Normal Dağılımlılık EKK tahmincilerinin ihtimal dağılımları u i ’nin ihtimal dağılımı hakkında yapılan varsayıma bağlıdır.  tahminleri için uygulanan.

... konulu sunumlar: "Normal Dağılımlılık EKK tahmincilerinin ihtimal dağılımları u i ’nin ihtimal dağılımı hakkında yapılan varsayıma bağlıdır.  tahminleri için uygulanan."— Sunum transkripti:

1

2 Normal Dağılımlılık EKK tahmincilerinin ihtimal dağılımları u i ’nin ihtimal dağılımı hakkında yapılan varsayıma bağlıdır.  tahminleri için uygulanan testlerin geçerliliği u i ’nin normal dağılmasına bağlıdır. Çünkü u i normal dağılıyorsa, EKK b 1 ve b 2 ’nin tahmincileri de normal dağılır. Normal dağılmış değişkenleri olan bir doğrusal fonksiyonun kendisi de NORMAL DAĞILIR.

3 Normal Dağılımlılık u i değerleri - + E(u i )=0

4 Jarque-Bera Normallik Testi 1.Aşama H 0 : u i ’ler normal dağılımlıdır H 1 : u i ’ler normal dağılımlı değildir 2.Aşama  = ? 3.Aşama   ,sd =? 4.Aşama JB >   ,sd H 0 hipotezi reddedilebilir Sd=?

5 Jarque-Bera Normallik Testi

6 7.0545 4.7091 -3.6364 11.0182- 14.327- 17.6727 4.9818 -3.3636 -7.7091 18.9455 ee2e2 e3e3 e4e4 49.77 22.18 13.22 121.40 205.27 312.32 24.82 11.31 59.43 358.93  e 2 = 1178.66 351.0 104.43 -48.09 1337.62 -2940.99 -5519.61 123.6 -38.06 -458.15 6800.15  e 3 = -287.99 2476.65 491.76 174.86 14738.14 42136.40 97546.48 615.95 128.00 3531.95 128832.16  e 4 = 290672.35  e = 0

7 Jarque-Bera Normallik Testi =117.866 =-28.799 =29067.235 =  2 =-0.023 = 2.09

8 Jarque-Bera Normallik Testi 1.AşamaH 0 : u i ’ler normal dağılımlıdır H 1 : u i ’ler normal dağılımlı değildir 2.Aşama  = 0.05 3.Aşama   ,sd =5.991 4.Aşama JB <   ,sd H 0 hipotezi reddedilemez. Sd=2 0.3459

9 Çoklu Doğrusal Bağlantı X3X3 X2X2 r X 2 X 3 = 1 Tam Çoklu Doğrusal Bağlantı

10 ÇOKLU DOĞRUSALLIĞIN NEDENLERİ  İktisadi değişkenlerin zaman içerisinde birlikte değişme eğiliminde olmaları  Bazı açıklayıcı değişkenlerin gecikmeli değerlerinin ilişkide ayrı birer etmen olarak kullanılmasıdır.  Genellikle zaman serilerinde görülür.

11 Çoklu Doğrusal Bağlantı Y = b 1 + b 2 X 2 + b 3 X 3 + u y = b 2 x 2 + b 3 x 3 + u X 3 = 2 X 2

12 Çoklu Doğrusal Bağlantı Araba Bakım Masrafları Model Tahminleri DeğişkenlerModel AModel BModel C Sabit Yas Km s.d. Düzeltilmiş- R 2 -626.24 (-5.98) 7.35 (22.16) 55 0.897 -796.07 (-5.91) 53.45 (18.27) 55 0.856 -151.15 (-7.06) 27.58 (9.58) 7.29 (0.06) 54 0.946

13 ÇOKLU DOĞRUSALLIĞIN DOĞURDUĞU SONUÇLAR a) Katsayıları tahminleri belirlenemez. b)Tahminlerin standart hataları sonsuz büyük olur. 12

14 İspat a) 13

15 14 İspat b) X 2 yerine kX 1 konursa

16 Çoklu Doğrusal Bağlantının Ortaya Çıkardığı Sonuçlar Regresyon Katsayılarının Değerleri Belirsiz Olur, Regresyon Katsayılarının Varyansları Büyür, t-istatistikleri azalır, Güven Aralıkları Büyür, R 2 Olduğundan Büyük Çıkar, Katsayı Tahmincileri ve Standart Hataları Verilerdeki Küçük değişmelerden Önemli Ölçüde Etkilenirler, Katsayıların işaretleri beklenenlerin aksi çıkabilir.

17 16 Varyans Büyütme Modeli Yardımcı Regresyon Modelleri için F testi Klein – Kriteri Şartlı Sayı Kriteri Theil-m Ölçüsü ÇOKLU DOĞRUSAL BAĞLANTININ VARLIĞININ BELİRLENMESİ

18 17 ÇOKLU DOĞRUSAL BAĞLANTININ BELİRLENMESİ 1.Varyans Büyütme Modeli:  Varyans büyütme faktörü; parametre tahminlerinin ve varyanslarının çoklu doğrusal bağlantı nedeni ile gerçek değerlerinden ne derece uzaklaştığını belirlenir. VIF kriteri

19 18 Çoklu doğrusal bağlantı etkisini araştırabilmek için k tane VIF eğeri.... 5 Çoklu doğrusal bağlantı önemlidir.

20 19 Çoklu doğrusal bağlantı etkisini araştırabilmek için k tane VIF eğeri.... 5 Çoklu doğrusal bağlantı önemlisizdir.

21 20 YıllarGSMHPADTTEFE 19900.3971780.072425-0.0244425.6 19910.6343930.117118-0.03118661.6 19921.1036050.190736-0.056181072.5 19931.9973230.282442-0.155731701.6 19943.8879030.630348-0.154143757.4 19957.8548871.256632-0.646647065.2 199614.978072.924893-1.6688112335.4 199729.393265.6588-3.4071922366.1 199853.5183311.4232-4.9686438067.2 199978.2829722.40182-5.9456258599.1 2000125.596131.9121-16.750789239.7 2001179.480147.24108-12.3931144862.2 2002265.475661.87976-23.4451216711.5 ÖRNEK: 1990-2002 dönemi için Türkiye’nin GSMH(milyar TL), Para Arzı(PA, milyar TL), Dış Ticaret Açığı (DT, milyar TL) ve Toptan Eşya Fiyat Endeksi (TEFE,1987=100) değerleri verilmiştir. Varyans Büyütme Faktörü ile çoklu doğrusal bağlantı sorununu araştırınız.

22 21 Bu verilerden elde edilen model; Bağımsız değişkenleri sırası ile bağımlı değişken yaparak diğer bağımsız değişkenlerle regresyon modeli tahmin edilir.  5 çoklu doğrusal bağlılık önemlidir

23 22 2.Yardımcı Regresyon Modelleri için F testi  Bu yöntemde varyans büyütme faktöründe hesapladığımız belirlilik katsayılarından hesaplanır.  Sırası ile incelenen modelde yer alan her bir bağımsız değişken ayrı ayrı bağımlı değişken olmak üzere kalan diğer bağımsız değişkenlerle regresyona tabi tutulur.  Oluşturulan söz konusu yeni regresyon modellerine yardımcı regresyon modelleri denir.  Oluşturulan yardımcı regresyon modellerinin belirlilik katsayıları hesaplanarak F test istatistiği hesaplanır.  Bu yöntem için temel hipotez bağımsız değişkenler arasında ilişki yoktur şeklindedir.

24 23.... k: incelenen modelin tahmin edilen katsayı sayısı Test istatistiği yukarıdaki her denklem için hesaplanır.

25 24 UYGULAMA: Aynı örnek için yardımcı regresyon modeli ile çoklu doğrusal bağlantı sorununu inceleyiniz. H 0 : Çoklu doğrusal bağlantı yoktur. H 1 : Çoklu doğrusal bağlantı yoktur. F 0.05,(k-2),(n-k+1) =4.10 1.Aşama: 2.Aşama: 3.Aşama: 4.Aşama:F hes > F tab H 0 reddedilir.

26 25 F hes > F tab H 0 reddedilir.

27 26 Klein – Kriteri:  Klein, bağımsız değişkenler arasındaki basit korelasyon katsayılarının modelin genel belirlilik katsayısından büyük olmadığı sürece çoklu doğrusallığın zararlı olmadığını savunmaktadır.  Modelde k-1 bağımsız değişken var ise bunlardan herhangi ikisi arasındaki basit korelasyon katsayısı modelin yine belirlilik katsayısı ile karşılaştırılır. Çoklu doğrusal bağlılık zararlıdır.  Klein yukarıdaki kriterine göre küçük bir çoklu doğrusal bağlantı bile parametre tahminlerinde anlamsızlığa yol açabilir. 2

28  Bu durumda basit korelasyon katsayısı yerine yardımcı regresyon modelleri için F testinde açıklandığı gibi, yardımcı regresyon modelleri tahmin edilir ve bunlardan elde edilecek çoklu belirlilik katsayısı ile karşılaştırılarak karar verilebilir.

29 28 UYGULAMA: Aynı örnek için Klein kriteri ile çoklu doğrusal bağlantı sorununu inceleyiniz. Elde edilen yardımcı regresyon modelleri 1. 2. 3. Çoklu doğrusal bağlantı zararlı değildir.

30 29 Şartlı Sayı Kriteri:  Bu kriterin hesaplanması için bu (X ’ X) matrisinin birim köklerinden (özdeğerlerinden) yararlanılır.  (X ’ X) matrisinin en büyük birim kökü ( 1 ) ve en küçük birim kökü ( 2 ) ise şartlı sayı KARAR: 1. Çoklu doğrusal bağlantı orta derecedir. 2. Çoklu doğrusal bağlantı yüksek derecedir.

31 30 Örnek: 12 ailenin aylık gelirleri (Y), gıda harcamaları (X 2 ) ve fert sayısı (X 3 ) verileri aşağıdaki gibidir: AileYX2X2 X3X3 12.22.83 23,03.56 34.112.54 44.76.42 54.25.95 66.38,08 74.69.73 88.820.67 97.315.94 104.46.71 116.911.32 123.54.73

32 31  Ortalamadan farklar ile bağımsız değişkenler katsayı matrisi;

33 32 Çoklu doğrusal bağlantı düşük derecededir. KARAR:

34 33 Theil-m Ölçüsü  Bağımlı değişkenle bağımsız değişkenler arasındaki ilişkiye dayanan bir ölçüdür.  Bu ölçü için, modelin genel belirlilik katsayısı ile modelden sırası ile bir tane bağımsız değişkenin çıkarılması ile elde edilecek modellerin çoklu korelasyon katsayıları kullanılır.  Modelde yer alan tüm bağımsız değişkenler sırası ile modelden çıkarılarak Regresyon modelleri tahmin edilir ve her model için çoklu belirlilik katsayıları elde edilir.

35 34 Theil-m Ölçüsü  Olarak hesaplanır. Burada bağımsız değişkenlerden biri çıkartıldıktan sonra bağımlı değişken ile diğer bağımsız değişkenlerin regresyonu sonucunda tahmin edilen çoklu belirlilik katsayısını ifade eder.  Theil-m ölçüsü çoklu doğrusal bağlılığın önemli olup olmadığı hakkında bilgi vermediğinden, varyans büyütme faktörü ile şartlı sayı daha çok kullanılan ve daha yarar sağlayan kriterlerdir.

36 35  “m” ölçüsü her regresyon için ayrı ayrı hesaplanmayan genel bir ölçüdür.  m ölçüsü negatif çıkabileceği gibi çok yüksek pozitif değer de olabilmektedir.  Hesaplanan m ölçüsü sıfıra eşitse bağımsız değişkenler ilişkisizdir. Theil-m Ölçüsü m = 0 bağımsız değişkenler ilişkisizdir

37 36 Örnek:  Slayt 11 de incelediğimiz model için Theil-m ölçüsünü uygulayalım.  Yardımcı regresyon modellerini oluşturalım.  m sıfıra yakın bir değer değildir, çoklu doğrusal bağlılık söz konusudur.

38 37 ÇOKLU DĞRUSAL BAĞLANTI PROBLEMİNİ ORTADAN KALDIRMA YOLLARI 1. Ön Bilgi Yöntemi ile; 2. Kesit ve Zaman Serisi Verilerinin Birleştirme Yöntemi ile; 3. Bazı değişkenlerin Modelden Çıkarılması Yöntemi ile; 4. Değişkenleri Dönüştürme Yöntemi ile; 5. Ek veya Yeni Örnek Verisi Temini Yöntemi ile;

39 Çoklu Doğrusal Bağlantı Problemini Ortadan Kaldırma Yolları 1.Ön Bilgi Yöntemi Y = b 1 + b 2 X 2 + b 3 X 3 +b 4 X 4 + ub 3 = 0.2b 2 Y = b 1 + b 2 X 2 + 0.2b 2 X 3 +b 4 X 4 + u Y = b 1 + b 2 (X 2 + 0.2 X 3 )+b 4 X 4 + u Y = b 1 + b 2 X*+ b 4 X 4 + u

40 Çoklu Doğrusal Bağlantı Problemini Ortadan Kaldırma Yolları 2.Kesit ve Zaman Serilerinin Birleştirilmesi lnY = b 1 + b 2 lnP tA + b 3 lnI t +b 4 lnP tB + u lnY - b 3 lnI t = b 1 + b 2 lnP tA +b 4 lnP tB + u lnY* = b 1 + b 2 lnP tA +b 4 lnP tB + u

41 Çoklu Doğrusal Bağlantı Problemini Ortadan Kaldırma Yolları 3.Bazı Değişkenlerin Modelden Çıkarılması, Modelden bir bağımsız değişken çıkarılırsa spesifikasyon hatası yapma olasılığı artar: Katsayı tahminleri gerçek değerinin üstünde veya altında tahmin edilebilir.

42 Çoklu Doğrusal Bağlantı Problemini Ortadan Kaldırma Yolları 4.Değişkenleri Dönüştürme Yöntemi, Fark denklemi oluşturulur: Dönüşümlü modelde çoklu doğrusal bağlantı önemli ölçüde azalmış olur.

43 Çoklu Doğrusal Bağlantı Problemini Ortadan Kaldırma Yolları 5.Ek veya Yeni Örnek Verisi Temin etme, 6.Diğer Yöntemler.

44 Ev Talebi Model Tahminleri DeğişkenlerModel AModel BModel C s.d. Sabit Faiz Nüfus GSMH Düzeltilmiş-R 2 20 0.371 -3812.93 (-2.40) -198.40 (-3.87) 33.82 (3.61) 0.375 20 687.90 (1.80) -169.66 (-3.87) 0.91 (3.64) 0.348 19 14.90 (0.41) -184.75 (-3.18) -1315.75 (-0.27) 0.52 (0.54) r(GSMH,Nüfus)=0.99r(GSMH,faiz)=0.88 r(Nüfus,faiz)= 0.91

45 Km = 4.191 + 0.134 Yaş (8.74)(88.11) Bakım = 7.29 + 27.58 Yaş- 151.15 (4.191 + 0.134 Yaş = -626,18 + 7.33Yaş