Basit Doğrusal Regresyon Modelinin Varsayımları

23 questions

Basit doğrusal regresyon analizinde kullanılan En Küçük Kareler (EKK) yönteminin 'En İyi Doğrusal Sapmasız Tahmin Edici' (BLUE) özelliğine sahip olabilmesi için Gauss-Markov teoremi çerçevesinde bazı varsayımların sağlanması gerekmektedir.

Buna göre, aşağıdakilerden hangisi EKK tahmin edicilerinin BLUE özelliğine sahip olması için gereken zorunlu varsayımlardan biri değildir?

Hata terimlerinin varyansının tüm gözlemler için sabit olması (

Var(u_i) = \sigma^2

)

Hata terimleri arasında ardışık bağımlılık (otokorelasyon) bulunmaması (

Cov(u_i, u_j) = 0, i \neq j

)

Hata terimlerinin beklenen değerinin sıfır olması (

E(u_i) = 0

)

Hata terimlerinin normal dağılım göstermesi (

u_i \sim N(0, \sigma^2)

)

Bağımsız değişken (

X

) ile hata terimi (

u

) arasında ilişki bulunmaması (

Cov(X_i, u_i) = 0

)

Show answer & explanation

Answer: Hata terimlerinin normal dağılım göstermesi ( $u_i \sim N(0, \sigma^2)$ )

Answer

Hata terimlerinin normal dağılım göstermesi varsayımı, EKK tahmin edicilerinin BLUE (En İyi Doğrusal Sapmasız Tahmin Edici) olması için zorunlu değildir.

Gauss-Markov Teoremi'ne göre, hata terimlerinin sıfır beklenen değere, sabit varyansa ve sıfır kovaryansa (bağımsızlık) sahip olması, EKK tahmin edicilerinin 'En İyi Doğrusal Sapmasız Tahmin Edici' (BLUE) olması için yeterlidir. Hata terimlerinin normal dağılım sergilemesi varsayımı ise BLUE özelliği için bir ön şart değildir; bu varsayım sadece tahmin edilen katsayılar üzerinden hipotez testleri yürütmek ve güven aralıkları oluşturmak amacıyla gereklidir.

Step-by-Step Solution

Gauss-Markov varsayımlarını tanımla.

Gauss-Markov varsayımları; modelin doğrusal olması, hata terimlerinin sıfır ortalamalı olması, sabit varyanslı olması (homoskedastisite) ve otokorelasyonsuz olmasını içerir.

BLUE özelliği sadece bu varsayımlar altında kanıtlanabilir.

BLUE özelliğinin sınırlarını analiz et.

Tahmin edicilerin 'En İyi' (minimum varyanslı) ve 'Sapmasız' olması için hata terimlerinin dağılımının şekli (normal, t vb.) önemli değildir.

BLUE özelliği katsayıların tahmini ile ilgilidir, dağılım varsayımı ise test aşamasıyla ilgilidir.

Normallik varsayımının amacını belirle.

Normallik varsayımı, küçük örneklemlerde parametreler üzerinde hipotez testleri (

t

testi) ve modelin anlamlılık testlerini (

F

testi) gerçekleştirebilmek için gereklidir.

Test istatistiklerinin teorik dağılımları ancak hata terimi normal dağıldığında geçerli olur.

Key Concept

Gauss-Markov Teoremi ve BLUE Özelliği

Estimated Time:1m 30s

Question 2Question →

Basit doğrusal regresyon analizinde klasik model varsayımları altında En Küçük Kareler (EKK) tahmin edicileri Gauss-Markov Teoremi uyarınca 'En İyi Doğrusal Sapmasız Tahmin Edici' (BLUE) özelliğini taşır. Ancak, model katsayılarının anlamlılığını ölçmek amacıyla kullanılan $t$ ve $F$ istatistiklerinin teorik dağılımlarına uygunluk göstererek hipotez testlerinin ve güven aralıklarının geçerli bir şekilde oluşturulabilmesi için hata terimleri ( $u_i$ ) hakkında aşağıdakilerden hangisi varsayılmalıdır?

Hata terimlerinin varyansının tüm gözlemler için sabit olması

Hata terimleri arasında ardışık bağımlılık (otokorelasyon) bulunmaması

Hata terimlerinin normal dağılım özelliğine sahip olması

Hata terimlerinin beklenen değerinin (ortalamasının) sıfıra eşit olması

Bağımsız değişken (

X

) ile hata terimi (

u

) arasında tam bir ilişki (korelasyon) olması

Show answer & explanation

Answer: Hata terimlerinin normal dağılım özelliğine sahip olması

Answer

Hata terimlerinin normal dağılım özelliğine sahip olması varsayımı, küçük örneklemlerde hipotez testlerinin ve güven aralıklarının oluşturulması için zorunludur.

Klasik Doğrusal Regresyon Modelinde, Gauss-Markov varsayımları tahmin edicilerin doğrusal, sapmasız ve minimum varyanslı (BLUE) olmasını garanti eder. Ancak çıkarımsal istatistiklerin (katsayı anlamlılık testleri, model anlamlılık testi ve güven aralıkları) teorik bir dağılıma (t veya F) dayandırılabilmesi için hata terimlerinin normal dağıldığı varsayılmalıdır. Bu varsayım altında EKK tahmin edicileri de normal dağılım gösterir ve bu sayede standartlaştırılmış katsayılar

t

dağılımına uygun hale gelir.

Step-by-Step Solution

Gauss-Markov varsayımları ile Normallik varsayımı arasındaki farkı belirleyin.

Gauss-Markov varsayımları (doğrusallık, sıfır ortalama, sabit varyans, otokorelasyon yokluğu) tahmin edicilerin BLUE (En İyi Doğrusal Sapmasız Tahmin Edici) olmasını sağlar.

BLUE özelliği sadece parametre tahminlerinin kalitesiyle (sapmasızlık ve minimum varyans) ilgilidir.

Hipotez testleri (

t

F

) için gereken ek koşulu analiz edin.

t

F

istatistikleri, hata terimlerinin normal dağıldığı (

u_i \sim N(0, \sigma^2)

) varsayımı altında sırasıyla Student-t ve F dağılımlarına uyar.

Normal dağılım varsayımı sağlanmadığında, küçük örneklemlerde bu test istatistiklerinin dağılımı bilinmediğinden yapılan testler geçersiz olur.

Key Concept

Regresyonda Normallik Varsayımı ve Çıkarımsal İstatistik

Estimated Time:1m 30s

Question 3Question →

Klasik doğrusal regresyon analizinde, hata terimlerinin ( $\epsilon_i$ ) normal dağılım gösterdiği varsayımı ( $\epsilon \sim N(0, \sigma^2)$ ), aşağıdakilerden hangisinin gerçekleştirilebilmesi için temel bir ön koşuldur?

Parametrelere ilişkin hipotez testlerinin ve güven aralıklarının geçerli bir şekilde oluşturulması

En Küçük Kareler (EKK) tahmin edicilerinin sapmasız (unbiased) olması

Tahmin edilen regresyon katsayılarının doğrusal bir formda elde edilmesi

Hata terimleri arasında otokorelasyon probleminin bulunmaması

EKK tahmin edicilerinin minimum varyanslı (etkin) tahmin ediciler olması

Show answer & explanation

Answer: Parametrelere ilişkin hipotez testlerinin ve güven aralıklarının geçerli bir şekilde oluşturulması

Answer

Hata terimlerinin normal dağılması varsayımı, parametreler için hipotez testlerinin ve güven aralıklarının oluşturulabilmesi için gereklidir.

Klasik doğrusal regresyon modelinde, katsayı tahmin edicileri üzerinde anlamlılık testleri (

t

testi) ve modelin genel başarısı için varyans analizi (

F

testi) yapılabilmesi için hata terimlerinin normal dağılması gerekir. Bu varsayım sağlandığında, tahmin ediciler de normal dağılım gösterir ve bu sayede parametreler için güven aralıkları hesaplanabilir.

Step-by-Step Solution

Gauss-Markov varsayımları ile Normallik varsayımı arasındaki farkı belirle.

Gauss-Markov varsayımları (sıfır ortalama, sabit varyans, otokorelasyon yokluğu) EKK tahmin edicilerinin BLUE (En İyi Doğrusal Sapmasız Tahmin Edici) olmasını sağlar.

EKK tahmin edicilerinin sapmasızlık ve minimum varyans özelliklerini kazanması için normal dağılım zorunlu değildir.

Normallik varsayımının çıkarımsal istatistik üzerindeki etkisini analiz et.

Hata terimleri normal dağıldığında, regresyon katsayıları da normal dağılım gösterir ve bu sayede

t

F

test istatistikleri oluşturulabilir.

Güven aralıkları ve anlamlılık testleri, bu istatistiklerin bilinen teorik dağılımlara uymasına dayanır.

Key Concept

Regresyonda Normallik Varsayımı ve Çıkarımsal İstatistik

Estimated Time:1m 30s

Question 4Question →

Basit doğrusal regresyon analizinde, klasik model varsayımlarından biri olan 'hata terimlerinin varyansının tüm gözlemler için sabit olması' ( $Var(\epsilon_i) = \sigma^2$ ) durumu homoskedastisite olarak tanımlanır. Bu varsayımın ihlal edildiği (değişen varyans/heteroskedastisite) bir durumda, En Küçük Kareler (EKK) tahmin edicilerinin özellikleri hakkında aşağıdakilerden hangisi söylenebilir?

Tahmin ediciler sapmalı (biased) hale gelir ve parametre değerlerini sistematik olarak yanlış tahmin eder.

Tahmin ediciler tutarsız (inconsistent) hale gelir, bu nedenle örneklem hacmi artsa bile gerçek parametre değerine yaklaşmaz.

Tahmin ediciler sapmasız ve tutarlı kalmaya devam eder, ancak 'en iyi' (minimum varyanslı) olma özelliğini kaybeder.

Hata terimlerindeki varyans değişimini tespit etmek amacıyla Durbin-Watson test istatistiği kullanılarak modelin güvenilirliği artırılmalıdır.

Tahmin ediciler doğrusal (linear) olma özelliğini kaybeder ve model artık katsayılar açısından doğrusal bir formda ifade edilemez.

Show answer & explanation

Answer: Tahmin ediciler sapmasız ve tutarlı kalmaya devam eder, ancak 'en iyi' (minimum varyanslı) olma özelliğini kaybeder.

Answer

Tahmin edicilerin sapmasızlık ve tutarlılık özelliklerini korurken, minimum varyanslı (en iyi/etkin) olma özelliğini kaybetmesi

Basit doğrusal regresyon modelinde değişen varyans (heteroskedastisite) olması durumunda, EKK tahmin edicileri sapmasızlık ve tutarlılık özelliklerini korurlar. Ancak, Gauss-Markov teoreminin 'sabit varyans' şartı sağlanmadığı için, bu tahmin ediciler artık en küçük varyanslı (etkin) değildir ve BLUE özelliğini kaybederler. Bu durum, standart hataların yanlış hesaplanmasına ve dolayısıyla t ile F testlerinin güvenilmez hale gelmesine neden olur.

Step-by-Step Solution

Gauss-Markov varsayımlarını değerlendir.

EKK tahmin edicilerinin BLUE (En İyi Doğrusal Sapmasız Tahmin Edici) olabilmesi için homoskedastisite (sabit varyans) ve otokorelasyon olmaması varsayımları gereklidir.

Bu varsayımlar tahmin edicinin varyansının minimum olmasını garanti eder.

Varsayım ihlalinin (Heteroskedastisite) sonuçlarını analiz et.

Değişen varyans durumunda EKK tahmin edicileri hala sapmasız (unbiased) ve tutarlıdır (consistent).

Sapmasızlık için

E(\epsilon)=0

X

ile

\epsilon

arasında ilişki olmaması yeterlidir; varyansın yapısı sapmayı etkilemez.

Etkinlik (Efficiency) özelliğini kontrol et.

Varyans artık minimum değildir (

Var(\hat{\beta})

artar).

Sabit varyans varsayımı bozulduğunda EKK artık 'En İyi' (Best) olma özelliğini yitirir, yani etkin değildir.

Key Concept

Gauss-Markov Teoremi ve BLUE Özelliği

Question 5Question →

Klasik Doğrusal Regresyon Modeli (KDRM) varsayımları çerçevesinde 'doğrusallık' ilkesi, modelin değişkenlerinden ziyade parametreleri ( $\beta$ ) üzerinden tanımlanmaktadır. Bu kapsamda, aşağıdaki regresyon modellerinden hangisi parametreleri açısından 'doğrusal' bir model olarak kabul edilir?

Y_i = \beta_0 + \beta_1^2 X_i + \epsilon_i

Y_i = \beta_0 + e^{\beta_1} X_i + \epsilon_i

Y_i = \beta_0 + \frac{1}{\beta_1} X_i + \epsilon_i

Y_i = \beta_0 + \beta_1 X_i^2 + \epsilon_i

Y_i = \beta_0 + \sqrt{\beta_1} X_i + \epsilon_i

Show answer & explanation

Answer: $Y_i = \beta_0 + \beta_1 X_i^2 + \epsilon_i$

Answer

Bağımsız değişkenin karesinin alındığı ancak katsayıların doğrusal olduğu

Y_i = \beta_0 + \beta_1 X_i^2 + \epsilon_i

modeli parametreler açısından doğrusaldır.

Klasik Doğrusal Regresyon Modeli'nde (KDRM) varsayılan doğrusallık, modelin katsayıları (parametreleri) üzerinedir. Bağımsız değişkenin karesinin alındığı modelde

\beta_1

katsayısı hala birinci dereceden ve toplamsal bir formda olduğu için bu model KDRM kapsamındaki doğrusallık varsayımını tam olarak sağlar.

Step-by-Step Solution

Doğrusallık varsayımını hatırla.

KDRM'de doğrusallık, değişkenlerin (

X, Y

) değil, parametrelerin (

\beta

) birinci dereceden olmasıdır.

Regresyon katsayılarını En Küçük Kareler (EKK) yöntemiyle tahmin edebilmek için modelin parametreler açısından doğrusal olması temel şarttır.

Bağımsız değişkenlerin (

X

) formunu incele.

X^2

\ln(X)

veya

\sqrt{X}

gibi dönüşümler değişken doğrusallığını bozsa da parametre doğrusallığını etkilemez.

Değişken dönüşümleri yapılmış modeller, yeni bir değişken tanımlamasıyla (

Z = X^2

gibi) kolayca doğrusal forma getirilebilir.

Seçeneklerdeki parametre formlarını kontrol et.

Karesi alınan (

\beta_1^2

), üstel olan (

e^{\beta_1}

), paydada olan (

1/\beta_1

) veya kök içinde olan (

\sqrt{\beta_1}

) katsayılar doğrusal değildir.

Bu tür formlar EKK tahmin edicilerinin türetilmesini imkansız kılan 'doğrusal olmayan regresyon' kategorisine girer.

Doğru modeli seç.

Parametreleri sadece toplamsal ve birinci dereceden olan model tespit edilir.

Doğru cevapta sadece değişken (

X

) doğrusal değildir, parametreler klasik varsayımlara uygundur.

Key Concept

Parametrelere Göre Doğrusallık Varsayımı

Estimated Time:1m 30s

Question 6Question →

Bir araştırmacı, kurduğu basit doğrusal regresyon modelinde hata terimlerinin normal dağılım göstermediğini, ancak diğer tüm klasik varsayımların (sabit varyans, sıfır ortalama ve otokorelasyon yokluğu) sağlandığını tespit etmiştir. Bu verilere göre, En Küçük Kareler (EKK) yöntemiyle elde edilen parametre tahmin edicileri hakkında aşağıdakilerden hangisi söylenebilir?

Tahmin ediciler hâlâ En İyi Doğrusal Sapmasız Tahmin Edici (BLUE) olma özelliğini korur.

Tahmin ediciler sapmalı (biased) hale gelir ve gerçek parametre değerlerinden uzaklaşır.

Tahmin edicilerin varyansı artık minimum değildir ve etkinlik özelliği kaybolur.

Küçük örneklemlerde katsayılar için yapılan

t

F

testleri tam olarak doğru sonuçlar vermeye devam eder.

Modelin belirtme katsayısı (

R^2

) hesaplanamaz veya matematiksel olarak anlamsız hale gelir.

Show answer & explanation

Answer: Tahmin ediciler hâlâ En İyi Doğrusal Sapmasız Tahmin Edici (BLUE) olma özelliğini korur.

Answer

Tahmin ediciler hâlâ En İyi Doğrusal Sapmasız Tahmin Edici (BLUE) olma özelliğini korur.

Gauss-Markov Teoremi uyarınca, hata terimlerinin sıfır ortalamalı, sabit varyanslı ve otokorelasyonsuz olması, EKK tahmin edicilerinin BLUE (En İyi Doğrusal Sapmasız Tahmin Edici) olması için gerekli ve yeterli şartlardır. Normallik varsayımı ise bu teoremin bir bileşeni olmayıp, sadece küçük örneklemlerde istatistiksel çıkarım (hipotez testleri ve güven aralıkları) yapabilmek için modele eklenir. Dolayısıyla normallik ihlali katsayıların sapmasızlık ve etkinlik (minimum varyans) özelliklerini bozmaz.

Step-by-Step Solution

Gauss-Markov varsayımlarını değerlendir.

BLUE özelliği için; parametrelerde doğrusallık, sıfır hata ortalaması (

E[\epsilon]=0

), sabit varyans (

Var(\epsilon)=\sigma^2

) ve otokorelasyon yokluğu (

Cov(\epsilon_i,\epsilon_j)=0

) gereklidir.

Bu varsayımlar tahmin edicinin sapmasız ve minimum varyanslı olmasını sağlar.

Normallik varsayımının rolünü tespit et.

Normallik varsayımı (

\epsilon_i \sim N(0, \sigma^2)

), Gauss-Markov Teoremi'nin bir parçası değildir.

Normallik, sadece hipotez testlerinin (t ve F testleri) ve güven aralıklarının küçük örneklemlerde geçerliliği için eklenen bir varsayımdır.

İhlalin etkisini belirle.

Sadece normallik varsayımı ihlal edildiğinde, tahmin ediciler doğrusal, sapmasız ve en küçük varyanslı (BLUE) kalmaya devam eder.

Tahmin edicilerin cebirsel özellikleri dağılımın şekline (normalliğe) değil, ilk üç ana varsayıma dayanır.

Key Concept

Gauss-Markov Teoremi ve Normallik Varsayımı Ayrımı

Practice More

Değişen varyans (heteroskedastisite) durumunda EKK tahmin edicilerinin BLUE özelliklerinden hangisini kaybettiğini inceleyiniz.

Estimated Time:1m 30s

Question 7Question →

Basit doğrusal regresyon analizinde, En Küçük Kareler (EKK) yöntemiyle elde edilen katsayı tahmin edicilerinin ( $\hat{\beta}_0, \hat{\beta}_1$ ) sapmasız (unbiased) olma özelliğini sağlayabilmesi için bağımsız değişken ( $X$ ) ile hata terimi ( $\epsilon$ ) arasındaki ilişkiye dair temel varsayım aşağıdakilerden hangisidir?

X

değişkeni ile

\epsilon

hata terimi arasındaki kovaryans sıfıra eşit (

Cov(X, \epsilon) = 0

) olmalıdır.

X

değişkeni ile

\epsilon

hata terimi arasında her zaman kuvvetli ve pozitif bir korelasyon bulunmalıdır.

X

değişkeninin varyansı,

\epsilon

hata teriminin varyansına her gözlem için eşit olmalıdır.

\epsilon

hata teriminin beklenen değeri,

X

değişkeninin aldığı değerlere bağlı olarak sistematik olarak değişmelidir.

Bağımsız değişken ile hata terimi arasında tam çoklu doğrusal bağlantı (multicollinearity) bulunmalıdır.

Show answer & explanation

Answer: $X$ değişkeni ile $\epsilon$ hata terimi arasındaki kovaryans sıfıra eşit ( $Cov(X, \epsilon) = 0$ ) olmalıdır.

Answer

Bağımsız değişken (

X

) ile hata terimi (

\epsilon

) arasındaki kovaryansın sıfıra eşit olması varsayımıdır.

Klasik Doğrusal Regresyon Modeli'nde tahmin edicilerin sapmasız olması için bağımsız değişkenlerin hata terimi ile ilişkisiz olması gerekir. Matematiksel olarak

Cov(X, \epsilon) = 0

varsayımı, hata teriminin beklenen değerinin bağımsız değişkenin değerlerinden etkilenmediğini (ekzojenlik) ifade eder.

Step-by-Step Solution

EKK tahmin edicilerinin sapmasızlık şartını hatırla.

E(\hat{\beta}) = \beta

olması beklenir.

Tahmin edicilerin ortalamada gerçek parametre değerini vermesi sapmasızlık olarak tanımlanır.

Tahmin edici formülündeki hata terimi ve bağımsız değişken ilişkisini analiz et.

Sapmasızlık için

E(\sum w_i \epsilon_i) = 0

şartı gereklidir, burada

w_i

bağımsız değişkene (

X

) bağlıdır.

Eğer

X

\epsilon

ilişkili ise (kovaryans sıfır değilse), hata terimi katsayı tahminini belirli bir yöne çeker.

Temel varsayımı belirle.

Cov(X, \epsilon) = 0

(veya

E(\epsilon|X) = 0

) varsayımı sağlanmalıdır.

Bu varsayım (dışsallık), bağımsız değişkenin hata teriminden bağımsız olduğunu ve katsayıların doğru tahmin edildiğini garanti eder.

Key Concept

Hata Terimi ve Bağımsız Değişkenin İlişkisizliği (Dışsallık Varsayımı)

Practice More

Varsayımların ihlal edilmesi durumunda (örneğin endojenlik) hangi alternatif tahmin yöntemlerinin (Araç Değişkenler - IV gibi) kullanıldığını inceleyebilirsiniz.

Estimated Time:1m 30s

Question 8Question →

Basit doğrusal regresyon analizinde, En Küçük Kareler (EKK) tahmin edicilerinin Gauss-Markov teoremi uyarınca 'En İyi Doğrusal Sapmasız Tahmin Edici' (BLUE) özelliğini taşıması için hata terimlerinin ( $\epsilon_i$ ) varyans-kovaryans matrisinin ( $\mathbf{\Omega}$ ) yapısı ile ilgili aşağıdakilerden hangisi doğrudur?

Matrisin köşegen elemanları sabit bir

\sigma^2

değerine eşit, köşegen dışı elemanları ise sıfır olmalıdır.

Matrisin tüm elemanları hata terimlerinin beklenen değerine (

E(\epsilon) = 0

) uygun olarak sıfır değerini almalıdır.

Matrisin sadece köşegen elemanları gözlem birimlerine göre farklılaşan

\sigma_i^2

değerlerini almalıdır.

Matrisin köşegen dışı elemanları hatalar arası bağımlılığı göstermek üzere sıfırdan farklı sabit bir

\rho

değerine sahip olmalıdır.

Matrisin köşegen elemanları her zaman 1 değerini alarak birim matris formunda tanımlanmalıdır.

Show answer & explanation

Answer: Matrisin köşegen elemanları sabit bir $\sigma^2$ değerine eşit, köşegen dışı elemanları ise sıfır olmalıdır.

Answer

En Küçük Kareler tahmin edicilerinin BLUE olabilmesi için varyans-kovaryans matrisinin köşegen elemanlarının sabit (

\sigma^2

) ve köşegen dışı elemanlarının sıfır olması, yani

E(\mathbf{\epsilon \epsilon'}) = \sigma^2 \mathbf{I}

koşulunun sağlanması gerekir.

Klasik Doğrusal Regresyon Modeli'nde hataların küresel (spherical) olması varsayımı, hem varyansın her gözlem için aynı kalmasını (homoskedastisite) hem de gözlemler arası ilişkinin olmamasını gerektirir. Bu durum matris formunda, köşegenlerin sabit bir varyans değeri taşıması ve geri kalan tüm hücrelerin sıfır olmasıyla ifade edilen skaler matris yapısına karşılık gelir.

Step-by-Step Solution

Varyans-kovaryans matrisinin yapısını analiz etme

\mathbf{\Omega} = E(\mathbf{\epsilon \epsilon'})

matrisinde köşegen elemanları varyansları (

Var(\epsilon_i)

), köşegen dışı elemanlar ise kovaryansları (

Cov(\epsilon_i, \epsilon_j)

) temsil eder.

Matrisin hangi elemanının hangi istatistiksel varsayımı temsil ettiğini anlamak için.

Gauss-Markov varsayımlarını uygulama

BLUE özelliği için Sabit Varyans (

Var(\epsilon_i) = \sigma^2

) ve Otokorelasyon Yokluğu (

Cov(\epsilon_i, \epsilon_j) = 0

) varsayımları gereklidir.

En küçük varyanslı (etkin) tahmin ediciye ulaşmak için gereken kısıtları belirlemek için.

Matris formunu oluşturma

Tüm köşegenler

\sigma^2

ve diğerleri 0 olduğunda matris

\sigma^2 \mathbf{I}

(skaler matris) halini alır.

Sözel varsayımları matematiksel gösterime dönüştürmek için.

Key Concept

Hata Terimlerinin Küresel Varyans Varsayımı (Spherical Errors)

Practice More

Değişen varyans veya otokorelasyon durumunda BLUE tahmin edicilere ulaşmak için kullanılan 'Genelleştirilmiş En Küçük Kareler' (GEKK) yöntemini inceleyebilirsiniz.

Estimated Time:1m 30s

Question 9Question →

Klasik Doğrusal Regresyon Modeli'nde (KDRM) En Küçük Kareler (EKK) tahmin edicilerinin "En İyi Doğrusal Sapmasız Tahmin Edici" (BLUE) özelliklerini taşıması için Gauss-Markov varsayımlarının sağlanması gerekir.

Buna göre, aşağıdakilerden hangisi EKK tahmin edicilerinin BLUE özelliğine sahip olması için sağlanması gereken zorunlu varsayımlardan biri değildir?

Hata terimlerinin beklenen değerinin sıfır olması (

E[\epsilon_i] = 0

)

Hata terimlerinin varyansının tüm gözlemler için sabit olması (

Var(\epsilon_i) = \sigma^2

)

Farklı gözlemlere ait hata terimleri arasında otokorelasyon bulunmaması (

Cov(\epsilon_i, \epsilon_j) = 0

)

Hata terimlerinin normal dağılım göstermesi (

\epsilon_i \sim N

)

Bağımsız değişken (

X

) ile hata terimleri arasında ilişki olmaması (

Cov(X_i, \epsilon_i) = 0

)

Show answer & explanation

Answer: Hata terimlerinin normal dağılım göstermesi ( $\epsilon_i \sim N$ )

Answer

Hata terimlerinin normal dağılım göstermesi, EKK tahmin edicilerinin BLUE (En İyi Doğrusal Sapmasız Tahmin Edici) olması için zorunlu bir varsayım değildir.

Gauss-Markov Teoremi'ne göre bir tahmin edicinin En İyi Doğrusal Sapmasız Tahmin Edici (BLUE) olabilmesi için doğrusal olması, sapmasız olması ve minimum varyansa sahip olması gerekir. Bu özelliklerin sağlanması için hata terimlerinin beklenen değerinin sıfır olması, varyansının sabit olması ve gözlemler arası ilişkinin (otokorelasyon) olmaması yeterlidir. Hata terimlerinin normal dağılması varsayımı ise BLUE özelliği için değil, katsayılar üzerinde hipotez testleri (t-testi) ve güven aralıkları oluşturabilmek için gereklidir.

Step-by-Step Solution

Gauss-Markov Teoremi'nin kapsamını belirlemek.

BLUE özelliği; doğrusallık, sapmasızlık ve minimum varyanslılık (etkinlik) şartlarının bileşimidir.

Teorem, belirli varsayımlar altında EKK'nın tüm doğrusal sapmasız tahmin ediciler içinde en küçük varyansa sahip olduğunu kanıtlar.

BLUE için gereken temel varsayımları sınıflandırmak.

Hata terimlerinin sıfır ortalamalı olması, sabit varyanslı olması, otokorelasyonsuz olması ve X değişkeni ile ilişkisiz olması zorunludur.

Bu varsayımlar tahmin edicilerin sapmasız kalmasını ve varyansının minimuma indirilmesini sağlar.

Normallik varsayımının regresyon analizindeki spesifik amacını tanımlamak.

Normallik varsayımı, katsayı tahmin edicilerinin örneklem dağılımının t ve F dağılımlarına uyması için gereklidir.

BLUE özelliği sadece ilk iki momentin (ortalama ve varyans) özellikleri ile ilgilidir, dağılımın olasılık yoğunluk fonksiyonunun şekli bu özelliği etkilemez.

Key Concept

Gauss-Markov Teoremi ve Normallik Varsayımı Ayrımı

Estimated Time:1m 30s

Question 10Question →

Klasik Doğrusal Regresyon Modeli'nde (KDRM) hata terimlerine ( $\epsilon_i$ ) ilişkin varsayımlar, En Küçük Kareler (EKK) tahmin edicilerinin özelliklerini ve yapılacak istatistiksel çıkarımların geçerliliğini belirler. Buna göre, modelin varsayımları ve bu varsayımların sonuçları ile ilgili aşağıdaki ifadelerden hangisi doğrudur?

Hata terimlerinin normal dağılması varsayımı, EKK tahmin edicilerinin BLUE (En İyi Doğrusal Sapmasız Tahmin Edici) olması için bir ön koşul değildir; ancak küçük örneklemlerde parametrelere ilişkin hipotez testlerinin geçerliliği için gereklidir.

Hata terimlerinin varyansının gözlemden gözleme değişmesi (değişen varyans), katsayı tahmin edicilerinin sapmalı (biased) sonuçlar vermesine neden olur.

Ardışık hata terimleri arasında bir ilişkinin bulunması (otokorelasyon), EKK tahmin edicilerinin tutarlılığını (consistency) bozarak modelin tahmin gücünü tamamen ortadan kaldırır.

Durbin-Watson

d

istatistiğinin hesaplanan değerinin 0'a çok yakın olması, modeldeki hata terimleri arasında çok güçlü bir negatif otokorelasyon olduğunun göstergesidir.

Modelin 'doğrusallık' varsayımı, hem bağımlı değişkenin (

Y

) hem de bağımsız değişkenlerin (

X

) mutlaka birinci dereceden (doğrusal) bir formda olmasını şart koşar.

Show answer & explanation

Answer: Hata terimlerinin normal dağılması varsayımı, EKK tahmin edicilerinin BLUE (En İyi Doğrusal Sapmasız Tahmin Edici) olması için bir ön koşul değildir; ancak küçük örneklemlerde parametrelere ilişkin hipotez testlerinin geçerliliği için gereklidir.

Answer

Hata terimlerinin normal dağılması varsayımı, EKK tahmin edicilerinin BLUE olması için gerekli değildir; ancak küçük örneklemlerde hipotez testlerinin (t ve F testleri) yapılabilmesi için gereklidir.

Klasik regresyon modelinde BLUE (En İyi Doğrusal Sapmasız Tahmin Edici) özelliği için Gauss-Markov varsayımlarının (doğrusallık, sıfır hata ortalaması, sabit varyans, otokorelasyon yokluğu ve değişkenler ile hata terimi arasındaki bağımsızlık) sağlanması yeterlidir. Hata terimlerinin normal dağılması varsayımı ise BLUE özelliği için bir zorunluluk değildir. Ancak, özellikle küçük örneklemlerde parametre tahmin edicilerinin örnekleme dağılımlarının belirlenmesi ve dolayısıyla

t

ile

F

testlerinin (hipotez testlerinin) ve güven aralıklarının oluşturulması için normallik varsayımı gereklidir.

Step-by-Step Solution

Gauss-Markov varsayımlarını hatırla.

Doğrusallık,

E(\epsilon)=0

, Sabit Varyans, Otokorelasyon Yokluğu ve

Cov(X, \epsilon)=0

Bu beş varsayım sağlandığında EKK tahmin edicileri BLUE (En İyi Doğrusal Sapmasız Tahmin Edici) olur.

Normallik varsayımının rolünü analiz et.

\epsilon \sim N(0, \sigma^2)

varsayımı BLUE özelliği için ekstradır (şart değildir).

Normallik varsayımı, katsayıların örnekleme dağılımının normal olmasını sağlar; bu da

t

F

istatistiklerinin teorik dağılımlarına uyması için (hipotez testi için) gereklidir.

Diğer ihlallerin sonuçlarını değerlendir.

Değişen varyans ve otokorelasyon sapmasızlığı bozmaz, sadece etkinliği bozar.

EKK tahmin edicileri hala sapmasızdır (

E[\hat{\beta}] = \beta

), ancak varyansları artık en küçük değildir.

Key Concept

BLUE Özelliği ve Normallik Varsayımı Ayrımı

Estimated Time:1m 30s

Question 11Question →

Basit doğrusal regresyon analizinde klasik varsayımlar altında En Küçük Kareler (EKK) yöntemiyle elde edilen tahmin edicilerin özellikleri ve varsayım ihlalleri ile ilgili aşağıdaki ifadelerden hangisi doğrudur?

Hata terimlerinin normal dağılım göstermesi, EKK tahmin edicilerinin sapmasız (unbiased) olması için zorunlu bir varsayımdır.

Değişen varyans (heteroskedastisite) durumunda EKK tahmin edicileri sapmasızlık özelliğini yitirerek yanlı hale gelir.

Regresyon katsayıları üzerinde t ve F testlerinin gerçekleştirilebilmesi için hata terimlerinin normal dağıldığı varsayımı gereklidir.

Otokorelasyonun varlığı durumunda EKK tahmin edicileri hala sapmasız olduğu için standart hatalar ve hipotez testleri geçerliliğini korur.

Belirtme katsayısının (

R^2

) 1'e çok yakın olması, modelde otokorelasyon ve değişen varyans sorunlarının bulunmadığını kanıtlar.

Show answer & explanation

Answer: Regresyon katsayıları üzerinde t ve F testlerinin gerçekleştirilebilmesi için hata terimlerinin normal dağıldığı varsayımı gereklidir.

Answer

Regresyon katsayıları üzerinde t ve F testlerinin gerçekleştirilebilmesi için hata terimlerinin normal dağıldığı varsayımı gereklidir.

Klasik doğrusal regresyon modelinde hata terimlerinin normal dağılım göstermesi, regresyon katsayılarının örneklem dağılımlarının da normal olmasını sağlar. Bu durum, özellikle küçük örneklemlerde katsayıların anlamlılığını test etmek için kullanılan t-testi ve modelin genel anlamlılığı için kullanılan F-testinin teorik olarak geçerli olmasını sağlayan temel koşuldur.

Step-by-Step Solution

Gauss-Markov varsayımlarını değerlendirme

EKK tahmin edicilerinin BLUE (En İyi Doğrusal Sapmasız Tahmin Edici) olması için doğrusallık, sıfır ortalama, sabit varyans, otokorelasyon yokluğu ve bağımsız değişkenin dışsallığı varsayımları yeterlidir.

Bu varsayımlar tahmin edicilerin sapmasızlığını ve etkinliğini sağlar.

Normallik varsayımının rolünü belirleme

Hata terimlerinin normal dağılım göstermesi (

\epsilon \sim N(0, \sigma^2)

), katsayıların (

\hat{\beta}

) da normal dağılmasını sağlar.

Hipotez testlerinde kullanılan t ve F istatistikleri, temelinde normal dağılım varsayımına dayanır.

Varsayım ihlallerinin sonuçlarını analiz etme

Değişen varyans ve otokorelasyon etkinliği bozar (artık BLUE değildir) ancak sapmasızlığı bozmaz. Testlerin geçerliliği ise hem bu hataların yokluğuna hem de normallik varsayımına bağlıdır.

Çıkarımsal istatistiklerin (güven aralığı ve testler) doğruluğu bu varsayımın sağlanmasıyla mümkündür.

Key Concept

Normallik Varsayımı ve Çıkarımsal İstatistik

Question 12Question →

Basit doğrusal regresyon analizinde, Gauss-Markov varsayımlarının (doğrusallık, sıfır hata ortalaması, sabit varyans ve otokorelasyon olmaması) tam olarak sağlandığı, ancak hata terimlerinin normal dağılım göstermediği bir durumda, elde edilen En Küçük Kareler (EKK) tahmin edicileri ve modelin anlamlılık testleri hakkında aşağıdakilerden hangisi söylenebilir?

Tahmin ediciler En İyi Doğrusal Sapmasız Tahmin Edici (BLUE) olma özelliğini korur; ancak

t

F

testleri gibi istatistiksel çıkarımlar küçük örneklemlerde geçersiz hale gelir.

Tahmin ediciler sapmasızlık özelliğini kaybeder ve bu durum modelin tüm katsayılarının yanlı tahmin edilmesine yol açar.

Hata terimlerinin normal dağılmaması doğrudan değişen varyans (heteroskedastisite) sorununa yol açtığı için tahmin ediciler etkinliğini kaybeder.

Gauss-Markov varsayımları normallik şartını da içerdiğinden, tahmin ediciler artık en küçük varyanslı doğrusal sapmasız tahmin edici (BLUE) değildir.

Normallik varsayımı sağlanmadığı takdirde Durbin-Watson istatistiği hesaplanamaz ve modelde otokorelasyon olup olmadığı test edilemez.

Show answer & explanation

Answer: Tahmin ediciler En İyi Doğrusal Sapmasız Tahmin Edici (BLUE) olma özelliğini korur; ancak $t$ ve $F$ testleri gibi istatistiksel çıkarımlar küçük örneklemlerde geçersiz hale gelir.

Answer

EKK tahmin edicileri BLUE olma özelliğini korurken, normallik varsayımının ihlali nedeniyle küçük örneklemlerde t ve F testleri geçersiz kalır.

Gauss-Markov varsayımları (doğrusallık, sapmasızlık, sabit varyans, otokorelasyon yokluğu) sağlandığında, EKK tahmin edicileri normallik varsayımına ihtiyaç duymadan BLUE (En İyi Doğrusal Sapmasız Tahmin Edici) olma özelliğini korur. Ancak, model katsayıları üzerinde yapılan

t

F

testleri, hata terimlerinin normal dağıldığı varsayımı üzerine inşa edilmiştir. Bu nedenle normallik sağlanmadığında, özellikle küçük örneklemlerde bu testler ve güven aralıkları istatistiksel olarak geçerliliğini yitirir.

Step-by-Step Solution

Gauss-Markov teoreminin kapsamını incelemek.

Teorem; doğrusallık, sıfır hata ortalaması, sabit varyans ve otokorelasyon olmaması durumunda EKK tahmin edicilerinin BLUE olduğunu kanıtlar.

BLUE özelliği için hata terimlerinin dağılım şeklinin (normal vb.) bilinmesi gerekmez.

Normallik varsayımının amacını belirlemek.

Normallik varsayımı, katsayı tahmin edicilerinin örnekleme dağılımının da normal olmasını sağlar.

İstatistiksel çıkarımlar (

t

F

testleri), tahmin edicilerin belirli bir dağılıma (normal, t, F) uyduğu varsayımıyla yapılır.

Normallik ihlalinin sonucunu analiz etmek.

Tahmin ediciler hala en iyi ve sapmasızdır; ancak çıkarım süreci (hipotez testleri) küçük örneklemlerde hatalı sonuçlar verebilir.

Merkezi Limit Teoremi uyarınca çok büyük örneklemlerde bu sorun azalsa da, teorik olarak normallik varsayımı çıkarım için gereklidir.

Key Concept

Normallik Varsayımı vs. Gauss-Markov Teoremi

Hints

Gauss-Markov teoreminin BLUE (En İyi Doğrusal Sapmasız Tahmin Edici) sonucuna ulaşmak için normallik varsayımını kullanıp kullanmadığını hatırlayın.

Regresyonda

t

F

testlerinin hangi dağılım varsayımları altında türetildiğini düşünün.

Practice More

Klasik Doğrusal Regresyon Modeli'nde normallik varsayımının Merkezi Limit Teoremi ile olan ilişkisini inceleyebilirsiniz.

Estimated Time:1m 30s

Question 13Question →

Regresyon katsayılarının standart hatalarının hesaplanması ve parametreler üzerinde hipotez testlerinin (anlamlılık testleri) yürütülebilmesi için modelin hata terimlerine dair belirli bir dağılımsal varsayım yapılması gerekmektedir. Gauss-Markov teoremi katsayıların 'En İyi Doğrusal Sapmasız Tahmin Edici' (BLUE) olma özelliğini açıklarken, istatistiksel çıkarım süreci için zorunlu olan bu ek varsayıma odaklanmaz.

Buna göre, regresyon analizinde katsayılar için güven aralıkları ve anlamlılık testleri ( $t$ ve $F$ testleri) oluşturulurken hata terimlerine ( $\epsilon_i$ ) atfedilen bu kritik varsayım aşağıdakilerden hangisidir?

Hata terimlerinin normal dağılıma uygunluk göstermesi

Hata terimleri arasında otokorelasyonun bulunmaması

Hata terimlerinin varyansının tüm gözlemler için sabit olması

Bağımsız değişken (

X

) ile hata terimi (

\epsilon

) arasında ilişki olmaması

Hata terimlerinin beklenen değerinin (ortalamasının) sıfıra eşit olması

Show answer & explanation

Answer: Hata terimlerinin normal dağılıma uygunluk göstermesi

Answer

Hipotez testlerinin ve çıkarımsal istatistiklerin geçerli olması için hata terimlerinin normal dağılıma sahip olması gerekir.

Klasik Doğrusal Regresyon Modeli'nde tahmin edilen katsayılar üzerinde anlamlılık testleri yürütebilmek için tahmin edicilerin sonlu örneklemlerdeki dağılımının bilinmesi zorunludur. Hata terimlerinin normal dağılması varsayımı, EKK tahmin edicilerinin de normal dağılmasını sağlayarak t ve F istatistiklerinin hesaplanmasına olanak tanır.

Step-by-Step Solution

Gauss-Markov varsayımlarının kapsamını belirle.

Gauss-Markov varsayımları (doğrusallık, sıfır hata ortalaması, sabit varyans, otokorelasyon yokluğu ve X ile hata terimi ilişkisizliği) tahmin edicilerin BLUE olmasını sağlar.

Bu varsayımlar tahmin edicinin sapmasız ve minimum varyanslı olmasını garanti eder ancak bir olasılık dağılımı dayatmaz.

Hipotez testlerinin (t ve F) matematiksel gereksinimini analiz et.

t ve F istatistikleri, normal dağılımlı değişkenlerin oranlarına ve karelerinin toplamına dayanır.

Tahmin edicilerin standart hataları varyans varsayımlarına dayanırken, test istatistiklerinin 't dağılımı' veya 'F dağılımı' sergileyebilmesi için pay kısmındaki tahmin edicinin normal dağılım göstermesi şarttır.

Hata terimi ile tahmin edici arasındaki ilişkiyi kur.

Hata terimleri normal dağılıyorsa (

\epsilon \sim N(0, \sigma^2)

), tahmin ediciler de normal dağılır.

EKK tahmin edicileri hata terimlerinin doğrusal bir fonksiyonu olduğundan, normal dağılımlı hatalar normal dağılımlı tahmin ediciler üretir; bu da çıkarımsal istatistikleri mümkün kılar.

Key Concept

İstatistiksel Çıkarım İçin Normallik Varsayımı

Estimated Time:1m 30s

Question 14Question →

Klasik Doğrusal Regresyon Modeli varsayımları çerçevesinde, hata terimlerinin ( $u_i$ ) varyansının tüm gözlemler için değişmez ve aynı ( $Var(u_i) = \sigma^2$ ) olduğu varsayımı aşağıdakilerden hangisi ile ifade edilir?

Eş varyanslılık (Homoskedastisite)

Değişen varyanslılık (Heteroskedastisite)

Otokorelasyon (Ardışık bağımlılık)

Çoklu doğrusal bağlantı (Multicollinearity)

Normallik (Normal dağılım)

Show answer & explanation

Answer: Eş varyanslılık (Homoskedastisite)

Answer

Eş varyanslılık (Homoskedastisite)

Basit doğrusal regresyon analizinde klasik varsayımlardan biri, hata terimlerinin her bir gözlem için aynı ve sabit bir varyansa sahip olmasıdır. Bu duruma literatürde 'eş varyanslılık' veya teknik terimle 'homoskedastisite' denir.

Step-by-Step Solution

Gauss-Markov varsayımları içindeki hata terimi özelliklerini analiz etme

Hata terimlerinin beklenen değeri sıfır, varyansı sabit ve birbirleriyle ilişkisiz olmalıdır.

En Küçük Kareler (EKK) tahmincilerinin etkin ve sapmasız (BLUE) olabilmesi için bu koşullar gereklidir.

Sabit varyans kavramının teknik ismini belirleme

Varyansın tüm gözlemler için

\sigma^2

değerinde sabit kalması 'eş varyanslılık' (homoskedastisite) olarak tanımlanır.

Yunanca 'homo' (aynı) ve 'skedasis' (yayılma/varyans) kelimelerinden türetilmiştir.

Key Concept

Homoskedastisite Varsayımı

Practice More

Değişen varyans durumunda EKK tahmin edicilerinin 'BLUE' özelliğini neden kaybettiğini ve varyansın hangi testlerle kontrol edildiğini inceleyebilirsiniz.

Estimated Time:45s

Question 15Question →

Klasik Doğrusal Regresyon Modeli varsayımları altında, hata terimlerinin ( $u_i$ ) beklenen değerinin sıfır olması ( $E(u_i) = 0$ ) varsayımı aşağıdakilerden hangisini ifade etmektedir?

Modeldeki hataların sistematik bir eğilim göstermediğini ve birbirini dengelediğini

Hata terimlerinin varyansının tüm gözlemler için sabit ve aynı kaldığını

Hata terimlerinin çan eğrisi şeklinde bir olasılık dağılımına sahip olduğunu

Hata terimleri arasında zaman veya mekan içinde ardışık bir ilişki bulunmadığını

Bağımsız değişkenler arasında mükemmel bir doğrusal ilişki bulunmadığını

Show answer & explanation

Answer: Modeldeki hataların sistematik bir eğilim göstermediğini ve birbirini dengelediğini

Answer

Hata terimlerinin beklenen değerinin sıfır olması, hataların sistematik bir eğilim göstermediği ve birbirini dengelediği anlamına gelir.

Klasik Doğrusal Regresyon Modeli'nde

E(u_i) = 0

varsayımı, modelin spesifikasyonunun doğru olduğunu ve hata teriminin ortalamada bağımlı değişken üzerinde herhangi bir etkisi olmadığını belirtir. Bu durum, sistematik hataların bulunmadığı ve tesadüfi hataların birbirini dengelediği şeklinde yorumlanır.

Step-by-Step Solution

Hata terimi (

u_i

) kavramını analiz etme

Hata terimi, model tarafından açıklanamayan faktörleri temsil eder.

Varsayımların neyi kısıtladığını anlamak için temel bileşeni tanımlamak gerekir.

Beklenen değer (

E[u_i]

) kavramını uygulama

E(u_i) = 0

olması, pozitif ve negatif hataların uzun dönemde birbirini yok ettiğini gösterir.

Ortalamanın sıfır olması, modelin sistematik olarak yukarı veya aşağı yönlü bir sapma yapmadığının garantisidir.

Sonucu diğer varsayımlardan ayırt etme

Bu durumun varyans (yayılım) veya korelasyon (ilişki) ile değil, konum (merkez) ile ilgili olduğu sonucuna varılır.

Kavram karmaşasını önlemek için ortalama, varyans ve kovaryans arasındaki farkı netleştirmek gerekir.

Key Concept

Hata Terimlerinin Sıfır Ortalama Varsayımı

Practice More

Hata terimlerinin beklenen değerinin sıfır olmaması durumunda sabit terimin (sabit katsayının) nasıl etkilendiğini inceleyebilirsiniz.

Estimated Time:45s

Question 16Question →

Basit doğrusal regresyon analizinde, modelin 'doğrusal' (lineer) bir model olarak kabul edilebilmesi için aşağıdakilerden hangisinin gerçekleşmesi zorunludur?

Modelin parametreler (beta katsayıları) bakımından doğrusal olması

Bağımsız değişkenin (X) her zaman birinci dereceden bir terim olması

Hata terimlerinin varyansının gözlemden gözleme doğrusal artması

Bağımlı değişken (Y) ile hata terimi (u) arasında tam bir doğrusal ilişki bulunması

Örneklem hacminin değişken sayısına göre doğrusal bir oranda artması

Show answer & explanation

Answer: Modelin parametreler (beta katsayıları) bakımından doğrusal olması

Answer

Modelin parametreler (beta katsayıları) bakımından doğrusal olması gerekir.

Klasik Doğrusal Regresyon Modeli'nde (KDRM) 'doğrusallık' kavramı her zaman parametrelerin (

\beta

) doğrusal olmasını ifade eder.

Y = \beta_0 + \beta_1 X^2 + u

gibi bir modelde bağımsız değişken doğrusal olmasa da, katsayılar doğrusal olduğu için bu hala bir doğrusal regresyon modelidir.

Step-by-Step Solution

Regresyon modelinin genel formunu inceleyin.

Y = \beta_0 + \beta_1 X + u

modelinde

\beta_0

\beta_1

parametrelerdir.

Doğrusallık varsayımının neyi kapsadığını belirlemek için model bileşenlerini ayırmak gerekir.

Matematiksel doğrusallık kriterini uygulayın.

Parametrelerin (

\beta

) üssünün 1 olması ve başka bir parametre ile çarpım veya bölüm durumunda olmaması gerekir.

EKK (En Küçük Kareler) yönteminin katsayıları tahmin edebilmesi için modelin parametrelere göre doğrusal olması temel şarttır.

Değişkenlerin durumunu değerlendirin.

X

değişkeni

X^2

veya

\ln(X)

olsa bile model parametreler açısından hala doğrusaldır.

Değişkenlerdeki doğrusal olmama durumu, uygun dönüşümlerle modelin 'doğrusal regresyon' kimliğini değiştirmez.

Key Concept

Parametrelerde Doğrusallık Varsayımı

Hints

Regresyon modelinde 'doğrusal' kelimesinin

X

Y

değişkenlerinden çok

\beta

katsayılarıyla ilgili olduğunu hatırlayın.

Eğer bir modelde

\beta_1^2

veya

e^{\beta_1}

gibi ifadeler varsa o model doğrusal değildir, ancak

X^2

olması modeli doğrusal olmaktan çıkarmaz.

Practice More

Değişkenlerin doğrusal olmadığı ancak parametrelerin doğrusal olduğu 'yarı logaritmik' modelleri inceleyebilirsiniz.

Estimated Time:45s

Question 17Question →

Klasik Doğrusal Regresyon Modeli'nde, farklı gözlemlere ait hata terimleri arasında bir ilişkinin olmadığını, yani $i \neq j$ için $Cov(u_i, u_j) = 0$ olduğunu ifade eden varsayım aşağıdakilerden hangisidir?

Hata terimlerinin sabit varyanslı olması (Homoskedastisite)

Hata terimleri arasında otokorelasyonun (ardışık bağımlılık) bulunmaması

Hata terimlerinin normal dağılım göstermesi

Bağımsız değişkenler arasında tam çoklu doğrusal bağlantı bulunmaması

Hata terimlerinin beklenen değerinin sıfır olması

Show answer & explanation

Answer: Hata terimleri arasında otokorelasyonun (ardışık bağımlılık) bulunmaması

Answer

Hata terimleri arasında otokorelasyonun (ardışık bağımlılık) bulunmaması varsayımı, farklı gözlemlere ait hataların birbirinden bağımsız olduğunu ifade eder.

Kovaryansın sıfır olması (

Cov(u_i, u_j) = 0

i

. gözlemdeki hata miktarının

j

. gözlemdeki hata miktarı hakkında hiçbir bilgi vermediği anlamına gelir. Bu durum, regresyon analizinde 'otokorelasyon olmaması' veya 'hataların ardışık bağımsızlığı' varsayımı olarak tanımlanır.

Step-by-Step Solution

Matematiksel ifadeyi analiz etme

Cov(u_i, u_j) = 0

(

i \neq j

)

İfadedeki kovaryansın sıfır olması, iki değişken (burada farklı zaman veya birimlerdeki hatalar) arasında sistematik bir ilişki olmadığını gösterir.

İstatistiksel terimle eşleştirme

Otokorelasyon Yokluğu (Non-autocorrelation)

Regresyonda hataların birbirini etkilememesi varsayımı 'otokorelasyon olmaması' veya 'bağımsızlık' olarak adlandırılır.

Key Concept

Hataların Bağımsızlığı (Otokorelasyon Yokluğu)

Hints

Kovaryansın sıfır olması, iki değişkenin doğrusal olarak ilişkisiz olduğu anlamına gelir.

Hataların birbirini etkilemesi durumuna 'otokorelasyon' denir; varsayım bunun tersini söyler.

Practice More

Durbin-Watson testinin hangi varsayımın ihlalini (otokorelasyon) ölçmek için kullanıldığını inceleyebilirsiniz.

Estimated Time:45s

Question 18Question →

Bir istatistik uzmanı, kurduğu basit doğrusal regresyon modeli üzerinden yapacağı $t$ ve $F$ testlerinin güvenilir sonuçlar vermesi için hata terimlerinin belirli bir dağılıma uyması gerektiğini bilmektedir. Ayrıca, elde edilen En Küçük Kareler (EKK) tahmin edicilerinin Gauss-Markov teoremi gereğince en küçük varyansa (etkinliğe) sahip olabilmesi için hata terimlerinde değişen varyans (heteroskedastisite) ve ardışık bağımlılık (otokorelasyon) bulunmadığını kanıtlamak istemektedir.

Buna göre uzmanın, modeldeki hata terimlerine ilişkin sırasıyla;
I. Normallik varsayımının sağlanıp sağlanmadığını,
II. Değişen varyans sorunu bulunup bulunmadığını,
III. Otokorelasyon problemi olup olmadığını

sınamak amacıyla kullanması gereken testler aşağıdakilerin hangisinde doğru sırayla verilmiştir?

Jarque-Bera

-

White

-

Durbin-Watson

-

Breusch-Pagan

-

Jarque-Bera

-

Ramsey RESET

-

Durbin-Watson

Shapiro-Wilk

-

Durbin-Watson

-

Variance Inflation Factor (VIF)

White

-

Jarque-Bera

-

Breusch-Godfrey

Show answer & explanation

Answer: Jarque-Bera $-$ White $-$ Durbin-Watson

Answer

Doğru sıralama sırasıyla normallik için Jarque-Bera, değişen varyans için White ve otokorelasyon için Durbin-Watson testleridir.

Kurulan basit doğrusal regresyon modelinde, hipotez testlerinin (t ve F) geçerli olması için gereken normallik varsayımı Jarque-Bera testi ile kontrol edilir. Gauss-Markov teoremine göre tahmin edicilerin etkin (en küçük varyanslı) olması için gereken sabit varyans varsayımı White testi ile; hata terimlerinin ardışık bağımlı olmaması (otokorelasyon bulunmaması) varsayımı ise Durbin-Watson testi ile sınanır. Doğru eşleştirme bu sıralamayı yansıtmaktadır.

Step-by-Step Solution

Normallik varsayımını test edecek yöntemi belirlemek.

Hipotez testlerinin (t ve F) geçerliliği için hata terimlerinin normal dağılması gerekir. Bu durum Jarque-Bera veya Shapiro-Wilk testleri ile sınanır.

Regresyonda küçük örneklemlerde parametrelerin anlamlılığını ölçmek için normallik kritik bir varsayımdır.

Değişen varyans (heteroskedastisite) sorununu test edecek yöntemi belirlemek.

Hata terimlerinin sabit varyanslı olup olmadığını sınamak için White, Breusch-Pagan, Park veya Glejser testleri kullanılır.

EKK tahmin edicilerinin en küçük varyanslı (etkin) olabilmesi için sabit varyans varsayımı ihlal edilmemelidir.

Otokorelasyon (ardışık bağımlılık) problemini test edecek yöntemi belirlemek.

Hata terimleri arasında ilişki olup olmadığını tespit etmek için Durbin-Watson veya Breusch-Godfrey testleri kullanılır.

Etkinlik özelliğinin sağlanması için otokorelasyon olmaması Gauss-Markov varsayımlarından biridir.

Key Concept

Basit Doğrusal Regresyon Modelinin Varsayımları ve İlgili Teşhis Testleri

Estimated Time:1m 0s

Question 19Question →

Yatay kesit verilerinin kullanıldığı basit doğrusal bir regresyon analizinde ( $Y_i = \beta_0 + \beta_1 X_i + u_i$ ), ana modelin En Küçük Kareler (EKK) yöntemiyle tahmin edilmesinin ardından tanısal bir test uygulanmıştır. Bu test aşamasında; elde edilen kalıntıların karesi ( $\hat{u}_i^2$ ), bağımsız değişken ( $X_i$ ) ve bağımsız değişkenin karesi ( $X_i^2$ ) üzerine yardımcı bir regresyona tabi tutulmuştur. Bu yardımcı regresyondan hesaplanan $n \cdot R^2$ test istatistiğinin, belirlenen anlamlılık düzeyindeki kritik $\chi^2$ (ki-kare) tablo değerinden büyük olduğu tespit edilmiştir.

Ana modelin katsayı tahmin edicileri ve EKK varsayımları dikkate alındığında, ortaya çıkan bu durumun teorik sonuçlarıyla ilgili aşağıdakilerden hangisi kesinlikle doğrudur?

Hata terimlerinin varyansının sabitliği varsayımı ihlal edildiği için katsayı tahmin edicileri sapmalı ve tutarsız hale gelmiş, ancak Gauss-Markov teoremi gereği etkinlik özelliklerini muhafaza etmiştir.

Yardımcı regresyon sonucunda elde edilen bu değer, modelde ardışık bağımlılık (otokorelasyon) probleminin varlığını kanıtladığından hata terimlerinin varyansı hesaplanamaz ve parametreler sınanamaz.

Katsayı tahmin edicileri sapmasızlık ve doğrusallık özelliklerini korur ancak minimum varyanslı (etkin) olma özelliğini yitirir; standart hata hesaplamaları sapmalı hale geldiğinden hipotez testleri yanıltıcı sonuçlar üretir.

Bu ihlal durumu, modeldeki Durbin-Watson

d

istatistiğinin zorunlu olarak

0

'a yaklaşmasına neden olacağından, pozitif otokorelasyonun varlığı kesinleşmiş ve güven aralıkları yapay olarak daralmıştır.

Yardımcı regresyonun istatistiksel olarak anlamlı çıkması, kalıntıların normal dağıldığını göstererek katsayı tahmin edicilerinin en iyi doğrusal sapmasız (BLUE) olma özelliğini pekiştirir.

Show answer & explanation

Answer: Katsayı tahmin edicileri sapmasızlık ve doğrusallık özelliklerini korur ancak minimum varyanslı (etkin) olma özelliğini yitirir; standart hata hesaplamaları sapmalı hale geldiğinden hipotez testleri yanıltıcı sonuçlar üretir.

Answer

Doğru yanıt, EKK tahmin edicilerinin sapmasızlığını koruduğunu ancak etkinliğini kaybettiğini ve standart hataların sapmalı hale gelmesiyle hipotez testlerinin yanıltıcı olacağını belirten seçenektir.

Soruda tarif edilen işlem, değişen varyans (heteroskedastisite) problemini tespit etmek için kullanılan White testinin uygulama adımlarıdır. Test istatistiğinin kritik değeri aşması, modelde değişen varyans sorunu olduğunu gösterir. Teorik olarak değişen varyans durumunda EKK tahmin edicileri sapmasızlık (unbiasedness) ve doğrusallık özelliklerini muhafaza eder; yani tahmin edicilerin beklenen değeri hala gerçek parametreye eşittir. Ancak bu tahmin ediciler en küçük varyanslı (etkin) olma özelliklerini yitirirler (Gauss-Markov teoreminin 'En İyi' kısmı bozulur). Dahası, klasik EKK varyans formülleri bu durumda hatalı (sapmalı) sonuçlar üreteceğinden, katsayılar için hesaplanan t istatistikleri ve model geneli için hesaplanan F istatistikleri yanlış t ve F dağılımları sergiler, dolayısıyla hipotez testleri ve güven aralıkları geçersiz (yanıltıcı) hale gelir.

Step-by-Step Solution

Soruda tarif edilen yardımcı regresyon modelinin hangi tanısal teste ait olduğunu belirle.

Kalıntı karelerinin (

\hat{u}_i^2

) bağımsız değişken ve karesi (

X_i, X_i^2

) üzerine regresyonu ve

n \cdot R^2

istatistiğinin kullanılması 'White Testi'nin mekanizmasıdır.

Test mekanizmasını tanımak, hangi EKK varsayımının ihlal edildiğini bulmanın ilk adımıdır.

Test istatistiğinin kritik değeri aşmasının (

n \cdot R^2 > \chi^2

) ne anlama geldiğini yorumla.

Boş hipotez (sabit varyans) reddedilir. Modelde değişen varyans (heteroskedastisite) problemi olduğu kesinleşir.

Test sonucunu doğru yorumlamak ihlalin yönünü belirler.

Değişen varyans probleminin EKK tahmin edicileri üzerindeki teorik sonuçlarını analiz et.

EKK tahmin edicileri doğrusallık ve sapmasızlık özelliklerini korur. Ancak varyansları artık minimum değildir (etkinlik bozulur, BLUE özelliği kaybolur). EKK standart hata formülleri gerçek varyansı eksik veya fazla tahmin edeceğinden (sapmalı olduğundan) t ve F testleri geçersizleşir.

Gauss-Markov teoreminin ihlal durumundaki spesifik sonuçlarını bilmek doğru seçeneği işaretlemeyi sağlar.

Key Concept

Değişen Varyans (Heteroskedastisite) Tespiti ve EKK Üzerindeki Etkileri

Alternative Method

Değişen varyans durumunda hipotez testlerinin geçerliliğini yeniden sağlamak için Huber-White Dirençli Standart Hataları (Robust Standard Errors) kullanılabilir veya model Ağırlıklı En Küçük Kareler (WLS) yöntemiyle yeniden tahmin edilebilir.

Estimated Time:2m 0s

Question 20Question →

Bir araştırmacı, $Y_i = \beta_0 + \beta_1 X_i + u_i$ spesifikasyonuna sahip bir modeli tahmin etmiş ve hata terimlerinin beklenen değerinin sıfır ( $E(u_i)=0$ ) olduğunu varsaymıştır. Ayrıca, modelin hata terimlerinin tam olarak normal dağılıma sahip olduğu kanıtlanmıştır. Ancak verilere uygulanan teşhis testleri sonucunda, hata varyansının gözlem değerlerine bağlı olarak sistematik şekilde değiştiği ve birbirini izleyen hata terimleri arasında pozitif yönlü bir ilişkinin (otokorelasyon) var olduğu tespit edilmiştir.

Gauss-Markov teoremi ve klasik varsayımlar bağlamında, bu modeldeki En Küçük Kareler (EKK) tahmin edicilerinin özellikleri ile ilgili aşağıdaki ifadelerden hangisi doğrudur?

Modelde otokorelasyon ve değişen varyans bulunsa dahi, hata terimlerinin normal dağılım varsayımı korunduğu için EKK tahmin edicileri minimum varyanslı (etkin) olma özelliklerini sürdürürler.

Pozitif yönlü otokorelasyon nedeniyle Durbin-Watson

d

istatistiğinin değeri 4'e yaklaşır ve bu durum EKK tahmin edicilerinin tutarlılığını tamamen ortadan kaldırır.

Tahmin ediciler doğrusal ve sapmasız olma özelliklerini korur; ancak en küçük varyansa sahip olma (etkinlik) özelliğini kaybettikleri için standart formüllerle hesaplanan hata varyansları ve

t

testi sonuçları geçersizdir.

Hem değişen varyans hem de otokorelasyon problemi bir arada bulunduğundan, Gauss-Markov teoremine göre EKK tahmin edicileri sapmasızlık özelliğini yitirerek sistematik olarak hatalı sonuçlar üretir.

Değişen varyans problemi Durbin-Watson istatistiği ile doğrudan tespit edilebilir ve bu sorunun varlığı normal dağılım varsayımını geçersiz kılarak

F

testini kullanılamaz hale getirir.

Show answer & explanation

Answer: Tahmin ediciler doğrusal ve sapmasız olma özelliklerini korur; ancak en küçük varyansa sahip olma (etkinlik) özelliğini kaybettikleri için standart formüllerle hesaplanan hata varyansları ve $t$ testi sonuçları geçersizdir.

Answer

Tahmin edicilerin doğrusal ve sapmasız olma özelliklerini koruyacağı, ancak etkinliklerini kaybederek t ve F gibi standart hipotez testlerini geçersiz kılacağını belirten seçenektir.

En Küçük Kareler (EKK) tahmin edicilerinin sapmasızlığı temel olarak hata terimlerinin beklenen değerinin sıfır olmasına ve bağımsız değişkenin dışsal olmasına bağlıdır. Soru kökünde bu koşulların sağlandığı belirtilmiştir, dolayısıyla katsayılar sapmasızdır. Ancak değişen varyans ve otokorelasyonun varlığı, Gauss-Markov teoremindeki 'en küçük varyanslı olma' (etkinlik) koşulunu bozar. Etkinliğin kaybolması, EKK yöntemiyle hesaplanan standart hataların gerçek standart hataları yansıtmamasına ve dolayısıyla t ve F gibi hipotez testlerinin yanlış sonuçlar vermesine (geçersiz olmasına) yol açar.

Step-by-Step Solution

Modelde verilen varsayım ihlallerini (değişen varyans ve otokorelasyon) belirle.

Bu iki sorun, küresel bozucu terim varsayımlarının (sabit varyans ve sıfır kovaryans) ihlal edildiğini gösterir.

İhlallerin EKK tahmin edicilerinin matematiksel özelliklerine etkisini saptamak için bu ayrım kritiktir.

Bu ihlallerin sapmasızlık ve etkinlik üzerindeki teorik etkilerini değerlendir.

EKK katsayılarının sapmasız olması için E(u)=0 olması yeterlidir; dolayısıyla tahmin ediciler hala sapmasızdır. Ancak etkinlik (minimum varyans) özelliği kaybolmuştur.

Gauss-Markov teoreminde sapmasızlık ve etkinlik kavramları farklı varsayımlara dayanır.

Normal dağılımın korunmasının etkinliği geri getirip getirmeyeceğini kontrol et.

Normal dağılım, varyans yapısındaki bozulmayı düzeltmez, dolayısıyla tahmin ediciler etkin olamaz ve standart hatalar geçersiz kaldığı için t testlerine güvenilemez.

Normal dağılım sadece varyansın homojen olduğu durumda küçük örneklem testlerinin doğruluğunu garanti eder.

Key Concept

EKK Varsayımlarının İhlalinin Özelliklere Etkisi

Estimated Time:3m 0s

Page 1 / 2Next

Basit Doğrusal Regresyon Modelinin Varsayımları

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Practice More

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Practice More

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Practice More

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Hints

Practice More

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Practice More

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Practice More

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Hints

Practice More

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Hints

Practice More