Regresyon Varsayımları ve İhlalleri

93 questions

Question 21Question

Klasik Doğrusal Regresyon Modeli (KDRMKDRM) varsayımları altında, hata terimleri arasında ardışık bağımlılık (otokorelasyon) bulunması durumu, En Küçük Kareler (EKKEKK) tahmin edicilerinin istatistiksel özellikleri üzerinde nasıl bir etki yaratır?

Show answer & explanation

Answer: Tahmin ediciler sapmasızlık (unbiasednessunbiasedness) özelliğini korur ancak artık en küçük varyansa sahip olma (etkinliketkinlik) özelliğini kaybederler.

Answer

Tahmin edicilerin sapmasızlık özelliğinin korunması ancak etkinlik (minimum varyans) özelliğinin kaybedilmesi
En Küçük Kareler (EKKEKK) tahmin edicilerinin sapmasız (unbiasedunbiased) olması için hata terimlerinin birbirleriyle ilişkisiz olması (otokorelasyon yokluğu) gerekmez. Ancak, Gauss-Markov teoremi uyarınca tahmin edicilerin 'En İyi' (minimum varyanslı) olabilmesi için otokorelasyonun bulunmaması zorunludur. Dolayısıyla bu ihlal durumunda tahmin ediciler sapmasız kalır fakat etkinliklerini kaybederler.

Step-by-Step Solution

1
Otokorelasyonun hangi varsayımı ihlal ettiğini belirleyin.
Hata terimlerinin birbirlerinden bağımsız olması (Cov(ϵi,ϵj)=0Cov(\epsilon_i, \epsilon_j) = 0) varsayımı ihlal edilmiştir.
Otokorelasyon, farklı gözlemlere ait hata terimleri arasındaki sistematik ilişkiyi ifade eder.
2
EKK tahmin edicilerinin sapmasızlığı (unbiasednessunbiasedness) için gereken şartları kontrol edin.
Sapmasızlık için modelin doğrusal olması, hata terimlerinin beklenen değerinin sıfır olması ve bağımsız değişkenlerle ilişkisiz olması yeterlidir.
Otokorelasyon veya değişen varyans gibi hataların dağılım özellikleri sapmasızlığı bozmaz.
3
Gauss-Markov teoremini uygulayarak etkinlik (efficiencyefficiency) durumunu analiz edin.
Tahmin ediciler artık BLUEBLUE (En İyi Doğrusal Sapmasız Tahmin Edici) değildir.
Minimum varyansa sahip tahmin edicilere ulaşmak için hataların hem sabit varyanslı hem de otokorelasyonsuz olması gerekir.

Key Concept

EKK Tahmin Edicilerinin Özellikleri ve Varsayım İhlalleri
Question 22Question

Bir araştırmacı, zaman serisi verilerini kullanarak Yt=β0+β1X1t+β2Yt1+utY_t = \beta_0 + \beta_1 X_{1t} + \beta_2 Y_{t-1} + u_t şeklinde tanımlanan bir dinamik regresyon modeli tahmin etmiştir. Bu modelde hata terimleri arasındaki ardışık bağımlılığı (otokorelasyon) test etmek amacıyla Durbin-Watson dd istatistiğinin kullanılmasına ilişkin aşağıdaki ifadelerden hangisi doğrudur?

Show answer & explanation

Answer: Modelde gecikmeli bağımlı değişken (Yt1Y_{t-1}) bulunduğu için dd istatistiği 2'ye doğru sapma gösterir ve otokorelasyonun varlığını tespit etmede yetersiz kalır.

Answer

Modelde gecikmeli bağımlı değişken bulunduğu için Durbin-Watson istatistiği 2'ye doğru sapar ve otokorelasyonu tespit edememe eğilimi gösterir.
Durbin-Watson dd testinin en önemli kullanım kısıtlamalarından biri, modelde bağımsız değişken olarak bağımlı değişkenin gecikmeli değerlerinin (Yt1,Yt2,...Y_{t-1}, Y_{t-2}, ...) yer almaması gerektiğidir. Dinamik modellerde bu test istatistiği 2'ye doğru sapma (bias) gösterir; bu da araştırmacının modelde otokorelasyon varken 'otokorelasyon yoktur' şeklinde yanlış bir sonuca ulaşmasına (Tip II hata) neden olur.

Step-by-Step Solution

1
Model yapısının incelenmesi
Modelde Yt1Y_{t-1} (gecikmeli bağımlı değişken) bağımsız değişken olarak yer almaktadır.
Durbin-Watson testinin temel varsayımlarından biri modelde gecikmeli bağımlı değişken bulunmamasıdır.
2
Durbin-Watson testinin kısıtlarının değerlendirilmesi
Dinamik modellerde dd istatistiği, otokorelasyon olsa bile 2 değerine (ardışık bağımlılık yoktur bölgesine) doğru çekilir.
Gecikmeli bağımlı değişken ile hata terimi arasındaki ilişki, test istatistiğinin yanlı olmasına neden olur.
3
Uygun test yönteminin belirlenmesi
Bu tür modellerde Durbin'in hh testi veya daha genel bir test olan Breusch-Godfrey (LM) testi kullanılmalıdır.
Breusch-Godfrey testi hem gecikmeli bağımlı değişkenlerin varlığında geçerlidir hem de yüksek dereceli otokorelasyonu test edebilir.

Key Concept

Durbin-Watson Testinin Kısıtları ve Dinamik Modeller

Alternative Method

Bu modelde otokorelasyonu doğru test etmek için Breusch-Godfrey LM testi kullanılabilir. Bu yöntemde önce model tahmin edilir, ardından artıklar (ete_t) üzerine et1e_{t-1} ve modelin tüm bağımsız değişkenleri (gecikmeli bağımlı değişken dahil) eklenerek yardımcı bir regresyon kurulur.
Estimated Time:1m 30s
Question 23Question

Zaman serisi verileri kullanılarak tahmin edilen bir doğrusal regresyon modelinde, hata terimleri arasında ardışık bağımlılık (otokorelasyon) olduğu tespit edilmiştir. Bu durumda, En Küçük Kareler (EKK) tahmin edicilerinin özellikleri ile ilgili aşağıdakilerden hangisi doğrudur?

Show answer & explanation

Answer: Tahmin ediciler sapmasızlık özelliğini korurlar ancak artık minimum varyanslı (etkin) değildirler.

Answer

En Küçük Kareler (EKK) tahmin edicileri sapmasızlık özelliğini korurlar ancak artık minimum varyanslı (etkin) değildirler.
Doğrusal regresyon modelinde otokorelasyon varlığı, Gauss-Markov teoreminin 'hata terimleri arasında ardışık bağımlılık yoktur' varsayımını bozar. Bu durumda En Küçük Kareler (EKK) tahmin edicileri hala doğrusal ve sapmasızdır (E[β^]=βE[\hat{\beta}] = \beta), ancak artık doğrusal sapmasız tahmin ediciler sınıfı içinde en küçük varyansa sahip değildirler. Bu nedenle 'BLUE' (En İyi Doğrusal Sapmasız Tahmin Edici) olma özelliğini kaybederler ve 'etkin değil' olarak sınıflandırılırlar.

Step-by-Step Solution

1
Otokorelasyonun tanımını ve EKK varsayımları üzerindeki etkisini inceleyin.
Otokorelasyon, hata terimleri arasında Cov(ut,us)0Cov(u_t, u_s) \neq 0 olması durumudur. Bu durum Gauss-Markov varsayımlarından birinin ihlalidir.
Gauss-Markov teoremi, tahmin edicilerin BLUE olması için hata terimleri arasında ardışık bağımlılık olmamasını gerektirir.
2
Tahmin edicilerin sapmasızlık (E[β^]=βE[\hat{\beta}] = \beta) durumunu kontrol edin.
EKK tahmin edicisi β^=β+(XX)1Xu\hat{\beta} = \beta + (X'X)^{-1}X'u formülüyle hesaplanır. E[u]=0E[u]=0 olduğu sürece otokorelasyon bu beklenen değeri değiştirmez.
Sapmasızlık, hata terimlerinin kendi aralarındaki korelasyondan ziyade, hata terimi ile bağımsız değişkenler arasındaki ilişkisizliğe dayanır.
3
Tahmin edicilerin varyansını ve etkinliğini değerlendirin.
Otokorelasyon varlığında OLS varyansı artık minimum değildir. Genelleştirilmiş En Küçük Kareler (GLS) yöntemi daha küçük varyanslı sonuçlar verir.
Etkinlik (efficiency) özelliği, varsayım ihlali nedeniyle kaybolur ve EKK artık en iyi tahmin edici değildir.

Key Concept

Gauss-Markov Teoremi ve Otokorelasyon Etkileri
Estimated Time:1m 15s
Question 24Question

Klasik Doğrusal Regresyon Modeli (KDRMKDRM) varsayımları altında, Gauss-Markov teoremi uyarınca En Küçük Kareler (EKKEKK) tahmin edicilerinin "En İyi Doğrusal Sapmasız Tahmin Edici" (BLUEBLUE) özelliğine sahip olması için aşağıdaki varsayımlardan hangisinin sağlanması zorunlu değildir?

Show answer & explanation

Answer: Hata terimlerinin normal dağılım göstermesi

Answer

Hata terimlerinin normal dağılım göstermesi varsayımı, EKK tahmin edicilerinin BLUE özelliğine sahip olması için zorunlu değildir.
Hata terimlerinin normal dağılması varsayımı, EKK tahmin edicilerinin BLUE (En İyi Doğrusal Sapmasız Tahmin Edici) olması için bir ön şart değildir. Gauss-Markov teoremi; hata terimlerinin sıfır ortalamaya, sabit varyansa sahip olması ve aralarında otokorelasyon bulunmaması durumunda EKK tahmin edicilerinin doğrusal sapmasız tahmin ediciler sınıfında en küçük varyansa sahip olduğunu gösterir. Normal dağılım varsayımı ise BLUE özelliğini etkilemez; yalnızca parametre tahminleri üzerinde hipotez testleri (tt testi) ve modelin genel anlamlılık testleri (FF testi) yapılabilmesi için gereklidir.

Step-by-Step Solution

1
BLUE kavramının bileşenlerini tanımlamak
BLUE; En İyi (Best - Minimum Varyans), Doğrusal (Linear) ve Sapmasız (Unbiased) özelliklerini temsil eder.
Soruda hangi varsayımın bu üç özellikten biri için gerekli olmadığı sorulmaktadır.
2
Gauss-Markov teoreminin temel varsayımlarını gözden geçirmek
Teorem; parametrelerde doğrusallık, sıfır hata ortalaması, sabit varyans ve otokorelasyon yokluğu varsayımları altında EKK'nın BLUE olduğunu kanıtlar.
Gauss-Markov teoremi, hata terimlerinin olasılık dağılımından bağımsız olarak çalışır.
3
Normal dağılım varsayımının amacını belirlemek
Normal dağılım varsayımı, küçük örneklemlerde katsayılar üzerinde tt ve FF testleri gibi çıkarımsal işlemler yapabilmek için gereklidir.
Normal dağılım sağlanmasa bile EKK tahmin edicileri hala sapmasız ve kendi sınıfındaki en küçük varyanslı tahmin edicilerdir.

Key Concept

Gauss-Markov Teoremi ve Normal Dağılım İlişkisi

Practice More

Değişen varyans (heteroskedastisite) durumunda EKK tahmin edicilerinin sapmasızlık özelliğini neden koruduğunu ancak neden artık BLUE olmadığını inceleyebilirsiniz.
Estimated Time:1m 30s
Question 25Question

Çoklu regresyon analizinde bağımsız değişkenler arasında yüksek dereceli ancak tam olmayan bir doğrusal ilişkinin (çoklu doğrusal bağlantı) bulunması durumunda, En Küçük Kareler (EKK) tahmin edicilerinin istatistiksel özellikleri ile ilgili aşağıdakilerden hangisi doğrudur?

Show answer & explanation

Answer: Tahmin ediciler sapmasızlık özelliğini korurlar ancak varyanslarının büyümesi sonucunda katsayı tahminlerinin kesinliği azalır.

Answer

Tahmin edicilerin sapmasız kaldığı ancak varyanslarının büyüdüğü ifadesi doğrudur.
Çoklu doğrusal bağlantı problemi olan bir modelde, EKK tahmin edicileri hala sapmasızdır çünkü sapmasızlık varsayımı bağımsız değişkenlerin kendi aralarındaki ilişkiyle değil, hata terimiyle olan ilişkisiyle ilgilidir. Ancak değişkenler arasındaki yüksek korelasyon, (XX)1(X'X)^{-1} matrisinin köşegen elemanlarının büyümesine neden olur; bu da katsayı varyanslarının şişmesi ve tahminlerin kesinliğinin (hassasiyetinin) kaybolması anlamına gelir.

Step-by-Step Solution

1
EKK tahmin edicilerinin sapmasızlık özelliğini analiz et.
Sapmasızlık özelliği, hata teriminin beklenen değerinin sıfır olması ve bağımsız değişkenlerle ilişkisiz olması varsayımına dayanır.
Bağımsız değişkenlerin kendi aralarındaki doğrusal ilişki (tam olmadığı sürece), katsayıların beklenen değerinin gerçek parametre değerine eşit olmasını bozmaz.
2
Varyans ve standart hata üzerindeki etkiyi değerlendir.
Bağımsız değişkenler arasındaki korelasyon arttıkça Varyans Şişme Faktörü (VIFVIF) yükselir.
Varyans formülündeki (1Rj2)(1 - R_j^2) paydasının küçülmesi, katsayı varyanslarının ve dolayısıyla standart hataların yapay olarak aşırı büyümesine yol açar.

Key Concept

Çoklu Doğrusal Bağlantıda Sapmasızlık ve Varyans Etkisi
Estimated Time:1m 30s
Question 26Question

Bir ekonometrik araştırmada tahmin edilen regresyon modelinde hata terimlerinin varyansının Var(ui)=σ2XiVar(u_i) = \sigma^2 X_i şeklinde değiştiği (değişen varyans) tespit edilmiştir.

Gauss-Markov varsayımlarını sağlamak ve etkin (minimum varyanslı) tahmin ediciler elde etmek amacıyla Ağırlıklı En Küçük Kareler (AEKK) yöntemi uygulanmak istendiğinde, orijinal modeldeki tüm terimlerin aşağıdakilerden hangisi ile işleme sokulması gerekir?

Show answer & explanation

Answer: Xi\sqrt{X_i} ile bölünmesi

Answer

Modeldeki tüm terimlerin Xi\sqrt{X_i} ile bölünmesi gerekir.
Değişen varyans durumunda, varyans fonksiyonu Var(ui)=σ2h(Xi)Var(u_i) = \sigma^2 h(X_i) şeklinde ifade edildiğinde, modelin tüm terimleri h(Xi)\sqrt{h(X_i)} ifadesine bölünmelidir. Soruda h(Xi)=Xih(X_i) = X_i olarak verildiğinden, tüm modelin Xi\sqrt{X_i} ile bölünmesi hata terimini eş varyanslı hale getirerek tahmin edicilerin tekrar BLUE (En İyi Doğrusal Sapmasız Tahmin Edici) olmasını sağlar.

Step-by-Step Solution

1
Hata terimlerinin varyans yapısını belirleyin.
Var(ui)=σ2XiVar(u_i) = \sigma^2 X_i
Dönüşümün hangi değişken üzerinden yapılacağını anlamak için varyansın hangi bağımsız değişkenle ilişkili olduğu saptanmalıdır.
2
Standart sapmayı hesaplayın.
Var(ui)=σXi\sqrt{Var(u_i)} = \sigma \sqrt{X_i}
Ağırlıklı En Küçük Kareler yönteminde model, hata teriminin standart sapmasına (veya orantılı olduğu kısma) bölünerek eş varyanslı hale getirilir.
3
Modeli dönüştürün ve yeni varyansı kontrol edin.
Var(uiXi)=1XiVar(ui)=σ2XiXi=σ2Var\left(\frac{u_i}{\sqrt{X_i}}\right) = \frac{1}{X_i} Var(u_i) = \frac{\sigma^2 X_i}{X_i} = \sigma^2
Elde edilen yeni hata teriminin varyansı sabit (σ2\sigma^2) olduğu için Gauss-Markov varsayımı sağlanmış olur.

Key Concept

Ağırlıklı En Küçük Kareler (AEKK) ve Değişken Dönüşümü

Practice More

Değişen varyansın varlığında EKK tahmin edicilerinin sapmasızlık özelliğini koruyup korumadığını ve varyansların neden 'yanıltıcı' olduğunu inceleyiniz.
Estimated Time:1m 30s
Question 27Question

Regresyon modellerinde karşılaşılan değişen varyans (heteroskedastisite) varsayım ihlalinin tespiti ve bu sorunun ekonometrik yöntemlerle giderilmesi süreciyle ilgili olarak aşağıdakilerden hangisi doğrudur?

Show answer & explanation

Answer: Değişen varyans durumunda En Küçük Kareler (EKK) tahmincileri sapmasızlık özelliğini korusa da artık en küçük varyanslı (etkin) değildir; bu sorunu gidermek için hata varyansı yapısına göre belirlenen ağırlıklarla Ağırlıklı En Küçük Kareler (AEKK) yöntemi uygulanabilir.

Answer

Değişen varyans durumunda EKK tahmincileri sapmasızlık özelliğini korusa da etkin değildir ve bu sorunu gidermek için varyans yapısı biliniyorsa Ağırlıklı En Küçük Kareler (AEKK) yöntemi uygulanabilir.
Değişen varyans durumunda En Küçük Kareler (EKK) tahmincileri sapmasız ve tutarlı kalmaya devam eder, ancak artık minimum varyansa sahip olmadıkları için etkin (efficient) değildirler. Bu durum standart hataların yanlış hesaplanmasına ve dolayısıyla hipotez testlerinin (t ve F) geçersiz kalmasına yol açar. Eğer varyansın yapısı biliniyorsa, orijinal model uygun bir değişkenle (genellikle hata standart sapmasıyla) bölünerek Ağırlıklı En Küçük Kareler (AEKK) yöntemiyle eş varyanslı hale getirilebilir.

Step-by-Step Solution

1
Değişen varyansın EKK tahmincileri üzerindeki etkisini değerlendir.
Tahminciler hala sapmasız (unbiased) ve tutarlıdır (consistent) ancak minimum varyanslı (efficient) değillerdir.
Gauss-Markov varsayımlarından eş varyanslılık (Var(ui)=σ2Var(u_i) = \sigma^2) ihlal edildiğinde tahminciler artık BLUE özelliğini kaybeder.
2
Giderme yöntemini (remedy) belirle.
Varyansın yapısı (örneğin bir bağımsız değişkenle ilişkisi) biliniyorsa, model uygun bir ağırlıkla dönüştürülmelidir.
Ağırlıklı En Küçük Kareler (AEKK) yöntemi, her gözlemi kendi standart sapmasına oranlayarak varyansı sabitlemeyi amaçlar.

Key Concept

Değişen Varyansın Etkileri ve AEKK (WLS) Yöntemi

Practice More

Varyansın bağımsız değişkenin karesiyle (Xi2X_i^2) orantılı olduğu durumda yapılacak dönüşümü ve bu işlemin regresyon katsayıları üzerindeki etkisini inceleyebilirsiniz.
Estimated Time:1m 30s
Question 28Question

Regresyon analizinde temel varsayımlardan biri olan hata terimlerinin sabit varyanslılığı (eş varyanslılık) varsayımının ihlal edilmesi durumunda başvurulan değişen varyans (heteroskedastisite) belirleme testleri ve özellikleri ile ilgili aşağıdaki ifadelerden hangisi doğrudur?

Show answer & explanation

Answer: Goldfeld-Quandt testi, gözlemleri varyansa neden olduğu düşünülen değişkene göre sıralayıp orta kısımdaki bir grup gözlemi dışarıda bırakarak, iki uç grubun hata varyanslarını F istatistiği ile karşılaştırır.

Answer

Goldfeld-Quandt testi, gözlemleri sıralayıp orta kısmı dışlayarak iki grubun varyanslarını F testi ile karşılaştıran yöntemi ifade eden seçenek doğrudur.
Doğru olan ifade, Goldfeld-Quandt testinin prosedürünü tam olarak yansıtmaktadır. Bu testte veriler belirli bir değişkene göre dizilir, gruplar arasındaki farkı belirginleştirmek için orta gözlemler atılır ve varyans homojenliği F testi ile kontrol edilir.

Step-by-Step Solution

1
Değişen varyans testlerinin temel mantığını hatırla.
Heteroskedastisite testleri (White, BP, GQ, Glejser) hata terimlerinin varyansının (Var(ui)Var(u_i)) sabit olup olmadığını sınar.
Seçeneklerdeki yanlış test eşleşmelerini ve varsayım ihlallerini elemek için bu temel bilgi gereklidir.
2
Goldfeld-Quandt (GQ) testinin uygulama adımlarını analiz et.
Gözlemler XX değişkenine göre sıralanır, cc kadar orta gözlem atılır, kalan iki grup için ayrı regresyonlar kurulur ve hata kareler toplamları oranlanarak FF testi yapılır.
GQ testinin tanımı ve uygulama prosedürü profesyonel literatürde bu şekilde standartlaştırılmıştır.
3
Diğer seçeneklerdeki kavram yanılgılarını kontrol et.
Durbin-Watson otokorelasyon içindir; White testi kareli terimleri kapsar; EKK tahmincileri heteroskedastisite altında bile sapmasızdır.
KPSS gibi sınavlarda testler arasındaki temel farklar (otokorelasyon vs değişen varyans) ve Gauss-Markov özelliklerinin korunup korunmadığı en kritik çeldiricilerdir.

Key Concept

Heteroskedastisite Tanılama Testleri ve Gauss-Markov Şartları

Hints

1
Hangi testin değişen varyans (heteroskedastisite) tespiti için, hangi testin otokorelasyon için kullanıldığını ayırt ederek başlayın.
2
Goldfeld-Quandt testinin 'sıralama' ve 'iki grup varyansını oranlama' mantığını hatırlayın. F dağılımı varyans oranları için kullanılır.
3
Gauss-Markov teoremi gereği, değişen varyans altında EKK tahmincileri hala sapmasızdır; yani 'sapmalı hale gelir' ifadesi her zaman yanlıştır.

Practice More

Farklı değişen varyans yapıları (örneğin varyansın bağımsız değişkenin karesiyle orantılı olması) durumunda WLS (GKE) dönüşümlerinin nasıl yapıldığını tekrar edin.
Estimated Time:1m 30s
Question 29Question

Zaman serisi verileri kullanılarak tahmin edilen bir regresyon modelinde, bağımsız değişkenler arasında bağımlı değişkenin gecikmeli bir değerinin (Yt1Y_{t-1}) yer alması durumunda, hata terimlerinde birinci dereceden otokorelasyonun varlığını belirlemek için Durbin-Watson (dd) istatistiği yerine kullanılması gereken en uygun test aşağıdakilerden hangisidir?

Show answer & explanation

Answer: Durbin hh istatistiği

Answer

Dinamik modellerde birinci dereceden otokorelasyonun tespiti için Durbin hh istatistiği kullanılmalıdır.
Doğru yanıt olan Durbin hh istatistiği, modelde bağımsız değişken olarak bağımlı değişkenin gecikmeli değerleri yer aldığında Durbin-Watson testinin yanlılık göstermesi nedeniyle geliştirilmiştir. Bu istatistik, hata terimleri arasındaki birinci dereceden ardışık bağımlılığı (otokorelasyon) test etmek için uygun olan standart bir yöntemdir.

Step-by-Step Solution

1
Model yapısını analiz etme
Bağımsız değişkenler arasında bağımlı değişkenin gecikmeli değerinin (Yt1Y_{t-1}) olduğu (dinamik model) tespit edilir.
Durbin-Watson testinin geçerlilik koşullarından biri, modelde gecikmeli bağımlı değişken bulunmamasıdır.
2
Durbin-Watson testinin kısıtını değerlendirme
Dinamik modellerde Durbin-Watson dd istatistiğinin 2'ye doğru sapma gösterdiği (otokorelasyonu tespit edemediği) hatırlanır.
Bu durumda dd istatistiği otokorelasyonu yokmuş gibi göstererek yanıltıcı sonuçlar verir.
3
Uygun test yöntemini seçme
Durbin tarafından bu durum için geliştirilen hh istatistiğine gidilir.
Durbin hh istatistiği, büyük örneklemlerde dinamik modellerin birinci dereceden otokorelasyonunu test etmek için tasarlanmıştır.

Key Concept

Dinamik Regresyon Modellerinde Otokorelasyon Testleri

Practice More

Cochrane-Orcutt ve Prais-Winsten gibi yöntemlerin otokorelasyonu gidermedeki farklarını inceleyebilirsiniz.

Alternative Method

Durbin hh istatistiğinin yanı sıra, dinamik modellerde ve daha yüksek dereceden otokorelasyonların tespiti için Breusch-Godfrey (LM) testi de kullanılabilir.
Estimated Time:1m 15s
Question 30Question

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

DeğişkenKatsayı (β^ \hat{\beta} )Standart Hatat-İstatistiği
Sabit12,504,202,97
X1X_10,850,950,89
X2X_2-0,420,55-0,76
Model ÖzetiR2=0,92R^2 = 0,92F=45,3F = 45,3 (p<0,01p < 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?

Show answer & explanation

Answer: Tahmin ediciler sapmasızlık (unbiasednessunbiasedness) özelliğini korur, ancak varyansları büyüdüğü için tahminlerin hassasiyeti azalır.

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

1
Tablodaki R2R^2 ve tt istatistiklerini karşılaştırın.
R2R^2 (0,92) ve FF istatistiği (45,3) oldukça yüksek ve anlamlıyken, bireysel tt 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.
2
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.
3
Varyans ve standart hatalar üzerindeki etkiyi analiz edin.
Bağımsız değişkenler arası korelasyon arttıkça Varyans Şişme Faktörü (VIFVIF) artar, bu da katsayıların varyansını ve standart hatasını büyütür.
Varyansın büyümesi, tahminlerin gerçek parametre değerinden daha uzak örneklem değerleri alabilmesine (hassasiyet kaybına) ve tt değerlerinin düşmesine yol açar.

Key Concept

Çoklu Doğrusal Bağlantıda Sapmasızlık ve Varyans Şişmesi
Question 31Question

Doğrusal bir regresyon modelinde hata terimleri arasında ardışık bağımlılık (otokorelasyon) probleminin bulunduğu (Cov(ui,uj)0,ijCov(u_i, u_j) \neq 0, i \neq j) tespit edilmiştir. Bu varsayım ihlali altında, En Küçük Kareler (EKK) tahmin edicilerinin özellikleri ile ilgili aşağıdaki ifadelerden hangisi doğrudur?

Show answer & explanation

Answer: Tahmin ediciler sapmasız ve tutarlı kalmaya devam ederler ancak artık en küçük varyanslı (etkin) değillerdir.

Answer

En Küçük Kareler (EKK) tahmin edicileri sapmasız ve tutarlı kalmaya devam ederler ancak artık en küçük varyanslı (etkin) değillerdir.
Doğrusal regresyon modelinde otokorelasyon varlığı, hata terimlerinin birbirinden bağımsız olması varsayımını çiğner. Bu durumda EKK tahmin edicileri hala doğrusal, sapmasız ve tutarlıdır; çünkü bu özellikler hata terimlerinin varyans yapısından ziyade beklenen değerleri ve bağımsız değişkenlerle olan ilişkisizliği ile ilgilidir. Ancak, minimum varyans (etkinlik) özelliği kaybolur, yani EKK tahmin edicileri artık BLUE (En İyi Doğrusal Sapmasız Tahmin Edici) değildir.

Step-by-Step Solution

1
Otokorelasyonun sapmasızlık üzerindeki etkisini incelemek.
Sapmasızlık özelliği korunur.
E[β^]=βE[\hat{\beta}] = \beta olması için hata terimlerinin kendi aralarındaki korelasyonu değil, E[uX]=0E[u|X]=0 olması yeterlidir.
2
Otokorelasyonun etkinlik üzerindeki etkisini incelemek.
Etkinlik özelliği kaybedilir.
Gauss-Markov teoremine göre Var(ui,uj)=0Var(u_i, u_j) = 0 varsayımı ihlal edildiğinde, EKK varyansı artık minimum değildir; Genelleştirilmiş En Küçük Kareler (GEKK) daha küçük varyans sağlar.

Key Concept

Gauss-Markov Teoremi ve Otokorelasyonun Tahmin Edici Özelliklerine Etkisi
Estimated Time:1m 30s
Question 32Question

İki bağımsız değişkenli bir regresyon modelinde bağımsız değişkenlerin birbirleri üzerindeki etkisini ve aralarındaki ilişkiyi inceleyen bir araştırmacı, aşağıdaki Varyans Şişme Faktörü (VIFVIF) değerlerine ulaşmıştır:

DeğişkenVaryans Şişme Faktörü (VIFVIF)
X1X_114,2
X2X_214,2

Elde edilen bu değerler dikkate alındığında, modeldeki çoklu doğrusal bağlantı (multicollinearity) sorunu ve En Küçük Kareler (EKK) tahmin edicilerinin özellikleri hakkında aşağıdakilerden hangisi doğrudur?

Show answer & explanation

Answer: Tahmin ediciler sapmasızlık ve doğrusallık özelliklerini korur, ancak varyansları büyüdüğü için katsayıların hassasiyeti azalmıştır.

Answer

Çoklu doğrusal bağlantı durumunda EKK tahmin edicileri sapmasızlık ve doğrusallık özelliklerini korur; ancak varyansları ve standart hataları büyüdüğü için katsayı tahminlerinin güvenilirliği azalır.
Çoklu doğrusal bağlantı durumunda EKK tahmin edicileri sapmasızlık ve doğrusallık özelliklerini korumaya devam ederler. Ancak bağımsız değişkenler arasındaki yüksek korelasyon, katsayıların varyanslarının şişmesine (VIF değerlerinin yükselmesi) neden olur. Bu durum standart hataları büyüterek t-istatistiklerinin küçülmesine ve dolayısıyla değişkenlerin istatistiksel olarak anlamsız görünmesine yol açar. Bu yüzden tahminlerin hassasiyeti azalmıştır ifadesi doğrudur.

Step-by-Step Solution

1
Varyans Şişme Faktörü (VIFVIF) değerlerini yorumlayın.
VIF>10VIF > 10 olması, modelde ciddi düzeyde çoklu doğrusal bağlantı sorunu olduğunu gösterir.
VIF, bir bağımsız değişkenin varyansının diğer bağımsız değişkenlerle olan ilişkisi nedeniyle ne kadar arttığını ölçer.
2
Çoklu doğrusal bağlantının En Küçük Kareler (EKK) özelliklerine etkisini analiz edin.
Tahmin ediciler sapmasız (unbiased), doğrusal (linear) ve tutarlı (consistent) kalmaya devam eder.
Gauss-Markov varsayımlarından biri olan 'tam çoklu doğrusal bağlantı olmaması' varsayımı tam olarak ihlal edilmediği sürece OLS hâlâ BLUE özelliğini korur.
3
Tahmin sonuçları üzerindeki pratik etkileri belirleyin.
Varyanslar ve standart hatalar şişer, t-istatistikleri küçülür, güven aralıkları genişler.
Değişkenler arasındaki yüksek korelasyon, her bir değişkenin bağımlı değişken üzerindeki 'kısmi' etkisini net bir şekilde ayırmayı zorlaştırır.

Key Concept

Çoklu Doğrusal Bağlantıda EKK Özellikleri

Alternative Method

VIF formülü üzerinden (VIF=1/(1Rj2)VIF = 1 / (1 - R_j^2)) düşünerek, Rj2R_j^2 değerinin 0,93 civarında olduğunu ve bu yüksek içsel korelasyonun katsayı varyansını doğrudan çarpan etkisiyle büyüttüğünü fark edebilirsiniz.
Estimated Time:1m 30s
Question 33Question

Zaman serisi verileri kullanılarak tahmin edilen Yt=β1+β2Xt+utY_t = \beta_1 + \beta_2 X_t + u_t regresyon modelinde, hata terimleri arasında ut=ρut1+εtu_t = \rho u_{t-1} + \varepsilon_t (ρ<1|\rho| < 1) şeklinde birinci dereceden bir otokorelasyon süreci saptanmıştır. Bu modeldeki otokorelasyon sorununu gidermek ve etkin tahminciler elde etmek amacıyla kullanılan 'Genelleştirilmiş Fark Denklemi' (Generalized Difference Equation) aşağıdakilerden hangisidir?

Show answer & explanation

Answer: YtρYt1=β1(1ρ)+β2(XtρXt1)+εtY_t - \rho Y_{t-1} = \beta_1(1-\rho) + \beta_2(X_t - \rho X_{t-1}) + \varepsilon_t

Answer

Genelleştirilmiş Fark Denklemi, YtρYt1=β1(1ρ)+β2(XtρXt1)+εtY_t - \rho Y_{t-1} = \beta_1(1-\rho) + \beta_2(X_t - \rho X_{t-1}) + \varepsilon_t şeklinde ifade edilen ve hata terimini ak ak gürültü (white noise) sürecine dönüştüren denklemdir.
Doğru yanıt olan denklem, otokorelasyonlu hata terimini (utu_t) otokorelasyon içermeyen bir hata terimine (εt\varepsilon_t) dönüştüren matematiksel süreci tam ve doğru olarak yansıtmaktadır. Bu işlemde bağımlı değişken, bağımsız değişken ve sabit terim aynı oranda (ρ\rho ağırlığıyla) işleme tabi tutulur.

Step-by-Step Solution

1
tt zamanındaki ana modeli ve bir önceki (t1t-1) dönemindeki modeli yazın.
Yt=β1+β2Xt+utY_t = \beta_1 + \beta_2 X_t + u_t ve Yt1=β1+β2Xt1+ut1Y_{t-1} = \beta_1 + \beta_2 X_{t-1} + u_{t-1}
Dönüşümün temelini oluşturmak için zaman periyotlarını belirlemek gerekir.
2
t1t-1 dönemindeki modeli otokorelasyon katsayısı ρ\rho ile çarpın.
ρYt1=ρβ1+ρβ2Xt1+ρut1\rho Y_{t-1} = \rho \beta_1 + \rho \beta_2 X_{t-1} + \rho u_{t-1}
Hata terimleri arasındaki ilişkiyi (ut=ρut1+εtu_t = \rho u_{t-1} + \varepsilon_t) kullanarak sadeleştirme yapabilmek için ağırlıklandırma yapılır.
3
Birinci denklemden ikinci denklemi çıkarın.
YtρYt1=(β1ρβ1)+(β2Xtρβ2Xt1)+(utρut1)Y_t - \rho Y_{t-1} = (\beta_1 - \rho \beta_1) + (\beta_2 X_t - \rho \beta_2 X_{t-1}) + (u_t - \rho u_{t-1})
Bu çıkarma işlemi sonucunda hata terimleri arasındaki ardışık bağımlılık yapısı izole edilir.
4
Hata terimi tanımını yerine koyarak denklemi nihai haline getirin.
YtρYt1=β1(1ρ)+β2(XtρXt1)+εtY_t - \rho Y_{t-1} = \beta_1(1-\rho) + \beta_2(X_t - \rho X_{t-1}) + \varepsilon_t
utρut1=εtu_t - \rho u_{t-1} = \varepsilon_t olduğu için yeni hata terimi εt\varepsilon_t artık otokorelasyon içermez.

Key Concept

Genelleştirilmiş En Küçük Kareler (GLS) Dönüşümü

Alternative Method

Eğer ρ\rho bilinmiyorsa, Cochrane-Orcutt veya Prais-Winsten gibi iteratif yöntemlerle ρ\rho önce tahmin edilir, ardından bu denklemde yerine konur.
Estimated Time:1m 30s
Question 34Question

Bir regresyon modelinde hata terimlerinin varyansının, bağımlı değişkenin beklenen değerinin karesi ile doğru orantılı olduğu (Var(ui)=σ2[E(Yi)]2Var(u_i) = \sigma^2 [E(Y_i)]^2) saptanmıştır. Bu durumda, değişen varyans (heteroskedastisite) sorununu gidermek ve En İyi Doğrusal Sapmasız Tahmin Edicileri (BLUE) elde etmek için uygulanması gereken dönüşüm aşağıdakilerden hangisidir?

Show answer & explanation

Answer: Modelin her iki yanının bağımlı değişkenin tahmini değerine (Y^i\hat{Y}_i) bölünmesi

Answer

Modelin her iki tarafının bağımlı değişkenin tahmini değerine (Y^i\hat{Y}_i) bölünmesi gerekmektedir.
Hata terimlerinin varyansı bağımlı değişkenin beklenen değerinin karesi ([E(Yi)]2[E(Y_i)]^2) ile orantılı olduğunda, modelin her iki tarafı E(Yi)E(Y_i) değerine (veya tahmini olan Y^i\hat{Y}_i değerine) bölünerek varyans sabit hale getirilir. Bu işlem sonucunda dönüştürülmüş modelin hata varyansı Var(ui/Y^i)=σ2Var(u_i/\hat{Y}_i) = \sigma^2 olur ve eş varyanslılık sağlanır.

Step-by-Step Solution

1
Hata varyans yapısının belirlenmesi
Var(ui)=σ2[E(Yi)]2Var(u_i) = \sigma^2 [E(Y_i)]^2
Dönüşüm için kullanılacak ağırlık (weight) katsayısını belirlemek için varyansın hangi değişkenle orantılı olduğu saptanmalıdır.
2
Ağırlık katsayısının (wiw_i) hesaplanması
wi=1Var(ui)=1σE(Yi)w_i = \frac{1}{\sqrt{Var(u_i)}} = \frac{1}{\sigma E(Y_i)}
Genelleştirilmiş En Küçük Kareler (GKE) yönteminde, model 1/σi1/\sigma_i ile çarpılarak varyans 11 değerine sabitlenir.
3
Pratik uygulamanın belirlenmesi
Modele 1/Y^i1/\hat{Y}_i ağırlığının uygulanması
E(Yi)E(Y_i) parametresi bilinmediği için uygulamada örneklemden elde edilen tahmini değerler (Y^i\hat{Y}_i) kullanılır.

Key Concept

Ağırlıklandırılmış En Küçük Kareler (AEKK) ve Varyans Stabilizasyonu

Practice More

Farklı varyans yapıları (Var(ui)=σ2Xi2Var(u_i) = \sigma^2 X_i^2 veya Var(ui)=σ2XiVar(u_i) = \sigma^2 X_i) için gerekli olan ağırlıklandırma katsayılarını karşılaştırınız.
Estimated Time:1m 15s
Question 35Question

Çoklu doğrusal regresyon analizinde, bağımsız değişkenler arasında yüksek dereceli ancak tam olmayan bir doğrusal ilişkinin (çoklu doğrusal bağlantı) varlığı durumunda, En Küçük Kareler (EKK) tahmin edicilerinin özellikleri ile ilgili aşağıdakilerden hangisi doğrudur?

Show answer & explanation

Answer: Tahmin ediciler sapmasızlık (unbiasedness) ve tutarlılık (consistency) özelliklerini korurlar ancak varyansları şişer.

Answer

Tahmin edicilerin sapmasızlık ve tutarlılık özelliklerini koruduğu ancak varyanslarının büyüdüğü ifade doğrudur.
Çoklu doğrusal bağlantı durumunda, En Küçük Kareler (EKK) tahmin edicileri hala Gauss-Markov teoreminin gerektirdiği sapmasızlık ve tutarlılık özelliklerini taşırlar. Ancak bağımsız değişkenler arasındaki yüksek korelasyon, katsayıların varyanslarının aşırı büyümesine (Varyans Şişme Faktörü - VIF artışı) neden olur. Bu durum, güven aralıklarının genişlemesine ve bireysel anlamlılık testlerinin (tt-testi) genellikle anlamsız sonuçlar vermesine yol açar.

Step-by-Step Solution

1
Çoklu doğrusal bağlantının tahmin edici özellikleri üzerindeki etkisini belirleyin.
Çoklu doğrusal bağlantı (multicollinearity), EKK tahmin edicilerinin sapmasızlık özelliğini bozmaz (E[β^]=βE[\hat{\beta}] = \beta).
Çünkü bağımsız değişkenler arasındaki ilişki, hata terimlerinin beklenen değerinin sıfır olması varsayımını etkilemez.
2
Varyans ve tutarlılık durumunu analiz edin.
Tahmin edicilerin varyansları Var(β^j)=σ2xj2(1Rj2)Var(\hat{\beta}_j) = \frac{\sigma^2}{\sum x_j^2 (1-R_j^2)} formülüne göre büyür (şişer). Tutarlılık özelliği ise bozulmaz.
Değişkenler arasındaki korelasyon arttıkça paydadaki (1Rj2)(1-R_j^2) terimi küçülür, bu da katsayı varyansını ve standart hatayı büyütür.

Key Concept

Çoklu Doğrusal Bağlantıda EKK Özellikleri
Estimated Time:1m 30s
Question 36Question

Bir ekonomist, bir ülkeye ait yıllık verileri kullanarak toplam tüketim harcamalarını (CtC_t), harcanabilir gelir (YtY_t) ve bir önceki yılın tüketim harcamaları (Ct1C_{t-1}) değişkenleri ile açıklamaya çalıştığı bir regresyon modeli kurmuştur. Araştırmacı, modeldeki hata terimleri arasında ardışık bağımlılık (otokorelasyon) probleminin olup olmadığını test etmek istemektedir.

Durbin-Watson dd istatistiğinin bu model yapısında (bağımsız değişkenler arasında bağımlı değişkenin gecikmeli değerinin bulunması) sapmalı sonuçlar vereceği bilindiğine göre, otokorelasyon tespiti için kullanılabilecek en uygun test aşağıdakilerden hangisidir?

Show answer & explanation

Answer: Breusch-Godfrey (LM) Testi

Answer

Modelde gecikmeli bağımlı değişken bulunduğu için otokorelasyon tespiti için en uygun yöntem Breusch-Godfrey (LM) testidir.
Breusch-Godfrey (LM) testi, regresyon modelinde bağımlı değişkenin gecikmeli değerlerinin bağımsız değişken olarak yer aldığı (dinamik modeller) durumlarda geçerliliğini koruyan asimptotik bir testtir. Ayrıca, Durbin-Watson testinin aksine sadece birinci dereceden (AR(1)) değil, araştırmacı tarafından belirlenen pp. dereceye kadar olan otokorelasyon süreçlerini test etme yeteneğine sahiptir.

Step-by-Step Solution

1
Model yapısını analiz edin.
Modelde Ct1C_{t-1} (bağımlı değişkenin gecikmeli değeri) bağımsız değişken olarak yer almaktadır. Bu, modelin bir 'dinamik model' olduğunu gösterir.
Durbin-Watson gibi bazı temel otokorelasyon testleri dinamik modellerde varsayımları gereği doğru sonuç vermez.
2
Otokorelasyon testlerinin kısıtlarını değerlendirin.
Durbin-Watson dd testi, modelde gecikmeli bağımlı değişken olduğunda genellikle 2'ye yakın (otokorelasyon yokmuş gibi) sapmalı sonuçlar üretir.
Durbin-Watson testi, bağımsız değişkenlerin stokastik olmadığını varsayar; ancak gecikmeli bağımlı değişken stokastik bir değişkendir.
3
Dinamik modeller için uygun testi belirleyin.
Breusch-Godfrey (LM) testi, hem dinamik modellerde geçerlidir hem de sadece AR(1) değil, daha yüksek dereceli otokorelasyonları da test edebilir.
Ekonometrik literatürde dinamik modellerde otokorelasyon tespiti için en yaygın ve genel önerilen yöntem Breusch-Godfrey testidir.

Key Concept

Dinamik modellerde (gecikmeli bağımlı değişken içeren) otokorelasyon tespiti için Durbin-Watson testi yerine Breusch-Godfrey (LM) veya Durbin h testleri kullanılmalıdır.
Estimated Time:1m 30s
Question 37Question

Bir ekonometrik modelde hata terimleri arasında otokorelasyon (E[ututs]0E[u_t u_{t-s}] \neq 0) bulunduğu durumda, klasik doğrusal regresyon modelinin varsayımlarından biri ihlal edilmiş olur. Bu ihlalin, En Küçük Kareler (EKK) yöntemiyle elde edilen katsayı tahmin edicileri üzerindeki doğrudan sonucu aşağıdakilerden hangisidir?

Show answer & explanation

Answer: Tahmin edicilerin varyansları artık minimum değildir, dolayısıyla "en iyi" olma özelliğini kaybederler.

Answer

Tahmin edicilerin varyansları artık minimum değildir, dolayısıyla "en iyi" olma özelliğini kaybederler.
Klasik Doğrusal Regresyon Modelinde otokorelasyon varlığı, En Küçük Kareler (EKK) tahmin edicilerinin sapmasızlık ve tutarlılık özelliklerini etkilemez. Ancak, Gauss-Markov teoreminin temel şartlarından biri olan 'hata terimleri arasında ardışık bağımlılık olmaması' varsayımı ihlal edildiği için, EKK tahmin edicileri artık doğrusal sapmasız tahmin ediciler arasında en küçük varyansa sahip değildir. Bu durum, tahmin edicilerin 'etkin' (efficient) olmadığını ve BLUE (En İyi Doğrusal Sapmasız Tahmin Edici) özelliğini kaybettiğini gösterir.

Step-by-Step Solution

1
Varsayım ihlalinin tespiti
Hata terimleri arasında ilişki olması (Cov(ui,uj)0Cov(u_i, u_j) \neq 0)
Otokorelasyon, klasik modelin 'hata terimleri arasında ilişki yoktur' varsayımını bozar.
2
Sapmasızlık ve tutarlılık kontrolü
Tahmin ediciler hala sapmasız ve tutarlıdır.
EKK tahmin edicilerinin sapmasızlığı E[uX]=0E[u|X]=0 varsayımına dayanır; otokorelasyon bu beklenen değeri değiştirmez.
3
Etkinlik (Minimum Varyans) kontrolü
Gauss-Markov teoremi geçersizleşir.
Gauss-Markov teoremi, en küçük varyanslı (etkin) tahmin edici için tüm varsayımların (sabit varyans ve otokorelasyon yokluğu dahil) sağlanmasını gerektirir.
4
Sonuçlandırma
EKK tahmin edicileri BLUE olma özelliğini yitirir.
Sapmasızlık korunsa da varyans artık minimum olmadığı için tahmin ediciler 'En İyi' (Best) değildir.

Key Concept

Gauss-Markov Teoremi ve Otokorelasyonun Etkileri
Estimated Time:1m 15s
Question 38Question

Klasik doğrusal regresyon modelinde hata terimlerinin varyansının gözlemden gözleme sabit kalmaması (Var(ϵi)=σi2Var(\epsilon_i) = \sigma_i^2) durumu olan değişen varyans (heteroskedastisite) söz konusu olduğunda, En Küçük Kareler (EKK) tahmin edicileri ve elde edilen istatistiksel sonuçlar hakkında aşağıdakilerden hangisi doğrudur?

Show answer & explanation

Answer: Tahmin ediciler sapmasızlık (unbiasedness) özelliğini korur ancak en iyi doğrusal sapmasız tahmin edici (BLUE) olma özelliğini kaybeder.

Answer

En Küçük Kareler tahmin edicileri sapmasızlık özelliğini korumaya devam eder ancak artık minimum varyanslı olmadıkları için BLUE (En İyi Doğrusal Sapmasız Tahmin Edici) olma özelliğini kaybederler.
Klasik Doğrusal Regresyon Modelinde değişen varyans (heteroskedastisite) olması durumunda, EKK tahmin edicileri hala doğrusal ve sapmasızdır. Ancak Gauss-Markov teoreminin 'minimum varyans' koşulu artık sağlanmadığı için tahmin ediciler etkinliğini kaybeder (BLUE özelliğinden uzaklaşır). Bu durum, standart hataların yanlış hesaplanmasına ve dolayısıyla t ve F testlerinin geçersizleşmesine yol açar.

Step-by-Step Solution

1
EKK varsayımlarının ihlalini analiz et.
Eş varyanslılık (Var(ϵi)=σ2Var(\epsilon_i) = \sigma^2) varsayımı ihlal edilmiştir.
Değişen varyans, hata terimlerinin her gözlem için farklı bir varyansa (σi2\sigma_i^2) sahip olmasıdır.
2
Gauss-Markov teoremi sonuçlarını değerlendir.
Tahmin ediciler hala doğrusal ve sapmasızdır (E[β^]=βE[\hat{\beta}] = \beta).
Sapmasızlık için varyansın sabit olması değil, hata terimlerinin beklenen değerinin sıfır olması ve bağımsız değişkenlerle ilişkisiz olması yeterlidir.
3
Tahmin edicinin varyansı ve etkinliği üzerine etkisini incele.
Tahmin ediciler artık en küçük varyanslı (etkin) değildir.
Gauss-Markov teoremine göre EKK'nın BLUE olması için eş varyanslılık şarttır; bu ihlal edildiğinde EKK artık 'En İyi' (Best) değildir.
4
İstatistiksel çıkarımlar üzerindeki etkisini belirle.
t ve F testleri geçersiz hale gelir.
Varyanslar yanlış hesaplandığı için standart hatalar sapmalıdır ve bu hatalar üzerine kurulan hipotez testleri güvenilmez sonuçlar üretir.

Key Concept

Değişen varyans durumunda EKK tahmin edicileri sapmasız ve tutarlıdır ancak etkin (minimum varyanslı) değildir.

Practice More

Değişen varyansın varlığını tespit etmek için kullanılan White ve Goldfeld-Quandt gibi testleri inceleyiniz.
Estimated Time:1m 30s
Question 39Question

Bir araştırmacı, gözlem birimleri arasındaki hata terimlerinin sistematik bir biçimde birbirini etkilediğini (Cov(ui,uj)0,ijCov(u_i, u_j) \neq 0, i \neq j) saptamıştır. Bu otokorelasyon probleminin varlığı durumunda, modelin En Küçük Kareler (EKK) yöntemiyle elde edilen katsayı tahmin edicileri hakkında aşağıdakilerden hangisi doğrudur?

Show answer & explanation

Answer: Tahmin ediciler sapmasızlık ve tutarlılık özelliklerini korurlar ancak varyansları artık minimum olmadığı için etkin (BLUE) değillerdir.

Answer

Tahmin ediciler sapmasızlık ve tutarlılık özelliklerini korurlar ancak varyansları artık minimum olmadığı için etkin (BLUE) değillerdir.
Doğrusal regresyon modelinde otokorelasyon varlığı, hata terimlerinin birbiriyle ilişkili olduğu anlamına gelir. Bu durumda En Küçük Kareler (EKK) tahmin edicileri hala sapmasız (unbiased) ve tutarlıdır (consistent). Ancak, hata terimlerinin varyans yapısı bozulduğu için Gauss-Markov teoremi geçerliliğini yitirir ve EKK tahmin edicileri artık en küçük varyanslı (etkin) değildir. Bu durum, tahmin edicilerin BLUE olma özelliğini kaybetmesi anlamına gelir.

Step-by-Step Solution

1
Varsayım ihlalini tanımla.
Hata terimleri arasındaki ardışık bağımlılık (Cov(ui,uj)0Cov(u_i, u_j) \neq 0), Gauss-Markov varsayımlarından biri olan 'otokorelasyon olmaması' varsayımının ihlalidir.
EKK yönteminin 'en iyi' sonuçları vermesi için hata terimlerinin birbirinden bağımsız olması gerekir.
2
Sapmasızlık özelliğini değerlendir.
E[β^]=βE[\hat{\beta}] = \beta eşitliği hala geçerlidir.
Tahmin edicilerin sapmasızlığı için Cov(X,u)=0Cov(X, u) = 0 olması yeterlidir; hata terimlerinin kendi içindeki ilişkisi katsayıların merkezini (beklenen değerini) kaydırmaz.
3
Etkinlik (BLUE) özelliğini değerlendir.
Tahmin edicilerin varyansı, Gauss-Markov teoremiyle garanti edilen minimum varyanstan daha büyüktür.
Hata terimlerinin varyans-kovaryans matrisi artık σ2I\sigma^2 I formunda değildir, bu da EKK tahmin edicilerinin etkinlik özelliğini (en küçük varyansa sahip olma) yitirmesine neden olur.

Key Concept

Otokorelasyonun EKK Tahmin Edicileri Üzerindeki Etkileri

Practice More

Otokorelasyonun varlığı durumunda hipotez testlerinin neden güvenilmez olduğunu (t-istatistiklerinin şişmesi) incelemek konuyu pekiştirecektir.
Estimated Time:1m 30s
Question 40Question

Zaman serisi verileri kullanılarak tahmin edilen doğrusal bir regresyon modelinde, hata terimleri arasında pozitif otokorelasyon (E[utut1]>0E[u_t u_{t-1}] > 0) olduğu saptanmıştır. Araştırmacı bu durumu dikkate almadan En Küçük Kareler (EKK) yöntemini uygulamaya devam etmiştir.

Buna göre, elde edilen EKK tahmin edicileri ve ilgili istatistiksel testler hakkında aşağıdakilerden hangisi doğrudur?

Show answer & explanation

Answer: Tahmin ediciler sapmasızlığını korur; ancak varyanslar genellikle olduğundan küçük tahmin edildiği için hipotez testleri yanıltıcı sonuçlar verir.

Answer

Tahmin edicilerin sapmasız kalması ancak varyansların düşük tahmin edilmesi nedeniyle hipotez testlerinin yanıltıcı olması doğrudur.
Pozitif otokorelasyon varlığında EKK tahmin edicileri sapmasızlık (unbiasednessunbiasedness) özelliğini korur. Ancak, klasik EKK varyans formülü (s2(XX)1s^2(X'X)^{-1}) gerçek varyansı yansıtmaz ve genellikle varyansı küçümsediği için t-testi ve F-testi gibi anlamlılık testleri değişkenleri olduğundan daha anlamlı göstererek araştırmacıyı yanıltır.

Step-by-Step Solution

1
Otokorelasyonun tahmin edici özellikleri üzerindeki etkisini inceleyin.
EKK tahmin edicileri hala sapmasız (E[β^]=βE[\hat{\beta}] = \beta) ve tutarlıdır.
Sapmasızlık özelliği hata terimlerinin birbirine bağımlı olmamasını değil, hata terimlerinin beklenen değerinin sıfır olmasını ve bağımsız değişkenlerle ilişkisiz olmasını gerektirir.
2
Gauss-Markov teoreminin geçerliliğini kontrol edin.
Tahmin ediciler artık BLUE değildir.
Otokorelasyon, hata terimleri arasındaki kovaryansın sıfır olması varsayımını ihlal eder, bu da EKK varyansının artık minimum olmadığını gösterir.
3
Varyans tahmini ve hipotez testleri üzerindeki etkiyi analiz edin.
Pozitif otokorelasyonda σ^2\hat{\sigma}^2 ve standart hatalar genellikle aşağı yönlü sapmalıdır; t ve F istatistikleri olduğundan büyük çıkar.
Pozitif ardışık bağımlılık, verilerdeki değişimi olduğundan daha az göstererek varyans tahminini küçültür ve değişkenleri yapay olarak daha 'anlamlı' gösterir.

Key Concept

Otokorelasyonun EKK Tahmin Edicileri Üzerindeki Etkileri
Estimated Time:1m 30s
PreviousPage 2 / 5Next