Ekonometri1 06 Iki Degiskenli Baglanim Uzantilari (s1 - 9)

Sıfır Noktasından Geçen Bağlanım
Ölçekleme ve Ölçü Birimleri

Bağlanım Modellerinin İşlev Biçimleri
İki Değişkenli Bağlanım Modelinin Uzantıları
Yrd. Doç. Dr. A. Talha YALTA
TOBB Ekonomi ve Teknoloji Üniversitesi

İktisat Bölümü
İKT351 – Ekonometri I
Yrd. Doç. Dr. A. Talha YALTA (2007 - 2010) İki Değişkenli Bağlanım Modelinin Uzantıları (sürüm 1,9)
Kullanım Şartları
İşbu ekonometri ders malzemesi, A. Talha Yalta tarafından,

"Creative Commons Attribution-Share Alike 3.0 Unported License"
(CC-by-SA-3.0) lisans şartları altında bir açık ders malzemesi olarak
genel kullanıma sunulmuştur. Yani, eserin ilk sahibinin belirtilmesi ve
geçerli lisansın korunması şartıyla özgürce kullanılabilir, çoğaltılabilir,
değiştirilebilir. Creative Commons örgütü ve “CC-by-SA-3.0” lisansı
ile ilgili ayrıntılı bilgi “http://creativecommons.org” adresinde
bulunmaktadır. Ders notlarının “pdf” biçimindeki en yeni sürümüne
“http://yalta.etu.edu.tr” adresinden ulaşabilirsiniz.
Dr. A. Talha Yalta, TOBB Ekonomi ve Teknoloji Üniversitesi (2010)
Ders Planı
1 Sıfır Noktasından Geçen Bağlanım
2 Ölçekleme ve Ölçü Birimleri

Sayısal Hesaplama Sorunları
3 Bağlanım Modellerinin İşlev Biçimleri

Log-Doğrusal Modeller
Yarılogaritmik Modeller
Evrik ve Log-Evrik Modeller
Kuram bazen modelde sabit terimin bulunmamasını öngörür:
Yi = β2 Xi + ui
Sıfır noktasından geçen bağlanım modelinin uygun olduğu bazı

durumlar şunlardır:
“sermaye varlığı fiyatlama modeli” (capital asset pricing
model) ya da kısaca “SVFM” (CAPM),
Milton Friedman’ın “kalıcı gelir önsavı” (permanent income
hypothesis),
“Maliyet çözümlemesi kuramı” (cost analysis theory),
Enflasyon oranının para arzındaki değişim ile orantılı
olduğunu ileri süren para kuramı çeşitlemeleri.
Sıfır noktasından geçen bağlanım için ÖBİ aşağıdaki gibidir:
Yi = β̂2 Xi + ûi
Yukarıdaki modele ait SEK tahmincileri şu şekilde bulunur:
β1 = 0 Modeli Alışılmış Model

P P
XY xy
β̂2 = P i 2i
Xi
β̂2 = P i 2i
xi
σ 2 2
σ
var(β̂2 ) = P 2
X
var(β̂2 ) = P 2
x
P i2 P i2
ûi ûi
σ̂ 2 = n−1 σ̂ 2 = n−2
Kısaca, β1 = 0 modeli formüllerinde ortalamalardan sapma

yerine X ve Y değişkenlerinin gerçek değerleri kullanılır.
Sabit terimsiz modelin iki özelliğinin bilinmesinde yarar vardır:

P
1 Bu modellerde ûi kalıntı toplamı her zaman sıfır olmak
zorunda değildir.
2 Alışılmış modeller için hesaplanan belirleme katsayısı r 2
sabit terimsiz modellerde zaman zaman eksi değerler
alabilir ve bu nedenle kullanılması uygun değildir.
Sıfır noktasından geçen bağlanımlarda “ham” (raw) r 2 kullanılır:
Ham r 2 Alışılmış r 2
P P
2 ( Xi Yi )2 2 ( xi yi )2
ham r = P 2 P 2 r = P 2P 2
Xi Yi xi yi
Önsel dayanaklar çok güçlü olmadığı sürece sabit terimin

modele eklenmesinde yarar vardır.
Eğer modele sabit terim eklenir ve bu terim istatistiksel
olarak anlamsız bulunursa, zaten elde sıfır noktasından
geçen bir bağlanım modeli var demektir.
Diğer yandan, gerçekte modelde sabit terim varken sabit
terimsiz model yakıştırılmaya çalışılırsa “model belirtim
hatası” (model specification error) yapılmış olur.
Sıfır noktasından geçen bağlanıma örnek olarak, aşağıdaki

yatırım çözümlemesi modelini ele alalım:
Yi = α + βXi + ui
Burada:
Yi , belli bir fona ait yıllık getiri oranını (%);
Xi , piyasa portföyünün yıllık getiri oranını (%);
β, portföy kuramında beta diye bilinen eğim katsayısını;
α ise sabit terimi göstermektedir.
α’nın değeri konusunda yazında bir uzlaşma olmamakla
birlikte, görgül çalışmalar α’nın istatistiksel olarak sıfırdan
farklı olmadığını göstermiştir.

Bu modeli sıfır noktasından geçen bağlanım olarak hesaplarsak
aşağıdaki bulguları elde ederiz:
Ŷi = 1,0899 Xi
öh (0,1916) ham r 2 = 0,7825
t (5,6884)
Sabit terimsiz bağlanımın uygun olup olmadığını sınamak için
alışılmış bağlanıma da bakalım:
Ŷi = 1,2797 + 1,0691 Xi
öh (7,6886) (0,2383) r 2 = 0,7155
t (0,1664) (4,4860)
Xi katsayı tahminlerinde çok fark yoktur. İkinci bağlanımda sabit
terimin sıfır olduğu sıfır önsavı da reddedilmez. Demek ki, sıfır
noktasından geçen bağlanımın kullanılması burada uygundur.
Ölçekleme ve Ölçü Birimleri Sayısal Hesaplama Sorunları
Bağlanım çözümlemesinde dikkat edilmesi gereken bir nokta

da “verileri ölçekleme” (data scaling) konusudur.
Verilerin ölçeklenmesi ile ilgili iki önemli soru şudur:
1 X ve Y değişkenlerinin ölçü birimleri bağlanım bulgularını
etkiler mi?
2 Bağlanım çözümlemesi için ölçü biriminin seçilmesinde
izlenilmesi gereken bir yol var mıdır?
ABD’ye ait aşağıdaki yatırım ve üretim verilerini ele alalım:

Çizelge: Gayrisafi Yurtiçi Özel Yatırım ve Gayrisafi Milli Hasıla
Yıl GSYİÖY GSYİÖY GSMH GSMH
(milyar $) (milyon $) (milyar $) (milyon $)
1988 828,2 828200 5865,2 5865200
1989 863,5 863500 6062,0 6062000
1990 815,0 815000 6136,3 6136300
1991 738,1 738100 6079,4 6079400
1992 790,4 790400 6244,4 6244400
1993 863,6 863600 6389,6 6389600
1994 975,7 975700 6610,7 6610700
1995 996,1 996100 6761,6 6761600
1996 1084,1 1084100 6994,8 6994800
1997 1206,4 1206400 7269,8 7269800

Ortaya atmış olduğumuz iki soruyu yanıtlayabilmek için aşağıda
verilen bağlanım bulgularını inceleyelim:
Hem GSYİÖY, hem GSMH milyar dolar:

\
GSYİÖY = −37,0015205 + 0,17395 GSMHt
i
(76,2611278) (0,05406) r 2 = 0,5641
Hem GSYİÖY, hem GSMH milyon dolar:
\
GSYİÖY = −37001,5205 + 0,17395 GSMHt
i
(76261,1278) (0,05406) r 2 = 0,5641
GSYİÖY milyar dolar, GSMH milyon dolar:
\
GSYİÖYi = −37,0015205 + 0,00017395 GSMHt
(76,2611278) (0,00005406) r 2 = 0,5641
GSYİÖY milyon dolar, GSMH milyar dolar:
\
GSYİÖYi = −37001,5205 + 173,95 GSMHt
(76261,1278) (54,06) r 2 = 0,5641
Not: Ölçünlü hatalar parantez içerisinde verilmiştir.
Bağlanım bulgularının dördü de GSMH’deki bir milyon

dolarlık bir değişimin GSYİÖY’de ortalama 0,17395 milyon
dolarlık bir değişime yol açtığını göstermektedir.
Öyleyse, SEK tahmincilerinin bilinen özellikleri farklı ölçü
birimlerinin kullanılmasından etkilenmemektedir.
Öte yandan, bağlanım hesapları bilgisayar kullanılarak
yapıldığı için, verilerin uygun biçimde ölçeklendirilmesi
uygulamada zaman zaman önemli olabilir.

Ekonometri, birçok karmaşık matematiksel ve istatistiksel
yöntem içeren bir bilim dalıdır.
Ancak çoğu araştırmacı çeşitli tekniklerin yalnızca birkaç
fare tıklaması ile uygulanabileceği izlenimini taşımaktadır.
Bilgisayar yazılımlarının her zaman sayısal olarak tutarlı
olduğunu varsaymak hatalı bir yaklaşımdır.
Günümüz bilimsel yazılımlarının çoğu tüm hesaplamalarda
64bit “kayan nokta” (floating point) aritmetik kullanmaktadır.
Bu altyapı gerçel sayı sistemini tümüyle karşılayamayarak
dört tür hataya yol açabilmektedir:
“Yuvarlama hataları” (rounding errors)
“İptal etme hataları” (cancellation errors)
“Kırpma hataları” (truncation errors)
“Çözümyolu hataları” (algorithm errors)
Yuvarlama Hataları
Yuvarlama hatası, bazı sayıların bilgisayarların kullandığı

ikili düzende tam olarak gösterilememesinden kaynaklanır.
Örnek olarak 0,1 ondalık sayısının ikili düzende gösterimi
0,00011’dir. Bu sayı yeniden ondalık sisteme çevrildiğinde
0,09999999403953 olur.
Bu nedenle, cebirsel olarak birbirine eşdeğer olan (p = q)
ve (p − q = 0) gibi iki denklem bilgisayarda uygulandığında
farklı sonuçlar verebilmektedir.
İptal Etme Hataları
İptal etme hatası, yuvarlama hatasının özel bir durumudur.

Gözlemlerde fazla sayıda sabit öncül basamak olduğunda
ortaya çıkar.
Bu özelliği gösteren veri setlerine “katı” (stiff) veri seti denir.
Örnek olarak 1,000,000,001 sayısından 1,000,000,000
çıkarılınca geriye yalnızca en sağdaki tek basamak kalır.
Baştaki sayının büyüklüğünden dolayı, bu son basamak
yuvarlama hatalarına fazla duyarlıdır.
Kırpma Hataları
Kırpma hatası, “yinelemesel” (iterative) işlemlerde görülen

ve yazılımdan zorunlu olarak kaynaklanan bir hata türüdür.
Örnek olarak exp(x) işlevi x = 1 noktasında aşağıdaki gibi
genişletilir:
X
∞
xi x0 x1 x2 x3
exp(x) = = + + + + ... = e
i! 0! 1! 2! 3!
i=0
Görüldüğü gibi, “oransız sayı” (irrational number) e’nin

hesaplanabilmesi sonsuz sayıda toplama gerektirmektedir.
Ancak bilgisayar hesaplaması sınırlı sayıda işlem içerebilir
ve sonuçta bir kırpma hatası ortaya çıkar.
Çözümyolu Hataları
Çözümyolu hatası, bir problemin çoğu zaman birden fazla

şekilde çözülebileceği gerçeğinden kaynaklanır.
Sonuçta bazı çözümler diğerlerinden daha iyidir.
Örnek olarak, doğrusal SEK modelini hesaplamak için
kullanılabilecek yöntemlerden bazıları şunlardır:
“Gaussçu eleme” (Gaussian elimination)
“Tekil değer ayrıştırması” (singular value decomposition)
“Cholesky çarpanlaması” (Cholesky factorization)
“QR çarpanlaması” (QR factorization)
Bunlar içinde QR yöntemi, çoklueşdoğrusal veriler dışında
diğerlerine göre daha güvenilir sonuçlar vermektedir.
Sonuç olarak, bilgisayar matematiği kağıt-kalem

matematiğinden tümüyle farklıdır.
Sayısal hataları azaltmanın kolay yolu, çözümleme öncesi
verileri uygun şekilde ölçeklemektir.
Tüm verileri öntanımlı olarak [0, 1) veya [0,10) aralıklarına
göre ölçeklemek doğru bir yaklaşımdır.
Çok büyük ve çok küçük sayıları birlikte kullanmanın hatalı
sonuçlara davetiye çıkarmak olduğu unutulmamalıdır.
Ayrıca araştırmacı çalışmasında yalnızca veri kaynaklarını
belirtmekle yetinmemeli, verilerin nasıl ölçüldüğünü ve
ölçeklendiğini de mutlaka açıklamalıdır.
Sıfır Noktasından Geçen Bağlanım Log-Doğrusal Modeller
Ölçekleme ve Ölçü Birimleri Yarılogaritmik Modeller
Bağlanım Modellerinin İşlev Biçimleri Evrik ve Log-Evrik Modeller
Doğrusallık kavramının değişkenlerde doğrusallık ve

değiştirgelerde doğrusallık olmak üzere iki ayrı şekilde
tanımlandığını anımsayalım.
KDBM için değiştirgelerde doğrusallık zorunlu olsa da
değişkenlerde doğrusallık zorunlu değildir.
Değiştirgelerde doğrusal ama değişkenlerde doğrusal-dışı
bazı modelleri uygun dönüştürmelerle “doğrusallaştırmak”
(linearize) olanaklıdır.
Yaygın bazı doğrusallaştırılmış model biçimleri şunlardır:
“Log-doğrusal model” (Log-linear model)
“Yarı-logaritmik model” (semi-logarithmic model)
“Evrik model” (reciprocal model)
Log-Doğrusal Modeller
“Üstel” (exponential) bağlanım modeli diye adlandırılan
aşağıdaki modeli ele alalım:
Yi = β1 Xiβ2 eui
Yukarıdaki gösterim aşağıdaki şekilde doğrusallaştırılabilir:
ln Yi = ln β1 +β2 ln Xi + ui
= α +β2 ln Xi + ui
Bu model, α ve β2 anakütle katsayılarında doğrusaldır ve

SEK yöntemiyle aşağıdaki gibi tahmin edilebilir:
Yi∗ = α + β2 Xi∗ + ui
Burada Yi∗ = ln Yi ve Xi∗ = ln Xi ’dir.

Log-Doğrusal Model
Her iki yanının logaritması alınarak doğrusallaştırılmış

modellere “log-doğrusal” (log-linear), “log-log” (log-log)
veya “çifte-log” (double-log) modeller adı verilir.
Log-doğrusal modellerde, α ve β2 ’nin SEK tahmincileri α̂
ve β̂2 EDYT’dirler.
Ancak β1 ’in tahmincisi β̂1 = antilog(α̂) biçiminde tahmin
edildiğinden yanlı bir tahmincidir.
Birçok uygulamada sabit terim ikinci derecede önemli
olduğundan, β̂1 ’in yanlı olmasına aldırılmayabilir.
Log-doğrusal modelin yaygınlığına yol açan çekici özelliği, β2
eğim katsayısının Y ’nin X ’e göre esnekliğini vermesidir:
Doğrusal Model Log-doğrusal Model

Yi = α + β2 Xi + ui Yi = exp(α + β2 ln Xi + ui )
Eğim (birim değişim): Eğim (birim değişim):

dYi dYi 1
dXi = β2 dXi = exp(α + β2 ln Xi + ui )β2 Xi
Yi
= β2 Xi
Esneklik (yüzde değişim): Esneklik (yüzde değişim):

d(Yi /Yi ) dYi Xi Xi d(Yi /Yi ) dYi Xi
d(X /X ) = dXi Yi = β2 Yi
i i d(Xi /Xi ) = dXi Yi = β2 YXii Xi
Yi = β2
Bu özelliğinden dolayı log-doğrusal model “sabit esneklik”

(constant elasticity) modeli diye de adlandırılır.
Örnek olarak kahve talebi modeline dönelim.

Veriler üzerinde log-log doğrusallaştırması yapıldıktan
sonra hesaplanan bağlanım şu sonuçları vermektedir:
d
ln Yi = 0,7774 − 0,2530 ln Xi r 2 = 0,7448
öh (0,0152) (0,0494) F1,9 = 26,27
t (51,1447) (-5,1214)
Fiyat esnekliği katsayısı −0,25 olarak bulunmuştur.

Buna göre kahve fiyatında yüzde 1 artış olması durumunda
kahve tüketiminin ortalama yüzde 0,25 azalması beklenir.
Öyleyse kahve talebinin kendi fiyatına göre esnek olmadığı
söylenebilir.
Zaman zaman doğrusal ve log-doğrusal model arasında

bir seçim yapmak gerekli olabilir.
Bağımlı değişkenler aynı olmadığı için, böyle bir durumda
iki r 2 değerini doğrudan karşılaştırma yoluna gidilemez.
Katsayı tahminlerini karşılaştırma konusunda ise β2 (X̄ /Ȳ )
tanımından yararlanılarak doğrusal model için bir ortalama
esneklik hesaplanabilir.
Kahve talebi örneğinde, log-log modelden elde edilen β2
esneklik katsayısı −0,25 iken, doğrusal modelin ortalama
esnekliği de benzer biçimde −0,22 olarak bulunur.
Dikkat: β2 (X̄ /Ȳ ) kullanılarak bulunan ortalama esneklik
farklı X̄ ve Ȳ değerlerine bağlıdır. Log-doğrusal modelin
esneklik katsayısı β2 ise her fiyat düzeyinde aynıdır.
Log-Doğ Modeli
Ekonomistler sık sık para arzı, istihdam, GSMH gibi
değişkenlerin büyüme oranlarının tahmini ile ilgilenirler.
Bileşik faiz formülünü anımsayalım:
Yt = Y0 (1 + r )t
Burada r , Y ’nin zaman içindeki (bileşik) büyüme hızıdır.

Yukarıdaki denklemin logaritmasını alalım:
ln Yt = ln Y0 + t ln(1 + r )
β1 = ln Y0 ve β2 = ln(1 + r ) tanımlamalarını yapıp hata

terimini de ekledikten sonra modeli şöyle yazabiliriz:
ln Yt = β1 + β2 t + ut
Yukarıda gösterilen modele “log-doğ” (log-lin) modeli denir.

Log-Doğ Modeli
Bu noktada, sık sık karşılaştığımız “mutlak değişim” (absolute

change), “göreli değişim” (relative change) ve yüzde değişim
(percentage change) terimleri arasındaki farka dikkat edelim:
Mutlak değişim Göreli değişim Yüzde değişim

∆X ∆X /X 100 × ∆X /X
Eğer X ’deki değişim küçükse, aşağıda gösterilen “yaklaştırma”

(approximation) uygulamada sıklıkla kullanılır:
∆ ln X ≈ ∆X /X (göreli değişim)
Log-Doğ Modeli
Log-doğ modeline geri dönelim:
ln Yt = β1 + β2 t + ut
Bu modelde β2 katsayısı, açıklayıcı değişken t’deki mutlak

bir değişmeye karşılık Y ’deki göreli değişimi ölçmektedir:
∆ ln Y
β2 =
∆t
Diğer bir deyişle, β2 katsayısı Yt değişkenindeki büyüme
hızını (β2 > 1) ya da küçülme hızını (β2 < 1) vermektedir.
Bu nedenle, log-doğ modellerine aynı zamanda “sabit
büyüme” (fixed growth) modelleri de denir.
Log-Doğ Modeli
Reel GSYİÜ örneğine dönersek, log-doğ modeline dayanan

bağlanım bulgularının aşağıdaki gibi olduğunu görürüz:
\İÜ
ln GSY = 8,0139 + 0,02469 t r 2 = 0,9738
t
öh (0,0114) (0,00956)
t (700,54) (25,8643)
Buna göre, 1972-1991 döneminde ABD’de reel GSYİÜ

yılda ortalama yüzde 2,469 büyümüştür.
Ayrıca, ln Y0 = 8,0139’un anti-logaritmasını alacak olursak
bulacağımız 3022,7 değeri de 1972 başında GSYİÜ’nün
3023 milyar dolar olarak tahmin edildiğini gösterir.
Doğrusal Eğilim Modeli
Araştırmacılar kimi zaman log-doğ modeli yerine aşağıdaki

modeli tahmin ederler:
Yt = β1 + β2 t + ut
ln Yt yerine Yt ’nin zamana göre bağlanımının hesaplandığı

bu modele “doğrusal eğilim” (linear trend) modeli denir.
Buradaki t, “eğilim” (trend) değişkeni diye adlandırılır.
Eğer β2 eğim katsayısı artı çıkarsa Yt ’de zaman içinde bir
artış eğilimi, eksi çıkarsa da bir düşüş eğilimi var demektir.
Reel GSYİÜ örneğine geri dönelim ve doğrusal eğilim modelini

tahmin edelim:
\
GSY İÜt = 2933,0538 + 97,6806 t r 2 = 0,9674
öh (50,5913) (4,2233)
t (57,9754) (23,1291)
Buna göre, 1972-1991 döneminde ABD’de reel GSYİÜ

ortalama olarak yılda yaklaşık 97,68 milyar dolar mutlak
büyüme göstermiştir.
Demek ki bu dönemde reel GSYİÜ’de artış eğilimi vardır.
Log-doğ ve doğrusal eğilim modellerine ilişkin iki noktayı

özellikle belirtmekte yarar vardır:
1 İki modelin bağımlı değişkenleri farklı olduğu için bu
modellerin r 2 değerlerini karşılaştırmak doğru değildir.
2 Bağımlı değişkenin zaman içinde değişiminin bu şekilde
incelenmesi ancak zaman serisinin “durağan” (stationary)
olması durumunda uygundur.
Durağanlık kavramı ileride zaman serileri ekonometrisi konusu
altında incelenecektir.
Doğ-Log Modeli
Eğer X ’deki yüzde değişime karşılık Y ’deki mutlak değişim
ile ilgileniyorsak, buna uygun bir modeli şöyle yazabiliriz:
Yi = β1 + β2 ln Xi + ui
Yukarıdaki modele “doğ-log” (lin-log) modeli denir.

Bu modelde β2 katsayısını kullanarak şunu gösterebiliriz:
∆Y ∆X
β2 = ⇒ ∆Y = β2 ( )
∆X /X X
Böylece X ’deki 0,01 (yüzde 1) oranındaki göreli değişmeye

karşı Y ’de β2 × 0,01 boyutunda mutlak değişme olmaktadır.
Dolayısıyla, doğ-log modellerin eğim katsayısı β2 ’yi 0,01 ile
çarptığını söyleyebiliriz.
Doğ-Log Modeli
Örnek olarak 1973-1987 yıllarında ABD’deki GSMH ve para

arzı verilerini kullanarak doğ-log modelini tahmin edelim:
Ybt = −16329,0 + 2584,8 ln Xt r 2 = 0,9832

t (−23,494) (27,549)
p (0,0000) (0,0000)
2585 büyüklüğündeki eğim katsayısının anlamı, örneklem

döneminde para arzındaki yüzde 1’lik bir artışın GSMH’de
ortalama 25,85 milyar dolarlık artışa yol açmış olduğudur.
Evrik Modeller
Aşağıda gösterilen türden modellere evrik model denir:
1
Yi = β1 + β2 + ui
Xi
Yukarıdaki model, X değişkeni modele evrik girdiğinden,

X ’te doğrusal değildir ama β1 ve β2 ’de doğrusaldır.
Modelin bir özelliği de X sonsuza yaklaşırken Y ’nin β1
“kavuşmazsal” (asymptotic) değerine yakınsamasıdır.
Dolayısıyla, evrik modeller açıklayıcı değişken büyürken
bağımlı değişkenin de yaklaştığı bir limit veya kavuşmaz
değeri içerirler.
Evrik modellere örnek olarak Phillips eğrisi ya da üretimin
ortalama sabit gider ile olan ilişkisi verilebilir.
Evrik Modeller
Örnek olarak 1950-1966 dönemi için İngiltere’de ücretlerdeki

yüzde değişim (Y ) ile işsizlik oranı (X ) verilerini evrik modele
yakıştıralım:
Ybt = − 1,4282 + 8,2743 1/Xt r 2 = 0,3849

t (2,0675) (2,8478) F1,15 = 9,39
Buna göre ücret düşüş tabanı −1,43’tür.

Diğer bir deyişle X sonsuza doğru büyürken ücretlerdeki
düşüş yüzde 1,43’ten fazla olamaz.
Log-Evrik Modeller
Evrik modellerin bir türü olan “log-evrik” (log-reciprocal)

modeller aşağıdaki biçimi alır:
1
ln Yi = β1 − β2 + ui
Xi
Türev hesabı kullanılarak burada Y ’nin X ’e göre eğimi

d/dX (ln Yi ) = β2 (1/Xi2 ) olarak bulunur.
Model çizim üzerinde incelendiğinde de X artarken Y ’deki
artışın önce dışbükey ve daha sonra da içbükey görünüm
sergilediği anlaşılır.
Öyleyse böyle bir model, sermaye sabitken üretimin önce
artarak arttığı ve sonra da azalarak arttığı üretim-işgücü
ilişkisini çözümlemede kullanılabilir.
Toplamalı ya da Çarpmalı Hata Terimi

Hata terimi içermeyen aşağıdaki bağlanım modeline bakalım:
Yi = β1 Xiβ2
Bu modeli tahmin amacıyla üç İki yanlı logaritmalarını alırsak

farklı şekilde yazabiliriz: da şunları elde ederiz:
Yi = β1 Xiβ2 ui ln Yi = α + β2 ln Xi + ln ui
Yi = β1 Xiβ2 eui ln Yi = α + β2 ln Xi + ui
Yi = β1 Xiβ2 + ui ln Yi = ln(β1 Xiβ2 + ui )

Buradaki α = ln β1 ’dir.
İlk iki model değiştirgelerde doğrusalken, üçüncü modelin
özünde doğrusal-dışı olduğuna dikkat ediniz.
Toplamalı ya da Çarpmalı Hata Terimi

SEK’in EDYT özelliğinin hatalarda sıfır ortalama ve sabit
varyans aradığını anımsayalım.
Ayrıca önsav sınaması için ui ’lerin normal dağılımlı olduğu,
kısaca ui ∼ N(0, σ 2 ) varsayılmaktadır.
Buna göre, örneğimizdeki ikinci modeli kullanmak istersek
ln ui ∼ N(0, σ 2 ) varsaymamız gereklidir.
2
Ancak eğer ln ui ∼ N(0, σ 2 ) ise, ilk modeldeki ui de eσ /2
2 2
ortalama, eσ (eσ − 1) varyansla log-normal dağılımlı olur.
Üçüncü model ise değiştirgelerde doğrusal-dışı olduğu için
ancak yinelemesel bir yöntem ile çözülebilir.
Sonuç olarak, modeli bağlanım için dönüştürürken hata
terimine özel bir dikkat göstermek gereklidir.
Hatalı doğrusallaştırma, arzulanan istatistiksel özellikleri
taşımayan bir modele yol açabilir.
İşlev Biçiminin Seçimi

Görgül çalışmalarda model seçiminin deneyim gerektirdiği
açıktır. Yardımcı olabilecek birkaç nokta şunlardır:
Bazı durumlarda iktisat kuramı belli bir işlev biçimini
gösterebilir veya öngörebilir.
Tahmin edilen katsayıların önsel beklentileri karşıladığı
doğrulanmalıdır.
Almaşık modelleri karşılaştırmak için eğim ve esneklik
katsayılarını hesaplamak yardımcı olabilir.
Veri setine iki farklı model yakıştırıldığında, eğer bağımlı
değişkenler aynı ise r 2 değerleri karşılaştırılabilir.
Ancak iki modeli r 2 temelinde karşılaştırmak her zaman
uygun değildir. Bunun bir nedeni, eklenen her açıklayıcı
değişkenin r 2 ’yi yükseltecek olmasıdır.
Model İşlev Biçimlerinin Özeti
Çizelge: Çeşitli İşlev Biçimlerinin Eğim ve Esneklikleri

dY
Model İşlev Biçimi Eğim ( dX ) Esneklik ( dY
dX
X
Y)
Doğrusal Y = β 1 + β2 X β2 β2 YX
Y

Log-Log ln Y = β1 + β2 ln X β2 X β2
Log-Doğ ln Y = β1 + β2 X β2 (Y ) β2 (X )
1
1

Doğ-Log Y = β1 + β2 ln X β2 X β2 Y
1
1
1

Evrik Y = β 1 + β2 X −β2 X2
−β2 XY
1
Y
1

Log-Evrik ln Y = β1 − β2 X β2 X2
β2 X
Önümüzdeki Dersin Konusu ve Ödev
Ödev
Kitaptan Bölüm 6 “Extensions of the Two-Variable Regression
Model” okunacak.
Önümüzdeki Ders
Çoklu Bağlanım Çözümlemesi: Tahmin Sorunu

Ekonometri1 06 Iki Degiskenli Baglanim Uzantilari (s1 - 9)

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Ekonometri1 06 Iki Degiskenli Baglanim Uzantilari (s1 - 9)

Uploaded by

Copyright:

Available Formats

Sıfır Noktasından Geçen Bağlanım

Ölçekleme ve Ölçü Birimleri

İki Değişkenli Bağlanım Modelinin Uzantıları

Yrd. Doç. Dr. A. Talha YALTA

TOBB Ekonomi ve Teknoloji Üniversitesi

İşbu ekonometri ders malzemesi, A. Talha Yalta tarafından,

Dr. A. Talha Yalta, TOBB Ekonomi ve Teknoloji Üniversitesi (2010)

1 Sıfır Noktasından Geçen Bağlanım

2 Ölçekleme ve Ölçü Birimleri

3 Bağlanım Modellerinin İşlev Biçimleri

Sıfır Noktasından Geçen Bağlanım

Kuram bazen modelde sabit terimin bulunmamasını öngörür:

Sıfır noktasından geçen bağlanım modelinin uygun olduğu bazı

Sıfır Noktasından Geçen Bağlanım

Sıfır noktasından geçen bağlanım için ÖBİ aşağıdaki gibidir:

Yukarıdaki modele ait SEK tahmincileri şu şekilde bulunur:

β1 = 0 Modeli Alışılmış Model

Kısaca, β1 = 0 modeli formüllerinde ortalamalardan sapma

Sıfır Noktasından Geçen Bağlanım

Sabit terimsiz modelin iki özelliğinin bilinmesinde yarar vardır:

Sıfır Noktasından Geçen Bağlanım

Önsel dayanaklar çok güçlü olmadığı sürece sabit terimin

Sıfır Noktasından Geçen Bağlanım

Sıfır noktasından geçen bağlanıma örnek olarak, aşağıdaki

Sıfır Noktasından Geçen Bağlanım

Ölçekleme ve Ölçü Birimleri

Bağlanım çözümlemesinde dikkat edilmesi gereken bir nokta

Ölçekleme ve Ölçü Birimleri

ABD’ye ait aşağıdaki yatırım ve üretim verilerini ele alalım:

Ölçekleme ve Ölçü Birimleri

Hem GSYİÖY, hem GSMH milyar dolar:

Ölçekleme ve Ölçü Birimleri

Bağlanım bulgularının dördü de GSMH’deki bir milyon

Sayısal Hesaplama Sorunları

Yuvarlama hatası, bazı sayıların bilgisayarların kullandığı

İptal Etme Hataları

İptal etme hatası, yuvarlama hatasının özel bir durumudur.

Kırpma hatası, “yinelemesel” (iterative) işlemlerde görülen

Görüldüğü gibi, “oransız sayı” (irrational number) e’nin

Çözümyolu hatası, bir problemin çoğu zaman birden fazla

Sayısal Hesaplama Sorunları

Sonuç olarak, bilgisayar matematiği kağıt-kalem

Bağlanım Modellerinin İşlev Biçimleri

Doğrusallık kavramının değişkenlerde doğrusallık ve

Yukarıdaki gösterim aşağıdaki şekilde doğrusallaştırılabilir:

Bu model, α ve β2 anakütle katsayılarında doğrusaldır ve

Burada Yi∗ = ln Yi ve Xi∗ = ln Xi ’dir.

Her iki yanının logaritması alınarak doğrusallaştırılmış

Doğrusal Model Log-doğrusal Model

Eğim (birim değişim): Eğim (birim değişim):

Bu özelliğinden dolayı log-doğrusal model “sabit esneklik”

Örnek olarak kahve talebi modeline dönelim.

Fiyat esnekliği katsayısı −0,25 olarak bulunmuştur.

Zaman zaman doğrusal ve log-doğrusal model arasında

Burada r , Y ’nin zaman içindeki (bileşik) büyüme hızıdır.

β1 = ln Y0 ve β2 = ln(1 + r ) tanımlamalarını yapıp hata

Yukarıda gösterilen modele “log-doğ” (log-lin) modeli denir.

Bu noktada, sık sık karşılaştığımız “mutlak değişim” (absolute

Mutlak değişim Göreli değişim Yüzde değişim

Eğer X ’deki değişim küçükse, aşağıda gösterilen “yaklaştırma”

Log-doğ modeline geri dönelim:

Bu modelde β2 katsayısı, açıklayıcı değişken t’deki mutlak

Reel GSYİÜ örneğine dönersek, log-doğ modeline dayanan