Ekonometri Nedir? Model Kurma, Veri Analizi ve Tahmin

İktisat teorisinden ölçülebilir hipoteze geçiş

Ekonometrik çalışmanın ilk halkası, geniş bir iktisadi düşünceyi açık bir araştırma sorusuna dönüştürmektir. "Eğitim geliri etkiler" ifadesi tek başına test edilebilir bir model değildir; hangi gelir ölçüsünün kullanılacağı, eğitimin nasıl ölçüleceği, ilişkinin yönünün ne olacağı ve hangi gözlem birimlerinin inceleneceği belirtilmelidir.

Ardından teorik ilişki matematiksel biçime çevrilir. Basit bir tüketim ilişkisi, $C_i = �beta_0 + �beta_1Y_i$ biçiminde yazılabilir. Burada $C_i$ tüketimi, $Y_i$ geliri, $\beta_0$ sabit terimi ve $\beta_1$ gelirin tüketimle ilişkisini gösteren katsayıyı temsil eder. Matematiksel denklem, ilişkiyi ideal ve kesin bir biçimde gösterir. Gerçek hayatta ise gözlemlenemeyen etkenler ve ölçüm hataları bulunduğundan hata terimi eklenir: $C_i = \beta_0 + \beta_1Y_i + u_i$.

Bu noktada hipotez de açıkça kurulabilir. Örneğin $H_0: \beta_1 = 0$, gelirin tüketimle doğrusal bir ilişkisi olmadığı varsayımını ifade eder. Alternatif hipotez, $\beta_1$ değerinin sıfırdan farklı olduğunu savunabilir. Tahmin sonucunda elde edilen katsayı, tek başına yeterli değildir; katsayının belirsizliği ve hipotez testi sonuçları da incelenmelidir.

Önemli ayrım şudur: Korelasyon veya regresyon katsayısı, değişkenlerin birlikte hareket ettiğini gösterebilir; fakat diğer etkenler kontrol edilmeden nedensel sonuç çıkarılamaz. Gelir ile tüketim arasındaki ilişkinin bir bölümü ortak bir üçüncü değişkenden kaynaklanabilir. Bu nedenle modelin amacı, kullanılan veri ve varsayımlar açıkça belirtilmelidir.

Veri türü seçimi: yatay kesit, zaman serisi ve panel

Modelin nasıl tahmin edileceği, verinin yapısıyla yakından ilişkilidir. Yatay kesit verisi, birey, firma veya ülke gibi farklı birimlerin aynı zaman noktasındaki gözlemlerini içerir. Örneğin aynı dönemde farklı bireylerin geliri ve eğitim düzeyi incelenebilir. Bu veri türünde birimler arasındaki farklılıklar önemlidir.

Zaman serisi verisi, tek bir ekonomik birimin zaman içindeki gözlemlerinden oluşur. Enflasyon, işsizlik, GSYİH büyümesi veya faiz oranı gibi değişkenlerin dönemler boyunca izlenmesi buna örnektir. Zaman sıralaması taşıdığı için gecikmeli etkiler, trendler ve dönemsel hareketler dikkate alınmalıdır. Bu nedenle zaman serisine yatay kesit verisi gibi yaklaşmak, ilişkinin dinamik yapısını gözden kaçırabilir.

Panel veri ise birden fazla birimin birden fazla dönemde izlenmesidir. Ülkelerin yıllara göre büyüme oranları veya firmaların dönemler boyunca üretim ve yatırım kararları panel yapısına örnek olabilir. Panel veri, birimler arasındaki farklılıkları ve zaman içindeki değişimi birlikte inceleme imkânı verir; ancak veri yapısına uygun yöntem seçilmesi gerekir.

Veri seçerken yalnızca gözlem sayısına bakılmaz. Değişkenlerin nasıl ölçüldüğü, gözlemlerin karşılaştırılabilir olup olmadığı, eksik değerler ve zaman aralığı da değerlendirilir. Aynı kavramın farklı dönemlerde farklı tanımlarla ölçülmesi, katsayı yorumunu zayıflatabilir. Veri türü belirlendikten sonra uygun model ve test stratejisi seçilmelidir.

Regresyon katsayısını ekonomik anlamına çevirmek

Çoklu regresyon modeli genel olarak şu şekilde yazılır:

$Y_i = \beta_0 + \beta_1X_{1i} + \beta_2X_{2i} + ... + \beta_kX_{ki} + u_i$

$Y_i$ bağımlı değişkendir; açıklanmak veya tahmin edilmek istenen büyüklüğü gösterir. $X_{ji}$ açıklayıcı değişkenlerdir. $\beta_0$, bütün açıklayıcı değişkenlerin sıfır olduğu durumda $Y$'nin beklenen düzeyini temsil eder; ancak sıfır değeri gerçekçi değilse sabit terimin doğrudan ekonomik yorumu sınırlı olabilir. $u_i$ ise modele alınmayan veya ölçülemeyen etkenlerin toplam etkisini temsil eder.

Bir katsayıyı yorumlarken üç soru sorulur: Birim değişim nedir, hangi değişkenler sabit tutulmaktadır ve sonuç hangi ölçü birimindedir? $\beta_1$, diğer açıklayıcı değişkenler sabitken $X_1$'deki bir birimlik artışla $Y$'nin beklenen ortalama değişimini ifade eder. Bu yorum, modelin doğrusal biçimi ve kullanılan ölçü birimleri çerçevesinde geçerlidir.

Katsayının pozitif olması, ilgili değişkenle bağımlı değişken arasında aynı yönde bir ilişki tahmin edildiğini; negatif olması ters yönde bir ilişki tahmin edildiğini gösterir. Fakat işaretin pozitif veya negatif olması, ilişkinin istatistiksel olarak anlamlı olduğu anlamına gelmez. Anlamlılık değerlendirmesi için katsayının standart hatası, test istatistiği veya p-değeri gibi sonuçlar gerekir. Kaynak metindeki genel çerçeve, bu testlerin katsayının iktisadi kuramla uyumunu ve istatistiksel olarak desteklenip desteklenmediğini incelemek için kullanıldığını belirtir.

Ayrıca istatistiksel anlamlılık ile ekonomik önem aynı şey değildir. Küçük bir etki, istatistiksel olarak anlamlı olabilir; büyük görünen bir tahmin ise yüksek belirsizlik taşıyabilir. Bu yüzden yalnızca yıldızlarla gösterilen anlamlılık düzeylerine bakmak yerine katsayının büyüklüğü, ölçü birimi ve belirsizliği birlikte ele alınmalıdır.

Tahmin ile nedensellik arasındaki sınır

Ekonometri iki farklı amaca hizmet edebilir: tahmin ve nedensel açıklama. Tahmin amacı, mevcut bilgilerden yararlanarak bir değişkenin gelecekteki veya gözlenmeyen değerini öngörmektir. Nedensel analiz ise belirli bir değişkende yapılan değişikliğin diğer değişken üzerindeki etkisini belirlemeye çalışır. İyi tahmin yapan bir model, nedensel yoruma uygun olmak zorunda değildir.

Örneğin asgari ücret değişikliği ile istihdam arasındaki ilişki incelenirken yalnızca değişim öncesi ve sonrası istihdam karşılaştırması yapılırsa, aynı dönemde yaşanan başka ekonomik gelişmeler de sonuçta etkili olabilir. Bu tür durumlarda nedensel çıkarım için enstrümantal değişken, farkların farkı veya regresyon süreksizliği gibi yöntemler kullanılabilir. Ancak bu yöntemlerin her biri özel varsayımlara dayanır; yöntem adını kullanmak tek başına nedensellik kanıtı oluşturmaz.

Bir regresyon sonucunu "X, Y'yi artırır" diye yazmadan önce şu koşullar sorulmalıdır: Ters nedensellik mümkün mü, modele alınmamış önemli değişken var mı, ölçüm hatası bulunuyor mu ve seçilen örneklem temsil edici mi? Bu sorular yanıtlanmadan katsayıyı politika etkisi olarak yorumlamak aşırı genelleme olur.

Politika analizinde ayrıca karşılaştırma grubunun nasıl oluşturulduğu ve politika uygulanmasaydı ne olacağına ilişkin varsayım önemlidir. Ekonometrik sonuçlar karar almaya katkı sağlar; fakat sonuçların kapsamı kullanılan veri ve tasarımın izin verdiği ölçüyle sınırlıdır.

Makroekonomik tahmin, finans ve politika değerlendirmesinde kullanım

Makroekonomide ekonometri; enflasyon, işsizlik, GSYİH büyümesi ve faiz oranları gibi değişkenlerin ilişkilerini incelemek ve gelecekteki hareketleri tahmin etmek için kullanılır. Bu değişkenler çoğunlukla zaman içinde gözlendiği için zaman serisi yöntemleri önem kazanır. Otoregresif, hareketli ortalama ve entegre modeller gibi yaklaşımlar, geçmiş değerlerin ve hata hareketlerinin gelecekteki gözlemlerle ilişkisini modellemeye yöneliktir.

Mikroekonomik analizde tüketicilerin satın alma kararları, firmaların üretim tercihleri, fiyatlandırma ve piyasa yapıları incelenebilir. Bir ürünün fiyatındaki değişimin talep üzerindeki ilişkisini ölçmek için fiyat ve talep verileri kullanılabilir; fakat gelir, rakip fiyatları ve dönemsel koşullar gibi değişkenlerin de değerlendirilmesi gerekebilir.

Finansal ekonometri, varlık fiyatları, risk, portföy tercihleri ve piyasa oynaklığı gibi konulara odaklanır. Burada tahmin amacı ile nedensel amaç yine ayrılmalıdır: Bir finansal değişkeni öngörmek, belirli bir faktörün o değişkene kesin biçimde neden olduğunu göstermeyebilir.

Politika değerlendirmesinde vergi indirimi, asgari ücret değişikliği veya yatırım teşvikinin sonuçları incelenebilir. Analizin güvenilirliği, politika uygulanan birimlerle uygun karşılaştırma yapılmasına ve aynı dönemdeki diğer değişikliklerin hesaba katılmasına bağlıdır. Uluslararası iktisatta ise ticaret akımları, döviz kurları ve sermaye hareketleri gibi değişkenler ekonometrik modellerle analiz edilebilir.

Çözümlü örnekler

Örnek 1: Çoklu regresyon katsayısının yorumu

Verilenler: Bir araştırmacı, tüketimi gelire ve faiz oranına bağlayan şu modeli kuruyor: $C_i = \beta_0 + \beta_1Y_i + \beta_2R_i + u_i$. Burada $C$ tüketim, $Y$ gelir, $R$ faiz oranıdır. Temsili tahmin sonucunda $\hat{\beta}_1 = 0{,}60$ elde edilsin.

Çözüm adımları:

1. Bağımlı değişkeni belirle: Açıklanmak istenen değişken tüketim olduğu için $C$ bağımlı değişkendir.
2. İlgili katsayıyı seç: Gelirin katsayısı $\hat{\beta}_1 = 0{,}60$'tır.
3. Diğer değişkeni sabit tut: Çoklu regresyon yorumunda faiz oranı sabitken gelirdeki değişim değerlendirilir.
4. Birimi koru: Gelirde 1 birimlik artış, modelin ölçü birimleri içinde tüketimin beklenen ortalamasında 0,60 birimlik artışla ilişkilidir.
5. Sınırı belirt: Bu sonuç, tek başına gelirin tüketimdeki değişime neden olduğunu kanıtlamaz. Ayrıca katsayının istatistiksel olarak anlamlı olup olmadığı için standart hata veya hipotez testi sonucu gerekir.

Sonuç: $\hat{\beta}_1 = 0{,}60$, faiz oranı sabitken gelir ile tüketim arasında pozitif yönlü tahmin edilen bir ilişki olduğunu gösterir. İlişkinin güvenilirliği ve nedensel yorumu ayrıca test edilmelidir.

Örnek 2: Araştırma sorusundan veri tasarımına

Verilenler: Bir öğrenci, farklı ülkelerde GSYİH büyümesi ile işsizlik oranı arasındaki ilişkiyi incelemek istiyor. Elinde ülkelerin birden fazla yıla ait gözlemleri bulunduğunu varsayalım.

Çözüm adımları:

1. Soruya değişkenleri yerleştir: GSYİH büyümesi veya işsizlik oranından biri bağımlı değişken seçilir; diğeri açıklayıcı değişken olarak modele alınabilir.
2. Veri türünü belirle: Birden fazla ülke ve birden fazla yıl bulunduğu için veri panel veri niteliğindedir.
3. Teorik beklentiyi yaz: İlişkinin yönü, seçilen iktisadi kurama dayanarak önceden ifade edilmelidir; yalnızca gözlenen katsayıya bakılarak teori kurulmaz.
4. Modeli kur: Örneğin büyümeyi işsizlik ve diğer açıklayıcı değişkenlerle ilişkilendiren bir model yazılabilir. Hata terimi, modele girmeyen etkenleri temsil eder.
5. Sonucu sınırla: Ülkelerin kalıcı farklılıkları ve yıllara özgü ortak şoklar dikkate alınmadan elde edilen ilişki, ülkeler arası farklarla zaman içindeki değişimi birbirine karıştırabilir.

Sonuç: Aynı birimlerin zaman içinde tekrar gözlendiği bu durumda panel veri yaklaşımı uygundur. Ancak panel veri kullanmak otomatik olarak nedensel sonuç vermez; modelin varsayımları, değişken seçimi ve karşılaştırma mantığı ayrıca incelenmelidir.

Sık yapılan hatalar ve karıştırılan kavramlar

1. Korelasyonu nedensellik sanmak: İki değişken birlikte hareket edebilir; bu durum birinin diğerine neden olduğunu tek başına göstermez. Ters nedensellik, üçüncü değişken ve ölçüm hatası olasılıkları incelenmelidir.

2. İstatistiksel anlamlılığı etki büyüklüğüyle karıştırmak: Anlamlılık, katsayının sıfırdan farklı olduğuna ilişkin istatistiksel kanıtla ilgilidir. Ekonomik önem ise etkinin büyüklüğü ve gerçek karar bağlamındaki karşılığıyla değerlendirilir.

3. Sabit tutulacak değişkenleri belirtmemek: Çoklu regresyonda bir katsayı, modeldeki diğer açıklayıcı değişkenler sabitken yorumlanır. Bu koşul söylenmeden yapılan yorum eksiktir.

4. Veri türlerini birbirine karıştırmak: Aynı dönemde birçok birimi incelemek yatay kesit; tek birimi zaman boyunca izlemek zaman serisi; birçok birimi birden fazla dönemde izlemek panel veridir.

5. Tahmini kesin gelecek bilgisi gibi sunmak: Ekonometrik tahmin, veri ve model varsayımlarına bağlı bir öngörüdür. Özellikle ekonomik koşullar değiştiğinde geçmiş ilişki gelecekte aynı biçimde sürmeyebilir.

6. Hata terimini önemsiz görmek: Hata terimi, modelin açıklayamadığı varyasyonu, ölçüm hatalarını veya dışarıda kalan faktörleri temsil eder. Hata teriminin yapısı ihmal edilirse standart hatalar ve çıkarımlar güvenilmez hâle gelebilir.

7. Sabit terimi yanlış yorumlamak: $\beta_0$, açıklayıcı değişkenlerin sıfır olduğu durumda beklenen $Y$ değeridir. Değişkenlerin sıfır olması gözlem alanının dışında veya ekonomik olarak anlamsızsa bu katsayının doğrudan yorumu sınırlı kalır.

8. Model seçimini yalnızca yazılım çıktısına bırakmak: Yazılım katsayı ve test sonuçları üretebilir; fakat araştırma sorusunu, veri kalitesini, ekonomik anlamı ve nedensellik varsayımlarını kendiliğinden belirlemez.