top of page

6 Adımda İstatistiki ve Ekonometrik Yetkinlik!

izle
uygula
cevapla
yapay zeka
dönüt al
başar

Konu
Anlatımlarını
İZLE

Uygulamayı İZLE ve
YAP

Testleri ve Ödevleri
ÇÖZ

Yapay Zekayı
KULLAN

Geri Bildirim
AL

BAŞAR

Temelden İleri Seviyeye Uygulamalı ve Yapay Zekâ Destekli Öğrenme

 

Model Kur, Test Et, Düzelt, Yorumla: Araştırma ve karar süreçlerine doğrudan aktar

 

İstatistik ve ekonometri; akademide teorinin sınanması ve nedensel ilişkilerin ortaya konulmasınden, kamuda ve özel sektörde risk yönetimi, talep/fiyatlama ve politika değerlendirmesine kadar kararların bilimsel temelini oluşturur.
 

Biz bu platformda, video ders + OmegaMetriX üzerinde gerçek veri uygulaması + yapay zekâ destekli yorumlama ve geri bildirimiyle bu temeli modüler ve uygulamalı biçimde öğreterek katılımcıya veri okuryazarlığı, model kurma–test etme ve güçlü raporlama yetkinliği kazandırıyoruz.

 

Bu Programı Kimler İçin Tasarladık?

  • Üniversite öğrencileri ve mezunlar (iktisat, işletme, finans, sağlık, sosyal bilimler)

  • Veriyle çalışan analistler, araştırmacılar ve danışmanlar

  • Regresyon, nedensellik ve çıkarım temelli karar vermeyi sistematik öğrenmek isteyen profesyoneller

​​

Neden Bu Eğitim Platformu?

  • Adım adım öğrenim: Tüm konularda istatistik ve ekonometri hocaları tarafından hazırlanan sistemli içerik, videolar.

  • Uygulamalı eğitim: Her modülde gerçek veri setleri ile canlı uygulamalar ve etkileşimli alıştırmalar.

  • Yapay zekâ desteği: OmegaMetriX içindeki AI yardımcılarıyla anında dönüt, yorum ve kişiselleştirilmiş öneriler.

  • Video + not + araç: Kısa video dersler, özet dokümanlar ve tarayıcıda çalışan OmegaMetriX araçları.

  • Ölç–öğren döngüsü: Modül sonu mini sınavlar, kapsamlı 10 soruluk ölçme-değerlendirme testi ve ayrıntılı AI geri bildirimi.

 

Hızlı Bakış

  • Kapsam: İstatistik (18 modül) + Ekonometri (18 modül) — temel → ileri

  • Biçim: Video ders + Video OmegaMetrix Kullanımı + OmegaMetriX uygulaması + açık uçlu sorular + mini test + yapay zekâ geri bildirimi

  • Tempo: Kendi hızında içerik + uygulama

  • Dil: Türkçe (İngilizce terim karşılıklarıyla) ve İngilizce

  • Önkoşul: Temel matematik okuryazarlığı; program içi tekrarlarla açığı kapatma olanağı

  • Araçlar: OmegaMetriX (tarayıcı tabanlı)

​​

Ne Kazanacaksınız? (Özet Öğrenme Çıktıları)

İstatistik:

  • Veriyi doğru özetler, görselleştirir ve sınıflandırır; uygun dağılım ailesini seçer.

  • Olasılık, örnekleme, güven aralığı ve hipotez testlerini bağlama göre kurar ve raporlar.

  • ANOVA, ki-kare, nonparametrik testler ve korelasyon/regresyon ile etkileri sınar; etki büyüklüğü ve pratik önem ayrımını yapar.

Ekonometri:

  • Ekonometrik modeli kurar, EKK ve robust çıkarımlarla doğru yorum yapar.

  • Kukla değişken, etkileşim, fonksiyonel biçimler (log, ters, kuadratik) ve model seçimi (AIC/BIC) kararlarını verir.

  • Heteroskedastisite, otokorelasyon, çoklu doğrusal bağlantı, spesifikasyon hatası, yapısal kırılma, normal dağılmama gibi sorunları test eder ve düzeltir.

 

Nasıl İşliyor?

  1. Konu Anlatımı: Kısa, odaklı video + terim karşılıkları

  2. Örnek Üzerinden Uygulama: OmegaMetriX’te adım adım

  3. Açık Uçlu Yanıt: Konu sonu sorulara yapay zekâdan yapılandırılmış geri bildirim

  4. Ödev & Proje (ops.): Kendi verinizle küçük bir uygulamalar

  5. Kapanış: Özet not + “Bir Sonraki Modüle Geçmeden Önce” kontrol listesi

  6. Mini Ölçme: 10 soruluk test + anında puan

​​

Değerlendirme ve Belgelendirme (Özet)

  • Her modül sonunda mini sınav; program sonunda havuzdan rastgele 10 soru ile düzey ölçümü

  • ≥%70 başarı ile Katılım/ Başarı Belgesi

 

Kullanılan Pedagojik Yaklaşım

  • Ölç–öğren–pekiştir döngüsü, geri çağırma pratiği, aşamalı zorluk ve hemen uygulama

  • Model tanılama kültürü: varsayım–test–düzeltme zinciri 

 

        “Müfredatı İncele      →      Örnek Dersi İzle      →      Uygulamanı OmegaMetriX’te Yap”

         (İstatistik, Ekonometri)         (Ders video-OmegaMetriX video)                             (OmegaMetriX)

​

Çapa 1

İstatistik Eğitim Platformu

1) İstatistiğe Giriş: Kapsam, Süreç ve Temel Kavramlar

  • Kapsam: Betimsel (özetleme–görselleştirme) ve çıkarımsal (örneklemden anakütleye genelleme) istatistik ayrımı; bilimsel karar süreçlerinde istatistiğin rolü.

  • Temel kavramlar: Anakütle–örneklem–parametre–istatistik; değişken türleri (nitel–nicel; nominal–ordinal; kesikli–sürekli).

   Öğrenme çıktıları: Veriyle düşünme ve karar verme akışını kavrar; istatistik–ekonometri köprüsünü görür; veri türüne göre uygun

   yöntem seçiminin neden kritik olduğunu anlar.

2) Verinin Sunumu: Veri Matrisi, Örnekleme, Tablolar ve Grafikler

  • Veri matrisi & türler: Satır=gözlem, sütun=değişken yapısı; birim ve ölçü birimi bilinci.

  • Örnekleme: Basit tesadüfi, tabakalı, küme, sistematik; birincil–ikincil veri kaynakları ve önyargı/uyum sorunları.

  • Görselleştirme araçları: Frekans tablosu, göreli/kümülatif frekans; sütun/pasta/çizgi grafikleri, histogram, kutu grafiği, saçılım diyagramı ve doğru kullanım alanları.

   Öğrenme çıktıları: Büyük veri yığınını anlaşılır özetlere/grafiklere dönüştürür; veri türüne uygun görselleştirme seçer.

3) Merkezi Eğilim Ölçüleri: Ortalama–Medyan–Mod ve Özel Ortalamalar

  • Ortalama ailesi: Aritmetik, ağırlıklı, kesilmiş (trimmed) ve geometrik ortalama — hangi durumda hangisi?

  • Medyan & mod: Çarpık/aykırı değerli dağılımlarda dayanıklılık; kategorik veride modun tek geçerli merkez ölçüsü oluşu.

  • Kartiller: Q1–Q2–Q3 ve boxplot yorumlama.

   Öğrenme çıktıları: Uygun merkez ölçüsünü seçer ve gerekçelendirir.

4) Değişkenlik (Yayılım) Ölçüleri: Range, IQR, Varyans–Std. Sapma, MAD, CV

  • Basit–robust ayrımı: Açıklık (range) vs IQR ve MAD’ın aykırı değerlere dayanıklılığı.

  • Varyans–Standart sapma: Anakütle/örneklem formülleri ve empirik kural bağlamında yorum.

  • Bağıl oynaklık: Değişim katsayısı (CV) ile ölçekler arası karşılaştırma.

   Öğrenme çıktıları: Aynı ortalamaya sahip farklı dağılımları yayılım ölçüleriyle ayırt eder; robust metrikleri tercih etmeyi öğrenir.

5) Şekil Ölçüleri: Çarpıklık (Skewness) ve Basıklık (Kurtosis)

  • Moment temeli: 1.–4. moment ve standartlaştırma fikri.

  • Çarpıklık: Sağa/sola uzun kuyruk; ortalama–medyan–mod sıralamasıyla tutarlı işaret yorumu.

  • Basıklık: Leptokurtik (ağır kuyruk)–mesokurtik–platykurtik ayrımı; aykırı değer olasılığıyla ilişkisi.

    Öğrenme çıktıları: Grafiksiz de dağılım şekli hakkında sayısal raporlama yapar; risk kuyruğu olan veri setlerini tanır.

6) Olasılığa Giriş: Tanımlar, Aksiyomlar ve Temel Özellikler

  • Olasılık türleri: Klasik–deneysel–sübjektif; pratik örneklerle ayrım.

  • Aksiyomatik temel (Kolmogorov): Negatif olmama, tüm örnek uzay=1, ayrık birleşimlerin toplamı.

  • Temel kurallar: Tamamlayanın olasılığı; birleşim–kesişim ve “çifte saymayı” önleme mantığı.

    Öğrenme çıktıları: Olasılık hesaplarını aksiyom–özellik temelli, sistematik ve hatasız kurgular.  

7) Koşullu Olasılık, Bağımsızlık, Çarpma Kuralı ve Bayes

  • Koşullu olasılık: Bilginin örnek uzayı daraltması; olay ilişkilerini olasılıkla güncelleme.

  • Bağımsızlık: Birlikte olasılığın çarpım kuralıyla sadeleşmesi; “yerine koymadan” seçimlerde bağımlılık.

  • Bayes teoremi: Önsel × kanıt gücü / toplam kanıt; hipotez güncelleme sezgisi ve örneklerle uygulama.

   Öğrenme çıktıları: Test, risk ve karar problemlerini Bayesyen gözle çözümler; birlikte olasılıkları doğru çarpar.

8) Rastlantı Değişkenleri ve Dağılımlara Genel Bakış

  • Tanım & sınıflama: Kesikli–sürekli–karma (mixed) değişken ve dağılımlar; destek kümesi ve gösterge fonksiyonu.

  • Olasılık/kütle–yoğunluk: Süreklide “noktanın olasılığı=0”, aralığın alanı; kesiklide toplam kuralı.

  • Karma dağılımlar: Sıfır-şişirilmiş, Tobit/sansür, spike-and-slab; “kütle + alan” birleşik olasılık fikri.

     Öğrenme çıktıları: Veri yapısına göre doğru dağılım ailesini seçer; karma yapı görünce modelleme stratejisi geliştirir.

9) Kesikli Dağılımlar: Bernoulli, Binom ve Poisson

  • Bernoulli: Tek deneme, iki sonuç.

  • Binom: n bağımsız Bernoulli’nin toplamı; kombinasyonla olasılık.

  • Poisson: Zaman/alan içinde nadir olayların sayısı; tek parametre.

  • Yakınsama: Düşük p, büyük n için Binom → Poisson yaklaşımı.

    Öğrenme çıktıları: Sayma süreçlerini doğru dağılımla modeller; parametreyi bağlamdan kalibre eder.

10) Sürekli Dağılımlar: Uniform, Normal ve Üstel

  • Uniform: Tüm değerler eş olasılıklı..

  • Normal: Simetrik çan eğrisi; mod=medyan=ortalama; empirik kural.

  • Üstel: Olaylar arası süre; hafızasızlık.

     Öğrenme çıktıları: Süreklide aralık olasılığı–alan ilişkisini uygular; bekleme süreleri ve ölçümlere uygun modeli seçer.

11) Örnekleme ve Örnekleme Dağılımları

  • Olasılıklı (basit rassal, sistematik, tabakalı, küme) ve olasılıksız (kolayda, yargısal/amaçlı, kota, kartopu) örnekleme.

  • Temsil gücü, örnekleme hatası ve standart hata.

  • Merkezi Limit Teoremi ile örneklem ortalamalarının yaklaşık normalliği.

  • Örneklem büyüklüğü–hata ilişkisi.

   Öğrenme çıktıları: Araştırma amacına uygun örnekleme tasarlama; örneklem dağılımı kavramıyla çıkarım mantığını kurma; CLT’nin

   test ve güven aralıklarının teorik dayanağı olduğunu açıklama.

12) Nokta ve Aralık Tahmini

  • Parametre–istatistik ayrımı.

  • Tahmincilerin sapmasızlık, tutarlılık, etkinlik (MSE) özellikleri.

  • Standart hata; z ve t kritik değerleri.

  • σ biliniyorken ve bilinmiyorken ortalama için %95 güven aralığı inşası ve yorum.

   Öğrenme çıktıları: Uygun kritik değeri (z/t) ve serbestlik derecesini seçme; tahmin ± (kritik değer × SE) formülünü bağlama göre

   uygulama; aralıkların kapsama yorumunu doğru raporlama.

13) Hipotez Testlerine Giriş

  • H₀–H₁ hipotezlerinin kurulumu.

  • Tek/çift kuyruk seçimi.

  • Test istatistiği (z veya t), anlamlılık düzeyi (α), kritik bölge ve p-değeri.

  • Tip I (α) ve Tip II (β) hatalar, test gücü.

  • Karar adımları ve raporlama dili (“reddedilir / reddedilemez”).

    Öğrenme çıktıları: Bağlama uygun yönlü/yönsüz test kurma; p-değerini α ile karşılaştırarak karar verme; güç artırma stratejilerini

    (n↑, varyans↓, ölçüm duyarlılığı↑) açıklama.

14) İki Örneklem Ortalamalarının Karşılaştırılması (Bağımsız & Eşleştirilmiş t-Testleri)

  • Bağımsız örneklemler t-testi (eş varyans varsayımıyla “pooled” yaklaşım; emin değilsek Welch t).

  • Eşleştirilmiş t-testi (önce–sonra veya eşleşmiş ölçümler).

  • Varsayımlar (bağımsızlık, yaklaşık normallik, varyans benzerliği) ve Satterthwaite sd yaklaşımı.

   Öğrenme çıktıları: Örnekleme şemasına göre uygun testi seçme; eşit/eşit olmayan varyans durumunda doğru standard error ve

   sd’yi kullanma; p-değeri ve güven aralığıyla farkın büyüklüğünü raporlama.

15) Nonparametrik Testler: Wilcoxon, Mann–Whitney U, İşaret

  • Varsayım ihlallerinde (normallik zayıf, aykırı çok, ordinal ölçek) medyan/sıra temelli testler.

  • Tek örneklem Wilcoxon işaretli sıra ve İşaret testi.

  • Eşleştirilmiş Wilcoxon.

  • Bağımsız Mann–Whitney U.

  • Etki büyüklükleri (rank-biserial r, Rosenthal r, Cliff’s Δ) ve bootstrap GA.

   Öğrenme çıktıları: Parametrik–nonparametrik karar ağacını uygulama; bağ/simetrik varsayımı ve küçük örnek durumlarını doğru

   yönetme; etki büyüklüklerini yorumlama.

16) Varyans Analizi (ANOVA) ve Post-hoc Karşılaştırmalar

  • Tek yönlü ANOVA: SST=SSB+SSW ayrışımı, F istatistiği, η² ve kısmi η².

  • Faktöriyel ANOVA ve etkileşim yorumları;

  • Varsayımlar (normallik, eş varyans, bağımsızlık) ve tanı testleri (Shapiro–Wilk, Levene/Brown–Forsythe).

  • İhlalde Welch ANOVA + Games–Howell, Kruskal–Wallis + Dunn; Holm düzeltmesi.

   Öğrenme çıktıları: Doğru ANOVA varyantını seçme; anlamlı F sonrası uygun post-hoc stratejisini belirleme; etki büyüklüğüyle pratik

   önemi raporlama.

17) Ki-Kare Testleri: Uyum, Bağımsızlık, Homojenlik

  • Goodness-of-Fit (teorik oranlara uyum), Bağımsızlık (kontenjans tablolarında ilişki), Homojenlik (gruplar arası aynı dağılım).

  • Beklenen frekans şartları, küçük hücrelerde Fisher exact / Yates düzeltmesi.

  • Standartlaştırılmış kalıntılar ve Cramér’s V ile etki.

   Öğrenme çıktıları: Tasarım ve geçerlilik koşullarını kontrol etme; beklenen değerleri doğru hesaplama; ilişkiyi hem istatistiksel hem

   de etki büyüklüğüyle sunma.

18) Korelasyon ve Basit Doğrusal Regresyon

  • Korelasyon (Pearson: sürekli–yaklaşık normal–doğrusal; Spearman: ordinal/monotonik ve aykırılara dayanıklı).

  • Serpilme diyagramı ile ilişki okuması.

  • Basit OLS regresyon (sabit, eğim; anlamlılık testleri, R², güven aralığı), varsayımlar (dışsallık, sabit varyans, normallik).

   Öğrenme çıktıları: Değişken çiftleri için uygun korelasyon seçimi; regresyon katsayılarını ve R²’yi doğru yorumlama; anlamlılık–etki

   ayrımını ve neden-sonuç uyarılarını raporlama.

Çapa 2

Ekonometri Eğitim Platformu

1) Ekonometriye Giriş: Tanım, Amaç ve Disiplinlerle İlişki

  • Ekonometrinin tanımı.

  • Diğer bilim dalları ile ilişkisi.

   Öğrenme çıktıları: Ekonometri kavramı ve kapsamı; kuram-veri-model entegrasyonu; örnek araştırma sorularına nicel yaklaşım.

2) Ekonometrik Araştırma Süreci

  • Ekonometrik araştırmanın aşamaları: Kuram → Model → Veri → Tahmin → Test → Kullanım

  • Veri toplama (zaman serisi, yatay kesit, panel) ve kaynaklar. 

   Öğrenme çıktıları: Araştırma hattını eksiksiz kurma; değişken-parametre ayrımı; uygun veri türü/kaynağı seçimi; tahmin-test-yorum

   döngüsü.

3) Tanımlayıcı İstatistikler ve Ön Analiz

  • Gözlem sayısı, ortalama, standart sapma, min-maks ve çeyrekler (Q1-medyan-Q3) ile veri yapısının özeti.

  • Ortalama-medyan karşılaştırmasıyla çarpıklık yorumu.

  • Uç/aykırı değer sezgisi. 

   Öğrenme çıktıları: Veri setini sayısal özetlerle hızla okuma; çarpıklık/aykırı değerlerin tanılanması; uygun dönüşüm seçimi.

4) Grafiklerle Veri İncelemesi (Zaman Serisi, Histogram, Kutu Grafik)

  • Zaman eksenli grafiklerle trend ve mevsimsellik örüntülerinin görünür kılınması.

  • Boxplot ile Q1-medyan-Q3 ve aykırıların teşhisi.

  • Histogramla yoğunluk ve simetri/çarpıklığın okunması.

  • Görselleştirme, model seçimi ve dönüşüm kararları için başlangıçta kritik rol üstlenir.

   Öğrenme çıktıları: Trend-mevsimsellik tespiti; dağılım şeklinin görsel analizi; model öncesi tanılayıcı görselleştirme pratiği.

5) Regresyona Giriş ve En Küçük Kareler (EKK)

  • Anakütle regresyon fonksiyonu ile örneklem üzerinden kurulan örnek regresyon fonksiyonu ayrımı

  • Kalıntıların (û) kareleri toplamını minimize eden EKK prensibi ve türevle elde edilen çözüm.

  • β₀ (sabit) ve β₁ (eğim) yorumları.

  • Basit iktisadî örneklerle model kurma ve yorumlama sezgisi.

   Öğrenme çıktıları: EKK’nin optimizasyon mantığı; tahmin-artık ilişkisi; katsayıların iktisadî yorumu.​

6) Varyans, Standart Hata, t-Testi ve Güven Aralıkları

  • Kalıntı varyansı (n−k serbestlik derecesi), parametre varyans-kovaryans matrisi ve standart hataların (SE) yorumu.

  • Tek katsayı hipotez testleri (çift/yönlü t-testi), p-değeri ve anlamlılık düzeyleri (α).

  • Katsayı için %95 güven aralığı ve SE küçüldükçe aralığın daralması.

   Öğrenme çıktıları: SE ve kovaryansın istatistiksel/uygulamalı yorumu; t-testi ve p-değerinin doğru kullanımı; güven aralığı

   raporlaması.

7) Modelin Genel Anlamlılığı: F Testi, R² ve ANOVA Tablosu

  • ANOVA ile açıklanan/açıklanamayan/toplam kareler ve serbestlik dereceleri.

  • Modelin tüm katsayıları için genel test olarak F istatistiği ve tablo/p-değeriyle karar.

  • R²’nin yorumlanması ve düzeltilmiş R²’nin tercih edilme durumları.

   Öğrenme çıktıları: ANOVA bileşenlerini okumak; F testi ile modelin genel geçerliliğini sınamak; R² ve düzeltilmiş R² ile açıklayıcılığı

   kıyaslamak.
8) Korelasyon Analizi ve Serpilme Diyagramları

  • İki değişken arasında doğrusal ilişkinin yön/güç ölçütü olarak korelasyon;

  • Basit regresyonda r, R² bağıntısı ve işaretin eğime bağlılığı.

  • Korelasyonun anlamlılık testi (t-testi) ve p-değeri.

  • Çok değişkenli durumda X’ler arası yüksek korelasyonun çoklu doğrusal bağlantı riski.

  • Serpilme diyagramı ile ilişki formunun ve aykırıların görsel tanılanması.

   Öğrenme çıktıları: r’nin hesap/yorum mantığı; anlamlılık testinin yürütülmesi; çoklu analizlerde korelasyon matrisini etik/teknik

   biçimde okumak.

9) Doğrusal Olmayan Modeller: Log, Ters ve Kuadratik

  • Doğrusal varsayımın sınırlılığı ve değişen marjinal etkilere uygun esnek biçimler.

  • Tam log-log, yarı-log (lin-log / log-lin), ters ve kuadratik.

  • Model yorumları.

   Öğrenme çıktıları: Uygun fonksiyonel biçimi seçmek; katsayıların (özellikle log modellerde) doğru ekonomik yorumunu yapmak;

   politika/öngörü bağlamına çevirmek.

10) Klasik Varsayımlar, Gauss–Markov (BLUE) ve Küçük/Büyük Örnek Özellikleri

  • Klasik doğrusal model varsayımları:

  • Küçük-büyük örnek özellikleri, BLUE.

  • Test istatistiklerinin dağılımı için normalite gereği. 

   Öğrenme çıktıları: Hangi varsayımın hangi özelliği garanti ettiğini bilmek; BLUE koşullarını ve sapma/etkinlik ayrımını doğru

   raporlamak; küçük-büyük örnek rejimlerinde çıkarımın dayanaklarını ayırt etmek.

11) Çoklu Doğrusal Bağlantı (Multicollinearity)

  • Nedenleri.

  • Belirtileri.

  • Tanılama (VIF, Klein ve Theil ölçütleri).

  • Çözümler (örneklem büyütme/panel kullanımı, sorunlu X’in elenmesi veya yeniden tanımı, ridge regresyon, PCA/faktör dönüşümleri).

   Öğrenme çıktıları: Çoklu bağlantıyı işaret eden paternleri ayırt eder; VIF ile nesnel tanılama yapar; amaca ve kurama uygun

   düzeltme stratejisini seçer.

12) Normallik

  • Hata terimlerinin normal dağılmasının önemi.

  • Şekil ölçüleri üzerinden çarpıklık (S) ve basıklık (K) sezgisi.

  • Sık kullanılan testler: Jarque–Bera (S ve K birlikte), Kolmogorov–Smirnov, Shapiro–Wilk, D’Agostino vb.

  • Karar ve sapmada dönüşümler, aykırı yönetimi/ağırlıklandırma, bootstrap ve n↑ ile CLT etkisi.

   Öğrenme çıktıları: Normallik testlerini koşullara göre seçer; JB sonucunu doğru raporlar; sapmada uygun düzeltmeleri uygular.

13) Heteroskedastisite (Değişen Varyans)

  • Homoskedastisite varsayımı ve yatay kesitte sık görülen varyans farklılıklarının kaynakları.

  • Tanılama: Breusch–Pagan LM ve White (kareler/çaprazlar), Goldfeld–Quandt, Park, Glejser, Koenker–Bassett.

  • Sonuçları.

  • Çözümler: log-dönüşüm, WLS/TWLS, White (MacKinnon–White) heteroskedastisite-robust SE.

   Öğrenme çıktıları: Heteroskedastisiteyi uygun testle sınar; bulguya göre WLS ya da sağlam SE tercihlerini gerekçelendirir.

14) Otokorelasyon (Serisel Bağımlılık) (Zaman Serisi Verisi İçin)

  • Hataların ardışık bağımlılığı ve nedenleri (eksik değişken/yanlış form, yapısal bağımlılık, şoklar, durağan olmama).

  • Tanılama: Durbin–Watson (1. mertebe; DL/DU karar bölgeleri ve kısıtları), Breusch–Godfrey LM (yüksek mertebe ve AR yapılarında), Durbin-h, sıra testi.

  • Çözümler: fark alma/genelleştirilmiş fark, AR(1) için Cochrane–Orcutt ve Prais–Winsten; otokorelasyon/heteroskedastisite için Newey–West (HAC) robust SE.

   Öğrenme çıktıları: Model türüne göre uygun testi seçer; fark/GF-GLS veya HAC ile çıkarımı güvenceye alır.

15) Spesifikasyon Hataları ve Tanı Testleri

  • Ölçme hataları (Y veya X’te), dışlanmış/gereksiz değişken, hatalı fonksiyonel biçim gibi tanım sorunları; tutarlılık/etkinlik üzerindeki etkiler.

  • Tanılama: kısıtlı-kısıtsız modellerle F testi (yuvalanmış ek değişkenlerin katkısı) ve Ramsey RESET (isim/sayı bilinmeyen dışlanmış değişkenler için).

  • Bulguların yorumlanması ve model revizyonu.

   Öğrenme çıktıları: Hata türlerini ayırt eder; F ve RESET ile spesifikasyon sorunlarını sınar; teorik temele uygun yeniden tanımlar.

​16) Yuvalanmış Modellerde Seçim ve Bilgi Kriterleri

  • Yuvalanmış–yuvalanmamış ayrımı.

  • Karşılaştırma ölçütleri: düzeltilmiş R² ve kalıntı varyansı; Amemiya PC ve Mallows Cp (sınırlı uygulama).

  • Bilgi kriterleri: AIC/AICc (küçük örnek düzeltmeli), BIC/Schwarz (daha ağır ceza), Hannan–Quinn.

  • Farklı kriterlerin önerilerini kuram ve amaç bağlamında birlikte değerlendirme ilkesi.

   Öğrenme çıktıları: Yuvalanmış modelleri uygun ölçütlerle kıyaslar; AIC/BIC/HQ mantığını bilir; istatistikî uygunluk ile iktisadî

   yorumlanabilirlik arasında denge kurar.

17) Kukla (Dummy) Değişkenler ve Etkileşimler

  • Kategorik bilgiyi (cinsiyet, bölge, sektör vb.) sayısal forma çevirerek regresyona dâhil etme.

  • Sabitte kayma (paralel doğrular), eğimde kayma (farklı eğimler) ve hem sabitte hem eğimde kayma (farklı doğrular) durumlarının yorumlanması.

  • İkiden çok kategori için referans (baz) seçimi ve “kukla değişken tuzağı”nın (tam doğrusal bağlantı) önlenmesi.

  • Etkileşim terimleri ile politika/bölge/cinsiyet gibi gruplar için farklı marjinal etkilerin modellenmesi.

  • Logaritmik biçimlerde kukla katsayısının yorumu (Halvorsen–Palmquist düzeltmesi).

   Öğrenme çıktıları: Kukla kodlama mantığını kurar; sabit/eğim/etkileşim etkilerini doğru okur; referans kategori seçimi ve kukla

   tuzağından kaçınma ilkelerini uygular; log modellerde yüzde etkiyi doğru hesaplar.

​18) Yapısal Kırılmalar: Tespit ve Modellemesi

  • Şok, politika değişimi, kriz vb. nedenlerle katsayıların döneme göre farklılaşması.

  • Grafiksel ön inceleme, kırılma zamanı biliniyorsa Chow testi, bilinmiyorsa Sup-F yaklaşımı (trim kuralı) ve CUSUM ile kararlılık analizi.

  • Kırılma sonrası dönem için kukla ve etkileşimlerle sabit/eğim değişimlerinin modellenmesi; spline yorumları.

   Öğrenme çıktıları: Kırılma varlığına uygun testi seçer (bilinen/bilinmeyen tarih); bulguları sabit/eğim kırılması olarak modelleyip

   iktisadî yorumunu yapar.

​

Bu platform, Omega Analiz Eğitim Yazılım ve Danışmanlık Tic. ve Ltd. Şti. uzmanlığıyla geliştirilmiştir.

bottom of page