F istatistiklerine ve elde edilen güven aralıklarına güvenilemeyecektir. Öngörümleme üzerine etkisi. Taminler sapmasız olduğundan, öngörümleme değerleride sapmasız olacaktır. Ancak daha büyük varyanslı olma nedenleriyle etkinlik özelliğini kaybedeceklerdir. Otokorelasyonu Gözardı Etmenin Sonuçları

Grafik Yöntemle, Durbin-Watson testi ile, Breusch-Godfrey testi ile, Otokorelasyonun Tesbit Edilmesi

Grafik Yöntem

H 0 :  = 0 H 1 :   0 0dLdL dUdU 4-d U 4-d L 42 Pozitif Otokorelasyon Bölgesi. Negatif Otokorelasyon Bölgesi  =0 Kararsızlık d=2(1-  ) Durbin-Watson Testi

Dependent Variable: Y Sample: Included observations: 16 VariableCoefficientStd. Errort-StatisticProb. C X 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) Durbin-Watson Testi

Y X etet e t e t - e t (e t - e t-1 ) et2et  Durbin-Watson Testi

Model sabit terimsiz ise, Bağımsız X değişkenleri stokastikse, Otokorelasyonun derecesi 1’den büyük ise, Zaman serisinde ara yıllar noksan ise, Modelde bağımsız değişken olarak gecikmeli bağımlı değişken varsa, Durbin-Watson Testi

Breusch-Godfrey (B-G) Testi Y = b 1 + b 2 X 2 + b 3 X 3 + u LM testi için yardımcı regresyon: R y 2 = ? B-G Testi Aşamaları: 1.Aşama 2.Aşama  = ? 3.Aşama 4.Aşama H 0 :  1 =  2 =... =  s = 0 H 1 :  i  0 s.d.= s  2 tab =? B-G= (n-s).R y 2 = ? B-G >  2 tab H 0 hipotezi reddedilebilir u t = b 1 + b 2 X 2 + b 3 X 3 +  1 u t-1 +  2 u t  s u t-s + v t

Breusch-Godfrey (B-G) Testi Test Equation: Dependent Variable: RESID VariableCoefficientStd. Errort-StatisticProb. C X RESID(-1) R-squared Mean dependent var2.00E-14 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)

GEKKY, Fonsiyonel Biçimin Değiştirilmesi, Genel Dinamik Yapı Tanımlanması, Birinci dereceden Farkların Alınması, Cochrane-Orcut Yöntemi, Otokorelasyonun Önlenmesi

Y t =  0 +  1 Y t-1 +  2 X t +  3 X t-1 +  t y t =  1 y t-1 +  2 x t +  3 x t-1 +  t |  1 |<1 y t =  x t + u t u t =  u t-1 +  t y t -  x t =  (y t-1 -  x t-1 )+  t y t =  y t-1 +  x t -  x t-1 +  t  1 =  2 =  3 = -   3 +      Genel Dinamik Yapı Tanımlanması

Dependent Variable: PROFITS Sample: Included observations: 21 VariableCoefficientStd. Errort-StatisticProb. C SALES 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) Data 9-4: Profits = b 1 + b 2 Sales

Dependent Variable: PROFITS Sample(adjusted): Included observations: 20 after adjusting endpoints VariableCoefficientStd. Errort-Statistic Prob. C PROFITS(-1) SALES SALES(-1) 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) Data 9-4: Profits =  0 +  1 Profits t-1 +  2 Sales t +  3 Sales t-1

LM Test Equation: Dependent Variable: RESID VariableCoefficientStd. Errort-StatisticProb. C PROFITS(-1) SALES SALES(-1) RESID(-1) R-squared Mean dependent var8.92E-14 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)

Y t =  1 +  2 X t + u t Y t-1 =  1 +  2 X t-1 + u t-1 Y t - Y t-1 =  1 –  1 +  2 (X t - X t-1 )+ u t - u t-1  Y t =  2  X t +v t Birinci Dereceden Farkların Alınması

Dependent Variable: PROFITS-PROFITS(-1) Sample(adjusted): Included observations: 20 after adjusting endpoints VariableCoefficientStd. Errort-StatisticProb. SALES-SALES(-1) 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 Durbin-Watson stat Birinci Dereceden Farkların Alınması

LM Test Equation: Dependent Variable: RESID VariableCoefficientStd. Errort-StatisticProb. SALES-SALES(-1) RESID(-1) 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) Birinci Dereceden Farkların Alınması

Adım 1: Modeli EKKY ile tahmin edip hataları elde edin. Adım 2: Yukarıdaki yardımcı regresyon modelini tahmin edip bu modele ait belirlilik kasayısını hesaplayınız: R y 2 Adım 3: (n-p)R y 2 >  2 tab H o reddedilebilir Engel’s ARCH Testi H o :  1 =  2 =...=  p =0 H 1 :  ’ ların en az bir tanesi sıfırdan farklıdır.