Ekonometri1 09 Kukla Degiskenlerle Baglanim (s1 - 9)

Nitel Değişkenlerle Bağlanım
Kukla Değişken Kullanım Şekilleri

Bazı Uygulayımsal Noktalar
Kukla Değişkenlerle Bağlanım
Yrd. Doç. Dr. A. Talha YALTA
TOBB Ekonomi ve Teknoloji Üniversitesi

İktisat Bölümü
İKT351 – Ekonometri I
Yrd. Doç. Dr. A. Talha YALTA (2007 - 2010) Kukla Değişkenlerle Bağlanım (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 Nitel Değişkenlerle Bağlanım

VARÇÖZ Modelleri
KOVÇÖZ Modelleri
2 Kukla Değişken Kullanım Şekilleri
Chow Sınamasının Kukla Almaşığı
Karşılıklı Etkileşim
Parça-Yollu Doğrusal Bağlanım
3 Bazı Uygulayımsal Noktalar
Mevsimsel Çözümlemeler
Yarı-Logaritmik İşlevler
İleri Çalışma Konuları
VARÇÖZ Modelleri
KOVÇÖZ Modelleri
Kukla Değişkenler
Bağlanım çözümlemelerinde bağımlı değişken, sayısal

büyüklükler yanında nitel değişkenlerden de etkilenebilir.
Nicel Değişkenler Nitel Değişkenler

Gelir, üretim, fiyat, maliyet, Cinsiyet, ırk, din, savaş, coğrafi
enflasyon, işsizlik oranı, yaş, bölge, hükümet politikalarında
boy, çocuk sayısı, . . . değişme, grev, . . .
Görgül çalışmalarda karşılaşılan pek çok sorunu çözmede
nitelik bildiren “kukla” (dummy) değişkenlerden yararlanılır.
Bu değişkenler aynı zamanda “nitel” (qualitative) değişken,
“ulamsal” (categorical) değişken veya “gösterge” (indicator)
değişkeni olarak da adlandırılmaktadırlar.
VARÇÖZ Modelleri
KOVÇÖZ Modelleri
Kukla Değişkenler
Kukla değişkenler bir veri sınıflandırma aracıdır.

Nitel özellikleri nicel olarak gösterebilmek için, niteliğin
varlık ya da yokluğunu gösteren 0 veya 1 değerlerini alırlar.
Örnek olarak bir kimsenin üniversite mezunu olduğu 1 ile,
olmadığı ise 0 ile gösterilebilir.
Kuklaların mutlaka 0 veya 1 değerleri almaları gerekmez.
Doğrusal ilişkili herhangi bir sayı çifti kullanılabilir.
Diğer yandan, yorumlamada sağladığı kolaylıktan dolayı
uygulamada {0, 1} çifti yeğlenmektedir.
Bağlanım modellerinde kukla değişkenlerin kullanılması ek
bir zorluk getirmemektedir.
Kukla içeren bağlanımların hesaplanması bilindik şekilde
olur. Katsayıların anlamlılığı da t istatistiği ile sınanabilir.
VARÇÖZ Modelleri
KOVÇÖZ Modelleri
VARÇÖZ Modelleri
Bir bağlanım modelindeki tüm açıklayıcı değişkenlerin birer

kukla değişken olması mümkündür.
Böyle modellere “VARÇÖZ” (ANOVA) modelleri de denir.
VARÇÖZ modelleri özellikle toplumbilim, psikoloji, eğitim,
pazar araştırması gibi alanlarda yaygındır.
VARÇÖZ Modelleri
KOVÇÖZ Modelleri
VARÇÖZ Modelleri
VARÇÖZ modellerine örnek olarak ABD’de öğretmen

maaşlarının 3 temel bölgeye göre nasıl farklılık gösterdiğini
inceleyen aşağıdaki modeli ele alalım (Table_9.1.gdt):
Yi = β1 + β2 D2i + β3 D3i + ui
Y burada farklı eyaletlerdeki devlet okulu öğretmenlerinin
aldığı ortalama ücrettir.
Kukla değişkenler ise D ile gösterilmektedir.
D2i = 1, eğer eyalet kuzey eyaletiyse; D2i = 0, değilse.
D3i = 1, eğer eyalet güney eyaletiyse; D3i = 0, değilse.
Not: Eğer gözlem bir kuzey ya da güney eyaleti değilse
(D2i = 0 ∧ D3i = 0), üçüncü seçenek olan batı eyaleti olur.
VARÇÖZ Modelleri
KOVÇÖZ Modelleri
VARÇÖZ Modelleri
Bu modelin bize gösterdiği şey şudur:
Kuzeyde ortalama maaş: E (Yi |D2i = 1, D3i = 0) = β1 + β2
Güneyde ortalama maaş: E (Yi |D2i = 0, D3i = 1) = β1 + β3
Batıda ortalama maaş: E (Yi |D2i = 0, D3i = 0) = β1
Bağlanıma ilişkin tahmin sonuçları aşağıdaki gibidir:

Ŷi = 26158,62 −1734,473D2i −3264,615D3i
t (23,1759) (−1,2078) (−2,1776)
R 2 = 0,09
Güney eyaletlerini gösteren D3i kukla değişkeni anlamlıdır.

Kuzey eyaletlerini gösteren D2i kuklası ise anlamlı değildir.
Öyleyse ABD’de ortalama öğretmen maaşlarının güneyde
düşükken batı ve kuzeyde aynı olduğunu kabul edebiliriz.
VARÇÖZ Modelleri
KOVÇÖZ Modelleri
Bazı Önemli Noktalar

Kukla değişken kullanımı ile ilgili dikkat edilmesi gereken bazı
noktalar şunlardır:
1 Bir nitel değişkende m sayıda sınıf veya “ulam” (category)
varsa, (m − 1) kukla değişken kullanılmalıdır.
Aksi halde “kukla değişken tuzağı” (dummy variable trap)
denilen “tam eşdoğrusallık” (perfect collinearity) oluşur.
Ancak, sıfır noktasından geçen bağlanımlarda ulam sayısı
kadar kukla değişken koymak mümkündür.
2 “Kuzey” ve “kuzey değil” gibi seçeneklere hangi değerin
atanacağı isteğe bağlıdır.
Eğer kuzey değil = 1 olursa β2i katsayısı da pozitif çıkar.
Demek ki kukla değişken içeren modelleri yorumlarken, 1
ve 0 değerlerinin nasıl verildiğini bilmek önemlidir.
(. . . devam)
VARÇÖZ Modelleri
KOVÇÖZ Modelleri
Bazı Önemli Noktalar
3 0 değeri verilen ulam, “yazın” (literature) içerisinde farklı

adlarla karşımıza çıkabilmektedir:
Türkçe İngilizce
“Taban ulam” (Base category)
“Kıyas ulamı” (Benchmark category)
“Karşılaştırma ulamı”(Comparison category)
“Denetim ulamı” (Control category)
“Gönderi ulamı” (Reference category)
“Atlanan ulam” (Omitted category)
Örneğimizde taban ulam batı bölgesi eyaletleridir.

Taban ulam, diğerlerini karşılaştırmada kullanılan sınıftır.
Taban ulamı gösteren veya ölçen terim de β1 sabit terimidir.
D2i ve D3i kukla değişkenlerine verilen β2 ve β3 katsayıları
ise “sabit terim farkı” (intercept difference) diye tanımlanır.
VARÇÖZ Modelleri
KOVÇÖZ Modelleri
KOVÇÖZ Modelleri
Birçok iktisadi araştırmada, yalnızca kukla değişkenlerin

kullanıldığı VARÇÖZ modellerine çok sık rastlanmaz.
Bunun yerine nitel ve nicel değişkenlerin birlikte olduğu
“kovaryans çözümlemesi” (analysis of covariance) ya da
“KOVÇÖZ” (ANCOVA) modelleri yeğlenir.
Bu modellerde nicel değişkenlere “denetim değişkeni”
(control variable) de denir.
VARÇÖZ Modelleri
KOVÇÖZ Modelleri
KOVÇÖZ Modelleri
KOVÇÖZ modellerine örnek olarak aşağıdaki modeli ele

alalım (Table_9.1.gdt):
Yi = β1 + β2 D2i + β3 D3i + β4 Xi + ui
Yi burada farklı eyaletlerdeki devlet okulu öğretmenlerinin
aldığı ortalama ücrettir.
Xi ise okullardaki öğrenci başına ortalama harcamadır.
D2i = 1, eğer eyalet kuzey eyaletiyse; D2 i = 0, değilse.
D3i = 1, eğer eyalet güney eyaletiyse; D3 i = 0, değilse.
Not: Batıyı taban olarak ulamlandırmayı sürdürüyoruz.
VARÇÖZ Modelleri
KOVÇÖZ Modelleri
KOVÇÖZ Modelleri
Bağlanım tahmin sonuçları aşağıdaki gibidir:
Ŷi = 13269,11 −1673,514 D2i −1144,157 D3i +3,2889 Xi

t (9,5115) (−2,0889) (−1,3286) (10,3539)
R 2 = 0,7266
Yeni modeldeki sabit terim fark katsayısının kuzey için

anlamlıyken güney için anlamlı olmadığını görüyoruz.
Bunun nedeni, kontrol değişkeni Xi ’yi baştaki modelde
hesaba katmamış olmamızdır.
Yeni modelde sabit terimleri farklı olan ancak eğimlerinin
(β4 ) aynı olduğu varsayılan 3 ayrı bağlanımı ele aldığımıza
dikkat ediniz.
Nitel Değişkenlerle Bağlanım Chow Sınamasının Kukla Almaşığı
Kukla Değişken Kullanım Şekilleri Karşılıklı Etkileşim
Bazı Uygulayımsal Noktalar Parça-Yollu Doğrusal Bağlanım
Chow Sınamasının Kukla Değişken Almaşığı
Önceki örnekte, nitel değişkenlerin sabit terimi etkilediği

ama eğim katsayısını etkilemediği varsayılmıştı.
Diğer yandan, eğer farklı ulamların eğim katsayısı da farklı
ise sabit terim farklarını sınamanın pek anlamı yoktur.
Birden fazla bağlanımın aynı olup olmadığını sınamak için
çok adımlı Chow sınamasının kullanılabildiğini biliyoruz.
Farklı bağlanımları sabit terimler, eğimler veya her ikisi
yönünden ayırt edebilen daha genel bir sınama yöntemi
kukla değişkenler ile olanaklıdır.
ABD için tasarruf ve gelir verilerini hatırlayalım:
Çizelge: Tasarruflar ve Harcanabilir Gelir (milyar $), ABD

Gözlem Tasarruf Gelir Gözlem Tasarruf Gelir
1970 61,0 727,1 1983 167,0 2522,4
1971 68,6 790,2 1984 235,7 2810,0
1972 63,6 855,3 1985 206,2 3002,0
1973 89,6 965,0 1986 196,5 3187,6
1974 97,6 1054,2 1987 168,4 3363,1
1975 104,4 1159,2 1988 189,1 3640,8
1976 96,4 1273,0 1989 187,8 3894,5
1977 92,5 1401,4 1990 208,7 4166,8
1978 112,6 1580,1 1991 246,4 4343,7
1979 130,1 1769,5 1992 272,6 4613,7
1980 161,8 1973,3 1993 214,4 4790,2
1981 199,1 2200,2 1994 189,4 5021,7
1982 205,5 2347,3 1995 249,3 5320,8

Verileri 1982 öncesi ve sonrası olarak ikiye ayıralım ve şu iki
modeli inceleyelim:
1970–81 Dönemi: Yt = λ1 + λ2 Xt + u1t , n1 = 12
1982–95 Dönemi: Yt = γ1 + γ2 Xt + u2t , n2 = 14
Yukarıdaki iki model dört farklı olasılık sunmaktadır:
1 Eğer λ1 = γ1 ve λ2 = γ2 ise, iki bağlanım sabit terim ve
eğim yönünden aynıdır: “Çakışan” (coincident)
bağlanımlar.
2 Eğer λ1 6= γ1 ve λ2 = γ2 ise, iki bağlanım yalnızca sabit
terimler yönünden farklıdır: “Koşut” (parallel) bağlanımlar.
3 Eğer λ1 = γ1 ve λ2 6= γ2 ise, iki bağlanım aynı sabit terimli
ama farklı eğimlidir: “Uyumlu” (concurrent) bağlanımlar.
4 Eğer λ1 6= γ1 ve λ2 6= γ2 ise, iki bağlanım bütünüyle
farklıdır: “Benzemez” (dissimilar) bağlanımlar.
Elimizdeki iki modeli karşılaştırabilmek için tüm n1 ve n2

gözlemlerini toplayıp aşağıdaki bağlanımı tahmin edelim:
Yt = α1 + α2 Dt + β1 Xt + β2 (Dt Xt ) + ut
E (ut ) = 0 varsayımı ile şu iki bağlanımı buluruz:
E (Yt |Dt = 0, Xt ) = α1 + β1 Xt
E (Yt |Dt = 1, Xt ) = (α1 + α2 ) + (β1 + β2 )Xt
Yt ve Xt burada sırasıyla tasarrufla geliri göstermektedir.
Dt = 0 1982 öncesi, Dt = 1 ise 1982 sonrası dönemdir.
α2 sabit terim farkıdır.
β2 ise eğim katsayısı farkı olup, ikinci dönem işlevinin eğim
katsayısının ilk ya da temel döneme ait eğim katsayısından
ne kadar farklı olduğunu gösterir.

Model tahmini şu sonuçları vermektedir:
Ŷt = 1,0161 +152,4786Dt +0,0803Xt −0,0655(Dt Xt )
t (0,0504) (4,6090) (5,5413) (−4,0963)
R 2 = 0,8819
Sabit terim farkı α2 ve eğim farkı β2 ’nin her ikisinin de

istatistik bakımından anlamlı olması, bu bağlanımların
temelde “benzemez” olduğunu göstermektedir.
1970-81 dönemi tasarruf-gelir bağlanımı:
Ŷt = 1,0161 +0,0803 Xt
1982-95 dönemi tasarruf-gelir bağlanımı:
Ŷt = (1,0161 + 152,4786) +(0,0803 − 0,0655) Xt
= 153,4947 + 0,0148Xt
Bu sonuçlar Chow sınaması ile bulunanlar ile aynıdır.
Kukla değişken yönteminin Chow sınamasına üstünlükleri

şunlardır:
1 Kukla değişken yaklaşımı, tek bir bağlanım tahmini içerdiği
için uygulama yönünden basittir.
2 Kukla değişkenler, iki bağlanımın farklı olup olmadığının
yanı sıra farkın sabit terimden mi yoksa eğimden mi
kaynaklandığını da göstermektedir.
3 Tek bağlanım olması önsav sınamalarında kolaylık sağlar.
4 Verilerin bir arada kullanılması serbestlik derecesini arttırır.
Dikkat: Modele eklenen her kukla değişkenin serbestlik
derecesini bir azalttığı unutulmamalıdır.
Kukla değişkenlerin bir diğer kullanım alanı da açıklayıcı

değişkenler arası karşılıklı etkileşimi incelemektir.
Örnek olarak, 1990 yılında ABD San Diego University City
çevresinde çeşitli özelliklerine göre ev fiyatları şöyledir:
Çizelge: Ev Fiyatları, bin $ (Ramanathan, 7-3)
Fiyat Alan Oda Sayısı Havuz Şömine
199,9 1065 3 1 0
228,0 1254 3 0 0
235,0 1300 3 1 1
285,0 1577 4 0 1
239,0 1600 3 0 1
293,0 1750 4 0 1
285,0 1800 4 0 1
365,0 1870 4 1 1
295,0 1935 4 0 1
290,0 1948 4 0 1
385,0 2254 4 1 1
505,0 2600 3 1 1
425,0 2800 4 0 1
415,0 3000 4 0 1
Ev fiyatları verilerine ilişkin şu modeli ele alalım:

Yi = α1 + α2 D2i + α3 D3i + βXi + ui
Yi burada evin fiyatını, Xi ise alanını göstermektedir.
D2i = 1, eğer havuz bulunuyorsa; D2i = 0, bulunmuyorsa.
D3i = 1, eğer şömine bulunuyorsa; D3i = 0, bulunmuyorsa.
Bu modeldeki üstü kapalı varsayım, D2i ve D3i ’nin fark
etkilerinin birbirinden bağımsız olduğudur.
Diğer bir deyişle havuz bulunsa da bulunmasa da şömine
bulunmasının fark etkisinin aynı olduğu kabul edilmektedir.
Birçok uygulamada böyle bir varsayım savunulamayabilir.
D2i ve D3i gibi iki nitel değişken arasında var olabilecek

karşılıklı etkileşim şu şekilde ele alınabilir:
Ŷi = α1 + α2 D2i + α3 D3i + α4 (D2i D3i ) + βXi
Burada:
α2 havuz bulunmasının fark etkisini,
α3 şömine bulunmasının fark etkisini,
α4 havuz ve şöminenin aynı anda olmasının fark etkisini
göstermektedir.
Bunlardan sonuncusu, havuz ve şömineli evlerin fiyatının
yalnız havuzlu veya yalnız şömineli veya ikisi de olmayan
evlerden ne kadar farklı olduğunu göstermektedir.
“Etkileşim kuklası” (interaction dummy) α4 ’ün istatistiksel
olarak anlamlı olup olmadığı yine t sınamasıyla bulunabilir.
Kukla değişkenlerin bir diğer kullanım alanı da “parça-yollu

bağlanım” (piecewise regression) modelleridir.
Böyle bir modele örnek olarak, varsayımsal bir şirketin
satış temsilcilerine yaptığı ödemeleri göz önüne alalım.
Şirketin, satışa göre prim öderken “eşik” (threshold) düzeyi
denilen bir X ∗ değeri öncesinde ve sonrasında farklı prim
yapıları uyguladığını varsayalım.
Kısaca satış primleri doğrusal olarak artsın ancak X ∗ eşik
düzeyinden sonra daha dik bir eğimle artıyor olsun.
Buna göre, elimizdeki model iki parçadan oluşan bir
doğrusal bağlanım modelidir.
Bu tür modeller daha genel bir tür olan “kama işlevleri”
(spline functions) yaklaşımına bir örnektir.

Örneğimizdeki parça-yollu bağlanım modelini tahmin için,
kukla değişken yöntemini şu şekilde kullanabiliriz:
Yi = α1 + β1 Xi + β2 (Xi − X ∗ )Di + ui
Yi burada satış primini, Xi de satışları göstermektedir.
X ∗ değeri satış priminin eşik düzeyidir ve önceden bellidir.
Di = 1, eğer Xi ≥ X ∗ ise; Di = 0, Xi < X ∗ ise.
E (ui ) = 0 varsayımıyla şunu görebiliriz:
Eşiğe kadar: E(Yi |Di = 0, Xi , X ∗ ) = α1 + β1 Xi

Eşik sonrası: E(Yi |Di = 1, Xi , X ∗ ) = α1 − β2 X ∗ + (β1 + β2 )Xi
Buna göre β1 parça-yollu bağlanımın birinci parçasının,

(β1 + β2 ) ise ikinci parçasının eğimini vermektedir.
Kırılma yoktur diyen önsav için β̂2 ’nın p değerine bakılır.
Parça-yollu doğrusal bağlanıma bir örnek olarak aşağıdaki

varsayımsal üretim (birim) ve toplam maliyet ($) verilerini
ele alalım: (Gujarati, Table_9.6.gdt)
Üretim Maliyet
1000 256
2000 414
3000 634
4000 778
5000 1003
6000 1839
7000 2081
8000 2423
9000 2734
10000 2914

Verilerden, 5500 birimlik üretim düzeyi sonrasında maliyet
yapısının değişmiş olabileceğini çıkardığımızı varsayalım.
Üretim (X ) ve maliyet (Y ) verilerini bir parça-yollu doğrusal
bağlanım modeline yakıştırırsak şu bulguları elde ederiz:
Ŷi = −145,72 +0,2791Xi +0,0945(Xi − X ∗ )Di

t (−0,8245) (6,0669) (1,1447)
Xi∗ = 5500 R 2 = 0,9737
Üretimin marjinal maliyeti birim başına 28 sent kadardır.

5500 birimin üstünde bu maliyet 37 sent (28 + 9) olmakla
birlikte, aradaki fark istatistiksel olarak anlamlı değildir.
Öyleyse Di kukla değişkeni modelden çıkartılabilir.
Nitel Değişkenlerle Bağlanım Mevsimsel Çözümlemeler
Kukla Değişken Kullanım Şekilleri Yarı-Logaritmik İşlevler
Bazı Uygulayımsal Noktalar İleri Çalışma Konuları
Mevsimsel Çözümlemelerde Kullanım
Günlük, aylık ya da üç aylık verilere dayanan birçok zaman

serisi; “mevsimsel örüntü” (seasonal pattern) ya da “düzenli
salınımsal hareket” (regular oscillatory movement) gösterir.
Buna örnek olarak yeni yıl öncesi mağaza satışlarını veya
bayram öncesi hanelerin artan para talebini gösterebiliriz.
Bir zaman serisinin çeşitli bileşenleri üzerinde ayrı ayrı
yoğunlaşmak için, mevsimsel bileşenin çıkarılması istenir.
TÜFE ve ÜFE gibi önemli iktisadi zaman serileri genellikle
“mevsimsel ayarlamalı” (seasonally adjusted) yayınlanır.
“Mevsimsellikten arındırma” (deseasonalization) işleminin
çeşitli yolları vardır ve bunlardan birisi de kukla değişkenler
yöntemidir.
ABD’de 1978 ve 1985 arası üçer aylık dayanıklı eşya satış

verilerini ele alalım: (Gujarati, Table_9.3.gdt)
Çizelge: Çeşitli Dayanıklı Eşya Toplam Satış (bin birim) ve Harcamaları (milyar$), ABD
Dönem Bulaş. Buzd. Çamaş. Harcama Dönem Bulaş. Buzd. Çamaş. Harcama
1978Q1 841 1317 1271 252,6 1982Q1 480 943 1036 247,7
1978Q2 957 1615 1295 272,4 1982Q2 530 1175 1019 249,1
1978Q3 999 1662 1313 270,9 1982Q3 557 1269 1047 251,8
1978Q4 960 1295 1150 273,9 1982Q4 602 973 918 262
1979Q1 894 1271 1289 268,9 1983Q1 658 1102 1137 263,3
1979Q2 851 1555 1245 262,9 1983Q2 749 1344 1167 280
1979Q3 863 1639 1270 270,9 1983Q3 827 1641 1230 288,5
1979Q4 878 1238 1103 263,4 1983Q4 858 1225 1081 300,5
1980Q1 792 1277 1273 260,6 1984Q1 808 1429 1326 312,6
1980Q2 589 1258 1031 231,9 1984Q2 840 1699 1228 322,5
1980Q3 657 1417 1143 242,7 1984Q3 893 1749 1297 324,3
1980Q4 699 1185 1101 248,6 1984Q4 950 1117 1198 333,1
1981Q1 675 1196 1181 258,7 1985Q1 838 1242 1292 344,8
1981Q2 652 1410 1116 248,4 1985Q2 884 1684 1342 350,3
1981Q3 628 1417 1190 255,5 1985Q3 905 1764 1323 369,1
1981Q4 529 919 1125 240,4 1985Q4 909 1328 1274 356,4
Buzdolabı satışlarında mevsimsel bir etki olup olmadığını

görmek için aşağıdaki modeli inceleyelim:
Ŷt = α1 + α2 D2t + α3 D3t + α4 D4t + ui
D2t = 1, ikinci üç ay ise; D2t = 0, değilse.
D3t = 1, üçüncü üç ay ise; D3t = 0, değilse.
D4t = 1, dördüncü üç ay ise; D4t = 0, değilse.
Burada mevsim değişkeni dört ulamdan oluştuğu için üç
farklı kukla değişken kullanılmıştır.
Nicel bir değişken kullanmadığımıza ve Yt ’nin yalnız sabit
terime göre bağlanımını hesapladığımıza dikkat ediniz.

Tahmin sonuçları aşağıdaki gibidir:
Ŷt = 1222,125 +245,3750D2t +347,6250D3t −62,1250D4t
t (20,372) (2,8922) (4,0974) (−0,7322)
R 2 = 0,5318
Ortalama buzdolabı satışlarının taban dönem olan birinci

dönem ile dördüncü dönem arasında anlamlı bir farklılık
göstermediğini görüyoruz.
Yukarıdaki bağlanım tahminine ait kalıntılar, buzdolabı
satışlarının mevsimsellikten arındırılmış bir serisini verir.
Bu kalıntılardan daha sonra serinin “eğilim bileşeni” (trend
component), “çevrimsel bileşen” (cyclical component) ve
“rastsal bileşen” (random component) unsurları bulunabilir.
Dikkat: Sözü edilen bu mevsimsellikten arındırma işlemi
her zaman serisi için uygun değildir.
Şimdi modele toplam dayanıklı eşya harcamalarını (Xt ) bir

nicel değişken olarak ekleyelim. Tahmin sonuçları şöyledir:
Ŷt = 456,2440 +242,4976D2t +325,2643D3t −86,0804D4t +2,7734Xt

t (2,5593) (3,6951) (4,9421) (−1,3073) (4,4496)
R 2 = 0,7298
İkinci ve üçüncü dönemlerdeki ortalama satışların yine ilk

dönemden istatistiksel olarak farklı olduğunu görüyoruz.
Ayrıca, mevsimsel etkiler gözönüne alınırsa, dayanıklı eşya
harcamaları 1 milyar dolar arttığında buzdolabı satışlarının
da ortalama olarak 2773 birim arttığı anlaşılmaktadır.
Bu noktada ilginç bir soru Xt ’nin de Yt gibi bir mevsimsel

örünüm sergileyip sergilemediği sorusudur.
Az önce ele almış olduğumuz modelin bir özelliği, bağımlı
değişken Yt ’yi mevsimsellikten arındırırken aynı anda Xt ’yi
de mevsimsellikten arındırmasıdır.
Bunu görmek için ilk bağlanımı tahmin edelim ve kalıntıları
saklayalım. Bu, mevsimsellikten arındırılmış Yt olsun.
Şimdi de aynı modeli dayanıklı eşya harcamaları bağımlı
değişken olacak şekilde tahmin edip kalıntıları aynı şekilde
saklayalım. Bu da mevsimsellikten arındırılmış Xt olsun.
Yt ve Xt bağlanıma birlikte sokulacak olursa Xt ’nin eğim
katsayısının bir önceki beş değişkenli bağlanım ile aynı
olduğu görülür. Kısaca bir taşla iki kuş vurmuş oluyoruz.
Yarı-Logaritmik İşlevlerdeki Yorumu

ABD için, eğitim deneyimi (yıl) ve cinsiyete (1 = erkek)
göre öğretim görevlisi başlama ücretlerini (yıllık, bin $)
gösteren şu varsayımsal verileri ele alalım:
Ücret Deneyim Cinsiyet
23,0 1 1
19,5 1 0
24,0 2 1
21,0 2 0
25,0 3 1
22,0 3 0
26,5 4 1
23,1 4 0
25,0 5 0
28,0 5 1
29,5 6 1
26,0 6 0
27,5 7 0
31,5 7 1
29,0 8 0
Verileri şu log-doğ modeline yakıştırmak istiyor olalım:

ln Yi = β1 + β2 Xi + β3 Di + ui
Yi başlama ücreti, Xi ise eğitim deneyimidir.
Di = 1, eğer erkekse; Di = 0, kadınsa.
β2 katsayısı burada Xi ’deki bir birimlik değişmeye karşılık
Yi ’deki göreli değişmeyi göstermektedir.
Göreli değişme 100 ile çarpılır ise yüzde değişme olur.
Ancak yukarıdaki açıklama, değişkenin yalnızca sürekli bir
değişken olması durumunda geçerlidir.
Kukla değişkenin ortalama Yi ’deki göreli etkisini bulmak
için, tahmin edilen β̂3 katsayısının e tabanına göre ters
logaritmasının alınması ve bundan 1 çıkartılması gerekir.
Örnekteki modeli tahmin edersek şunu buluruz:

d
ln Yi = 2,9298 +0,0546 Xi +0,1341 Di
t (481,524) (48,3356)
(27,2250)
R 2 = 0,9958
Buna göre cinsiyet farkı dikkate alındığında ortalama işe
başlama ücreti, deneyim yılı başına % 5,46 artmaktadır.
Ancak, Di ’nin katsayısına bakarak ücretlerin erkekler için
yüzde 13,41 daha fazla olduğunu söylemek doğru olmaz.
0,1341’in ters logaritması alınır ve bundan 1 çıkartılırsa
0,1435 bulunur. Demek ki erkek öğretim görevlisi ücretleri
kadınlara göre yüzde 14,35 daha yüksektir.
Çokluserpilim ve Özilinti
ABD’de gelire göre tasarruflarda 1982 sonrası yapısal bir

değişiklik olup olmadığını inceleyen örneği hatırlayalım:
Yt = α1 + α2 Dt + β1 Xt + β2 (Dt Xt ) + ui
Kukla değişken kullanılan böyle bir modelde örtük olarak
“aynıserpilimsellik” (homoscedasticity), diğer bir deyişle
var(u1i ) = var(u2i ) = . . . = σ 2 varsayımı söz konusudur.
Eğer bu varsayım sağlanamıyorsa tutarsız sonuçlar elde
edilmesi olasıdır.
Öyleyse, kukla değişkenli modellerde “farklıserpilimsellik”
(heteroscedasticity) sorununun olmadığı doğrulanmalıdır.
(Not: Bunun için Chow yerine Wald sınaması yapılabilir.)
Bu tür modellerde özilinti olmadığı varsayımı da önemlidir.
Bu konu daha sonra ele alınacaktır.
Rastsal Değiştirge Modelleri
Ele almış olduğumuz modellerde β anakütle katsayılarının

bilinmeyen ama sabit büyüklükler olduğunu hatırlayalım.
Kukla değişkenlere ilişkin ileri konulardan biri de “rastsal
değiştirge” (random parameter) modelleridir.
Yazında çeşitli biçimlerde karşımıza çıkan bu modeller, β
değiştirgelerinin de rastsal olduğunu varsayar.
Değiştirilen Bağlanım Modelleri
İki bağlanımın hem sabit terim farkı hem de eğim farkı

kullanılarak karşılaştırıldığı kukla değişken modellerinde,
kırılma noktasının bilindiği örtük olarak varsayılır.
Diğer yandan, kırılma noktasının örneğin 1982’de mi veya
başka bir dönemde mi olduğu çoğu zaman bilinemez.
Dolayısıyla, bir diğer ileri çalışma konusu da “değiştirilen
bağlanım” (switching regression) modelleridir.
Bu modeller, kırılma noktasının da rastsal olmasına izin
vererek bağlanımın “yinelemeli” (iterative) olarak tahmin
edilmesini sağlarlar.
Dengesizlik Modelleri
Pazarın dengeye gelmediği, arzın talebe eşit olmadığı

durumlar için özel tahmin yöntemleri gerekir.
Örnek olarak bir malın talebi, fiyat ve çeşitli değişkenlerin
bir işlevi olarak modellenirken, aynı malın arzı da yine fiyat
ve diğer değişkenlerin bir işlevi olarak modellenebilir.
Arzda yer alan değişkenler taleptekilerden farklı olursa,
gerçekte alınıp satılan mal miktarı arzın talebe eşitlendiği
noktada olmayabilir ve bu da dengesizliğe yol açar.
İşte böyle durumları kukla değişkenler yardımıyla ele alan
modellere de “dengesizlik” (disequilibrium) modelleri denir.
Önümüzdeki Dersin Konusu ve Ödev
Ödev
Kitaptan Bölüm 9 “Dummy Variable Regression Models”
okunacak.
Önümüzdeki Ders
Doğrusal Bağlanım Modeline Dizey Yaklaşımı

Ekonometri1 09 Kukla Degiskenlerle Baglanim (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 09 Kukla Degiskenlerle Baglanim (s1 - 9)

Uploaded by

Copyright:

Available Formats

Nitel Değişkenlerle Bağlanım

Kukla Değişken Kullanım Şekilleri

Kukla Değişkenlerle Bağlanım

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 Nitel Değişkenlerle Bağlanım

Bağlanım çözümlemelerinde bağımlı değişken, sayısal

Nicel Değişkenler Nitel Değişkenler

Kukla değişkenler bir veri sınıflandırma aracıdır.

Bir bağlanım modelindeki tüm açıklayıcı değişkenlerin birer

VARÇÖZ modellerine örnek olarak ABD’de öğretmen

Bağlanıma ilişkin tahmin sonuçları aşağıdaki gibidir:

Güney eyaletlerini gösteren D3i kukla değişkeni anlamlıdır.

Bazı Önemli Noktalar

Bazı Önemli Noktalar

3 0 değeri verilen ulam, “yazın” (literature) içerisinde farklı

Örneğimizde taban ulam batı bölgesi eyaletleridir.

Birçok iktisadi araştırmada, yalnızca kukla değişkenlerin

KOVÇÖZ modellerine örnek olarak aşağıdaki modeli ele

Bağlanım tahmin sonuçları aşağıdaki gibidir:

Ŷi = 13269,11 −1673,514 D2i −1144,157 D3i +3,2889 Xi

Yeni modeldeki sabit terim fark katsayısının kuzey için

Chow Sınamasının Kukla Değişken Almaşığı

Önceki örnekte, nitel değişkenlerin sabit terimi etkilediği

Chow Sınamasının Kukla Değişken Almaşığı

ABD için tasarruf ve gelir verilerini hatırlayalım:

Çizelge: Tasarruflar ve Harcanabilir Gelir (milyar $), ABD

Chow Sınamasının Kukla Değişken Almaşığı

Chow Sınamasının Kukla Değişken Almaşığı

Elimizdeki iki modeli karşılaştırabilmek için tüm n1 ve n2

Chow Sınamasının Kukla Değişken Almaşığı

Sabit terim farkı α2 ve eğim farkı β2 ’nin her ikisinin de

Chow Sınamasının Kukla Değişken Almaşığı

Kukla değişken yönteminin Chow sınamasına üstünlükleri

Kukla değişkenlerin bir diğer kullanım alanı da açıklayıcı

Ev fiyatları verilerine ilişkin şu modeli ele alalım:

D2i ve D3i gibi iki nitel değişken arasında var olabilecek

Parça-Yollu Doğrusal Bağlanım

Kukla değişkenlerin bir diğer kullanım alanı da “parça-yollu

Parça-Yollu Doğrusal Bağlanım

Eşiğe kadar: E(Yi |Di = 0, Xi , X ∗ ) = α1 + β1 Xi

Buna göre β1 parça-yollu bağlanımın birinci parçasının,

Parça-Yollu Doğrusal Bağlanım

Parça-yollu doğrusal bağlanıma bir örnek olarak aşağıdaki

Parça-Yollu Doğrusal Bağlanım

Ŷi = −145,72 +0,2791Xi +0,0945(Xi − X ∗ )Di

Xi∗ = 5500 R 2 = 0,9737

Üretimin marjinal maliyeti birim başına 28 sent kadardır.

Mevsimsel Çözümlemelerde Kullanım

Günlük, aylık ya da üç aylık verilere dayanan birçok zaman

Mevsimsel Çözümlemelerde Kullanım

ABD’de 1978 ve 1985 arası üçer aylık dayanıklı eşya satış

Mevsimsel Çözümlemelerde Kullanım

Buzdolabı satışlarında mevsimsel bir etki olup olmadığını

Mevsimsel Çözümlemelerde Kullanım

Ortalama buzdolabı satışlarının taban dönem olan birinci

Mevsimsel Çözümlemelerde Kullanım

Şimdi modele toplam dayanıklı eşya harcamalarını (Xt ) bir

Ŷt = 456,2440 +242,4976D2t +325,2643D3t −86,0804D4t +2,7734Xt

İkinci ve üçüncü dönemlerdeki ortalama satışların yine ilk

Mevsimsel Çözümlemelerde Kullanım