Bir araştırmacı, iki bağımsız değişken içeren bir regresyon modelinde aşağıdaki tahmin sonuçlarını elde etmiştir: | Değişken | Katsayı ( \hat{\beta} ) | Standart Hata | t-İstatistiği | | :--- | :--- | :--- | :--- | | Sabit | 12,50 | 4,20 | 2,97 | | X_1 | 0,85 | 0,95 | 0,89 | | X_2 | -0,42 | 0,55 | -

Tahmin ediciler sapmasızlık ($unbiasedness$) özelliğini korur, ancak varyansları büyüdüğü için tahminlerin hassasiyeti azalır.

Bir araştırmacı, iki bağımsız değişken içeren bir regresyon modelinde aşağıdaki tahmin son… — KPSS İstatistik

Bir araştırmacı, iki bağımsız değişken içeren bir regresyon modelinde aşağıdaki tahmin sonuçlarını elde etmiştir:

Değişken	Katsayı ( $\hat{\beta}$ )	Standart Hata	t-İstatistiği
Sabit	12,50	4,20	2,97
$X_1$	0,85	0,95	0,89
$X_2$	-0,42	0,55	-0,76
Model Özeti	$R^2 = 0,92$	$F = 45,3$ ( $p < 0,01$ )

Elde edilen bu bulgular bağımsız değişkenler arasında yüksek dereceli bir çoklu doğrusal bağlantı (multicollinearity) olduğuna işaret etmektedir. Bu duruma göre, modeldeki En Küçük Kareler (EKK) tahmin edicilerinin özellikleri hakkında aşağıdakilerden hangisi söylenebilir?

Tahmin ediciler sapmasızlık ( $unbiasedness$ ) özelliğini korur, ancak varyansları büyüdüğü için tahminlerin hassasiyeti azalır.Answer
B
Tahmin ediciler sapmalı ( $biased$ ) hale gelir ve gerçek parametre değerlerinden sistematik olarak uzaklaşır.
C
Bağımsız değişkenler arasındaki ilişki nedeniyle tahmin ediciler artık tutarlı ( $consistent$ ) değildir.
D
Varyans şişme faktörü ( $VIF$ ) değerlerinin 1'e yaklaşması sonucunda katsayıların güven aralıkları daralır.
E
Gauss-Markov varsayımları gereğince tahmin ediciler artık en küçük varyanslı doğrusal sapmasız tahmin edici (BLUE) olma özelliğine sahiptir.

Answer

Tahmin ediciler sapmasızlık özelliğini korumakla birlikte, varyanslarının büyümesi nedeniyle hassasiyetleri azalır.

Çoklu doğrusal bağlantı (multicollinearity) durumunda, En Küçük Kareler (EKK) tahmin edicileri Gauss-Markov özelliklerini (doğrusallık, sapmasızlık ve tutarlılık) korumaya devam eder. Ancak, bağımsız değişkenler arasındaki yüksek korelasyon, tahmin edicilerin varyanslarının ve standart hatalarının aşırı derecede büyümesine (varyans şişmesi) neden olur. Bu durum, tahminlerin örneklemden örnekleme büyük değişimler göstermesine, yani hassasiyetin (precision) azalmasına ve katsayıların t-testlerinde anlamsız çıkmasına yol açar.

Step-by-Step Solution

Tablodaki

R^2

t

istatistiklerini karşılaştırın.

R^2

(0,92) ve

F

istatistiği (45,3) oldukça yüksek ve anlamlıyken, bireysel

t

istatistiklerinin (0,89 ve -0,76) anlamsız olduğu görülmektedir.

Bu durum, bağımsız değişkenlerin birlikte modelin varyansını başarıyla açıkladığını ancak birbirleriyle yüksek korelasyonlu oldukları için bireysel katkılarının ayırt edilemediğini (çoklu doğrusal bağlantı) gösterir.

Çoklu doğrusal bağlantının EKK (En Küçük Kareler) tahmin edicilerinin teorik özellikleri üzerindeki etkisini hatırlayın.

Çoklu doğrusal bağlantı bir varsayım ihlali değildir (tam olmadığı sürece). Bu nedenle EKK tahmin edicileri hala sapmasız (unbiased), tutarlı (consistent) ve doğrusal kalır.

Sapmasızlık özelliği, hata teriminin beklenen değerinin sıfır olmasıyla ilgilidir ve bağımsız değişkenler arası korelasyondan etkilenmez.

Varyans ve standart hatalar üzerindeki etkiyi analiz edin.

Bağımsız değişkenler arası korelasyon arttıkça Varyans Şişme Faktörü (

VIF

) artar, bu da katsayıların varyansını ve standart hatasını büyütür.

Varyansın büyümesi, tahminlerin gerçek parametre değerinden daha uzak örneklem değerleri alabilmesine (hassasiyet kaybına) ve

t

değerlerinin düşmesine yol açar.

Key Concept

Çoklu Doğrusal Bağlantıda Sapmasızlık ve Varyans Şişmesi

Question

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Topics