Ekonometri Ders Notları
Zeynepcim, vize ve final sınavlarında ihtiyacın olan tüm 9 haftalık ders notları, formüller ve hoca püf noktaları senin için burada!
EViews & Stata Regresyon Çıktısı Okuma
Hocalar sınavda mutlaka bir regresyon çıktısı verir ve katsayıları yorumlamanızı veya silinmiş boşlukları hesaplamanızı ister.
Ekonometrik Analiz & Sınav Cevabı Tıklayarak Seçin
İnteraktif Ekonometri Hesaplayıcıları
Sınav sorularını çözerken değerleri girip anında hipotez kararını ve sınav şablonunu test edin.
1 t-Testi & Hipotez Karar Motoru
t = β̂ / SE2 Model Esneklik & Katsayı Yorum Robotu
100 Puanlık Şablon3 Durbin-Watson Otokorelasyon Cetveli
0 ≤ d ≤ 44 VIF & Çoklu Doğrusal Bağlantı Dedektörü
VIF = 1/(1-Rⱼ²)İlgili değişkenin diğer tüm bağımsız değişkenler üzerine regrese edildiği modelin R² değeri (0 ile 0.99 arası).
Hangi Ekonometrik Testi Ne Zaman Kullanmalısın?
Hangi sorundan şüphelendiğinizi seçin; doğru testi, hipotezlerini (H₀ / H₁), test istatistiğini ve çözüm reçetesini adım adım görün.
Çoktan Seçmeli Sınav Simülatörü
Üniversite vize ve finallerinde çıkmış soru tipleri ve anında akademik açıklamaları.
Klasik Sınav Soruları, İspatlar ve Model Çözümler
Hocaya kağıtta tam puan getirecek şablon cevaplar ve puan kırma uyarıları.
Ekonometri Hafıza Kartları
Sınava girmeden önce kritik kavramları, varsayımları ve test kurallarını hızlıca ezberleyin.
Sınav Kurtaran Altın Formül & Karar Kağıdı
Tüm müfredatın tek sayfalık özeti. Sınavdan önce göz gezdirmek için mükemmeldir.
1. GAUSS-MARKOV VARSAYIMLARI & BLUE TEOREMİ Vize Temeli
- $E(u_i | X_i) = 0$ (Sıfır hata ortalaması / Dışsallık)
- $Var(u_i) = \sigma^2$ (Sabit Varyans / Homoskedasticity)
- $Cov(u_i, u_j) = 0$ (Otokorelasyonsuzluk)
- $Cov(X_i, u_i) = 0$ (Hata ile değişken ilişkisiz)
- Tam çoklu bağlantı olmaması
Gauss-Markov sağlandığında EKK en iyi doğrusal sapmasız tahmincidir. Best (En İyi) = Minimum varyansa sahip demektir.
2. FONKSİYONEL KALIPLAR VE KATSAYI YORUMLARI (SINAVIN 1 NUMARASI!)
| Model Kalıbı | Denklem | Katsayının Anlamı | Yorum Kuralı |
|---|---|---|---|
| Doğrusal (Lin-Lin) | $Y = \beta_0 + \beta_1 X$ | Eğim ($\Delta Y / \Delta X$) | X 1 birim $\rightarrow$ Y ortalama $\beta_1$ birim değişir. |
| Log - Doğrusal (Log-Lin) | $\ln Y = \beta_0 + \beta_1 X$ | Yarı Esneklik | X 1 birim $\rightarrow$ Y ortalama % $(\beta_1 \times 100)$ değişir. |
| Doğrusal - Log (Lin-Log) | $Y = \beta_0 + \beta_1 \ln X$ | % Değişim $\rightarrow$ Birim | X % 1 $\rightarrow$ Y ortalama $(\beta_1 / 100)$ birim değişir. |
| Çift Log (Log-Log) | $\ln Y = \beta_0 + \beta_1 \ln X$ | DOĞRUDAN ESNEKLİK! | X % 1 $\rightarrow$ Y ortalama % $\beta_1$ değişir. (100 ile çarpma/bölme!). |
3. VARSAYIMLARDAN SAPMALAR (HETERO, OTOKOR, ÇOKLU BAĞLANTI)
| Sorun | EKK Sapmalı mı? | Temel Sonuç / Tehlike | Nasıl Tespit Edilir? | Nasıl Çözülür? |
|---|---|---|---|---|
| Çoklu Doğrusal Bağlantı | HAYIR! Sapmasızdır! | SE aşırı büyür, t-oranları küçülür, değişkenler anlamsız görünür. | Yüksek R² + anlamsız t'ler, VIF > 10, ikili r > 0.80. | Örneklemi büyütmek ($n$), değişken atmak veya fark almak. |
| Değişen Varyans (Heteroskedasticity) | HAYIR! Sapmasızdır! | BLUE bozulur. SE yanlış hesaplanır $\rightarrow$ t ve F testleri GEÇERSİZDİR! | White Testi ($n R^2 \sim \chi^2$), Breusch-Pagan, Goldfeld-Quandt. | White Dirençli SE (Robust SE), WLS, Logaritma dönüşümü. |
| Otokorelasyon | HAYIR! Sapmasızdır! | SE küçük tahmin edilir $\rightarrow$ t ve F şişer, anlamsızken anlamlı görünür! | Durbin-Watson ($d \approx 2$), Breusch-Godfrey LM testi. | Cochrane-Orcutt, Newey-West HAC standart hataları. |
4. SINAV KURTARAN 6 ALTIN KURAL
$t = \text{Coef} / \text{SE}$. Eğer $|t| > 1.96$ veya $p < 0.05$ ise $H_0$ REDDEDİLİR $\rightarrow$ Katsayı anlamlıdır!
Sabit terimli modele $m$ kategori için en fazla $m - 1$ kukla konur. Tümü konursa tam çoklu bağlantı doğar.
$d \approx 2$ otokorelasyon yok, $d \approx 0$ pozitif otokor. Eğer modelde $Y_{t-1}$ varsa DW testi KULLANILAMAZ!
Gerekli değişkeni unutmak EKK'yı HEM SAPMALI HEM TUTARSIZ yapar! En ağır hatadır.
$R^2 > DW$ ise model büyük ihtimalle sahtedir (spurious). Değişkenler durağan değildir.
$F = \frac{R^2 / (k-1)}{(1 - R^2) / (n - k)}$. Modelin bir bütün olarak anlamlılığını test eder.