Up next in 10
Auzef Ekonometri 2024-2025 Bütünleme Soruları
https://lolonolo.com/2026/09/09/ekonometri-2024-2025-butunleme-sorulari/
auzef, Ekonometri, İktisat
Show More Show Less View Video Transcript
0:00
Ekonometri bütünleme sınavının o stresi
0:02
yükünü omuzlarında hisseden değerli
0:03
öğrenciler, hepiniz bu kapsamlı master
0:06
class'ımıza yani yapılandırılmış
0:08
inceleme dersimize hoş geldiniz.
0:10
Biliyorum ekonometri kulağa biraz
0:12
korkutucu gelebiliyor ama inanın bana o
0:14
formüllerin arkasındaki mantığı bir kez
0:16
kavradığımızda o karmaşık görünen
0:18
sayıların aslında bize nasıl harika bir
0:20
ekonomik hikaye anlattığını hep birlikte
0:23
göreceğiz. Bugün burada o sınavı
0:25
geçmenizi sağlayacak temel yapı
0:26
taşlarını adım adım sapa sağlam inşa
0:29
edeceğiz. Hazırsanız hemen başlayalım.
0:32
Lolonolo platformuna hoş geldiniz. Bu
0:34
dersimizde ekonometri 2024-2025
0:37
bütünleme soruları konularını, çıkmış
0:39
sorularını ve detaylı açıklamalarını
0:42
derinlemesini inceliyoruz. Peki
0:44
önümüzdeki dakikalarda bizi neler
0:47
bekliyor? Hızlıca yol haritamıza bir göz
0:49
atalım. Önce temel kavramlar ve veri
0:51
türleri ile başlayacağız. Ardından EKK
0:54
tahmini ve model kısmına geçeceğiz.
0:57
3üncü durağımız belirlik ve anova
0:59
tablosu olacak. Sonra hipotez testleri
1:02
ve esneklik diyeceğiz. 5. bölümde işler
1:05
biraz daha ilginçleşecek. Ekonometrik
1:07
sorunlar ve hatalar konusuna dalacağız
1:09
ve finalde sınav stratejileri ve kapanış
1:12
ile bu işi noktalayacağız. Yani temelden
1:15
en tepeye kadar her şeyi halledeceğiz.
1:17
Hemen birinci bölümümüzle başlayalım.
1:19
Temel kavramlar ve veri türleri. Veriyi
1:22
nasıl işleyeceğimizi bilmek bütün sınavı
1:25
geçmenin tartışmasız ilk adımıdır. Şimdi
1:28
en temelde ekonometri nedir? Biliyor
1:30
musunuz? Ekonometri kesinlikle sadece
1:33
soğuk rakamlardan ibaret değildir.
1:35
Aslında iktisadi ilişkilerin
1:38
istatistiksel yöntemlerle matematiksel
1:40
bir çerçevede ölçülmesini ve test
1:42
edilmesini sağlayan bir bilim dalı bu.
1:44
Yani hani teoride hep fiyat artarsa
1:47
talep düşer deriz ya işte ekonometri
1:49
peki ama tam olarak ne kadar düşer
1:52
sorusuna gerçek hayatta yanıt arar.
1:54
Bütünleme sınavında sizden sadece
1:56
formülleri ezberlemenizi değil bu
1:58
kavramsal altyapının gücünü ve hesaplama
2:00
yeteneğinizi bir arada kullanmanızı
2:02
bekleyecekler. Tabii modelimizi kurmadan
2:04
önce elimizdeki malzemenin türünü çok
2:06
iyi bilmemiz şart. Sınavda sıkça
2:09
karşınıza çıkacak üç ana veri türü var.
2:11
İlki yatay kesit verisi. Bunu tam olarak
2:14
bir fotoğraf karesi gibi düşünün. Zaman
2:16
durmuş. Belirli bir anda farklı
2:17
birimlerden veri topluyorsunuz. Mesela
2:20
sizin ve sınıf arkadaşlarınızın aynı
2:22
sınavdan aldığı notlar kusursuz bir
2:24
yatay kesit örneğidir. İkincisi zaman
2:27
serisi. Bu daha çok bir film şeridi
2:29
gibidir. Tek bir birimin örneğin Türkiye
2:31
enflasyonunun yıllar içindeki ardışık
2:33
hareketini izlersiniz. Ve son olarak
2:36
panel veri. Bu da aslında ikisinin
2:38
muazzam birleşimidir. Birden çok birimi
2:40
birden çok dönem boyunca izliyoruz. Bir
2:42
grup öğrencinin 4 yıl boyunca tüm sınav
2:44
notlarını takip etmek gibi
2:46
düşünebilirsiniz.
2:47
Harika. Gelelim ikinci bölümümüze. EKK
2:51
tahmini ve model yani ekonometrik
2:53
tahminin tam kalbine iniyoruz.
2:56
Zihninizde şu süreci bir netleştirelim.
2:58
En küçük kareler yani kısaca EKK
3:01
yönteminin tek bir amacı var. Yaptığımız
3:03
hataları, teknik adıyla kalıntı kareler
3:05
toplamını olabildiğince minimize etmek.
3:08
İşte tam burada sınavlarda gerçekten
3:10
hayat kurtaran o şahane taktik devreye
3:12
giriyor. Sapmalı kalıp. Bakın,
3:15
değişkenleri kendi ortalamalarından
3:17
birer fark olarak ifade ettiğinizde
3:19
denklemdeki o sabit terim bir anda
3:21
ortadan kaybolur. Modeliniz çok daha
3:23
sade bir hale yani yt = beta1 xt
3:27
biçimine dönüşür. Hah, sabit terim
3:29
tamamen buharlaşıp yok olmuyor tabii ki.
3:31
Onu daha sonra dışarıdan bağımsız bir
3:33
şekilde y - beta1 x var formülüyle
3:36
kolayca hesaplıyoruz. İnanın bu pratik
3:39
yaklaşım sizi sınavda o upuzun
3:40
hesaplamalardan kurtaracak. Peki
3:43
modelimizi kurduk diyelim. Güvenilir mi?
3:46
Bunu ölçmek için ana kütle hata terimi
3:48
varyansını bulmamız şart. Bu gördüğünüz
3:50
formül kelimenin tam anlamıyla altın
3:52
değerinde. Yapmamız gereken şey kalıntı
3:55
kareler toplamını alıp serbestlik
3:57
derecesine bölmek. Yalnız burada çok ama
3:59
çok dikkat etmeniz gereken bir detay
4:01
var. Sınavda karşınıza çıkacak iki
4:03
değişkenli basit bir modelde bu
4:05
serbestlik derecesi her zaman n -2'dir.
4:08
Bunu sakın ola ki n veya n -1 ile
4:10
karıştırmayın olur mu? Modelde iki
4:12
parametre tahmin ettiğimiz için gözlem
4:14
sayısından o 2'yi çıkartıyoruz. Peki hız
4:18
kesmeden 3ünc bölüme geçiyoruz.
4:20
Belirlilik ve ANOVA tablosu. Modeli
4:23
kurduktan sonra artık onun karnesini
4:25
değerlendirme vakti geldi. Şimdi size
4:28
belirlilik katsayısı yani R karenin o
4:31
sinsi tuzağından bahsetmek istiyorum.
4:33
Normalde R kare bağımlı değişkendeki
4:36
değişmenin yüzde kaçının model
4:37
tarafından açıklandığını söyler bize.
4:39
Kulağı şahane geliyor değil mi? Ama
4:41
şöyle ufak da bir pürüz var. Modele
4:43
konuyla uzaktan yakından alakası olmayan
4:45
saçma sapan bir değişken bile ekleseniz
4:48
matematiksel olarak açıklanan kısım asla
4:50
azalmayacağı için r kare sürekli artma
4:52
eğilimindedir. Sizi yanıltır. İşte bu
4:55
yanıltıcı iyimserliği kırmak ve
4:57
modelimizi gereksiz değişkenlerden
4:58
korumak için düzeltilmiş belirlısını
5:01
kullanıyoruz. Neden mi? Çünkü bu katsayı
5:04
eklediğiniz her gereksiz değişken için
5:06
modele tabiri caizse bir ceza keser.
5:08
Adaleti sağlar. Az önce modele bir karne
5:11
dedik ya. İşte o karne tam olarak bu
5:13
anova tablosudur. Mantığı aslında son
5:16
derece estetik. Bağımlı değişkendeki
5:18
toplam hareketi alıp ikiye bölüyoruz.
5:20
Regresyonla açıklanan kısım ve
5:23
kalıntılardan oluşan yani açıklanamayan
5:25
kısım. Her ikisinin kareler toplamını
5:27
kendi serbestlik derecesine bölerek
5:29
kareler ortalamasını buluyoruz. ve o
5:31
muhteşem final hamlesi. Açıklanan
5:33
kareler ortalamasını açıklanamayan
5:36
kareler ortalamasına bölerseniz tüm
5:38
modelin baştan sona anlamlı olup
5:40
olmadığını kulağınıza fısıldayan o
5:42
kritik F istatistiğini elde edersiniz.
5:44
Açıklanan kısım ne kadar büyükse F
5:47
istatistği o kadar yüksek çıkar ve
5:49
modeliniz o sınavı geçer. Burada hızlıca
5:52
cebe atmamız gereken hayati bir formül
5:54
daha var. Basit korelasyon katsayısı.
5:57
Hesap makinesi bile gerektirmeyen süper
5:59
pratik bir bilgi vereyim size. Bu
6:01
katsayı demin konuştuğumuz r karenin tam
6:04
olarak kareköküdür. Bitti. Hatta ufak
6:06
bir hile daha. Bu katsayının artı mı
6:09
yoksa eksi mi olduğunu anlamak için
6:11
hesaplamalarla hiç vakit kaybetmeyin.
6:13
Doğrudan eğim katsayınızın yani beta
6:15
1'in işaretine bakın. Onlar her zaman
6:18
ama her zaman aynı işareti taşır. Net.
6:21
Ve 4. bölümümüz hipotez testleri ve
6:25
esneklik. Bulduğumuz sonuçların
6:27
istatistiksel ağırlığını test etme
6:29
zamanı. Sınav kağıdı önünüze geldiğinde
6:32
şu ayrıma ekstra dikkat etmelisiniz.
6:35
Eğer sadece tek bir parametrenin
6:36
etkisini mesela sadece eğitim geliri
6:39
etkiler mi diye sorguluyorsak Testini
6:41
kullanırız. Çok basit. Hesaplanan
6:43
katsayıyı standart hatasına bölersiniz.
6:46
Ancak eğer birden fazla parametreyi aynı
6:48
anda test ediyorsanız acaba bu üç
6:50
değişken bir aradayken anlamlı mı
6:52
diyorsanız işte orada testi havla atar.
6:55
birleşik hipotez yani F testi sahneye
6:57
çıkar. Burada hem tüm değişkenlerin
7:00
olduğu kısıtsız bir model hem de test
7:02
edilenlerin atıldığı kısıtlı bir model
7:04
kurarız. Şunu asla unutmayın. Kısıtsız
7:06
model her zaman daha fazla bilgi
7:08
içerdiği için yaptığı hata yani kalıntı
7:11
kareler toplamı kısıtlı modele kıyasla
7:13
daima ama daima daha küçüktür. Yani
7:16
buradaki can alıcı nokta hata
7:18
terimlerinin davranışlarını da doğru
7:20
test etmektir. Acaba hatalarımız normal
7:22
dağılıyor mu? Bunu Jar kibere testiyile
7:24
sınarız ve bütünlemeyi girenler için
7:27
mükemmel hız kazandıracak bir kestirme
7:29
gelsin. Eğer önünüzdeki model log
7:31
doğrusal bir modelse o karmaşık esneklik
7:34
formüllerini tamamen bir kenara bırakın.
7:36
Hiç uğraşmayın. Çünkü bu tarz modellerde
7:39
o karşınızda duran eğim katsayısı
7:41
matematiksel olarak esneklik değerinin
7:43
ta kendisidir. Doğrudan işaretleyip
7:45
geçebilirsiniz. Ve işte bu bizi
7:47
ekonometrinin en çetrifilli kısmına
7:49
getiriyor. 5. bölüm. ekonometrik
7:52
sorunlar ve hatalar. Kurduğumuz o
7:54
güzelim temeldeki çatlakları nasıl
7:56
bulacağız? İlk gizli tehlikemiz
7:59
otokorelasyon. En basit haliyle bugünün
8:02
hatasının dünün hatasıyla ilişkili
8:04
olması yani hataların birbirinden
8:06
bağımsız olmaması durumu. Peki bu
8:08
hastalığı nasıl teşhis edeceğiz?
8:10
Stateskopumuz Derbian Watson yani DW
8:13
testi. Formül oldukça net. Ardışık
8:16
kalıntı farklarının kareleri toplamını
8:18
bildiğimiz kalıntı kareler toplamına
8:20
bölüyorsunuz. Bu testin göstergesi 0 ile
8:23
4 arasındadır. Eğer sonucunuz tam ortada
8:26
yani o sihirli sayımız olan 2 civarında
8:28
çıkıyorsa derin bir nefes alabilirsiniz.
8:30
Otokorelasyon falan yok demektir. Ayrıca
8:33
küçük bir not. DW testi bize modeli
8:36
yanlış kurup kurmadığımızı fısıldamak
8:37
için de harika bir araçtır. Bir diğer
8:40
temel baş ağrısı hatanın yayılımının
8:42
yani varyansın sabit kalmayıp
8:44
değişkenlik göstermesidir. Akademik
8:47
jargonda buna heteroskedastite yani
8:50
değişen varyans diyoruz. Bu hata
8:52
varyansının her alt kütle için farklı
8:54
olmasıdır. Oysa bizim EKK
8:56
tahmincilerimizin o harika, en etkin
8:59
sonuçları verebilmesi için varyansın tüm
9:01
gözlemlerde sabit kalmasına mutlak
9:04
ihtiyacımız var. Bilim altın
9:05
standardımız her zaman homoskedasyo yani
9:08
sabit varyans varsayımıdır. Üçüncü büyük
9:11
krizimiz bağımsız değişkenlerimizin
9:13
kendi aralarında gereğinden fazla samimi
9:16
olması yani çoklu doğrusal bağlantı.
9:19
Soruyu çözerken şu güçlü uyarı
9:20
işaretlerine çok dikkat edin.
9:22
Değişkenler arası yüksek basit
9:24
korelasyon, yüksek wif değerleri ve
9:26
hesaplanan o x devrik x matrisinin
9:29
determinantının tehlikeli bir şekilde 0a
9:31
yaklaşması. Ve en bariz belirtisi nedir
9:33
biliyor musunuz? Şahane devasa bir r
9:36
kareniz vardır. Harika model kurdum
9:38
dersiniz ama tekil tlerine bir
9:40
bakarsınız hepsi anlamsız çıkar. Ufak
9:43
ama çok kritik bir uyarı yapayım. Az
9:45
önce konuştuğumuz otokorelasyon ve
9:47
değişen varyans tamamen bambaşka
9:49
dertlerdir. Lütfen onları çoklu
9:51
bağlantıyla aynı kefeye koymayın. Tabii
9:53
bu teknik sorunların dışında bir de
9:56
modeli tasarlarken yaptığımız mimari
9:58
hatalar var. Spesifikasyon hataları.
10:00
Neler mi bunlar? Modele hiç gereği
10:03
yokken gereksiz bir değişken sıkıştırmak
10:05
veya tam tersi olması gereken çok önemli
10:08
bir değişkeni dışarıda bırakmak.
10:10
doğrusal kurulması gereken modeli gidip
10:12
logaritmik kurmak ya da bağımsız
10:14
değişkeni ölçerken veri hatası yapmak.
10:16
Arkadaşlar burada çok sık düşülen bir
10:18
tuzak var. Parametrenin sapmalı
10:20
çıkmasını bir hata kategorisi
10:22
zannediyorlar. Hayır sapmalı tahmin
10:25
başlı başına bir hata türü değil. İşte
10:27
az önce saydığım bu tasarım hatalarının
10:30
kaçınılmaz ve maalesef acı bir
10:32
sonucudur. Evet teoriyi biraz kenara
10:35
bırakıp işin mutfağına girelim. 6. Ve
10:37
son bölümümüz sınav stratejileri ve
10:40
kapanış. Şu an eminim hepinizin aklında
10:43
o haklı soru var. Bu kadar ağır kavram,
10:45
bu kadar formül varken bu bütünleme
10:47
sınavına nasıl çalışacağım? Sırrı
10:49
söylüyorum. Dağınıklıktan kurtulmak.
10:52
Ekonometri soruları aslında hep belli
10:54
başlı kalıplara oturur. O yüzden
10:56
masanıza boş bir A4 kağıdı alın. Sadece
10:58
en kritik, en kısa formülleri tek bir
11:01
sayfaya sığdırın. Hata varyansı, Durbin
11:03
Watson, F istatistiği, kalıntı kareler
11:06
toplamı, korelasyon ve log doğrusal
11:08
esneklik formülleri. İnanın bana o sınav
11:11
stresi altındayken beyninizin tek bir
11:13
sayfalık görsel bir hafızayı geri
11:14
çağırması karmaşık notlarda kaybolmaktan
11:17
çok daha kolay olacak. Hesaplama
11:19
içermeyen o bol metinli kavramsal
11:21
sorularda zaman kazanmanın ve yanlış
11:24
şıkları saniyeler içinde elemenin
11:25
sırrına gelelim. Formül basit. Anahtar
11:28
kelime eşleştirmesi. Soru otokorelasyonu
11:31
mu soruyor? Gözleriniz şıklarda hemen
11:33
Durbin Watson'ı arasın. Normallik
11:35
varsayımı mı sorgulanıyor? Beyniniz onu
11:37
otomatik olarak Jar Kebera ile
11:38
eşleştirsin. Peki ya çoklu bağlantı
11:41
sorunu hemen VIF değerine odaklanın. Bu
11:44
spesifik eşleştirmeleri ezberlemek
11:46
sınavda süreniz daralırken oyunu sizin
11:48
lehinize çeviren muazzam bir taktiktir.
11:51
Bu anlatımda incelediğimiz bu dersin ve
11:53
yıla ait çıkmış soruları kendiniz deneme
11:55
sınavı formatında çözmek, eksiklerinizi
11:57
kapatmak ve kendinizi detaylıca test
11:59
etmek için lolonolo.com adresini ziyaret
12:02
edebilir, açıklama kısmında yer alan
12:04
bağlantıya tıklayabilirsiniz. Umarım bu
12:07
yapılandırılmış ders ekonometri duvarımı
12:09
açmanıza yardımcı olur. Zihniniz açık,
12:11
kaleminiz güçlü olsun. Peki unutmayın,
12:14
ekonometri sadece geçmiş hataları
12:16
hesaplamak mıdır yoksa geleceğin
12:18
belirsizliğini yönetme sanatı mı? Karar
12:20
sizin.
Jobs & Education