kisi.deu.edu.trkisi.deu.edu.tr/hamdi.emec/eko2/e-views açıklamalı bağımlı kukla... · author:...

1

BAĞIMLI KUKLA DEĞİŞKENLİ MODELLER

A- KADININ İŞGÜCÜNE KATILIM MODELİ’NİN “DOM” İLE E-VIEWS’DA ÇÖZÜMÜ

Modeldeki değişken tanımları aşağıdaki gibidir:

IS= 1 i.Kadının bir işi varsa (ya da iş arıyorsa)

0 Diğer Durumlarda

MEDENI= 1 i. Kadın evliyse

0 diğer durumlarda

EGITIM = i.kadının yıl olarak aldığı eğitim

1- Önce programa veri girişi sağlanır.

2- 30 birey için “Workfile Create” penceresinden “Workfile Structure Type” için

“Unstructered/Undated” seçilir. Yanındaki “Data Range” kısmı için ise 30 bireyin veri girişi için “30”

yazılır.

2

3- Aşağıdaki pencere elde edilir:

4- Veri girişi “Quick” menüsünden “Empty Group(Edit Series)” seçilerek sağlanır.

5- Çıkan “Group:Untitled” penceresinde kaydırma çubukları en yukarı ve en sola kaydırılarak sırasıyla

veri girişi aşağıdaki gibi oluşturulur:

3

6- Verileri kaydetmek için verilerin girişi yapılan pencereden “Name” menüsü tıklanır. Gelen “Object

Name” penceresine “isgucu” yazılır ve “ok” e basılır.

7- Verilerin girişi yapılan pencere kapatılır. ardından modeli oluşturmak için “QuıcK” menüsünden

“Estımate Equation” seçilir.

8- Elde edilen “Equation Estimation” penceresinde “Equation Specification” kısmına aşağıdaki gibi

önce bağımlı değişken “IS” ardından sabit terimi ifade eden “C” ve bağımsız değişkenler “ MEDENI

EGITIM” sırasıyla yazılır. “Tamam” a basılır.

4

9- Model aşağıdaki gibi elde edilir.

10- Modelde hata teriminde değişen varyansın olup olmadığını görebilmek için model penceresinden

“View” menüsü, buradan “Residual Diagnostics” ve “Hetereskedasticity Tests…” seçilir.

11- “Heteroskedasticity Tests” penceresinde “Specification” kısmında “White” seçilir.

5

12- Aşağıda White Testi sonucu Obs*R-Squred (n*R2) değeri 6.589061 ve karşılık gelen önem düzeyi

0.1593 değeri 0.05’den büyüktür. H0: Hata teriminde eşit varyans vardır varsayımı red edilemez.

13- Modelde eğer hata terimlerinde değişen varyans problemi ile karşılaşılsaydı modelin her iki tarafı

değerine bölünecekti. Eğer böyle bir durum olsaydı modelden, önce bağımlı

değişkenin tahmini değerlerini aşağıdaki şekilde elde etmemiz gerekecekti. Model penceresinden

“Proc” menüsünden “Forecast…” seçilir. Böylece bağımlı değişkenin tahmini değerleri elde edilir ( ).

14. Aşağıda elde edilen pencerede uygun olan seçimler işaretlenir.

6

15. Modelin “Workfile” kısmına bağımlı değişkenin tahmini değerlerini “isf” yeni bir değişken olarak

eklenir.

16. Bağımlı değişkenin tahmini değerlerinin 0 ve 1 arasında olması istenildiğinden, 0’dan küçük

negatif değerler için 0.001; 1’den büyük değerleri için 0.999 değerleri yazılarak düzeltilir. “isf”

değişkeni yukarıdaki “Workfile” penceresinden tıklanır. Aşağıdaki gibi bir çıktı elde edilir. Gerekli

düzeltmeleri yapmak için bu pencereden “Edit + -“ düğmesi tıklanır.

7

17. Gerekli düzeltmelerin yapıldığı “isf” aşağıdaki gibi olur. Düzeltmeler yapıldıktan sonra tekrar “Edit

+ -“ düğmesi tıklanır ve bu pencereden çıkılır.

18. Modelde yi elde etmek için komut satırına: “genr kvi=sqr(isf*(1-isf))” yazılır.

Enter’e basılır ve aşağıdaki ekran görüntüsü elde edilir.

8

19. Bu aşamada modelin her iki tarafı “kvi”( ) değerine bölünebilir. Böylece komut satırına

“ls is/kvi 1/kvi medeni/kvi egitim/kvi” yazılır ve aşağıdaki model çıktısı elde edilir:

9

B- KADININ İŞGÜCÜNE KATILIM MODELİ’NİN “LOGIT-EYO” İLE E-VIEWS’DA ÇÖZÜMÜ:

1. Aynı modelin EYO ile LOGIT çözümü aşağıdadır. “Equation Estimation” penceresinde bağımlı

değişken, sabit terim ve bağımsız değişkenler yazılır. “Method” kısmındaki sağdaki ok tıklanır ve

açılan listeden “BINARY – Binary Choice (Logit, Probit, Extreme Value)” seçilir.

2. Aşağıdaki ekran çıktısı elde edilir. Bu pencerede “Binary estimation method” tercihinden “Logit”

seçilir.

10

3- Aşağıdaki model bulunur:

4. Logit modelde katsayılar doğrudan, bağımsız değişkenlerdeki bir değişimin bağımlı değişkenin

beklenen değeri üzerindeki etkisi olarak yorumlanamamaktadır. Katsayının işareti bağımsız

değişken ile olayın gerçekleşme olasılığı arasındaki ilişkinin yönünü gösterir. Modelimizdeki

bağımsız değişkenlerin tümü olayın gerçekleşme olasılığı(kadının çalışması-işgücüne katılması-

olasılığı) ile ters yönlü bir ilişki içerisindedir.

Bu modeli yorumlayabilmek için önce MEDENI ve EGITIM değişkeni değerlerinin ortalama değerleri

bulunur:

11

5. Logit modelde katsayı yorumlarının yapılabilmesi için bağımsız değişkenlerin ortalamaları

değerlendirmeye katılarak aşağıda marjinal etkiler hesaplanmıştır:

IS = -5.895933 – 2.586110 MEDENI + 0.690368 EGITIM

IS= -5.895933 – (2.586110 * 0.56) + (0.690368 * 11.83)= 0.8228

Z=0.8228 e-Z = e-0.8228 = 0.4392

f(Z) =

= 0.212

Bu durumda, ortalamalar dikkate alındığında elde edilen marjinal etkileri ve yorumları ise :

f(Z)i= 0.212*(– 2.586110) = -0.5482 : Evli olan kadınların evli olmayan kadınlara göre çalışma (iş

gücüne katılma) olasılığı % 54,82 azdır.

f(Z)i= 0.212*(0.690368) = 0.1463 : Kadının eğitim seviyesi yükseldikçe çalışma (iş gücüne

katılma) olasılığı % 14.63 artar.

Modelde tahmin edilen değerlerin tümü incelendiğinde 0-1 aralığı içinde yer aldığı ve doğrusal

olasılık modelindeki sorunun logit model sayesinde ortadan kalktığı görülmektedir.

12

B- KADININ İŞGÜCÜNE KATILIM MODELİ’NİN “PROBI-EYO” İLE E-VIEWS’DA ÇÖZÜMÜ:

1. Aynı modelin EYO ile PROBIT çözümü aşağıdadır. “Equation Estimation” penceresinde bağımlı

değişken, sabit terim ve bağımsız değişkenler yazılır. “Method” kısmındaki sağdaki ok tıklanır ve

açılan listeden “BINARY – Binary Choice (Logit, Probit, Extreme Value)” seçilir.

2. Aşağıdaki ekran çıktısı elde edilir. Bu pencerede “Binary estimation method” tercihinden “Probit”

seçilir.

13

3- Probit modeli fayda teorisine ve rasyonel seçim yaklaşımına dayanmaktadır. Rasyonel seçim

yaklaşımına göre bireyler karşılaştıkları seçenekler arasından kendileri için en çok fayda sağlayacak

olanı seçerler. Probit model parametrelerin doğrusal olmayan bir fonksiyonudur. Model normal

birikimli dağılım fonksiyonunu kullanmaktadır.

En yüksek olabilirlik yöntemi kullanılarak parametre tahminleri yapılmış ve 5 iterasyon sonucunda

parametrelerin en yüksek olabilirlik tahmin edicileri bulunmuştur. Elde edilen model çıktısı aşağıdaki

gibidir:

Logit modeldeki gibi probit modelin katsayılarını yorumlamak için; bağımsız değişkenlerin

ortalamaları değerlendirmeye katılarak marjinal etkiler kullanılmıştır.

IS = -3.439215 – 1.443938 MEDENI + 0.397604 EGITIM

IS= -3.439215 – (1.443938 * 0.56) + (0.397604 * 11.83)= 0.4558

Z=0.4558 değeri fonksiyonda yerine konulduğunda bulunur.

Bu durumda, ortalamalar dikkate alındığında elde edilen marjinal etkileri ve yorumları ise

aşağıdadır :

3596.02

1)(

2

2

1

Z

eZf

14

f(Z)i= 0.3596*(– 1.443938) = -0.5192 : Evli olan kadınların evli olmayan kadınlara göre çalışma (iş

gücüne katılma) olasılığı % 51.92 azdır.

f(Z)i= 0.3596*(0.397604) = 0.1429 : Kadının eğitim seviyesi yükseldikçe çalışma (iş gücüne

katılma) olasılığı % 14.29 artar.

Modelde tahmin edilen değerlerin tümü incelendiğinde 0-1 aralığı içinde yer aldığı ve doğrusal

olasılık modelindeki sorunun probit model sayesinde ortadan kalktığı görülmektedir.

D- SONUÇ

Aşağıda elde edilen 3 modele ait katsayılar ve marjinal etkiler tablo halinde verilmiştir:

DOM LOGIT PROBIT

MEDENI (MARJİNAL ETKİ)

-0.381780 -

-2.586110 (-0.5482)

-1.443938 (-0.5192)

EGITIM (MARJİNAL ETKİ)

0.093012 -

0.690368 (0.1463)

0.397604 (0.1429)

Logit modelin katsayıları ile probit modelin katsayıları aynı olmasa bile marjinal etkilerden elde

edilen değerlerin birbirine yakın olduğu söylenebilir.