Sunum yükleniyor. Lütfen bekleyiniz

Sunum yükleniyor. Lütfen bekleyiniz

İyi Bir Modelin Özellikleri

Benzer bir sunumlar


... konulu sunumlar: "İyi Bir Modelin Özellikleri"— Sunum transkripti:

1 İyi Bir Modelin Özellikleri
Basitlik Belirlenmişlik Yt= b1(1-r)+b2Xt-rb2Xt-1+rYt-1+et R2 ölçüsü Teorik tutarlılık Tahmin Gücü

2 Model Tanımlanması Araştırmada kullanılan modelin tanımlamasının “doğru” olduğu kabul edilmektedir.. Doğru modele ulaşmak için R2, 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 Tanımlama Hatası Tipleri
Y = b1 + b2 X + b3 X2 + b4 X3 + u Yanlış Fonksiyonel biçim lnY = b1 + b2 X + b3 X2 + b4 X3 + u Y = l1 + l2 X + l3 X2 + l4 X3 + l5 X4 + v v = u - l5 X4 Gereksiz Değişkenin Modelde Yer Alması,

4 Tanımlama Hatası Tipleri
Y = b1 + b2 X + b3 X2 + b4 X3 + u Y = a1 + a2 X + a3 X2 + v v = b4 X3 + u Gerekli Değişkenin Gözardı Edilmesi, Yi* = b1* + b2* Xi* + b3* Xi*2 + b4* Xi*3 + ui* Yi*= Yi + ei Ölçme Hatası Sapması Xi*= Xi + wi

5 Tanımlama Hatası Sonuçları
Gerekli Değişkenin Gözardı Edilmesi Yi = b1 + b2 X2i + b3 X3i + ui Y = a1 + a2 X2i+ vi v = b3 X3i + u X3 Değişkenini gözardı etmenin sonuçları a1 ve a2 üzerine etkisi (r230), a1 ve a2 sapmalı ve tutarsız olacaktır. a1’e etkisi (r230), a2 sapmasız iken a1 hala sapmalı olacaktır. Hata varyansına etkisi s2,

6 Tanımlama Hatası Sonuçları
Gereksiz Değişkenin Modelde Yer Alması, Yi = b1 + b2 X2i + ui Y = a1 + a2 X2i+ b3 X3i +vi ui = b3 X3i + vi Gereksiz Değişkenin Modelde Yer Almasının Sonuçları Bu tür modeldeki EKK tahmincileri tutarlı ve sapmasızdır. Hata varyansı s2 doğru tahmin edilmiştir. Güven aralıkları ve hipotez testleri hala geçerlidir, Tahmini a’lar etkin değildirler.

7 Tanımlama Hatası Sonuçları
Gerekli Değişkenin Gözardı Edilmesi Yi = b1 + b2 X2i + b3 X3i + ui Y = a1 + a2 X2i+ vi v = b3 X3i + u X3 Değişkenini gözardı etmenin sonuçları a2’nin varyansına etkisi, a2 ‘nin varyansı 2’nin varyansının sapmalı bir tahmin edicisidir. Güven aralıkları ve hipotez testlerine etkisi.

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

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

10 Gerekli Bir Değişkenin Modele Alınmaması
2 nin beklenen değeri alınırsa (5) 3 ün yanında çarpım olarak yer alan ifade X2’nin, bağımsız X3 ‘ün bağımlı değişken olduğu basit doğrusal regresyon modelinin bağımsız değişken katsayısının formülüdür.

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

12 Gerekli Bir Değişkenin Modele Alınmaması
(5) nolu ifade

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

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

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

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

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

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

19 Gereksiz Bir Değişkenin Modele Alınmamasıvar

20 Gereksiz Bir Değişkenin Modele Alınmamasıvar

21 Gereksiz Bir Değişkenin Modele Alınmamasıvar
Etkin değil Doğru model

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

23 GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI Yanlış tanımlamanın sonuçları
Doğru model Tahmini model Analizimizde iki durum söz konusudur. Y sadece X2 ile ya da X2 ve X3 ile ilişkilendirilecektir. 2

24 Yanlış tanımlamanın sonuçları
GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI Yanlış tanımlamanın sonuçları Doğru model Tahmini model Doğru tanımlama. Problem yok Y sadece X2 ile ilişkilendirilirse problem söz konusu olmayacaktır.

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

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

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

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

29 GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI
Bu durumda X3, b2’nin b3 Cov(X2, X3)/Var(X2) kadar yanlı olmasına neden olacaktır.

30 GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI
Y X3’ün etkisi X3 sabitken X2’nin doğrudan etkisi b2 b3 X3 gibi davranan X2’nin görünen etkisi X2 X3 b2 doğrudan etkisine ek olarak X2, modele alınmayan X3’ün vekili gibi davranıp dolaylı etkiye de sahip olacaktır.

31 GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI
Y X3’ün etkisi X3 sabitken X2’nin doğrudan etkisi b2 b3 X3 gibi davranan X2’nin görünen etkisi X2 X3 Vekil etkisi iki faktöre bağlı olacaktır: X3’ ün Y üzerine etkisinin gücü (b3) ve X2’ nin X3’ü taklit etme yeteneği.

32 GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI
Y X3’ün etkisi X3 sabitken X2’nin doğrudan etkisi b2 b3 X3 gibi davranan X2’nin görünen etkisi X2 X3 X2’nin X3’ü taklit etme yeteneği X3 ile X2 ilişkilendirildiğinde elde edilen eğim elde edilir.

33 GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI
. reg S ASVABC SM Source | SS df MS Number of obs = F( 2, 567) = Model | Prob > F = Residual | R-squared = Adj R-squared = Total | Root MSE = S | Coef. Std. Err t P>|t| [95% Conf. Interval] ASVABC | SM | _cons | Örneğimizde eğitim süresi (S), yetenek puanı (ASVABC) ve anne eğitim düzeyine (SM) ilişkilendirilecektir.

34 GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI
. reg S ASVABC SM Source | SS df MS Number of obs = F( 2, 567) = Model | Prob > F = Residual | R-squared = Adj R-squared = Total | Root MSE = S | Coef. Std. Err t P>|t| [95% Conf. Interval] ASVABC | SM | _cons | Daha sonra SM’yi modelden çıkararak tahminleyeceğiz.

35 GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI
. reg S ASVABC SM Source | SS df MS Number of obs = F( 2, 567) = Model | Prob > F = Residual | R-squared = Adj R-squared = Total | Root MSE = S | Coef. Std. Err t P>|t| [95% Conf. Interval] ASVABC | SM | _cons | B3 ün pozitif olduğunu , sağduyuya dayanarak kabul etmek makul olacaktır. Bu varsayım çoklu regresyonun pozitif ve yüksek derecede anlamlı olduğu tahmin gerçeğiyle kuvvetli olarak desteklenmektedir.

36 GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI
. reg S ASVABC SM Source | SS df MS Number of obs = F( 2, 567) = Model | Prob > F = Residual | R-squared = Adj R-squared = Total | Root MSE = S | Coef. Std. Err t P>|t| [95% Conf. Interval] ASVABC | SM | _cons | . cor SM ASVABC (obs=570) | SM ASVABC SM| ASVABC| ASVABC ve SM arasındaki korelasyon pozitif olduğundan kovaryansı da pozitif olacaktır. Var(ASVABC) da otomatik olarak pozitif olacaktır. Bundan dolayı sapma da pozitif olacaktır.

37 GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI
. reg S ASVABC Source | SS df MS Number of obs = F( 1, 568) = Model | Prob > F = Residual | R-squared = Adj R-squared = Total | Root MSE = S | Coef. Std. Err t P>|t| [95% Conf. Interval] ASVABC | _cons | SM’nin ihmal edildiği regresyon yukarıda yer almaktadır.

38 GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI
. reg S ASVABC SM S | Coef. Std. Err t P>|t| [95% Conf. Interval] ASVABC | SM | _cons | . reg S ASVABC ASVABC | _cons | Gördüğünüz gibi, ASVABC ‘nin katsayısı SM ihmal edildiğinde gerçektende daha yüksek olmaktadır. Farkın bir kısmı tam değişime bağlı olabilir, fakat fark sapmaya atfolunabilir.

39 GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI
. reg S SM Source | SS df MS Number of obs = F( 1, 568) = Model | Prob > F = Residual | R-squared = Adj R-squared = Total | Root MSE = S | Coef. Std. Err t P>|t| [95% Conf. Interval] SM | _cons | SM yerine ASVABC’in ihmal edilmesiyle elde edilen regresyon yukarıda yer almaktadır. b3 nin yukarı doğru sapma yapması beklenir. b2 ‘nin pozitif olmasını bekleriz ve sapma ifadesinde yer alan hem kovaryans hem de varyans pozitif olduğunu biliyoruz.

40 GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI
. reg S ASVABC SM S | Coef. Std. Err t P>|t| [95% Conf. Interval] ASVABC | SM | _cons | . reg S SM SM | _cons | Yukarıdaki örnekte sapma gerçekten çarpıcıdır. SM katsayısı iki katından daha fazladır. (Büyük sonucun sebebi Var(SM), Var(ASVABC) den daha küçükken, b2 ve b3 nin tahminlerinin aynı boyutta olmasıdır.)

41 GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI
. reg S ASVABC SM Source | SS df MS Number of obs = F( 2, 567) = Model | Prob > F = Residual | R-squared = Adj R-squared = Total | Root MSE = . reg S ASVABC F( 1, 568) = Model | Prob > F = Residual | R-squared = Adj R-squared = Total | Root MSE = . reg S SM F( 1, 568) = Model | Prob > F = Residual | R-squared = Adj R-squared = Total | Root MSE = Sonuç olarak, R2 bir değişken ihmal edildiğinde nasıl davranış gösterdiğini inceledik. S nin ASVABC deki basit regresyonundaki, R2 değeri 0.33, ve S nin SM deki basit regresyonundaki R2 değeri 0.13 dir.

42 GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI
. reg S ASVABC SM Source | SS df MS Number of obs = F( 2, 567) = Model | Prob > F = Residual | R-squared = Adj R-squared = Total | Root MSE = . reg S ASVABC F( 1, 568) = Model | Prob > F = Residual | R-squared = Adj R-squared = Total | Root MSE = . reg S SM F( 1, 568) = Model | Prob > F = Residual | R-squared = Adj R-squared = Total | Root MSE = 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 olduğunu göstermektedir.

43 GEREKLİ BİR DEĞİŞKENİN MODELE ALINMAMASI
. reg S ASVABC SM Source | SS df MS Number of obs = F( 2, 567) = Model | Prob > F = Residual | R-squared = Adj R-squared = Total | Root MSE = . reg S ASVABC F( 1, 568) = Model | Prob > F = Residual | R-squared = Adj R-squared = Total | Root MSE = . reg S SM F( 1, 568) = Model | Prob > F = Residual | R-squared = Adj R-squared = Total | Root MSE = 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 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: Hataların İncelenmesi The Durbin-Watson d istatistiği(-) Ramsey’in RESET testi Eklenen Değişkenler için Lagrange Multiplier (LM) testi Hausman Testi

45 Hataların İncelenmesi

46 Ramsey’in RESET testi Modelde tanımlama hatası olup olmadığını araştırmak için 1. Adım: Yi = b1 + b2 X2i + ui 2. Adım: arasındaki dağılma diyagramı çizilerek (n= 2, 3,…..,) değişkenler eklenerek model yeniden tahminlenir. Grafik parabol ise; Grafik kübik ise;

47

48 Ramsey’in RESET testi 3. Adım: H0: Model spesifikasyonu doğrudur.
H1: Model spesifikasyonu yanlıştır. 4. Adım: Ftab=Fa,f1,f2= ? f1: Yeni Değişken Sayısı f2: n – yeni model katsayı sayısı 5. Adım: 6. Adım: Fhes > Ftab H0 reddedilebilir.

49 Ramsey’in RESET testi Uygulama: Türkiye’nin dönemi için İhracatı (IH, milyar $) ile ABD Döviz Kurları (1/ 1000 YTL) değerleri aşağıda verilmiştir. YILLAR DK IHR 1984 0.368 7.134 1994 29.848 18.106 1985 0.525 7.958 1995 45.952 21.638 1986 0.680 7.457 1996 81.796 23.225 1987 0.861 10.19 1997 26.261 1988 1.431 11.662 1998 26.974 1989 2.125 11.625 1999 26.588 1990 2.612 12.959 2000 27.775 1991 4.184 13.594 2001 31.334 1992 6.888 14.715 2002 35.762 1993 11.058 15.345 2003 38.317

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

51 Ramsey’in RESET testi 3. Adım: H0: Model spesifikasyonu doğrudur.
H1: Model spesifikasyonu yanlıştır. 4. Adım: Ftab=Fa,2, 20-4 =3.63 f1: Yeni Değişken Sayısı f2: n – yeni model katsayı sayısı 5. Adım: 6. Adım: Fhes > Ftab H0 reddedilebilir.

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

53 Lagrange Multiplier (LM) testi
3. Adım: H0: Model spesifikasyonu doğrudur. H1: Model spesifikasyonu yanlıştır. 4. Adım: c: sınırlama sayısı 5. Adım: 6. Adım: 2 hes > 2 tab H0 reddedilebilir.

54 Lagrange Multiplier (LM) testi
Uygulama: Kısa dönemde bir malın üretimiyle toplam üretim maliyetin gösteren veriler aşağıda verilmiştir. Üretim (X) Toplam Maliyet $ (Y) 1 193 2 226 3 240 4 244 5 257 6 260 7 274 8 297 9 350 10 420

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

56 Lagrange Multiplier (LM) testi
H0: Model spesifikasyonu doğrudur. H1: Model spesifikasyonu yanlıştır. 3. Adım: 4. Adım: c: sınırlama sayısı 5. Adım: 6. Adım: 2 hes > 2 tab H0 reddedilebilir.

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

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

59 Hausman Tanımlama Testi

60 Hausman Tanımlama Testi
1. Adım: H0: Model spesifikasyonu doğrudur. H1: Model spesifikasyonu yanlıştır. 2. Adım: Test İstatistiği: 3. Adım: m > 12 Ho reddedilebilir.

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

62 Hausman Tanımlama Testi

63 Hausman Tanımlama Testi
1. Adım: H0: Model spesifikasyonu doğrudur. H1: Model spesifikasyonu yanlıştır. 2. Adım: Test İstatistiği: 4. Adım: 12 = 3.84 5. Adım: m > 12 Ho reddedilebilir.

64 Ölçme Hataları Bağımlı değişkendeki Ölçme Hataları
Bağımsız değişkendeki Ölçme Hataları Hem Bağımlı hem de Bağımsız Değişkendeki Ölçme Hataları

65 Bağımlı Değişkendeki Ölçme Hataları
Doğru Model Yi= a + bXi +ei Y*i = Yi + wi Y*i = (a + bXi +ei) + wi Y*i = a + bXi +vi Yanlış Model Katsayıların sapmasız tahminlerini vermektedir. tahmin edilen varyanslar ölçme hatasının bulunmadığı duruma göre daha büyüktür.

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

67 Bağımsız Değişkendeki Ölçme Hataları
Hatalı tahminlenen model

68 Bağımsız Değişkendeki Ölçme Hataları
Doğru model için Hatalı model için

69 Bağımsız Değişkendeki Ölçme Hataları

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

71 Bağımsız Değişkendeki Ölçme Hataları

72 Bağımsız Değişkendeki Ölçme Hataları
Varyanslar pozitif olduğundan; 1 pozitif ise daha küçük 1 negatif ise daha büyük

73 Bağımsız Değişkendeki Ölçme Hataları

74 Bağımsız Değişkendeki Ölçme Hataları
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
wi ve vi temel varsayımlara sahip ei, vi ve wi birbirinden bağımsızdır.

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

79 Bağımlı ve Bağımsız Değişkendeki Ölçme Hataları

80 Bağımlı ve Bağımsız Değişkendeki Ölçme Hataları
Parametre tahmincileri Sapmalı Tutarsız olacaktır.

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

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

83 Leamer’in Model Seçim Yaklaşımı
Bir malın talebinin belirlenmesi; En basit şekilde talep kuramına göre; her şey aynı iken, bir malın talep edilen miktarı tüketicinin geliri ile o malın fiyatına bağlıdır. Y: Talep edilen miktar (Portakal), I: Gelir; P: Fiyat İlk olarak Log-log model ile başlandığını varsayılsın; logY = logI – 0.67 logP R2=0.15 S(bi) (1.1) (0.21) (0.13) n=150

84 Leamer’in Model Seçim Yaklaşımı
Hipotez Test ile arayışta fiyat esnekliği katsayısınının -1 olduğu varsayımı; logY = logI – 0.67 logP R2=0.15 S(bi) (1.1) (0.21) (0.13) n=150 Sınırlı regresyon tahmini logY + logP = logI R2=0.14 S(bi) (1.0) (0.20) T n=150 F testi sonucu fiyat esnekliği katsayısının -1 olduğu hipotezi reddedilir.

85 Leamer’in Model Seçim Yaklaşımı
Veri seçme veri setinin güneş alan ve almayan bölgeler olarak ayrılması; N: Kuzey S:Güney P:Fiyat I:Gelir logYN = logIN – 0.60 logPN R2=0.18 S(bi) (1.9) (0.41) (0.25) n=65 logYS = logIS – 1.10 logPS R2=0.19 S(bi) (2.2) (0.31) (0.26) n= 85 Gelir ve fiyat değişkenlerinin bölgesel katsayıları aynıdır hipotezi ile ver seçme arayışı gerçekleştirilebilir.

86 Leamer’in Model Seçim Yaklaşımı
İkame değişken arama; Gelir (I) yerine Harcama ( E) değişkeninin kullanılması logY = logE – 0.45 logP R2=0.18 S(bi) (1.0) (0.18) (0.16) n=150 İşaretleri yanlış Yeni bir model kurma logY = logE logP – 0.56 logGP R2=0.20 S(bi) (1.0) (0.83) (0.13) (0.60) n=150 GP: İkame mal fiyatı (Mandalina Fiyatı)

87 Leamer’in Model Seçim Yaklaşımı
Yorumlama İşaretleri doğru logY = logI logP logGP R2=0.19 S(bi) (0.9) (0.19) (0.14) (0.31) n=150 Basitleştirme logY = log(E/P) R2=0.19 S(bi) (0.8) (0.18) n=150

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

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

90 Hendry’in Model Seçim Yaklaşımı
Dependent Variable: HOUSING Method: Least Squares Sample: Included observations: 23 Variable Coefficient Std. Error t-Statistic Prob. C GNP INTRATE POP UNEMP 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)

91 Hendry’in Model Seçim Yaklaşımı
Dependent Variable: HOUSING Method: Least Squares Sample: Included observations: 23 Variable Coefficient Std. Error t-Statistic Prob. C GNP INTRATE UNEMP 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) İşareti yanlış

92 Hendry’in Model Seçim Yaklaşımı
Dependent Variable: HOUSING Method: Least Squares Sample: Included observations: 23 Variable Coefficient Std. Error t-Statistic Prob. C GNP INTRATE 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)

93 Seçilmiş Hipotez Testleri
Yuvalanmış Model Testleri Yuvalanmamış Model Testleri Model A: Y = b1 + b2 X2 + b3 X3 + b4 X4 + u Model B: Y = b1 + b2 X2 + b3 X u Model C: Y = a1 + a2 X u Model D: Y = b1 + b2 Z v Model E: Y = c1 + c2 X2 + c3 Z u

94 Yuvalanmış Model Testleri
Model A: Y = b1 + b2 X2 + b3 X3 + b4 X4 + u Model B: Y = b1 + b2 X2 + b3 X u B modeli, A modeli içinde yuvalanmıştır. Hipotez testleri: A modeli tahmin edilerek A modeli B modeline indirgenir. H0 : 4 = 0 test edilerek hipotez kabul edilirse

95 Yuvalanmamış Hipotez Testleri
Model C: Y = a1 + a2 X u Model D: Y = b1 + b2 Z v C ve D yuvalanmamış modellerdir.

96 Yuvalanmamış Hipotez Testleri
Ayırdedici Yaklaşım, Belirlilik Katsayıları Hocking Sp Ölçüsü Mallow Cp Ölçüsü Amemiya PC Ölçüsü Akaike AIC Schwartz SC

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

98 Yuvalanmamış-F testi Model E: Y = c1 + c2 X2 + c3 Z2+ u
Model C: Y = a1 + a2 X2 + u Model D: Y = b1 + b2 Z2 + v C modeli doğru ise c3 = 0 D modeli doğru ise c2 = 0 olacaktır. Katsayılar t yada F Testi ile test edilirler

99 Yuvalanmamış-F testi Uygulama: yılları verisi ile Vadeli Mevduat (VM), Para arzı(PA) ve GSMH verileri ile Yuvalanmamış F testini yapalım. YILLAR VM PA GSMH 1990 0.042 0.072 0.397 1991 0.073 0.117 0.634 1992 0.115 0.191 1.104 1993 0.159 0.282 1.997 1994 0.409 0.63 3.888 1995 0.879 1.257 7.855 1996 2.044 2.925 14.978 1997 4.144 5.659 29.393 1998 9.012 11.423 53.518 1999 17.958 22.402 78.283 2000 24.348 31.912 2001 35.652 47.241 179.48 2002 47.159 61.879

100 Yuvalanmamış-F testi Sadece t testi uygulayarak Model E: H0: c2 = 0
Dependent Variable: VM Method: Least Squares Sample (adjusted): Included observations: 13 after adjustments Variable Coefficient Std. Error t-Statistic Prob C GSMH PA R-squared     Mean dependent var Adjusted R-squared     S.D. dependent var S.E. of regression     Akaike info criterio Sum squared resid     Schwarz criterion Log likelihood     F-statistic Durbin-Watson stat     Prob(F-statistic) H0: c2 = 0 H0: c3 = 0

101 Yuvalanmamış-F testi Model C: Dependent Variable: VM
VM = f(GSMH) Dependent Variable: VM Method: Least Squares Sample (adjusted): Included observations: 13 after adjustments Variable Coefficient Std. Error t-Statistic Prob.  C GSMH 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)

102 Yuvalanmamış-F testi Model D: Dependent Variable: VM
VM = f(PA) Dependent Variable: VM Method: Least Squares Sample (adjusted): Included observations: 13 after adjustments Variable Coefficient Std. Error t-Statistic Prob.   C PA 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)

103 Yuvalanmamış-F testi F Testi: 1. Adım:
VM = f(GSMH, PA) Sınırlandırılmamış Model 1. Adım: VM = f(PA) Sınırlandırılmış Model H0: c2 = 0 (Değişken modele eklenmemelidir.) H: En az biri sıfırdan farklıdır. (Değişken modele eklenmelidir. 2.Adım 3.Adım F1, 10, 0.05 = 4.96 4.Adım Fhes < Ftab H0 reddedilemez.

104 Davidson-MacKinnon J Sınaması
Model C: Y = a1 + a2 X2 + u Model D: Y = b1 + b2 Z2 + v C modelini, D modeliyle karşılaştırmak istediğimizi düşünelim; D modelini tahmin et, tahmin edilmiş Y değerleri bul. 1. Adım: değerini, C modeline ek bir açıklayıcı değişken olarak koy, aşağıdaki modeli tahmin et. 2. Adım: 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.

105 Davidson-MacKinnon J Sınaması
Model C: Y = a1 + a2 X2 + u Model D: Y = b1 + b2 Z2 + v D modelini, C modeliyle karşılaştırmak istediğimizi düşünelim; C modelini tahmin et, tahmin edilmiş Y değerleri bul. 1. Adım: değerini D modeline ek bir açıklayıcı değişken olarak koy, aşağıdaki modeli tahmin et. 2. Adım: 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.

106 Davidson-MacKinnon J Sınaması
3 =0 Hipotezi 3 =0 Hipotezi Reddetmeyin Reddedin Hem C hem de D’yi kabul et D’i kabul et, C’i reddet C’i kabul et, D’i reddet Hem C’i hm de D’i reddet

107 Davidson-MacKinnon J Sınaması
Uygulama: yılları verisi ile Vadeli Mevduat (VM), Para arzı(PA) ve GSMH verileri ile Davidson- MacKinnon J sınaması ile testini yapalım. YILLAR VM PA GSMH 1990 0.042 0.072 0.397 1991 0.073 0.117 0.634 1992 0.115 0.191 1.104 1993 0.159 0.282 1.997 1994 0.409 0.63 3.888 1995 0.879 1.257 7.855 1996 2.044 2.925 14.978 1997 4.144 5.659 29.393 1998 9.012 11.423 53.518 1999 17.958 22.402 78.283 2000 24.348 31.912 2001 35.652 47.241 179.48 2002 47.159 61.879

108 Davidson-MacKinnon J Sınaması
Model C: Y = a1 + a2 PA + u Model D: Y = b1 + b2 GSMH + v

109 Davidson-MacKinnon J Sınaması
Dependent Variable: VM Method: Least Squares Sample: Included observations: 13 Variable Coefficient Std. Error t-Statistic Prob.   C PA 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) H0 reddedilemez C modeli, D modelini kapsamaktadır.

110 Davidson-MacKinnon J Sınaması
Dependent Variable: VM Method: Least Squares Sample (adjusted): Included observations: 13 after adjustments Variable Coefficient Std. Error t-Statistic Prob.  C GSMH R-squared     Mean dependent var Adjusted R-squared     S.D. dependent var S.E. of regression     Akaike info criterio Sum squared resid     Schwarz criterion Log likelihood     F-statistic Durbin-Watson stat     Prob(F-statistic) H0 red. D modeli, C modelini kapsamamaktadır.


"İyi Bir Modelin Özellikleri" indir ppt

Benzer bir sunumlar


Google Reklamları