K DEKENL BAST DORUSAL REGRESYON MODEL Regresyon Y

İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ Regresyon Y ile X (X ler) arasındaki ortalama ilişkinin matematik fonksiyonla ifadesidir. Sabit terim Eğim X’e bağlı olarak Y’nin ortalamasının nasıl değiştiğini gösterir.

Y y 2 ΔY= b 2 ΔX y 1 ΔX b 1 x 2 X Doğrusal denklemin grafiği düz bir çizgi olup sabit ve eğim katsayılarını birbirinden ayırma özelliğine sahiptir. Sabit sayı X=0 olduğu zaman Y’nin alacağı azami değer ve eğim ise ΔY/ ΔX oranı olup X üzerindeki bir noktadan diğer bir noktaya olan hareketliliği göstermektedir.

b 1 ve b 2 hakkında bazı çıkarsamalar: Eğer b 2 pozitif ise çizginin veya doğrunun eğimi soldan sağa yukarıya doğru; yok eğer negatif ise tersi geçerlidir. Eğer b 2’in mutlak değeri büyükse doğru daha dik olmaktadır. Eğer b 2= 0 ise doğru X eksenine b 1 noktasında paralleldir. Bir çok fonksiyonlar düz çizgi halinde değildirler

İfadesini minimize eden parametre tahmincilerinin değerlerini bulabilmek için eşitliğin 0 ve 1 ‘e göre türevleri alınıp 0’a eşitlenir. 0‘a göre türev alınırsa; Her iki denklemi de 0’a eşitlersek; 1‘e göre türev alınırsa;

Parantezleri açarsak; Bu denklemlere doğrunun NORMAL DENKLEMLERİ denir. Normal denklemler alta yazılıp birlikte çözüldüklerinde b 0 ve b 1 tahmincileri bulunur. şeklindeki formüller yardımıyla da tahminciler bulunabilir.

ÖRNEK REGRESYON DENKLEMİ Katsayıların Tahmini § Normal Denklemler ile, § Doğrudan Formüller ile, § Ortalamadan Farklar ile,

Tüketim Gelir 75 80 88 100 95 120 125 140 115 160 127 180 165 200 172 220 183 240 225 260

NORMAL DENKLEMLER SY = n SXY= SX + + SX SX 2 SY=? , SXY= ? , SX 2= ? , n

Y X 75 88 95 125 115 127 165 172 183 225 80 100 120 140 160 180 200 220 240 260 YX 6000 8800 11400 17500 18400 22860 33000 37840 43920 58500 X 2 6400 10000 14400 19600 25600 32400 40000 48400 57600 67600 SY=1370 SX=1700 SYX=258220 SX 2=322000

NORMAL DENKLEMLER -170 / 1370 = 10 258220 = 1700 -232900 = -1700 258220 = 1700 + + + 25320 = 33000 = 0. 7672727 = 6. 5636364 1700 322000 289000 322000

ÖRNEK REGRESYON DENKLEMİ

DOĞRUDAN FORMÜLLER = 6. 5636364

DOĞRUDAN FORMÜLLER = 0. 7672727

ÖRNEK REGRESYON DENKLEMİ

ORTALAMADAN FARKLAR y=? x=? Syx=? Sx 2=?

Ortalamalar Orijinine göre Örnek Regresyon Doğrusu (ÖRD)

ORTALAMADAN FARKLAR Y X 75 88 95 125 115 127 165 172 183 225 80 100 120 140 160 180 200 220 240 260 SY=1370 SX=1700 -62 -49 -42 -12 -22 -10 28 35 46 88 Sy=0 -90 -70 -50 -30 -10 10 30 50 70 90 Sx=0

ORTALAMADAN FARKLAR yx x 2 y 2 5580 3430 2100 360 220 -100 840 1750 3220 7920 8100 4900 2500 900 100 900 2500 4900 8100 3844 2401 1764 144 484 100 784 1225 2116 7744 Syx=25320 Sx 2=33000 Sy 2=20606

ORTALAMADAN FARKLAR = 0. 7672727 =137 -(0. 7672). (170) = 6. 5636364

ÖRNEK REGRESYON DENKLEMİ

ELASTİKİYETLERİN HESAPLANMASI • Nokta Elastikiyet • Ortalama Elastikiyet

NOKTA ELASTİKİYET X 0 = 130

NOKTA ELASTİKİYET 0. 94

ORTALAMA ELASTİKİYET = 0. 95

Tahminin Standart Hatası ve Varyansı Tahminin standart hatası, regresyon doğrusu etrafındaki dağılımın bir ölçüsüdür. (n 30 ise) (n<30 ise)

Tahminin Standart Hatası ve Varyansı

Tahminin Standart Hatası ve Varyansı Tüketim Gelir 75 88 95 125 115 127 165 172 183 225 80 100 120 140 160 180 200 220 240 260 SY=1370 67. 9455 83. 2909 98. 6364 113. 9818 129. 3273 144. 6727 160. 0182 175. 3636 190. 7091 206. 0545 7. 0545 4. 7091 -3. 6364 11. 0182 -14. 3273 -17. 6727 4. 9818 -3. 3636 -7. 7091 18. 9455 Se=0 49. 7666 22. 1755 13. 2231 121. 4003 205. 2707 312. 3253 24. 8185 11. 3140 59. 4301 358. 9302 Se 2=1178. 6545

Tahminin Standart Hatası ve Varyansı =12. 138 s 2= 147. 3318 SY 2 =? SY = ? SYX=? b 1 =? b 2 =? = 12. 138

Tahminin Standart Hatası ve Varyansı Sy 2 = ? Syx = ? b 2= ? = 12. 138

DEĞİŞKENLİKLER Y Yi Xi X

DEĞİŞKENLİKLER 3844 2401 1764 144 484 100 784 1225 2116 7744 Sy 2=20600 4768. 5302 2884. 6664 1471. 7686 529. 8367 58. 8707 529. 8367 1471. 7686 2884. 6664 4768. 5302 49. 7666 22. 1755 13. 2231 121. 4003 205. 2707 312. 3253 24. 8185 11. 3140 59. 4301 358. 9302 Se 2=1178. 6545

DEĞİŞKENLİKLER Sy 2 = + Se 2 20606 = 19427. 3455 + 1178. 6545 varyanslar 2575. 75 = 2428. 4182 + 141. 3318

BELİRLİLİK KATSAYISI Noktaların doğruya yakınlık derecesini göstermektedir. Y’deki değişmelerin yüzde kaçının X tarafından açıklanabildiğini ifade etmektedir. R 2 0 ile 1 arasında değişmektedir. KORELASYON KATSAYISI Y ile X arasındaki ilişkinin yönünü ve şiddetini vermektedir. -1 ile +1 arasında yer almaktadır.

BELİRLİLİK KATSAYISI = 0. 9428 = 0. 0572

Belirsizlik katsayısı

BELİRLİLİK KATSAYISI = 0. 9428 = 0. 9710

DAĞILMA DİYAGRAMLARI

STANDARTLAŞTIRILMIŞ HATA TERİMLERİ ei 7. 0545 4. 7091 -3. 6364 11. 0182 -14. 3273 -17. 6727 4. 9818 -3. 3636 -7. 7091 18. 9455 ei/s 0. 5812 0. 38796 -0. 29959 0. 90774 -1. 18037 -1. 45598 0. 41043 -0. 27712 -0. 63512 1. 56084 Xi 80 100 120 140 160 180 200 220 240 260

EKKY Varsayımları

Bağımlı Değişken Y nin Dağılımı Y bağımlı değişkeninin ortalaması Varyansı olduğu gösterilecektir.

1. Y nin ortalaması kendisinin beklenen değerine eşittir. Beklenen değer alındığında b 1 ve b 2 parametreler iken Xi değerleri değişmez değerler kümesinden geldikleri için bulunur.

Yi nin varyansı ve eşitliklerini varyans tanımında yerine koyarsak ui lar sabit varyanslıdır. Yani hepsinin varyansı sabit değerlidir. Yani

En Küçük Karalerle Parametre Tahminlerinin Ortalama ve Varyansı in ortalaması: in varyansı:

in ortalaması: in varyansı:

EKK Tahminlerinin Standart Hataları ve Kullanılışı EKK tahminleri ve örnek verilerine dayanarak hesaplanır. Bir anakütleden bir çok örnek çekilebilir, bu durumda her örnek seti için farklı tahminciler elde edilecektir. Örnek değerlerinin anakütle değerleri b 1 ve b 2 ye ne ölçüde yakın olduğu standart hatalarla hesaplanır. Standart hata, tahmincinin örnekleme dağılımının standart hatasıdır.

Bir tahmincinin örnekleme dağılımı anakütleden seçilebilecek aynı büyüklükteki örneklerin dağılımıdır. (75 milyar) 60 hanelik anakütleden çekebileceğimiz onluk (75 milyar) örnek için hesaplanan değerlerinin örnekleme dağılımı ortalama etrafında normal dağılmaktadır. Anakütleden çekilen örnekler için hesaplanan EKK leri örneklerin farlı değerli Y(tüketim) ve X(gelir gibi) e sahip hanelerden oluşması gibi örnekleme hatalarından dolayı gerçek değerinden farklıdır.

Örnekleme hataları + ve – yönde aynı ihtimalle ortaya çıkan hatalardır. Ortalama ölçüsü standart hatadır. Katsayıların Standart Hataları = 11. 99 = 0. 0668

Aralık Tahminleri ±t a/2. s( ) = 0. 7672727 2. 306 (0. 0668) 0. 6132319< b 2 <0. 9213135 ± t a/2. s( ) = 6. 5636364 2. 306 (11. 99) -21. 0853 < b 1 < 34. 2126

Hipotez Testleri Güven Aralığı Yaklaşımı İle 0. 6132319< b 2 <0. 9213135 -21. 0853 < b 1 < 34. 2126

Hipotez Testleri Anlamlılık Testi Yaklaşımı İle • Hipotezlerin Formüle Edilmesi • Tablo Değerlerinin Bulunması • Test İstatistiğinin Hesaplanması • Karar Verilmesi

Hipotez Testleri 1. Aşama H 0: b 2 = 0 H 1: b 2 0 2. Aşama a=? = 0. 05 ; S. d. =? = n-k = 10 -2=8 ta, sd =? t 0. 05, 8=? =2. 306 3. Aşama =11. 4861 4. Aşama |thes= 11. 4861 | > |ttab= 2. 306 | H 0 hipotezi reddedilebilir

Regresyon ve Varyans Analizi

Regresyon ve Varyans Analizi

EKK Modelinde Önceden Tahmin • İleriye Ait Tahmin • Önceden Tahmin • Örnekten Tahmin Edilen İlişkinin Ayni Kaldığı • X Değerlerinin Aynı Eğilimde Olacağı

Y’nin Aralık Tahmini

Y’nin Aralık Tahmini X 0=80 ˆ0 Y = 67. 9455 ± 2. 306. (12. 318) 2 ( 80 170) 1 1+ + 10 33000 35. 47840 Y 0| X 0 100. 41251

Y’nin Ortalamasının Aralık Tahmini Yˆ 0 ± t a /2. s - X )2 1 (X 0 + 2 n åx

Y’nin Ortalamasının Aralık Tahmini X 0=80 ˆ0 Y = 67. 9455 ± 2. 306. (12. 318) 2 1 + ( 80 170) 10 33000 51. 49402 E(Y 0| X 0) 84. 39689

Y’nin Güven Aralıkları Y’nin. Aralık Tahminleri X 0 Alt Sınır Üst Sınır 80. 00 100. 00 120. 00 140. 00 160. 00 180. 00 200. 00 220. 00 240. 00 260. 00 35. 47840 52. 01572 68. 28577 84. 26359 99. 93034 115. 27579 130. 29996 145. 01304 159. 43390 173. 58749 100. 41251 114. 56610 128. 98696 143. 70004 158. 72421 174. 06966 189. 73641 205. 71423 221. 98428 238. 52160 Y’nin Ortalamasının. Aralık Tahminleri Alt Sınır Üst Sınır 51. 49402 69. 33821 86. 90184 103. 99618 120. 34284 135. 68829 150. 03254 163. 62911 176. 75639 189. 60311 84. 39689 97. 24361 110. 37089 123. 96746 138. 31171 153. 65716 170. 00382 187. 09816 204. 66179 222. 50598

En Küçük Kareler Tahminlerinin Özellikleri 1. Tahmin Edicilerin Küçük Örnek Özellikleri Genellikle bir tahminin ana kütle parametresinin gerçek değerine yakın olması ve bu gerçek parametre yakınlarında dar bir aralıkta değişmesi istenir. Ana kütle parametresine ‘yakınlık’ çeşitli ekonometri tahmin yöntemleri ile bulunmuş tahminlerin örnekteki dağılımların ortalaması ve varyansıyla ölçülür.

En Küçük Kareler Tahminlerinin Özellikleri § Burada her zamanki varsayımsal yenilemeli örnekleme süreci kullanılır, yani her birinden n gözlemli çok sayıda örneğin alındığı varsayılır. Ekonometri yöntemlerinin her birini kullanarak her örnekten hesaplanıp dağılımları oluşturulur. § Küçük örnekten bulunmuş iyi bir tahmin edici için temel ölçütler: Sapmasızlık, En küçük varyans, Etkinlik, Doğrusal en iyi sapmasızlık (DES), En küçük ortalama hata karesi (OHK), Yeterlilik dir.

a. Sapmasız Tahmin Edici § Bir tahmin edicinin sapması, beklenen değeriyle gerçek parametre arasındaki fark olarak tanımlanır. Sapma= -b § Eğer sapma sıfırsa yani = b ise, sapmasız olur. Örneklerin sayısı artıkça, sapmasız tahmin edicinin, parametrenin gerçek değerlerine yaklaştığı anlamına gelir. Sapmasız bir tahmin edici ‘ortalama olarak’ parametrenin gerçek değerini verir. § Aranan bir özellik olmasına karşın, sapmasızlık kendi başına çok önemli değildir. Ancak küçük bir varyansla birleşirse önemli olur.

a. Sapmasız Tahmin Edici § , b’nin sapmasız tahmin edicisidir § , b’nin sapmalı tahmin edicisidir

b. En Küçük Varyanslı Tahmin Edici (En İyi Tahmin Edici)… Bir tahmin, başka ekonometri yöntemleriyle bulunmuş başka herhangi bir tahminle karşılaştırıldığında en küçük varyansa sahipse en iyi tahmindir. nin en iyi olma koşulu: < Ya da; Var( )<Var( ) Burada , gerçek parametre b nin (sapmasız olması gerekmeyen) herhangi bir başka tahminidir.

b. …En Küçük Varyanslı Tahmin Edici (En İyi Tahmin Edici) § Varyansı küçük olduğu halde sapması büyük olan bir tahmin edici, gerçek b parametresinden oldukça uzak bir değer etrafında toplanabilmektedir. , b nin büyük varyanslı sapmasız tahmin edicisidir. , b nin küçük varyanslı sapmalı bir tahmin edicisidir.

c. Etkin Tahmin Edici § Bir tahmin edici; sapmasız ve başka herhangi sapmasız tahmin ediciyle karşılaştırıldığında daha düşük varyansa sahipse etkin tahmin edicidir. § Aşağıdaki iki koşul yerine getirilirse etkindir: (i) ve (ii) § Burada , gerçek b nin başka bir sapmasız tahmin edicisidir. Başka bir deyişle, etkin tahmin edici, bütün tahmin sapmasız ediciler sınıfı içinde en düşük (en iyi) varyansa sahip olan tahmin edicidir.

d. Doğrusal Tahmin Edici… § Bir tahmin edici, örnekteki gözlemlerin doğrusal bir fonksiyonuysa doğrusal sayılır. Örnek gözlemleri veriyken, doğrusal bir tahmin edici şu biçimi alır: Burada ki ler sabit değerlerdir. § Örneğin olduğundan örnek ortalaması doğrusal bir tahmin edicidir. Çünkü:

d. . . Doğrusal Tahmin Edici… örnek ortalaması hesaplanırken her gözleme, 1/n ye eşit olan aynı k ağırlığı verilmiştir.

e. Doğrusal en iyi sapmasız tahmin edici (DEST) § Bir tahmin edici, doğrusalsa sapmasızsa ve gerçek b nin öteki doğrusal sapmasız tahmin edicileriyle karşılaştırıldığında en küçük varyansa sahipse, DEST olur.

f. En küçük ortalama hata kareli (OHK) tahmin edici § Ortalama hata karesi ölçütü, sapmasızlık ve en küçük varyans özelliklerinin bir bileşimidir. Burada OHK, tahmin edicinin ana kütledeki gerçek parametre b ile olan farkının karesinin beklenen değeri olarak tanımlanır: § OHK nin, tahmin edicinin varyansıyla sapma karesinin toplamına eşit olduğu gösterilebilir:

f… En küçük ortalama hata kareli (OHK) tahmin edici… İspat:

f. En küçük ortalama hata kareli (OHK) tahmin edici Çünkü:

g. Yeterli tahmin edici § Yeterli bir tahmin edici, gerçek parametre hakkında bir örneğin içerdiği bütün bilgileri kullanıma koyan bir tahmin edicidir. Bu başka hiçbir tahmin edicinin, tahmin edilmekte olan gerçek ana kütle parametresi hakkında daha fazla bilgi sunamayacağı anlamına gelir.

2. Tahmin edicilerin büyük örnek özellikleri: Asimtotik özellikler § Büyük örnek özelliklerinin, bir tahminin iyiliğini belirleme ölçütü olarak kullanılması, örneğin sonsuz büyük olmasını gerektirir. İşte bu nedenle bu özelliklere asimtotik özellikler denir. Örnek büyük olduğu zaman bu özelliklerin yaklaşık olarak sağlandığı varsayılır. Özellikler ise şunlardır: asimtotik sapmazlık, tutarlılık ve asimtotik etkinlik.

2. . . Tahmin edicilerin büyük örnek özellikleri: Asimtotik özellikler Asimtotik dağılım: Bir dizi rassal değişken düşünüldüğünde; Bunlardan her birinin kendi dağılımı, ortalaması ve varyansı vardır. Dağılımlar gitgide artan örnek büyüklüklerinden oluşturulmuştur. n. T sonsuza giderken bu dağılımlar da belli bir dağılıma doğru yaklaşıyor olabilirler. İşte bu dağılıma {X(n)} dizisinin asimtotik dağılımı denir.

a. Asimtotik sapmasızlık… § Eğer edicisinin asimtotik ortalaması, ana kütlenin gerçek b parametresine eşit ise, bu tahmin edici, bu parametrenin asimtotik sapmasız tahmin edicisidir. § Bir tahmincinin asimtotik sapması, asimtotik ortalaması ile gerçek parametre arasındaki farka eşittir.

a… Asimtotik sapmasızlık Asimtotik bir sapmasız tahmin edici, örnek büyüklüğü yeterine büyük olduğunda sapması kaybolan bir tahmin edicidir. § Eğer bir tahmin edici (sonlu küçük örneklerde) sapmasızsa aynı zamanda asimtotik sapmasızdır, ama bunun tersi doğru değildir.

b. Tutarlılık… § Bir edicisi, aşağıdaki iki koşulla, ana kütlenin b gerçek parametresinin tutarlı bir tahmin edicisidir: 1. asimtotik sapmasız olmalıdır. 2. n sonsuza giderken 'nin varyansı sıfıra yaklaşmalıdır:

Tutarlılık… § Eğer varyans sıfırsa, dağılım ana kütlenin gerçek parametresinin üstünde bir noktada toplanır. § Bir tahmin edicinin tutarlı olup olmadığını anlamak için, n arttıkça sapmanın ve varyansının ne olduğuna bakılmalıdır. (n) büyüdükçe hem sapma hem varyans azalmalı ve limitte ( iken) sıfır olmalıdır. Tutarlılık kavramı aşağıda çizilmiştir. Örnek büyüklüğü artıkça hem sapma hem varyans azalmaktadır.

c. Asimtotik etkinlik Eğer (1) tutarlıysa (2)Başka herhangi bir tutarlı tahmin ediciye göre daha küçük bir asimtotik varyansı varsa bu tahmin edici ana kütlenin gerçek b parametresinin asimtotik etkin bir tahmincisidir. Eğer; asimtotik etkindir. Burada ise tahmin edicisidir. Tutarlı tahmin ediciler karşılaştırıldığında hangisinin varyansı daha hızla sıfıra yaklaşıyorsa o, asimtotik etkendir.

3. En Küçük Kareler Tahmin Edicilerinin Özellikleri § Hata terimi u'nun bazı genel varsayımları yerine getirmesi, yani ortalamasının sıfır ve varyansının sabit olması koşuluyla, en küçük kareler tahmincilerinin DES ( doğrusal, en iyi, sapmasız) özelliklerini sağlamasına Gauss-Markow en küçük kareler teoremi denmektedir.

a. Doğrusallık § En küçük kareler tahminleri ve gözlenen örnekteki Yi değerlerinin doğrusal fonksiyonlarıdır. Varsayım gereği Xi ler hep aynı değerlerle göründüklerine göre en küçük kareler tahminlerinin yalnız Y değerlerine bağlı olduğu gösterilebilir. İspat: Varsayım gereği X değerleri sabit değerler kümesidir. Bu durumda ki lerde örnekten örneğe değişmezler.

…Doğrusallık Bu durumda şunu yazabiliriz: Y’lerin doğrusal bir fonksiyonudur. Bağımlı değişken değerlerinin doğrusal bir bileşimidir. ve ki Örnekten örneğe değişmez. katsayı tahmini sadece Y ye bağlıdır.

b. Sapmasızlık § ve nin sapmasızlık özelliği ve şeklindedir. Bu özelliğin anlamı, örneklerin sayısı artıkça tahminler de parametrelerin gerçek değerine yaklaşır. Başka bir deyişle, n sayıda Y ve X gözleminden oluşan, olanak içindeki bütün örnekleri seçildiğinde ve ile tahminleri her örnek için hesaplandığında, bu tahminlerden çok fazla sayıda elde edilir. Bunların ortalaması ise ilişkinin parametrelerine eşit olur. Tahminlerin dağılımı, orta nokta olarak parametrenin gerçek b değeri üzerinde toplanacaktır.

c. En Küçük Varyans § Gauss-Markow teoremi ispatı: Bu teoreme göre en küçük kareler tahminleri, başka ekonometri yöntemleriyle bulunmuş herhangi bir başka doğrusal sapmasız tahmin ediciler arasında en iyisidir ( varyansı en küçük olandır). EKK yönteminin tercih edilmesinin temel nedeni de bu özelliktir.