Professional Documents
Culture Documents
Oaka
Oaka
Matrislerle Y = Xβ + u
Hata terimi için yapılan varsayımlardan birisi E(uu') = σu2I = σ2I (hata terimlerinin varyansı
sabittir ve aralarındaki kovaryans sıfırdır) varsayımıdır:
σ 2 0 0
′)
0 σ2 0
E(𝐮𝐮𝐮𝐮 =
0 0 σ 2
Değişen varyans sorunu ise hata terimlerinin varyansları birbirinden farklı olduğu durumda
vardır:
Var(ui) = E(ui2) ≠ σ2
Sorunun varlığı durumunda hata terimi varyans-kovaryans matrisi Var, Cov(u) = E(uu') =
σ2In şeklinde yazılamıyor fakat
σ 12 0 0
0 σ 22 0
Var, Cov(u) = E(uu') = Ω =
0 0 σ 2n
E(ui2) = σi2 i = 1, 2, …, n
8-1
Değişen varyans sorunu genellikle yatay kesit verileriyle tahmin yapıldığında ortaya çıkar.
Hata terimlerinin varyanslarının değişken olmasının bazı nedenleri aşağıdaki gibidir.
i) Hataların öğrenildiği durumlar: insanlar öğrendikleri için hataları zaman içinde azalır.
Ör. Klavye kullanımı arttıkça yazım hataları sayısı azalır.
ii) Gelir arttıkça insanların gelirini harcamak için daha fazla seçim alanı olur. Örneğin
bağımlı değişken gıda harcamaları olsun ve açıklayıcı değişkenler bir sabit ve
harcanabilir gelir olsun. Gıda için Engel eğrisinin pozitif eğimli olması beklenir. Yani
ortalamada daha yüksek gelirlilerin gıda harcamalarının daha yüksek olması beklenir.
Aynı zamanda yüksek gelirli haneler arasında harcama farklılıklarının düşük gelirliler
arasında olduğundan daha yüksek olması beklenir. Dolayısıyla hata teriminin (ui)
varyansı gelirle birlikte artar.
C Gerçekleşen tüketim değerleriyle tahmin
edilen (çizgi üzerindeki) tüketim değerleri
arasındaki fark, hata terimi tahminini
vermektedir ve gelir arttıkça bunlar da
büyümektedir. Bu durumda hata teriminin
varyansı da giderek artmaktadır.
Y
Benzer biçimde firmaların karları veya firma büyüklüğü (çalışan sayısı) arttıkça kar
payı da ğıtımı gibi kararlarında daha fazla değişkenlik gösterirler.
iii) Veri toplama teknikleri geliştikçe hata varyansları azalır. Ör. Daha gelişmiş veri
işleme teknikleri olan bankaların müşterileri ile ilgili verdikleri bilgiler daha az hata
içerir.
iv) Aşırı uçlar (outliers): örneklemdeki diğer gözlemlere göre çok farklı olan gözlemler
değişen varyansa neden olabilir.
v) Spesifikasyon hataları olması durumunda, özellikle dışlanan değişken varsa değişen
varyans sorunu ortaya çıkabilir.
8-2
vi) ARCH : Otoregresif koşullu değişen varyans
(Autoregressive Conditional Heteroscedasticity)
Bu modelinin makul olması için (8.1) nin pozitif olması, bunun için de tüm
katsayıların pozitif olması gerekir. Çünkü varyans negatif değer alamaz.
(8.1) deki genel model ARCH(p) sürecini yansıtır. Bu durumda örneğin ARCH(1)
8-3
8.2. Değişen Varyans Sorunu EKK Tahmin Edicilerini Nasıl Etkiler?
� ) = E{[𝛃𝛃
Var,Cov (𝛃𝛃 � -E(𝛃𝛃
� )][ 𝛃𝛃
� -E(𝛃𝛃
� )]'}
= E{[(X'X)-1X'u][(X'X)-1X'u]'}
= E{(X'X)-1X'uu'X(X'X)-1}
= (X'X)-1X' E(uu')X(X'X)-1
= (X'X)-1X'σ2ΩX(X'X)-1
= σ2(X'X)-1X'ΩX(X'X)-1
Bu durumda değişen varyans sorunu daha büyük varyansa neden olur ve daha küçük varyansa
sahip tahmin ediciler vardır.
3. EKK tahmin edicisinin hesaplanan varyans ve standart hataları yanlış bir ifadeye
dayanacak, dolayısıyla t ve F istatistikleri sapmalı olacak, testler güvenilir olmaktan
çıkacaktır:
∑ 𝑢𝑢�𝑖𝑖2
Hata terimlerinin varyansının (𝜎𝜎𝑢𝑢2 ) tahmin edicisi aşağı doğru sapmalı olur. Dolayısıyla
𝑛𝑛−𝑘𝑘
8-4
8.3. Değişen Varyans Sorununun Varlığı Saptanabilir mi?
Elimizdeki çalışmanın niteliği bir ipucu verebilir: Daha önceki çalışmalar göstermiştir ki
tüketimin gelirle açıklandığı tahminlerde değişen varyans sorunu vardır. Bu nedenle tüketim
denklemi tahmininde bu sorunun olmasını bekleriz. Kesit verileri tahminlerinde heterojen
birimler varsa bu sorun sözkonusu olacaktır: örneğin yatırımların bağımlı çıktı, faiz vs. nin
açıklayıcı değişken olduğu denklemde küçük, orta ve büyük ölçekli işletmeler aynı
örneklemde yer alıyorsa bu sorundan şüphelenmeliyiz.
Grafik yöntemi: Değişen varyansla ilgili önceden elimizde bilgi yoksa hata tahmin karelerinin
grafiği incelenerek sistematik bir şekil verip vermediğine bakılabilir. Hata tahminleri hata
terimleri ile aynı değildir fakat özellikle örneklem büyüklüğü yeterince genişse iyi bir
tahminini verir. Dikey eksende hata tahmin kareleri, yatay eksende Y’nin tahmin değerleri
varken:
20
12
3 18
16 10
2.5
14
8
2 12
10 6
1.5
8
4
1 6
4 2
0.5
2
0
0
0
0 2 4 6 8 10
0 2 4 6 8 10 -2
0 2 4 6 8 10
7 120
6
100
5
80
4
3 60
2 40
1
20
0
-1 0
0 2 4 6 8 10
-2 0 2 4 6 8 10
Birinci grafikte Ŷi ile û i2 arasında sistematik bir ilişki görünmemektedir. Ama diğerlerinde
vardır: örneğin 3. de doğrusal bir ilişki 4. ve 5. de karesel bir ilişki vardır.
Grafik özellikle 1. grafikte olduğu gibi bir ilişki göstermiyorsa yatay eksende açıklayıcı
değişkenlerden birinin olduğu grafik de kullanılabilir.
8-5
8.3.2. Biçimsel Yöntemler
1. Goldfeld-Quandt Test’i
2- Yeni sıralanmış verilerin ortasındaki c adet veri atılmalıdır ve c ≈ n/6 olmalıdır. Kalan n-c
gözlem iki eşit sayıda (=(n-c)/2) olmalıdır. Ör. n = 40 ise n/6 ≈ 6 dersek 40-6=34 ikiye
bölünebilir: n1 = n2 = 17.
Bu testin gücü c değerine bağlıdır: c büyük olursa yardımcı denklemlerin serbestlik derecesi
azalır; küçük olursa gözlemler arasındaki farklılığı belirlemek zordur. Goldfeld-Quandt
testinin olumsuz yönü, hata terimi varyansının bir açıklayıcı değişkenle ilişkilendirilmesidir.
Özellikle çok açıklayıcı değişken olması durumunda bu ilişkilendirme kolay olmayabilir.
8-6
2. White Test’i
White testi bir LM testidir ve diğer LM testlerinde olduğu gibi asıl denkleme ek olarak bir
yardımcı denklem tahmini gerektirir. Testin arkasındaki temel düşünce şudur: Eğer sabit
varyans varsa E(ui2) = σ dır ve X’ler veya X’lerin fonksiyonu olan değişkenler ui2 yi
açıklamaz. Bu nedenle sol taraf değişkeninin ui2, sağ taraf değişkenlerinin X’lerin bir
fonksiyonu olduğu bir yardımcı denklem tahmin edilir. Değişen varyans sorunundan
şüpheleniliyor ama formu hakkında bir fikrimiz yoksa White testi uygun bir testtir.
Yani asıl denklemin hata tahmin karelerinin bağımlı, açıklayıcı değişkenlerin kendileri,
kareleri ve çarpımlarının açıklayıcı değişken olduğu denklem tahmin edilir. Açıklayıcı
değişkenlerin daha yüksek dereceleri de kullanılabilir.
RY2 nin n ile çarpımı asimptotik olarak ki-kare dağılımına sahiptir ve serbestlik derecesi
yardımcı denklemde yer alan sabit dışındaki açıklayıcı değişken sayısıdır.
nRY2 ∼ χ2(k+f-1)
4- Eğer hesaplanan χ2 değeri tablo değerinden büyükse H0 reddedilir. Yani değişen varyans
sorunu var demektir. Eğer büyük değilse değişen varyans sorunu yoktur.
8-7
Test edilen hipotez bakımından düşünülürse White testi Goldfeld-Quandt testinden daha
geneldir.
Olumsuz tarafı: çok sayıda açıklayıcı değişken olduğunda yardımcı denklemde serbestlik
derecesi hızla düşer. Test istatistiğinin anlamlı bulunduğu durumlarda bunun nedeni değişen
varyans olmak zorunda değildir, tanımlama hataları da olabilir veya ikisi birden olabilir.
Hangisinin olduğunu bilmek ise zordur.
3. ARCH-LM Test’i
Engle ARCH sorununun varlığını test etmek için bir LM testi önermiştir. Diğer LM
testlerinde olduğu gibi ARCH için yapılan LM testinde de asıl denkleme ek olarak bir
yardımcı denklem tahmin edilir.
White testinde olduğu gibi test istatistiği olarak χ2 dağılımlı değişkenler kullanılabilir:
χ2(p) ∼ nRY2
H0: c1, c2 , … , cp = 0
H1: c1, c2 , … , cp ≠ 0
Hesaplanan değer tablo değerinden büyükse H0 reddedilir ve modelde ARCH vardır sonucuna
ulaşılır.
8-8
8.4. Değişen Varyans Sorununun Çözümü Var mıdır?
Değişen varyansın formu tam olarak biliniyorsa GEKK yöntemi kullanılır. Değişen varyansın
formunu bilmiyorsak veya tahmin edemiyorsak White standart hatalar kullanılır.
σ 12 0 0
0 σ 22 0
Var, Cov(u) = E(uu') = Ω =
0 0 σ 2n
geçmektedir.
GEKK yöntemi asıl denklemden bir dönüştürülmüş denklem elde edip bu dönüştürülmüş
denklemi EKK ile tahmin etmek anlamına gelmektedir. Bu durumda dönüştürülmüş denklem
aşağıdaki gibidir.
Yi 1 X 2,i X k,i
= β1 + β 2 + ... + β k + ei
σi σi σi σi
8-9
Dönüştürülmüş denklemin EKK ile tahmin edilmesi, asıl denklemin GEKK ile tahmin
edilmesi anlamına gelmektedir. Buradaki dönüştürülmüş denklemin EKK uygulanması
Ağırlıklı EKK (weighted least squares) olarak adlandırılır. Çünkü her bir gözlem hata terimi
varyansının tersi ile ağırlıklandırılmıştır. Ağırlıklı EKK, daha genel bir yöntem olan GEKK’in
özel bir durumudur. Daha sonraki bölümlerde GEKK’in farklı özel durumlarını da ele
alacağız.
Ağırlıklı EKK’da ağırlıkların kullanılması şu anlama gelir: yüksek varyansa sahip gözlemler
tahminde daha düşük ağırlığa sahiptir. Daha genel olarak şu söylenebilir: en yüksek kalitedeki
gözlemlere en yüksek ağırlık verilir, en düşük kalitedeki gözlemlere en düşük ağırlık verilir.
Bazı durumlarda
ω1 0 0 σ 2 ω1 0 0
0 ω
2
0 0 σ ω2
2
0
Var, Cov(u) = E(uu') = σ Ω = σ
2 2
=
0 0 ω n 0 0 σ 2 ω n
Olduğu varsayılır. Yani her bir hata terimi için E(ui2) = σ2ωi dir. Yani her bir varyansın σ2 gibi
sabit bir kısmı vardır fakat ωi nedeniyle her bir varyans birbirinden farklıdır:
Yi 1 X 2,i X k,i ui
= β1 + β2 + ... + β k +
σ ωi σ ωi σ ωi σ ωi σ ωi
veya
Yi 1 X 2,i X k,i
= β1 + β2 + ... + β k + ei dönüştürülmüş denklemin hata terimi ei = ui/√ωi
ωi ωi ωi ωi
8-10
8.4.2. σui2 değerleri bilinmiyorsa:
Ω genellikle bilinmediği için hata terimi varyansının açıklayıcı değişkenlerden birisi ile ilişkili
olarak değiştiği varsayımı yapılır: Örneğin
a- Hata terimleri varyansı X22 ile orantılıdır: Var(ui) = σ2X2i2 (ωi = X2i2)
X 22,1 0 0
0 X 22,2 0
Ω=
0 0 X 22,n
Yi 1 X
= β1 + β 2 + ... + β k k,i + e i ei = ui /X2,i
X 2,i X 2,i X 2,i
e’nin varyansı : Var(ei) = E(ei)2 = E(ui/ X2,i)2 = (1/ X2,i 2)E(ui)2 = σ2X2i2/ X2,i 2 = σ2 dir (sabit)
dönüştürülmüş model:
Yi 1 X k,i
= β1 + β 2 X 2,i + ... + β k + ei e i = u i / X 2,i
X 2,i X 2,i X 2,i
8-11
ii- White değişen varyansla tutarlı varyansları
White göstermiştir ki büyük örneklemlerde gerçek parametre değerleri ile ilgili istatistiki
çıkarımlarda bulunulabilir. Bu yöntemde katsayı varyans kovaryans matrisinin
hesaplanmasında, σi2 yerine onun tahmini olarak û i2 kullanılır.
Pek çok ekonometri paketi White değişen varyansla tutarlı varyansları ve standart hataları
vermektedir. Bu değerler EKK değerlerinden büyük veya küçük olabilir.
8-12