Büyük ölçekli bir makroekonomik tahmin modellemesi sürecinde, bağımlı değişken Y'yi açıkla… — KPSS İstatistik

Büyük ölçekli bir makroekonomik tahmin modellemesi sürecinde, bağımlı değişken $Y$ 'yi açıklamak üzere çok sayıda aday bağımsız değişken arasından en uygun alt kümeyi belirlemek için 'Adımsal Regresyon (Stepwise Regression)' algoritması kullanılmaktadır. Sürecin ilerleyişine dair log kayıtları incelendiğinde şu adımlar gözlemlenmiştir:

* 1. Adım: Modele $X_1$ değişkeni eklenmiştir (Kısmi $F$ -istatistiği $> F_{in}$ ).
* 2. Adım: Modele $X_2$ değişkeni eklenmiştir ve ardından yapılan kontrolde $X_1$ modelde kalmaya devam etmiştir.
* 3. Adım: Modele $X_3$ değişkeni eklenmiştir (Kısmi $F$ -istatistiği $> F_{in}$ ). Ancak bu eklemenin hemen ardından algoritma tarafından yapılan geriye dönük anlamlılık kontrolünde, $X_1$ değişkeni modelden çıkarılmıştır (Kısmi $F$ -istatistiği $< F_{out}$ ).

Buna göre, algoritmanın 3. adımda $X_1$ değişkenini modelden çıkarmasının altında yatan teorik mekanizma ve bu duruma yol açan istatistiksel koşul aşağıdakilerden hangisinde en doğru ve eksiksiz şekilde ifade edilmiştir?

$X_3$ 'ün modele girmesiyle birlikte $X_1$ 'in açıklanan varyansa yaptığı marjinal katkı, yani $SSR(X_1 | X_2, X_3)$ değeri istatistiksel olarak anlamsız hale gelmiştir; bu durum $X_1$ 'in içerdiği açıklayıcı bilginin önemli bir kısmının $X_3$ tarafından kapsandığına işaret eder.Answer
B
$X_3$ 'ün eklenmesi modeldeki çoklu doğrusal bağlantıyı artırarak EKK tahmincilerinin sapmalı (biased) sonuçlar üretmesine yol açmış, algoritma En Küçük Kareler varsayımlarını korumak amacıyla varyans şişme faktörü (VIF) en yüksek olan $X_1$ 'i dışlamıştır.
C
$X_3$ eklendiğinde modelin genel anlamlılığını test eden ANOVA $F$ -istatistiği kritik tablo değerinin altına düşerek modelin bütünsel gücünü bozmuş, bu nedenle algoritma ilk aşamada girilen değişkeni geri çekerek dengeyi sağlamıştır.
D
Adımsal regresyon algoritmik yapısı gereği başlangıçta değişkenleri rastgele atayarak test eder; $X_1$ sadece geçici bir referans noktası olduğu için $X_3$ gibi asıl güçlü bir değişken bulunduğunda nihai modelin sabit kalması adına otomatik olarak silinir.
E
$X_3$ 'ün modele dahil edilmesi Düzeltilmiş $R^2$ ( $\bar{R}^2$ ) değerinde beklenen artışı sağlamamış ve serbestlik derecesi kaybı cezasını artırmıştır; algoritma ceza etkisini sıfırlamak için en eski değişken olan $X_1$ 'i feda etmiştir.

Answer

Adımsal regresyon modelinde bir değişkenin sonradan çıkarılmasının nedeni, yeni eklenen değişken(ler)le birlikte hesaplanan marjinal katkısının (kısmi F-istatistiğinin) anlamsız hale gelmesidir. Bu durum seçenekler arasında

X_1

'in

SSR(X_1 | X_2, X_3)

değerinin anlamsızlaşması ve bilgisinin

X_3

tarafından kapsanması şeklinde açıklanmıştır.

Adımsal regresyon algoritmasının en karakteristik özelliği, önceden modele dahil edilmiş bir değişkenin, sonradan eklenen değişkenlerle olan güçlü çoklu doğrusal ilişkisi (korelasyonu) nedeniyle açıklayıcı gücünü yitirdiğinde modelden çıkarılabilmesidir.

X_3

modele girdiğinde

X_1

'in kısmi F-istatistiğinin (

F_{out}

) kritik eşiğin altına düşmesi,

X_1

'in diğer değişkenler (

X_2

X_3

) sabitken bağımlı değişkendeki varyansa yaptığı marjinal katkının (

SSR(X_1 | X_2, X_3)

) istatistiksel olarak sıfırdan farksız hale geldiğini kanıtlar. Bu da

X_3

'ün,

X_1

'in içerdiği bilgiyi kapsayarak onu gereksiz (redundant) hale getirdiğinin matematiksel göstergesidir.

Step-by-Step Solution

Adımsal regresyonun (Stepwise Regression) işleyiş kuralını hatırlamak.

Bu yöntem, İleriye Doğru Seçim (Forward Selection) yöntemine geriye dönük bir kontrol adımı ekler. Her yeni değişken modele girdiğinde, daha önce modele alınmış tüm değişkenlerin kısmi F-istatistikleri (veya t-istatistikleri) yeniden hesaplanır.

Algoritmanın temel ayırt edici mekanizmasını tespit etmek.

X_1

'in 3. adımda modelden çıkarılmasının matematiksel şartını analiz etmek.

X_1

'in modelde kalması için, diğer tüm değişkenler (

X_2

X_3

) modeldeyken

X_1

'in modele sağladığı *ek açıklayıcı gücün* (Marjinal Regresyon Kareler Toplamı:

SSR(X_1 | X_2, X_3)

) istatistiksel olarak anlamlı olması (yani

F_{hesap} > F_{out}

olması) gerekir. Çıkarıldığına göre bu şart sağlanamamıştır.

Gözlemlenen olayın (değişkenin çıkarılması) istatistiksel formül karşılığını bulmak.

Bu marjinal katkının neden aniden düştüğünü kavramsal olarak yorumlamak.

X_1

ilk başta tek başınayken anlamlıydı. Ancak

X_3

geldiğinde anlamsızlaştıysa,

X_1

'in bağımlı değişken

Y

'yi açıklamakta kullandığı varyansın (bilginin) büyük kısmını aslında

X_3

de taşıyor demektir. Yani

X_1

X_3

arasında çoklu doğrusal bağlantı (korelasyon) vardır ve

X_3

'ün modele girmesi

X_1

'i gereksiz (redundant) kılmıştır.

Matematiksel koşulun ekonometrik/istatistiksel anlamını teşhis etmek.

Seçeneklerdeki yanılgıları (özellikle çoklu bağlantı-sapma yanılgısını) elemek.

Çoklu bağlantının EKK tahmincilerini 'sapmalı' yapacağı bilgisi yanlıştır (sadece varyansı şişirir). Algoritmanın modelin 'genel' F-istatistiğine bakarak veya Düzeltilmiş R²'yi mekanik olarak artırmak için 'en eski' değişkeni atarak ilerlediği ifadeleri de yöntemin kurallarına aykırıdır.

Yanlış seçeneklerdeki çeldirici istatistiksel ifadelerin doğruluk kontrolünü yapmak.

Key Concept

Adımsal Regresyon (Stepwise Regression) Yönteminde Değişken Çıkarma Kriteri ve Kısmi (Marjinal) Katkı

Question

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Topics

More questions from this topic