slide1
Download
Skip this Video
Download Presentation
Do ğ rusal Model

Loading in 2 Seconds...

play fullscreen
1 / 61

Do ğ rusal Model - PowerPoint PPT Presentation


  • 185 Views
  • Uploaded on

DOĞRUSALLIK VE DOĞRUSAL OLMAMA DURUMU*. Do ğ rusal Model. Doğrusal olmama durumunu anlatmadan önce doğrusallıktan bahsetmek gerekmektedir. *Bu konu Christopher Dougherty ’, Inroduction to Econometrics kitabının slaytlarından çevrilerek hazırlanmıştır. 1. DOĞRUSALLIK VE DOĞRUSAL OLMAMA DURUMU.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Do ğ rusal Model' - murphy-waters


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
slide1
DOĞRUSALLIK VE DOĞRUSAL OLMAMA DURUMU*

Doğrusal Model

Doğrusal olmama durumunu anlatmadan önce doğrusallıktan bahsetmek gerekmektedir.

*Bu konu Christopher Dougherty’, Inroduction to Econometrics kitabının slaytlarından çevrilerek hazırlanmıştır.

1

slide2
DOĞRUSALLIK VE DOĞRUSAL OLMAMA DURUMU

Yukarıda verilen model iki durum bakımından dorusaldır. Model değişkenler bakımından doğrusaldır. Ayrıca parametreler bakımından da doğrusaldır.

2

slide3
DOĞRUSALLIK VE DOĞRUSAL OLMAMA DURUMU

Değişkenlerde ve parametrelerde doğrusallık durumu:

Parametreler her bir terimde çarpımsal olarak yer almaktadır.

3

slide4
DOĞRUSALLIK VE DOĞRUSAL OLMAMA DURUMU

Değişken ve parametre bakımından doğrusallık:

Parametre bakımından doğrusal, değişken bakımından doğrusal olmama:

İkinci model parametre bakımından doğrusalken, değişken bakımından doğrusal değildir.

4

slide5
DOĞRUSALLIK VE DOĞRUSAL OLMAMA DURUMU

Bu modellerde bir sorun yoktur. Yeni değişkenler yukarıdaki gibi tanımlanabilir.

5

slide6
DOĞRUSALLIK VE DOĞRUSAL OLMAMA DURUMU

Değişkenlerde ve parametrelerde doğrusallık durumu:

Parametrelerde doğrusal değişkenlerde doğrusal olmama durumu:

Yapılan yüzeysel dönüşümler ile hem parametre hem de değişkenler doğrusal duruma getirilir.

6

slide7
DOĞRUSALLIK VE DOĞRUSAL OLMAMA DURUMU

Değişkenlerde ve parametrelerde doğrusallık durumu:

Parametrelerde doğrusal değişkenlerde doğrusal olmama durumu:

Parametre bakımından doğrusal olmama durumu:

Üçüncü model katsayı bakımından doğrusal değildir. X4 değişkeninin katsayısı, X2 ve X3 değişkenleri katsayılarının çarpımıdır. Parametre bakımından doğrusal olmayan modeller uygun dönüşümler sayesinde doğrusallaştırılabilir.

7

slide8
DOĞRUSALLIK VE DOĞRUSAL OLMAMA DURUMU

Muz Gelir

(lbs) ($10,000)

HanehalkıYX

1 1.71 1

2 6.88 2

3 8.25 3

4 9.52 4

5 9.81 5

6 11.43 6

7 11.09 7

8 10.87 8

9 12.15 9

10 10.94 10

Doğrusallaştırma için yukarıdaki örnek ile başlayalım. 10 hanehalkına ait yıllık muz tüketimi ve yıllık gelir bilgileri yukarıdaki gibidir.

8

slide9
DOĞRUSALLIK VE DOĞRUSAL OLMAMA DURUMU

Y

X

Verilerin dağılımı grafikte verilmiştir.

9

slide10
DOĞRUSALLIK VE DOĞRUSAL OLMAMA DURUMU

. reg Y X

Source | SS df MS Number of obs = 10

---------+------------------------------ F( 1, 8) = 17.44

Model | 58.8774834 1 58.8774834 Prob > F = 0.0031

Residual | 27.003764 8 3.3754705 R-squared = 0.6856

---------+------------------------------ Adj R-squared = 0.6463

Total | 85.8812475 9 9.54236083 Root MSE = 1.8372

------------------------------------------------------------------------------

Y | Coef. Std. Err. t P>|t| [95% Conf. Interval]

---------+--------------------------------------------------------------------

X | .8447878 .2022741 4.176 0.003 .378343 1.311233

_cons | 4.618667 1.255078 3.680 0.006 1.724453 7.512881

------------------------------------------------------------------------------

Doğrusal modelin sonuçları çıktı olarak verilmiştir. Dağılma diyagramından görüldüğü gibi X’in katsayısı istatistiksel olarak anlamlıdır. R2 değeri oldukça iyidir.

10

slide11
DOĞRUSALLIK VE DOĞRUSAL OLMAMA DURUMU

Y

X

Regresyon doğrusu çizildikten sonra dağılım diyagramı yukarıda yine verilmiştir.

11

slide12
DOĞRUSALLIK VE DOĞRUSAL OLMAMA DURUMU

Y

X

Grafiğe tahmin değerleri ve hata terimleri eklenmiştir. Hata terimleri modelin bazı bakımlardan yanlış belirlenmiş olabileceğini göstermektedir.

12

slide13
DOĞRUSALLIK VE DOĞRUSAL OLMAMA DURUMU

Y

X

Eğer model doğru olarak belirlenmiş olsaydı hata terimleri tesadüfi olarak dağılacaktı. Bu durumda tesadüfi değildir. Negatif hata terimini altı tane pozitif hata terimi ve bunları da üç tane negatif hata terimi takip etmektedir.

13

slide14
DOĞRUSALLIK VE DOĞRUSAL OLMAMA DURUMU

Yeniden düzenlenmiş model:

Y değişkeninin ilişkisinin 1/X ile daha uygun olabilir. Eğer 2 < 0 ise, Y değişkeni X ile yine artacaktır, fakat artış oranı düşecektir.

14

slide15
DOĞRUSALLIK VE DOĞRUSAL OLMAMA DURUMU

Gözden geçirilmiş model :

Yukarıdaki model doğusal değildir. X değişkeninin tersi olarak bir Z değişkeni tanımlanırsa model doğrusal olabilecektir.

15

slide16
DOĞRUSALLIK VE DOĞRUSAL OLMAMA DURUMU

MuzGelir

(lbs) ($10,000)

Hanehalkı YXZ=1/X

1 1.71 1 1.00

2 6.88 2 0.50

3 8.25 3 0.33

4 9.52 4 0.25

5 9.81 5 0.20

6 11.43 6 0.17

7 11.09 7 0.14

8 10.87 8 0.13

9 12.15 9 0.11

10 10.94 10 0.10

Yeni adım Z değişkenini X değişkeni yardımı ile hesaplamaktır. Böylece eski değişkenlerden yeni değişkenler elde edilebilir.

16

slide17
DOĞRUSALLIK VE DOĞRUSAL OLMAMA DURUMU

Y

Z

Bu kez Y ve Z arasındaki dağılma diyagramı yukarıdaki gibidir.

17

slide18
DOĞRUSALLIK VE DOĞRUSAL OLMAMA DURUMU

. g Z=1/X

. reg Y Z

Source | SS df MS Number of obs = 10

---------+------------------------------ F( 1, 8) = 286.10

Model | 83.5451508 1 83.5451508 Prob > F = 0.0000

Residual | 2.33609666 8 .292012083 R-squared = 0.9728

---------+------------------------------ Adj R-squared = 0.9694

Total | 85.8812475 9 9.54236083 Root MSE = .54038

------------------------------------------------------------------------------

Y | Coef. Std. Err. t P>|t| [95% Conf. Interval]

---------+--------------------------------------------------------------------

Z | -10.98865 .6496573 -16.915 0.000 -12.48677 -9.490543

_cons | 12.48354 .2557512 48.811 0.000 11.89378 13.07331

------------------------------------------------------------------------------

Yeni Z değişkeni ile elde edilen model çıktısı yukarıdadır.

18

slide19
DOĞRUSALLIK VE DOĞRUSAL OLMAMA DURUMU

. g Z=1/X

. reg Y Z

Source | SS df MS Number of obs = 10

---------+------------------------------ F( 1, 8) = 286.10

Model | 83.5451508 1 83.5451508 Prob > F = 0.0000

Residual | 2.33609666 8 .292012083 R-squared = 0.9728

---------+------------------------------ Adj R-squared = 0.9694

Total | 85.8812475 9 9.54236083 Root MSE = .54038

------------------------------------------------------------------------------

Y | Coef. Std. Err. t P>|t| [95% Conf. Interval]

---------+--------------------------------------------------------------------

Z | -10.98865 .6496573 -16.915 0.000 -12.48677 -9.490543

_cons | 12.48354 .2557512 48.811 0.000 11.89378 13.07331

------------------------------------------------------------------------------

Regresyon modeli

19

slide20
DOĞRUSALLIK VE DOĞRUSAL OLMAMA DURUMU

Y

Z

Regresyon doğrusu ve verilerin dağılım diyagramı

20

slide21
DOĞRUSALLIK VE DOĞRUSAL OLMAMA DURUMU

Y

X

X değişkeninin tersini alarak Z değişkeninin yer alması ve elde edilen modelin orijinal veriler ile grafiği çizildiğinde daha uygun olduğu görülmektedir.

21

slide22
DOĞRUSAL OLMAYAN MODELLERDE HATA TERİMİ

Doğrusal olmayan regresyon modellerinin hata yapısını ele alalım.

1

slide23
DOĞRUSAL OLMAYAN MODELLERDE HATA TERİMİ

Doğrusal modellerde regresyon sonuçları istenilen özelliklere sahiptir. Dönüştürülen modelde hata terimi toplamsal olmalıdır ve Gauss-Markov şartlarını sağlamalıdır.

2

slide24
DOĞRUSAL OLMAYAN MODELLERDE HATA TERİMİ

Geleneksel testlerin gerçekleştirilebilmesi için, dönüştürülmüş model hata terimi normal dağılmalıdır.

3

slide25
DOĞRUSAL OLMAYAN MODELLERDE HATA TERİMİ

Eğer orijinal modeldeki hata terimleri istenilen özelliklere sahip ise, doğrusal olmayan regresyon modelindeki hata terimleri de istenilen özelliklere sahiptir. Dönüşümden etkilenmemektedir.

4

slide26
DOĞRUSAL OLMAYAN MODELLERDE HATA TERİMİ

Log-log bir modelde hata terimi dışlansın.

5

slide27
DOĞRUSAL OLMAYAN MODELLERDE HATA TERİMİ

Bununla birlikte, dönüştürülmüş modelde hata teriminin toplamsal olduğu varsayılsın.

6

slide28
DOĞRUSAL OLMAYAN MODELLERDE HATA TERİMİ

Ancak orjinal modelde tesadüfi bileşen çarpımsaldır. eu.

7

slide29
DOĞRUSAL OLMAYAN MODELLERDE HATA TERİMİ

Orijinal modeldeki çarpımsal terimi v ile gösterelim.

8

slide30
DOĞRUSAL OLMAYAN MODELLERDE HATA TERİMİ

u sıfıra eşit olduğunda, log Y değerini değiştirmeye gerek yoktur. Aynı biçimde v 1’e eşit olduğunda ise Y değerini değiştirmeye gerek yoktur.

9

slide31
DOĞRUSAL OLMAYAN MODELLERDE HATA TERİMİ

1 değerinden büyük olan v değerlerine karşılık gelen pozitif u değerleri, tesadüfi faktör Y ve log Y üzerinde pozitif etkiye sahiptir. Benzer şekilde, 0 ve 1 değerleri arasındaki v değerlerine karşılık gelen negatif u değerleri, tesadüfi faktör Y ve log Y üzerinde negatif etkiye sahiptir.

10

slide32
DOĞRUSAL OLMAYAN MODELLERDE HATA TERİMİ

f(v)

v

Ayrıca Gauss-Markov şartlarını sağlanması, t ve F testlerini gerçekleştirebilmek için u teriminin normal dağılması gerekmektedir.

11

slide33
DOĞRUSAL OLMAYAN MODELLERDE HATA TERİMİ

f(v)

v

Eğer v lognormal dağılıma sahip ise şekli yukarıdaki gibi olacaktır.

12

slide34
DOĞRUSAL OLMAYAN MODELLERDE HATA TERİMİ

f(v)

v

u = 0 iken, dağılımın modu v =1 olmaktadır.

13

slide35
DOĞRUSAL OLMAYAN MODELLERDE HATA TERİMİ

f(v)

v

Aynı çarpımsal hata terimi yarı-logaritmik modelde de olmalıdır.

14

slide36
DOĞRUSAL OLMAYAN MODELLERDE HATA TERİMİ

f(v)

v

Bu dağılımda büyük pozitif tesadüfi etkiye maruz kalan gözlemlerde küçük oransal değişme beklenecektir.

15

slide37
DOĞRUSAL OLMAYAN MODELLERDE HATA TERİMİ

Örnekte kazanç ve eğitim yılına ait verilerin dağılımı yukarıdaki gibidir. Birçok aykırı gözlem bulunmaktadır ve bunların üç tanesi sarı ile gösterilmiştir.

16

slide38
DOĞRUSAL OLMAYAN MODELLERDE HATA TERİMİ

Yukarıda yarı-logaritmik modelin regresyon doğrusu etrafındaki dağılma diyagramı gösterilmektedir. Aynı üç değer hala aykırı gözlem olarak görülmektedir.

17

slide39
DOĞRUSAL OLMAYAN MODELLERDE HATA TERİMİ

Yukarıdaki histogram doğrusal ve yarı-logaritmik modellerin hata terimlerini karşılaştırmaktadır. Hata terimleri standart sapması bir olacak şekilde standartlaştırıldığında karşılaştırılabilir.

18

slide40
DOĞRUSAL OLMAYAN MODELLERDE HATA TERİMİ

Eğer regresyon modelindeki hata terimi normal dağılıyorsa yukarıdaki gibi gösterilir

19

slide41
DOĞRUSAL OLMAYAN MODELLERDE HATA TERİMİ

Yarı-logaritmik modelden elde edilen hata terimleri yaklaşık olarak normal iken doğusal modelden elde edilen model hata terimleri normal değildir. Bu da yarı-logaritmik modelin daha iyi tanımlama olduğunu göstermektedir.

20

slide42
DOĞRUSAL OLMAYAN MODELLERDE HATA TERİMİ

Eğer tam logaritmik yada yarı-logaritmik model hata terimi çarpımsal yerine toplamsal olursa ne olur?

21

slide43
DOĞRUSAL OLMAYAN MODELLERDE HATA TERİMİ

Eğer böyle bir durum söz konusu ise, verilerin logaritması alınarak doğrusallaştırılamaz. log(b1Xb + u)’i basitleştirmenin bir yolu yoktur. Bu durum için bazı doğrusal olmayan tekniklerin kullanılması gerekmektedir.

2

22

slide44
BOX-COX TESTİ*

Bir regresyon modelinin tanımlanmasında bağımlı değişken aynı iken R2, modelleri karşılaştırmak için kulllanılabilir.

* Bu örnek “Applied Econoemtrics A Modern Approach” Dimitrios Asterious and Stephen G. Hall kitabından alınmıştır.

1

slide45
BOX-COX TESTİ

Ancak bağımlı değişken aynı değilse karşılaştırma yapılamaz.

2

slide46
BOX-COX TESTİ

Bu modeller aynı değildir ve karşılaştırma yapılamaz. Farklı fonksiyonel biçimlerin Box-Cox dönüşümü ile karşılaştırılması mümkündür.

4

slide47
BOX-COX TESTİ

Box-Cox dönüşümü yapılmadan önce Box-Cox dönüşüm parametresi olan λ nın bulunması gerekmektedir. λ belirlendikten sonra bağımlı değişkene ilişkin dönüşüm aşağıdaki gibi yapılmaktadır.

λ değeri eğer sıfır olarak bulunmuş ise, gerçek bağımlı değişkenin(y) ile logaritmik bağımlı değişken(logy) birbiri yerine kullanılabilmektedir. Ancak, λ nın sıfırdan farklı olması durumunda yukarıdaki formülden hesaplanan yeni bağımlı değişkeni oluşturulup Box-Cox testi aşamaları gerçekleştirilebilir.

slide48
BOX-COX TESTİ

(1)

(2)

1.Adım: Y gözlemlerinin geometrik ortalaması alınır.

2.Adım: Y gözlemleri geometrik ortalamalarına bölünerek Y* değişkenine dönüştürülür.

slide49
BOX-COX TESTİ

(1)

(2)

3.Adım: (1) ve (2) nolu modellerde bağımlı değişken yerine Y* değişkeni konur.

(3)

(4)

slide50
BOX-COX TESTİ

4.Adım: (3) ve (4) nolu modellerden elde edilen hata kareler toplamına göre ki-kare kritik değeri elde edilir. Serbestlik derecesi 1 olan ki-kare tablo değeri ile karşılaştırılır.

(3)

(4)

Sonuç olarak eğer test değeri tablo değerinden büyük ise daha küçük hata kareler toplamına sahip modelin daha iyi olduğu ifade edilebilir.

slide51
BOX-COX TESTİ

Örnek: 1985:1-1994:2 dönemleri arasında tüketim, gelir ve tüketici fiyat indeksi verileri verilmiştir. İki türlü tüketim fonksiyonu tanımlanmıştır.

Ct : reel tüketim,

Yt: reel gelir

Her iki modeli karşılaştırabilmek için reel hale getirilen değişkenlerin logaritması alınarak dönüştürme adımlarına başlanabilir.

slide52
BOX-COX TESTİ

lnCt =ln(Ct)=CYeni

C değişkenin geometrik ortalaması alınır.

λ=0 olduğu için logaritmik C değişkeni kullanılmıştır.

C* değişkeni (1) ve (2) nolu modellerde bağımlı değişken yerine kullanılır ve (3) ve (4) nolu modeller ayrı ayrı tahminlenir.

(3)

(4)

slide55
Model karşılaştırması

H0: Model tahminleri arasında fark yoktur.

H1: Hata kareler toplamı küçük model daha iyidir.

Logaritmik fonksiyonun doğrusal modelden daha iyi olduğu söylenemez

slide56
BOX-COX TESTİ

Yukarıdaki iki modelde Y gözlemlerin geometrik ortalamasına bölünmesi ile normalleştirdikten sonra şu şekilde karşılaştırılabilir.

8

slide57
BOX-COX TESTİ

Aşağıdaki iki model karşılaştırılmak istensin.

Bir önceki örnekte olduğu gibi bağımlı değişkenin geometrik ortalaması alınarak bağımlı değişken gözlemleri geometrik ortalamaya bölünür.

9

slide58
BOX-COX TESTİ

EARN* elde edildikten sonra aşağıdaki iki model tahminlenebilir.

Karşılaştırma amaçlı aşağıdaki test istatistiği hesaplanır.

Kazanç denklemini doğrusal ve yarı logaritmik biçimde karşılaştırmak için yukarıdaki testi uygulayacağız.

10

slide59
BOX-COX TESTİ

. reg EARNSTAR S

Source | SS df MS Number of obs = 570

---------+------------------------------ F( 1, 568) = 65.64

Model | 30.8184248 1 30.8184248 Prob > F = 0.0000

Residual | 266.69807 568 .469538855 R-squared = 0.1036

---------+------------------------------ Adj R-squared = 0.1020

Total | 297.516494 569 .522876089 Root MSE = .68523

------------------------------------------------------------------------------

EARNSTAR | Coef. Std. Err. t P>|t| [95% Conf. Interval]

---------+--------------------------------------------------------------------

S | .0944558 .0116589 8.102 0.000 .0715559 .1173557

_cons | -.1224433 .1602326 -0.764 0.445 -.437164 .1922774

------------------------------------------------------------------------------

EARNSTAR’nın S ye göre regresyonu alınır. Hata kareleri toplamı bulunur.

17

slide60
BOX-COX TESTİ

. reg LGEARNST S

Source | SS df MS Number of obs = 570

---------+------------------------------ F( 1, 568) = 93.21

Model | 21.6812545 1 21.6812545 Prob > F = 0.0000

Residual | 132.120642 568 .232606764 R-squared = 0.1410

---------+------------------------------ Adj R-squared = 0.1395

Total | 153.801897 569 .270302103 Root MSE = .48229

------------------------------------------------------------------------------

LGEARNST | Coef. Std. Err. t P>|t| [95% Conf. Interval]

---------+--------------------------------------------------------------------

S | .0792256 .0082061 9.655 0.000 .0631077 .0953435

_cons | -1.071214 .1127785 -9.498 0.000 -1.292727 -.8496999

------------------------------------------------------------------------------

LGEARNST’nın de regresyonu alınır ve hata kareler toplamı alınır.

18

slide61
BOX-COX TESTİ

H0: Model tahminleri arasında fark yoktur.

H1: Hata kareler toplamı küçük model daha iyidir.

Test istatistiği 200.2 dir. Kikare tablo değeriyle karşılaştırıldığında yarı logaritmik modelin daha iyi olduğuna karar verilir.

19

ad