fakÜlte / yÜksekokul: İktİsat fakÜltesİ
TRANSCRIPT
FAKÜLTE / YÜKSEKOKUL: İKTİSAT FAKÜLTESİ
BÖLÜM: EKONOMETRİ
DÖNEM (GÜZ / BAHAR): BAHAR
DERSİN ADI: PANEL VERİ ANALİZİ
DERS NOTU YAZARININ
ADI ve SOYADI: PROF. DR. FERDA YERDELEN TATOĞLU
CANLI DERS ÖĞRETİM
GÖREVLİSİNİN / ÜYESİNİN
ADI ve SOYADI:
PROF. DR. FERDA YERDELEN TATOĞLU
Yazar Notu
Elinizdeki bu eser, İstanbul Üniversitesi Açık ve Uzaktan Eğitim Fakültesi’nde okutulmak için
hazırlanmış bir ders notu niteliğindedir.
1. HAFTA DERS NOTU
2 / 20
İÇİNDEKİLER
1. PANEL VERİ – TEMEL KAVRAMLAR
1.1. EKONOMETRİK ANALİZLERDE KULLANILAN VERİ TÜRLERİ
1.2. PANEL VERİ
1.3. TEMEL KAVRAMLAR
1.3.1. Dengeli Panel – Dengesiz Panel
1.3.2. Birim Etki – Zaman Etkisi
1.3.3. İçsellik – Dışsallık
1.3.4. Heterojenlik
1.3.5. Birimler Arası Korelasyon
1.4. PANEL VERİNİN AVANTAJLARI VE KISITLAMALARI
1.4.1. Panel Verinin Avantajları
1.4.1.1. Birim Değişkenliğini ve Gözlenemeyen Heterojenliği Modele İlave
Edebilmek
1.4.1.2. Tahmin Sapmasını Azaltmak
1.4.1.3. Çoklu Doğrusal Bağlantı Problemini Azaltmak
1.4.1.4. Daha Kapsamlı Modeller Kurabilmek
1.4.2. Panel Veri Kullanmanın Getirdiği Kısıtlamalar
1.4.2.1. Hata Payında Oluşan Sapmalar
1.4.2.2. Veri Toplama Problemi
1.4.2.3. Zaman Serisinin Kısa Olma Problemi
3 / 20
ÖZET (TÜRKÇE)
Birinci hafta genel olarak ekonometride kullanılan veri türlerinden bahsedilmekte ve panel
veriler detaylı olarak tanıtılmaktadır. Panel veriler, panel veri modellerinde karşılaşılabilecek
bazı kavramlar ve panel veri modellerinin avantaj ve kısıtlamaları da bu bölümde ele
alınmaktadır.
4 / 20
1. PANEL VERİ – TEMEL KAVRAMLAR
Bu bölümde ekonometrik analizlerde kullanılan veri türlerine, panel veri analizinde gerekli
olabilecek çeşitli temel kavramlara ve panel veri kullanımının avantajlarına ve getirdiği
kısıtlamalara yer verilmiştir.
1.1. EKONOMETRİK ANALİZLERDE KULLANILAN VERİ TÜRLERİ
Ekonometrik araştırmanın en önemli aşamalarından bir tanesi, değişkenlere ait verilerin
toplanmasıdır. Güvenilir kaynaklardan ve doğru olarak veri toplanmasının yanı sıra,
kullanılacak modele uygun olacak şekilde veri toplanması da ekonometrik tahminlerin
güvenilirliğini büyük ölçüde etkilemektedir. Bu noktada ekonometrik analizlerde kullanılan
üç çeşit veri türünden bahsetmeye gerek duyulmaktadır. Bunlar;
- zaman serisi verisi
- yatay kesit veri
- panel veri
olarak sınıflandırılabilmektedirler.
Zaman Serisi Verisi: Değişkenlerin değerlerinin gün, ay, mevsim, yıl gibi zaman birimlerine
göre değişimini içeren verilere denilmektedir. Örneğin; yıllık milli gelir, aylık ihracat, günlük
hisse senedi getirileri gibi. Tablo 1.1’de Türkiye’nin 1990–2008 yılları arasındaki işsizlik
oranı verileri zaman serisi verisine örnek olarak gösterilmektedir.
Tablo 1.1. Türkiye’nin 1990–2008 Yılları Arasındaki İşsizlik Oranları
Yıllar Türkiye’nin İşsizlik Oranları
1990 8,20 1991 7,80
׃ ׃2004 10,30
׃ ׃2008 9,40
5 / 20
Yatay Kesit Veri: Zamanın belli bir noktasında, farklı birimlerden toplanan verilere
denilmektedir. Burada “birim”; birey, hane halkı, firma, sektör, ülke gibi ekonometrik
birimleri ifade etmek için kullanılmaktadır. Örneğin; 2007 yılının Ocak ayında Türkiye’de
illere göre otomobil sayısı, Akdeniz Ülkelerinin her birine 2009 yılının 3. çeyreğinde
(temmuz-eylül) gelen toplam turist sayısı gibi. Tablo 1.2’de 25 OECD ülkesinin 2004
yılındaki işsizlik oranı verileri yatay kesit veriye örnek olarak gösterilmektedir.
Tablo 1.2. 25 OECD Ülkesinin 2004 Yılı İşsizlik Oranları
Ülkeler Avusturya Belçika … İspanya … Türkiye … Birleşik Krallık
Yıl: 2004 4,94 8,43 … 10,97 … 10,30 ... 4,63
Panel Veri: Bireyler, ülkeler, firmalar, hane halkları gibi birimlere ait yatay kesit
gözlemlerin, belli bir dönemde bir araya getirilmesi olarak tanımlanmaktadır. Panel veri, N
sayıda birim ve her bir birime karşılık gelen T sayıda gözlemden oluşmaktadır. Örneğin;
Türkiye’nin illerinin 1980–2005 yılları arasındaki buğday üretim miktarları, İMKB-30’da yer
alan hisse senetlerinin 2009 yılı günlük getiri oranları, 1986–2007 döneminde imalat
sanayindeki firmalarda çalışan işçi sayıları gibi. Tablo 1.3’de, 25 OECD ülkesinin 1990–2008
yılları arasındaki işsizlik oranı verileri panel veriye örnek olarak gösterilmektedir.
Tablo 1.3. 25 OECD Ülkesinin 1990–2008 Yılları Arasındaki İşsizlik Oranları
Ülkeler Avusturya Belçika … İspanya … Türkiye … Birleşik Krallık
1990 3,25 6,83 … 16,25 ... 8,20 ... 6,03 1991 3,42 6,71 … 16,34 … 7,80 ... 7,51
׃ ׃ ׃ ׃ ׃ ׃ ׃ ׃ ׃ 2004 4,94 8,43 … 10,97 … 10,30 ... 4,63
׃ ׃ ׃ ׃ ׃ ׃ ׃ ׃ ׃2008 3,80 7,00 … 11,30 … 9,40 … 5,60
Tablo 1.3’de görüldüğü gibi her bir ülkeye ait işsizlik oranı zaman serisi verileri bir araya
getirilerek panel veri seti oluşturulmuştur.
6 / 20
Ekonometrik analizlerde çeşitli nedenlerden dolayı, yatay kesit ve zaman serisi verilerinin
ayrı ayrı kullanılma eğilimi vardır; ya sadece kesit boyut ya da sadece zaman boyutu ile
ilgilenilmektedir. Bazı iktisadi ve finansal ilişkilerde tek bir boyutun yetersizliği, yatay kesit
ve zaman serisi verilerinin bir arada kullanımına imkân sağlayan panel verileri gündeme
getirmiştir. Yatay kesit veri, birçok birim için sadece bir dönem hakkında bilgi verirken;
zaman serisi verisi, sadece bir birimin dönemlere göre bilgisini vermektedir. Hem dönemlere
hem de birimlere göre bilgilerin elde edilmesi isteniliyorsa, panel veri kullanılması
gerekmektedir.
1.2. PANEL VERİ
Yatay kesit ve zaman serisi verilerinin birleştirildiği panel verilere ilk olarak; Hildreth (1950),
Kuh (1959), Grunfeld ve Griliches (1960), Zellner (1962), Balestra ve Nerlove (1966),
Swamy (1970) tarafından yapılan çalışmalarda değinilmiştir. Fakat gerçek anlamda
uygulamalı çalışmalar, daha çok 1990’lı yıllardan itibaren başlamıştır.
Son zamanlarda, her biri farklı zamanlarda gözlenmiş birçok ülkeye ve binlerce birey ya da
hane halkına ait gözlemler içeren dikey veri setleri hazırlanmıştır. Özellikle OECD’nin
yayınladığı istatistiklerde birçok ülke için yıllar bazında oluşturulmuş çok sayıda ekonomik
seriler mevcuttur. Analizlerde kullanılan en önemli panel veri setleri:
- 1960’lı yıllardan itibaren başlayan işgücü piyasasındaki bireylere ait detaylı verilere
ulaşılabilen ve Bureau of Labour Statistics’in sponsorluğunda yayınlanan, NLS (National
Longitudinal Surveys of Labor Market Experience),
- 1968 yılında başlayan Michagan Üniversitesi Sosyal Araştırmalar Enstitüsü tarafından
6000’den fazla aile ve 15000’den fazla birey için toplanan ve yaklaşık 5000 değişken
içeren, PSID (University of Michangan’s Panel Study of Income Dynamics),
- Eurostat tarafından 1994 yılından beri derlenen, Avrupa Birliği üye ülkelerindeki hane
halkı ve bireylerin yaşam koşullarını yansıtan sosyal göstergelere ait verileri yayınlayan,
BHPS (British Household Panel Survey).
7 / 20
Bunların dışında,
- SLID (Canadian Survey of Labour Income Dynamics),
- JPSC (Japanese Panel Survey on Consumers),
- KLIPS (Korea Labor and Income Panel Study),
- HILDA (Household Income and Labor Dynamics in Australia),
- IFLS (Indonesia Family Life Surveys),
- SEP (Netherlands Socio-Economic Panel),
- GSOEP (German Social-Economic Panel),
- PSELL (Luxemburg Socio-Economic Panel)
gibi panel veri setleri de, örnekler arasında sayılabilmektedir. Türkiye’de ise, bu şekilde hazırlanmış
ve sürekliliği olan veri setleri mevcut değildir.
Zaman boyutuna sahip yatay kesit veriler bir başka ifade ile panel veriler kullanılarak
oluşturulan panel veri modelleri yardımıyla ekonomik ilişkilerin tahmin edilmesi yöntemine
“panel veri analizi” ismi verilmektedir. Bu analizde genelde, yatay kesit birim sayısının (N)
dönem sayısından (T) fazla (N>T) olduğu durumla karşılaşılmaktadır.
Genel olarak panel veri modeli;
it it it it itY X uα β= + + i=1,......,N ; t=1,......,T (1.1)
şeklinde yazılabilmektedir. Burada, Y: bağımlı değişken, X: bağımsız değişken, α sabit
parametre, β eğim parametresi ve u hata terimidir. i alt indisi birimleri (birey, firma, şehir,
ülke gibi), t alt indisi ise zamanı (gün, ay, yıl gibi) ifade etmektedir. Değişkenlerin,
parametrelerin ve hata teriminin i ve t alt indisini taşıması, panel veri setine sahip olduklarını
göstermektedir. Bu modelde sabit ve eğim parametreleri hem birimlere hem de zamana göre
değer almaktadır.
1.3. TEMEL KAVRAMLAR
Bu bölümde, panel veri analizinde sıklıkla karşılaşılan kavramlar üzerinde durulacaktır.
8 / 20
1.3.1. Dengeli Panel – Dengesiz Panel
Panel verilerle çalışıldığında, her bir birim tüm zamanlar boyunca gözlenmişse “dengeli
panel”; bazı birimler için bazı zamanlar kayıpsa “dengesiz panel” söz konusu olmaktadır. Bu
derste daha çok dengeli panel üzerinde durulacaktır.
1.3.2. Birim Etki – Zaman Etkisi
Panel veri birçok birimin bir araya gelmesi ile oluşmaktadır ve her bir birimin kendisine has özellikleri
mevcuttur. Birimlerin özelliklerini yansıtan değişkenlere “birim etki” ismi verilmektedir. Birim etki,
birimlere göre değişen ve zamana göre sabit bir değişkendir. Bireylerden bahsediliyorsa
yetenek, kişilik özellikleri; firmalardan bahsediliyorsa yönetici yeteneği, yönetim kalitesi;
illere göre tarımsal üretim fonksiyonlarından bahsediliyorsa toprak özelliği örnek olarak
verilebilir.
Panel veride birimlerin yanında zaman boyutu da yer almaktadır ve her bir zaman diliminin
kendine özgü özellikleri de mevcut olabilmektedir. Bu zaman özelliklerini yansıtan değişken
“zaman etkisi” ismini almaktadır. Zaman etkisi, birimlere göre sabit ve zamana göre değişen
bir değişkendir. Örneğin makro iktisadi verilerle çalışılırken belli dönemlerde kriz, sel,
deprem gibi etkiler, firma verileri ile çalışılırken yönetici değişikliklerinin etkilediği dönemler
örnek olarak verilebilmektedir.
Uygulamada daha çok birim etkinin olduğu durumlarla karşılaşılırken, her bir dönemin
kendine has özellikleri olduğu durumla pek karşılaşılmamaktadır, bu nedenle birim etkiler
modelleri üzerinde daha çok durulmaktadır.
1.3.3. İçsellik - Dışsallık
Zaman serisi verisi ve kesit veri analizlerinde olduğu gibi, panel veri analizinde önemli
varsayımlardan bir tanesi, dışsallık varsayımıdır. “İçsellik”, bağımsız değişkenler ile hata
teriminin korelasyonlu olması olarak ve “dışsallık”, bağımsız değişkenler ile hata teriminin
korelasyonlu olmaması olarak tanımlanmaktadır. Dışsallığın, zayıf (eşzamanlı) ve katı
9 / 20
dışsallık olmak üzere iki türü vardır. Bağımsız değişkenin ve hata teriminin aynı dönemde
korelasyonsuz olduğu durumda “zayıf dışsallık”; bağımsız değişkenin geçmiş ve gelecek
değerleri ile hata teriminin korelasyonsuz olduğu (tersi de geçerlidir) durumda da “katı
dışsallık” söz konusu olmaktadır.
O halde zayıf dışsallık;
( ) 0 1, 2,...it itE u X t T= =
gibi gösterilebilmektedir. Hata terimi ile bağımsız değişkenler aynı dönemde (t zamanında)
korelasyonsuzdur. Katı dışsallık ise;
( )1 2| , ,..., 0 1, 2,...it i i iTE u X X X t T= =
şeklinde ya da genel olarak aşağıdaki gibi ifade edilebilmektedir;
( ) ( )0 ya da 0 tüm s ve t'ler içinit is is itE u X E u X= =
Burada hata teriminin t dönem değeri bağımsız değişkenlerin t dönemi, t dönemi öncesi ve
sonrası değerleri ile korelasyonsuzdur, tam tersi de geçerlidir.
Katı dışsallık varsayımı teknik olarak yapılmasına rağmen, bazı araştırmacılar (örneğin
Wooldridge) bu varsayımın gerçek dünyada ekonomi için oldukça katı bir varsayım olduğunu
savunup, zayıf dışsallık varsayımını yeterli bulmaktadırlar.
İçsellik probleminin rastlanıldığı durumlar detaylı olarak, “1.4.1. Panel Verinin Avantajları
(1.4.1.2. Tahmin Sapmasını Azaltmak)” alt başlığı altında anlatılacak olmasına rağmen,
burada aşağıdaki gibi özetlenmiştir:
1. Dışlanmış değişkenler: Modelden dışlanmış değişkenler, içsellik problemine sebep
olabilmektedirler. Bu maddeyi açıklamak için aşağıdaki model ele alınabilir;
1... , 1...it it it itY X Z i N t Tα β γ ε= + + + = = (1.2)
10 / 20
burada z gözlenmemiş bir değişken iken, X ve Z’nin korelasyonlu olduğu bilgisi mevcut
olsun. Panel veri ile çalışılıyorsa, model Zit’yi dışlayacak şekilde dönüştürülebilmekte (fakat
bu durumda X ile korelasyonlu olması sebebiyle β sapmalı tahmin edilmekte) ya da çeşitli
formlarda Zit’yi de içerecek şekilde tahmin edilebilmektedir. Örneğin Zit=Zi (Zi, birimlere
göre değişen ve zamana göre sabit bir değişkendir; cinsiyet gibi) ve Zit=Zt (Zt, birimlere göre
sabit ve zamana göre değişen bir değişkendir; şehirlere göre bir malın satışları üzerinde
reklamın etkisi gibi) durumları ile karşılaşıldığında da tahmin yapılabilmektedir. Böylece, iki
boyutun birinde değerlenen dışlanmış değişkenlere izin verilmektedir.
2. Modelin dinamik yapısı: Dinamik modellerde, bağımsız değişken olarak ele alınan
gecikmeli bağımlı değişkenler ile hata terimi arasındaki korelasyon içsellik problemine
sebep olmaktadır.
3. Eşanlı denklem sistemleri: Eşanlı denklem sistemlerinde bağımlı-bağımsız değişken
ayırımı mevcut olmadığından, bir modeldeki bağımsız değişken başka bir modelde
bağımlı değişken olabilmektedir. Dolayısıyla bağımsız değişkenler ile hata terimi
korelasyonlu olabilmektedirler.
4. Ölçme hataları: Bağımsız değişkenlerde ölçme hatası olduğu takdirde, bu ölçme hatası
hata teriminde ifade edilmektedir ve hata terimi ile bağımsız değişkenin korelasyonlu
olmasına neden olmaktadır.
1.3.4. Heterojenlik
Panel veri analizinde kullanılan bireyler, firmalar, ülkeler, şehirler gibi birimler genelde
heterojendir. Bu heterojenliği hesaba katmamak, ilgilenilen parametrelerin tutarsız
tahminlerine sebep olmaktadır. Heterojenliği modele yansıtmanın en kolay yolu sabit ve/veya
eğim parametrelerinin heterojen olduğunu varsaymak ve ona göre tahmin yöntemi
belirlemektir. Bu durum daha sonra detaylandırılacak olup, burada açıklamak amacıyla örnek
olarak iki durum ele alınacaktır:
11 / 20
X
1
2
3
4
Y
1) Sabit parametre birimlere göre heterojen (αi≠αj), eğim parametresi homojen (βi=βj)
olabilmektedir:
it i it itY X uα β= + + (1.3)
Bu durum Şekil 1.1’den net bir şekilde izlenebilmektedir.
Şekil 1.1. Sabit Parametrenin Heterojen, Eğim Parametresinin Homojen Olduğu Durum
Şekil 1.1’de dört birim için sabit parametre birimden birime değişirken, eğim parametresi
sabit olduğundan regresyon doğrusunun eğimi değişmemektedir.
2) Sabit parametre ve eğim parametresi birimlere göre heterojen (αi≠αj ve βi≠βj)
olabilmektedir.
it i i it itY X uα β= + + (1.4)
Şekil 1.2’de beş birim için hem sabit hem de eğim parametresi birimden birime
değişmektedir.
12 / 20
X
4
5
3
2
1
Y
Şekil 1.2. Sabit Parametrenin ve Eğim Parametresinin Heterojen Olduğu Durum
Hem sabit parametre hem de eğim parametresi, birimden birime değişmektedir.
Benzer eğilimler sabit ve eğim parametrelerinin zamana göre heterojen olduğu durumlarda da
görülebilmektedir.
1.3.5. Birimler Arası Korelasyon
Birimler arası korelasyon, literatürde “yatay kesit bağımlılık” ya da “uzamsal korelasyon” olarak da
bilinmektedir. Panel veri modelinin her bir birimi için hesaplanan hata terimleri arasında korelasyon
olduğunu ifade etmektedir. Birçok panel veri çalışmasında, dışlanan değişkenlerin (birim ve/veya
zaman) etkilerinin yatay kesit birimler boyunca birbirinden bağımsız dağıldığı varsayılmaktadır. Eğer
panel verideki birimler tesadüfi olarak çekilmişlerse (çalışılan birim boyutu birey, firma gibi ise) bu
doğru bir yaklaşım olabilmektedir; çünkü bu durumda birimler arası korelasyon çok önemli
olmamaktadır. Fakat bazen, birimler arasındaki korelasyon göz ardı edilememektedir; özellikle
ülkeler, bölgeler, eyaletler ve şehirler gibi birimlerle çalışıldığında birimler arası korelasyonla
karşılaşılması beklenebilmektedir.
Bu durumda doğru modeli kurabilmek için, birimler arası korelasyonun varlığı test edilmeli
ve eğer varsa tahmin aşamasında ona göre önlemler alınmalıdır. Birimler arası korelasyon
genelde uzamsal (spatial) etkiler, bir birimden taşan etkiler ya da gözlenemeyen genel
faktörler sebepleriyle meydana gelmektedir. Bu konu ayrıntıları ile 6. ve 7. Bölümlerde ele
alınacaktır.
13 / 20
1.4. PANEL VERİNİN AVANTAJLARI VE KISITLAMALARI
Ekonometrik analizlerde panel veri kullanmanın zaman serisi verisi veya yatay kesit veri kullanmaya
göre avantajları ve getirdiği bazı kısıtlamalar vardır.
1.4.1. Panel Verinin Avantajları
Ekonometrik araştırmalarda panel veri kullanımı, yatay kesit ve zaman serisi verileri
kullanmanın avantajlarına ilave olarak birçok avantaj sağlamaktadır.
Zaman serisi ve yatay kesit veri gözlemlerinin eş zamanlı olarak yer alması sebebiyle, panel
veri araştırıcıya daha fazla veri ile çalışma imkânı vermektedir. Bu durumda, gözlem sayısı ve
dolayısıyla serbestlik derecesi artmaktadır. Böylece, açıklayıcı değişkenler arasındaki çoklu
doğrusal bağlantının derecesi azalmakta ve ekonometrik tahminlerin etkinliği ve güvenilirliği
artmaktadır. Ayrıca panel veri kullanımı, sadece yatay kesit veri ya da zaman serisi verileri ile
çözülemeyecek iktisadi sorunların analiz edilmesine de olanak tanımaktadır. Panel veri
kullanımının, ekonometrik tahminler için sağladığı faydalar aşağıda başlıklar halinde
ayrıntıları ile incelenecektir.
1.4.1.1. Birim Değişkenliğini ve Gözlenemeyen Heterojenliği Modele İlave Edebilmek
Ekonometrik analizlerde kullanılan birimler genelde heterojendir. Zaman serisi ve yatay kesit
verileri analizleri bu değişkenliği tek başına kontrol edememekte iken; panel veri analizi, bu
heterojenliği dikkate almaktadır. Zaman serisi verileri, örneğin mikro-ekonomik ya da sosyo-
demografik faktörlerin etkisini göstermekte yetersiz kalmaktadır. Yatay kesit veride ise,
mikro-ekonomik ve sosyo-demografik faktörlerden kaynaklanan değişiklikler modelde ifade
edilirken zaman boyutu kullanılamamaktadır. Yatay kesit verilerden tahmin edilen
parametrelerde, birim özelliklerinden çok birimler arası farklılıklarının etkileri görülmektedir.
Dolayısıyla, zaman serilerinde sadece birim özellikleri, kesit veride sadece birimler arası
farklılıklar ifade edilebilirken; panel veride hem birim özellikleri hem de birimler arası
farklıklar eşanlı olarak ifade edilebilmektedir.
- Baltagi ve Levin (1992) tarafından yapılan bir çalışmada, 1963–1988 yılları arasında 46
Amerikan Eyaleti’nde sigara talebi modeli incelenmiştir. Modelde sigara tüketiminin
14 / 20
gecikmeli değeri, sigaranın fiyatı ve gelir bağımsız değişkenler olarak ele alınmıştır. Sigara
tüketimi üzerinde etkili olan sadece zamana göre değişen (eyalete göre değişmeyen: eyalet
değişmezi) ya da sadece eyaletlere göre değişen (zamana göre değişmeyen: zaman değişmezi)
çok sayıda faktör vardır. Zaman değişmezine örnek olarak, eyaletin dini (bazı bölgelerdeki
dinsel inanışlar sigaraya kullanımını yasaklamıştır, örneğin: Mormon eyaletindeki dinsel
inanış) ve eyalet değişmezine örnek olarak, TV ya da radyoda yayınlanan sigara ile ilgili
reklamlar verilebilmektedir. Dolayısıyla panel verilerle çalışılarak, bu zaman ya da birimlere
göre değişmeyen değişkenler modele alınabilmekte ve kontrol edilebilmektedir.
- Aşağıdaki tarımsal üretim modeli örnek olarak ele alındığında;
it it it itY X Z uα β γ′ ′= + + + i=1,......,N ; t=1,......,T (1.5)
burada; bağımlı değişken Y üretim değeri iken X: ekili dikili alan, dağıtılan tohumluk miktarı,
tüketilen tarımsal ilaç miktarı, kullanılan gübre miktarı, traktör sayısı gibi bağımlı değişkeni
etkileyen bağımsız değişkenlerdir. Z ise, gözlenemeyen değişkenleri örneğin toprak kalitesini
(Zit = Zi) ifade etmek için kullanılmıştır. Görüldüğü gibi panel veriler kullanılarak
gözlenemeyen bireysel etkiler modele dahil edilebilmektedir.
- Örnek olarak işgücü arzı modeli aşağıdaki gibi ele alındığında;
0it it it itY X Z uβ β λ′ ′= + + + i=1,......,N ; t=1,......,T (1.6)
burada; Y çalışma saatlerinin logaritmasını, X reel ücret oranının logaritmasını, Z işçilerin
daha önceki servetlerinin marjinal faydasını gösteren gözlenemeyen bir değişken olarak
düşünülebilmektedir. İşçilerin yaşamları boyunca servetlerinin (örneğin emlak gelirlerinin)
zamana göre sabit olduğu, fakat birimlere göre değişkenlik gösterdiği farz edilebilmektedir
(Zit = Zi). Görüldüğü gibi, panel veriler kullanılarak gözlenemeyen birim etkiler modele dahil
edilebilmektedir. Bu modelde sadece Xit ve Zi korelasyonlu değil; aynı zamanda eğitim gibi
Xit’yi etkileyen fakat modele dâhil edilmeyen tüm değişkenler de Zi ile korelasyonlu
olmaktadır. Bu şartlar altında, β’nın tutarlı tahminini elde etmek olası değildir. Panel veri
analizi kullanılarak çeşitli varsayımlar ve uygun tahmin yöntemleri ile β parametresi tutarlı
tahmin edilebilmektedir.
15 / 20
1.4.1.2. Tahmin Sapmasını Azaltmak
Panel veri modellerinde, dışlanan değişkenler nedeniyle hata terimi ile açıklayıcı değişkenler
korelasyonlu olmakta ve parametre tahminleri sapmalı olmaktadır. Panel veri kullanılarak bu
değişkenlerin etkileri kontrol altında tutulabilmektedir, bu durumda tahmin sapması
azalmakta ya da tamamen yok olmaktadır. Çünkü korelasyonun kaynağını bilmek, tutarlı
tahminciler elde etmek için önemli bilgiler sağlamaktadır. Sapmayı minimize etmek amacıyla,
modeldeki açıklayıcı değişkenler ile hata terimi arasındaki korelasyonun (içsellik
probleminin) üç tipinden bahsetmeye gerek duyulmaktadır;
1) Dışlanan Değişken Sebebiyle Sapma: Spesifikasyon hatası ya da veri yetersizliği
sonucunda, eşitlikte yer alması gereken fakat yer almayan (dışlanmış) değişkenler ile
modeldeki açıklayıcı değişkenler arasındaki korelasyon varsa, hata terimi ve bağımsız
değişkenler arasındaki korelasyon. Örneğin firma verileri ile kurulan bir üretim modelinde,
yönetici kabiliyeti ölçülemeyen bir değişkendir. Yönetici kabiliyetinin üretim üzerindeki
etkisinin modele alınmaması nedeniyle, bağımsız değişken ile hata terimi korelasyonlu
olmakta ve faktör elastikiyetlerinin tahminleri sapmalı olmaktadır.
Panel veri modellerinde, birim ve/veya zaman boyutlu dışlanan değişkenlerden kaynaklanan
sapma aşağıdaki üç metoddan biri ile yok edilebilmektedir;
- Birim ve/veya zaman etkisini yok etmek için örnek gözlemlerini dönüştürmek,
- Birim ve/veya zaman etkisini göstermek için gölge değişken kullanmak,
- Gözlenen açıklayıcı değişkenler sabitken, birim ve/veya zaman etkilerinin koşullu bir
dağılımını oluşturmak.
Doğrusal panel veri modellerinde, dışlanmış değişkenler sebebiyle ortaya çıkan sapmayı yok
etmek için kullanılan bu metodlarda, birimlere ve zamana göre değerlenen hata terimi
öğelerinin özdeş ve bağımsız dağıldığı varsayımı yapılıyorsa, sapmasız, tutarlı ve etkin
tahminciler elde edilebilmektedir. Doğrusal panel veri modelleri için geçerli olan bu
sonuçların, doğrusal olmayan panel veri modelleri için geçerli olduğunu söylemek çok zordur.
Çünkü doğrusal olmayan panel veri modellerinde, doğrusal durumun aksine birim etkinin
tahmini ile genel katsayıların tahminini ayırmak zordur. Birim ve/veya zaman etkisini ifade
16 / 20
etmek üzere gölge Değişken kullanıldığında, T sabitken etkinin sayısı birim sayısı (N) ile
birlikte arttığından dolayı, birim ve/veya zaman etkilerinin tahminine kalkışmak daha sonra
bahsedilecek olan rastlantısal parametre problemini yaratacaktır. Böylece, ne parametrelerin
tutarlı tahmini elde edebilecek, ne de etkiler modele doğrusal olarak girmedikçe örnek
gözlemlerinin dönüştürülmesi yolu ile etkiler yok edilebilecektir.
2) Modelin Dinamik Yapısı ve Şoklar Nedeniyle Sapma: Dinamik modellerde, gecikmeli
bağımlı değişkenler ile hata terimleri korelasyonludur ve bu korelasyonun göz ardı edilmesi
yüzünden parametreler sapmalı tahmin edilmektedir.
3) Eşanlılık Sapması: Eşanlı panel veri modellerinde bağımlı ve bağımsız değişken ayrımları
net olarak yapılamadığından, bağımsız değişkenler (ortak bağımlı değişkenler) ile hata terimi
genelde korelasyonludur. Eşanlılık sapmasını yok etmek için standart yaklaşım, tam bağımlı
değişkenler ile hata terimleri arasındaki korelasyonu yok etmektir. Bunun için, Araç
Değişkenler Yöntemleri kullanılabilmektedir.
1.4.1.3. Çoklu Doğrusal Bağlantı Problemini Azaltmak
Zaman serilerinde serbestlik derecesinin az olması ve ciddi çoklu doğrusal bağlantı durumu,
her bir açıklayıcı değişkenin tek başına etkisine karar vermek isteyen ekonometristler için
önemli bir problem olmaktadır. Bu problem, örnekten sağlanan bilginin modelin ihtiyacı olan
bilgiyi karşılamakta yeterli olmadığı sonucunu doğurduğundan, oldukça ciddidir. Bu
durumda, ya örnekten sağlanacak bilgiyi arttırmak ya da modelin ihtiyacı olan bilgiyi
azaltmak zorunluluğu ortaya çıkmaktadır. Panel veri kullanılarak hem serbestlik derecesi
arttırılabilmekte, hem de panel veride değişkenlerin iki boyuta göre değerlenmesi ve özellikle
birimlere ait bilgilerinin varlığı nedeniyle veriden sağlanan bilgi ile model için gerekli olan
bilgi arasındaki fark azaltılabilmektedir. Örneğin dağıtılmış gecikmeli modellerde, bağımsız
değişkenin gecikmeli değerleri arasında çoklu doğrusal bağlantılar olması mümkündür, panel
veri kullanılarak bu tür modellerde bağımsız değişkenlerdeki birimler arası farklılıklar modele
dâhil edildiğinden, çoklu doğrusal bağlantı probleminin ciddiyeti azalmaktadır.
17 / 20
- Örnek olarak, bir dağıtılmış gecikmeli model ele alınırsa:
0
h
t T t T tT
Y X uβ −=
= +∑ t=1,..................,T (1.7)
Genelde, gecikmeli X değişkenleri arasında (örneğin: Xt ile Xt-1 arasında) yakın ilişki olduğu
düşünülmektedir, bu sebepten h+1 sayıda açıklayıcı değişken (Xt, Xt-1,.........Xt-h) arasında
oldukça şiddetli çoklu doğrusal bağlantı görülebilmektedir. Çoklu doğrusal bağlantı
nedeniyle, gecikmeli değişkenlerin parametrelerini tahmin etmek için yeterli bilgi
sağlanamayabilmektedir. Panel veri kullanılırsa, X gecikmeli değişkenlerinin değerleri
arasındaki çoklu doğrusal bağlantı problemini azaltmak için, birim farklılıklarından
yararlanılabilmektedir.
Dolayısıyla gözlem sayının ve serbestlik derecesinin artması çoklu doğrusal bağlantı
sorununu azalttığı gibi, parametre tahminlerinin de güvenilirliğini arttırmaktadır.
1.4.1.4. Daha Kapsamlı Modeller Kurabilmek
Panel veri, tek başına zaman serisi ya da yatay kesit veri kullanılarak kurulamayan, hem
zaman hem de birim boyutunu içeren, daha kapsamlı ve karmaşık davranışsal modeller
yapılmasına ve bu modellerin test edilmesine imkân tanımaktadır.
- Örneğin klasik üretim modeli analizleri, ekonomileri derecelerine göre ayırmakta ve
teknolojik değişiklikleri ifade etmekte yetersiz kalmaktadır, panel verilere başvurularak daha
kapsamlı analizler yapılabilmektedir.
1.4.2. Panel Veri Kullanmanın Getirdiği Kısıtlamalar
Panel veri kullanmanın yukarıda sayılan avantajlarının yanında, getirdiği bazı dezavantajlar
ve kısıtlamalar da vardır. Bunlar aşağıdaki gibi sıralanabilmektedir.
18 / 20
1.4.2.1. Hata Payında Oluşan Sapmalar
Panel veri modellerinde özellikle hata terimi büyük önem taşımaktadır, çünkü panel veri
modellerindeki hata terimi;
- zaman serisi modeline özgü sapmayı,
- yatay kesit veri modeline özgü sapmayı,
- panel veri modeline özgü sapmayı
taşımaktadır. Bu nedenlerden dolayı, panel veri modellerinde hata terimi çoğu zaman
sapmalıdır.
1.4.2.2. Veri Toplama Problemi
Panel veri ile yapılan çalışmalarda en önemli problem, verilere ulaşmak ve verileri
düzenlemektir. Özellikle Türkiye’de, panel verilerle çalışmaya imkân sağlayacak şekilde veri
bulunması oldukça zor olmaktadır. Ayrıca sansürlü gözlemler ve özellikle anket
çalışmalarında çeşitli nedenlerden dolayı cevapsız kalan sorular nedeniyle, verinin
kısıtlanması da mümkündür.
1.4.2.3. Zaman Serisinin Kısa Olma Problemi
Panel veride genellikle, birim boyutu fazla olmasına rağmen zaman boyutu kısadır. Bunun
anlamı, asimptotik özelliklerin oldukça fazla olan birim sayısına bağlı olmasıdır. Bu da,
özellikle doğrusal olmayan panel veri modellerinde çözülmesi zor ekonometrik problemler
yaratmaktadır.
19 / 20
ÇALIŞMA SORULARI
1. 20 firmanın 1990-2013 yılı stok ve satış verileri kesit veriye örnektir. Doğru Yanlış
2. Panel veri kullanımı çoklu doğrusal bağlantıyı nasıl hafifletir?
3. Türkiye için panel veri analizi kullanarak bir çalışma yapmak isterseniz neyi incelerdiniz?
4. 20 şehire ait 2012 yılı aylık verilerle nüfus ve işsizlik arasındaki ilişki incelenmek isteniyor.
1 şehir için 2012 yılı temmuz ayı verisine ulaşılamıyor. Sadece 1 gözlem kaybı olduğu için
dengeli panel ile karşı karşıyayız. Doğru Yanlış
5. Zayıf dışsallık kavramını açıklayınız.
20 / 20
KAYNAKÇA
Baltagi B. H., 1995, “Econometric Analysis of Panel Data”, Chichester: John Wiley&Sons.
Wooldridge J. M., 2002, “Econometric Analysis of Cross Section and Panel Data”
Cambridge, Ma: MIT Press.
Yerdelen Tatoğlu F., 2013 (2. Baskı), “Panel Veri Ekonometrisi”, Beta Yayınları, İstanbul.
Yerdelen Tatoğlu F., 2013 (2. Baskı), “İleri Panel Veri Analizi”, Beta Yayınları, İstanbul.
2. HAFTA DERS NOTU
2 / 13
İÇİNDEKİLER
2. DOĞRUSAL PANEL VERİ MODELLERİ VE TAHMİN YÖNTEMLERİ
2.1. DOĞRUSAL PANEL VERİ MODELLERİ 2.2. KLASİK MODEL VE HAVUZLANMIŞ EN KÜÇÜK KARELER YÖNTEMİ
2.2.1. Havuzlanmış En Küçük Kareler Yönteminin Ardındaki Varsayımlar 2.2.2. Havuzlanmış En Küçük Kareler Yönteminin Özellikleri
2.2.3. Bilgisayar Uygulaması
3 / 13
ÖZET (TÜRKÇE)
Bu hafta doğrusal panel veri modelleri ve tahmin yöntemlerine giriş yapılmaktadır. Bu
bağlamda klasik model ve tahmini için kullanılan havuzlanmış en küçük kareler yöntemi
detaylı olarak incelenmektedir.
4 / 13
2. DOĞRUSAL PANEL VERİ MODELLERİ VE TAHMİN
YÖNTEMLERİ
2.1. DOĞRUSAL PANEL VERİ MODELLERİ
N sayıda birimin ve her birime ait T sayıda gözlemin birlikte ele alınması, daha öncede
bahsedildiği gibi panel verileri meydana getirmektedir. Genel olarak doğrusal panel veri
modeli;
itkitkititititititit uXXXY +++++= ββββ .....22110 i=1,...,N; t=1,...,T (2.1)
ya da kısaca;
∑=
++=K
kitkitkititit uXY
10 ββ i=1,..........,N; t=1,..........,T (2.2)
şeklinde ifade edilebilmektedir. Burada alt indislerden i; hane halkı, birey, firma, şehir gibi
birimleri, t ise gün, ay, yıl gibi zamanı göstermektedir. Bir başka ifade ile i yatay kesit
boyutunu; t ise zaman boyutunu ifade etmektedir. β0it, sabit terimi; βkit, Kx1 boyutlu
parametreler vektörünü; Xkit, k. açıklayıcı değişkenin t zamanında i. birim için değerini; Yit,
bağımlı değişkenin t zamanında i. birim için değerini göstermektedir. Panel veri modellerinde
parametrelerin, her dönemde ve her birim için değer almasına izin verilmektedir. Modelin
tahminine geçmeden önce, parametrelerin birim ve/veya zamana göre değer almasına göre
bazı varsayımlar yapılmaktadır. Bunlar; takip eden bölümde ele alınacak olan, sabit etkiler ve
Tesadüfi Etkiler varsayımlarıdır. Her iki varsayımla da kurulan modelde, uit hatalarının sıfır
ortalama ve sabit varyansla tüm zaman dönemlerinde ve tüm birimler için özdeş ve bağımsız
normal dağıldığı [IIN(0, 2uσ )] varsayılmaktadır.
Panel veri modelleri, parametrelerin birim ve/veya zamana göre değer almasına bağlı olarak
aşağıdaki gibi sınıflandırılabilmektedir;
1. Hem sabit, hem de eğim parametrelerinin birimlere ve zamana göre sabit olduğu modeller:
5 / 13
∑=
++=K
kitkitkit uXY
10 ββ (2.3)
Bu tür modellere, “Klasik Model” denilmektedir.
2. Eğim parametresinin sabit, sabit parametrenin birimlere göre değişken olduğu modeller:
∑=
++=K
kitkitkiit uXY
10 ββ i=1,..........,N; t=1,..........,T (2.4)
Bu tür modellere, “Birim Etkiler Modeli” denilmektedir. Bu modeller, bir önceki bölüm 1.3.4.
Heterojenlik başlığı altında Şekil 1.1’de gösterilmişti.
3. Eğim parametresinin sabit, sabit parametrenin birimlere ve zamana göre değişken olduğu
modeller:
∑=
++=K
kitkitkitit uXY
10 ββ i=1,..........,N; t=1,..........,T (2.5)
Bu tür modeller ise, hem birim hem de zaman etkisi içermesi nedeniyle, “Birim ve Zaman
Etkileri Modeli” olarak bilinmektedir.
4. Tüm parametrelerin birimlere göre değişken, zamana göre sabit olduğu modeller,
∑=
++=K
kitkitkiiit uXY
10 ββ i=1,..........,N; t=1,..........,T (2.6)
şeklinde gösterilebilmektedir. Bu modeller, bir önceki bölüm 1.3.4. Heterojenlik başlığı
altında Şekil 1.2’de ifade edilmişti.
5. Tüm parametrelerin hem birimlere hem de zamana göre değişken olduğu modeller ise,
∑=
++=K
kitkitkititit uXY
10 ββ i=1,..........,N; t=1,..........,T (2.7)
6 / 13
şeklindedir. (2.4) ve (2.5) numaralı modellerde, eğim parametresi sabitken sabit katsayı
değişkendir. Bu modeller, panel veri analizinde en çok kullanılan modeller olup “Değişken
Sabit Katsayılı Modeller” ya da “Sabit Parametresi Değişken Modeller” olarak
adlandırılmaktadır. Birimlere ve zamana göre farklılıkları değişik şekillerde hesaba katmak
için en kolay yol, Sabit Parametresi Değişken Modelleri kullanmaktır.
Sabit Parametresi Değişken Modellerin temel varsayımı; modelden çeşitli sebeplerle dışlanan
değişkenlerin etkilerinin modelde, sabit terim ya da hata terimi yardımıyla ifade edilmesidir.
Modelden dışlanan değişkenler aşağıdaki gibi sınıflandırılabilmektedir.
1. Zamana göre sabit olan birimden birime değişen değişkenler (birimlerin özelliklerini
yansıtan değişkenler). Bu değişkenler, “zaman değişmezi değişkenleri” ya da daha önce
tanımlandığı gibi “birim etki” ismini almaktadırlar. Örnek olarak; demografik özellikler,
firma vasıfları, yetenek, cinsiyet ve sosyal sınıflar verilebilir.
2. Zamanın verilen bir noktasında tüm birimler için sabit, zamana göre değişim sergileyen
değişkenler. Bu değişkenler “birim değişmezi değişkenleri” ya da daha önce tanımlandığı gibi
“zaman etkisi” ismini almaktadırlar.
3. Hem birimlere hem zamana göre değişim sergileyen değişkenler.
Panel veri modelleri kullanılarak, Sabit Parametresi Değişken Modellere uygun bir
spesifikasyon sağlanmış olmaktadır.
- Örnek olarak, firmalar için kurulan Cobb-Douglas üretim fonksiyonu ele alınırsa;
itkitkitit uXXY ++++= βββ ............110 i=1,.......,N; t=1,.......,T
Bu modelde; Y çıktının, X1,........,Xk girdilerin logaritmik değerleridir. Genelde, dışlanan
etkilerin X’den ve onun dağılımından bağımsız olduğu, yani tesadüfi olarak değiştiği
varsayılmaktadır. Bu model, firmalar arasındaki idari farklılıkları yansıtan değişkenlerin (Mi)
7 / 13
ve firmaların verimliliklerini etkileyen fakat zamana göre düzenli değişmeyen (örneğin
teknoloji ya da tarımsal üretim modeli için hava şartları) farklılıkları yansıtan değişkenlerin
(Pt) dışlanması sebebiyle eleştirilebilir. Cobb-Douglas modelinden dışlanan bu değişkenlerin
etkileri hata terimine de yansımakta ve içerisinde özetlenmektedir. Bu durumda uit aşağıdaki
şekilde gösterilebilmektedir;
ittiit vPMu ++= λα
burada vit; Mi ve Pt dışında, diğer dışlanmış olan değişkenlerin etkisini ve hata teriminin
diğer kaynaklarını temsil etmektedir. Mi ve Pt ile ilgili hiç gözlem bulunmaması nedeniyle α
ve λ’yı direkt olarak tahmin etmek mümkün değildir.
Bu derste panel veri modelleri, sabit ve eğim parametrelerinin sabit olduğu klasik model (2.3
modeli) ve sabit ve/veya eğim Parametrelerinin değişken olduğu modeller (2.4, 2.5, 2.6 ve 2.7
modelleri) olmak üzere iki grupta incelenecektir. Panel veri analizinde daha önce de
değinildiği gibi, en fazla sabit parametresi değişken modeller (2.4 ve 2.5 modelleri) ile
ilgilenilmektedir. (2.4) modeli sadece birimlere göre değişkenlik içerdiği için “Tek Yönlü
Model”; (2.5) modeli ise hem birimlere hem de zamana göre değişkenlik içerdiği için “İki
Yönlü Model” olarak adlandırılmaktadır. Basitleştirmek amacıyla önce tek yönlü modelden
(2.4 numaralı model) başlanacak, iki yönlü modellere (2.5 numaralı model) 4. Bölüm’de ve
eğim parametresinin değişken olduğu modellere (2.6 ve 2.7 numaralı modeller) ise bu derste
yer verilmeyecektir.
2.2. KLASİK MODEL VE HAVUZLANMIŞ EN KÜÇÜK KARELER YÖNTEMİ
Klasik modelde, daha önce de belirtildiği gibi hem sabit hem de eğim parametrelerinin
birimlere ve zamana göre sabit olduğu yani bütün gözlemlerin homojen olduğu
varsayılmaktadır. Bu durumda panel veri modeli genel olarak,
01
K
it k kit itk
Y X uβ β=
= + +∑ (2.8)
ya da;
1,........., ; 1,..........,it it itY X u i N t Tβ= + = = (2.9)
8 / 13
şeklinde yazılabilmektedir. Burada, β sabit ve eğim parametrelerini içermektedir. β için
Havuzlanmış En Küçük Kareler (HEKK) Tahmincisi,
1
1 1 1 1
ˆN T N T
it it it iti t i t
X X X Yβ−
= = = =
′ ′= ∑∑ ∑∑ (2.10)
şeklinde hesaplanabilmektedir. Görüldüğü gibi Havuzlanmış En Küçük Kareler Yöntemi,
birim ve/veya zaman etkilerinin var olmadığı ve sabit ve eğim parametrelerinin sabit olduğu
varsayımları altında tahmin yapmaktadır.
2.2.1. Havuzlanmış En Küçük Kareler Yönteminin Ardındaki Varsayımlar
Havuzlanmış En Küçük Kareler Yönteminin varsayımları aşağıdaki gibi özetlenebilmektedir:
HEKK 1: ( ) 0 tüm i ve t'ler içinit itE X u′ =
• Xit, zayıf dışsal değişkendir, bir başka ifade ile uit ile korelasyonsuzdur.
• Xis, uit ile korelasyonlu olabilmektedir (t≠s için), bir başka ifade ile katı dışsal değildir.
HEKK 2: 1 1
rank ( )N T
it iti t
E X X K= =
′ = ∑∑
• Burada K açıklayıcı değişken sayısı olmak üzere X’ler arasında tam çoklu doğrusal
bağlantı olmadığını ifade etmektedir.
HEKK 3a: ( ) ( ) ( ) ( )2 2 2 tüm i ve t'ler içinit it it it it it it itE u X X E u E X X E X Xσ′ ′ ′= =
Bu varsayım, homoskedasite varsayımıdır ve içerisinde,
( )2 2| tüm i ve t'ler içinit itE u X σ=
varsayımını da barındırmaktadır. Şöyle özetlenebilmektedir:
9 / 13
• Koşullu varyans Xit’den bağımsızdır,
• Koşulsuz varyans tüm dönemler için aynıdır.
HEKK 3b: ( ) 0 ( )it is it isE u u X X t s′ = ≠
Farklı dönemlerin hata terimleri arasında (koşullu) kovaryans yoktur, bir başka ifade ile
otokorelasyon yoktur. Şöyle de özetlenebilmektedir:
• ( ) 0 (t s)it isE u u = ≠ : hata teriminin koşulsuz kovaryansı sıfırdır,
• ( )| , 0 ( )it is it isE u u X X t s= ≠ : hata teriminin koşullu kovaryansı sıfırdır,
• Hata teriminin içerisinde, birim ve zaman etkilerine izin verilmemektedir.
HEKK 3 ÖZET: ( ) 2Iit it TE u u σ′ = ’dir
• Koşulsuz varyanslar sabittir.
• Koşulsuz kovaryanslar sıfırdır.
• Buna ilaveten, koşullu varyanslar ve kovaryanslar da kısıtlanmıştır.
Tüm bu varsayımlar sağlansa bile, Havuzlanmış En Küçük Kareler Tahmincileri “Doğrusal
En İyi Sapmasız Tahmin Edici (DESTE)” değildir. Çünkü DESTE’yi sağlamak için katı
dışsallık varsayımına ihtiyaç duyulmaktadır.
2.2.2. Havuzlanmış En Küçük Kareler Yönteminin Özellikleri
Panel veri modellerinde, Havuzlanmış En Küçük Kareler Yönteminin en önemli özellikleri
aşağıda sıralanmıştır.
Hata teriminde birim ve/veya zaman etkileri yoksa Havuzlanmış En Küçük Kareler iyi bir
tahmin yöntemidir, tutarlı tahminciler vermektedir.
10 / 13
Hata teriminde birim ve/veya zaman etkileri varsa, Havuzlanmış En Küçük Kareler
Yönteminde hata terimi it i t itv uµ λ= + + ’dir, yani birleşik (karma) hatadır (burada µi:
birim etkileri, λt ise zaman etkisini göstermektedir).
Eğer hata teriminde birim ve/veya zaman etkileri varsa; Havuzlanmış En Küçük Kareler
Tahmincileri, sadece bu etkiler bağımsız değişkenler ile korelasyonsuzsa
[ ]( ) 0 ve ( ) 0it i it tE X E Xµ λ= = tutarlıdır. Bu da ( ) 0it itE X u = ve ( ) 0it itE X v =
varsayımlarının sağlanması ile mümkün olmaktadır. Örneğin, otoregresif modellerde
bağımsız değişkenler ile birim etki korelasyonludur, bu nedenle dışsallık varsayımı
bozulmaktadır. Bu varsayım sağlansa bile, her bir hata teriminde birim etkiler olması
nedeniyle, otokorelasyonla karşılaşılmaktadır. Dolayısıyla tutarlılık sağlansa bile,
tahminciler (genelde) etkin değildir. Bu nedenle, dirençli standart hataları kullanmak gibi
bir yöntem seçilmelidir. Bu konu, ileriki bölümlerde detaylı olarak incelenecektir.
Hata terimi heteroskedastik ise, etkin tahminciler elde edilememektedir. Bu durumda,
dirençli standart hataların kullanılması ya da Genelleştirilmiş En Küçük Kareler (GEKK)
Yöntemi kullanılarak tahminler yapılması gibi bir yöntem seçilmelidir. Bu konu da, ileriki
bölümlerde detaylı olarak incelenecektir.
2.2.3. Bilgisayar Uygulaması
Turizm Gelirleri Modeli
1993-2005 yılları arasında 25 ülke için turizm gelirleri panel veri modeli aşağıdaki gibi
kurulmuştur:
TGit = α + β1GTit + β2THit + β3D1i + β4INit + β5YSit + uit (2.11)
Burada; TG: turizm gelirlerinin logaritmasını, GT: ülkelere gelen turist sayısının
logaritmasını, TH: turizm harcamalarının logaritmasını, D1: Akdenize kıyısı olan ülkeler için
1, diğerleri için 0 değerini alan gölge değişkeni, IN: internet kullanıcı sayısının logaritmasını
ve YS: yatak sayısının logaritmasını ifade etmektedir. i alt indisi, birimleri (burada ülkeleri); t
alt indisi ise, zamanı (burada yılları) göstermektedir. Birim boyutu 25 ülkeden1, zaman boyutu
1 Avusturya, Belçika, Kıbrıs, Danimarka, Fransa, Almanya, Yunanistan, İzlanda, İtalya, Hollanda, Norveç, Portekiz, İspanya, İsveç, İsviçre, Türkiye, Birleşik Krallık, Hırvatistan, Çek Cumhuriyeti, Estonya, Macaristan, Polonya, Romanya, Slovakya, Slovenya.
11 / 13
ise 13 yıldan2 oluşmaktadır. Veriler ESDS International (Economic and Social Data Service)
aracılığı ile derlenmiştir.
Stata’da Havuzlanmış En Küçük Kareler tahmin sonuçlarına,
. reg TG GT TH D1 IN YS
komutu kullanılarak ulaşılmaktadır.
Havuzlanmış En Küçük Kareler
2 1993-2005
12 / 13
ÇALIŞMA SORULARI
1. Panel veri ile çalışılırken birim ve/veya zaman etkilerinin olmadığı biliniyorsa havuzlanmış
en küçük kareler tercih edilmemelidir. Doğru Yanlış
2. Panel veri modellerinde otokorelasyon ve heteroskedasite olursa parametreler sapmalı
tahmin edilmektedir. Doğru Yanlış
3. Panel veri modelleri ile çalışılırken modelde çoklu doğrusal bağlantı olmaması önemlidir.
Neden?
4. Sabit ve eğim parametrelerinin birimlere göre değiştiği durumu bir iktisadi örnekle
açıklayınız.
5. Havuzlanmış en küçük kareler yönteminin 1. Varsayımı olan zayıf dışsallık varsayımı
sağlanmazsa ne olur?
13 / 13
KAYNAKÇA
Baltagi B. H., 1995, “Econometric Analysis of Panel Data”, Chichester: John Wiley&Sons.
Wooldridge J. M., 2002, “Econometric Analysis of Cross Section and Panel Data”
Cambridge, Ma: MIT Press.
Yerdelen Tatoğlu F., 2013 (2. Baskı), “Panel Veri Ekonometrisi”, Beta Yayınları, İstanbul.
Yerdelen Tatoğlu F., 2013 (2. Baskı), “İleri Panel Veri Analizi”, Beta Yayınları, İstanbul.
3. HAFTA DERS NOTU
2 / 11
İÇİNDEKİLER
2.3. GÖZLENEMEYEN ETKİLER (BİRİM VE ZAMAN ETKİLERİ) 2.3.1. Gözlenemeyen Etkilere Örnekler
2.4. BİRİNCİ FARKLAR YÖNTEMİ 2.4.1. Birinci Farklar Yönteminin Ardındaki Varsayımlar 2.4.2. Birinci Farklar Yönteminin Özellikleri 2.4.3. Bilgisayar Uygulaması
3 / 11
ÖZET (TÜRKÇE)
Bu hafta doğrusal panel veri modelleri ve tahmin yöntemlerine devam edilmektedir. Bu
bağlamda gözlenemeyen etkiler (birim ve/veya zaman etkileri) ele alınmaktadır. Bu
modellerin tahmin yöntemlerinden Birinci Farklar Yöntemi de varsayımları ile birlikte yine
bu hafta detaylı olarak incelenmektedir.
4 / 11
2.3. GÖZLENEMEYEN ETKİLER (BİRİM VE ZAMAN ETKİLERİ)
Gözlenemeyen etkilerle model genel olarak şöyle yazılabilmektedir;
it it i t itY X uβ µ λ= + + + (2.12)
burada Xit, sadece zamana göre değişen, sadece birimlere göre değişen ve hem zamana hem
birimlere göre değişen değişkenlerden oluşabilmektedir. µi ve λt gözlenemeyen birim ve
zaman etkileridir. Gözlenemeyen etkiler; “gözlenemeyen bileşen”, “gözlenemeyen
heterojenlik”, “latent (örtük, gizli) değişkenler” ya da “birim ve zaman etkileri” olarak da
adlandırılmaktadır. Daha önce de bahsedildiği gibi, (2.12) numaralı model, hem birimlere
hem zamana göre birim ve/veya zaman etkilerini içerdiği için, “İki Yönlü Model”dir.
it it t itY X uβ λ= + + (2.13)
it it i itY X uβ µ= + + (2.14)
Bu iki model ise, daha önce de belirtildiği gibi “Tek Yönlü Model”dir. (2.13) numaralı
modelde, sadece zaman etkileri; (2.14) numaralı modelde ise, sadece birim etkiler yer
almaktadır. Genelde tek yönlü model denilince, (2.14) numaralı model düşünülmektedir.
(2.13) numaralı modelde λt zaman etkisi iken (2.14) numaralı modelde, µi, birim etkidir.
2.3.1. Gözlenemeyen Etkilere Örnekler
1) İş eğitimi gibi programların ücretler üzerindeki etkisini gösteren model aşağıdaki
gibi ele alındığında;
( ) 1log ücret progit it it t i itz uγ δ λ µ= + + + + (2.15)
bu modelde ücretler (ücretit) bağımlı, iş eğitimi gibi programlara katılıp katılmadığını ifade
eden (progit) bağımsız değişkendir. Ayrıca z it de, ücretler üzerinde etkili olan diğer
değişkenleri ifade etmektedir. λt, sadece zaman etkisini, µi birim etkiyi (burada kişisel
özellikler, yetenekler olarak düşünülebilir) göstermektedir. Bu modelin özellikleri şöyle
sıralanabilir;
5 / 11
- Bireylerin bir programa katılıp katılmaması kararı, bireylerin yetenekleri ile
korelasyonlu olabilmekte ya da yöneticiler, çalışanların kişilik özelliklerine göre
programa katılacak kişileri seçebilmektedirler. Bunların sonucunda progit değişkeni,
µi ile korelasyonlu olabilmektedir.
- Ayrıca, z it gibi progit’nin de hata terimi uit ile korelasyonsuz olması istenilmektedir
(zayıf dışsallık). Fakat progit+1 ile uit arasında korelasyon olup olmadığı da önemlidir
(katı dışsallık); gelecekte programa katılma kararı uit ile korelasyonlu olabilmektedir.
Çünkü bireylerin gelecekte programa katılma kararı almalarının sebebi, geçmiş
ücretlerinde yaşadıkları bir şok olabilmekte ya da yöneticiler t+1 döneminde programa
katılacak kişileri düşük u it’ye sahip kişiler arasından seçebilmektedirler.
2) Dağıtılmış gecikmeli model: Dayanıklı tüketim malları üreten firmaların stokları ile
cari ve geçmiş dönem satışları arasındaki ilişki aşağıdaki gibi modellendiğinde;
0 1 1 5 5...it t it it it it i itR z S S S uλ γ δ δ δ µ− −= + + + + + + + (2.16)
bu modelde Rit, firmaların stokları bağımlı değişkeni ifade ederken; bağımsız değişkenlerden
Sit satışları, 1 5,...,it itS S− − satışların geçmiş beş dönem değerlerini ve zit stoklar üzerinde etkili
olan diğer bağımsız değişkenleri (örneğin, işçi sayısı gibi firma büyüklüğünü ifade etmek için
kullanılan ölçülebilen değişkenler) göstermektedir. Bu modelin özellikleri şöyle
sıralanabilmektedir:
- µi, birim etkidir ve bu modelde firma heterojenliğini (firma yöneticisinin yeteneği
gibi) gösteren terimdir; bugün, geçmiş ya da gelecek dönem satışları ile korelasyonlu
olabilmektedir. Bunların sonucunda, Sit’nin bugün, geçmiş ya da gelecek değerleri ile
µi korelasyonlu olabilmektedir.
- Ayrıca bugünün stoklarında bir şok olması (uit’de değişiklik) gelecek dönemlerdeki
satışları da etkileyebilmektedir. Bunların sonucunda, hata terimi ile bağımsız
değişkenin gelecek dönem değerleri korelasyonlu olabilmektedir.
3) Otoregresif model:
1 1log logit it i itU U uβ µ−= + + (2.17)
6 / 11
Bu modelde ücretler (Uit), geçmiş dönem ücretleri (Uit-1) tarafından belirlenmektedir, µi
gözlenemeyen heterojenliktir, bireysel özellikler (örneğin bireysel verimlilik) olarak
düşünülebilir. Bu modelin özellikleri şöyle sıralanabilmektedir;
- Kişilerin geçmiş dönem ücretleri, bireysel verimlilik gibi kişisel özellikler tarafından
belirlenebildiğinden; bağımsız değişken ile µi korelasyonlu olacaktır.
- Hata terimi bağımsız değişkenin geçmiş değerleri ile korelasyonsuzdur, fakat
gelecekteki değerleri ile korelasyonludur. Dolayısıyla, katı dışsallık varsayımı
otoregresif modellerde asla sağlanmaz.
2.4. BİRİNCİ FARKLAR YÖNTEMİ
HEKK 1 varsayımı olan bağımsız değişkenler ile hata teriminin korelasyonsuz olduğu
varsayımı ( ) 0it itE X u′ = , çoğu zaman hata teriminin içinde yer alan birim etkinin bir ya da
daha fazla açıklayıcı değişken ile korelasyonlu olması sebebiyle gerçekleşmemektedir. Bu
durumda bir yol, modeldeki birim etkileri elimine etmektir, bu da değişken dönüşümü ile
mümkün hale gelebilmektedir. Birim etkileri elimine etmek için basit bir çözüm, birinci fark
dönüştürmesidir. Birinci fark dönüştürmesi sonucunda, birim etkinin modelden düşmesinin
yanı sıra her bir yatay kesit birimde zaman boyutunun birinci gözlemi kaybolmaktadır.
Sadece birim etkilerin olduğu tek yönlü model,
1... 1...it it i itY X u i N t Tβ µ= + + = = (2.18)
şeklinde ya da;
it it itY X vβ= + (2.19)
olarak ele alındığında, hata terimi (vit) “birleşik hata terimi” olarak adlandırılmaktadır ve
içinde birim etkiyi de (µi) barındırmaktadır:
( ) ( ~ )it i it itu u iidν µ= +
(2.19) numaralı modelinin birinci farkı aşağıdaki gibi elde edilmektedir;
7 / 11
it it itY X uβ∆ = ∆ + ∆ (2.20)
burada, ΔYit=Yit-Yit-1 ve ΔXit=Xit-Xit-1’dir. Hata terimi ise, dönüşüm sonucu aşağıdaki
gibidir:
Δνit = νit-νit-1 = (µi+uit) - (µi+uit-1) = uit-uit-1 = Δuit = eit
(2.20) numaralı Birinci Fark Modeline, Havuzlanmış En Küçük Kareler Yöntemi
uygulandığında, β’nın “Birinci Fark Tahmincisi” ( ˆBFβ ) elde edilmektedir.
2.4.1. Birinci Farklar Yönteminin Ardındaki Varsayımlar
Birinci farklar dönüşümünden elde edilen modelin, Havuzlanmış En Küçük Kareler Yöntemi
ile tutarlı tahminini elde edebilmek aşağıdaki varsayımların yerine gelmesine bağlıdır:
BF 1: ( ) 0it itE X u′∆ ∆ =
Parantez içi açıldığında;
( ) ( )1 1 0it it it itE X X u u− −′ − − =
ve daha açık olarak;
( ) ( ) ( ) ( )1 1 1 1 0it it it it it it it itE X u E X u E X u E X u− − − −′ ′ ′ ′+ − − =
şeklinde ifade edilebilmektedir. Zayıf dışsallık varsayımı yapılıyorsa, ilk 2 terim sıfırdır, fakat
son terimin sıfır olabilmesi için katı dışsallık varsayımına da ihtiyaç vardır.
BF 2: ( )2
rank T
it itt
E X X K=
′∆ ∆ = ∑
burada K, açıklayıcı değişken sayısıdır. Bu varsayıma göre, bağımsız değişkenler arasında
tam çoklu doğrusal bağlantı bulunmamaktadır. Bu varsayımın sağlanabilmesi için, X
değişkenleri arasında zaman değişmezi değişkenleri (cinsiyet, ırk, eğitim gibi)
bulunmamalıdır, çünkü bu değişkenler birinci fark dönüştürmesi sonucunda modelden
düşecektir.
8 / 11
BF 3: ( ) 21 1| ,......, , ,it it i iT i t e TE e e X X Iµ λ σ −′ =
burada, it ite u= ∆ ’dir. Bu varsayıma göre, fark hata terimleri (eit) homoskedastiktir ve
otokorelasyonsuzdur, bir başka ifade ile uit zamana göre rassal yürüyüş süreci izlemektedir.
Bu varsayımlarla, birinci farklar tahmincisi, kendi sınıfındaki tahmincilerden daha etkin ve
asimptotik geçerlidir. Bununla birlikte fark alma işlemi ile, gözlem sayısı ve dolayısıyla
serbestlik derecesi azalmaktadır.
2.4.2. Birinci Farklar Yönteminin Özellikleri
Birinci farklar yönteminin önemli özellikleri aşağıda sıralanmaktadır:
1. Birinci fark dönüşümü sonucu, birim etki (ve eğer varsa zaman etkisi) modelden
düşmektedir.
2. Birinci fark dönüşümü sonucu, modelde eğer varsa sabit terim de yok olmaktadır.
3. Birinci fark dönüşümü sonucu, eğer varsa zaman değişmezi değişkenleri de
modelden düşmektedir.
4. Model zaman gölge değişkeni içeriyorsa, ikinci farkta zaman gölge değişkeni
modelin sabit terimi haline gelmektedir.
5. Birinci fark modelinde, Y’deki değişme ile X’teki değişme arasında regresyon
modeli kurulmuş olmaktadır.
2.4.3. Bilgisayar Uygulaması
Stata’da birinci farklar yöntemi ile tahmin yapmak için iki yol kullanılacaktır.
I. YOL:
Değişkenlerin birer gecikmeli değerleri alınmaktadır. Örneğin turizm gelirleri değişkeninin
birinci farkı:
. gen lagTG=TG[_n-1]
. replace lagTG=. if t==1993
9 / 11
Değişkenlerin gerçek değerlerinden bir dönem gecikmeli değerleri çıkarılmakta, yani birinci
farkları alınmaktadır.
. gen farkTG=TG-lagTG
Farkı alınmış değişkenlerle kurulan regresyon, Havuzlanmış En Küçük Kareler Yöntemi ile
tahmin edilmektedir.
. reg farkTG farkGT farkTH farkIN farkYS, noconstant
Birinci Farklar-1
II. YOL:
Birinci Farklar Regresyonunu tahmin etmek amacıyla kısa yol olarak,
. reg D(TG GT TH IN YS)
komutu kullanılmaktadır.
Birinci Farklar-2
10 / 11
ÇALIŞMA SORULARI
1. Panel veri kullanarak için tasarladığınız bir örnek iktisadi model üzerinde birim etkiye
örnek veriniz.
2. Panel veri kullanarak için tasarladığınız bir örnek iktisadi model üzerinde zaman etkisine
örnek veriniz.
3. Panelin zaman boyutu kısa ise birinci farklar yöntemi kullanmanın bir sakıncası var mıdır?
4. Panelin birim boyutu kısa ise birinci farklar yöntemi kullanmanın bir sakıncası var mıdır?
5. Bir talep modeli düşünün ve bu talebi açıklamakta cinsiyetin büyük önemi olsun, birinci
farklar yöntemi kullanarak nasık bir sonuca ulaşırsınız? Tartışınız.
11 / 11
KAYNAKÇA
Baltagi B. H., 1995, “Econometric Analysis of Panel Data”, Chichester: John Wiley&Sons.
Wooldridge J. M., 2002, “Econometric Analysis of Cross Section and Panel Data”
Cambridge, Ma: MIT Press.
Yerdelen Tatoğlu F., 2013 (2. Baskı), “Panel Veri Ekonometrisi”, Beta Yayınları, İstanbul.
Yerdelen Tatoğlu F., 2013 (2. Baskı), “İleri Panel Veri Analizi”, Beta Yayınları, İstanbul.
4. HAFTA DERS NOTU
2 / 12
İÇİNDEKİLER
3. TEK YÖNLÜ BİRİM ETKİLER PANEL VERİ MODELLERİ VE TAHMİN YÖNTEMLERİ
3.1. SABİT ETKİLER MODELİ (SABİT KATSAYILAR MODELİ) 3.1.1. Gölge Değişkenli En Küçük Kareler Yöntemi
3.1.1.1. Gölge Değişkenli En Küçük Kareler Yönteminin Özellikleri 3.1.1.2. Bilgisayar Uygulaması
3 / 12
ÖZET (TÜRKÇE)
Bu hafta doğrusal panel veri modelleri ve tahmin yöntemlerine devam edilmektedir. Bu
bağlamda Sabit ve Tesadüfi Etkili Modeller tanıtılmakta ve Sabit Etkili Modellerin tahmin
yöntemleri incelenmeye başlanmaktadır. Gölge Değişkenli En Küçük Kareler Yöntemi bu
hafta incelenen tahmin yöntemleri arasındadır.
4 / 12
3. TEK YÖNLÜ BİRİM ETKİLER PANEL VERİ MODELLERİ VE
TAHMİN YÖNTEMLERİ
Panel verilerin kullanımı ile, her bir birimde gözlenemeyen birim etkilerinin ortaya
çıkabileceğinden daha önce bahsedilmişti. Eğer etkilere hata terimi gibi tesadüfi bir değişken
olarak davranılıyorsa, “tesadüfi etkiler”; her bir yatay kesit gözlem için tahmin edilen bir
parametre olarak davranılıyorsa, “sabit etkiler” söz konusu olmaktadır. Genel olarak, eğer
yatay kesit boyut büyük bir ana kütleden tesadüfi olarak çekilmişse, tesadüfi etkileri; eğer
daha spesifik bir veri seti söz konusu ise, sabit etkileri düşünmek mantıklı olabilmektedir.
Ayrıca tesadüfi etkiler modelinde, birim etkiler ile açıklayıcı değişkenler arasındaki
korelasyonun sıfır olduğu varsayılmakta iken; sabit etkiler modelinde ise, bu korelasyonun
sıfırdan farklı olmasına izin verilmektedir. Bununla beraber tesadüfi etkiler modelinde, zaman
sabiti değişkenlerin varlığına izin verilirken; sabit etkiler modelinde bu tarz değişkenlerin
varlığı kısıtlanmıştır.
Bu derste sabit ve tesadüfi etkiler modelleri incelenirken, eğim parametresinin değiştiği
modeller ele alınmayacak, eğim katsayının sabit, sabit katsayının birim, zaman ya da hem
birim hem zamana göre değişiklik gösterdiği modeller ele alınacaktır. Bu modellerden ise,
literatürde daha çok sabit parametrede sadece birim etkinin olduğu modeller kullanıldığı ve
modelden dışlanan etkinin sadece birim etki (μi) olduğu düşünüldüğü için, bu model üzerinde
daha çok durulacaktır.
3.1. SABİT ETKİLER MODELİ (SABİT KATSAYILAR MODELİ)
Birinci fark alma, gözlenemeyen etkilerin açıklayıcı değişkenler ile korelasyonlu olduğu
durumda, içsellik problemini çözmek için basit bir yöntemdir. Gözlenemeyen etkilerin
açıklayıcı değişkenler ile korelasyonlu olduğu durumda uygulanan diğer yöntemler de bu
başlık altında incelenecektir.
5 / 12
Sabit etkiler modelinde, (2.4) modelinden hareket edildiği zaman eğim parametreleri tüm
yatay kesit birimler için aynı (βi=β) iken, sabit parametre birim etki içermesi sebebiyle
birimden birime değişmektedir. Diğer bir deyişle, sabit terim her bir yatay kesit birim için
farklı değer almaktadır, yani birimler arası farklılıklar sabit terimdeki farklılıklarla ifade
edilmektedir. Bu nedenle sabit katsayı, sabit bir değişken gibi düşünülebilmektedir. Ayrıca bu
modellerde bağımsız değişkenlerin, hata terimi ile korelasyonsuz olduğu varsayımı yapılırken,
birim etki ve bağımsız değişkenlerin korelasyonlu olmasına izin verilmektedir.
µi, Xit ile korelasyonlu olursa, gözlenemeyen birim etkiler ile gözlenebilen zaman değişmezi
değişkenleri ayırmak için hiçbir yol yoktur. Bu sebepten örneğin bireylerle çalışıldığında,
cinsiyet ya da ırk; firmalarla çalışıldığında, teknoloji (bazı firmalar için zamana göre
değişmedikçe); şehirlerle çalışıldığında, şehrin nehir kıyısında olup olmadığı gibi bir değişken
Xit’de içerilememektedir. Bununla birlikte, sadece zamana göre değişen değişkenler
açıklayıcı değişkenler arasında yer aldığında, modelleme konusunda bir problem
olmamaktadır.
Sabit etkiler modelinin tahmini çeşitli yöntemlerle yapılabilmektedir. Gölge Değişkenli En
Küçük Kareler, Grup İçi (Kovaryans) Tahmin, Gruplar Arası Tahmin, Havuzlanmış En
Küçük Kareler, En Çok Olabilirlik , Genelleştirilmiş En Küçük Kareler ve Esnek
Genelleştirilmiş En Küçük Kareler Yöntemleri sayılabilir.
3.1.1. Gölge Değişkenli En Küçük Kareler Yöntemi
Şimdiye kadar birim etki (µ), gözlenemeyen (stokastik) bir değişken olarak tanımlanmıştı. Bu
modelde µi, β parametreleri gibi tahmin edilmesi gereken bir katsayı olarak (ayrı bir sabit
terim gibi) düşünülmektedir.
Sabit etkiler panel veri modellerinin Gölge Değişkenli En Küçük Kareler (GDEKK) Yöntemi
kullanılarak tahminini açıklamak amacıyla genel bir panel veri modeli ele alındığında;
itkitkititititititit uXXXY +++++= ββββ .....22110 (3.1)
6 / 12
(2.4) modelinden hareket edildiği için, sabit etkiler modelinde,
kkitititiiit ββββββµβββ ===+== .......,,.........;; 221100
olduğu varsayılmaktadır. β0it birim etkiyi de içeren sabit terimi, μi birim etkileri; uit ise hata
terimini ifade etmektedir. Eğim parametrelerinin ise, birimlere ve zamana göre değişmediği
varsayılmaktadır. Görüldüğü gibi birim etkiyi içermesi sebebiyle, sadece sabit parametre
değişmekte; zamana göre sabitken, birimlere göre farklılıklar göstermektedir. Farklı birimler
için farklı sabitler içeren bu model ile çözüm yapmanın bir yolu, Gölge Değişkenli En Küçük
Kareler Yöntemini kullanmaktır. N yatay kesit birim ve T zaman periyodunun var olduğu
düşünüldüğünde birim etkileri modele dâhil etmek amacıyla, sabit etkiler modelinde gölge
değişken tuzağına düşmemek için birim sayısından bir eksik (N-1) sayıda gölge değişken
kullanılmaktadır.
(3.1) modeli, vektör formunda aşağıdaki şekilde de yazılabilmektedir;
uXY ++= βµ (3.2)
Bu modelde, β sabit parametreyi de ( β ) içeren 1xK boyutlu parametre vektörü [β=( β ,
β1,......,βk)] ve μ birim etki’dir. Farklı birimler için, farklı μ’ler söz konusu olmaktadır. Hata
terimi (u), özdeş ve bağımsız dağılımlı, ortalaması sıfır, varyansı 2uσ olan ve normal dağılan
bir değişkendir ( )20, uu IIN σ .
Gölge Değişkenli En Küçük Kareler metodunda, birim etki gölge değişken olarak kabul
edilmektedir ve (3.2) modeli sabit parametre olmadığı durumda i. eşitlik için aşağıdaki gibi
ifade edilebilmektedir:
iiii uXeY ++= βµ (3.3)
Genel olarak,
7 / 12
1 1 1
2 2 21 2
0 00 0
.............. ... ....... .... ...0 0
N
N N N
Y X ueY X ue
Y
eY X u
µ µ µ β
= = + + + + +
(3.4)
ya da,
+
+
=
=
NNNN u
uu
X
XX
e
ee
Y
YY
Y............
..........00...................
0..........00..........0
....2
1
2
1
2
1
2
1
β
µ
µ
µ
(3.5)
şeklinde gösterilebilmektedir. Görüldüğü gibi, N tane gölge değişken vardır. Modelde sabit
parametre varsa daha önce de bahsedildiği gibi, N-1 sayıda gölge değişken kullanılmalıdır.
Burada,
1 1 1 2 1 1
2 1 2 2 2 2
1
1 2
..................................
, ,.... ....................................
................
i i i ki
i i i kii i
Tx TxK
iT iT iT kiT
Y X X XY X X X
Y X
Y X X X
= =
( ) 11 11,1,..........,1 , ( ,.........., )i i iTxT xT
e u u u′ ′= =
eşitlikleri vardır. Ayrıca,
Hata terimi sıfır ortalamaya sahiptir: E(ui) = 0,
Hata terimi sabit varyanslıdır: ( ) 2i i u TE u u Iσ′ = ,
Hata terimi otokorelasyonsuzdur: ( )E 0i ju u′ = (i ≠ j için)
varsayımları da sağlanmaktadır. iµ ve β’nın Havuzlanmış En Küçük Kareler Tahmincileri
aşağıdaki fonksiyonun minimizasyonu ile elde edilebilmektedir:
∑ ∑= =
−−′−−=′=N
i
N
iiiiiiiii XeYXeYuuS
1 1)()( βµβµ (3.6)
S’in iµ ’ye göre kısmi türevi alınıp sıfıra eşitlenirse,
8 / 12
ˆi i iY Xµ β ′= − (i=1,..........,N) (3.7)
elde edilmektedir. Burada,
∑∑==
==T
titi
T
titi X
TXY
TY
11
1,1
eşitlikleri vardır, vei iY X , birimlerin zamana göre ortalamalarıdır. (3.6) eşitliğinde, (3.7)
eşitliği yerine konulur ve S’in β’ya göre kısmi türevi alınırsa β , Gölge Değişkenli En Küçük
Kareler Yönteminde ortalamadan sapmalar kullanılarak,
1
1 1 1 1
ˆ ( )( ) ( )( )N T N T
GDEKK it i it i it i it ii t i t
X X X X X X Y Yβ−
= = = =
′= − − − − ∑∑ ∑∑ (3.8)
şeklinde tahmin edilir.
3.1.1.1. Gölge Değişkenli En Küçük Kareler Yönteminin Özellikleri
Panel veri modellerinde, Gölge Değişkenli En Küçük Kareler Yönteminin özellikleri aşağıda
sıralanmıştır.
1. T küçükse ve sabitse, iµ ’nin Gölge Değişkenli En Küçük Kareler Tahmincisi tutarsızdır.
2. Her bir birim için bir sabit hesaplanması, serbestlik derecesini ciddi bir biçimde
azaltmaktadır. Bu nedenle, eğer birim boyutu (N) büyükse, β yukarı doğru sapmalı
olabilmektedir.
3. μi’nin tahmincisi, tutarsızdır. Doğrusal modelde μi’nin tahmincisinin tutarsız olarak
tahmin edilmesi, β’nın tahmincisini etkilememektedir. Çünkü, β’nın Gölge Değişkenli En
Küçük Kareler Tahmincisi ( ˆGDEKKβ ), birim etkinin Gölge Değişkenli En Küçük Kareler
Tahmincisi ( ,ˆi GDEKKµ )’nin bir fonksiyonu değildir ve β tutarlı tahmin edilebilmektedir.
4. Bu yöntem kullanıldığında, bütün yatay-kesit değişkenlik kaybolmaktadır, katsayıların
tahmini için sadece birimler içinde zamana göre değişkenlik kullanılmaktadır. Kaybedilen
bilgi nedeniyle, Gölge Değişkenli En Küçük Kareler Tahmincisi, gerekli olmadıkça
kullanılmak istenilmez.
9 / 12
5. Gölge Değişkenli En Küçük Kareler Yöntemi kullanılarak, belirginlik katsayısı (R2)
hesaplanabilmekte ve yorumlanabilmektedir, fakat çok bilgi verici değildir. Çünkü her bir
birim için bir gölge değişken ilave etmek, bağımlı değişkendeki değişmenin büyük kısmını
açıklayacaktır. Eğer, Y’deki zaman değişiminin ne kadarının, açıklayıcı değişkenlerdeki
zaman değişimi ile açıklandığı net olarak görülmek isteniliyorsa, grup içi dönüştürülmüş
verilere Havuzlanmış En Küçük Kareler uygulanmakta ve elde edilen R2 bunu açıklamaktadır.
Bu yöntem bir sonraki bölümde ele alınacaktır.
Bilgisayar Uygulaması
Turizm gelirleri modelini Gölge Değişkenli En Küçük Kareler Yöntemi ile tahmin etmek
isteyelim.
Teorisinde anlatıldığı gibi Gölge Değişkenli En Küçük Kareler Yöntemi ile tahmin
yapabilmek için, öncelikle birim gölge değişkenleri modele ilave edilmelidir. Bahsedildiği
gibi gölge değişken tuzağına düşülmemesi için, birim sayısından 1 eksik sayıda (N-1) gölge
değişken kullanılmalıdır. Örneğimizde 25 (N=25) ülkemiz olduğu için, 24 adet gölge
değişken kullanılmalıdır. 1. gölge değişken; 1. ülke için 1, diğer ülkeler için sıfır değerini
almaktadır. 2. gölge değişken; 2. ülke için 1, diğerleri için sıfır değerini almaktadır. Bu
şekilde 24 adet gölge değişken yaratılmakta ve daha sonra bu gölge değişkenler de modele,
diğer bağımsız değişkenlerle birlikte ilave edilmektedir. Tahmin edilmek istenilen model,
0 1 2 3 4 2 2 3 3 25 25...it it it it it itTG GT TH IN YS d d d uβ β β β β λ λ λ= + + + + + + + + +
şeklindedir.
Stata’da örneğin 2. ülkeyi ifade etmek için gölge değişkeni yaratmak amacıyla sırasıyla
aşağıdaki komutlar kullanılmaktadır:
. gen d2=0
. replace d2=1 if id==2
Bu şekilde 24 gölge değişken tek tek türetildikten sonra, Gölge Değişkenli En Küçük Kareler
sonuçlarını elde etmek için komut satırına,
10 / 12
. reg TG GT TH IN YS d2 d3 d4 d5 d6 d7 d8 d9 d10 d11 d12 d13 d14 d15 d16 d17 d18 d19 d20
d21 d22 d23 d24 d25
komutu yazılarak sonuçlar alınabilmektedir.
Gölge Değişkenli En Küçük Kareler
Aynı çıktıyı elde edebilmek için kısayol olarak,
xi: reg TG GT TH IN YS i.id
komutu kullanılmaktadır.
11 / 12
ÇALIŞMA SORULARI
1. Panel veri kullanarak için tasarladığınız bir örnek iktisadi model üzerinde birim etki için
gölge değişkenleri tanımlayınız.
2. Birim etki bağımsız değişkenlerinden en az birisi ile korelasyonlu ise gölge değişkenler
yöntemi kullanılamaz. Doğru Yanlış
3. Panelin zaman boyutu kısa ise gölge değişkenli en küçük kareler yöntemini kullanmanın bir
sakıncası var mıdır?
4. Panelin birim boyutu kısa ise gölge değişkenli en küçük kareler yöntemini kullanmanın bir
sakıncası var mıdır?
5. Gölge değişkenli en küçük kareler yöntemini kullanırken neden birim sayısından bir eksik
sayıda gölge değişken modele dahil edilmektedir?
12 / 12
KAYNAKÇA
Baltagi B. H., 1995, “Econometric Analysis of Panel Data”, Chichester: John Wiley&Sons.
Wooldridge J. M., 2002, “Econometric Analysis of Cross Section and Panel Data”
Cambridge, Ma: MIT Press.
Yerdelen Tatoğlu F., 2013 (2. Baskı), “Panel Veri Ekonometrisi”, Beta Yayınları, İstanbul.
Yerdelen Tatoğlu F., 2013 (2. Baskı), “İleri Panel Veri Analizi”, Beta Yayınları, İstanbul.
5. HAFTA DERS NOTU
2 / 13
İÇİNDEKİLER
3.1.2. Grup içi Tahmin Yöntemi 3.1.2.1. Sabit Etkiler Modelinin Varsayımları 3.1.2.2. Grup İçi Tahmin Yönteminin Özellikleri 3.1.2.3. Bilgisayar Uygulamaları
3 / 13
ÖZET (TÜRKÇE)
Bu hafta sabit etkili modellerin tahmin yöntemlerinden Grupiçi Tahmin Yöntemi detaylarıyla
ele alınacaktır.
4 / 13
3.1.2. Grup içi Tahmin Yöntemi
Sabit etkiler modelinde öncelikli amaç eğim parametrelerini tahmin etmek ise, açıklayıcı
değişkenler matrisinde birim etkileri göstermek için modele gölge değişken ilave etmek
gerekli değildir. Grup içi tahmin yönteminde, her bir birim için zaman serisi gözlemlerinden
birim ortalamaları çıkarılarak değişkenler dönüştürülmektedir ve bu dönüştürülmüş
değişkenlerle oluşturulan regresyona, Havuzlanmış En Küçük Kareler Yöntemi
uygulanmaktadır. Daha sonra birim gölge değişken katsayıları, kalıntıların grup ortalamaları
kullanılarak tahmin edilebilmektedir. Böylece, hem gölge değişken tuzağından hem de çoklu
doğrusal bağlantıdan sakınılmaktadır.
Bu yöntemde birinci farklar yönteminde olduğu gibi, β’yı tahmin ederken yapılan dönüşüm
sonucu öncelikle birim etki (µi) elimine edilmeye çalışılmaktadır. Panel veri modeli;
0 1... 1...it it i itY X u i N t Tβ β µ= + + + = = (3.9)
şeklinde iken, zaman boyutuna göre ortalamalar alınarak başlanılmaktadır:
0i i i iY X uβ β µ= + + + (3.10)
µi ve β0 zamana göre ortalamasına eşittir. Daha sonra, bu eşitliğin ilk modelden (3.9) farkı
alınmaktadır:
( ) ( ) ( )it i it i it iY Y X X u uβ− = − + − (3.11)
µi, zamana göre ortalamasına eşit olduğundan modelden düşmüştür. Aşağıdaki gibi de ifade
etmek mümkündür;
1... 1...it it ity x u i N t Tβ= + = = (3.12)
burada,
( )it it iy Y Y≡ − , ( )it it ix X X≡ − , ( )it it iu u u≡ −
5 / 13
eşitlikleri vardır. Bu grup içi dönüşüme, “zaman kısaltılmışı (birimlerin zamana göre
ortalamadan fark dönüştürmesi)” da denilmektedir. Bu nedenle, (3.12) numaralı model
“Zaman Kısaltılmış Modeli” olarak adlandırılmaktadır. Genel olarak, sabit etkiler tahmincisi
denilince, grup içi tahminci akla gelmektedir. Bu nedenle, grup içi tahminci’ye, sabit etkiler
tahmincisi de (SE) denilmektedir. Bu son dönüştürülmüş eşitliğe (3.12), Havuzlanmış En
Küçük Kareler Yöntemi uygulanması ile β’nın sabit etkiler tahmincisi elde edilmektedir:
1
1 1 1 1
ˆ ˆN T N T
SE it it it itGİTi t i t
x x x yβ β−
= = = =
′ ′= = ∑∑ ∑∑ (3.13)
Grup içi tahmincinin elde edilmesinde alternatif bir gösterim; (3.3) numaralı i. eşitliğin, TxT
boyutlu bir kovaryans dönüşüm matrisi (Q) ile çarpılması ve elde edilen modelin
Havuzlanmış En Küçük Kareler Yöntemi ile tahmin edilmesidir. Kovaryans dönüşüm matrisi
aşağıdaki gibi ifade edilebilmektedir:
eeT
IQ T ′−=1 (3.14)
i. eşitliğin Q matrisi ile çarpılması ile,
iiii QuQXQeQY ++= βµ (3.15)
elde edilmektedir. Qe=0 olması nedeniyle, Qeμi=0 olmakta ve birim etki iµ dışarıda
kalmaktadır. Böylece,
iii QuQXQY += β (i = 1,..........,N) (3.16)
modeli elde edilmektedir. Bu model Havuzlanmış En Küçük Kareler Yöntemi ile tahmin
edilirse, β’nın Kovaryans Tahmincisi ( ˆKVβ ) aşağıdaki gibi bulunmaktadır:
1
1 1
ˆN N
KV i i i ii i
X QX X QYβ−
= =
′ ′= ∑ ∑ (3.17)
6 / 13
Bu son ifade, (3.13) eşitliğine denktir. Bu tahminci kovaryans dönüşüm matrisi ile çarpılması
nedeniyle, “Kovaryans Tahmincisi” ve her bir grup içi değişiklikten yararlanıldığı için ise,
“grup içi tahminci” isimlerini almaktadır. Dolayısıyla, ˆ ˆ ˆSE KVGİTβ β β= = ’dir.
Eğim parametreleri bu şekilde tahmin edildikten sonra (3.9) modelinin tüm gözlemlere göre
ortalamaları regresyonundan (3.10) hareket edilerek grup içi dönüşümle dışlanan sabit
parametre,
0ˆ ˆY Xβ β= − (3.18)
şeklinde elde edilebilmektedir. Birim etkiler ise, birim ortalaması regresyonundan (3.10)
hareketle,
0ˆ ˆˆi i iY Xµ β β= − − (3.19)
elde edilmektedir.
3.1.2.1. Sabit Etkiler Modelinin Varsayımları
Sabit etkiler (grup içi) modelinin varsayımları aşağıdaki gibidir:
SE 1: ( )| , 0it i iE u x µ =
Bu varsayım, bağımsız değişkenler ve birim etkinin hata terimi ile korelasyonsuz olması
anlamına gelmektedir, bir başka ifade ile katı dışsallık varsayımıdır. Fakat, ( )| 0i iE xµ ≠
olabilmektedir. Bu varsayım, daha sonra ele alınacak olan tesadüfi etkiler modelinde yoktur.
Bu nedenle, sabit etkiler modelinde Xit’lerle korelasyonlu olan birim etkilerin varlığında bile
parametreler tutarlı hesaplanabilmektedir, bu durumda sabit etkiler tahmincisi, tesadüfi etkiler
tahmincisinden daha dirençlidir.
SE 1 varsayımı daha açık yazılırsa:
( ) ( ) 0it i it iE X X u u′ − − =
7 / 13
Bunun sağlanması için,
( ) ( ) ( ) ( ) 0it it it i i it i iE X u E X u E X u E X u− − + =
olmalıdır. Dolayısıyla uit’lerle Xit’lerin korelasyonsuz olmasının yanında, uit ile iX ’nın ve Xit
ve iu ’nin korelasyonsuz olduğu ilave varsayımlarına da gerek duyulmaktadır. Bu durumda,
dönüştürülmüş değişkenlere ait parametrelerin Havuzlanmış En Küçük Kareler Tahmincisi
( ˆSEβ ) tutarlı olmaktadır.
SE 2: 1
( )T
it itt
rank E x x K=
′ = ∑
Bu varsayım, bağımsız değişkenler arasında çoklu doğrusal bağlantı olmaması varsayımıdır.
Xit, zamana göre değişmeyen bir değişken içeriyorsa, itx ’de buna karşılık gelen eleman sıfır
olacaktır. Böylece, ix sıfır olan bir kolondan oluşacak, rank düşecek ve SE 2 varsayımı
gerçekleşmeyecektir. Bu da, sabit etkiler analizinde zaman sabiti olan değişkenlere neden izin
verilmediğinin bir başka açıklamasıdır. Bu varsayımın gerçekleşmesi için, zamana göre
değerlenen bağımsız değişkenler arasında tam çoklu doğrusal bağlantılar da olmamalıdır.
SE 1 ve SE 2 varsayımları, sabit etkiler tahmincisinin en etkin olmasını sağlamamakta,
tutarlılığı sağlamaktadır. İlave edilecek bir varsayımla (SE 3) sabit etkiler tahmincisi daha
etkin olacaktır.
SE 3: ( ) 2| ,i i i i u TE u u x Iµ σ′ =
Bu varsayım homoskedasite ve otokorelasyonsuzluk varsayımlarıdır; koşullu varyanslar
sabittir ve koşullu kovaryanslar sıfırdır. Bu varsayımın ilavesi ile, sabit etkiler tahmincisi
DESTE olmaktadır. Dolayısıyla sabit etkiler tahmincisi etkindir; t ve F istatistikleri geçerlidir.
8 / 13
(üit)’nin varyansı;
( ) ( ) ( ) ( ) ( )22 2 2
2 2 2
2
2
2
(1 1 )
it it i it i it i
u u u
u
E u E u u E u E u E u u
T TT
σ σ σ
σ
= − = + − = + −
= −
(3.20)
(üit) ile (üis) arasındaki kovaryans;
( ) ( )( ) ( ) ( ) ( ) ( )2
2 2 2
2
0
0
it is it i is i it is it i is i i
u u u
u
E u u E u u u u E u u E u u E u u E u
T T TT
σ σ σ
σ
= − − = − − + = − − +
= − <
(3.21)
şeklinde hesaplanmaktadır ve görüldüğü gibi negatiftir. üit ile üis arasındaki korelasyon ise,
( ) ( ) ( )( )
2Corr
1 1 0it is it is itu u E u u E u
T
=
= − − <
(3.22)
şeklinde elde edilmektedir ki, bunun da negatif olduğu görülmektedir.
Özetle; uit otokorelasyonsuz olsa bile, dönüştürülmüş hata terimleri üit negatif
otokorelasyonludur. Otokorelasyon katsayısı, T’nin büyüklüğüne bağlıdır ve T arttıkça,
otokorelasyon sıfıra yaklaşmaktadır. Bu nedenle, grup içi dönüşüm yapılıyor ve
dönüştürülmüş değişkenlere Havuzlanmış En Küçük Kareler Yöntemi uygulanıyorsa,
hesaplanan standart hatalar ve test istatistikleri düzeltilmelidir, çünkü bu şekilde kalıntı
varyansı ( )2ˆuσ olduğundan küçük tahmin edildiği için parametre varyanslarını da
etkilemektedir. Her bir standart hata; (NT-K)/[N(T-1)-K]1/2 düzeltme faktörüne bölünerek
düzeltilebilmektedir. Örneğin, N=50, T=10 ve K=7 ise, düzeltme faktörü: 1.0549’dur.
Stata’da dahil olmak üzere, birçok paket program, varyansları düzeltilmiş olarak vermektedir.
3.1.2.2. Grup İçi Tahmin Yönteminin Özellikleri
Panel veri modellerinde, grup içi tahmin yönteminin özellikleri aşağıda sıralanmıştır.
9 / 13
1. Eğim parametrelerinin Grup İçi (Kovaryans) Tahmincisi ( ˆ ˆKVGİTβ β= ),
sapmasızdır ve hem birim (N), hem de zaman (T) ya da her ikisi de sonsuza gittiği zaman bile
tutarlıdır.
2. β ’nın varyans kovaryans matrisi şöyledir:
12
1
ˆ( )N
KV u i ii
Var X QXβ σ−
=
′= ∑
3. iµ ’nin tahmincisi sapmasız olmasına rağmen, sadece T→∞ olduğu durumda
tutarlıdır.
4. Birinci farklar yönteminde olduğu gibi, zamana göre değişmeyen değişkenler
dönüşüm sonucu, birim etki ile birlikte modelden düşmektedir.
3.1.2.3. Bilgisayar Uygulaması
Stata’da grup içi tahminci iki yolla elde edilmeye çalışılacaktır.
I. YOL:
1. Adım: Değişkenlerin birim ortalamaları alınır.
. egen meanTG=mean(TG), by( id)
2. Adım: Değişkenlerin gerçek değerlerinden birim ortalamaları çıkarılmakta, yani birim
ortalamalarından farkları alınmaktadır.
. gen meandfTG=TG-meanTG
3. Adım: Birim ortalamalarından farkı alınmış yeni değişkenlerle kurulan regresyon,
Havuzlanmış En Küçük Kareler Yöntemi ile tahmin edilir.
. reg meandfTG meandfGT meandfTH meandfIN meandfYS, noconstant
10 / 13
Grup İçi Tahminci (1)
Sabit parametre yapılan grup içi dönüşümle birlikte modelden düşeceği için modele
alınmamıştı, bu parametrenin tahmini değeri aşağıdaki gibi hesaplanabilmektedir:
( ) ( ) ( ) ( )( ) ( )
( ) ( )
0 1 2 3 4
0
0
ˆ ˆ ˆ ˆ ˆ
ˆ 8.3423913 0.6480705 9.3350566 0.3428412 7.9687630
0.0173414 6.5826665 0.2263757 5.3423158ˆ 1.762927
TG GT TH IN YSβ β β β β
β
β
= − × − × − × − ×
= − × − ×
− × − ×
= −
II. YOL:
. xtreg TG GT TH D1 IN YS, fe
Grup İçi Tahminci (2)
11 / 13
Tek tek birim etkileri elde edebilmek için ise;
( ) ( ) ( ) ( )0 1 2 3 4ˆ ˆ ˆ ˆ ˆˆi i i i i iTG GT TH IN YSµ β β β β β= − − × − × − × − ×
formülü kullanılmaktadır. Birim etkiler,
[ ]
0.10820.43961.16350.69870.25260.87290.87100.25150.25650.16370.21650.4293
ˆ0.03160.65640.81330.17140.37101.51880.22220.75250.70351.26051.01621.2417
iµ
−−−−−
= −−−−−−−−
12 / 13
ÇALIŞMA SORULARI
1. Geçen hafta anlatılan gölge değişkenli en küçük kareler yöntemi ile grup içi tahminciyi
karşılaştırınız.
2. Birim etkiler ile bağımsız değişkenler arasında korelasyon varsa kullanılan bu tahminci
neden bu varsayıma gerek duymaktadır?
3. Grup içi tahmincinin birinci farklar tahmincisine göre en önemli avantajı nedir?
4. Zaman boyutu T küçükse birim etkinin tahmincisi nasıl etkilenir?
5. zamana göre değişmeyen bir değişkenin modelde tutulması isteniyorsa grup içi tahminci
kullanılamamaktadır. Doğru Yanlış
13 / 13
KAYNAKÇA
Baltagi B. H., 1995, “Econometric Analysis of Panel Data”, Chichester: John Wiley&Sons.
Wooldridge J. M., 2002, “Econometric Analysis of Cross Section and Panel Data”
Cambridge, Ma: MIT Press.
Yerdelen Tatoğlu F., 2013 (2. Baskı), “Panel Veri Ekonometrisi”, Beta Yayınları, İstanbul.
Yerdelen Tatoğlu F., 2013 (2. Baskı), “İleri Panel Veri Analizi”, Beta Yayınları, İstanbul.
6. HAFTA DERS NOTU
2 / 10
İÇİNDEKİLER
3.1.3. Gruplar Arası Tahmin Yöntemi 3.1.3.1. Gruplar Arası Tahmin Yönteminin Özellikleri 3.1.3.2. Bilgisayar Uygulaması
3 / 10
ÖZET (TÜRKÇE)
Bu derste gruplararası tahminci ele alınacaktır. Ayrıca, havuzlanmış en küçük kareler
tahmincisi, birinci farklar tahmincisi, gölge değişkenli en küçük kareler tahmincisi, grup içi ve
gruplararası tahmincilere ilişkin özet yer almaktadır.
4 / 10
3.1.3. Gruplar Arası Tahmin Yöntemi
Grup içi tahmin yöntemi, sadece yatay kesit birimlerin içinde zamana göre değişkenlik olduğu
durumda kullanılması uygundur. Fakat bazen, sadece yatay kesit boyuttaki gözlemler arasında
da değişkenlik olabilmektedir, bu durumda “Gruplar Arası Tahmin Yöntemi”nin kullanılması
daha uygun olmaktadır.
Aşağıdaki genel modelden hareket edildiğinde;
1... 1...it it i itY X u i N t Tβ µ= + + = = (3.23)
Gruplar arası tahminciyi elde edebilmek için, grup içi tahmin yönteminde olduğu gibi ilk
aşamada, her bir değişken için zamana göre birim ortalamaları hesaplanmaktadır:
i i i iY X uβ µ= + + (3.24)
Bu eşitlik, zaman göre ortalamalar alınarak elde edildiği için “Zaman Ortalamaları Modeli”
adıyla da bilinmektedir. Burada hata payı,
it i iv uµ= +
şeklinde ifade edilebilmektedir. Gruplar arası tahmin Yönteminin ikinci aşamasında, bu
zaman ortalamaları eşitliğine (3.10) En Küçük Kareler Yöntemi uygulanarak, β’nın gruplar
arası tahmincisi ( GATβ
) elde edilmektedir.
3.1.3.1. Gruplar Arası Tahmin Yönteminin Özellikleri
Panel veri modellerinde, gruplar arası tahmin yönteminin özellikleri aşağıda sıralanmıştır.
1. SE 1 varsayımı altında gruplar arası tahminci, ( )i iE X µ ’nin sıfır olmasının
önemli olmaması sebebiyle, tutarlı değildir. Çünkü burada µi modelden düşmediğine göre,
ile i iX µ arasındaki korelasyonun sıfır olması da önemlidir. Eğer bu korelasyon sıfır değilse,
β’nın tahmincisi iY ’deki değişimin ne kadarının iX ’deki değişimden kaynaklandığına karar
5 / 10
verememektedir, bir başka ifade ile iX ’nin iY üzerindeki tekil etkisi saptanamamaktadır. Bu
durumda, Havuzlanmış En Küçük Kareler ve ilerleyen bölümlerde anlatılacak olan tesadüfi
etkiler tahmincisi gibi gruplar arası tahminci de tutarsızdır, bunun yerine sabit etkiler
tahmincisi ya da birinci farklar tahmincisi kullanılmalıdır.
2. µi, Xit ile korelasyonlu değilse bile, gruplar arası tahminci etkin değildir, çünkü
ortalamalardan hareket edildiği için veri setindeki bütün zaman serisi bilgileri yok olmuştur.
Gruplar arası tahminci yerine Havuzlanmış En Küçük Kareler Tahmincisi ya da tesadüfi
etkiler tahmincisi kullanılmalıdır.
3. Genelde gruplar arası tahminci, tesadüfi etkiler tahmincisini açıklamak için bir
araç olarak yorumlanabilmektedir. Tesadüfi etkiler tahmincisi, sabit etkiler ve gruplar arası
tahmincilerin ağırlıklı ortalaması olarak düşünülebilmektedir.
4. Gruplar arası tahmin Yönteminin en önemli avantajı, birim etkilerin (µi) olmadığı
fakat açıklayıcı değişkenlerde ölçme hatalarının olduğu bir model düşünüldüğünde; zamana
göre ortalama alınmasının, ölçme hatasını ve ölçme hatasından kaynaklanan sapmayı
azaltmasıdır.
5. Gruplar arası tahminci daha sonra anlatılacak olan, tesadüfi etkiler modeline ait TE
1 ve TE 2 varsayımları altında tutarlıdır.
6. Sabit parametre ve zaman değişmezi değişkenleri (eğer varsa) modelden
düşmemekte, ilk aşamada tahmin edilebilmektedir.
3.1.3.2. Bilgisayar Uygulaması
Stata’da gruplar arası tahmincinin elde edilmesi için iki yol kullanacağız.
I. YOL:
6 / 10
Yöntemin esasına uygun olarak değişkenlerin zamana göre birim ortalamaları alınmakta ve
daha sonra Havuzlanmış En Küçük Kareler Yöntemi uygulanabilmektedir.
. reg meanTG meanGT meanTH D1 meanIN meanYS
Gruplar Arası Tahminci-1
II. YOL:
Stata’da gruplar arası tahminciyi elde etmek için aşağıda verilen hazır komut:
. xtreg TG GT TH D1 IN YS, be
Gruplar Arası Tahminci-2
7 / 10
ÖZET
Havuzlanmış En Küçük Kareler Tahmincisi
Eğer modelde gözlenemeyen etkiler varsa; HEKK tahmincileri, sadece bu etkiler
bağımsız değişkenler ile korelasyonsuzsa tutarlıdır, bununla birlikte (genelde) etkin
değildir.
Ancak modelde gözlenemeyen etkiler yoksa, HEKK iyi bir tahmin yöntemidir.
Birinci Farklar Tahmincisi
Birinci fark tahmincisi, gözlenemeyen etkilerin, açıklayıcı değişkenler ile
korelasyonlu olmasına izin verir.
Birinci farklar yöntemi, değişkenlerin kendi gecikmelerinden farklarını alarak
dönüştür; bu durumda gözlenemeyen etkilerle birlikte zamana göre değişmeyen
değişkenler ve sabit parametre de modelden elimine olur.
Fark alma işlemi ile, gözlem sayısı ve serbestlik derecesi düşer.
Sabit Etkiler
8 / 10
Sabit etkiler, gözlenemeyen etkilerin, açıklayıcı değişkenler ile korelasyonlu olmasına izin
verir.
Grup içi Tahminci
Gölge Değişkenli EKK
Grup İçi Tahminci
Grup içi tahminci, daha çok kesit birimlerin içinde, zamana göre değişkenlik olduğu
durumda kullanılır.
Grup içi dönüşüm yapıldığında, zaman değişmezi açıklayıcı değişkenler, sabit etki ile
birlikte modelden düşecektir.
Gölge Değişkenli En Küçük Kareler Tahmincisi
Bu yöntemde, N sayıda gölge değişken (paneldeki her bir birim için bir gölge
değişken) modele alınır. Grup içi tahminci ile aynı sonucu verir, fakat N büyükse
hesaplanması çok zordur, serbestlik derecesi kaybı çok olur.
Grup içi tahminci N sonsuza giderken tutarlıdır, fakat GDEKK (N sonsuza giderken
her bir ilave kesit birim için yeni bir µi ilave etmek gerekli olduğundan) sabit T ve
N→∞ için µi’nin EKK tahmincisi, tutarlı değildir (β tutarlı).
Bu yöntemde bütün yatay-kesit değişkenlik kaybolur, katsayıların tahmini için sadece
birimler içinde zamana göre değişkenlik kullanılır.
Her bir birim için modele bir gölge değişken ilave etmek R2’yi yükseltir, bu nedenle
çok bilgi verici değildir.
Gruplararası Tahminci
Gruplararası tahminci, daha çok kesit boyuttaki gözlemler arasında değişkenlik olduğu
durumda kullanılır.
Açıklayıcı değişkenlerde ölçme hataları varsa, zamana göre ortalama almak, ölçme
hatasını ve ölçme hatasından kaynaklanan sapmayı azaltır.
9 / 10
ÇALIŞMA SORULARI
1. Gruplararası tahmincinin en önemli dezavantajı nedir?
2. Gruplararsı tahmincinin kullanılmasının yararlı olduğu durumlardan bahsediniz.
3. Birinci farklar ve grup içi tahmincilerin her ikisinde de bağımsız değişkenler ile birim etki
korelasyonlu olması varsayılmaktadır. Hangisini tercih edeceğinize nasıl karar verirsiniz?
4. Grup içi tahminci ve gölge değişkenli en küçük kareler tahmin yöntemleri aynı sonucu
verdiklerini biliyoruz. Hangi durumda hangisini tercih edersiniz? Neden?
5. Modelde birim ve/veya zaman etkilerinin varlığından şüpheleniliyorsahavuzlanmış en
küçük kareler yönteminin kullanılması hakkında ne düşünürsünüz?
10 / 10
KAYNAKÇA
Baltagi B. H., 1995, “Econometric Analysis of Panel Data”, Chichester: John Wiley&Sons.
Wooldridge J. M., 2002, “Econometric Analysis of Cross Section and Panel Data”
Cambridge, Ma: MIT Press.
Yerdelen Tatoğlu F., 2013 (2. Baskı), “Panel Veri Ekonometrisi”, Beta Yayınları, İstanbul.
Yerdelen Tatoğlu F., 2013 (2. Baskı), “İleri Panel Veri Analizi”, Beta Yayınları, İstanbul.
7. HAFTA DERS NOTU
2 / 16
İÇİNDEKİLER
3.2. TESADÜFİ ETKİLER MODELİ 3.2.1. Tesadüfi Etkiler Modelinin Varsayımları 3.2.2. Tesadüfi Etkiler Modelinin Tahmin Yöntemleri
3.2.2.1. Grup İçi Tahmin Yöntemi 3.2.2.2. En Çok Olabilirlik Yöntemi
3.2.2.2.1. En Çok Olabilirlik Yönteminde Karşılaşılan Sorunlar 3.2.2.2.2. Bilgisayar Uygulaması
3 / 16
ÖZET (TÜRKÇE)
Bu hafta doğrusal panel veri modelleri ve tahmin yöntemlerine devam edilmektedir. Bu
kapsamda Tesadüfi Etkili Modeller ve bu modellerin tahmin yöntemleri incelenmeye
başlanmaktadır. Tahmin yöntemlerinden Grupiçi Tahmin Yöntemi ve En Çok Benzerlik
Yöntemi ele alınmaktadır.
4 / 16
3.2. TESADÜFİ ETKİLER MODELİ
Sabit etkiler modeli, birim etkilerin (μi) dolayısıyla birimler arası farklılıkların sabit olduğu ve
sabit terimdeki farklılıklarla ifade edilebildiği durumlarda kullanılmaktadır. Fakat bazen
örnekteki birimler tesadüfi olarak seçilmektedir ve bu durumda, birimler arası farklılıklar da
tesadüfi olmaktadır. Bu birim farklılıklarına, “tesadüfi farklılıklar” denilmektedir. Böylece,
tesadüfi etkilerin örnekleme sürecinin bir sonucu olduğu söylenebilmektedir.
Sabit etkiler ve birinci farklar tahmin yöntemleri, birim etkiler açıklayıcı değişkenler ile
korelasyonlu ise kullanılmakta, katsayıları tahmin etmek için sadece zamana göre değişkenliği
dikkate almakta ve bu durumda tutarlı tahminciler üretmektedirler. Birim etkiler ile açıklayıcı
değişkenler arasında korelasyon yoksa, yatay kesit boyuttaki değişkenlikten kaynaklı bütün
bilgileri yok etmeleri nedeniyle, bir başka ifade ile yaptıkları dönüşümlerle birim etkiyi
modelden elimine ettikleri için etkin değillerdir. Eğer birim etkiler açıklayıcı değişkenler ile
korelasyonsuz ise, dirençli standart hatalar ile Havuzlanmış En Küçük Kareler Yönteminin
kullanılması mantıklı görülebilmektedir. Fakat bilindiği gibi, Havuzlanmış En Küçük
Kareler’in hata terimi, eğer varsa hem birim hem de artık hata öğesini içermektedir. Bu
durumda Havuzlanmış En Küçük Kareler Yöntemi ile tahmin sonucunda, bu iki hata öğesinin
tahmini birbirinden ayrılamadığı için hata teriminin yapısı hakkındaki bilgiler yok
olacağından, etkinlik kaybı olacaktır. Dolayısıyla, Havuzlanmış En Küçük Kareler Yöntemi
gibi µi’yi hata terimi içerisine koyan ve bu iki hata öğesini ayırmaya çalışan tesadüfi etkiler
tahmin yöntemlerinin kullanımı uygun olmaktadır.
Sabit etkiler ve birinci farklar tahmin yöntemlerine göre tesadüfi etkiler tahmin Yöntemlerinin
bir avantajı, zaman değişmezi değişkenleri modele ilave edebilmektir. Fakat bu avantaj bir
maliyet getirmektedir, çünkü tüm açıklayıcı değişkenlerin birim etki ile korelasyonsuz olması
ilave varsayımının da yapılması gerekmektedir.
Ayrıca farklı yatay kesit birimlerin kalıntılarının birbirinden bağımsız (birimler arası
korelasyonsuzluk) olmasına rağmen, μi’nin varlığı nedeniyle aynı yatay kesit birimlerin
kalıntıları arasında korelasyon (birim içi otokorelasyon) görülebilecektir.
5 / 16
Panel veri modeli tekrar ele alındığında:
0 1 1 2 2 .....it it it k kit itY X X X vβ β β β= + + + + + (3.33)
Tesadüfi etkiler modelinde birim etki sabit olmadığından sabit parametre içerisinde değil,
tesadüfi olduğundan hata payı içerisinde yer almaktadır. Dolayısıyla burada hata terimi;
it it iv u µ= +
şeklinde ifade edilebilmektedir; itu artık hataları gösterirken, iµ birim hatayı yani, birim
farklılıklarını ve zamana göre birimler arasındaki değişmeyi göstermektedir. Bir başka ifade
ile μi, i. yatay kesit birimin sabitini temsil etmektedir. ( )it iu µ+ teriminden dolayı, (3.33)
tesadüfi etkiler modeli, “Hata Öğeleri Modeli” ya da “Hata Bileşenleri Modeli” olarak da
adlandırılmaktadır. (3.33) modeli tesadüfi etkiler varsayımıyla,
0 1 1 2 2 .....it i i it i it ki kit i itY X X X uβ β β β µ= + + + + + + (3.34)
şeklinde ya da,
01
( )K
it i k kit it ik
Y X uβ β µ=
= + + +∑
olarak da ifade edilebilmektedir. Ayrıca Yit’nin Xit’ye koşullu varyansı,
2 2 2v u µσ σ σ= +
şeklinde gösterilebilmektedir. Bu ifadede 2 2 ve u µσ σ ; 2vσ varyansının bileşenleri olması
nedeniyle, tesadüfi etkiler modeline, “Varyans Bileşenleri (Öğeleri) Modeli” de
denilebilmektedir.
6 / 16
3.2.1. Tesadüfi Etkiler Modelinin Varsayımları
Tesadüfi etkiler modelinde aşağıdaki genel varsayımların yanında, tesadüfi etkiler modeline
özgü 3 varsayım da yapılmaktadır.
Genel Varsayımlar
- Tesadüfi değişkenler iµ ve itu , her i ve t için birbiriyle korelasyonsuzdur
( ) 0i itE uµ = .
- iµ ve itu ’nin ortalamaları sıfırdır [E( iµ ) = 0 ve E( itu ) = 0].
- itu ’nin varyansı: 2 ,
( )0 diğer durumlar için
uit i t
i i t tE u u
σ′ ′
′ ′ = ==
- iµ ’nin varyansı: 2
( )0 diğer durumlar içini i
i iE µσµ µ ′
′ ==
- itu normal dağılmaktadır; itu ~ N(0, 2uσ ).
- μi normal dağılmaktadır; μi ~ N(0, 2µσ ).
- X matrisi deterministiktir.
Tesadüfi Etkiler Modeline Özgü Varsayımlar
TE 1a: ( )| , 0 1, 2, ... it i iE v X t Tµ = =
TE 1b: ( ) ( )| 0i i iE X Eµ µ= =
TE 1 varsayımının a şıkkında katı dışsallık, b şıkkında ise birim etkiler ve açıklayıcı
değişkenler arasında korelasyon olmadığı ifade edilmektedir. Bu varsayımlarla, µi stokastik
bir değişken olarak düşünülebilmektedir ve “tesadüfi etki” ismini almaktadır.
7 / 16
Görüldüğü gibi Tesadüfi Etkiler Analizinde, Havuzlanmış En Küçük Kareler Yönteminden
daha fazla varsayım yapmaya gerek duyulmaktadır. Havuzlanmış En Küçük Kareler
Yöntemi’nin birinci varsayımı, sadece zayıf dışsallıktı. Tesadüfi Etkiler Yönteminde, hem
katı dışsallık varsayımı yapılmakta hem de buna µi ile bağımsız değişkenlerin korelasyonsuz
olma varsayımını da eklenmektedir.
TE 2: 1rank E( )i iX X K−′Ω =
Bu varsayım, X bağımsız değişkenleri arasında çoklu doğrusal bağlantı olmadığını ifade
etmektedir.
Tesadüfi Etkiler Analizi, artık hata öğesi (uit) için de bir takım varsayımlarda bulunmaktadır.
- 2 2( )it uE u σ= (1) koşulsuz varyansı sabittir.
- ( ) 0it isE u u = (2) otokorelasyonsuzdur.
Bu varsayımlardan ve ( ) 0i iE uµ = bilgisinden yararlanarak, birleşik hatanın (vit) varyans
kovaryans matrisi türetilebilmektedir. Varyans:
( ) ( ) ( ) ( ) ( )22 2 2
2 2
2it i it i i it it
u
E E u E E u E u
µ
ν µ µ µ
σ σ
= + = + +
= + (3.35)
şeklinde ve kovaryans ise,
( ) ( )( ) ( ) ( ) ( ) ( )( )
2
2 2
it is i it i is i i it i is it is
i
E E u u E E u E u E u u
E µ
ν ν µ µ µ µ µ
µ σ
= + + = + + +
= = (3.36)
olarak elde edilmektedir. Böylece birleşik hatanın varyans kovaryans matrisi,
8 / 16
( )
2 2 2 2
2 2 2
2
2 2 2 2
u
ui i
u
E
µ µ µ
µ µ
µ
µ µ µ
σ σ σ σσ σ σ
ν νσ
σ σ σ σ
+ + ′Ω = =
+
(3.37)
şeklindedir. Görüldüğü gibi, T ne olursa olsun Ω matrisi, sadece 2 parametreye ( 2 2 ve uµσ σ )
bağlıdır.
vit ve vis arasındaki korelasyon ise,
( )2 2 2( ) 0it is ucorr v v µ µρ σ σ σ= = + ≥ (3.38)
şeklinde elde edilmektedir. Açıkça görüldüğü gibi bu korelasyon, t ve s arasındaki farka bağlı
değildir, µi’nin varyansının birleşik hatanın varyansına oranıdır ve bu oran µi’nin önemini
ölçmek için iyi bir ölçüdür.
- ( ) ( )|i i i i iE u u X E u u′ ′= (3) ui’nin Xi’ye koşullu varyansı sabittir.
TE 3: Artık hata öğesine ait 1, 2 ve 3 numaralı varsayımlar, tesadüfi etkiler modelinin 3.
varsayımını oluşturmaktadır. Bu üç varsayımda özet olarak, homoskedasite, koşulsuz
varyansın zamana göre sabit ve otokorelasyonsuz olduğu yer almaktadır. TE 3 varsayımı,
etkinlik için gereklidir.
TE 3a: ( ) 2| ,i i i i u TE u u X Iµ σ′ =
TE 3b: ( )2 2|i iE X µµ σ=
TE 3a varsayımı, 1 ve 2 numaralı varsayımlara benzemekle birlikte, burada farklı olarak
koşullu varyanslar yer almaktadır. Koşullu varyansların sabit ve koşullu kovaryansların sıfır
9 / 16
olduğunu ifade eden bu varsayım, 1 ve 2 numaralı varsayımlardan daha güçlüdür. TE 3b
varsayımı ise, µi’nin homoskedastik olduğunu göstermektedir.
3.2.2. Tesadüfi Etkiler Modelinin Tahmin Yöntemleri
Tesadüfi etkiler modelinin tahmini için birçok yöntem önerilmektedir. Bunlardan bazıları;
Havuzlanmış En Küçük Kareler Yöntemi, Grup İçi (Kovaryans) Tahmin Yöntemi, En Çok
Olabilirlik Yöntemi, Genelleştirilmiş En Küçük Kareler Yöntemi, Esnek Genelleştirilmiş En
Küçük Kareler Yöntemi, Genel Esnek Genelleştirilmiş En Küçük Kareler Yöntemi, İki
Aşamalı Genelleştirilmiş En Küçük Kareler Yöntemi ve Genelleştirilmiş Tahmin Eşitliği
Kitle Ortalaması Modelini kullanarak tahmindir.
3.2.2.1. Grup İçi Tahmin Yöntemi
Tesadüfi etkiler modelinin tahmininde grup içi tahminci aşağıdaki dönüştürülmüş eşitliğe,
Havuzlanmış En Küçük Kareler Yönteminin uygulanması ile açıklanabilmektedir;
( ) ( ) ( ) ( ) ( ) 1 1it i it i i it iY Y X X u uθ θ α θ β θ µ θ− = − + − + − + −
(3.37) numaralı eşitlik kısaca,
( ) ( ) ( )it i it i it iY Y X Xθ θ β ν θν− = − + − (3.39)
şeklinde gösterilebilmektedir. Burada,
2
2 2ˆ 1 u
u T µ
σθσ σ
= −+
eşitliği vardır. Görüldüğü gibi θ, 2 2veu µσ σ ’nin bir fonksiyonudur.
- 2 0µσ = ise; θ =0 olduğundan, µi de sıfırdır ve (3.39) numaralı eşitlik, Havuzlanmış
En Küçük Kareler Tahmincisine eşittir.
10 / 16
- θ=1 ise, (3.39) numaralı eşitlik, grup içi tahminci’ye eşittir.
Bu eşitlik artık zaman kısaltılmışı olarak değil, “yaklaşık kısaltılmış” olarak
adlandırılmaktadır, çünkü değişkenlerden grup içi tahmin yöntemindeki gibi birimlerin
zamana göre ortalaması değil, varyansların bir oranı çıkartılmaktadır. μi tesadüfi iken, β’nın
kovaryans tahmincisi sapmasız ve tutarlı olmasına rağmen, küçük örneklerde Genelleştirilmiş
En Küçük Kareler Tahmincisi ile karşılaştırıldığında DESTE değildir. Standart tesadüfi etkiler
varsayımları altında, dönüştürülmüş hatalar otokorelasyonsuzdur.
3.2.2.2. En Çok Olabilirlik Yöntemi
Tesadüfi etkiler modeli, En Çok Olabilirlik Yöntemi ile de tahmin edilebilmektedir. μi ve uit,
tesadüfi ve normal dağıldığı zaman, olabilirlik fonksiyonunun logaritması şöyledir;
10 0
1
2 2 2
0 02 2 21
1log log 2 log | | ( ) ( )2 2 2
( 1)log 2 log log( ) (3.40)2 2 21 ( ) ( ) (
2 2( )
N
i i i i i ii
v u
N
i i i i i i iiv u
NT NL Y e X Y e X
NT N T N T
TY e X Q Y e X YT
µ
µ
π β β β β
π σ σ σ
β β β βσ σ σ
−
=
=
′= − − Ω − − − Ω − −
−= − − − +
′− − − − − −+
∑
∑ 20
1)
N
i ii
Xβ β=
′− −∑
burada 2( 1) 2 2| | ( )Tv u T µσ σ σ−Ω = + ’dir.
δσσββ µ ′=′
),,,( 220 vi ’nin En Çok Olabilirlik (EÇO) Tahmincisi, aşağıdaki birinci mertebeden
türevlerin alınıp sıfıra eşitlenmesiyle elde edilmektedir:
02 210
log ( ) 0( )
N
i i iii u
L T Y XT µ
β ββ σ σ =
∂ ′= − − =∂ + ∑ (3.41)
( ) ( )2
0 02 2 21
log 1 0( )
ui i i i i i i i
iu u
TL Y e X QX Y e X XT µ
σβ β β ββ σ σ σ =
∂ ′ ′ ′= − − − − − = ∂ +
∑ (3.42)
11 / 16
0 02 2 2 2 41
202 2 2
1
log ( 1) 1 ( ) ( )2 2( ) 2
( ) 0 (3.43)2( )
N
i i i i i iiv v u v
N
i i iiu
L N T N Y e X Q Y e XT
T Y XT
µ
µ
β β β βσ σ σ σ σ
β βσ σ
=
=
∂ − ′= − − + − − − −∂ +
′+ − − =+
∑
∑2
202 2 2 2 2
1
log ( ) 02( ) 2( )
N
i i iiu u
L NT T Y XT Tµ µ µ
β βσ σ σ σ σ =
∂ ′= − + − − =∂ + + ∑ (3.44)
(3.40)-(3.43) denklemlerinin eşanlı olarak çözümü oldukça karmaşıktır, çözüm için Newton-
Raphson iteratif süreci kullanılabilmektedir. Bu süreçte öncelikle, δ
için bir tesadüfi
başlangıç değeri ( )1(δ
) alınmakta ve iterasyon aşağıdaki gibi yapılmaktadır:
)1()1( ˆ
1
ˆ
2)1()( loglogˆˆ
−−
=
−
=
−
∂∂
′∂∂
∂−=
jj
LLjj
δδδδ δδδδδ
(3.45)
Bu süreç j. iteratif çözüme kadar tekrarlanmaktadır.
En Çok Olabilirlik Tahmincilerini elde etmek için alternatif olarak, ardışık iteratif bir süreç
kullanılabilmektedir. (3.41) ve (3.42)’den aşağıdaki eşitlikler yazılabilmektedir:
10 1 1
1 1
12 2
2 2 21
ˆ
ˆ
( , )
N Nit
i i i ii i
N
T i Ti i iu u
X X X V Y
e eI ee e X I
X XT Tµ µ
µ µ
β
β
σ σσ σ σ σ
−− −
= =
−
=
′ ′= Ω Ω
′ ′ ′= − − ′ ′+ +
∑ ∑
∑
21
N
ii
ee Y=
′
∑ (3.46)
düzeltmeler yapıldığında,
)()()1(
1ˆ 01
02 ββββσ iii
N
iiiiv XeYQXeY
TN−−′−−
−= ∑
=
(3.47)
ve,
2
1
20
2 ˆ1)ˆˆ(1ˆ v
N
iiii T
XYN
σββσ µ ∑=
−′−−= (3.48)
12 / 16
elde edilmektedir. 0 veiβ β ’yı tahmin etmek için, (3.46) eşitliğinde, 2 2 2/ ( )u Tµ µσ σ σ+ için bir
tesadüfi başlangıç değeri seçilmekte ve 0 veiβ β ’nın En Çok Olabilirlik Tahmincileri elde
edilmektedir. Sonra (3.46) eşitliğinden elde edilen bu sonuçlar, (3.47)’de yerleştirilerek 2vσ
tahmin edilmektedir. (3.46) ve (3.47) eşitliklerinde bulunan sonuçlar ise, (3.48)’de yerine
konulduğunda 2µσ ’nin de tahmini elde edilmektedir. 0 veiβ β ’nın yeni tahminlerini elde
etmek için, (3.46) eşitliğine 2vσ ve 2
µσ ’nin yeni değerleri yerleştirilmekte ve süreç
tekrarlanarak devam etmektedir.
T’nin sabit olduğu ve N’nin sonsuza gittiği durumda, En Çok Olabilirlik Tahmincisi tutarlıdır
ve aşağıda verilen varyans kovaryans matrisi ile asimptotik normal dağılmaktadır:
12 logˆ−
′∂∂
∂−=
δδδ LNENVar MLE
+−
′−′
′
=∑
∑
=
=
4
2
442
2
2
12
122
2
21
21
0011
001
σ
σσσ
σσ
σ
σσ
µ
T
TT
XeeIXN
XN
TT
v
iT
N
ii
v
N
ii
burada, 222µσσσ Tu += ’dir.
N’nin sabit olduğu ve T’nin sonsuza gittiği durumda; i0β , β ve 2vσ ’nin En Çok Olabilirlik
Tahmincisi, Kovaryans Tahmincisine yaklaşmaktadır. Dolayısıyla tutarlı tahminciler elde
edilmektedir, Amemiya (1971) yaptığı çalışmada, En Çok Olabilirlik Yönteminden tahmin
edilen varyansların tutarlı olduğunu ispatlamıştır. Fakat 2µσ ’nın En Çok Olabilirlik
Tahmincisi tutarsız olmaktadır. N sabitken T ne kadar büyük olursa olsun, tutarlılık
sağlanamamaktadır. Ayrıca bazen (3.41)-(3.44) eşitliklerinin eşanlı olarak çözümü 2µσ ’nin
13 / 16
tahminini negatif vermektedir. Bununla birlikte, 2vσ ≥0 ve 2
µσ ≥0 kısıtlamaları olduğu zaman,
kısıtlı bir çözüm oluşabilmektedir. Bazen (3.41)-(3.44) türev eşitliklerinin hepsi için çözüm
gerçekleşmeyebilmektedir. Maddala (1971), 2vσ =0’ın kısıtlayıcı çözümünün
gerçekleşmediğini göstermiştir, fakat 2µσ =0’ın kısıtlayıcı çözümü,
]2[ 1111yxxxxxxxyxyxxxyxyyyxxxyxyy TTBTTTTTBTTTTT
−−−− ′+′−>′−
Eşitliğinin geçerliliği ile gerçekleşmektedir. Bununla birlikte T ya da N’den biri sonsuza
gittiği zaman, kısıtlayıcı bir çözümün gerçekleşme olasılığı da sıfıra gitmektedir. Burada,
yxyxyxxxxxxx
N
iiiyx
N
iiixx
iiyx
N
iiixx
BTWBTW
YeeXT
BXeeXT
B
YXTXXT
−=−=
′′=′′=
′=′=
∑∑
∑
==
=
,
),(1,)(1
,,
11
1
eşitlikleri vardır. Burada yxxx BB ve matrisleri, gruplar arası yatay kesit birimlerin toplamı ve
kareler toplamından meydana gelmektedir, yxxx WW ve , grup içi matrislerini; yxxx TT ve ise,
toplam değişkenlik matrislerini ifade etmektedir.
3.2.2.2.1. En Çok Olabilirlik Yönteminde Karşılaşılan Sorunlar
En Çok Olabilirlik Tahmin Yönteminde karşılaşılan sorunlar şöyle özetlenebilmektedir;
- Normallik varsayımı altında, olabilirlik fonksiyonu doğrusal değildir. Doğrusal
olmama özelliği, bu fonksiyonun tahmin edilmesini güçleştirmektedir.
- Olabilirlik fonksiyonu, küresel içbükey değildir ve bu nedenle, çoklu yerel
maksimuma izin verilmemektedir.
- Varyans bileşenlerinin tahmini, uygulamada negatif olabilmektedir.
14 / 16
3.2.2.2.2. Bilgisayar Uygulaması
Stata’da Tesadüfi Etkiler En Çok Olabilirlik Yöntemi ile tahmin yapmak için komut,
. xtreg TG GT TH D1 IN YS, mle nolog
En Çok Olabilirlik
15 / 16
ÇALIŞMA SORULARI
1. Çalıştığınız iktisadi örnekte kullandığınız veri seti 20 ülke ve 30 yıldan oluşsaydı ve sabit
ve tesadüfi etkiler modelleri arasında önsel seçim yapmak durumunda olsaydınız hangisini
seçerdiniz? Neden?
2. Birim etkilerle bağımsız değişkenler arasında korelasyon varsa kullanılabilecek tek
tahminci havuzlanmış en küçük kareler tahmincisidir. Doğru Yanlış
3. Tesadüfi etkiler modelinde en çok olabilirlik yüntemiyle tahmin yaparken karşılaşılabilen
en büyük güçlük nedir?
4. Birleşik hatanın varyans kovaryans matrisinde varyans ve kovaryanslar neyi ifade
etmektedir? Tartışınız.
5. Birleşik hatanın otokorelasyon katsayısı (ρ) aynı zamanda neyi ifade etmektedir?
16 / 16
KAYNAKÇA
Baltagi B. H., 1995, “Econometric Analysis of Panel Data”, Chichester: John Wiley&Sons.
Wooldridge J. M., 2002, “Econometric Analysis of Cross Section and Panel Data”
Cambridge, Ma: MIT Press.
Yerdelen Tatoğlu F., 2013 (2. Baskı), “Panel Veri Ekonometrisi”, Beta Yayınları, İstanbul.
Yerdelen Tatoğlu F., 2013 (2. Baskı), “İleri Panel Veri Analizi”, Beta Yayınları, İstanbul.
8. HAFTA DERS NOTU
2 / 11
İÇİNDEKİLER
3.2.2.4. Genelleştirilmiş En Küçük Kareler Yöntemi 3.2.2.4.1. Genelleştirilmiş En Küçük Kareler Yönteminin Özellikleri 3.2.2.4.2. Bilgisayar Uygulaması
3.2.2.5. Esnek Genelleştirilmiş En Küçük Kareler Yöntemi 3.2.2.5.1 Esnek Genelleştirilmiş En Küçük Kareler Yöntemi’nin Özellikleri
3.2.2.6. Genel Esnek Genelleştirilmiş En Küçük Kareler Yöntemi
3 / 11
ÖZET (TÜRKÇE)
Bu hafta doğrusal tesadüfi etkili modellerin tahmin yöntemleri incelenmeye devam
edilmektedir. Tahmin yöntemlerinden Genelleştirilmiş En Küçük Kareler Yöntemi, Esnek
Genelleştirilmiş En Küçük Kareler Yöntemi ve Genel Esnek Genelleştirilmiş En Küçük
Kareler Yöntemi ele alınmaktadır.
4 / 11
3.2.2.4. Genelleştirilmiş En Küçük Kareler Yöntemi
veiµ β ’nın etkin tahmincilerini elde etmek için, Genelleştirilmiş En Küçük Kareler
Yöntemi kullanılabilmektedir. ( )βµδ ,i= için Genelleştirilmiş En Küçük Kareler Tahmincisi
aşağıdaki gibi elde edilebilmektedir;
1
1 1
1 1
ˆN N
GEKK i i i ii i
X X X Yδ−
− −
= =
′ ′= Ω Ω ∑ ∑
(3.49)
burada Ω daha önce bahsedildiği gibi, vit’nin varyans kovaryans matrisidir ve,
2 2( )i i u tE v v I eeµσ σ′ ′Ω ≡ = + (3.50)
eşitliği vardır. Bu matrisin tersi ise,
21
2 2 2
1i T
v u
I eeTµ
µ
σσ σ σ
−
′Ω = − +
(3.51)
ya da,
12 2
1 1 1 1 1T
v v
I ee ee Q eeT T T
ψ ψσ σ
− ′ ′ ′Ω = − + = + (3.52)
şeklinde gösterilebilmektedir. Burada,
2
2 2u
u T µ
σψσ σ
=+
(3.53)
dir. Böylece (3.49) şu hale gelmektedir:
[ ] 0ˆ
ˆit
xx xx xy xy
GEKK
W B W Bβ
ψ ψβ
+ = +
(3.54)
(3.54) eşitliği çözüldüğünde,
5 / 11
1
10
1 11 1 1
ˆ
ˆ
N
i iiit N N
N N Ni i iGEKK i i i i i i i
i i i
NT T X NTY
X QY T X YT X X Qx T X X
ψ ψ ψβ
ψβ ψ ψ
−
=
= == = =
′ = ′ + ′′ +
∑∑ ∑∑ ∑ ∑
(3.55)
elde edilmektedir. Kısmi ters formülü kullanılarak, β vektörü ve β0i’nin Genelleştirilmiş En
Küçük Kareler Tahmincileri aşağıdaki gibi hesaplanmaktadır;
( )( ) ( )( )1
1 1 1 1
1 1ˆN N N N
GEKK i i i i i i i ii i i i
X QX X X X X X QY X X Y YT T
β ψ ψ−
= = = =
′′ ′= + − − + − − ∑ ∑ ∑ ∑
ˆ ˆ( )GAT K GİTIβ β= ∆ + −∆ (3.56)
XY GEKKGEKKi ββ ′−= ˆˆ,0 (3.57)
burada,
( )( ) ( )( )1
1 1 1
N N N
i i i i i ii i i
T X QX T X X X X X X X Xψ ψ−
= = =
′ ′′∆ = + − − − − ∑ ∑ ∑ ,
dir. Görüldüğü gibi, (3.56)’daki Genelleştirilmiş En Küçük Kareler Tahmincisi gruplar arası
ve grup içi tahmincilerinin ortalamaların bir ağırlığıdır.
Eğer [ ]xxxx BW ψ+ sabit değilse, δ’nın Genelleştirilmiş En Küçük Kareler Tahmincisinin
kovaryans matrisi şöyle yazılabilmektedir:
[ ] 10 2
12
11 1
ˆ
ˆ
0 0
0
iu xx xx
GEKK
N
iiN
v N Ni i
i i i ii i
Var W B
N XT
X QXx X X
βσ ψ
β
σ ψ
−
=
== =
= +
′ = + ′ ′
∑∑ ∑ ∑
(3.58)
6 / 11
Kısmi ters formülü kullanılarak aşağıdaki sonuçlar elde edilebilmektedir:
( )( )1
2
1 1
ˆ( )N N
GEKK v i i i ii i
Var X QX T X X X Xβ σ ψ−
= =
′′= + − − ∑ ∑ (3.59)
ψ>0 olması sebebiyle, ˆ ˆveKV GEKKβ β ’nın kovaryans matrisleri arasındaki fark, pozitif tanımlı
bir matristir. Bununla birlikte N’in sabit ve T’nin sonsuza gitmesi (T→∞) nedeniyle, ψ de
sıfıra yaklaşmaktadır (ψ→0). Böylece T’nin sonsuza gitmesi ve
( ) ( )1 11/ ve 1/N N
i i i ii iNT X X NT X QX
= =′ ′∑ ∑ ’nın sonlu pozitif tanımlı matrislere yaklaşması
varsayımları altında, Genelleştirilmiş En Küçük Kareler Tahmincisi ve varyansı, grup içi
tahminci ve varyansına yaklaşmaktadır ( ) ( ) ( )( )ˆ ˆ ˆ ˆveGEKK GEKKGİT GİTVar T Var Tβ β β β→ → .
Genelleştirilmiş En Küçük Kareler Tahmincisinin hesabı, Ω-1’in eşitlik (3.52)’deki özel formu
kullanılarak basitleştirilebilmektedir. 1 2(1 )(1/ )TP I T eeψ ′ = − − yazılırsa, 1 P P− ′Ω =
olmaktadır.
Yaklaşık kısaltılmış eşitliğin, Havuzlanmış En Küçük Kareler Yöntemi ile tahmini (Grup İçi
tahmin), Genelleştirilmiş En Küçük Kareler tahminine eşittir.
3.2.2.4.1. Genelleştirilmiş En Küçük Kareler Yönteminin Özellikleri
Genelleştirilmiş En Küçük Kareler Tahmin Yönteminin özellikleri aşağıdaki gibi
sıralanabilmektedir:
- 1→ψ bir başka ifade ile 2 0µσ → ise; Genelleştirilmiş En Küçük Kareler
Tahmincisi Havuzlanmış En Küçük Kareler Tahmincisine yaklaşmaktadır.
- 0→ψ bir başka ifade ile 2µσ →∞ ya da T→∞ ise; β’nın Genelleştirilmiş En
Küçük Kareler Tahmincisi, grup içi tahminci haline gelmektedir ve bu durumda değişkenliğin
kaynağı hiç önemsenmemektedir.
- TE 1 ve TE 2 varsayımları altında, Genelleştirilmiş En Küçük Kareler Tahmincisi,
tutarlı fakat sapmalıdır (Ω bilinirse, sapmasız olabilmektedir).
7 / 11
- Genelleştirilmiş En Küçük Kareler Tahmincisi, grup içi ve gruplar arası
tahmincilerin ağırlıklı bir ortalama matrisi olarak açıklanabilmektedir.
3.2.2.4.2. Bilgisayar Uygulaması
Stata’da Tesadüfi Etkiler Genelleştirilmiş En Küçük Kareler Yöntemi ile tahmin yapmak için
komut,
. xtreg TG GT TH D1 IN YS, re theta
Tesadüfi Etkiler Genelleştirilmiş En Küçük Kareler
3.2.2.5. Esnek Genelleştirilmiş En Küçük Kareler Yöntemi
Esnek Genelleştirilmiş En Küçük Kareler Tahmincisi, tesadüfi etkiler tahmincisi olarak da
bilinmektedir. Tesadüfi etkiler modelinin Genelleştirilmiş En Küçük Kareler Yöntemi ile
tahmin edilebilmesi için varyans kovaryans matrisinin bilinmesi gerekmektedir, fakat çoğu
zaman bilinmemekte ancak tahmin edilebilmektedir. Hata terimlerinin varyans kovaryans
matrisinin tahmin edilebildiği varsayımı altında ise, uygun prosedür Esnek Genelleştirilmiş
En Küçük Kareler Yöntemidir. Bu yöntemle açıklayıcı değişkenlerin birleşik hata terimi ile
korelasyonsuz olduğu ( )| 0it iE v X = varsayımı altında, tutarlı tahminciler elde edilmektedir.
8 / 11
Tesadüfi etkiler tahmincisinin elde edilebilmesi için öncelikle 2 2 ve uµσ σ ’nin hesaplanması
gerekmektedir. TE 3a varsayımı altında;
( )2 21
1ˆ Titt
E vTνσ =
= ∑ (3.60)
dır. β’nın Havuzlanmış En Küçük Kareler Tahmincisi ˆβ , Havuzlanmış En Küçük
Kareler’den elde edilen kalıntılar ˆitv olmak üzere, 2
νσ aşağıdaki gibi tahmin edilmektedir;
2 2
1 1
1 ˆˆ ˆN T
iti t
vNT Kνσ
= =
=− ∑∑ (3.61)
2µσ için tutarlı tahminci şöyledir;
( )1
2
1 1 1
1 ˆ ˆˆ ˆ ˆ1 2
N T T
it isi t s t
v vNT T Kµσ
−
= = = +
=− −
∑∑∑ (3.62)
2uσ
için tutarlı tahminci ise, 2 2 2v uµσ σ σ= + eşitliğinden yararlanılarak hesaplanabilmektedir,
böylece Ω matrisinin tahmini elde edilebilmektedir. Esnek Genelleştirilmiş En Küçük Kareler
Tahmincisi, Ω varyans kovaryans matrisinin tersini kullanarak modelin parametrelerini,
11 1
1 1
ˆ ˆ ˆN N
TE i i i ii i
X X X Yβ−
− −
= =
′ ′= Ω Ω ∑ ∑ (3.63)
şeklinde tahmin etmektedir.
3.2.2.5.1 Esnek Genelleştirilmiş En Küçük Kareler Yöntemi’nin Özellikleri
Esnek Genelleştirilmiş En Küçük Kareler Yönteminin önemli özellikleri aşağıdaki gibi
sıralanabilmektedir:
1) TE 3 varsayımı olmaksızın da β tahmincisi tutarlıdır; TE 1 ve TE 2 varsayımları
tutarlılık için yeterlidir. Fakat TE 3 varsayımı ile ( )| 0i iE Xν = , tutarlı tahminciler içinde
en etkin olmaktadır.
9 / 11
2) Esnek Genelleştirilmiş En Küçük Kareler, kısıtsız bir varyans tahmincisi (Ω)
kullanarak, tutarlı ve N sonsuza giderken asimptotik normaldir.
3) TE 1 - TE 3 varsayımları altında,
1
1
1
ˆ ˆvar( )N
i ii
A X Xβ−
−
=
′= Ω ∑ (3.64)
şeklindeki Esnek Genelleştirilmiş En Küçük Kareler varyans matrisi geçerlidir.
3.2.2.6. Genel Esnek Genelleştirilmiş En Küçük Kareler Yöntemi
Hata terimi uit genelde heteroskedastik ve otokorelasyonludur, dolayısıyla TE 3 varsayımı
geçerli değildir. Bu durumda, tesadüfi etkiler tahmincisi etkin değildir. Ω’nın daha genel bir
tahmincisi, asimptotik etkindir. Ω varyans-kovaryans tahmincisi, aşağıdaki gibi elde
edilebilmektedir:
1
1
ˆ ˆˆ ˆ ˆN
i ii
N ν ν−
=
′Ω = ∑ (3.65)
Bu tahminci dolaylı olarak şu varsayımı yapmaktadır:
( )|i i iE Xν ν ′ = Ω (1)
TE 1-TE 2 varsayımları ile, Esnek Genelleştirilmiş En Küçük Kareler Tahmincisi tutarlıdır,
(1) numaralı varsayım ile de asimptotik etkindir. Bununla birlikte TE 1-TE 3 varsayımları
altında (N büyükken) Genel Esnek Genelleştirilmiş En Küçük Kareler (GEGEKK)
Tahmincisi, Esnek Genelleştirilmiş En Küçük Kareler Tahmincisi kadar etkindir.
10 / 11
ÇALIŞMA SORULARI
1. Tesadüfi etkiler modelinin genelleştirilmiş en küçük kareler yöntemi ile tahmininde
karşılaşılan en büyük sorun nedir?
2. Modelde heteroskedasite ve otokorelasyon varsa bile genellştirilmiş en küçük kareler
etkindir. Doğru Yanlış
3. Genelleştirilmiş en küçük kareler hangi şartlar altında havuzlanmış en küçük kareler
tahmincisine yaklaşır?
4. Genelleştirilmiş en küçük kareler hangi şartlar altında grupiçi tahminciye yaklaşır?
5. Tesadüfi etkiler modelinin tahmininde kullanılan (geçen dersde bahsedilenler de dahil
olmak üzere) yöntemleri kıyaslayınız.
11 / 11
KAYNAKÇA
Baltagi B. H., 1995, “Econometric Analysis of Panel Data”, Chichester: John Wiley&Sons.
Wooldridge J. M., 2002, “Econometric Analysis of Cross Section and Panel Data”
Cambridge, Ma: MIT Press.
Yerdelen Tatoğlu F., 2013 (2. Baskı), “Panel Veri Ekonometrisi”, Beta Yayınları, İstanbul.
Yerdelen Tatoğlu F., 2013 (2. Baskı), “İleri Panel Veri Analizi”, Beta Yayınları, İstanbul.
9. HAFTA DERS NOTU
2 / 12
İÇİNDEKİLER
3.3. VARSAYIMLARIN ÖZETİ 3.3.1. Sabit Etkiler Modeli 3.3.2. Tesadüfi Etkiler Modeli
3.4. PANEL VERİ MODELLERİNDE ETKİNLİK VE TUTARLILIK 3.5. GENEL ÖZET
3.6. UYGULAMALAR
3 / 12
ÖZET (TÜRKÇE)
Bu hafta doğrusal panel veri modellerinde tahmin yöntemlerinin karşılaştırmaları yapılmakta,
varsayımlar özetlenmekte ve panel veri modellerinde etkinlik ve tutarlılık konusu genel
hatlarıyla tartışılmaktadır.
4 / 12
3.3. VARSAYIMLARIN ÖZETİ
Sabit ve tesadüfi etkiler modellerinin varsayımları aşağıda sıralanmaktadır:
3.3.1. Sabit Etkiler Modeli
1) SE 1 - SE 4: BF 1 - BF 4 ile aynıdır.
2) SE 5: Hata terimleri (uit) homoskedastiktir.
3) SE 6: Hata terimleri (uit) otokorelasyonsuzdur.
4) SE 7: µi ve Xi üzerine koşullu uit, özdeş ve bağımsız dağılımlı normal tesadüfi değişkendir
(IIN(0, 2uσ )).
3.3.2. Tesadüfi Etkiler Modeli
1) TE 1 - TE 2: BF 1 - BF 2 ve SE 1 - SE 2 ile aynıdır.
2) TE 3: Xit, birim etkilere (µi) bağlı katı dışsaldır ve Xit ile birim etkiler korelasyonsuzdur.
3) TE 4: Tam çoklu doğrusal bağlantı yoktur.
4) TE 5: Birim hata öğesi (µi) ve artık hata öğesi (uit) homoskedastiktir.
5) TE 6: Hata terimleri otokorelasyonsuzdur.
3.4. PANEL VERİ MODELLERİNDE ETKİNLİK VE TUTARLILIK
Panel veri modellerinde gözlem sayısının genelde fazla olması nedeniyle, etkinliğin tutarlılık
kadar önemli olmadığı düşünülebilmektedir, fakat bu düşünce yanlıştır. Panel veri, hem
zaman serisi boyutu hem de yatay kesit boyutu içermesine rağmen, daha çok bir boyutta
(genelde zaman boyutu) az gözlem içerirken diğer boyutta (genelde yatay kesit boyut) daha
fazla gözlem içermektedir. Etkinliğin sağlanabilmesi için gözlem sayısının fazla olduğu
boyuttan elde edilen bilginin, genel parametrelerin tahmininde olumlu olarak kullanılabilmesi
önemlidir.
5 / 12
Bilinmeyen parametrelerin tutarlı tahminini elde edebilmek için, daha çok bilgi içeren
boyutun gözlem sayısını arttırmak gereklidir. Böylece panel verilerle çalışılırken, N’in ya da
T’nin veya hem T’nin hem de N’in sonsuza gidip gitmediğinin ayrımı önemlidir. Bu ayrımı
yapabilmek için, hangi parametrelerin tutarlı tahminci olmasının daha önemli olduğuna karar
vermek gereklidir.
Tesadüfi etkiler modeli açıklanırken, Havuzlanmış En Küçük Kareler Tahmincilerinin tutarlı
olduğundan, fakat yatay kesit birimlerin tesadüfi yapısını dikkate alarak çözüm yapan
Genelleştirilmiş En Küçük Kareler Tahmincileri ile karşılaştırılınca, etkin olmadığından
bahsedilmişti. Tesadüfi etkiler modeli kullanılacaksa, etkiler ile ilgili bir dağılım varsayımı
yapılması gerekmektedir. Model doğrusal değilse, dağılım varsayımı doğrusal olmayan
modelin türüne bağlıdır ve tutarlı tahminler elde etmek için, En Çok Olabilirlik Yönteminin
çok karmaşık bir hali kullanılmaktadır. Eğer model doğrusal ise, etkilerin bağımsız dağıldığı
varsayılmakta ve böyle bir modelin tahmini için, Genelleştirilmiş En Küçük Kareler Yöntemi
kolayca uygulanabilmektedir. Bu durumda, kalıntıların korelasyon yapısı bilinmekte ve
tahminciler asimptotik etkin olmaktadır.
T’nin sonlu olduğu, yatay kesit birim sayısının (N) sonsuza gittiği durumda, T döneminde bir
birimin davranışsal eşitliğinin parametrelerini tahmin etmek için, yatay kesit gözlemler
kullanılarak Minimum Aralık Tahmincisi kullanılabilmektedir. Minimum Aralık süreci,
heteroskedasite ve otokorelasyon problemleri doğurmakta ve bu nedenle tutarlı fakat etkin
olmayan tahminciler türetmektedir.
3.5. GENEL ÖZET
- Gözlenemeyen birim etkilere hata terimi gibi tesadüfi bir değişken gibi davranılıyorsa
tesadüfi; sabit parametre gibi davranılıyorsa sabit etkiler söz konusu olmaktadır.
- Tesadüfi etkiler modelinde bağımsız değişkenler ile birim etki arasındaki korelasyonun
sıfır olduğu varsayılmakta iken, sabit etkiler modelinde sıfırdan farklıdır.
- Zaman sabiti değişkenler tesadüfi etkiler modelinde yer alabilir ve tahmin edilebilirken,
sabit etkiler modelinde yapılan dönüşümlerle modelden düşmektedir.
6 / 12
- Sabit etkiler modelinin tahmininde Gölge Değişkenli En Küçük Kareler, Grup İçi
(Kovaryans) Tahmin, Gruplar Arası Tahmin, Havuzlanmış En Küçük Kareler, En Çok
Olabilirlik, Genelleştirilmiş En Küçük Kareler ve Esnek Genelleştirilmiş En Küçük Kareler
Yöntemleri kullanılabilmektedir.
- Sabit etkiler modelinin tahmininde Gölge Değişkenli En Küçük Kareler Yöntemi sıklıkla
kullanılmaktadır, fakat birim sayısı fazla ise serbestlik derecesi kaybı fazla olmakta ve bu
nedenle grup içi tahmin Yöntemi tercih edilmelidir. Grup içi tahmin yöntemi tahminde en
fazla kullanılan yöntem olması sebebiyle, sabit etkiler tahmincisi ismini almaktadır.
- Grup içi tahmincide dönüştürülmüş hata terimi negatif otokorelasyonludur.
- Tesadüfi etkiler modelinde birim etki hata terimi içerisinde özetlenmekte ve kalıntının
varyans kovaryans matrisinde yer almaktadır.
- Tesadüfi etkiler modelinin tahmini için; Havuzlanmış En Küçük Kareler, Grup İçi
(Kovaryans) Tahmin, En Çok Olabilirlik, Genelleştirilmiş En Küçük Kareler, Esnek
Genelleştirilmiş En Küçük Kareler, Genel Esnek Genelleştirilmiş En Küçük Kareler ve İki
Aşamalı Genelleştirilmiş En Küçük Kareler Yöntemleri kullanılabilmektedir.
- Bununla birlikte tahminde en çok kullanılan yöntemlerden Genelleştirilmiş En Küçük
Kareler Yöntemi, En Çok Olabilirlik Yöntemine göre hesaplama kolaylığına sahip
olduğundan ve bazı sorunlarından dolayı daha fazla tercih edilmekte ve bu nedenle
Genelleştirilmiş En Küçük Kareler Tahmincisi, tesadüfi etkiler tahmincisi olarak da
bilinmektedir.
3.6. UYGULAMALAR
1. Grunfeld Yatırım Modeli
Aşağıdaki Grunfeld Yatırım Modelini, Gölge Değişkenli En Küçük Kareler, Sabit Etkiler,
Gruplar Arası Etkiler, Tesadüfi Etkiler için En Çok Olabilirlik ve Genelleştirilmiş En Küçük
Kareler Yöntemleri ile tahmin edelim.
0 1 2it it it itinvest mvalue kstock uβ β β= + + +
7 / 12
Çıktı 3.10. Gölge Değişkenli En Küçük Kareler, Sabit Etkiler, Gruplar Arası Etkiler, En Çok Olabilirlik ve Tesadüfi Etkiler Tahmincileri
8 / 12
2. İşsizlik Tazminatı Modeli
Wooldridge’in (2002) “ezunem.dta” isimli veri setini kullanarak, aşağıdaki modeli Gölge
Değişkenli En Küçük Kareler, Sabit Etkiler, Gruplar Arası Etkiler, Tesadüfi Etkiler için En
Çok Olabilirlik ve Genelleştirilmiş En Küçük Kareler Yöntemleri ile tahmin edelim.
0 1 2log( )it it ituclms ez t uβ β β= + + +
uclms: işsizlik tazminatı talebi sayısı
ez: şehir serbest (gümrüksüz) bölgeye sahipse 1, değilse 0 değerini alan gölge değişken
(zamana göre değişebilmektedir)
t: zaman gölge değişkeni (trend, birim değişmezi)
i (city): şehirler (22 adet)
t (year): yıllar (1981-1988)
Çıktı 3.11. Gölge Değişkenli En Küçük Kareler, Sabit Etkiler, Gruplar Arası Etkiler, En Çok Olabilirlik ve Tesadüfi Etkiler Tahmincileri
9 / 12
3. Getiri Oranı Modeli
2004-2009 yılları arasında İMKB imalat sanayinde yer alan ve faaliyetlerine sürekli olarak
devam eden 124 firmanın hisse senedi yatırımcısına sağlamış olduğu dönemsel verim (getiri
oranı) ile işletmenin finansal yapısı ve faaliyet sonuçlarının verimliliği hakkında bilgiler veren
finansal oranlar (rasyolar) arasında bir ilişki kurulmak istenmektedir. Çalışmada bağımsız
değişken olarak yer alan oranlar elde edilirken kullanılan finansal tablo kalemleri, İstanbul
Menkul Kıymetler Borsası (İMKB) ve Kamuyu Aydınlatma Platformu’nun resmi web
sitelerinden temin edilen finansal tablolardan sağlanmıştır (www.imkb.gov.tr ve
www.kap.gov.tr). Söz konusu verileri kullanarak aşağıda tanımlanan modeli, sabit etkiler,
gruplar arası etkiler ve tesadüfi etkiler tahmincilerini kullanarak tahmin edelim.
0 1it it i it it itgetiri finkal krbym nkrakt uβ β β= + + + +
getiri: hisse senedi getiri oranı (hisse senedi verimi)
finkal: finansal kaldıraç oranı (toplam borçların toplam kaynaklara oranı)
krbym: net kardaki dönemsel büyüme oranı
10 / 12
nkrakt: net karın toplam aktiflere oranı
i (id): hisse senetleri (124 adet)
t (t): yıllar (2004-2009)
Çıktı 3.12. Sabit Etkiler, Gruplar Arası Etkiler ve Tesadüfi Etkiler Tahmincileri
11 / 12
ÇALIŞMA SORULARI
1. Sabit etkilerde bağımsız değişkenlerle birim etki arasındaki korelasyon sıfırıdır.
Doğru Yanlış
2. Homojen bir anakütleden çekim yapılıyorsa sabit etkileri düşünmek daha doğrudur.
Doğru Yanlış
3. Zamana göre değişmeyen (zaman sabiti) değişkenlere sabit etkiler modelinde neden izin
verilmez?
4. Sabit etkiler modelinin tahmininde en çok kullanılan yöntem hangisidir? Neden?
4. Tesadüfi etkiler modelinin tahmininde en çok kullanılan yöntem hangisidir? Neden?
12 / 12
KAYNAKÇA
Baltagi B. H., 1995, “Econometric Analysis of Panel Data”, Chichester: John Wiley&Sons.
Wooldridge J. M., 2002, “Econometric Analysis of Cross Section and Panel Data”
Cambridge, Ma: MIT Press.
Yerdelen Tatoğlu F., 2013 (2. Baskı), “Panel Veri Ekonometrisi”, Beta Yayınları, İstanbul.
Yerdelen Tatoğlu F., 2013 (2. Baskı), “İleri Panel Veri Analizi”, Beta Yayınları, İstanbul.
10. HAFTA DERS NOTU
2 / 14
İÇİNDEKİLER
4.2. İKİ YÖNLÜ PANEL VERİ MODELLERİ 4.2.1. İki Yönlü Sabit Etkiler Modeli
4.2.1.1. Gölge Değişkenli En Küçük Kareler Tahmin Yöntemi 4.2.1.1.1. Bilgisayar Uygulamaları
4.2.1.2. Grup İçi Tahmin Yöntemi 4.2.1.2.1. Sabit Etkiler Modelinin Varsayımları 4.2.1.2.2. Bilgisayar Uygulaması
4.2.2. İki Yönlü Tesadüfi Etkiler Modeli 4.2.2.1. Genelleştirilmiş En Küçük Kareler Yöntemi 4.2.2.2. En Çok Olabilirlik Yöntemi 4.2.2.2.1. Bilgisayar Uygulamaları
3 / 14
ÖZET (TÜRKÇE)
Bu derste hem birim hem de zaman etkilerini içeren iki yönlü panel veri modelleri ve tahmin
yöntemleri ele alınmaktadır.
4 / 14
4.2. İKİ YÖNLÜ PANEL VERİ MODELLERİ
Bu derse kadar olan derslerde basitleştirmek amacıyla, modelde sadece birim veya zaman
etkilerinin olduğu tek yönlü panel veri modellerine yer verilmiştir. Zaman etkilerinin de birim
etkiler ile birlikte modele dahil edildiği iki yönlü panel veri modelleri için tahmin yöntemleri,
tek yönlü modeller için önerilen tahmin yöntemleri kullanılarak genişletilebilmektedir. Bu
derste, çok ayrıntısına girmeden iki yönlü panel veri modelleri ve tahmin yöntemleri
anlatılacaktır.
İki yönlü panel veri modelleri sabit etkiler varsayımıyla,
it it i t itY X uα β µ λ= + + + + (4.3)
şeklinde ve tesadüfi etkiler varsayımıyla,
it it itY X vα β= + + ( it i t itv uµ λ= + + ) (4.4)
olarak ifade edilebilmektedir. Görüldüğü gibi modelde birim etkilerin yanında zaman etkileri
de içerilmektedir.
4.2.1. İki Yönlü Sabit Etkiler Modeli
(4.3) modelindeki vei tµ λ tahmin edilmesi gereken sabit parametreler olarak
tanımlanıyorsa, iki yönlü sabit etkiler modeli söz konusu olmaktadır ve tahmin için aşağıdaki
yöntemler kullanılabilmektedir.
4.2.1.1. Gölge Değişkenli En Küçük Kareler Tahmin Yöntemi
Birim sayısından bir eksik ve zaman boyutundan bir eksik olacak şekilde gölge değişkenler
[(N-1)+(T-1) sayıda] türetilip modele bağımsız değişkenler olarak dahil edilmekte ve sonra bu
model Havuzlanmış En Küçük Kareler Yöntemi ile tahmin edilmektedir.
5 / 14
4.2.1.1.1. Bilgisayar Uygulaması
Turizm gelirleri modelini, sabit etkiler varsayımıyla İki Yönlü olarak Gölge Değişkenli En
Küçük Kareler Yöntemiyle tahmin edelim.
I. YOL:
Turizm gelirleri modelini sabit etkiler varsayımıyla İki Yönlü Gölge Değişkenli En Küçük
Kareler Yöntemiyle tahmin edebilmek için, öncelikle 24 (=25-1) birim için ve 12 (=13-1)
dönem için tek tek gölge değişkenler tanımlanmalı ve modele dahil edilmelidir. Tahmin için,
. xi: reg TG GT TH D1 IN YS i.id i.t
İki Yönlü Sabit Etkiler Modeli (Gölge Değişkenli En Küçük Kareler)
6 / 14
Yukarıdaki çıktıda, 1. birime ait ve 1993 yılına ait gölge değişkenler gölge değişken tuzağına
düşülmesini engellemek amacıyla modele alınmamıştır.
II. YOL:
Alternatif olarak sabit etkiler varsayımıyla iki yönlü turizm gelirleri modelini tahmin etmek
için aşağıdaki komut kullanılabilir;
. xi: xtreg TG GT TH D1 IN YS i.t, fe
İki Yönlü Sabit Etkiler Modeli (Gölge Değişkenli En Küçük Kareler)
Aynı sonuçlara aşağıdaki komut kullanılarak da ulaşılabilmektedir:
. xi: xtmixed TG GT TH D1 IN YS i.id i.t
7 / 14
4.2.1.2. Grup İçi Tahmin Yöntemi
N ve/veya T büyükken, sabit etkiler varsayımıyla tahmin yaparken regresyonda çok fazla
gölge değişken içerilmesi gerekmektedir. Bu da daha önce bahsedilen problemlere sebep
olabilmektedir. Bu durumda, modelin tahmininde Gölge Değişkenli En Küçük Kareler
Yöntemi yerine grup içi dönüşümün kullanılması uygun olmaktadır.
Genel panel veri modeli vektör formunda aşağıdaki gibi tanımlandığında,
Y X vβ= + (4.5)
ve,
N T N T N T N T N TQ E E I I I J J I J J= ⊗ = ⊗ − ⊗ − ⊗ + ⊗
burada ve EN N N T T TE I J I J= − = − , ayrıca NI N boyutunun birim matrisi, TI T boyutunun
birim matrisi, TJ T boyutunun birler matrisi ve NJ N boyutunun birler matrisidir. (4.3)
modeli Q ile çarpılarak grup içi dönüşüm yapılmış olmaktadır;
QY QX Qvβ= + (4.6)
burada Y QY= ve X QX= kısaltmaları yapılırsa, Y ’nin X üzerine regresyonu grup içi
tahminciyi,
( ) 1X QX X QYβ −′ ′= (4.7)
vermektedir. Bu dönüşüm, ve i tµ λ etkilerini modelden düşürmektedir. Ayrıca zaman
değişmezi ya da birim değişmezi değişkenleri varsa dönüşümle modelden elimine
edilmektedir.
Daha açık olarak dönüştürülmüş model,
( ) ( ) ( ) ( )
( ) ( ). .. . 0 0 0 1
. .
i tit i t it i i
i tt t it
Y Y Y X X X
u u u
β β β β µ µ
λ λ
− − = − − + − − + −
+ − + − − (4.8)
8 / 14
ya da,
0 1it it ity x uβ β= − + +
şeklinde ifade edilebilmektedir. Bu son model, Havuzlanmış En Küçük Kareler Yöntemi
kullanılarak tahmin edilince iki yönlü model için grup içi tahminci elde edilmektedir.
4.2.1.2.1. Sabit Etkiler Modelinin Varsayımları
İki yönlü sabit etkiler modelinin varsayımları aşağıdaki gibidir:
SE 1: ( )| , , 0it i i tE u x µ λ = bağımsız değişkenler katı dışsaldır, ayrıca hata terimi ile birim ve zaman etkileri arasında da korelasyon yoktur.
SE 2: 1
( )T
it itt
rank E x x K=
′ = ∑ bağımsız değişkenler arasında çoklu doğrusal
bağlantı yoktur.
SE 3: ( ) 2| , ,i i i i t u TE u u x Iµ λ σ′ = modelde heteroskedasite ve otokorelasyon
yoktur.
4.2.1.2.2. Bilgisayar Uygulaması
Stata’da grup içi tahmin yöntemini kullanarak iki yönlü sabit etkiler modelini tahmin
edebilmek için öncelikle birim ve zaman ortalamaları değişkenleri türetilmeli daha sonra fark
alınmalıdır.
Çıktı 4.6. İki Yönlü Sabit Etkiler Modeli (Grup İçi Tahmin)
9 / 14
4.2.2. İki Yönlü Tesadüfi Etkiler Modeli
Xit; , ve i t itvµ λ ile korelasyonsuzsa ve ( )20,i IID µµ σ , ( )20,t IID λλ σ ve
( )20,it vv IID σ varsayımları sağlanıyorsa tesadüfi etkiler modelinden söz edilebilmektedir.
İki yönlü tesadüfi etkiler modelinin tahmininde çeşitli yöntemler kullanılmaktadır, bunlardan
bazıları aşağıda açıklanmıştır.
4.2.2.1. Genelleştirilmiş En Küçük Kareler Yöntemi
(4.4) modelinde tanımlanan tesadüfi etkiler modelinin kalıntısının varyans kovaryans matrisi;
( ) ( ) ( )( ) ( ) ( )
2
2 2 2
u NT
N T N T u N T
E vv Z E Z Z E Z I
I J J I I Iµ µ λ λ
µ λ
µµ λλ σ
σ σ σ
′ ′ ′ ′ ′Ω = = + +
= ⊗ + ⊗ + ⊗ (4.9)
şeklindedir. Burada, N TZ Iµ ι= ⊗ ve N TZ Iλ ι= ⊗ şeklinde tanımlanmaktadır. Zµ , bir ve
sıfırlardan oluşan iµ ’nin tahmini için regresyonda içerilen birim gölge değişkenlerin
matrisidir. Zλ ise, yine bir ve sıfırlardan oluşan ve zaman gölge değişkenlerini içeren bir
matristir. Aşağıdaki eşitlikler,
4 4
1 1 ve r r
i i i ii i
Q Qλ λ= =
Ω = Ω =∑ ∑ (4.10)
yardımıyla β’nın Genelleştirilmiş En Küçük Kareler Tahmincisi aşağıdaki gibi
yazılabilmektedir;
10 / 14
( ) ( ) ( )( ) ( ) ( )
121 2 2 3 3
21 2 2 3 3
12 2 2 22 3 2 3
ˆGEKK u
u
XX XX XX XY XY XY
X Q X X Q X X Q X
X Q Y X Q Y X Q X
W B C W B C
β σ λ λ
σ λ λ
φ φ φ φ
−
−
′ ′ ′ = + + ′ ′ ′ × + +
= + + + +
(4.11)
burada,
2 2 2 2 2 2 2 21 2 3 4, , veu u u uT N T Nµ λ µ λλ σ λ σ σ λ σ σ λ σ σ σ= = + = + = + +
ve,
1 2 3 4, , ve N T N T N T N TQ E E Q E J Q J E Q J J= ⊗ = ⊗ = ⊗ = ⊗
eşitlikleri vardır. Ayrıca,
1 2 3, ,XX XX XXW X Q X B X Q X C X Q X′ ′ ′= = =
ve,
2 2 2 22 2 3 3veu uφ σ λ φ σ λ= =
dir.
4.2.2.2. En Çok Olabilirlik Yöntemi
Kalıntının normal dağılması varsayımıyla log-olabilirlik fonksiyonu,
11 1log sabit log | | ( ) ( )2 2
L Y Z Y Zγ γ−′= − Ω − − Ω −
şeklinde ifade edilebilmektedir. En Çok Olabilirlik Tahmincisi, aşağıdaki normal
denklemlerin eşanlı olarak çözülmesi ile elde edilebilmektedir:
11 / 14
( )
( ) ( )
( ) ( )
1 1
1 22
1 22
1 22
0
1 1 02 21 1 02 21 1 02 2
u
N T N T
N T N T
log L Z y Z Z
log L tr u u
log L tr I J u I J u
log L tr J I u J I u
µ
λ
γγ
σ
σ
σ
− −
− −
− −
− −
∂ ′ ′= Ω − Ω =∂
∂ ′= − Ω + Ω =∂
∂ ′= − Ω ⊗ + Ω ⊗ =∂
∂ ′= − Ω ⊗ + Ω ⊗ =∂
Bu eşitliklerin eşanlı olarak çözülmesi oldukça zordur, bu nedenle çeşitli araştırmacılar
tarafından önerilen (örneğin Amemiya (1971), Breusch (1987)) alternatif yöntemler vardır.
4.2.2.2.1. Bilgisayar Uygulaması
Tesadüfi etkiler varsayımıyla iki yönlü turizm gelirleri modelini En Çok Olabilirlik Yöntemi
ile tahmin etmek için aşağıdaki komut kullanılabilmektedir;
. xtmixed TG GT TH D1 IN YS || _all: R.id || _all: R.t, mle
İki Yönlü Tesadüfi Etkiler Modeli (En Çok Olabilirlik)
12 / 14
Tesadüfi etkiler varsayımıyla İki Yönlü turizm gelirleri modelini Kısıtlı En Çok Olabilirlik
Yöntemi tahmin etmek için aşağıdaki komut kullanılabilir;
. xtmixed TG GT TH D1 IN YS || _all: R.id || _all: R.t
İki Yönlü Tesadüfi Etkiler Modeli (Kısıtlı En Çok Olabilirlik)
13 / 14
ÇALIŞMA SORULARI
1. İki yönlü panel veri modelleri için iktisadi bir örnek veriniz.
2. Hangi şartlar altında iki yönlü model sabit etkiler varsayımı ile tahmin edilebilir?
3. Hangi şartlar altında iki yönlü model tesadüfi etkiler varsayımı ile tahmin edilebilir?
4. İki yönlü model gölge değişkenli en küçük kareler yöntemi ile sağlıklı olarak tahmin
edilmesi birim boyutunun küçük olması yeterlidir. Doğru Yanlış
5. İki yönlü modelin grup içi tahminci ile tahmininde sabit parametre modelden düşmektedir.
Doğru Yanlış
14 / 14
KAYNAKÇA
Baltagi B. H., 1995, “Econometric Analysis of Panel Data”, Chichester: John Wiley&Sons.
Wooldridge J. M., 2002, “Econometric Analysis of Cross Section and Panel Data”
Cambridge, Ma: MIT Press.
Yerdelen Tatoğlu F., 2013 (2. Baskı), “Panel Veri Ekonometrisi”, Beta Yayınları, İstanbul.
Yerdelen Tatoğlu F., 2013 (2. Baskı), “İleri Panel Veri Analizi”, Beta Yayınları, İstanbul.
11. HAFTA DERS NOTU
2 / 22
İÇİNDEKİLER
PANEL VERİ MODELLERİNİN TAHMİN YÖNTEMLERİ ARASINDA TERCİHLER
5.1. TAHMİNCİLERİN KARŞILAŞTIRILMASI VE ÖNSEL TERCİHLER 5.1.1. Sabit Etkiler İçin Grup İçi Tahminci ve Gölge Değişkenli En Küçük Kareler Tahmincisi 5.1.2. Sabit Etkiler İçin Grup İçi Tahminci ve Birinci Farklar Tahmincisi 5.1.3. Tesadüfi Etkiler İçin Esnek Genelleştirilmiş En Küçük Kareler Tahmincisi ve Havuzlanmış En Küçük Kareler Tahmincisi 5.1.4. Tesadüfi Etkiler Tahmincisi ve Sabit Etkiler Tahmincisi
5.2. TAHMİNCİLER ARASINDA KARAR VERMEK İÇİN KULLANILAN TESTLER
5.2.1. Klasik Modelin Testi 5.2.1.1. F Testi
5.2.1.1.1. Bilgisayar Uygulaması 5.2.1.2. Olabilirlik Oranı Testi
5.2.1.2.1. Bilgisayar Uygulamaları 5.2.1.3. Breusch-Pagan Lagrange Çarpanı ve Düzeltilmiş Lagrange Çarpanı Testleri
5.2.1.3.1. Bilgisayar Uygulamaları 5.2.2. Sabit Etkiler Tahmincisi İle Tesadüfi Etkiler Tahmincisi Arasında Tercih Yapmak İçin Kullanılan Testler
5.2.2.1. Hausman Testi 5.2.2.1.1. Bilgisayar Uygulaması 5.2.2.1.2. Hausman Testinin Özellikleri
5.3. BÖLÜM UYGULAMALARI
3 / 22
ÖZET (TÜRKÇE)
ÖZET: Bu hafta panel veri modellerinde testler konusuna başlanmaktadır. Bu bağlamda;
Klasik Model, Sabit Etkili Model ve Tesadüfi Etkili Modeller arasında tercih yapmak için
kullanılan testler ve önsel tercihler ele alınmaktadır.
4 / 22
5. PANEL VERİ MODELLERİNİN TAHMİN YÖNTEMLERİ ARASINDA
TERCİHLER
Şimdiye kadar olan derslerde, panel veri analizinde yapılan varsayımlara göre, farklı
özelliklere sahip ve birbirlerine karşı çeşitli avantaj ve dezavantajları olan tahmin yöntemleri
incelendi. Hiç şüphesiz, kullanılacak model için ne tür varsayım yapılacağı ve bu varsayıma
göre hangi tahmin yönteminin seçileceği en önemli problemlerdendir. Bu bölümde, tahmin
yöntemleri arasında önsel tercihler ve testler ele alınmaktadır.
5.1. TAHMİNCİLERİN KARŞILAŞTIRILMASI VE ÖNSEL TERCİHLER
Ekonometride kullanılan tahmin yöntemlerinin ve özelliklerinin iyi bilinmesi, hangi
varsayımların kullanılıp hangi tahmincinin seçileceği konusunda önsel bilgi vermekte ve bu
bilgiler genellikle yanıltıcı olmamaktadır.
5.1.1. Sabit Etkiler İçin Grup İçi Tahminci ve Gölge Değişkenli En Küçük Kareler
Tahmincisi
Panel veri modeli için sabit etkiler varsayımı yapılıyorsa, en çok kullanılan iki yöntem Grup
İçi Tahminci ve Gölge Değişkenli En Küçük Kareler Tahmincileridir. Bu iki tahmin yöntemi
arasında benzerlikler ve farklar aşağıdaki gibidir:
- Gölge Değişkenli En Küçük Kareler Tahmincisi ile Grup İçi Tahminci arasındaki
en önemli benzerlik aynı sonucu vermeleridir. Fakat N ve/veya T büyükse, Gölge Değişkenli
En Küçük Kareler Yöntemi ile tahmin yapılması zordur ve serbestlik derecesi kaybı çok
olmaktadır. Bu durumda, grup içi tahmincinin seçilmesi daha avantajlı olmaktadır.
- Gölge Değişkenli En Küçük Kareler Tahmincisi ile Grup İçi Tahminci arasındaki
en önemli fark ise; grup içi tahmincinin N sonsuza giderken tutarlı olması, fakat Gölge
Değişkenli En Küçük Kareler Yönteminde N sonsuza giderken her bir ilave yatay kesit birim
için yeni bir µi ilave etmek gerekliğinin olması sebebiyle, µi’nin tahmincisinin sonlu T ve N
sonsuza giderken sapmasız, fakat tutarsız olmasıdır. N’in büyüklüğüne göre, bu iki tahmin
yöntemi arasında seçim yapılabilmektedir.
5 / 22
5.1.2. Sabit Etkiler İçin Grup İçi Tahminci ve Birinci Farklar Tahmincisi
Grup içi tahmin yöntemi gibi birim ve zaman etkilerini modelden elimine eden bir başka
yöntem de birinci farklar yöntemidir. Bu iki tahmin yöntemi arasında benzerlikler, farklar ve
önsel tercihler aşağıdaki gibidir:
− T=2 için, birinci farklar tahmincisi ve grup içi tahminci birbirine eşittir. Bu
durumda, birinci farklar yönteminin uygulanması daha basit olduğu için tercih
edilebilmektedir. Tüm hesaplamalar , sadece tek bir yatay kesit birim için direkt olarak
yapılabilmektedir.
− T > 2 için, hangisinin etkin olduğu artık hataların (uit) yapısına bağlıdır:
uit, otokorelasyonlu değilse (SE 3), grup içi tahminci daha etkindir.
uit, rassal yürüyüş süreci izliyorsa, birinci farklar tahmincisi daha etkindir.
Dolayısıyla Birinci Farklar, pozitif serisel otokorelasyon varsa daha güvenilirdir.
− Grup içi tahminci ile birinci farklar tahmincisi arasındaki farklar içsellik problemi
hakkında sinyal verebilmektedir; eğer iki tahminci farklı olasılık limitlerine sahipse, katı
dışsallık yoktur.
5.1.3. Tesadüfi Etkiler İçin Esnek Genelleştirilmiş En Küçük Kareler Tahmincisi ve
Havuzlanmış En Küçük Kareler Tahmincisi
Panel veri modeli için tesadüfi etkiler varsayımı yapılıyorsa, Havuzlanmış En Küçük Kareler
ve Genelleştirilmiş En Küçük Kareler Tahmincileri arasında benzerlikler, farklar ve önsel
tercihler aşağıdaki gibidir:
− Hata teriminde birim ve/veya zaman etkileri varsa Havuzlanmış En Küçük Kareler
Tahmincisi, Genelleştirilmiş En Küçük Kareler Tahmincisinden daha az etkindir. Birimlerin
içindeki otokorelasyon nedeniyle standart hatalar düzeltilmedikçe, Havuzlanmış En Küçük
Kareler Yönteminden elde edilen sonuçlara dayalı yorumlar yanlış olmaktadır.
− Havuzlanmış En Küçük Kareler Yönteminin uygulanması daha basittir ve katı
dışsallığa bağlı olmamanın avantajına sahiptir.
6 / 22
5.1.4. Tesadüfi Etkiler Tahmincisi ve Sabit Etkiler Tahmincisi
Tesadüfi etkiler ve sabit etkiler tahmincileri arasında önsel tercih yapılırken,
− µi’nin tahmin edilen bir parametre mi (sabit), bir dağılımdan elde edilen stokastik
bir değişken mi (tesadüfi) olduğuna bakılmalıdır.
Yatay kesit boyut örneğin ülkeler ya da şehirlerden oluşuyorsa; tesadüfi çekimden
gelmediği için, µi’yi tahmin edilen sabit bir parametre olarak düşünmek doğaldır.
Panelin ana kütleden tesadüfi olarak çekildiği düşünülüyorsa (örneğin yatay kesit
boyut birim ya da firmalardan oluşuyorsa); µi’yi rassal bir hata bileşeni olarak düşünmek
doğaldır.
− Sabit etkiler ya da tesadüfi etkiler modelleri arasında seçim, modelin tahmin
edilmesindeki amaca bağlı olarak da yapılabilmektedir. Modelin tahmininden belli bir birim
için çıkarsama yapılmak isteniliyorsa, sabit etkiler modeli daha uygun olmaktadır. Eğer veri
seti, geniş bir ana kütlenin gözlemlerinden oluşuyorsa ve ana kütlenin tümü için sonuç
çıkarılmak isteniliyorsa; tesadüfi etkiler modelinin kullanılması daha avantajlı olmaktadır.
− Bağımsız değişkenlerin bazıları ile, µi arasında korelasyon olup olmadığına
bakılmalıdır. Eğer korelasyon varsa, sabit etkiler tahmincisi (ve birinci farklar tahmincisi)
tutarlıdır. Korelasyon yoksa hem sabit etkiler hem de tesadüfi etkiler tahmincileri tutarlıdır,
fakat tesadüfi etkiler tahmincisi daha etkindir. Bu bilgi, iki model arasında tercih yapmak için
kullanılan Hausman testine ışık tutmaktadır.
− Zaman değişmezi değişkenleri, sabit etkiler (ya da Birinci Farklar) modeli
kullanılarak tahmin edilememektedir. Bu değişkenler modele dahil edilmek isteniliyorsa,
tesadüfi etkiler modelini tercih etmek gerekmektedir.
5.2. TAHMİNCİLER ARASINDA KARAR VERMEK İÇİN KULLANILAN TESTLER
Genel olarak, bütün gözlemlerin homojen olduğu yani birim ve/veya zaman etkilerinin
olmadığı düşünülüyorsa, Klasik Modelin; birim ve/veya zaman etkilerinin olduğu
düşünülüyorsa sabit ya da tesadüfi etkiler modellerinin kullanılmasının daha mantıklı olduğu
söylenebilmektedir. Birçok araştırmacı sabit etkiler modelini tahmin etmeyi, tesadüfi etkiler
modelini tahmin etmekten daha doğru bulmaktadır. Bu tercih, sabit etkiler modelinin
7 / 22
varsayımı olan “birim etkilerin modeldeki açıklayıcı değişkenlerle korelasyonsuz olması
mümkün değildir” düşüncesinden kaynaklanmaktadır.
Klasik model, birinci farklar modeli, sabit etkiler modeli ve tesadüfi etkiler modelinden
hangisinin kullanılacağı kararı yukarıda bahsedildiği şekilde önsel olarak yapılabildiği gibi,
bu tespit bir takım testler sonucunda da yapılabilmektedir ve test sonuçlarına göre karar
verilmesi daha güvenilir olmaktadır. Bu testlerin içinde önemli görülenler burada
incelenecektir. Ayrıca bu bölümde, tek yönlü modelin mi iki yönlü modelin mi kullanılması
gerektiği sorusuna da cevap bulunacaktır.
5.2.1. Klasik Modelin Testi
Panel veri modellerinde, Klasik Modelin bir başka ifade ile birim ve/veya zaman etkilerinin
olmadığı aşağıdaki testlerle saptanabilmektedir.
5.2.1.1. F Testi
Bu test, Klasik Modelin geçerliliğini test etmek için kullanılmaktadır. Bu testte genel
anlamda, verinin birimlere göre farklılık gösterip göstermediği test edilmektedir, veri
birimlere göre farklılık göstermiyorsa Klasik Model uygundur. Bu amaçla, iki tür model
kullanılmaktadır: kısıtlı model ve kısıtsız model. Kısıtsız modelde, değişkenlere ait verinin
birimlere göre değer aldığı; kısıtlı modelde ise, birim faklılıklarının önemli olmadığı
varsayımı yapılmaktadır.
Kısıtsız model;
Yi = Xiβi + ui i=1,……,N (5.1)
şeklinde ve kısıtlı model;
Y = Xβ + u (5.2)
olarak gösterilmektedir. Sınanacak hipotez ise;
H0: βi= β
8 / 22
şeklinde gösterilebilmektedir. H0 hipotezi reddedilemezse; βi=β’dır, bu durumda verinin
havuzlanmışlığı kabul edilmektedir. Model Klasik Model ile ifade edilebilmektedir ve
Havuzlanmış En Küçük Kareler Yöntemi ile çözüm yapılmaktadır.
- 2(0, )NTu N Iσ varsayımı altında, Y=Xβ+u’deki β için uygun tahmin yöntemi
Havuzlanmış En Küçük Karelerdir. β aşağıdaki gibi tahmin edilebilmektedir;
1ˆ ( )EKK X X X Yβ −′ ′= (5.3)
ve model genel olarak aşağıdaki gibidir:
ˆEKKY X eβ= + (5.4)
Bu modele kısıtsız model denilirse,kısıtsız modelin kalıntıları,
( ) ( ) ( )1( ) 0NTe I X X X X Y MY M X u Mu MXβ−′ ′= − = = + = =
şeklinde elde edilmektedir.
- Yi=Xiβi+ui’deki β tahmincisi her birim için modelin ayrı ayrı En Küçük Kareler
Yöntemi kullanılarak tahmin edilmesi ile elde edilmektedir. β aşağıdaki eşitlik
yazılabilmektedir;
1,
ˆ ( )i EKK i i i iX X X Yβ −′ ′= (5.5)
Bu modele kısıtlı model denilirse,
,ˆ
i i i EKK iY X eβ= + (5.6)
kısıtlı modelin kalıntıları,
( ) ( ) ( )1( ) 0i T i i i i i i i i i i i i i i ie I X X X X Y M Y M X u M u M Xβ−′ ′= − = = + = =
şeklinde elde edilmektedir.
9 / 22
1
2* * * * 1 *
0 . . 00 . . 0
( ) . . .. . .0 0 . .
NT
N
MM
M I X X X X
M
−
′ ′ = − =
* * * * * * * * 1 *ˆ ( )Y X e e M Y M u X X X Yβ −′ ′= + = = =
olmak üzere MM*=M eşitliği vardır, çünkü;
1 * * * 1 * 1 * * * * * 1 * * *
1
( ) ( ) ( ) ( )( )
X X X X X X X X X X X I X X X X X X X IX X X X
− − − −
−
′ ′ ′ ′ ′ ′′ ′ ′= =
′ ′=
dir. Bu bilgiler kullanılarak,
( )* * * * * *vee e e e u M M u e e u M u′ ′′ ′ ′− = − =
eşitlikleri elde edilmektedir. Burada e e′ : “Kısıtlı Kalıntı Kareler Toplamı (RRSS)” ve * *e e′ :
“Kısıtsız Kalıntı Kareler Toplamı (URSS)”dir. Bu quadratik formlar serbestlik derecelerine
bölünüp ve birbirine oranlanırsa aşağıdaki test istatistiği elde edilmektedir:
( ) ( ) ( )( )( )
* * *
* * *
e e e e sd M sd MF
e e sd M
′′ − −=
′
ya da,
( ) ( )( ) ( )
1 1 2 2
1 1 2 2
... 1... 1
N N
N N
e e e e e e e e NF
e e e e e e N T K′ ′ ′ ′− − − − −
=′ ′ ′+ + + − −
ya da,
( ) ( )( )
11
RRSS URSS NF
URSS N T K− −
=− −
(5.7)
10 / 22
H0 hipotezini test etmek için, [(N-1),N(T-1)-K] serbestlik dereceli F dağılımından
yararlanılmaktadır ( ); 1, 1N N T KF F α − − − . Açıkça görülebileceği gibi bu test, Chow testinden
(1960) uyarlanmıştır. H0 hipotezi reddedilirse, parametrelerin birimlere göre değiştiği bir
başka ifade ile Klasik Modelin uygun olmadığı anlaşılacaktır.
ANOVA F test ismiyle anılan bu test, Moulton ve Randolph (1989) tarafından önerilmiştir.
Temel hipotez birim etkiler modelde gölge değişkenler tarafından ifade edildiğinden,
H0: µ1 = µ2 = ……= µN-1 = 0
şeklini almaktadır. Sabit parametrenin birimlere göre değişmediği durumda Kısıtlı Model
Havuzlanmış En Küçük Kareler Yöntemi ile tahmin edilmekte ve sabit parametrenin birimlere
göre değer aldığı durumda Kısıtsız Model sabit etkiler varsayımıyla tahmin edilmektedir
(Gölge Değişkenli En Küçük Kareler Tahmincisi ya da N büyükse grup içi tahminci). Daha
sonra test istatistiği (5.7) eşitliğinde tanımlandığı gibi hesaplanmakta ve test edilmektedir.
Burada dikkat edilecek bir nokta, serbestlik derecesi hesabına sabit parametre ve gölge
değişkenlerin katılmayacağıdır.
5.2.1.1.1. Bilgisayar Uygulaması
F testinde daha önce de bahsedildiği gibi tüm birim etkilerin sıfıra eşit olduğu hipotezi (H0:
µi=0) sınanmaktadır. Bu testin yapılabilmesi için Stata’da ayrı bir komut kullanmaya gerek
yoktur, sabit etkiler modelini tahmin etmek yeterlidir. Komut,
. xtreg TG GT TH D1 IN YS, fe
11 / 22
Birim Etkinin Varlığını Sınamak İçin F Testi
5.2.1.2. Olabilirlik Oranı Testi
Bu test, klasik modeli tesadüfi etkiler modeline karşı test etmek için kullanılmaktadır. H0
hipotezi, Klasik Model doğrudur şeklinde kurulmaktadır. Olabilirlik oranı (LR) test istatistiği
hesaplanırken, tesadüfi etkiler modeli ve Klasik Model En Çok Olabilirlik Yöntemi ile tahmin
edilmekte ve her ikisinden elde edilen log-olabilirlik değerleri kullanılmaktadır. Test istatistiği
aşağıdaki gibidir:
[ ])l(kısıtsız-l(kısıtlı)2=LR (5.8)
Bu eşitlikteki l(kısıtlı) Kısıtlı Modele yani Klasik Modele ait olabilirlik fonksiyonunu,
l(kısıtsız) ise Kısıtsız Modele yani tesadüfi etkiler modeline ait olabilirlik fonksiyonunu ifade
etmektedir. LR test istatistiği, q (kısıtlama sayısı) serbestlik dereceli 2χ dağılımına
uymaktadır. H0 hipotezi reddedilirse, birim, zaman ya da hem birim hem de zaman etkilerinin
olduğuna bir başka ifade ile Klasik Modelin uygun olmadığına karar verilmektedir.
12 / 22
5.2.1.2.1. Bilgisayar Uygulaması
Olabilirlik Oranı (LR) testinde, birim etkilerin standart hatalarının sıfıra eşit olduğu, bir başka
ifade ile Klasik Modelin uygun olduğu temel hipotez, (H0: 0µσ = ) sınanmaktadır.
I.YOL:
Bu testin yapılabilmesi için ayrı bir komut kullanmaya gerek yoktur, tesadüfi etkiler
varsayımıyla En Çok Olabilirlik Modelini tahmin etmek yeterlidir. Komut aşağıdaki gibidir:
. xtreg TG GT TH D1 IN YS, mle
Birim Etkinin Varlığını Sınamak İçin Olabilirlik Oranı Testi
II.YOL:
Tesadüfi birim etkiler varsayımıyla En Çok Olabilirlik Modelini tahmin etmek için aşağıdaki
komut da kullanılabilmektedir:
. xtmixed TG GT TH D1 IN YS || _all: R.id, mle nolog
13 / 22
Çıktı 5.2 (2). Birim Etkinin Varlığını Sınamak İçin Olabilirlik Oranı Testi
Olabilirlik Oranı (LR) testinde, zaman etkilerinin standart hatalarının sıfıra eşit olduğu, bir
başka ifade ile Klasik Modelin uygun olduğu temel hipotezi (H0: 0λσ = ) sınanmaktadır.
Tesadüfi zaman etkileri varsayımıyla En Çok Olabilirlik Modelini tahmin etmek için
aşağıdaki komut kullanılabilmektedir:
. xtmixed TG GT TH D1 IN YS || _all: R.t, mle nolog
14 / 22
Zaman Etkisinin Varlığını Sınamak İçin Olabilirlik Oranı Testi
Olabilirlik Oranı (LR) testinde, birim ve zaman etkilerinin standart hatalarının sıfıra eşit
olduğu, bir başka ifade ile İki Yönlü Modelin uygun olmadığı temel hipotezi (H0:
0µ λσ σ= = ) sınanmaktadır. Bu test birleşik bir testtir, H0 hipotezinin reddi için birim ya da
zaman etkilerinin birisinin sıfırdan farklı olması yeterlidir. Bu nedenle bu test sonucunda H0
hipotezi reddedilirse, tek tek birim ve zaman etkilerinin varlığı da sınanmalıdır.
Tesadüfi birim ve zaman etkileri varsayımıyla En Çok Olabilirlik Modelini tahmin etmek için
aşağıdaki komut kullanılabilmektedir:
. xtmixed TG GT TH D1 IN YS || _all: R.id || _all: R.t, mle nolog
15 / 22
Birim ve Zaman Etkilerinin Varlığını (İki Yönlü Modelin Geçerliliğinin) Sınamak İçin Olabilirlik Oranı Testi
5.2.1.3. Breusch-Pagan Lagrange Çarpanı Testi
Breusch-Pagan (1980), bireysel heterojenliğin varlığını bir başka ifade ile Havuzlanmış En
Küçük Kareler Modelinin uygun olup olmadığını tesadüfi etkiler modeline karşı sınamak için,
Havuzlanmış En Küçük Kareler Modelinin kalıntılarına dayanan, Lagrange Çarpanı (LM)
testini geliştirmişlerdir. Bu testte, tesadüfi birim etkilerin varyansının sıfır olduğu hipotezi
(H0: 02 =µσ ) sınanmaktadır. Breusch-Pagan LM test istatistiği aşağıdaki gibidir;
22
1 1
2
1 1
12( 1)
n T
iti t
n T
iti t
uNTLMT u
= =
= =
= − −
∑ ∑
∑∑ (5.9)
burada u, Havuzlanmış En Küçük Kareler Modelinin Tahmininden elde edilen kalıntılardır.
Bu test istatistiği, 1 serbestlik dereceli 2χ dağılımına uymaktadır. LM test istatistiğinin, 2χ
tablosu ile karşılaştırılması sonucu; H0 hipotezi reddedilemezse, birim etkilerin varlığı kabul
16 / 22
edilmemekte ve Klasik Modelin uygun olduğu söylenebilmektedir. Tersi durumda yani H0
hipotezi reddedilirse, Klasik Modelin uygun olmadığı sonucuna varılmaktadır.
Baltagi ve Li (1990), Breusch-Pagan testini dengesiz panel için genişletmiştir. Ayrıca, bu
testin birim ve zaman etkilerinin sıfır olduğu hipotezini (H0: 2 2 0µ λσ σ= = ) araştıran versiyonu
da vardır.
5.2.1.3.1. Bilgisayar Uygulaması
LM testi daha önce de bahsedildiği gibi, birim etkilerin varyanslarının sıfıra eşit olduğu
hipotezini (H0: 2 0µσ = ) sınamaktadır. Bu testin yapılabilmesi için ayrı bir komut kullanmaya
gerek yoktur, öncelikle tesadüfi etkiler modeli tahmin edilmektedir:
. xtreg TG GT TH D1 IN YS, re
daha sonra,
. xttest0
komutu kullanılarak teste ait sonuçlar alınabilmektedir.
Tesadüfi Etkiler Modelinde Birim Etkinin Varlığını Sınamak İçin Breusch-Pagan Lagrange Çarpanı Testi
17 / 22
5.2.3. Sabit Etkiler Tahmincisi İle Tesadüfi Etkiler Tahmincisi Arasında Tercih
Yapmak İçin Kullanılan Testler
Yapılan testler sonucunda birim ve/veya zaman etkilerinin olduğu anlaşılmışsa, bu etkilerin
sabit mi tesadüfi mi olduğuna karar verilmesi gerekmektedir. Aşağıda, bu amaçla kullanılan
testler ele alınmaktadır.
5.2.3.1. Hausman Testi
Tanımlama hatasını sınamak için geliştirilen Hausman (1978) spesifikasyon testi, çeşitli
alanlarda kullanılabilmektedir. Panel veri modellerinde de, tahminciler arasında seçim
yapmak için kullanılmaktadır.
Sabit ve tesadüfi etkiler modelleri arasındaki en önemli farklardan birisi, daha önce de
belirtildiği gibi, birim etkilerin bağımsız değişkenlerle korelasyonlu olup olmadığıdır. Eğer
aralarında korelasyon yoksa, tesadüfi etkiler modeli geçerlidir (etkindir). Bu bilgi kullanılarak
sabit etkiler modeli için grup içi tahminci ve tesadüfi etkiler modeli için Esnek
Genelleştirilmiş En Küçük Kareler Tahmincisi arasında seçim yapılabilmektedir.
- Temel hipotez; “açıklayıcı değişkenler ve birim etki arasında korelasyon yoktur”
şeklindedir. Bu durumda, her iki tahminci de tutarlı olduğundan, sabit ve tesadüfi etkiler
tahmincileri arasındaki farkın çok küçük olacağı beklenmektedir. Tesadüfi etkiler tahmincisi
daha etkin olduğundan, kullanımı uygun olacaktır.
- Temel hipotezin alternatif hipotezine göre; “açıklayıcı değişkenler ile birim etki
korelasyonludur”. Bu durumda, tesadüfi etkiler tahmincisi sapmalıdır ve farkın büyük olacağı
beklenmektedir. Sabit etkiler modeli tutarlı olduğundan, tercih edilmelidir.
Hausman testi, tesadüfi etkiler tahmincisinin geçerli olduğu biçimindeki temel hipotezi, k
serbestlik dereceli 2χ dağılımına uyan istatistik yardımıyla test etmektedir. Hausman test
istatistiği hesaplanırken, Genelleştirilmiş En Küçük Kareler Tahmincisi ve Grup İçi
Tahmincinin varyans kovaryans matrislerinin arasındaki farktan yararlanılarak, H istatistiği
hesaplanmaktadır. Hausman testi bu farkın (H), sıfıra eşitliğini test etmektedir. Parametreler
arasındaki fark sistematik değilse, tesadüfi etkiler modeli uygundur. Parametreler arasındaki
fark sistematik ise, bir başka ifade ile Grup İçi Tahmincinin ve Esnek Genelleştirilmiş En
18 / 22
Küçük Kareler Tahmincisinin varyans kovaryans matrisleri arasındaki fark büyükse, sabit
etkiler modeli geçerlidir. Test istatistiği aşağıdaki gibi hesaplanmaktadır;
( ) ( ) ( ) ( )1ˆ ˆ ˆ ˆ ˆ ˆAvar AvarSE TE SE TE SE TEH β β β β β β−′ = − − − (5.13)
bu eşitlikte TE alt indisi, tesadüfi etkiler modelinin tahmincilerini; SE alt indisi ise, sabit
etkiler modelinin tahmincilerini göstermekte ve ayrıca ( ) ( )ˆ ˆAvar ve AvarSE TEβ β ise
sırasıyla, sabit ve tesadüfi etkiler modellerinin tahmininden elde edilen asimptotik varyans
kovaryans matrislerini ifade etmektedir. Asimptotik varyans kovaryans matrisleri ve
aralarındaki fark aşağıdaki gibidir;
( ) ( )
( ) ( )
12
12
ˆAvar
ˆAvar
FE u i i
TE u i i
E x x N
E x x N
β σ
β σ
−
−
′=
′=
- ve x -it i i it ix X X X Xθ= =
( ) ( ) ( ) ( )( ) [ ]( )
1
1
i i i i i T T i i T T i
i T i
i i
E x x E x x E X I P X E X I P X
E X P X
E X X
θ
θ
θ
′ ′ ′ ′− = − − − ′= −
′= −
H istatistiği, ˆ ˆ ve SE TEβ β ’deki parametre sayısına eşit serbestlik derecesi ile asimptotik χ2
dağılmaktadır.
5.2.3.1.1. Bilgisayar Uygulaması
Tesadüfi etkiler modelini sabit etkiler modeline karşı sınamak için kullanılan ve “parametreler
arasındaki fark sistematik değildir”, bir başka ifade ile “tesadüfi etkiler modeli uygundur”
şeklindeki H0 hipotezini test eden, Hausman testinin yapılabilmesi için Stata’da öncelikle
sabit ve tesadüfi etkiler modelleri ayrı ayrı tahmin edilmeli ve sonuçlar hafızaya
kaydedilmelidir.
Stata’da Hausman testinin aşamaları aşağıdaki gibidir:
1. H0 hipotezi ve alternatif hipotez altında tutarlı olan tahminci (burada sabit etkiler
tahmincisi) elde edilir.
19 / 22
2. Birinci aşamada elde edilen tahmin sonuçları, “estimates store” komutu
kullanılarak kaydedilir.
3. H0 hipotezi altında etkin ve tutarlı, fakat alternatif hipotez altında tutarsız olan
tahminci (burada tesadüfi etkiler tahmincisi) elde edilir.
4. Üçüncü aşamada elde edilen tahmin sonuçları, “estimates store” komutu
kullanılarak kaydedilir.
5. Hausman testi yapılır.
. xtreg TG GT TH IN YS, fe (1)
. estimates store fe (2)
. xtreg TG GT TH IN YS, re (3)
. estimates store re (4)
. hausman fe re (5)
Hausman Testi
5.2.3.1.2. Hausman Testinin Özellikleri
Hausman testinin özellikleri aşağıdaki gibidir:
− Hausman testi yapılırken iki varsayım veri kabul edilmektedir; birincisi TE 1a,
ikincisi TE 3 varsayımlarıdır. Hausman testinin, TE 1 varsayımının geçerli, fakat TE 3
varsayımının geçersiz olduğu durumda gücü yoktur. TE 3 varsayımın yokluğu, Hausman
20 / 22
testinin standart olmayan limit dağılımına sahip olmasına ve test sonucunun güvenilir
olmamasına neden olmaktadır.
− Sabit etkiler modellerinde zaman değişmezi değişkenlerinin yer alamaması
sebebiyle, test sadece hem birimlere hem de zamana (iki boyuta) göre değer alan
değişkenlerin parametreleri üzerine kurulu olmaktadır.
− İki boyuta göre değerlenen tüm değişkenlerin testte yer alması gerekli değildir.
Test istatistiği, farkın anlamlı olup olmadığına karar vermeyi mümkün hale getirecek şekilde
dizayn edilmelidir.
− Bazen Tesadüfi Etkiler ile sabit etkiler tahmincileri arasındaki fark küçük olmasına
rağmen, temel hipotez reddedilmekte ya da tersine Tesadüfi Etkiler ile sabit etkiler
tahmincileri arasındaki fark büyük olmasına rağmen, büyük standart hatalar yüzünden
Hausman test istatistiği H0 hipotezini reddedememektedir. Bu durum, 2. tip hata yapmaya
sebep olabilmekte ve yanlış olmasına rağmen tesadüfi etkiler modeli
reddedilemeyebilmektedir.
− Hausman testi sadece zaman etkilerinin olduğu ya da hem birim hem de zaman
etkilerinin bir arada olduğu İki Yönlü Model için de kullanılabilmektedir.
− Hausman testi, diğer tahminciler arasında da seçim yapmak için
kullanılabilmektedir. Örneğin,
( ) ( ) ( ) ( )1ˆ ˆ ˆ ˆ ˆ ˆAvar AvarGEKK GAT GEKK GAT GEKK GATH β β β β β β−′ = − − − (5.14)
( ) ( ) ( ) ( )1ˆ ˆ ˆ ˆ ˆ ˆAvar AvarGEKK EKK GEKK EKK GEKK EKKH β β β β β β−′ = − − − (5.15)
( ) ( ) ( ) ( )1ˆ ˆ ˆ ˆ ˆ ˆAvar AvarSE GAT SE GAT SE GATH β β β β β β−′ = − − − (5.16)
21 / 22
ÇALIŞMA SORULARI
1. F testi kullanarak birim etkinin varlığını test ederken temel hipotezin red edilememesi
sabitetkiler modelinin geçerli olduğu anlamına gelmektedir. Doğru Yanlış
2. Uygun modele karar verme aşamalarını anlatınız.
3. Hausman testi hangi durumlarda yanlış sonuç verebilmektedir?
4. Hausman testinde zaman değişmezi değişkenlere ne olmaktadır?
5. LM ve LR testlerini karşılaştırınız.
22 / 22
KAYNAKÇA
Baltagi B. H., 1995, “Econometric Analysis of Panel Data”, Chichester: John Wiley&Sons.
Wooldridge J. M., 2002, “Econometric Analysis of Cross Section and Panel Data”
Cambridge, Ma: MIT Press.
Yerdelen Tatoğlu F., 2013 (2. Baskı), “Panel Veri Ekonometrisi”, Beta Yayınları, İstanbul.
Yerdelen Tatoğlu F., 2013 (2. Baskı), “İleri Panel Veri Analizi”, Beta Yayınları, İstanbul.
12. HAFTA DERS NOTU
2 / 20
İÇİNDEKİLER
6. PANEL VERİ MODELLERİNDE TEMEL VARSAYIMLARIN TESTLERİ
6.1. KLASİK MODELDE HETEROSKEDASİTE, OTOKORELASYON VE BİRİMLER ARASI KORELASYON
6.1.1. Klasik Modelde Heteroskedasitenin Testi 6.1.1.1. Breusch-Pagan / Cook-Weiesberg Testi
6.1.1.1.1. Bilgisayar Uygulaması 6.1.1.2. White Testi
6.1.1.2.1. Bilgisayar Uygulaması 6.1.2. Klasik Modelde Otokorelasyonun Testi
6.1.2.1. Durbin-Watson Testi 6.1.2.1.1. Bilgisayar Uygulaması
6.1.2.2. Durbin’in Alternatif Testi 6.1.2.2.1. Bilgisayar Uygulaması
6.1.2.3. Breusch-Godfrey Testi 6.1.2.3.1. Bilgisayar Uygulaması
6.1.2.4. Wooldridge’in Testi 6.1.2.4.1. Bilgisayar Uygulaması
7. HETEROSKEDASİTE, OTOKORELASYON VE BİRİMLER ARASI KORELASYONUN VARLIĞINDA KLASİK MODELDE DİRENÇLİ TAHMİNCİLER VE YÖNTEMLER 7.1. HUBER, EİCKER VE WHİTE TAHMİNCİSİ 7.1.1. Bilgisayar Uygulaması
7.2. ARELLANO, FROOT VE ROGERS TAHMİNCİSİ 7.2.1. Bilgisayar Uygulaması
7.3. DRİSCOLL VE KRAAY TAHMİNCİSİ 7.3.1. Bilgisayar Uygulaması
3 / 20
ÖZET (TÜRKÇE)
Bu derste öncelikle klasik model, sabit ve tesadüfi etkiler modellerinde temel varsayımlardan
olan otokorelasyon, heteroskedasite ve birimler arası korelasyonun varlıkları test edilecektir.
Daha sonra ise, varsayımdan sapmaların varlığında klasik model için düzeltme yollları ele
alınacaktır.
4 / 20
6. PANEL VERİ MODELLERİNDE TEMEL VARSAYIMLARIN
TESTLERİ
Panel veri modellerinde hata teriminin birim içerisinde ve birimlere göre eşit varyanslı
(homoskedastik) olduğu varsayılmaktadır. Ayrıca hata teriminin dönemsel ve uzamsal
korelasyonsuz olduğu, bir başka ifade ile sırasıyla otokorelasyonsuz ve birimler arası
korelasyonsuz olduğu varsayımları da yapılmaktadır. Bu varsayımlar gerçekleştiğinde
kalıntının varyans kovaryans matrisi birim matris olmaktadır ve aşağıdaki gibi ifade
edilebilmektedir:
( ) 2 2
1 0 0 0 0 0 ... 0 0 00 1 0 0 0 0 ... 0 0 00 0 1 0 0 0 ... 0 0 00 0 0 1 0 0 ... 0 0 00 0 0 0 1 0 ... 0 0 0
( ) I0 0 0 0 0 1 ... 0 0 0
0 0 0 0 0 0 ... 1 0 00 0 0 0 0 0 ... 0 1 00 0 0 0 0 0 ... 0 0 1
it it u T uVar u E u u σ σ
′= = =
(6.1)
Burada basitleştirmek amacıyla, her bir birimde üçer gözlem olduğu varsayılmıştır ve birimler
ince çizgilerle ayrılmıştır. I ile ifade edilen matris 1. birimin varyans kovaryans matrisidir. Bu
matrisin köşegenleri varyansı, köşegen dışı elemanları ise kovaryansı vermektedir. Bilindiği
gibi köşegenler sabitse homoskedasiteden ve köşegen dışı elemanlar sıfırsa
otokorelasyonsuzluktan bahsedilmektedir. Bir başka ifade ile, birim içerisinde de
otokorelasyon olduğu durumda birimlerin köşegen dışı elemanları (kovaryansları) sıfırdan
farklı ve birim içerinde köşegen elemanlar (birim içi varyanslar) birbirinden farklı olacaktır.
Görüldüğü gibi, 1. birim için varyans birim içerisinde sabit ve otokorelasyon yoktur. (6.1)
numaralı genel matrisin köşegen matrisleri diğer birimlerin varyans kovaryans matrislerini
vermektedir ve diğer birimlerde de durum aynıdır; heteroskedasite ve otokorelasyon yoktur,
köşegen matrisler birbirine eşittir. Köşegen dışındaki matrisler birimlerin hata terimlerinin
birbirleri ile ilişkilerini göstermektedir. Örneğin I, II ile ifade edilen 1. birimin hata teriminin
2. birimin hata terimi ile ilişkisi incelendiğinde tüm korelasyonların sıfır olduğu
I I, II
5 / 20
görülmektedir; birimler arası korelasyon yoktur. Diğer birimler için de durum aynıdır.
Dolayısıyla birim içerisindeki durum, birim içi homoskedastik ve otokorelasyonsuz hata
yapısını; birimler arasındaki durumlar da birimler arasında korelasyonsuzluğu ve birimlere
göre homoskedastik hata yapısını göstermektedir. Fakat tahmin edilebileceği gibi, bu
varsayımlar panel veri ile kurulacak modeller için kısıtlayıcı varsayımlardır.
Panel verilerle çalışıldığında, birim içi heteroskedasite çok önemli bir problem olmamakla
birlikte, otokorelasyon çoğunlukla her bir dönemdeki hataların, zaman değişmezi dışlanmış
faktörler (birim etki gibi) içermesi nedeniyle meydana gelmektedir. Panel veri modellerinde,
birim içi heteroskedasite ve otokorelasyon dışında, birimlere göre heteroskedasite ve
eşzamanlı otokorelasyonla da karşılaşılabilmektedir. Çünkü panel veri modellerinde, birimler
yer aldığı için birimler arası farklılıklar söz konusu olmakta, bu durumda regresyon
parametreleri birimlere göre değerlenmekte ve böylece her bir birim için farklı varyans
(heteroskedasite) söz konusu olmaktadır. Birimler arasında eşzamanlı korelasyonlar olması da
olasıdır. Birimlere göre heteroskedasite ve birimler arasında eşzamanlı otokorelasyon olduğu,
birim içinde homoskedastik ve otokorelasyonsuz olduğu ve her bir birimde üç gözlem olduğu
varsayımıyla kalıntı varyansı aşağıdaki gibidir:
21 12 1
21 12 1
21 12 1
212 2 2
212 2 2
212 2 2
21 2
21 2
21 2
0 0 0 0 ... 0 00 0 0 0 ... 0 00 0 0 0 ... 0 0
0 0 0 0 ... 0 00 0 0 0 ... 0 0
( )0 0 0 0 ... 0 0
0 0 0 0 ... 0 00 0 0 0 ... 0 00 0 0 0 ... 0 0
N
N
N
N
N
N
N N N
N N N
N N N
Var u
σ σ σσ σ σ
σ σ σσ σ σ
σ σ σσ σ σ
σ σ σσ σ σ
σ σ σ
= Ω =
(6.2)
(6.2) numaralı matriste görüldüğü gibi her bir birim için varyans değişkendir, birimlere göre
heteroskedasite vardır. Örneğin birinci birimin hata terimi varyansı 21σ iken, 2. birimin
varyansı 22σ ’dir. Ayrıca, birim içinde otokorelasyon olmamasına rağmen birimler arasında
eşzamanlı korelasyon vardır.
6 / 20
Bu problemleri göz ardı ederek tahminler yapmak, tahmininde kalıntı varyansı kullanılan
tahmincilerin standart hatalarının sapmalı olmasına sebep olacağı için etkinliğini
engellemektedir. Böylece, t istatistikleri ve güven aralıkları da gerçekliliğini kaybetmektedir.
Bu nedenle öncelikle bu varsayımdan sapmaların varlıkları test edilmeli ve daha sonra ise
varlıkları halinde uygun yöntemlerle tahminler yapılmalıdır.
Panel veri modellerinde, zaman serilerinde olduğu gibi birim içerisinde otokorelasyon sıklıkla
görülebileceği gibi heteroskedasiteye pek rastlanılmamaktadır; heteroskedasite daha çok yatay
kesit verilerle çalışılırken karşılaşılabilen bir durumdur. Bu nedenden dolayı panel verilerde
heteroskedasite denilince, genelde birimlere göre heteroskedasite anlaşılmaktadır, birim içi
göz ardı edilmektedir, türetilen testler de bu şekildedir. Bu sebeple bu bölümde klasik model,
sabit etkiler modeli ve tesadüfi etkiler modelleri, birim içi otokorelasyon, birimlere göre
heteroskedasite ve birimler arası korelasyon varsayımdan sapmalarının testlerine ve
düzeltmelerine yer verilecektir.
6.1. KLASİK MODELDE HETEROSKEDASİTE, OTOKORELASYON VE
BİRİMLER ARASI KORELASYON
Panel veri modellerinde birim boyutunun varlığı nedeniyle heteroskedasite sıklıkla
görülebilmektedir, bu durumda HEKK 3b varsayımı geçerli değildir. Ayrıca hata teriminde
birim etkiler varsa ve model Havuzlanmış En Küçük Kareler Yöntemi ile tahmin ediliyorsa
HEKK 3b varsayımı yine geçerli değildir, çünkü birim etki (µi) her birim için hata teriminde
otokorelasyona neden olmaktadır.
Bu derste Klasik Modelde heteroskedasite, otokorelasyon ve birimler arası korelasyon testleri
ele alınmaktadır.
6.1.1. Klasik Modelde Heteroskedasitenin Testi
6.1.1.1. Breusch-Pagan / Cook-Weiesberg Testi
Klasik modelde heteroskedasitenin Breusch-Pagan (1979) / Cook-Weisberg (1983) testi ile
sınanabilmesi için, öncelikle modelin Havuzlanmış En Küçük Kareler Yöntemi ile
7 / 20
tahmininden kalıntılar elde edilmektedir. Daha sonra aşağıdaki regresyon denklemi tahmin
edilmektedir;
20ˆit it itu hδ δ ε= + + (6.3)
burada hit, Xit’nin tümünü, bir alt kümesini ya da bağımlı değişkenin tahmini değerini
içerebilmektedir. Temel hipotez:
H0: heteroskedasite yoktur 0( : 0)H δ =
şeklinde kurulmaktadır. Bu hipotez, 2itu ’nin Xit’nin fonksiyonları ile korelasyonsuz olduğunu
söylemektedir. hit’nin birleşik anlamlılığı F testi ile sınanmaktadır. Alternatif olarak, tahmin
edilen (6.3) regresyonunun hesaplanan belirginlik katsayısından (R2) hareketle, NR2 istatistiği
elde edilmektedir. 2χ dağılan bu istatistik kullanılarak da, H0 hipotezi test edilebilmektedir.
6.1.1.1.1. Bilgisayar Uygulaması
Stata’da Breusch-Pagan/Cook-Weisberg testinin yapılabilmesi için, öncelikle regresyon
tahmin edilmelidir. Havuzlanmış En Küçük Kareler regresyonu,
. reg TG GT TH D1 IN YS
komutu kullanılarak elde edildikten sonra,
. estat hettest
komutuyla χ2 test istatistiği,
. estat hettest, fstat
komutu ile normal dağılım varsayımının yapılmadığı durumda F test istatistiği ve,
. estat hettest, rhs
komutu ile yardımcı regresyonun bağımsız değişkenleri ana modelin bağımlı değişkenin
tahmini değerleri yerine bağımsız değişkenleri kullanılarak elde edilen χ2 test istatistiğini
vermektedir.
8 / 20
Klasik Modelde Heteroskedasitenin Breusch-Pagan / Cook-Weisberg Testi İle Sınanması
6.1.1.2. White Testi
White (1980), kalıntı karelerinin bağımlı, bağımsız değişkenlerin, karelerinin ve çapraz
çarpımlarının bağımsız değişkenler olarak alarak heteroskedasiteyi test etmektedir. Test
istatistiği, H0 hipotezi homoskedasite olan ve χ2 dağılan bir istatistiktir. Heteroskedasite için
Breusch-Pagan testinin özel bir durumudur, tek farklı bağımsız değişkenler listesi
değişmektedir.
6.1.1.2.1. Bilgisayar Uygulaması
Stata’da White testinin yapılabilmesi için, öncelikle regresyon tahmin edilmelidir.
Havuzlanmış En Küçük Kareler regresyonu,
. reg TG GT TH D1 IN YS
komutu kullanılarak elde edildikten sonra,
. whitetst
9 / 20
ya da daha detaylı çıktıya ulaşılmak isteniliyorsa,
. estat imtest, white
komutlarıyla heteroskedasite için White testi sonuçları alınabilmektedir.
Klasik Modelde Heteroskedasitenin White Testi İle Sınanması
6.1.2. Klasik Modelde Otokorelasyonun Testi
Panel veri modellerindeki otokorelasyonun daha çok birim etki nedeniyle meydana
geldiğinden bahsedilmişti, eğer modelde birim etki yoksa birleşik hatadaki otokorelasyon
azalacak, fakat artık hatadaki otokorelasyon etkilenmeyecektir. Bu nedenle, artık hata
öğesindeki otokorelasyonun da test edilmesi önemlidir.
6.1.2.1. Durbin-Watson Testi
Durbin-Watson testi bilindiği gibi, zaman serisi verileri ile çalışıldığında otokorelasyonun
varlığını sınamak için kullanılan en temel testlerden birisidir. Klasik modelde veri setinin
panel yapısı göz ardı edilerek tahmin yapıldığından, bu test kullanılabilmektedir. Testin
detaylarına girilmeyecektir, detaylara tüm temel ekonometri kitaplarından ulaşılabilmektedir.
6.1.2.1.1. Bilgisayar Uygulaması
Stata’da Durbin-Watson test istatistiğinin hesaplanabilmesi için, öncelikle Havuzlanmış En
Küçük Kareler Yöntemi ile regresyon,
10 / 20
. reg TG GT TH D1 IN YS
tahmin edilmelidir. Daha sonra,
. estat dwatson
komutuyla Durbin-Watson test sonuçları elde edilebilmektedir.
Klasik Modelde Otokorelasyonun Durbin-Watson Testi İle Sınanması
6.1.2.2. Durbin’in Alternatif Testi
Durbin-Watson testi bağımsız değişkenlerin katı dışsal olduğu varsayımı altında kullanılan bir
testtir. Bu varsayım olmadığında kullanılabilecek bir test Durbin’in Alternatif testidir. Testin
detaylarına girilmeyecektir, detaylara tüm temel ekonometri kitaplarından ulaşılabilmektedir.
6.1.2.3.1. Bilgisayar Uygulaması
Stata’da Durbin’in Alternatif test istatistiğinin hesaplanabilmesi için, öncelikle Havuzlanmış
En Küçük Kareler Yöntemi ile regresyon,
. reg TG GT TH D1 IN YS
tahmin edilmelidir. Daha sonra,
. estat durbinalt
komutuyla Durbin’in Alternatif testi sonuçları elde edilebilmektedir.
Klasik Modelde Otokorelasyonun Durbinin Alternatif Testi İle Sınanması
11 / 20
6.1.2.4. Breusch-Godfrey Testi
Breusch-Godfrey testi bağımsız değişkenlerin katı dışsal olduğu varsayımının ihlalinde
yüksek mertebeden otokorelasyonu sınamak için kullanılabilen bir testtir. Testin detaylarına
girilmeyecektir, detaylara tüm temel ekonometri kitaplarından ulaşılabilmektedir.
6.1.2.4.1. Bilgisayar Uygulaması
Stata’da Breusch-Godfrey test istatistiğinin hesaplanabilmesi için, öncelikle Havuzlanmış En
Küçük Kareler Yöntemi ile regresyon,
. reg TG GT TH D1 IN YS
tahmin edilmelidir. Daha sonra,
. estat bgodfrey
komutuyla Breusch-Godfrey testi sonuçları elde edilebilmektedir.
Klasik Modelde Otokorelasyonun Breusch-Godfrey Testi İle Sınanması
6.1.2.5. Wooldridge’in Testi
Wooldridge (2002), panel veri modellerinde otokorelasyonu sınamak için H0 hipotezi “birinci
mertebeden otokorelasyon yoktur” şeklinde olan bir otokorelasyon testi önermiştir. Drukker
(2003), yaptığı benzetim sonuçlarıyla bu testin küçük örneklerde de güçlü olduğunu
ispatlamıştır.
Wooldridge’in testinde, birinci farklar modelinden elde edilen kalıntılar kullanılmaktadır.
Bilindiği gibi birinci fark almak birim etkilerle birlikte, sabit parametreyi ve zaman değişmezi
12 / 20
değişkenleri de modelden düşürmektedir. Genel bir panel veri modelinin birinci farkları
aşağıdaki gibi yazılabilmektedir:
(Yit − Yit−1) = (Xit − Xit−1)β + (uit − uit−1)
ΔYit = ΔXitβ +Δuit Δuit = eit (6.6)
Öncelikle (6.6) numaralı birinci farklar modeli tahmin edilmekte ve buradan kalıntılar (eit)
elde edilmektedir. Daha sonra, (6.6) regresyonunun tahmininden elde edilen kalıntıların ite ,
gecikmeli değerleri ile regresyonu alınmaktadır. Wooldridge, uit birinci mertebeden
otokorelasyonlu değilse, corr(eiteit−1) = -0.5 olduğunu ispatlamıştır. Bu bilgi ve kalıntı
regresyonu kullanılarak ve gecikmeli kalıntıların parametrelerinin -0.5’den farklılığı F ya da
daha dirençli olan Wald test kullanılarak test edilmektedir. Eğer katsayı 0.5’den farklı ise, uit
birinci mertebeden otokorelasyonludur.
6.1.2.5.1. Bilgisayar Uygulaması
Stata’da testin uygulanabilmesi için regresyon kurulması ön şartı yoktur, bağımlı ve bağımsız
değişkenler komuttan sonra sırasıyla yazılmaktadır:
. xtserial depvar [varlist] [if exp] [in range] [, output]
örneğimizde,
. xtserial TG GT TH D1 IN YS, output
komutu kullanılarak test sonuçları elde edilebilmektedir.
13 / 20
Panel Veri Modelinde Otokorelasyonun Wooldridge’in Testi İle Sınanması
7. HETEROSKEDASİTE, OTOKORELASYON VE BİRİMLER ARASI
KORELASYONUN VARLIĞINDA KLASİK MODELDE DİRENÇLİ
TAHMİNCİLER VE YÖNTEMLER
7.1. HUBER, EİCKER VE WHİTE TAHMİNCİSİ
Dirençli standart hatalar için ilk çalışmalar Huber (1967), Eicker (1967) ve White (1980)
tarafından yapılmıştır. Kalıntıların bağımsız dağılımlı olması durumunda, Ω matrisinin
bilindiği ve diagonal olduğu fakat diagonal elemanların birbirlerine eşit olmadığı varsayımı
altında, bir başka ifade ile sadece heteroskedasite olduğu durumda varyansların tahmini için
aşağıdaki tahminciyi önermişlerdir:
( ) ( ) ( )1 1ˆVar β X X X VX X X− −′ ′ ′=
( ) ( ) ( ) ( )1 12ˆ ˆVar iβ X X X diag u X X X− −′ ′ ′= (7.3)
Burada anlaşılacağı üzere, ( )2 2u iˆ ˆV diag uσ= Ω = ’dir. Bu, “Heteroskedastik Dirençli Varyans
Tahmincisi”dir, “Huber Tahmincisi”, “White Tahmincisi” ya da “Eicker Tahmincisi” olarak
14 / 20
da bilinmektedir. MacKinnon ve White (1985) ve Hinkley (1977), bu tahminciye serbestlik
derecesi düzeltmesi yaparak küçük örneklerde de kullanılabilecek hale getirmişlerdir:
( ) ( ) ( )1 12
1
ˆ ˆVarN
i i ii
Nβ X X u x x X XN k
− −
=
′ ′ ′= − ∑
( ) ( ) ( )1 12i
N X X X diag u X X XN k
− −′ ′ ′=−
(7.4)
Yine aynı araştırmacılar tarafından önerilen başka bir yaklaşımda, küçük örnek düzeltmesi
( )N N k− yerine ( )1 1 ih− (hi=Hii tahmin matrisinin diagonal elemanlarıdır) ile
yapılmaktadır. Long ve Ervin (2000), küçük örnek özelliklerini iyileştirmek ve sapan
gözlemlere daha az ağırlık vermek için ( )( )21 1 ih− düzeltmesini, Cribari-Neto (2004) ise,
yine özelikle sapan değerlerin varlığında küçük örnek özelliklerini iyileştirmek için,
( )( )1 1 i
ih δ− düzeltmesini önermiştir (burada 4i imin ,h hδ = ’dir).
Tahmin edilen parametrelerin varyans kovaryans matrisi için önerilen bu tahminciler,
homoskedastik standart hatalar üretmektedir.
7.1.1. Bilgisayar Uygulamaları
Heteroskedastik dirençli standart hatalarla, Havuzlanmış En Küçük Kareler regresyonunu elde
edebilmek için,
. reg TG GT TH D1 IN YS, robust
komutu kullanılmaktadır.
15 / 20
Havuzlanmış En Küçük Kareler (Dirençli Standart Hatalar)
7.2. ARELLANO, FROOT VE ROGERS TAHMİNCİSİ
Huber, Eicker ve White tahmincilerinden sonra çalışmalar Arellano (1987), Froot (1989) ve
Rogers (1993) tarafından geliştirilmiş ve kalıntıların bağımsız dağılımlı olması varsayımının
esnekleştiği durumda da tahminler yapılmıştır. Kalıntıların küme (panel veri modellerinde
birim) içerisinde korelasyonlu ve kümeler arasında korelasyonsuz olduğu durumda dirençli
standart hatalar üretilmiştir. Parametrelerin varyans tahmincisi,
( ) ( ) ( )1 1
1
1ˆ ˆ ˆVar1
N
i i i ii
N Mβ X X X u u X X XN k M
− −
=
− ′ ′ ′ ′= − − ∑ (7.5)
şeklinde ifade edilmektedir. Burada M, küme sayısı, Nj kümelerdeki birim sayısı, ˆiu j.
kümedeki i. kalıntıdır.
7.2.1. Bilgisayar Uygulamaları
Klasik Modelde, kümelenmiş standart hataları elde edebilmek için,
. reg TG GT TH D1 IN YS, cluster(id)
komutu kullanılmaktadır.
16 / 20
Havuzlanmış En Küçük Kareler (Dirençli Standart Hatalar)
7.3. DRİSCOLL VE KRAAY TAHMİNCİSİ
Zaman boyutu T’nin büyük olduğu düşünüldüğünde, Driscoll ve Kraay (1998) standart
parametrik olmayan zaman serisi kovaryans matris tahmincilerinin uzamsal ve dönemsel
korelasyonun tüm genel formları için dirençli olabilecek şekilde geliştirilebileceğini
göstermiştir. Driscoll ve Kraay’ın metodolojisi, yatay kesit ortalamaları serisi için Newey-
West türü düzeltme yapmaktadır. Bu şekilde düzeltilmiş standart hata tahminleri, yatay kesit
boyut N’den bağımsız olarak (N→∞ bile) kovaryans matris tahmincilerinin tutarlılığını
garantilemektedir. Böylece Driscoll ve Kraay’ın yaklaşımı, özellikle mikro ekonometrik
panellerde karşılaşılan yatay kesit boyutun büyüklüğü durumunda zayıf olan sadece büyük T
olduğu durumda tutarlı kovaryans matris tahmincileri üreten Parks-Kmenta ya da PCSE
yaklaşımlarına alternatif olarak türetilmiştir. Bu tahminci, büyük T ve N durumunda bile
heteroskedasite varlığında tutarlı, uzamsal ve dönemsel korelasyonun genel formlarında
dirençli standart hatalar üretmektedir.
Aşağıdaki panel veri modelinde,
Yit = βXit + uit
hata teriminin heteroskedastik, otokorelasyonlu ve birimler arası korelasyonlu olduğu
varsayımları altında, parametreler Havuzlanmış En Küçük Kareler yöntemi ile tutarlı tahmin
edilebilmektedir:
17 / 20
( ) 1ˆ X X X Yβ −′ ′=
Parametre tahminlerinin Driscoll ve Kraay standart hataları ise, asimptotik (dirençli)
kovaryans matrisinin diagonal elemanlarının karekökleri yardımıyla elde edilmektedir,
( ) ( ) ( )1 1ˆ ˆTV X X S X Xβ − −′ ′= (7.19)
burada ˆTS , aşağıdaki gibi tanımlanmaktadır:
( )( )
01
ˆ ˆ ˆ ˆ,m T
T j jj
S w j m=
′= Ω + Ω +Ω ∑ (7.20)
m(T),otokorelasyon için gecikme uzunluğunu ifade etmektedir. ( ) ( ), ( ) 1 ( ) 1w j m T j m T= − +
olarak ifade edilen Bartlett ağırlıkları, ˆTS ’nin pozitif tanımlı olmasını sağlamakta ve örnek
oto kovaryans fonksiyonunda yüksek mertebeden gecikmelerin düşük ağırlıklar almasına
imkan sağlamaktadır. (K+1)×(K+1) boyutlu ˆjΩ matrisi ise, aşağıdaki gibi tanımlanmaktadır;
( ) ( )1
ˆ ˆˆT
j t t jt j
h hβ β−= +
′Ω = ∑ (7.21)
burada, ( ) ( )( )
1
ˆ ˆN t
t iti
h hβ β=
= ∑ eşitliği vardır. Her bir birim için t moment koşullarının karesi
( )ˆith β , farklı T’lere sahip N’ler için hesaplamaktadır. Bu küçük düzeltme ile Driscoll ve
Kraay kovaryans matris tahmincisi, dengesiz panel veri modellerinde de kullanılabilmektedir.
Havuzlanmış En Küçük Kareler tahmininde birimler için ortogonallik koşulları ( )ˆith β ,
doğrusal regresyonun (K+1)×1 boyutlu moment koşullarıdır. Örneğin,
( ) ( )ˆ ˆˆit it it it it ith X u X Y Xβ β′= = −
şeklinde gösterilebilmektedir. (7.20) ve (7.21) eşitlikleri yardımıyla hesaplanan Driscoll ve
Kraay’ın kovaryans matris tahmincisi, ( )ˆith β ’nin yatay kesit ortalamalarının zaman serileri
için uygulanan Newey-West’in heteroskedasite ve otokorelasyon varlığında dirençli
18 / 20
kovaryans matris tahmincisine eşittir. Yatay kesit ortalamalarına dayanan bu yaklaşımla,
standart hata tahminleri, birimlerin yatay kesit boyutu N’e bağlı olmaksızın tutarlıdır. Driscoll
ve Kraay, N’in sonsuza gittiği durumda bile tutarlılığın sağlandığını göstermiştir. Ayrıca,
tahmin edilen kovaryans matrisinden elde edilen standart hatalar, uzamsal ve dönemsel
korelasyonun çok genel formları için de dirençlidir.
7.3.1. Bilgisayar Uygulamaları
Havuzlanmış En Küçük Kareler’de heteroskedasite, otokorelasyon ve birimler arası (olası)
korelasyona karşı dirençli Driscoll-Kraay standart hataları elde edebilmek için,
. xtscc TG GT TH D1 IN YS
komutu kullanılmaktadır.
Havuzlanmış En Küçük Kareler (Driscoll-Kraay Standart Hatalar)
19 / 20
ÇALIŞMA SORULARI
1. Parametrelerin sapmasızlık özelliğini ozmayan etkinlik özelliğini etkileyen varsayımdan
sapmaları tartışınız.
2. Panel veri modelleri ile çalışılırken daha çok ne tür heteroskedasite görülmektedir?
3. Birimler arasında korelasyonun olabileceği duruma örnek veriniz.
4. Birinci fark modelinde ardışık kalıntılar arasındaki korelasyonun -0.5’e eşit olduğunu
ispatlayınız.
5. Klasik modeldeki heteroskedasite ve otokorelasyon testleri ve varlıklarında düzeltme
yöntemleri, sadece kesit ya da zaman serisi verileriyle çalışırken kullandığınız testlere ve
düzeltme yöntemlerine benzemekte midir?
20 / 20
KAYNAKÇA
Baltagi B. H., 1995, “Econometric Analysis of Panel Data”, Chichester: John Wiley&Sons.
Wooldridge J. M., 2002, “Econometric Analysis of Cross Section and Panel Data”
Cambridge, Ma: MIT Press.
Yerdelen Tatoğlu F., 2013 (2. Baskı), “Panel Veri Ekonometrisi”, Beta Yayınları, İstanbul.
Yerdelen Tatoğlu F., 2013 (2. Baskı), “İleri Panel Veri Analizi”, Beta Yayınları, İstanbul.
13. HAFTA DERS NOTU
2 / 21
İÇİNDEKİLER
6.2. SABİT ETKİLER MODELİNDE HETEROSKEDASİTE, OTOKORELASYON VE BİRİMLER ARASI KORELASYON
6.2.1. Sabit Etkiler Modelinde Birimlere Göre Heteroskedasite 6.2.1.1. Birimlere Göre Heteroskedasitenin Değiştirilmiş Wald Testi
6.2.1.1.1. Değiştirilmiş Wald Testinin Özellikleri 6.2.1.1.2. Bilgisayar Uygulaması
6.2.2. Sabit Etkiler Modelinde Otokorelasyon 6.2.2.1. Baltagi-Wu’nun Yerel En İyi Değişmez Testi 6.2.2.2. Bhargava, Franzini ve Narendranathan’ın Durbin-Watson Testi 6.2.2.3. Bilgisayar Uygulaması
6.2.3. Sabit Etkiler Modelinde Birimler Arası Korelasyonun Testi 6.2.3.1. Breusch-Pagan Lagrange Çarpanı Testi
6.2.3.1.1. Bilgisayar Uygulaması 6.2.3.2. Pesaran’ın Testi
6.2.3.2.1. Bilgisayar Uygulaması 6.2.3.3. Friedman’ın Testi
6.2.3.3.1. Bilgisayar Uygulaması 6.2.3.4. Frees’in Testi
6.2.3.4.1. Bilgisayar Uygulaması 7. HETEROSKEDASİTE, OTOKORELASYON VE BİRİMLER ARASI
KORELASYONUN VARLIĞINDA SABİT ETKİLER MODELİNDE DİRENÇLİ TAHMİNCİLER VE YÖNTEMLER
7.1. HUBER, EİCKER VE WHİTE TAHMİNCİSİ 7.1.1. Bilgisayar Uygulaması
7.2. ARELLANO, FROOT VE ROGERS TAHMİNCİSİ 7.2.1. Bilgisayar Uygulaması
7.3. DRİSCOLL VE KRAAY TAHMİNCİSİ 7.3.1. Bilgisayar Uygulaması
7.4. AR(1) KALINTILI DOĞRUSAL REGRESYON MODELİ 7.4.1. Bilgisayar Uygulaması
3 / 21
ÖZET (TÜRKÇE)
Bu derste, sabit etkiler modelinde otokorelasyon, heteroskedasite ve birimler arası korelasyon
durumunda düzeltme yolları ele alınacaktır.
4 / 21
6.2. SABİT ETKİLER MODELİNDE HETEROSKEDASİTE,
OTOKORELASYON VE BİRİMLER ARASI KORELASYON
Sabit etkiler modelinde SE 3 varsayımı, iki nedenden dolayı bozulabilmektedir;
1. Koşullu ve koşulsuz varyans matrisleri, bazen birbirine eşit olmamaktadır
( ) ( )( )| ,i i i i i iE u u x E u uµ′ ′≠ .
2. Koşullu ve koşulsuz varyans matrisleri birbirine eşit olsalar bile, bazen koşulsuz
varyans matrisi sabit olmamaktadır ( )( )2i i u TE u u Iσ′ ≠ .
Bu durumda heteroskedasite ve otokorelasyon görülebilmektedir. Bazen birimler arası
korelasyon ile de karşılaşılabilmektedir. Her üç sorun da etkinliği engellemektedir. Bu derste,
sabit etkiler modelinde heteroskedasite, otokorelasyon ve birimler arası korelasyon testleri ele
alınmaktadır.
6.2.1. Sabit Etkiler Modelinde Birimlere Göre Heteroskedasite
Bilindiği gibi, ekonometrik analizlerde heteroskedasite problemi zaman serisi verilerinden
daha çok yatay kesit verilerle çalışma yapılırken karşılaşılan bir durumdur. Uygulamada daha
çok, yatay kesit birimler içinde hata süreci homoskedastik iken varyansının birimlere göre
değişebildiği durumla karşılaşılmaktadır. Bu durum “birimlere göre heteroskedasite” olarak
bilinmektedir.
6.2.1.1. Birimlere Göre Heteroskedasitenin Değiştirilmiş Wald Testi
Birimlere göre heteroskedasitenin, Değiştirilmiş Wald testi (Greene, 2000) ile sınanması için
temel hipotez;
H0: 2 2iσ σ= (varyanslar, birimlere göre homoskedastiktir)
şeklinde kurulmaktadır. Değiştirilmiş Wald istatistiği,
( )22 2
1
ˆNi
i i
WV
σ σ
=
−=∑ (6.7)
5 / 21
şeklinde tanımlabilmektedir. Burada 2ˆiσ , i. yatay kesit birimin kalıntı varyansının
tahmincisidir ve aşağıdaki gibi elde edilmektedir;
2 21
1ˆ iTi itt
i
vT
σ=
= ∑
Ayrıca,
( ) ( )22 2
1
1ˆ
iTi
i it iti
TV v
Tσ
=
−= −∑
eşitliği vardır. W test istatistiği, N serbestlik derecesi ile χ2 dağılımına uymaktadır.
6.2.1.1.1. Değiştirilmiş Wald Testinin Özellikleri
Değiştirilmiş Wald testinin özellikleri aşağıda özetlenmektedir:
− Ekonometrik analizlerde, bilindiği gibi standart LM, LR ve Wald testleri, sadece
hataların normal dağıldığı varsayımı altında kullanılabilmektedir, oysaki Değiştirilmiş Wald
testi, normal dağılım varsayımının ihlalinde de kullanılabilmektedir.
− Birim boyutunun fazla, zaman boyutunun az olduğu durumlarda testin gücü
azalmaktadır.
6.2.1.1.2. Bilgisayar Uygulaması
Sabit etkiler modelinde, kalıntılardaki birimlere göre heteroskedasitenin varlığının
Değiştirilmiş Wald testi ile sınanması isteniliyorsa, öncelikle aşağıdaki komut yardımıyla
sabit etkiler modeli tahmin edilmelidir:
. xtreg TG GT TH IN YS, fe
Daha sonra,
. xttes3
komutu kullanılarak test sonuçları alınabilmektedir.
6 / 21
Sabit Etkiler Modelinde Birimlere Göre Heteroskedasitenin Değiştirilmiş Wald Testi İle Sınanması
6.2.2. Sabit Etkiler Modelinde Otokorelasyon
Sabit etkiler modelini grup içi tahmin yöntemi ile tahmin ederken zamana göre birim
ortalamalarından fark alınması (zaman kısaltılmışı modeli kullanılması) nedeniyle, uit’lerin
yerine üit’ler tahmin edilebilmektedir. Sabit etkiler modelinin grup içi tahminci ile tahmini
anlatıldığında, uit’lerin korelasyonsuz olduğu durumda bile, üit’lerin negatif otokorelasyonlu
olduğu ispat edilmişti;
( ) ( )Corr 1 1it isu u T= − −
bu eşitlikten hareketle, aşağıdaki çıkarsamalar yapılabilmektedir:
T=2 ise, korelasyon bellidir: tam negatif korelasyon vardır ( 1 2i iu u= − ).
T ≥ 3 ise, üit’deki otokorelasyonun varlığını sınamak için üç yol önerilmektedir;
1) Önce, herhangi 2 dönem seçilmekte (örneğin s ve s-1), sabit etkiler modelinden
kalıntılar elde edilmekte ve daha sonra aşağıdaki regresyon tahmin edilmektedir;
1ˆ ˆ
iS iS iSu uδ ρ η−= + + (6.8)
burada ρ bilindiği gibi ana kütle otokorelasyon katsayısıdır ve ( )1corr iS iSu u − ’i vermektedir.
H0: ( )1 1Tρ = − −
şeklinde kurulan hipotezi sınamak için; ρ’nun ( )1 1T− − ’e eşitliği, t testi kullanılarak test
edilebilmektedir. SE 1-SE 3 varsayımları altında, t istatistiği asimptotik normal dağılmaktadır.
2) Daha dirençli bir test yapılmak isteniliyorsa, daha fazla dönem kullanılmaktadır.
Önce sabit etkiler modelinin tahmininden kalıntılar elde edilmekte ve sonra aşağıdaki
regresyon tahmin edilmektedir;
7 / 21
1ˆ ˆ
it it itu uδ ρ η−= + + (6.9)
Burada dikkat edilecek nokta itη ’nin otokorelasyonlu olması sebebiyle, regresyonun
tahmininde dirençli standart hataların kullanılmasıdır.
3) Birinci farklar modeli tahmin edilip kalıntılar (Δuit) elde edilmekte ve bu
kalıntılardaki otokorelasyon test edilmektedir;
Δuit otokorelasyonsuz ise, uit’nin rassal yürüyüşe yakın olduğu söylenebilmektedir
(tam pozitif otokorelasyon gibi).
Δuit’de tam negatif otokorelasyon varsa, uit’deki otokorelasyon çok önemli bir
problem değildir, beklenilen durumdur.
Bu basit uygulamaların yanında türetilen bazı testler de vardır.
6.2.2.1. Baltagi-Wu’nun Yerel En İyi Değişmez Testi
Baltagi-Wu’nun (1999) Yerel En İyi Değişmez (LBI) testinde,
H0: ρ=0
şeklindeki temel hipotez,
Ha1: ρ>0 ya da Ha2: ρ<0
alternatiflerine karşı test edilmektedir. Panel veri modeli,
Yit = Xitβ + vit vit = uit + µi
şeklinde iken; sabit etkiler modeli düşünüldüğünde, bu eşitlik matris notasyonu ile aşağıdaki
gibi yazılabilmektedir,
Y = Xβ + diag(iNι )µ + u (6.10)
burada iNι : N boyutunun her bir birim için birim vektörü ifade etmektedir.
1it it itu uρ ε−= +
8 / 21
olmak üzere,
( ) ( ) ( ) ( )2 2i uu
E uu diag Uε ερ σ σ ρ′= = = Ω∑
eşitliği yazılabilmektedir. Boyut N’in ortogonal matrisi iNO olmak üzere,
( ),i iN N i iO N Bι=
dir, burada Bi,
10, vei i i ii N i i N i i N NB B B I B B I Jι −′ ′ ′= = = −
özelliklerini sağlayan Ni(Ni-1) boyutlu bir matristir. iNJ , boyut N’in her bir birim için birim
matrisi olmak üzere,
i iN N iJ J N=
eşitliği vardır. (6.10) numaralı model, diag( iB′ ) ile çarpılırsa,
( ) ( ) ( )i i idiag B Y diag B X diag B uβ′ ′ ′= +
elde edilmektedir. Birim etki, 0ii NBι′ = olması nedeniyle, modelden düşmüştür. Bu
dönüştürülmüş model, kısaca aşağıdaki gibi yazılabilmektedir;
Y X uβ= + (6.11)
burada,
( ) ( ) ( ), vei i iY diag B Y X diag B X u diag B u′ ′ ′= = =
eşitlikleri vardır. Yapılan işlemler grup içi dönüşümü, (6.11) modeli ise grup içi tahminciyi
ifade etmektedir.
LBI testi için d istatistiği,
9 / 21
0z A zdz z′
=′
(6.12)
şeklindedir. Burada,
( ) ( )1
0
00
u uAρρ
ρ ρρ ρ
−
==
∂Ω ∂Ω = = − ∂ ∂
ve Xz P Y= ’dir.
6.2.2.2. Bhargava, Franzini ve Narendranathan’ın Durbin-Watson Testi
Bhargava, Franzini ve Narendranathan (1982), AR(1) modeli kullanarak Durbin-Watson test
istatistiği önermiştir. Hipotezler,
H0: ρ=0 (otokorelasyon yoktur)
ve alternatif hipotez,
Ha: |ρ|<1
şeklinde kurulmaktadır. d istatistiği aşağıdaki gibi elde edilebilmektedir;
( ), , 1
,
2
, , , , 11 1
2,
1 1
1i
i j i j
i
i j
nN
i t i t i j i ji j
nN
i ti j
z z I t td
z
− −= =
= =
− − = =∑∑
∑∑
(6.13)
burada,
( )( )i iz diag B B Y X β′= −
eşitliği vardır. β , (6.11) modelinin Havuzlanmış En Küçük Kareler Yöntemi ile tahmininden
elde edilmektedir ve ( ), , 1 1i j i jI t t −− = ise, parantez içindeki önerme doğru ise 1, aksi halde 0
değerini alan bir işaret fonksiyonudur.
10 / 21
6.2.2.3. Bilgisayar Uygulaması
Sabit etkiler modelinde otokorelasyonun varlığını sınamak amacıyla, Bhargava, Franzini ve
Narendranathan tarafından önerilen Durbin-Watson testi ve Baltagi-Wu tarafından önerilen
Yerel En İyi Değişmez test istatistiklerinin elde edilebilmesi için, öncelikle modeller AR(1)
kalıntı kullanılarak sabit etkiler varsayımı ile tahmin edilmektedir:
. xtregar TG GT TH D1 IN YS, fe lbi
komutuyla hem AR(1) kalıntılı regresyonlar tahmin edilebilmekte, hem de bahsi geçen test
istatistikleri hesaplanabilmektedir. “lbi” kodu yazılırsa test sonuçları alınabilmektedir,
yazılmazsa sadece regresyon çıktısı görülebilmektedir. Testlerin her ikisinde de,
otokorelasyon katsayısının sıfıra eşit olduğu (ρ=0) H0 hipotezi, test edilmektedir.
Sabit Etkiler Modelinde Otokorelasyonun Bhargava, Franzini ve Narendranathan’ın Durbin-Watson ve Baltagi-Wu’nun Yerel En İyi Değişmez Testleri
İle Sınanması
6.2.3. Sabit Etkiler Modelinde Birimler Arası Korelasyonun Testi
Panel veri modellerinde genel varsayımlardan bir tanesi, hata terimlerinin birimlere göre
bağımsız olduğudur, fakat yatay kesit birimler boyunca hataların eşzamanlı korelasyona sahip
olması genellikle görülebilmektedir. Bu durum da, otokorelasyon ve heteroskedasite olduğu
gibi korelasyon matrisinin birim matris olmasını engellemektedir. Bu nedenle birimler arası
11 / 21
korelasyonsuzluk varsayımı test edilmelidir. Birimler arası korelasyonun varlığını sınamak
amacıyla, literatürde çeşitli testler önerilmektedir.
6.2.3.1. Breusch-Pagan Lagrange Çarpanı Testi
Bu testte, tüm yatay kesit birimlerin kalıntılarına ait korelasyon matrisinin birim matris
olduğu hipotezi, bir başka ifade ile birimler arası korelasyonsuzluk temel hipotezi
sınanmaktadır. Lagrange Çarpanı (LM) test istatistiği,
12
1 1
ˆN N
LM iji j i
Tλ ρ−
= = +
= ∑ ∑ (6.14)
şeklinde hesaplanmaktadır. Burada 2ˆijρ : i,j. kalıntının (i. ve j. birimlerin kalıntıları arasındaki)
korelasyon katsayısıdır ve,
( ) ( )1
1 2 1 22 2
1 1
ˆ ˆˆ ˆ
ˆ ˆ
Tit jtt
ij ji T Tit jtt t
v v
v vρ ρ =
= =
= = ∑∑ ∑
formülüyle hesaplanmaktadır. LM test istatistiği, d (d=N(N-1)/2) serbestlik derecesi ile χ2
dağılmaktadır.
6.2.3.1.1. Bilgisayar Uygulaması
Sabit etkiler modelinde birimler arası korelasyonun varlığını test etmek için Breusch-Pagan
Lagrange Çarpanı testi kullanılmak isteniliyorsa, öncelikle sabit etkiler modeli;
. xtreg TG GT TH IN YS, fe
komutuyla tahmin edilmektedir. Daha sonra,
. xttest2
komutu kullanılarak, teste ait sonuçlar alınabilmektedir. Stata’da bu testi kullanabilmek için
öncelikle “xttest 2” komutu, “xttest1” komutunda olduğu gibi “install” edilmelidir.
12 / 21
Sabit Etkiler Modelinde Birimler Arası Korelasyonun Breusch-Pagan Lagrange Çarpanı (LM) Test İle Sınanması
6.2.3.2. Pesaran’ın Testi
Pesaran (2004), T’nin küçük ve N’in büyük olduğu durumda birimler arası korelasyonun
varlığını test etmek için, Breusch-Pagan Lagrange Çarpanı testine alternatif olarak aşağıdaki
test istatistiğini önermiştir. Pesaran’ın CD testi için istatistik;
( )1
1 1
2 ˆ1
N N
iji j i
TCDN N
ρ−
= = +
= −
∑ ∑ (6.15)
burada, 2ˆijρ : i,j. kalıntı korelasyon katsayısıdır ve Breusch-Pagan Lagrange Çarpanı testinde
olduğu gibi hesaplanmaktadır. Test istatistiği, d (=N(N-1)/2) serbestlik derecesi ile χ2
dağılmaktadır.
13 / 21
Birimler arası korelasyonun olmadığı temel hipotezi altında, N→∞ ve T yeterli büyüklükte
iken (0,1)dCD N→ ’dir. Monte Carlo Benzetimleri, N>T olduğu zaman standart Breusch-
Pagan LM testinin performansının kötü; Pesaran’ın CD testinin iyi olduğunu göstermiştir.
Dengesiz panel için ise, Pesaran aşağıdaki test istatistiğini önermiştir;
( )1
1 1
2 ˆ1
N N
ij iji j i
CD TN N
ρ−
= = +
= −
∑ ∑ (6.16)
burada, Tij: i ve j birimleri arasında zaman serisi gözlemlerinin sayısıdır.
6.2.3.2.1. Bilgisayar Uygulaması
Sabit etkiler modelinde birimler arası korelasyonun varlığını sınamak için Pesaran’ın testi
kullanılmak isteniliyorsa, öncelikle aşağıdaki komutla sabit etkiler modeli tahmin edilmelidir;
. xtreg TG GT TH IN YS, fe
daha sonra,
. xtcsd, pesaran
komutu kullanılarak, teste ait sonuçlar alınabilmektedir.
Sabit Etkiler Modelinde Birimler Arası Korelasyonun Pesaran’ın Testi İle Sınanması
Çıktıda birimler arası korelasyonsuzluğun, Pesaran’ın testi ile sınanması için test istatistiği ve
olasılık değeri görülmektedir. Sonuçlara göre, H0 hipotezi reddedilmekte ve dolayısıyla,
birimler arasında korelasyon olduğu anlaşılmaktadır.
14 / 21
6.2.3.3. Friedman’ın Testi
Friedman (1937), birimler arası korelasyonu test etmek amacıyla, Spearman’ın rank
korelasyon katsayısı kullanılarak hesaplanan ve parametrik olmayan bir test önermiştir.
Friedman’ın test istatistiği,
( ) ( )( )1 1 1AV EFR T N R = − − + (6.17)
şeklinde hesaplanmaktadır ve FR istatistiği (T-1) serbestlik derecesi ile asimptotik 2χ
dağılmaktadır. Burada AV ER , ortalama Spearman korelasyonu katsayısıdır ve,
( )1
1 1
2 ˆ1
N N
AV E iji j i
R rN N
−
= = +
=− ∑ ∑
formülüyle hesaplanmaktadır. Burada ijr , Spearman’ın rank korelasyon katsayısıdır ve
aşağıdaki gibi elde edilmektedir;
( )( ) ( )( )( )( )
, ,12
,1
1 2 1 2
1 2
Ti t j tt
ij ji Ti tt
T Tr r
T
ρ ρ
ρ=
=
− + − += =
− +
∑∑
AV ER ’nın büyük değerleri, sıfır olmayan birimler arası korelasyonları göstermektedir.
6.2.3.3.1. Bilgisayar Uygulaması
Sabit etkiler modelinde birimler arası korelasyonun varlığını test etmek için Friedman’ın testi
kullanılmak isteniliyorsa, öncelikle sabit etkiler modeli tahmin edilmektedir:
. xtreg TG GT TH IN YS, fe
Daha sonra,
. xtcsd, friedman
komutu kullanılmaktadır.
15 / 21
Çıktı 6.11. Sabit Etkiler Modelinde Birimler Arası Korelasyonun Friedman’ın Testi İle Sınanması
6.2.3.4. Frees’in Testi
Frees (1995, 2004), rank korelasyon katsayılarının karelerinin toplamına dayanan bir test
önermiştir. Frees’in istatistiği,
( )( )12 1AV EFRE N R T −= − − (6.18)
şeklindedir. Burada, 2AV ER aşağıdaki gibi elde edilmektedir;
( ) ( )
21 1
2 2 2
1 1 1 1
2 2ˆ ˆ1 1
N N N N
AV E ij iji j i i j i
R r rN N N N
− −
= = + = = +
= ≅ − −
∑ ∑ ∑∑
2 1/ N( N )− ile [ ]22 1/ N( N )− arasındaki fark küçük olduğundan yerine 2 1/ N( N )− ’nin
kullanılması yeterlidir. ijr (rank korelasyon katsayısı), Friedman’ın testinde tanımlanmıştı.
Frees’in test istatistiği, Q dağılımına uymaktadır. Q dağılımı için kritik değerler,
( ) ( )( ) ( ) ( ) ( )( )2 21, 1 2, 3 21 3 2T T TQ a T T b T T Tχ χ− −= − − + − −
formülüyle hesaplanmaktadır. Burada ( )2 21, 1 2, 3 2veT T Tχ χ− − , sırasıyla (T-1) ve [T(T-3)/2]
serbestlik dereceleri ile 2χ dağılan bağımsız tesadüfi değişkenlerdir. Ayrıca,
( ) ( ) ( ) ( )( )24 2 5 1 1a T T T T= + − +
ve,
( ) ( ) ( )( )( )2 5 6 5 1 1b T T T T T= + − +
16 / 21
eşitlikleri vardır. ( ) 12 1AV E qR T Q N−> − + ise temel hipotez reddedilmektedir. Burada, qQ , Q
dağılımının q. kartilidir. Dolayısıyla Q dağılımı, iki 2χ dağılan tesadüfi değişkenin (ağırlıklı)
toplamıdır ve değeri T’nin büyüklüğüne bağlıdır.
6.2.3.4.1. Bilgisayar Uygulaması
Sabit etkiler modelinde birimler arası korelasyonun varlığını sınamak için Frees’in testi
kullanılmak isteniliyorsa, öncelikle sabit etkiler modeli tahmin edilmektedir;
. xtreg TG GT TH IN YS, fe
daha sonra,
. xtcsd, frees
komutu kullanılarak test sonuçları alınabilmektedir.
Çıktı 6.12. Sabit Etkiler Modelinde Birimler Arası Korelasyonun Frees’in Testi
İle Sınanması
7. HETEROSKEDASİTE, OTOKORELASYON VE BİRİMLER ARASI
KORELASYONUN VARLIĞINDA SABİT ERKİLER MODELİNDE DİRENÇLİ
TAHMİNCİLER VE YÖNTEMLER
7.1. HUBER, EİCKER VE WHİTE TAHMİNCİSİ
7.1.1. Bilgisayar Uygulamaları
Sabit etkiler modelinde, heteroskedasiteye karşı dirençli standart hataları elde edebilmek için,
. xtreg TG GT TH D1 IN YS, fe robust
komutu kullanılmaktadır.
17 / 21
Sabit Etkiler Tahmincisi (Dirençli Standart Hatalar)
7.2. ARELLANO, FROOT VE ROGERS TAHMİNCİSİ
7.1.1. Bilgisayar Uygulamaları
Sabit etkiler modelinde, kümelenmiş standart hataları elde edebilmek için,
. xtreg TG GT TH D1 IN YS, fe cluster(id)
komutu kullanılmaktadır.
Sabit Etkiler Tahmincisi (Dirençli Standart Hatalar)
18 / 21
7.3. DRİSCOLL VE KRAAY TAHMİNCİSİ
7.3.1. Bilgisayar Uygulamaları
Havuzlanmış En Küçük Kareler’de heteroskedasite, otokorelasyon ve birimler arası (olası)
korelasyona karşı dirençli Driscoll-Kraay standart hataları elde edebilmek için,
. xtscc TG GT TH D1 IN YS
komutu kullanılmaktadır.
Havuzlanmış En Küçük Kareler (Driscoll-Kraay Standart Hatalar)
7.4. AR(1) KALINTILI DOĞRUSAL REGRESYON MODELİ
Kalıntının birinci mertebeden otoregresif AR(1) olduğu durumda kurulan regresyonun
tahminini vermektedir. Aşağıdaki panel veri modeli ele alındığında,
Yit = Xitβ + µi + uit
burada uit, AR(1) süreci izlemektedir;
uit = ρuit-1 + zit
|ρ| < 1’dir ve z it, sıfır ortalama ve 2zσ varyansla özdeş ve bağımsız dağılımlıdır. Model bu
bilgiyi göz önüne alarak tahmin yapmaktadır.
19 / 21
7.4.1. Bilgisayar Uygulamaları
Turizm gelirleri modelini sabit etkiler varsayımı ile AR(1) korelasyon yapısını dikkate alarak
tahmin yapabilmek için,
. xtregar TG GT TH D1 IN YS, fe
komutu kullanılmaktadır.
AR(1) kalıntılarını kullanarak tahmin yapmak için bir seçenek “xtregar” komutunu
kullanmaktır. “xtregar”, sadece kalıntının birinci mertebeden otoregresif süreç izlediği
durumlar için geliştirilmiştir. Hem sabit etkiler, hem de tesadüfi etkiler modelleri için
kullanılabilmektedir.
Sabit Etkiler Tahmincisi (AR(1) Korelasyon)
20 / 21
ÇALIŞMA SORULARI
1. Sabit etkiler modelinde birimler arası korelasyon sıklıkla görülmektedir, sizce neden
olabilir?
2. Sabit etkiler modelinde hata teriminin negatif korelasyonlu olduğunu ispatlayınız.
3. Sabit etkiler modelinde heteroskedasitenin görülebilme nedenlerini tartışınız.
4. Örnek bir sabit etkiler modelinde heteroskedasite ve otokorelasyonun test edilmiş ve her
ikisinin de var olduğu sonucuna ulaşılmış olsun, fakat birimler arası korelasyon test
edilememektedir. Ne yaparsınız?
5. Driscoll Kraay standart hatalar, birim içindeki heteroskedasiteye karşı da dirençli midir?
Tartışınız.
21 / 21
KAYNAKÇA
Baltagi B. H., 1995, “Econometric Analysis of Panel Data”, Chichester: John Wiley&Sons.
Wooldridge J. M., 2002, “Econometric Analysis of Cross Section and Panel Data”
Cambridge, Ma: MIT Press.
Yerdelen Tatoğlu F., 2013 (2. Baskı), “Panel Veri Ekonometrisi”, Beta Yayınları, İstanbul.
Yerdelen Tatoğlu F., 2013 (2. Baskı), “İleri Panel Veri Analizi”, Beta Yayınları, İstanbul.
14. HAFTA DERS NOTU
2 / 15
İÇİNDEKİLER
6.3. TESADÜFİ ETKİLER MODELİNDE HETEROSKEDASİTE, OTOKORELASYON VE BİRİMLERARASI KORELASYON
6.3.1. Tesadüfi Etkiler Modelinde Heteroskedasite 6.3.1.1. Breusch-Pagan Lagrange Çarpanı Testi 6.3.1.2. Levene, Brown ve Forsythe’nin Testleri
6.3.1.2.1. Bilgisayar Uygulaması 6.3.2. Tesadüfi Etkiler Modelinde Otokorelasyon
6.3.2.1. Bhargava, Franzini ve Narendranathan’ın Durbin-Watson ve Baltagi-Wu’nun Yerel En İyi Değişmez Testleri
6.3.2.1.1. Bilgisayar Uygulaması 6.3.2.2. Lagrange Çarpanı ve Düzeltilmiş Lagrange Çarpanı Testleri
6.3.2.2.1. Bilgisayar Uygulaması 6.3.3. Tesadüfi Etkiler Modelinde Birimler Arası Korelasyon9
6.3.3.1. Pesaran’ın Testi 6.3.3.1.1. Bilgisayar Uygulaması
6.3.3.2. Friedman’ın Testi 6.3.3.2.1. Bilgisayar Uygulaması
6.3.3.3. Frees’in Testi 6.3.3.3.1. Bilgisayar Uygulaması
7. HETEROSKEDASİTE, OTOKORELASYON VE BİRİMLER ARASI KORELASYONUN VARLIĞINDA TESADÜFİ ETKİLER MODELİNDE DİRENÇLİ TAHMİNCİLER VE YÖNTEMLER
7.1. HUBER, EİCKER VE WHİTE TAHMİNCİSİ 7.1.1. Bilgisayar Uygulaması
7.2. ARELLANO, FROOT VE ROGERS TAHMİNCİSİ 7.2.1. Bilgisayar Uygulaması
7.3. AR(1) KALINTILI DOĞRUSAL REGRESYON MODELİ 7.3.1. Bilgisayar Uygulaması
3 / 15
ÖZET (TÜRKÇE)
Bu derste, tesadüfi etkiler modelinde otokorelasyon, heteroskedasite ve birimler arası
korelasyon durumunda düzeltme yolları ele alınacaktır.
4 / 15
6.3. TESADÜFİ ETKİLER MODELİNDE HETEROSKEDASİTE,
OTOKORELASYON VE BİRİMLERARASI KORELASYON
Tesadüfi etkiler modelinde TE 3 varsayımı, iki nedenden dolayı bozulabilmektedir;
1. ( )|i i iE Xν ν ′ , sabit olmayabilmektedir ( ) ( )( )|i i i i iE v X E v vν ′ ′≠ . Bu durum,
Genelleştirilmiş En Küçük Kareler Analizinde sıklıkla karşılaşılan bir durumdur.
2. Artık hata öğesi (uit), zamana göre değişen bir varyansa sahip ya da
otokorelasyonlu olabilmektedir.
Bu durumda heteroskedasite ve otokorelasyonla karşılaşılabilmektedir. Bazen birimler arası
korelasyon da görülebilmektedir. Bu derste, tesadüfi etkiler modelinde heteroskedasite,
otokorelasyon ve birimler arası korelasyon testleri ele alınmaktadır.
6.3.1. Tesadüfi Etkiler Modelinde Heteroskedasite
Tesadüfi etkiler modelinde, heteroskedasitenin varlığını sınamak için en çok kullanılan testler
Breusch-Pagan Lagrange Çarpanı (LM) ile Düzeltilmiş Wald testleridir. Bu bölümde, bu
testler ele alınmaktadır.
6.3.1.1. Breusch-Pagan Lagrange Çarpanı Testi
Breusch-Pagan panel veri modellerinde heteroskedasitenin saptanması için, bir Lagrange
Çarpanı (LM) testi önermişlerdir. Bu testte, genel panel veri modelinden hareket edilmekte ve
ilk aşamada zamana göre ortalamalar alınmaktadır. Daha sonra, zamana göre birim
ortalamalar regresyonu, standart hataya ( iσ ) bölünerek,
iii
ii
XY ωβσσ
+′=11 (6.19)
elde edilmektedir. Burada,
ii
iii
i uXσ
µσ
ω 11+′=
5 / 15
dir ve (6.19) modeli heteroskedastik varyanslı bir modeldir:
NiXXT
Var iii
i ,.......,111)( 2 =∆′+=σ
ω
Temel hipotez,
H0: model homoskedastik bir varyansa sahiptir (H0:Δ=0)
şeklinde kurulmaktadır. Homoskedastik varyans durumunda )( iVar ω ,
NiT
Var i ,,.........11)( ==ω
haline gelmektedir. Bu test istatistiği, [K(K+1)/2] serbestlik derecesi ile χ2 dağılımına
uymaktadır. H0 hipotezi reddedilirse, modelde heteroskedasite olduğuna karar verilmektedir.
6.3.1.2. Levene, Brown ve Forsythe’nin Testleri
Varyansların eşitliğini sınamak için türetilen geleneksel F testleri Gauss dağılımını esas
almaktadır. Levene (1960), normal dağılım varsayımının gerçekleşmediği durumda da
dirençli bir heteroskedasite testi önermiştir. Brown ve Forsythe (1974), Levene’nin test
istatistiğindeki ortalama yerine aykırı gözlemlere karşı da dirençli bir yapı sağlayan kırpılmış
ortalamaya dayalı alternatif yerel tahminciler önermişlerdir. Levene’nin testi için istatistik,
( ) ( )
( ) ( )
2
0 2
1
1i ii
ij ii j i
n Z Z gW
Z Z n
− −=
− −
∑∑ ∑ ∑
şeklinde hesaplanmaktadır. Burada, Xij i. gruptaki X’in j. gözlemi olmak üzere,
ij ij iZ | X X |= − ’dir. ni: gözlem sayısı ve gi: birim sayısıdır. Brown ve Forsythe (1974)
tarafından önerilen iki test istatistiğinin ilkinde (W50) iX yerine Xij’nin i. birim medyanı;
ikincisinde (W10) iX yerine Xij’nin i. birim %10 kırpılmış ortalaması yer almaktadır. W0’ın
kritik değerleri g-1 ve ( )1iin −∑ serbestlik derecesi ile Snedecor F tablosundan elde
edilmektedir.
6 / 15
6.3.1.2.1. Bilgisayar Uygulaması
Tesadüfi etkiler modelinde heteroskedasitenin varlığını test etmek için Levene, Brown ve
Forsythe’nin testleri kullanılmak isteniliyorsa, öncelikle tesadüfi etkiler modeli tahmin
edilmektedir;
. xtreg TG GT TH IN YS, re
daha sonra,
. predict eps, e
komutu ile kalıntılar kaydedilmektedir ve,
. robvar eps, by(id)
komutu kullanılarak test sonuçları alınabilmektedir.
Tesadüfi Etkiler Modelinde Heteroskedasitenin Levene, Brown ve Forsythe’nin Testi İle Sınanması
7 / 15
6.3.2. Tesadüfi Etkiler Modelinde Otokorelasyon
TE 3 varsayımlarından birisi olan hata terimlerinde otokorelasyon olmaması varsayımı,
özellikle iktisadi çalışmalarda çok kısıtlayıcı bir varsayımdır. Çünkü tesadüfi etkiler
modelinin hata öğelerinde (vit= it iu µ+ ), zamana göre korelasyon oldukça sık görülmektedir.
Örneğin tüketim ya da yatırım modellerinde, şoklar en az bir kaç dönemi etkilemekte, bu da
hata terimleri arasında korelasyona neden olmaktadır. Hata terimindeki otokorelasyon
katsayısı daha önce bahsedildiği gibi,
( )2
2 2corr( , )it isu
v v µ
µ
σσ σ
=+
(6.20)
şeklinde ifade edilebilmektedir. Otokorelasyon ihmal edilerek tahmin yapılırsa, parametreler
tutarlı fakat etkin olmamakta ve bu durumda standart hatalar sapmalı olmaktadır. Bu nedenle,
tesadüfi etkiler modelinde de otokorelasyon test edilmeli ve varlığı halinde ona uygun tahmin
yöntemi belirlenmelidir.
6.3.2.1. Bhargava, Franzini ve Narendranathan’ın Durbin-Watson ve Baltagi-Wu’nun
Yerel En İyi Değişmez Testleri
Bu testlerin teorisi, sabit etkiler modelinde otokorelasyon başlığında anlatıldığı için burada
tekrarlanmayacaktır.
6.3.2.1.1. Bilgisayar Uygulaması
Otokorelasyonun tespiti için Bhargava, Franzini ve Narendranathan tarafından önerilen DW
testi ve Baltagi-Wu tarafından önerilen LBI test istatistiklerinin elde edilebilmesi için,
öncelikle modeller AR(1) kalıntı kullanılarak tesadüfi etkiler varsayımıyla tahmin
edilmektedir. Tesadüfi etkiler modelinde,
. xtregar TG GT TH D1 IN YS, re lbi
komutuyla hem AR(1) kalıntılı regresyonlar tahmin edilebilmekte, hem de bahsi geçen test
istatistikleri hesaplanabilmektedir. Her iki testte de, otokorelasyon katsayısının sıfıra eşit
olduğu H0 hipotezi test edilmektedir.
8 / 15
Tesadüfi Etkiler Modelinde Otokorelasyonun Bhargava, Franzini ve Narendranathan’ın Durbin-Watson ve Baltagi-Wu’nun Yerel En İyi Değişmez Testleri İle Sınanması
6.3.2.2. Lagrange Çarpanı ve Düzeltilmiş Lagrange Çarpanı Testleri
Bu testlerin teorisi, önceki bölümlerde anlatıldığı için burada tekrarlanmayacaktır.
6.3.2.2.1. Bilgisayar Uygulaması
Tesadüfi etkiler modelinde otokorelasyon katsayısının sıfıra eşitliğini, LM ve ALM testleri ile
sınamak için öncelikle model Tesadüfi Etkiler varsayımıyla tahmin edilmelidir;
. xtreg TG GT TH D1 IN YS, re
daha sonra ise,
. xttest1, unadjusted
komutu kullanılarak test sonuçları alınabilmektedir.
9 / 15
Tesadüfi Etkiler Modelinde Otokorelasyonun LM ve ALM Testleri İle Sınanması
Çıktıda önce kurulan modeller,
TG[id,t] = Xb + u[id] + v[id,t] it i itTG X uβ µ= + +
v[id,t] = lambda v[id,(t-1)] + e[id,t] 1it it itu u eρ −= +
daha sonra tahmin sonuçları görülmektedir.
6.3.3. Tesadüfi Etkiler Modelinde Birimler Arası Korelasyon
Sabit etkiler modelinde olduğu gibi, tesadüfi etkiler modelinde de birimler arası korelasyonla
sıklıkla karşılaşılmaktadır. Bu nedenle birimler arası korelasyonun varlığı test edilmelidir.
6.3.3.1. Pesaran’ın Testi
Bu test, sabit etkiler modelinde birimler arası korelasyon testleri başlığında detaylı olarak
anlatıldığından burada tekrarlanmayacaktır.
10 / 15
6.3.3.1.1. Bilgisayar Uygulaması
Tesadüfi etkiler modelinde birimler arası korelasyonun varlığını Pesaran testi ile sınamak için,
öncelikle Tesadüfi Etkiler modeli tahmin edilmektedir:
. xtreg TG GT TH IN YS, re
Daha sonra,
. xtcsd, pesaran
komutu ile Pesaran testine ait sonuçlar alınabilmektedir.
Tesadüfi Etkiler Modelinde Birimler Arası Korelasyonun Pesaran’ın Testi İle Sınanması
6.3.3.2. Friedman’ın Testi
Bu test, sabit etkiler modelinde birimler arası korelasyon testleri başlığı altında detaylı olarak
anlatıldığından burada tekrarlanmayacaktır.
6.3.3.2.1. Bilgisayar Uygulaması
2.2.3. Bilgisayar Uygulamaları alt başlığında tanımlanan turizm gelirleri modelini kullanarak,
tesadüfi etkiler modelinde birimler arası korelasyonun varlığını Friedman’ın testi ile sınamak
isteyelim.
Tesadüfi etkiler modelinde birimler arası korelasyonun varlığını Friedman testi ile test etmek
için, öncelikle Tesadüfi Etkiler modeli tahmin edilmektedir:
. xtreg TG GT TH IN YS, re
Daha sonra,
. xtcsd, friedman
11 / 15
komutları kullanılarak, teste ait sonuçlar alınabilmektedir.
Tesadüfi Etkiler Modelinde Birimler Arası Korelasyonun Friedman’ın Testi İle Sınanması
6.3.3.3. Frees’in Testi
Bu test, sabit etkiler modelinde birimler arası korelasyon testleri başlığında detaylı olarak
anlatıldığından, burada tekrarlanmayacaktır.
6.3.3.3.1. Bilgisayar Uygulaması
Tesadüfi etkiler modelinde birimler arası korelasyonun varlığını Frees’in testi ile sınamak
için, öncelikle Tesadüfi Etkiler modeli tahmin edilmektedir;
. xtreg TG GT TH IN YS, re
daha sonra,
. xtcsd, frees
komutu kullanılmaktadır.
Tesadüfi Etkiler Modelinde Birimler Arası Korelasyonun Frees’in Testi İle Sınanması
12 / 15
7. HETEROSKEDASİTE, OTOKORELASYON VE BİRİMLER ARASI
KORELASYONUN VARLIĞINDA DİRENÇLİ TAHMİNCİLER VE
YÖNTEMLER
7.1. HUBER, EİCKER VE WHİTE TAHMİNCİSİ
7.1.1. Bilgisayar Uygulaması Tesadüfi Etkiler Modelinde, heteroskedasiteye karşı dirençli standart hataları elde edebilmek
için,
. xtreg TG GT TH D1 IN YS, re robust
komutu kullanılmaktadır.
Tesadüfi Etkiler Tahmincisi (Dirençli Standart Hatalar)
7.2. ARELLANO, FROOT VE ROGERS TAHMİNCİSİ
7.2.1. Bilgisayar Uygulamaları Tesadüfi Etkiler Modelinde, kümelenmiş standart hataları elde edebilmek için,
. xtreg TG GT TH D1 IN YS, re cluster(id)
komutu kullanılmaktadır.
13 / 15
Tesadüfi Etkiler Tahmincisi (Dirençli Standart Hatalar)
7.3. AR(1) KALINTILI DOĞRUSAL REGRESYON MODELİ
7.3.1. Bilgisayar Uygulamaları Tesadüfi etkiler varsayımı ile AR(1) korelasyon yapısını dikkate alarak tahmin yapabilmek
için,
. xtregar TG GT TH D1 IN YS, re
komutu kullanılmaktadır.
Tesadüfi Etkiler Tahmincisi (AR(1) Korelasyon)
14 / 15
ÇALIŞMA SORULARI
1. Tesadüfi etkiler modelinde birimler arası korelasyon görülür mü? Tartışınız.
2. Tesadüfi etkiler modelinde otokorelasyon katsayısı ne ifade etmektedir?
3. Tesadüfi etkiler modelinde heteroskedasite ile genellikle neden karşılaşılmaktadır?
4. Tesadüfi etkiler modelinde sizce neden Driscoll Kray standart hatalar hesaplanmamaktadır?
5. AR(1) regresyon modeli tahmin edilince modelde hem heteroskedasite hem de
otokorelasyon düzeltilmektedir. Doğru Yanlış
15 / 15
KAYNAKÇA
Baltagi B. H., 1995, “Econometric Analysis of Panel Data”, Chichester: John Wiley&Sons.
Wooldridge J. M., 2002, “Econometric Analysis of Cross Section and Panel Data”
Cambridge, Ma: MIT Press.
Yerdelen Tatoğlu F., 2013 (2. Baskı), “Panel Veri Ekonometrisi”, Beta Yayınları, İstanbul.
Yerdelen Tatoğlu F., 2013 (2. Baskı), “İleri Panel Veri Analizi”, Beta Yayınları, İstanbul.
ulkeler t id GT YS TH IN TG D1Austria 1993 1 9.812.304 6.478.509 9.017.726 4.094.345 9.513.182 0Austria 1994 1 9.792.221 6.477.003 9.148.996 470.048 9.484.329 0Austria 1995 1 9.751.094 6.471.001 9.363.662 5.010.635 9.588.297 0Austria 1996 1 9.746.249 6.461.781 9.376.786 6.309.918 9.546.098 0Austria 1997 1 9.719.985 6.451.418 922.582 6.633.318 9.310.185 0Austria 1998 1 9.761.463 6.449.538 9.168.685 7.114.769 9.330.432 0Austria 1999 1 9.768.068 6.475.063 9.125.872 7.517.521 9.308.827 0Austria 2000 1 9.797.127 6.465.554 9.043.459 7.901.007 921.014 0Austria 2001 1 9.808.078 6.465.756 9.100.079 8.055.158 9.239.025 0Austria 2002 1 9.831.508 6.443.702 9.154.828 8.113.726 9.318.028 0Austria 2003 1 9.856.291 6.447.448 9.372.204 8.224.163 9.535.462 0Austria 2004 1 9.871.635 6.456.927 9.328.301 8.268.732 9.636.001 0Austria 2005 1 9.880.229 6.454.837 9.403.962 8.327.194 9.693.598 0Belgium 1993 2 8.528.529 4.912.949 8.754.318 2.995.732 8.307.459 0Belgium 1994 2 8.567.506 4.981.687 8.993.924 4.248.495 8.622.634 0Belgium 1995 2 8.616.676 5.041.553 9.128.588 460.517 8.651.549 0Belgium 1996 2 8.667.336 5.057.964 9.055.089 5.703.783 8.495.561 0Belgium 1997 2 8.700.015 5.068.779 8.973.985 6.214.608 8.418.257 0Belgium 1998 2 8.723.882 5.049.087 9.025.335 6.684.612 8.438.799 0Belgium 1999 2 8.754.161 5.045.166 9.187.277 7.244.227 8.775.241 0Belgium 2000 2 8.764.522 5.066.385 9.151.546 8.006.368 8.793.612 0Belgium 2001 2 8.763.741 506.689 9.188.299 8.070.906 8.839.711 0Belgium 2002 2 8.804.325 5.084.567 9.227.787 8.131.531 884.376 0Belgium 2003 2 8.798.304 5.097.974 9.405.825 8.294.049 9.007.367 0Belgium 2004 2 8.796.641 5.133.502 9.538.492 834.284 9.123.801 0Belgium 2005 2 8.804.852 5.150.397 9.564.512 8.381.607 9.156.958 0Cyprus 1993 3 759.287 4.211.979 4.890.349 -.9162908 7.241.366 1Cyprus 1994 3 7.703.459 4.248.781 5.170.484 -.2231435 7.438.384 1Cyprus 1995 3 7.720.018 4.291.555 5.680.172 1.098.612 7.486.053 1Cyprus 1996 3 7.643.962 4.425.325 5.572.154 1.609.438 741.998 1Cyprus 1997 3 7.693.481 4.422.328 5.627.621 3.496.508 7.401.842 1Cyprus 1998 3 7.765.145 4.444.532 5.620.401 4.219.508 7.436.028 1Cyprus 1999 3 7.854.769 4.432.838 5.666.427 4.477.337 7.537.962 1Cyprus 2000 3 7.976.595 4.436.515 6.023.448 4.787.492 7.570.959 1Cyprus 2001 3 7.951.911 4.475.403 6.059.123 5.010.635 7.597.396 1Cyprus 2002 3 7.822.044 4.501.031 6.246.107 5.347.107 756.372 1Cyprus 2003 3 7.789.868 4.512.397 6.448.889 5.521.461 7.608.871 1Cyprus 2004 3 7.815.207 4.524.394 6.692.084 5.697.093 7.713.785 1Cyprus 2005 3 7.776.422 4.536.035 6.810.969 5.872.089 7.750.714 1Denmark 1993 4 8.114.235 4.575.329 8.075.272 3.401.197 8.023.552 0Denmark 1994 4 8.125.285 4.597.944 8.183.956 4.248.495 8.062.748 0Denmark 1995 4 8.136.404 4.595.019 8.361.709 5.298.317 8.208.491 0Denmark 1996 4 8.150.456 4.602.767 8.328.934 5.703.783 8.138.857 0Denmark 1997 4 816.338 4.589.447 8.327.726 639.693 8.066.208 0Denmark 1998 4 8.136.114 4.603.168 8.403.353 7.090.077 8.074.338 0Denmark 1999 4 8.113.379 4.613.337 849.372 7.393.878 8.149.024 0Denmark 2000 4 8.144.679 462.605 84.487 7.644.919 820.822 0Denmark 2001 4 8.185.907 4.635.311 8.488.999 7.740.664 82.948 0Denmark 2002 4 8.116.715 4.655.768 8.672.144 7.921.535 8.474.494 0
Denmark 2003 4 8.125.039 4.664.194 8.803.724 8.017.637 8.569.976 0Denmark 2004 4 8.087.333 4.692.357 8.892.749 8.092.239 8.639.765 0Denmark 2005 4 8.073.893 4.708.899 8.953.857 8.150.552 8.728.363 0France 1993 5 1.101.147 7.071.939 9.460.009 5.828.946 1.006.748 1France 1994 5 1.102.373 7.034.212 9.530.465 6.253.829 1.011.367 1France 1995 5 1.100.265 7.084.511 9.700.637 6.856.462 1.022.292 1France 1996 5 110.414 7.103.906 9.783.916 7.315.884 1.025.263 1France 1997 5 1.110.633 7.091.551 9.715.712 7.818.028 1.024.028 1France 1998 5 1.115.781 7.068.079 9.786.448 8.217.169 1.030.665 1France 1999 5 1.120.023 7.062.329 9.832.582 8.588.583 1.035.797 1France 2000 5 1.125.403 707.187 9.792.892 9.043.104 1.034.113 1France 2001 5 1.122.793 7.090.893 9.804.164 9.658.418 1.032.098 1France 2002 5 1.125.172 7.096.092 9.879.092 9.837.134 1.038.706 1France 2003 5 1.122.588 7.095.529 1.006.032 9.994.242 1.050.827 1France 2004 5 1.122.686 711.542 1.025.836 1.012.663 1.061.364 1France 2005 5 112.393 7.126.352 1.032.637 102.567 1.063.195 1Germany 1993 6 1.042.782 721.208 1.061.835 5.926.926 9.607.505 0Germany 1994 6 1.043.126 725.605 1.071.839 6.620.073 9.606.967 0Germany 1995 6 1.051.124 7.307.102 1.086.272 7.313.221 9.799.682 0Germany 1996 6 1.055.613 7.331.342 1.087.688 7.824.046 9.781.659 0Germany 1997 6 1.062.245 7.356.184 1.077.729 8.612.503 9.722.924 0Germany 1998 6 1.065.905 737.203 1.078.922 8.999.619 9.727.108 0Germany 1999 6 1.073.546 7.398.591 1.093.094 9.746.834 9.808.957 0Germany 2000 6 1.080.483 7.408.058 1.087.472 101.186 9.831.508 0Germany 2001 6 1.079.276 7.414.392 1.085.534 1.016.585 9.799.848 0Germany 2002 6 107.559 7.421.249 1.087.161 1.023.996 986.672 0Germany 2003 6 1.081.709 7.421.865 1.107.642 1.040.426 1.004.867 0Germany 2004 6 109.542 7.419.333 1.116.498 104.688 1.022.561 0Germany 2005 6 1.101.054 7.420.986 1.127.123 1.053.585 1.031.763 0Greece 1993 7 9.149.847 6.187.114 6.910.751 2.995.732 8.112.228 1Greece 1994 7 9.279.213 6.231.485 7.029.973 3.688.879 8.270.013 1Greece 1995 7 9.223.257 628.378 7.186.901 4.382.027 8.327.484 1Greece 1996 7 9.130.539 6.307.716 7.098.376 5.010.635 8.222.285 1Greece 1997 7 9.217.415 6.329.846 7.190.676 5.298.317 8.546.947 1Greece 1998 7 9.297.985 6.357.634 7.470.794 5.857.933 8.730.368 1Greece 1999 7 9.406.236 6.371.561 8.291.296 6.620.073 9.080.573 1Greece 2000 7 9.479.986 6.386.862 8.424.639 6.907.755 9.129.022 1Greece 2001 7 9.550.947 6.410.339 8.337.349 6.818.924 9.122.055 1Greece 2002 7 9.559.587 6.440.803 7.798.112 730.317 9.201.199 1Greece 2003 7 9.544.667 6.469.095 7.796.058 7.448.916 9.284.148 1Greece 2004 7 9.580.022 6.504.692 7.962.764 7.578.146 9.450.538 1Greece 2005 7 9.605.541 6.534.167 7.994.187 7.666.283 9.502.336 1Iceland 1993 8 5.056.246 2.065.596 5.598.422 194.591 4.867.535 0Iceland 1994 8 5.187.386 2.093.098 5.509.388 2.890.372 4.890.349 0Iceland 1995 8 5.247.024 2.175.887 5.641.907 3.401.197 5.117.994 0Iceland 1996 8 5.303.305 2.323.368 57.301 3.688.879 5.170.484 0Iceland 1997 8 5.308.268 2.371.178 5.780.744 4.317.488 5.153.292 0Iceland 1998 8 5.446.737 2.487.404 5.981.414 460.517 5.332.719 0Iceland 1999 8 5.572.154 2.526.528 6.073.044 5.010.635 5.398.163 0Iceland 2000 8 5.713.733 2.523.326 6.154.858 5.123.964 542.495 0
Iceland 2001 8 5.717.028 2.536.075 5.918.894 5.147.494 5.446.737 0Iceland 2002 8 5.659.378 2.639.771 5.913.503 5.231.109 5.545.177 0Iceland 2003 8 5.763.465 2.704.711 625.575 5.273 5.765.191 0Iceland 2004 8 5.887.797 2.740.195 654.103 5.418.808 5.913.503 0Iceland 2005 8 5.934.047 3.810.654 6.612.552 5.485.004 6.018.058 0Italy 1993 9 1.081.798 7.452.982 9.549.951 4.248.495 100.003 1Italy 1994 9 1.085.542 7.452.594 9.399.472 470.048 100.753 1Italy 1995 9 1.092.784 7.460.507 9.427.063 5.703.783 1.023.002 1Italy 1996 9 1.095.518 7.475.708 9.668.081 6.371.612 1.030.952 1Italy 1997 9 1.096.818 747.992 9.719.024 717.012 1.029.937 1Italy 1998 9 1.097.678 7.485.705 9.778.661 7.863.267 1.030.448 1Italy 1999 9 109.941 7.499.578 9.735.838 9.011.889 102.527 1Italy 2000 9 1.104.615 7.525.155 966.046 9.487.972 1.022.169 1Italy 2001 9 1.100.936 7.545.009 9.602.044 9.655.026 1.015.898 1Italy 2002 9 1.105.976 7.565.042 9.736.488 9.893.437 1.019.888 1Italy 2003 9 1.105.129 7.585.535 9.932.512 1.003.802 1.034.968 1Italy 2004 9 1.097.644 7.600.768 9.926.227 1.027.056 1.047.385 1Italy 2005 9 1.096.006 761.967 9.997.954 1.038.883 1.054.031 1Netherland 1993 11 8.658.172 4.890.574 9.102.087 5.703.783 8.453.188 0Netherland 1994 11 872.875 4.927.689 9.304.104 6.214.608 8.632.663 0Netherland 1995 11 8.790.877 4.959.482 9.346.182 6.907.755 8.659.039 0Netherland 1996 11 879.179 4.962.845 9.338.734 7.313.221 8.741.296 0Netherland 1997 11 8.967.122 4.969.813 9.335.916 7.696.213 8.755.737 0Netherland 1998 11 9.139.059 5.129.899 9.400.878 8.160.519 8.832.004 0Netherland 1999 11 919.766 5.135.798 9.398.479 8.732.305 8.853.094 0Netherland 2000 11 921.064 5.153.292 9.408.453 8.853.665 8.881.419 0Netherland 2001 11 9.159.047 5.159.055 9.392.161 8.974.618 8.811.056 0Netherland 2002 11 9.168.998 5.178.633 9.470.857 9.011.889 8.950.274 0Netherland 2003 11 9.124.891 5.193.845 9.587.612 9.047.821 9.132.271 0Netherland 2004 11 9.174.298 5.246.181 9.753.594 921.034 9.251.194 0Netherland 2005 11 9.185.871 5.269.506 9.794.662 9.290.368 9.327.965 0Norway 1993 12 7.846.199 4.813.322 8.120.886 4.787.492 7.569.928 0Norway 1994 12 7.948.032 4.861.362 8.219.326 5.192.957 7.709.308 0Norway 1995 12 7.965.546 4.876.875 8.347.827 5.634.789 7.777.374 0Norway 1996 12 7.917.901 4.894.251 8.419.801 6.684.612 7.784.057 0Norway 1997 12 7.901.748 4.909.783 838.206 6.802.395 7.704.361 0Norway 1998 12 8.088.255 4.921.367 8.461.469 6.907.755 7.709.757 0Norway 1999 12 8.078.068 4.924.714 846.569 7.003.066 7.755.767 0Norway 2000 12 8.040.447 4.945.777 8.424.639 7.090.077 7.625.595 0Norway 2001 12 803.041 4.968.423 8.380.916 7.184.629 7.579.679 0Norway 2002 12 80.427 496.724 8.541.105 7.243.513 7.686.621 0Norway 2003 12 8.092.239 4.968.423 8.795.582 7.367.077 7.826.443 0Norway 2004 12 8.188.967 4.949.469 9.033.961 7.491.087 7.983.099 0Norway 2005 12 8.226.918 495.046 9.113.912 7.560.778 8.075.598 0Portugal 1993 13 9.932.027 5.292.601 7.545.918 3.806.663 8.309.431 0Portugal 1994 13 9.987.782 5.310.443 7.437.206 4.276.666 8.250.098 0Portugal 1995 13 1.004.607 5.318.365 7.669.028 5.010.635 83.754 0Portugal 1996 13 1.005.415 5.338.547 7.733.246 5.703.783 8.358.197 0Portugal 1997 13 1.009.592 5.353.374 7.678.326 6.214.608 8.437.934 0Portugal 1998 13 101.872 5.373.286 7.748.891 6.907.755 8.575.839 0
Portugal 1999 13 1.020.415 5.379.114 7.723.562 7.313.221 8.568.076 0Portugal 2000 13 1.024.046 5.406.992 7.708.859 7.426.549 856.465 0Portugal 2001 13 1.024.527 543.228 7.656.337 7.528.332 8.607.034 0Portugal 2002 13 1.021.079 5.411.869 7.661.527 7.726.213 8.659.039 0Portugal 2003 13 102.231 5.475.459 7.786.967 7.891.331 879.179 0Portugal 2004 13 1.023.096 5.473.908 792.371 7.989.899 895.648 0Portugal 2005 13 1.023.929 5.491.126 7.960.411 8.068.184 9.004.505 0Spain 1993 14 1.052.589 6.916.953 8.462.737 3.912.023 9.890.453 1Spain 1994 14 1.067.434 7.032.051 832.579 470.048 9.974.179 1Spain 1995 14 1.056.625 6.979.164 8.403.129 5.010.635 1.014.203 1Spain 1996 14 1.061.007 6.991.664 850.086 6.265.301 1.019.204 1Spain 1997 14 1.058.537 7.005.263 8.404.472 7.012.115 1.019.058 1Spain 1998 14 1.067.812 7.022.172 8.517.393 7.457.609 1.030.357 1Spain 1999 14 1.075.313 7.156.185 8.616.676 7.948.032 103.889 1Spain 2000 14 1.077.681 7.182.124 8.625.509 8.609.955 1.035.628 1Spain 2001 14 1.082.164 7.195.518 8.692.825 8.907.613 1.039.486 1Spain 2002 14 1.086.527 7.240.922 8.804.175 8.969.033 1.042.771 1Spain 2003 14 1.083.671 7.280.642 9.022.202 9.189.014 1.063.993 1Spain 2004 14 1.086.723 7.320.917 9.312.716 957.032 1.074.078 1Spain 2005 14 1.088.024 7.355.699 9.437.088 9.699.544 1.083.955 1Sweden 1993 15 864.009 5.347.393 8.408.048 5.010.635 7.885.705 0Sweden 1994 15 8.751.894 5.398.615 8.488.793 5.703.783 7.941.651 0Sweden 1995 15 8.906.213 5.404.927 8.634.265 6.109.248 8.149.602 0Sweden 1996 15 8.881.828 5.311.678 8.771.525 6.684.612 8.204.398 0Sweden 1997 15 8.871.313 5.207.298 8.838.986 7.649.693 8.224.163 0Sweden 1998 15 8.879.979 521.792 8.951.958 7.993.282 8.340.218 0Sweden 1999 15 8.891.155 5.220.194 8.930.229 8.206.857 8.267.192 0Sweden 2000 15 8.902.556 5.238.142 8.993.179 8.305.978 8.309.923 0Sweden 2001 15 8.914.088 5.272.179 8.842.316 8.433.811 835.538 0Sweden 2002 15 8.917.043 5.197.392 8.895.766 8.541.885 8.457.443 0Sweden 2003 15 893.945 5.219.112 9.023.529 8.640.295 8.576.217 0Sweden 2004 15 8.951.548 5.246.972 9.204.926 8.824.677 8.708.805 0Sweden 2005 15 8.963.819 5.258.588 9.265.561 886.767 8.788.866 0Switzerland 1993 16 8.885.164 5.580.258 8.691.818 5.010.635 8.936.035 0Switzerland 1994 16 8.903.543 5.579.088 8.759.355 5.247.024 9.023.769 0Switzerland 1995 16 8.845.922 5.579.654 8.901.911 5.521.461 9.144.734 0Switzerland 1996 16 881.433 5.570.137 8.931.949 5.774.551 9.085.457 0Switzerland 1997 16 8.859.221 5.566.358 8.847.935 6.306.275 8.976.515 0Switzerland 1998 16 8.879.751 5.561.796 8.824.384 6.844.815 8.983.816 0Switzerland 1999 16 8.875.566 5.562.948 8.812.546 7.295.056 8.957.897 0Switzerland 2000 16 8.964.568 5.559.604 8.753.845 7.647.786 893.274 0Switzerland 2001 16 891.664 5.561.143 8.737.934 7.937.375 8.923.325 0Switzerland 2002 16 8.834.337 5.556.828 8.805.975 8.006.368 8.972.717 0Switzerland 2003 16 8.784.163 5.555.785 8.917.713 8.131.531 9.123.584 0Switzerland 2004 16 8.763.535 5.553.967 9.080.118 8.160.519 9.249.465 0Switzerland 2005 16 8.723.467 5.552.572 9.136.134 8.208.032 9.300.182 0Turkey 1993 17 8.779.712 5.432.149 6.839.477 1.609.438 8.283.747 1Turkey 1994 17 8.805.525 5.555.205 6.763.885 3.401.197 8.371.243 1Turkey 1995 17 8.952.476 561.342 681.564 3.912.023 8.508.556 1Turkey 1996 17 9.061.144 5.689.481 7.142.828 4.787.492 8.693.161 1
Turkey 1997 17 9.178.746 5.730.424 7.447.751 5.703.783 8.998.137 1Turkey 1998 17 918.533 5.733.374 7.469.654 6.109.248 8.963.032 1Turkey 1999 17 8.920.923 5.755.521 7.293.698 7.313.221 8.556.991 1Turkey 2000 17 9.252.346 5.806.129 7.446.002 7.824.046 8.940.629 1Turkey 2001 17 9.360.397 5.904.299 746.049 8.160.519 9.217.018 1Turkey 2002 17 949.213 597.564 7.539.559 836.637 9.384.377 1Turkey 2003 17 9.548.882 6.035.912 7.655.864 8.699.514 9.488.199 1Turkey 2004 17 9.770.927 6.060.501 78.336 9.232.101 967.332 1Turkey 2005 17 9.839.801 6.124.443 7.880.956 9.513.821 9.753.048 1United King 1993 18 9.896.614 6.782.713 9.876.989 5.703.783 9.564.161 0United King 1994 18 994.242 6.788.082 9.998.707 639.693 9.614.872 0United King 1995 18 1.006.633 6.779.524 1.009.691 7.003.066 9.828.441 0United King 1996 18 1.013.313 6.947.629 1.013.892 7.783.224 9.861.259 0United King 1997 18 1.014.702 697.799 1.022.955 8.368.693 9.905.436 0United King 1998 18 10.156 6.986.354 103.818 8.987.197 9.951.229 0United King 1999 18 1.014.227 7.003.057 1.048.097 9.433.484 9.914.576 0United King 2000 18 1.013.496 7.013.016 1.055.221 9.667.766 9.988.242 0United King 2001 18 1.003.605 7.029.973 1.054.352 9.893.437 9.845.011 0United King 2002 18 1.009.328 7.080.027 1.063.931 1.012.663 9.930.568 0United King 2003 18 1.011.517 6.967.909 1.077.589 1.044.581 1.002.871 0United King 2004 18 1.023.117 7.109.062 1.094.072 1.053.476 1.024.665 0United King 2005 18 1.025.826 7.137.159 1.101.978 1.062.365 1.031.956 0Croatia 1993 21 9.670.609 5.314.978 5.926.926 1.585.145 7.170.888 1Croatia 1994 21 9.822.331 5.319.687 5.986.452 260.417 7.496.098 1Croatia 1995 21 9.686.575 5.324.131 6.042.633 318.387 7.208.601 1Croatia 1996 21 9.856.658 5.303.155 6.234.411 3.654.805 7.607.878 1Croatia 1997 21 1.007.154 5.293.958 6.272.877 4.361.186 7.833.204 1Croatia 1998 21 1.014.639 5.296.165 639.693 50.123 7.913.155 1Croatia 1999 21 1.028.244 5.266.414 6.621.406 5.294.209 7.821.242 1Croatia 2000 21 1.052.476 5.295.664 6.342.122 5.694.338 7.922.261 1Croatia 2001 21 1.059.985 5.203.897 640.688 6.224.103 8.112.228 1Croatia 2002 21 1.063.912 5.236.176 6.660.575 6.663.005 824.591 1Croatia 2003 21 1.066.562 5.265.484 6.510.258 6.922.437 8.760.453 1Croatia 2004 21 1.071.384 5.293.456 6.732.211 7.173.092 8.849.801 1Croatia 2005 21 1.076.127 5.323.303 6.790.806 733.197 892.644 1Czech Repu 1993 22 1.118.075 445.609 62.672 4.094.345 73.518 0Czech Repu 1994 22 1.152.426 4.540.845 736.834 4.867.535 7.709.757 0Czech Repu 1995 22 1.149.333 4.876.342 7.398.174 5.010.635 7.963.808 0Czech Repu 1996 22 1.160.281 5.226.875 7.990.577 5.298.317 8.312.626 0Czech Repu 1997 22 1.158.881 5.388.067 7.774.856 5.703.783 820.166 0Czech Repu 1998 22 1.154.096 5.431.405 7.546.446 5.991.465 8.261.269 0Czech Repu 1999 22 1.152.121 5.433.329 731.055 655.108 8.056.427 0Czech Repu 2000 22 1.155.451 5.465.864 7.151.485 6.907.755 7.997.327 0Czech Repu 2001 22 1.154.316 5.427.546 7.234.177 7.313.221 7.651.596 0Czech Repu 2002 22 1.148.869 5.613.384 7.375.882 7.863.267 7.994.295 0Czech Repu 2003 22 1.146.147 5.417.388 7.567.346 8.039.157 7.850.103 0Czech Repu 2004 22 1.147.103 5.446.996 7.731.492 8.536.996 8.338.784 0Czech Repu 2005 22 1.145.043 5.451.639 780.472 8.722.767 8.481.224 0Estonia 1993 23 7.377.759 2.012.233 3.218.876 1.609.438 3.912.023 0Estonia 1994 23 7.549.609 2.045.109 3.871.201 2.833.213 4.521.789 0
Estonia 1995 23 7.654.443 2.140.066 4.510.859 3.688.879 5.866.468 0Estonia 1996 23 7.801.391 221.047 4.584.968 3.912.023 6.152.733 0Estonia 1997 23 7.870.166 2.270.062 4.770.685 4.382.027 6.142.037 0Estonia 1998 23 7.975.564 2.477.378 4.890.349 5.010.635 6.280.396 0Estonia 1999 23 8.064.951 262.684 5.379.897 5.298.317 6.327.937 0Estonia 2000 23 8.104.704 2.923.162 531.812 5.971.262 6.224.558 0Estonia 2001 23 8.080.237 3.012.589 5.257.495 6.063.785 6.228.511 0Estonia 2002 23 8.087.333 3.128.951 5.442.418 6.095.825 6.318.968 0Estonia 2003 23 8.124.743 3.313.822 5.765.191 639.693 6.505.784 0Estonia 2004 23 8.140.033 3.493.473 5.991.465 6.507.277 6.777.647 0Estonia 2005 23 8.149.111 3.585.739 6.149.237 6.576.456 6.880.158 0Hungary 1993 24 106.115 4.688.224 6.608.001 2.995.732 7.074.117 0Hungary 1994 24 1.059.253 4.738.389 6.829.794 3.912.023 726.403 0Hungary 1995 24 1.057.745 4.780.047 6.975.414 4.248.495 7.451.822 0Hungary 1996 24 1.059.245 4.849.292 6.863.803 460.517 7.716.906 0Hungary 1997 24 1.052.712 4.893.052 6.829.794 5.298.317 8.143.227 0Hungary 1998 24 10.423 4.915.665 701.661 5.991.465 8.164.511 0Hungary 1999 24 1.026.824 4.973.971 7.084.227 639.693 8.133.588 0Hungary 2000 24 1.034.631 4.966.823 7.409.136 6.572.282 8.224.967 0Hungary 2001 24 1.033.137 4.998.765 7.499.977 7.299.798 8.331.827 0Hungary 2002 24 1.036.533 50.411 7.665.285 7.377.759 8.223.627 0Hungary 2003 24 1.035.491 5.066.575 7.860.956 7.783.224 8.309.184 0Hungary 2004 24 1.043.217 5.062.405 7.954.372 7.901.007 8.302.514 0Hungary 2005 24 1.045.434 5.086.423 8.040.424 8.083.171 8.325.473 0Poland 1993 27 1.101.783 4.494.797 5.198.497 3.912.023 839.841 0Poland 1994 27 1.121.523 4.475.517 5.755.742 5.010.635 8.724.207 0Poland 1995 27 1.131.745 4.535.927 8.612.503 5.521.461 8.794.825 0Poland 1996 27 1.137.865 4.609.461 8.738.735 6.214.608 9.041.211 0Poland 1997 27 1.138.301 4.712.409 8.656.955 6.684.612 9.068.662 0Poland 1998 27 113.918 4.792.397 8.396.154 7.365.813 8.980.424 0Poland 1999 27 1.139.772 4.789.906 8.188.689 7.649.693 8.716.044 0Poland 2000 27 1.134.468 4.789.823 8.105.609 7.937.375 8.644.178 0Poland 2001 27 1.102.567 4.772.463 8.159.089 8.242.756 8.443.762 0Poland 2002 27 1.083.437 4.848.587 8.071.531 9.091.557 8.369.621 0Poland 2003 27 108.615 4.900.225 7.937.732 9.101.641 8.311.152 0Poland 2004 27 1.103.357 5.107.822 8.253.488 910.498 8.671.287 0Poland 2005 27 1.106.069 5.190.677 8.306.356 9.232.797 8.701.734 0Romania 1993 28 8.663.197 5.146.389 5.273 0 5.283.204 0Romania 1994 28 8.682.368 5.334.505 6.107.023 1.791.759 6.025.866 0Romania 1995 28 8.602.453 5.326.273 6.546.785 2.833.213 6.380.123 0Romania 1996 28 8.557.375 5.355.123 650.129 3.912.023 6.270.988 0Romania 1997 28 8.546.752 5.318.708 6.663.133 460.517 6.265.301 0Romania 1998 28 8.483.016 5.320.568 6.111.467 6.214.608 5.560.682 0Romania 1999 28 8.560.827 5.312.565 5.978.886 639.693 5.537.334 0Romania 2000 28 8.568.646 5.294.962 6.052.089 6.684.612 5.883.322 0Romania 2001 28 8.504.513 5.294.911 6.107.023 6.907.755 5.891.644 0Romania 2002 28 8.475.121 5.284.827 5.981.414 7.696.213 581.413 0Romania 2003 28 862.945 5.306.484 61.717 8.294.049 6.107.023 0Romania 2004 28 8.794.673 5.336.624 6.289.716 8.411.833 622.059 0Romania 2005 28 8.826.119 5.347.155 6.355.813 8.501.234 6.314.616 0
Slovakia 1993 30 8.572.817 3.820.127 5.568.345 194.591 5.966.147 0Slovakia 1994 30 9.208.138 3.925.531 5.648.974 2.833.213 6.342.122 0Slovakia 1995 30 9.436.041 3.987.501 5.799.093 3.332.205 6.429.719 0Slovakia 1996 30 9.646.981 406.783 6.180.017 373.767 6.511.745 0Slovakia 1997 30 9.595.738 3.868.071 6.084.499 4.143.135 6.302.619 0Slovakia 1998 30 9.651.301 4.259.152 6.163.315 4.976.734 6.192.362 0Slovakia 1999 30 950.718 4.282.897 5.826 5.676.754 6.133.398 0Slovakia 2000 30 9.410.583 4.290.596 569.036 6.228.511 6.070.738 0Slovakia 2001 30 9.381.349 4.408.669 5.666.427 651.323 6.463.029 0Slovakia 2002 30 9.361.429 447.221 609.131 6.760.415 660.123 0Slovakia 2003 30 9.347.926 4.508.329 6.350.886 7.226.936 676.273 0Slovakia 2004 30 9.442.245 449.981 6.613.384 7.730.175 6.803.505 0Slovakia 2005 30 9.451.444 4.553.245 6.751.429 7.889.781 6.889.897 0Slovenia 1993 31 6.436.151 3.547.604 5.720.312 2.079.442 6.598.509 1Slovenia 1994 31 6.617.403 3.570.659 5.910.797 3.044.523 6.865.891 1Slovenia 1995 31 659.578 3.522.825 6.261.492 4.043.051 6.986.567 1Slovenia 1996 31 6.723.833 3.584.352 6.400.258 460.517 7.122.867 1Slovenia 1997 31 6.881.411 3.517.795 6.249.975 5.010.635 7.079.185 1Slovenia 1998 31 6.884.487 3.519.573 6.324.359 5.298.317 6.992.096 1Slovenia 1999 31 6.785.588 3.474.138 6.289.716 5.521.461 6.860.664 1Slovenia 2000 31 6.993.933 3.511.545 623.637 5.703.783 6.867.974 1Slovenia 2001 31 7.105.786 3.417.399 6.269.096 639.693 6.908.755 1Slovenia 2002 31 7.171.657 3.424.914 6.410.175 6.620.073 6.990.256 1Slovenia 2003 31 7.224.753 3.465.736 6.622.736 6.684.612 7.201.916 1Slovenia 2004 31 7.312.553 3.485.845 6.769.642 6.856.462 7.393.263 1Slovenia 2005 31 7.372.256 3.498.929 6.853.722 6.939.903 7.475.878 1