Bir bölgenin aylık elektrik tüketim miktarı (Y_t); ortalama hava sıcaklığı (X_{1t}) ve san… — KPSS İstatistik

Bir bölgenin aylık elektrik tüketim miktarı ( $Y_t$ ); ortalama hava sıcaklığı ( $X_{1t}$ ) ve sanayi kapasite kullanım oranı ( $X_{2t}$ ) dikkate alınarak En Küçük Kareler (EKK) yöntemiyle modellenmiştir. Modelin kalıntı terimleri incelendiğinde, hata terimleri arasında pozitif yönlü birinci mertebeden otokorelasyon ( $AR(1)$ ) sorunu olduğu tespit edilmiştir. Ancak modellemeyi yapan analist bu durumu göz ardı etmiş ve standart EKK çıktılarına dayanarak sıcaklık ve kapasite kullanım oranının elektrik tüketimi üzerinde istatistiksel olarak son derece anlamlı (p-değerleri $< 0.01$ ) etkilere sahip olduğunu raporlamıştır.

Buna göre, modeldeki otokorelasyon sorununun EKK tahmin edicileri ve yapılan çıkarımlar üzerindeki etkisi dikkate alındığında aşağıdaki değerlendirmelerden hangisi kesinlikle doğrudur?

EKK tahmin edicileri sapmasızlık özelliğini korur; ancak katsayıların standart hataları gerçekte olduğundan daha küçük tahmin edildiği için $t$ -istatistikleri yapay olarak büyümüş ve Tip I (birinci tip) hata yapma riski artmıştır.Answer
B
Otokorelasyon, Gauss-Markov teoremindeki temel varsayımları ihlal ettiğinden dolayı parametre tahmin edicileri sapmalı hale gelmiş ve değişkenlerin etkileri yanlış hesaplanmıştır.
C
EKK tahmin edicileri hem sapmasızlık hem de minimum varyans (etkinlik) özelliklerini korumaya devam ettiği için analistin raporladığı p-değerleri tamamen güvenilirdir.
D
Tıpkı çoklu doğrusal bağlantı sorununda olduğu gibi tahmin edicilerin varyansları aşırı derecede şişmiş, bu da $t$ -istatistiklerini küçülterek analisti yanıltmıştır.
E
White veya Park testleri gibi değişen varyans düzeltme yöntemleri uygulanmadığı sürece katsayılar tutarsızlık gösterir ve modelin açıklama gücü ( $R^2$ ) sıfıra yaklaşır.

Answer

EKK tahmin edicileri sapmasızlık özelliğini korur; ancak katsayıların standart hataları gerçekte olduğundan daha küçük tahmin edildiği için t-istatistikleri yapay olarak büyümüş ve Tip I (birinci tip) hata yapma riski artmıştır.

Doğrusal regresyon modellerinde hata terimleri arasında otokorelasyon bulunması, En Küçük Kareler (EKK) tahmin edicilerinin sapmasızlık (unbiasedness) ve tutarlılık (consistency) özelliklerini etkilemez. Ancak, tahmin ediciler en küçük varyanslı olma (etkinlik/efficiency) özelliğini yitirirler. Özellikle ekonomik zaman serilerinde sıkça görülen pozitif otokorelasyon durumunda, olağan EKK formülleri ile hesaplanan standart hatalar gerçek varyansı olduğundan daha düşük (aşağı yönlü sapmalı) tahmin eder. Hipotez testlerinde kullanılan

t

-istatistiği (

t = \hat{\beta} / SE(\hat{\beta})

) hesaplanırken paydadaki standart hata olduğundan küçük çıktığı için, elde edilen

t

-değeri mutlak olarak yapay bir şekilde büyür. Bu da doğru olan bir sıfır hipotezinin (değişkenin etkisiz olduğu hipotezinin) yanlışlıkla reddedilmesine, yani Tip I (birinci tip) hata yapma olasılığının artmasına neden olur.

Step-by-Step Solution

Otokorelasyonun EKK tahmin edicilerinin sapmasızlığı ve tutarlılığı üzerindeki etkisini değerlendir.

Otokorelasyon varlığında EKK katsayı tahmin edicileri sapmasızlık ve tutarlılık özelliklerini korumaya devam eder.

Hata terimlerinin ardışık bağımlı olması, bağımsız değişkenler ile hata terimi arasındaki ilişkiyi (kovaryansı) bozmaz, bu nedenle sapma oluşmaz.

Otokorelasyonun tahmin edicilerin varyansı (etkinliği) üzerindeki etkisini belirle.

EKK tahmin edicileri etkinlik (minimum varyans) özelliğini kaybeder. Pozitif otokorelasyon varlığında, olağan EKK varyans formülü gerçek varyansı olduğundan daha küçük (aşağı yönlü sapmalı) hesaplar.

Art arda gelen hatalar aynı işareti taşıma eğiliminde olduğundan, geleneksel varyans formülü veri içindeki gerçek değişimi eksik ölçer.

Standart hatalardaki bu aşağı yönlü sapmanın hipotez testlerine yansımasını analiz et.

t

-istatistikleri (

t = \hat{\beta} / S_{\hat{\beta}}

) paydanın küçülmesinden dolayı yapay olarak büyür. Bu durum, gerçekte anlamsız olan değişkenlerin istatistiksel olarak anlamlı bulunması (Tip I hata) riskini ciddi şekilde artırır.

Analistin raporladığı yüksek anlamlılık düzeyi (p < 0.01), otokorelasyonun yarattığı bu yanıltıcı varyans küçülmesinden kaynaklanmış olabilir.

Key Concept

Otokorelasyonun EKK Tahmin Edicileri ve Test İstatistikleri Üzerindeki Etkileri

Question

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Topics

More questions from this topic