İkİ deĞİŞkenlİ basİt doĞrusal regresyon modelİ
DESCRIPTION
İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ. Regresyon Y ile X (X ler) arasındaki ortalama ilişkinin matematik fonksiyonla ifadesidir. Sabit terim. Eğim. X’e bağlı olarak Y’nin ortalamasının nasıl değiştiğini gösterir. Y i deki değişim=[Düzenli değişim]+[Rassal değişim]. - PowerPoint PPT PresentationTRANSCRIPT
![Page 1: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/1.jpg)
İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ
Regresyon Y ile X (X ler) arasındaki ortalama ilişkinin matematik fonksiyonla ifadesidir.
X’e bağlı olarak Y’nin ortalamasının nasıl değiştiğini gösterir.
1 2E(Y|X)=f(X)=b b X
Sabit terim Eğim
![Page 2: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/2.jpg)
21 uXbbYi
Yi deki değişim=[Düzenli değişim]+[Rassal değişim]
Yi deki değişim=[Açıklanan değişim]+[Açıklanamayan değişim]
Ekonometrik modelin ortaya çıkmasına sebep olan hata teriminin kaynakları:
ÖLÇME HATALARI: Toplam tüketim ve milli gelir, kiralar ve
hane gelirleri gibi değişkenlerin değerlerinden hareketle
ekonometrik bir modeli tahmin ediyoruz. ‘‘Bu değerler nasıl
tespit edilmektedir’’sorusunun cevabı bize ölçme hatalarını
açıklayacaktır.
![Page 3: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/3.jpg)
• Tarım ve sanayi sektöründe üreticilerin fiyatlarını tespit ederken
üreticiler yanlış beyanda bulunabilir. Yine hanelerle anket
yaparken gelirlerini düşük beyan ederken, çeşitli mal ve
hizmetler(kira,gıda,ulaştırma, vb.) yaptıkları harcama tutarlarını
olduğundan fazla söyleyebilirler. İşte bu tür hatalara ölçme
hataları veya sistematik hatalar denir.
• Bütün bu hatalar tüketim veya gelirler veyahut başka bir konuda
topladığımız rakamların gerçeklerden sapmasına sebep olurlar
ki bunların hepsine birden ölçme hataları denir.
![Page 4: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/4.jpg)
• C ve Yd değerleri gerçeğe nazaran (C+X) ve (Yd+Z) gibi sapmalı
olacaktır. Böylece,
C=a+bYd
de ve tahmini değerleri, X ve Z sapmaları nisbetinde
güvenilemez olacaktır.
• İktisat kanunlarının doğruluğu veya anlaşılabilmesi, istatistik
verilerinin (tüketim,gelir, kira, nüfus miktarları ile ilgili
rakamların) kalitesine, doğruluğuna ve elde bulunmasına
bağlıdır.
𝑎ො�� 𝑏
![Page 5: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/5.jpg)
• Bu rakamların objektif ve doğru bir şekilde toplanamaması
halinde ortaya çıkan ölçme hataları ortadan kaldırılamamaktadır.
İstatistik ve ekonometride gerçekleştirilen tüm metodolojik
yenilikler, bunların hatalı verilere uygulanması durumunda
faydasız olacaktır.
TOPLAMA HATALARI: Ekonomik analizlerde birbirinden farklı
hane halklarına veya kişilere ait değerler toplanır ve bunların
ortalaması hesaplanır.(toplam tüketim,ortalama tüketim,ortalama
gelir gibi)
• Her ortalama ise serisini tek bir kıymetle ifade eden bir tahmindir.
![Page 6: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/6.jpg)
• Ortalama hesabı ile her hane veya birime ait değerler bir tek
değere indirilmiş olmakta ve birimlerin kendi değerleri(özellikleri)
kaybolmaktadır.
• En yüksek gelirli ile en düşük gelirli; en yüksek kira ödeyenle en
az kira ödeyen ortalama gelir veya ortalama kira tutarı ile bir
tutulmaktadır. Burada bir hata olduğu açıktır, bu hatalarada
‘‘toplama hataları denilmektedir.’’
![Page 7: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/7.jpg)
ÖRNEKLEME HATALARI(TESADÜFİ HATALAR,
STOKASTİK HATALAR): Memurların dalgınlığı veya
dikkatsizliği sonucu bazı rakamların yanlış yazılması ile ortaya
çıkan hatalarla örnekleme yapılması sebebiyle ortaya çıkan
hataları kapsar.
• Örneğin, Türkiye’de ortalama kirayı bulabilmek için, toplam 3
milyon kiracıdan %1’ini (30bin) seçerek örnekleme yapılabilir.
%1 örnekleme yerine binde bir yani 3bin kiracı alabiliriz veya
12 yıllık dönem yerine 25 yıllık dönem alabiliriz.
![Page 8: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/8.jpg)
• Bu farklı hane sayısı veya yıl sayısı (örnek büyüklüğü) ile
yapılacak kira ve tüketim fonksiyonları için farklı katsayılar (a
ve b’ler) bulunacaktır. Muhtelif örnekler arasında, örneğe giren
birimlerin kiraları arasındaki farklılıklar sebebiyle ortaya çıkan
tahmin farklılıkları örnekleme hatalarını oluşturur.
• Bu hatalar artı ve eksi iki yönlüdür. Yani mümkün olan bütün
örnekler çekildiği ve kira fonksiyonu tahmin edildiğinde
, ve ’lerin bir kısmı anakütle gerçek b1 ve b2
katsayılarından küçük; bir kısmının da bu anakütle değerlerinden
büyük ve dağılımlarının normal olduğu görülür.
𝑌= 𝑏1 + 𝑏2 𝑋 𝑏1 𝑏2
![Page 9: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/9.jpg)
• Bu sebeple üç milyonluk anakütleden çekilebilecek tüm
örneklerin, katsayı tahminleri hesaplanır ve ayrı ayrı
ortalamaları veya beklenen değerleri
hesaplanırsa, ve
(marjinal kira
tüketim eğilimi)’dır.
• Ölçme hataları, ortadan kaldırılmadığı halde örnekleme hataları
iki yönlü (artı ve eksi) olduklarından birbirinin tesirini ortadan
kaldırabilirler.
𝑏1 𝑣𝑒 𝑏2 𝐸൫𝑏1 ൯𝑣𝑒 𝐸(𝑏2 ) 𝐸൫𝑏1 ൯= 𝑏1 = 𝑎𝑛𝑎𝑘ü𝑡𝑙𝑒 𝑠𝑎𝑏𝑖𝑡 𝑡𝑒𝑟𝑖𝑚𝑖
𝐸൫𝑏2 ൯= 𝑏2 = 𝑎𝑛𝑎𝑘ü𝑡𝑙𝑒 𝑟𝑒𝑔𝑟𝑒𝑠𝑦𝑜𝑛 𝑘𝑎𝑡𝑠𝑎𝑦ı𝑠ı
![Page 10: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/10.jpg)
• SPESİFİKASYON HATALARI: İktisadi teori,gerçeğin bilerek
basitleştirilmiş şeklidir. Toplam tüketim sadece harcanabilir gelire
bağlı değildir, tüketicilerin zevkleri, fiyatlar seviyesi, servet gelir
dağılımı, yaş piramidi, tüketicilerin son zamanlardaki gelir
durumu gibi diğer bazı bağımsız değişkenlerede bağlıdır.
• Modele tüm bu değişkenleri alabilsek bile-ki uygulamalarda veri
noksanlığı gibi sebeplerle bu mümkün olamamaktadır-
değişkenler arasındaki ilişki C=a+b Yd şeklinde doğrusal
olmayabilir.
![Page 11: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/11.jpg)
• Gerçek ilişki;
gibi veya daha karmaşık bir ilişki olabilir. Veya tüketim fonksiyonu
böyle tek denklemli değilde, 6 denklemli bir model olarak
çözülmesi
gerekebilir. Bütün bu sebeplerden ortaya çıkan hatalar
“spesifikasyon hataları” denilmektedir. Bu hatalar ekonometrik bir
araştırmada ilk olarak göz önünde tutulması gereken hatalardır.
𝐶= 𝑎𝑖𝑙𝑜𝑔𝑌𝑑 + 𝑎2𝑦𝑥𝑎3𝑠ℎඥ𝑌𝑑
![Page 12: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/12.jpg)
.
..
.
y4
y1
y2
y3
x1 x2 x3 x4
}
}
{
{
u1
u2
u3
u4
x
y E(y|x) = 0 + 1x
![Page 13: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/13.jpg)
y2
y1
x2x1
Y
X
ΔX
ΔY= b2 ΔX
Doğrusal denklemin grafiği düz bir çizgi olup sabit ve eğim katsayılarını birbirinden ayırma özelliğine sahiptir. Sabit sayı X=0 olduğu zaman Y’nin alacağı azami değer ve eğim ise ΔY/ ΔX oranı olup X üzerindeki bir noktadan diğer bir noktaya olan hareketliliği göstermektedir.
b1
XbbY 21ˆ
![Page 14: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/14.jpg)
b1 ve b2 hakkında bazı çıkarsamalar:
Eğer b2 pozitif ise çizginin veya doğrunun eğimi soldan sağa yukarıya doğru; yok eğer negatif ise tersi geçerlidir.
Eğer b2’in mutlak değeri büyükse doğru daha dik olmaktadır.
Eğer b2= 0 ise doğru X eksenine b1 noktasında paralleldir.
Bir çok fonksiyonlar düz çizgi halinde değildirler
![Page 15: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/15.jpg)
Örneğin: 4000 nüfuslu bir kasabada 500 hane bulunsun ve bunlardan sadece 60’ı memur olsun.
Anakütle Regresyon Denklemi
![Page 16: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/16.jpg)
![Page 17: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/17.jpg)
![Page 18: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/18.jpg)
Örnek Regresyon Denklemi
![Page 19: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/19.jpg)
![Page 20: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/20.jpg)
2
110
1
2
n
i
n
ii XYe
İfadesini minimize eden parametre tahmincilerinin değerlerini bulabilmek için eşitliğin 0 ve 1 ‘e göre türevleri alınıp 0’a eşitlenir.
2
110
01
2
0
n
i
n
ii XYe
n
i
XY1
102
2
110
11
2
1
n
i
n
ii XYe
n
i
XYX1
102
Her iki denklemi de 0’a eşitlersek;
0
02
110
110
n
i
n
i
XbbY
XbbY
0.
0..2
110
110
n
i
n
i
XbbYX
XbbYX
0‘a göre türev alınırsa; 1‘e göre türev alınırsa;
En Küçük Kareler Denklemleri
![Page 21: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/21.jpg)
0
02
110
110
n
i
n
i
XbbY
XbbY
0.
0..2
110
110
n
i
n
i
XbbYX
XbbYX
Parantezleri açarsak;
0. 10 XbbnY 0210 XbXbXY
Bu denklemlere doğrunun NORMAL DENKLEMLERİ denir. Normal denklemler alt alta yazılıp birlikte çözüldüklerinde b0 ve b1 tahmincileri bulunur.
XbbnY 10.
210 XbXbXY n
XX
nYX
XYb 2
21 )(
)).((
XbYb 10
şeklindeki formüller yardımıyla da tahminciler bulunabilir.
![Page 22: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/22.jpg)
Ortalamadan Sapmalar Yoluyla En Küçük Kareler Denklemlerinin İspatı
XbYb 21
olduğundan
Bu ifadenin her iki tarafını n ile böldüğümüzde
![Page 23: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/23.jpg)
veya
elde edilir.
Bu eşitlik ortalamalar orjinine göre regresyon denklemidir.
Ortalamalar orjinine göre regresyon denkleminden tahmini anakütle regresyon denklemi şöyle yazılabilir:
elde edilir.
olmak üzere,
![Page 24: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/24.jpg)
Hata terimleri kareleri toplamı şu şekilde ifade edilebilir:
Bu ifadenin ‘e göre türevi alınıp sıfıra eşitlendiğinde;
elde edilir.
için diğer bir formül ise şöyledir:
![Page 25: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/25.jpg)
Basit En Küçük Kareler Regresyon Modelinin
Varsayımları
Varsayım 1: Hata terimi ortalaması sıfıra eşit stokastik bir
değişkendir:
• Hata terimi u, pozitif ve negatif her iki yöndeki çok sayıda
sebeplerin toplamının etkisini göstermektedir. Bu sebepten
anakütle hata terimi u, X’in her değeri için şansa bağlı olarak
pozitif, negatif veya sıfır değerlerini belli bir ihtimalle
alabilmektedir. Yani u stokastik bir değişkendir ve değerleri
önceden kesin olarak bilinmemektedir.
iu
![Page 26: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/26.jpg)
• Bazı bağımsız değişkenlerin modele alınamaması, modelin
matematiksel biçiminin yanlış seçilmiş olması, değişkenlerdeki
ölçme hataları, fertlerin davranışlarının yaradılış icabı farklı
olması gibi durumlar u’nun artı değer alabileceği gibi eksi değer
de alabileceğini gösterir.
• Modele dahil edilmeyen değişkenlerin etkisi, bazen Y’yi
gözlenebilecek olan değerinden daha büyük bazen de daha
küçük değerli yapabilecektir. Yani genelde, sürekli olarak artış
yönünde veya sürekli olarak azalış yönünde olan
sapmalar(farklar) beklenmeyecektir. Bu da u’nun stokastik
olduğu anlamına gelir.
![Page 27: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/27.jpg)
• u’lar sürekli artan veya sürekli azalan bir görünüm arzetmezler,
düzensiz bir görünüm sergilerler.
• Ayrıca, ui nin muhtelif değerleri birbirinden bağımsız stokastik
değişkenlerdir.
• Tüketim örneğinde, u’nun stokastik ve değerlerinin birbirinden
bağımsız olması şöyle açıklanabilir:
Bir hane için ui hata terim değerini pozitif elde etme ihtimali ne
artar, ne de azalır. Ayrıca u hata terimi değerlerinin dağılımının
normal, ortalamasının sıfır ve varyansının olduğunu
varsayacağız.
𝜎𝑢𝑖2
![Page 28: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/28.jpg)
• Sonuç olarak,
yazılabilir. Yani ui ler, birbirinden bağımsız, sıfır ortalamalı, eş,t
varyanslı normal dağılımlıdır.
𝑢𝑖 ∼ 𝑁(0,𝜎𝑢𝑖2 )
![Page 29: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/29.jpg)
Varsayım 2: Hata terimi u normal dağılımlıdır:
• EKK tahmincilerinin ihtimal dağılımları, ui nin ihtimal
dağılımı hakkında yapılan varsayıma bağlıdır. Bu sebepten
b tahminleri konusunda bir test uygulamak gerektiğinde
(t,F testi gibi)dağılımlarının normal olması gerekir, bu da
ui nin dağılımının normal olmasını gerektirmektedir.
• Uygulamalarda anakütle u değerleri bilinmediğinden,
Merkezi Limit Teoremi’ne göre normal dağıldıkları kabul
edilir.
![Page 30: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/30.jpg)
ui değerleriE(ui)=0
u’ların normal dağılımı
![Page 31: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/31.jpg)
• Normal dağılım eğrisinde, absiste u’nun ortalamasına (0)
tekabül eden noktadan çıkılacak dikmenin iki tarafı tam bir simetri
arzeder. ui normal dağılıyorsa, EKK nin tahmincileride
normal dağılırlar.
• Uygulamalarda u’nun dağılımının normal olup olmadığı,
Lilliefors grafik testi, χ2 uygunluk testi ve Jarque-Bera testi ile
araştırılmaktadır.
𝑏1 𝑣𝑒 𝑏2
![Page 32: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/32.jpg)
Varsayım 3: Hata terimi ui değerleri arasında ilişki(otokorelasyon)
yoktur:
• u’nun herhangi bir ui değeri kendisinden önceki uj değeri ile
bağımlı değildir. Bu varsayım ui ve uj nin kovaryanslarının sıfıra
eşit olmasını gerektirir:
Kov(ui ,uj )=E[ui – E(ui)] [E[uj – E(uj)]
varsayım 1’e göre E(ui)=E(uj)=0’dır. O halde,
Kov(ui ,uj )=E(uiuj)=0, i≠j
Bu varsayım, Kov(Yi ,Yj )=0, i≠j varsayımı demektir.
![Page 33: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/33.jpg)
Varsayım 4: Hata terimi ui nin varyansı eşittir,sabittir.
(homoskedastiklik veya eşit varyanslılık)
• ui nin varyansının her Xi için eşit olduğu varsayımı şöyle ifade
edilmektedir:
Var(ui │Xi)= E[ui – E(ui)]2
Varsayım 1’e göre E(ui)=0 olduğundan,
Var(ui │Xi)= E[ui2]
Var(ui │Xi)=σ2 veya Var(ui)=σ2 (1)
(1) eşit varyanslık halini göstermektedir.
![Page 34: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/34.jpg)
• Bu varsayımın anlamı şudur: Her Xi değeri için hata terimi ui’nin
varyansı belli bir sabit sayı olup σ2 ’ye eşittir. Buna
homoskedastiklik varsayımı, veya eşit(homo) dağılan(skedastik),
veya eşit varyans varsayımı da denir.
![Page 35: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/35.jpg)
• Varsayım 5: Bağımsız değişken X, hata terimi u ile ilişkili
olmayıp, stokastik değildir:
• Bağımsız değişken Xi ile hata terimi ui arasında ilişki yoktur, yani
kovaryansları sıfıra eşittir:
Kov(ui,Xi)= E[ui – E(ui)] [Xi – E(Xi)]
Kov(ui ,Xi)=0
• X değişkeninin birden fazla olduğu çoklu modellerde de ui ile her
X değişkeni arasındaki kovaryans sıfıra eşit olmalıdır:
Kov(ui ,X2)=Kov(ui ,X3)=0
![Page 36: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/36.jpg)
• Bu varsaymın anlamı şudur:
Anakütle Regresyon Denkleminde Xi ve u’nun Y’ye etkisi
ayrıayrıdır(toplanabilirdir). Eğer, X ile u arasında ilişki varsa,
herbirinin Y bağımlı değişkeni üzerindeki etkisini ferdi olarak
takdir edemeyiz.
Eğer X ile u arasında aynı yönde pozitif ilişki varsa, u artarken
X’de artacak ve u azalırken X’de azalacaktır. Benzer şekilde X ile
ters yönde negatif ilişkili iseler, u azalırken X artar ve u artarken
X azalır. Bu nedenle, X ve u’nun Y üzerindeki etkisinin tahmini
mümkün olmayacaktır.
![Page 37: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/37.jpg)
Varsayım 6: Bağımsız değişken X, tekrarlı örneklere göre
sabittir. Xi ile ui arasında ilişki olmaması yani Kov(ui,Xi)=0
varsayımı X’in stokastik bir değişken olmamasını (tesadüfi
dağılmasını) gerektirir. Bu da istatistiki olarak,
anakütleden çekilebilecek tüm örnekler için X değerlerinin
sabit değerli olduğunu gösterir.(aynı X değişkeni değerleri
için ayrı Y değerleri sözkonusu.) Şöyleki:
Kov(ui,Xi)= E[ui – E(ui)] [Xi – E(Xi)]
Varsayım 1’e göre E(ui)=0 olduğundan:
![Page 38: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/38.jpg)
Kov(ui,Xi)= E[ui – E(ui)] [Xi – E(Xi)] E(ui)=0
Kov(ui,Xi)= E[ui(Xi – E(Xi)]
= E[uiXi– uiE(Xi)]
Xi ‘ler sabit kabul edilirse,
E[E(Xi)]=E(Xi)
Kov(ui,Xi)= E(uiXi)– E(ui)E(Xi)
Varsayım 1’ e göre E(ui)=0’dır. Yani;
Kov(ui,Xi)= E(uiXi)
= 0 (Varsayım 5 gereği)
![Page 39: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/39.jpg)
Varsayım 7: Bağımsız değişken X’in varyansı sonlu pozitif
bir sayı olmalıdır.
Anakütleden çekilebilecek örneklerin herbiri için X değişkeni
değerlerinin sabit kabul edilmesi,X değişkeninin tüm
değerlerinin eşit olması demek değildir.
Buna rağmen X değerlerinin aynı zamanda eşit olması
halinde ,
![Page 40: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/40.jpg)
Burada tüm X değerleri eşit ise ‘dır ve payda
olacaktır. Böylece sabit/0= olacağından
ve dolayısıyla tahmin edilemeyecektir.
Yani ,
Sonlu olmalıdır. Burada Q sonlu pozitif sabit bir sayıyı göstermektedir.
![Page 41: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/41.jpg)
Varsayım 8: Modelin spesifikasyonu doğrudur.
İki değişkenli doğrusal regresyon modelinin EKK ile
tahmininde kabul edilen en önemli varsayımlardan biri
regresyon modelinin spesifikasyonunun doğru yapıldığı,
modelin spesifikasyon hatası taşıyıp taşımadığıdır.
Modele bazı değişkenlerin alınmaması , eğrisel bir fonksiyon
alınması gerekirken doğrusal fonksiyon alınması, model
değişkenleri konusunda hatalı varsayımlar yapılması
hallerinde tahmin edilen fonksiyon güvenilir olmayacak,
spesifikasyon hatalı olacaktır.
![Page 42: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/42.jpg)
Varsayım 9: Bağımsız değişkenler arasında İlişki yoktur.
(Çoklu doğrusal Bağlantı olmaması Varsayımı)
EKKY’nin bu varsayımı, birden fazla bağımsız değişkeni
olan çoklu modellerle ilgilidir. Bu varsayıma göre ,çoklu
modellerde bağımsız değişkenler arasında ilişki yoktur.
![Page 43: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/43.jpg)
Bağımlı Değişken Y nin Dağılımı
Y bağımlı değişkeninin ortalaması
1 2( )E Y b b X Varyansı
2 2 2( ) ( ( )) ( ) i i i i uVar Y E Y E Y E u
olduğu gösterilecektir.
![Page 44: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/44.jpg)
1. Y nin ortalaması kendisinin beklenen değerine eşittir.
1 2i iY b b X u
Beklenen değer alındığında
1 2( ) ( )i iE Y E b b X u
1 2( ) ( ) ( )i iE Y E b b X E u ( ) 0iE u
b1 ve b2 parametreler iken Xi değerleri değişmez değerler kümesinden geldikleri için
1 2( )iE Y b b X bulunur.
1 2i iY b b X u
1 2( ) ( )i iE Y E b b X u
![Page 45: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/45.jpg)
2. Yi nin varyansı
2 2 2( ) ( ( )) ( ) i i i i uVar Y E Y E Y E u
1 2i iY b b X u 1 2( )iE Y b b X ve
eşitliklerini varyans tanımında yerine koyarsak
2 2 21 2 1 2( ) ( ) ( )i i i uVar Y E b b X u b b X E u
ui lar sabit varyanslıdır. Yani hepsinin varyansı 2u
sabit değerlidir.2 2( )i uE u
Yani 2 2 2( ) ( ( )) ( ) i i i i uVar Y E Y E Y E u
![Page 46: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/46.jpg)
3. Yi nin dağılımı normaldir.
Yi nin dağılımının biçimi, ui nin dağılımının biçimiyle
belirlenir ve bu dağılım varsayım gereğince normaldir. b1 ve
b2 sabit parametreler olmaları nedeniyle Yi nin dağılımını
etkilemezler. Ayrıca Xi açıklayıcı değişkenin değerleri de
varsayım gereğince değişmez değerler kümesinde olduğundan
Yi nin dağılım biçimini etkilemezler.
![Page 47: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/47.jpg)
ÖRNEK REGRESYON DENKLEMİ
i21i XbbY
Katsayıların TahminiNormal Denklemler ile,Doğrudan Formüller ile,Ortalamadan Farklar ile,
![Page 48: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/48.jpg)
Tüketim Gelir75 80
88 100
95 120
125 140
115 160
127 180
165 200
172 220
183 240
225 260
![Page 49: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/49.jpg)
NORMAL DENKLEMLER
Y = n + XXY= X + X2
1b 2b
1b 2b
Y=? , X=? , XY= ? , X2= ? , n
![Page 50: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/50.jpg)
758895
125115127165172183225
Y
80100120140160180200220240260
X YX X2
60008800
1140017500184002286033000378404392058500
6400100001440019600256003240040000484005760067600
Y=1370 X2=322000X=1700 YX=258220
![Page 51: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/51.jpg)
NORMAL DENKLEMLER
= 10 + = +
-170 /
- = -1700 - = +
25320 = 330002b
= 0.7672727
= 6.5636364
2b
1b
1b 2b
2b1b
1b 2b
2b1b
![Page 52: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/52.jpg)
XY 7672727.05636364.6ˆ
ÖRNEK REGRESYON DENKLEMİ
i21i XbbY
![Page 53: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/53.jpg)
22
2
1 )X(Xn
XYXYXb
2)1700()322000.(10
)258220).(1700()1370).(322000(
= 6.5636364
DOĞRUDAN FORMÜLLER
![Page 54: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/54.jpg)
DOĞRUDAN FORMÜLLER
222 )X(Xn
YXXYnb
2)1700()322000)(10(
)1370)(1700()258220).(10(
= 0.7672727
![Page 55: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/55.jpg)
XY 7672727.05636364.6ˆ
ÖRNEK REGRESYON DENKLEMİ
i21i XbbY
![Page 56: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/56.jpg)
ORTALAMADAN FARKLAR
22 x
xyb
XbYb 21
yx=? x2=?y=? x=??X ?Y
![Page 57: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/57.jpg)
Y
X
i
i
iiii
i
i
i
i
•
•
•
•
•
•
•
•
y
x
Y
Y
Y
Y
Y
0X X
( , )X Y
••
••
•
•
e
y =y -e = -Yi
y
N (X , Y )
i
i
ÖRD= =b +b X1 2^^
^}
}
Ortalamalar Orijinine göre Örnek Regresyon Doğrusu (ÖRD)
![Page 58: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/58.jpg)
758895
125115127165172183225
Y
80100120140160180200220240260
X
-62-49-42-12-22-10
28354688
-90-70-50-30-101030507090
Y=1370 x=0X=1700
YYy XXx
y=0
137Y 170X
ORTALAMADAN FARKLAR
![Page 59: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/59.jpg)
ORTALAMADAN FARKLAR
558034302100360 220
-100840
175032207920
810049002500900100100900
250049008100
384424011764
144484100784
122521167744
x2yx y2
yx=25320 x2=33000 y2=20606
![Page 60: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/60.jpg)
ORTALAMADAN FARKLAR
22 x
xyb
33000
25320 = 0.7672727
XbYb 21 = 6.5636364=137-(0.7672).(170)
![Page 61: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/61.jpg)
XY 7672727.05636364.6ˆ
ÖRNEK REGRESYON DENKLEMİ
i21i XbbY
![Page 62: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/62.jpg)
ELASTİKİYETLERİN HESAPLANMASI
i
i
Y
X .
dX
dY
X/X
Y/Ylim
EX
EYE
i
i
0xyx
•Nokta Elastikiyet
•Ortalama Elastikiyet
![Page 63: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/63.jpg)
NOKTA ELASTİKİYET
0
i
Y
X .
ˆdX
dYE
0YX
0
i
Y
X .
ˆb2
X0 = 130
0Y
130 .
ˆ767.0E 130YX0
![Page 64: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/64.jpg)
NOKTA ELASTİKİYET
0Y 0 X0.76727275636364.6
(130) 0.76727275636364.6
3091.106
106.3091
130 .767.0E 130XY 0
0.94
![Page 65: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/65.jpg)
ORTALAMA ELASTİKİYET
Y
X .
dX
dYE XY
Y
X . b2
170X ; 137Y
137
170 . 767.0E XY = 0.95
![Page 66: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/66.jpg)
Tahminin Standart Hatası ve Varyansı
n
)YY(s
2i
n
e2i
(n30 ise)
2n
)YY(s
2ii
2n
e2i
(n<30 ise)
?Y 2)YY( ?e2
Tahminin standart hatası, regresyon doğrusu etrafındaki dağılımın bir ölçüsüdür.
![Page 67: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/67.jpg)
Tahminin Standart Hatası ve Varyansı
i21i XbbY
ii X 7672727.05636364.6Y
![Page 68: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/68.jpg)
Tahminin Standart Hatası ve Varyansı
Tüketim iY
67.945583.290998.6364
113.9818129.3273144.6727160.0182175.3636190.7091206.0545
758895
125115127165172183225
80100120140160180200220240260
Gelir iii YYe 2ii
2i )YY(e
7.05454.7091
-3.636411.0182
-14.3273-17.6727
4.9818-3.3636-7.709118.9455
49.766622.175513.2231
121.4003205.2707312.3253
24.818511.314059.4301
358.93021370Yi Y=1370 e=0 e2=1178.6545
![Page 69: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/69.jpg)
Tahminin Standart Hatası ve Varyansı
2-10
1178.6545s 147.3318 =12.138
s2= 147.3318
2n
YXbYbYs 21
2
210
)258220(7672727.0)1370(5636364.6208296s
Y2 =? Y = ? YX=? b1 =? b2 =?
= 12.138
![Page 70: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/70.jpg)
Tahminin Standart Hatası ve Varyansı
2n
yxbys 2
2
YYy XXx y2 = ? yx = ? b2= ?
210
)25320(7672727.020606s
= 12.138
![Page 71: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/71.jpg)
DEĞİŞKENLİKLER
2)YY( 2)YY( 2)YY(
Y
X
X
Y
Yi
Xi
2)YY(2)YY(
2)YY(
2 y 2y 2e
![Page 72: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/72.jpg)
DEĞİŞKENLİKLER
2)YY( 2)YY( 2)YY(
y2=20600 3455.19427y2 e2=1178.6545
384424011764
144484100784
122521167744
49.766622.175513.2231
121.4003205.2707312.3253
24.818511.314059.4301
358.9302
4768.53022884.66641471.7686
529.836758.870758.8707
529.83671471.76862884.66644768.5302
![Page 73: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/73.jpg)
DEĞİŞKENLİKLER
2)( YY 2)YY( 2)ˆ( YY y2 =
2y e2+
2n
e
2n
y
2n
y 22222
ˆ2 sss yy
20606 = 19427.3455 + 1178.6545
210
6545.1178
210
3455.19427
210
206062575.75 = 2428.4182 + 141.3318
varyanslar
![Page 74: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/74.jpg)
BELİRLİLİK KATSAYISI
Noktaların doğruya yakınlık derecesini göstermektedir. Y’deki değişmelerin yüzde kaçının X tarafından açıklanabildiğini ifade etmektedir.
R2 0 ile 1 arasında değişmektedir.
KORELASYON KATSAYISI
Y ile X arasındaki ilişkinin yönünü ve şiddetini vermektedir.
-1 ile +1 arasında yer almaktadır.
![Page 75: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/75.jpg)
BELİRLİLİK KATSAYISI
varyansToplam
varyansAçıklanan
s
sr
2y
2y2
varyansToplam
an varyansAçıklanmay
s
sr1
2y
22
varyansToplam
an varyansAçıklanmay
s
s1r
2y
22
75.2575
4182.2428 = 0.9428
75.2775
3318.1471 = 0.9428
75.2575
3318.147 = 0.0572
![Page 76: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/76.jpg)
2
2
)(
)(
YY
YY2
2
)(
)ˆ(
YY
YY
2
2
)(
)ˆ(
YY
YY
2
2
2
2
2
2 ˆ
y
e
y
y
y
y
2
2
2
2ˆ
y
e
y
y
TD
HBD
TD
RBD
TD
TD
2
221
y
er
2
221
y
er Belirsizlik katsayısı
![Page 77: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/77.jpg)
BELİRLİLİK KATSAYISI
22
22
yx
)xy( r
)20606)(33000(
)25320(
2
= 0.9428
22 yx
xy r
)20606)(33000(
25320 = 0.9710
![Page 78: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/78.jpg)
DAĞILMA DİYAGRAMLARIY
X
•
•
• •
•
•
•
•
••
•
••
15
10
5
15
105 20
3
Y=3+0.5X
r=0.82s=1.94
-6
Y
X15
10
5
15
105 20
3
Y=3+0.5X
r=0.82s=1.94
-6
Y
X15
10
5
15
105 20
3
Y=3+0.5X
r=0.82s=1.94
-6
Y
X15
10
5
15
105 20
3
Y=3+0.5X
r=0.82s=1.94
-6
(d)(c)
(b)(a)
••
••
•
•
• •
•
•
Aşırı kıymet
••••
![Page 79: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/79.jpg)
STANDARTLAŞTIRILMIŞ HATA TERİMLERİ
0.58120.38796
-0.299590.90774
-1.18037-1.455980.41043
-0.27712-0.635121.56084
7.05454.7091
-3.636411.0182
-14.3273-17.6727
4.9818-3.3636-7.709118.9455
80100120140160180200220240260
eiei/s Xi
![Page 80: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/80.jpg)
e/s 'nin dağılma diyagramı
-2
0
2
60 100 140 180 220 260
![Page 81: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/81.jpg)
EKK Tahminlerinin Standart Hataları ve Kullanılışı
EKK tahminleri ve örnek verilerine dayanarak hesaplanır.
Bir anakütleden bir çok örnek çekilebilir, bu durumda her örnek seti
için farklı tahminciler elde edilecektir. Örnek değerlerinin anakütle
değerleri b1 ve b2 ye ne ölçüde yakın olduğu standart hatalarla
hesaplanır.
Standart hata, tahmincinin örnekleme dağılımının standart
hatasıdır.
1b 2b
![Page 82: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/82.jpg)
Bir tahmincinin örnekleme dağılımı anakütleden seçilebilecek aynı
büyüklükteki örneklerin lerin dağılımıdır. (75 milyar)
60 hanelik anakütleden çekebileceğimiz onluk (75 milyar) örnek için
hesaplanan değerlerinin örnekleme dağılımı ortalama
etrafında normal dağılmaktadır.
Anakütleden çekilen örnekler için hesaplanan EKK leri
örneklerin farlı değerli Y(tüketim) ve X(gelir gibi) e sahip
hanelerden oluşması gibi örnekleme hatalarından dolayı gerçek
değerinden farklıdır.
b
2b )ˆ( 2bE
2b
2b
Örnekleme hataları + ve – yönde aynı ihtimalle ortaya çıkan hatalardır. Ortalama ölçüsü standart hatadır.
![Page 83: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/83.jpg)
En Küçük Karalerle Parametre Tahminlerinin Ortalama ve Varyansı
1b ’in ortalaması:
1 1ˆ( )E b b
1b ’in varyansı:
22 2
1 1 1 2ˆ ˆ( ) ( ) . i
ui
XVar b E b b
n x
![Page 84: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/84.jpg)
2b ’nin ortalaması:
2b ’n'in varyansı:
2 2ˆ( )E b b
2 22 2 2 2
1ˆ ˆ( ) ( ) .ui
Var b E b bx
![Page 85: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/85.jpg)
Katsayıların Standart Hataları
2
2
1 xn
X . s)b( s
22x
s)b( s
)33000.(10
322000 . 138.12 = 11.99
33000
138.12 = 0.0668
![Page 86: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/86.jpg)
Aralık Tahminleri
± t/2 . s( ) 1b 1b
±t/2 . s( ) 2b 2b = 0.7672727 2.306
(0.0668) 0.6132319< 2 <0.9213135
= 6.5636364 2.306 (11.99)
-21.0853 < 1 < 34.2126
![Page 87: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/87.jpg)
Hipotez Testleri
0.6132319< 2 <0.9213135
-21.0853 < 1 < 34.2126
Güven Aralığı Yaklaşımı İle
![Page 88: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/88.jpg)
Hipotez Testleri
Anlamlılık Testi Yaklaşımı İle
•Hipotezlerin Formüle Edilmesi
•Tablo Değerlerinin Bulunması
•Test İstatistiğinin Hesaplanması
•Karar Verilmesi
![Page 89: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/89.jpg)
Hipotez Testleri
1.Aşama H0: 2 = 0
H1: 2 0
2.Aşama = ? = 0.05 ; S.d.=? = n-k = 10-2=8
3.Aşama
t,sd =? t0.05,8=? =2.306
?)b(s
bbt
2
*22
hes
0668.0
07672727.0 =11.4861
4.Aşama |thes= 11.4861 | > |ttab= 2.306 |
H0 hipotezi reddedilebilir
![Page 90: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/90.jpg)
Regresyon ve Varyans Analizi
Değişkenlik KaynağıSapma KareleriToplamı=SKT
SerbestlikDerecesi=sd
SKT Ortalaması=SKTO
Regresyona BağlıDeğişkenlik=RBD
2y f1=k-1=12y
Hata Terimine BağlıDeğişkenlik=HBD
e2 f1=n-k kn
e2
=s2
ToplamDeğişkenlik=TD
y2 n-1
![Page 91: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/91.jpg)
Regresyon ve Varyans Analizi
DeğişkenlikKaynağı
SKT sd SKTO
RBD 19427.3455 2-1=1 19427.3455HBD 1178.6545 10-2=8 147.3318
TD 20606 10-1=9 Fhes=3318.147
3455.19427=131.8612
![Page 92: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/92.jpg)
EKK Modelinde Önceden Tahmin
•İleriye Ait Tahmin
•Önceden Tahmin
•Örnekten Tahmin Edilen İlişkinin Ayni Kaldığı
•X Değerlerinin Aynı Eğilimde Olacağı
![Page 93: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/93.jpg)
Y’nin Aralık Tahmini
0Y ± t/2 . s 2
20
x
)XX(
n
11
0Y ± t/2 . s)Y(0 Y0’ın güven aralığı
![Page 94: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/94.jpg)
Y’nin Aralık Tahmini
0YX0=80 = 67.9455
67.9455 ±
2
33000
)80(101
1 170
35.47840 Y0| X0 100.41251
![Page 95: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/95.jpg)
Y’nin Ortalamasının Aralık Tahmini
0Y ± t /2 . s2
20
x
)XX(
n
1
0Y ± t/2 . s)Y(0 Y’nin ortalamasının güven aralığı
![Page 96: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/96.jpg)
Y’nin Ortalamasının Aralık Tahmini
0YX0=80 = 67.9455
67.9455 ±
2
33000
)80(101 170
51.49402 E(Y0| X0) 84.39689
![Page 97: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/97.jpg)
Y’nin Güven Aralıkları
35.4784052.0157268.2857784.2635999.93034
115.27579130.29996145.01304159.43390173.58749
100.41251114.56610128.98696143.70004158.72421174.06966189.73641205.71423221.98428238.52160
80.00100.00120.00140.00160.00180.00200.00220.00240.00260.00
51.4940269.3382186.90184
103.99618120.34284135.68829150.03254163.62911176.75639189.60311
84.3968997.24361
110.37089123.96746138.31171153.65716170.00382187.09816204.66179222.50598
X0 Alt Sınır Üst Sınır Üst SınırAlt Sınır
Y’ninAralık Tahminleri Y’nin OrtalamasınınAralık Tahminleri
![Page 98: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/98.jpg)
X
3002001000
Y 240
220
200
180
160
140
120
100
80
60
40
20
0
![Page 99: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/99.jpg)
En Küçük Kareler Tahminlerinin Özellikleri
Genellikle bir tahminin ana kütle parametresinin gerçek
değerine yakın olması ve bu gerçek parametre
yakınlarında dar bir aralıkta değişmesi istenir. Ana kütle
parametresine ‘yakınlık’ çeşitli ekonometri tahmin
yöntemleri ile bulunmuş tahminlerin örnekteki
dağılımların ortalaması ve varyansıyla ölçülür.
1. Tahmin Edicilerin Küçük Örnek Özellikleri
![Page 100: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/100.jpg)
Burada her zamanki varsayımsal yenilemeli örnekleme süreci kullanılır, yani her biri n gözlemli çok sayıda örneğin alındığı varsayılır. Ekonometri yöntemlerinin her birini kullanarak her örnekten hesaplanıp dağılımları oluşturulur.
Küçük örnekten bulunmuş iyi bir tahmin edici için temel ölçütler:Sapmasızlık, En küçük varyans, Etkinlik, Doğrusal en iyi, sapmasızlık (DES), En küçük ortalama hata karesi (OHK), Yeterlilik dir.
b
En Küçük Kareler Tahminlerinin Özellikleri
![Page 101: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/101.jpg)
a. Sapmasız Tahmin EdiciBir tahmin edicinin sapması, beklenen değeriyle
gerçek parametre arasındaki fark olarak tanımlanır.
Sapma= -bEğer sapma sıfırsa yani = b ise, sapmasız olur.
Bu da örneklerin sayısı artıkça, sapmasız tahmin edicinin, parametrenin gerçek değerlerine yaklaştığı anlamına gelir. Sapmasız bir tahmin edici ‘ortalama olarak’ parametrenin gerçek değerini verir.
Aranan bir özellik olmasına karşın, sapmasızlık kendi başına çok önemli değildir. Ancak küçük bir varyansla birleşirse önemli olur.
)ˆ(bE)ˆ(bE
![Page 102: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/102.jpg)
, b’nin sapmalı tahmin edicisidir
, b’nin sapmasız tahmin edicisidir
b b
a. Sapmasız Tahmin Edici
![Page 103: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/103.jpg)
b. En Küçük Varyanslı Tahmin Edici (En İyi Tahmin Edici)…
Bir tahmin, başka ekonometri yöntemleriyle bulunmuş başka herhangi bir tahminle karşılaştırıldığında en küçük varyansa sahip olduğu görülürse en iyi tahmindir. nin en iyi olma koşulu:
<Ya da;
Var( )<Var( )
Burada , gerçek parametre b nin (sapmasız olması gerekmeyen) herhangi bir başka tahminidir.
b
2)]ˆ(ˆ[ bEbE 2)]~
(~
[ bEbE
b b~
b~
![Page 104: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/104.jpg)
Varyansı küçük olduğu halde sapması büyük olan bir tahmin edici, gerçek b parametresinden oldukça uzak bir değer etrafında toplanabilmektedir.
, b nin büyük varyanslı sapmasız tahmin edicisidir.
, b nin küçük varyanslı sapmalı bir tahmin edicisidir.
b
b~
b. …En Küçük Varyanslı Tahmin Edici (En İyi Tahmin Edici)
![Page 105: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/105.jpg)
c. Etkin Tahmin Edici
Bir tahmin edici; sapmasız ve başka herhangi sapmasız tahmin ediciyle karşılaştırıldığında daha düşük varyansa sahipse etkin tahmin edicidir.
Aşağıdaki iki koşul yerine getirilirse etkindir:
(i)
ve
Burada , gerçek b nin başka bir sapmasız tahmin edicisidir. Başka bir deyişle, etkin tahmin edici, bütün tahmin sapmasız ediciler sınıfı içinde en düşük (en iyi) varyansa sahip olan tahmin edicidir.
bbbE )ˆ(
2**2 )]([)]ˆ(ˆ[ bEbEbEbE
*b
(ii)
![Page 106: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/106.jpg)
d. Doğrusal Tahmin Edici…
Bir tahmin edici, örnekteki gözlemlerin doğrusal bir fonksiyonuysa doğrusal sayılır. Örnek gözlemleri veriyken, doğrusal bir tahmin edici şu biçimi alır:
Burada ki ler sabit değerlerdir.
Örneğin
olduğundan
örnek ortalaması doğrusal bir tahmin edicidir. Çünkü:
1 1 2 2 ... n nk Y k Y k Y
Y
1 2
1... nk k k
n
![Page 107: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/107.jpg)
1 2 1 2
1 1 1 1 1... ... )i
i n n
YY Y Y Y Y Y Y Y
n n n n n n
örnek ortalaması hesaplanırken her gözleme, 1/n ye eşit olan
aynı k ağırlığı verilmiştir.
Y
d...Doğrusal Tahmin Edici…
![Page 108: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/108.jpg)
e. Doğrusal en iyi sapmasız tahmin edici (DEST)
Bir tahmin edici, doğrusalsa sapmasızsa ve gerçek
b nin öteki doğrusal sapmasız tahmin edicileriyle
karşılaştırıldığında en küçük varyansa sahipse,
DEST olur.
![Page 109: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/109.jpg)
f. En küçük ortalama hata kareli (OHK) tahmin edici
Ortalama hata karesi ölçütü, sapmasızlık ve en küçük varyans özelliklerinin bir bileşimidir. Burada OHK, tahmin edicinin, ana kütledeki gerçek parametre b ile olan farkının karelesinin beklenen değeri olarak tanımlanır:
OHK nin, tahmin edicinin varyansıyla sapma karesinin toplamına eşit olduğu gösterilebilir:
2ˆ ˆ( ) ( )OHK b E b b
)ˆ()ˆ()ˆ( 2 bsapmabVarbOHK
![Page 110: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/110.jpg)
2 2ˆ ˆ ˆ ˆ ˆ ˆ( ) ( ) 2 [ ( )][ ( ) ]E b E b E b b E b E b E b b
2ˆ( )OHK E b b
2ˆ ˆ ˆ( ) ( )E b E b E b b
2ˆ ˆ ˆ( ) ( )E b E b Var b
22ˆ ( )E b b sapma b
f… En küçük ortalama hata kareli (OHK) tahmin edici…
İspat:
![Page 111: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/111.jpg)
ˆ ˆ ˆ[ ( )][ ( ) ] 0E b E b E b b
2ˆ ˆ ˆ ˆ ˆ( ) ( ) ( )E bE b E b bb bE b
2 2ˆ ˆ ˆ ˆ( ) ( ) 0E b E b bE b bE b
)ˆ()ˆ()ˆ( 2 bsapmabVarbOHK
Çünkü:
f. En küçük ortalama hata kareli (OHK) tahmin edici
![Page 112: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/112.jpg)
g. Yeterli tahmin edici
Yeterli bir tahmin edici, gerçek parametre hakkında bir
örneğin içerdiği bütün bilgileri kullanıma koyan bir tahmin
edicidir. Bu başka hiçbir tahmin edicinin, tahmin edilmekte
olan gerçek ana kütle parametresi hakkında daha fazla bilgi
sunamayacağı anlamına gelir.
![Page 113: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/113.jpg)
2. Tahmin edicilerin büyük örnek özellikleri: Asimtotik özellikler
Büyük örnek özelliklerinin, bir tahminin iyiliğini belirleme ölçütü
olarak kullanılması, örneğin sonsuz büyük olmasını gerektirir. İşte
bu nedenle bu özelliklere asimtotik özellikler denir. Örnek büyük
olduğu zaman bu özelliklerin yaklaşık olarak sağlandığı varsayılır.
Özellikler ise şunlardır: asimtotik sapmazlık, tutarlılık ve
asimtotik etkinlik.
![Page 114: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/114.jpg)
Asimtotik dağılım:
Bir dizi rassal değişken düşünüldüğünde;
Bunlardan her birinin kendi dağılımı, ortalaması ve
varyansı vardır. Dağılımlar gitgide artan örnek
büyüklüklerinden oluşturulmuştur. nT sonsuza
giderken bu dağılımlar da belli bir dağılıma doğru
yaklaşıyor olabilirler. İşte bu dağılıma {X(n)} dizisinin
asimtotik dağılımı denir.
2...Tahmin edicilerin büyük örnek özellikleri: Asimtotik özellikler
( ){ } .T1 2 nn n nX X X X
![Page 115: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/115.jpg)
a. Asimtotik sapmasızlık…
Bir tahmincinin asimtotik sapması, asimtotik ortalaması ile gerçek parametre arsındaki farka eşittir.
b
ˆlim ( )nn
E b b
ˆ 'ˆlim ( )nn
b nin
asimtotik E b b
sapması
Eğer edicisinin asimtotik ortalaması, ana kütlenin gerçek b parametresine eşit ise, bu tahmin edici, bu parametrenin asimtotik sapmasız tahmin edicisidir.
![Page 116: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/116.jpg)
Eğer bir tahmin edici (sonlu küçük örneklerde)
sapmasızsa aynı zamanda asimtotik sapmasızdır,
ama bunun tersi doğru değildir.
a… Asimtotik sapmasızlık
Asimtotik bir sapmasız tahmin edici, örnek
büyüklüğü yeterine büyük olduğunda sapması
kaybolan bir tahmin edicidir.
![Page 117: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/117.jpg)
b. Tutarlılık…
ˆ,b
b
ˆlim ( )nn
E b b
ˆlim ( ) 0n
Var b
Bir edicisi, aşağıdaki iki koşulla, ana kütlenin b gerçek parametresinin tutarlı bir tahmin edicisidir:
1. asimtotik sapmasız olmalıdır.
2. n sonsuza giderken 'nin varyansı sıfıra yaklaşmalıdır:
b
![Page 118: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/118.jpg)
Eğer varyans sıfırsa, dağılım ana kütlenin gerçek parametresinin üstünde bir noktada toplanır.
Bir tahmin edicinin tutarlı olup olmadığını anlamak için, n arttıkça sapmanın ve varyansının ne olduğuna bakılmalıdır. (n) büyüdükçe hem sapma hem varyans azalmalı ve limitte ( iken) sıfır olmalıdır. Tutarlılık kavramı aşağıda çizilmiştir. Örnek büyüklüğü artıkça hem sapma hem varyans azalmaktadır.
n
Tutarlılık…
![Page 119: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/119.jpg)
c. Asimtotik etkinlik
Eğer
(1) tutarlıysa
(2)Başka herhangi bir tutarlı tahmin ediciye göre daha küçük bir asimtotik varyansı varsa
bu tahmin edici ana kütlenin gerçek b parametresinin asimtotik etkin bir tahmincisidir.
Eğer;
ise asimtotik etkindir. Burada , b nin başka bir tutarlı tahmin edicisidir. Tutarlı tahmin ediciler karşılaştırıldığında hangisinin varyansı daha hızla sıfıra yaklaşıyorsa o, asimtotik etkendir.
b
21 ˆlim ( )nnE n b b
n
2*lim1
bbEn
nn
b *b
![Page 120: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/120.jpg)
3. En Küçük Kareler Tahmin Edicilerinin Özellikleri
Hata terimi u'nun bazı genel varsayımları yerine
getirmesi, yani ortalamasının sıfır ve varyansının
sabit olması koşuluyla, en küçük kareler
tahmincilerinin DES ( doğrusal, en iyi,
sapmasız) özelliklerini sağlamasına Gauss-Markow
en küçük kareler teoremi denmektedir.
![Page 121: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/121.jpg)
a. Doğrusallık En küçük kareler tahminleri ve gözlenen örnekteki Yi
değerlerinin doğrusal fonksiyonlarıdır. Varsayım gereği Xi ler hep aynı değerlerle göründüklerine göre en küçük kareler tahminlerinin yalnız Y değerlerine bağlı olduğu gösterilebilir.
1b 2b
2 2ˆ i
i i ii
xb Y k Y
x 2
ii
i
xk
x
1ˆ ( )b f Y 2
ˆ ( )b f Yİspat:
Varsayım gereği X değerleri sabit değerler kümesidir. Bu durumda ki lerde örnekten örneğe değişmezler.
![Page 122: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/122.jpg)
Bu durumda şunu yazabiliriz:
2 1 1 2 2ˆ ... ( )i i n nb k Y k Y k Y k Y f Y
2b Y’lerin doğrusal bir fonksiyonudur. Bağımlı değişken
değerlerinin doğrusal bir bileşimidir.
1
1ˆ [ ]i ib Xk Yn
X ve ki Örnekten örneğe değişmez.
katsayı tahmini sadece Y ye bağlıdır.
…Doğrusallık
![Page 123: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/123.jpg)
b. Sapmasızlık
ve nin sapmasızlık özelliği ve
şeklindedir. Bu özelliğin anlamı, örneklerin sayısı artıkça tahminler de parametrelerin gerçek değerine yaklaşır. Başka bir deyişle, n sayıda Y ve X gözleminden oluşan, olanak içindeki bütün örnekleri seçildiğinde ve ile
tahminleri her örnek için hesaplandığında, bu tahminlerden çok fazla sayıda elde edilir. Bunların ortalaması ise ilişkinin parametrelerine eşit olur. Tahminlerin dağılımı, orta nokta olarak parametrenin gerçek b değeri üzerinde toplanacaktır.
1b 2b 2 2ˆ( )E b b1 1
ˆ( )E b b
1b 2b
![Page 124: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/124.jpg)
![Page 125: İKİ DEĞİŞKENLİ BASİT DOĞRUSAL REGRESYON MODELİ](https://reader033.vdocuments.net/reader033/viewer/2022061610/56815355550346895dc16893/html5/thumbnails/125.jpg)
c. En Küçük Varyans
Gauss-Markow teoremi ispatı: Bu teoreme göre en küçük kareler tahminleri, başka ekonometri yöntemleriyle bulunmuş herhangi bir başka doğrusal sapmasız tahmin ediciler arasında en iyisidir ( varyansı en küçük olandır). EKK yönteminin tercih edilmesinin temel nedeni de bu özelliktir.