Yapay zekadan makale özeti
- Kısa
- Ayrıntılı
- Bu video, bir eğitmen tarafından sunulan ekonomi ve istatistik konularını içeren eğitim içeriğidir.
- Video, iki ana bölümden oluşmaktadır. İlk bölümde D2 vize sınavındaki iki açıklayıcı değişkenli regresyon denklemleri, gecikmesi dağıtılmış regresyon denklemleri ve trend-mevsimsellik içeren serilerde karşılaşılan sahte regresyon problemi ele alınmaktadır. İkinci bölümde ise otokorelasyon problemleri, AR etkisinin test edilmesi ve otokorelasyondan kurtulma yöntemleri (LM testi, F testi, Dürbün-Watson istatistiği, genelleştirilmiş farklar yöntemi ve kalıntıların kalıntıları üzerine regresyon yöntemi) detaylı olarak açıklanmaktadır.
- Video, ekonomi ve istatistik derslerinde regresyon ve otokorelasyon konularını öğrenmek veya pekiştirmek isteyenler için kapsamlı bir kaynak niteliğindedir.
- 00:02Regresyon Denklemlerinde Kısa ve Uzun Dönem Etki
- Video, geçen senenin ikinci dönemometri iki vize sorularını çözecektir.
- İlk soruda gecikmesi dağıtılmış iki açıklayıcı değişkenli bir regresyon denkleminin tahmini ve ek regresyon tahmini incelenmektedir.
- Bir değişkenin bağımlı değişken üzerindeki kısa dönem etkisi, o değişkenin cari değerine ilişkin parametre tahminidir.
- 01:31Kısa ve Uzun Dönem Etki Yorumları
- Yarı logaritmik (doglock) modelde, x'in y üzerindeki kısa dönem etkisi "x'de meydana gelen yüzde bir artış kısa dönemde y'yi ortalama sıfırvirgülkırk birim arttırır" şeklinde yorumlanır.
- Uzun dönem etki, cari ve gecikmeli değişkenlerin önündeki parametre tahminlerinin toplamıdır ve "x'te meydana gelecek yüzde bir artış uzun dönemde y'yi ortalama sıfırvirgülaltmış birim arttırır" şeklinde yorumlanır.
- Z'nin y üzerindeki uzun dönem etkisi istatistiksel olarak anlamlı olup olmadığı, ikinci denklemdeki tahmine ve standart hataya bağlı olarak değerlendirilir.
- 06:27Trend ve Mevsimsellik Ele Alışları
- İki açıklayıcı değişken içeren doğrusal regresyon modelinde trend içerdiğinde, trendi hesaba katmadan regresyon tahmini yapılırsa sahte regresyon problemi ortaya çıkar.
- Trendin ele alınışı için iki yöntem vardır: trend değişkenini regresyona eklemek veya değişkenleri trendden arındırmak.
- Mevsimsellik içerdiğinde, mevsimselliği hesaba katmadan regresyon tahmini yapılırsa sahte regresyon problemi ortaya çıkar.
- 09:03Mevsimsellik Ele Alış Yöntemleri
- Mevsimsellik ele alınışı için dört çeyreklik frekanslı veride, bir çeyrek baz grup olarak dışarıda bırakılarak diğer üç çeyrek kukla değişken modele eklenir.
- Mevsimsellikten arındırma yöntemi için, y ve x değişkenleri tüm kukla değişkenler üzerine regresyonla tahmin edilir ve tahmin edilmiş kalıntılar kullanılarak mevsimsellikten arındırılmış değişkenler elde edilir.
- Trend içeren serilerin birbirleri üzerinde regresyonu sahte regresyon sorunu ortaya çıkarır.
- 13:39Stokastik Trendli Seriler
- X ve y her ikisi de stokastik trend içermekte (birim köke sahip) ve hata terimleri yüksek derecede korelasyona sahip (0,93 ve 0,96) olduğunda, serilerin bir farklarını alıp regresyon tahmin edilmelidir.
- Bu senaryoda delta y'nin trendden arınmış kısmı kullanılarak regresyon tahmin edilmelidir.
- 15:35Otokorelasyon Süreci ve Çözümü
- Otokorelasyon süreci, bir değişkenin kendisine gecikme ile bağlı olduğu bir regresyon modelidir.
- Otokorelasyon süreci yinelemeli veya yerine koyma yöntemiyle çözülebilir.
- Çözüm sürecinde, her dönem için denklem kurularak bir kalıp oluşturulur ve bu kalıp kompakt bir şekilde ifade edilebilir.
- 20:01LM Testi ve Otokorelasyon Testleri
- LM testi, bağımlı değişkenlerde açıklayıcı değişkenler olarak bir regresyondan elde edilen tahmin edilmiş hata terimlerini kullanır.
- İkinci dereceden otokorelasyon problemi olup olmadığını test etmek için F testi uygulanabilir.
- Birinci dereceden otokorelasyon varlığını test etmek için Dürbün-Watson istatistiği kullanılır.
- 25:41AR Etkisi ve Otokorelasyon Çözümü
- AR etkisini test etmek için regresyonun kalıntılarının karesinin bir ve iki gecikmeli karesine üzerine yapılmış regresyona ihtiyaç vardır.
- Otokorelasyon sorunu olduğunda, birinci dereceden bağımlılık durumunda iki yöntem uygulanabilir.
- Genelleştirilmiş farklar yöntemi, yt-yt-1 farkının x1-x1-1 üzerine regresyonunu yaparak otokorelasyondan kurtulmayı sağlar.