6 Adımda İstatistiki ve Ekonometrik Yetkinlik!

Konu
Anlatımlarını
İZLE

Uygulamayı İZLE ve
YAP

Testleri ve Ödevleri
ÇÖZ

Yapay Zekayı
KULLAN

Geri Bildirim
AL

BAŞAR

KAYIT OL

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 konulmasından, 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) + Panel Veri Analizi (18 modül) + Zaman Serileri Analizi (12 modül)
Biçim: Video ders (66 adet)+ Video OmegaMetrix Kullanım Videoları (45 adet) + OmegaMetriX uygulaması + açık uçlu sorular (330 adet) + mini test (480 soru) + yapay zekâ geri bildirimi
Tempo: Kendi hızında öğrenme + uygulama
Dil: Türkçe (İngilizce terim karşılıklarıyla)
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.

Panel Veri Analizi:

Panel veri yapısını (N, T, dengeli/dengesiz panel) doğru biçimde tanımlar ve uygun modelleme stratejisini belirler.
Sabit etkiler, tesadüfi etkiler ve havuzlanmış modelleri kurar; F, LM ve Hausman testleri ile model seçimini yapar.
Zaman ve birim etkilerini içeren tek yönlü ve çift yönlü panel veri modellerini uygular ve yorumlar.
Panel veri için çoklu doğrusal bağlantı, heteroskedastisite, otokorelasyon, normallik ve yatay kesit bağımlılığı sorunlarını test eder; robust temelli çözümler uygular.
Yapısal kırılmayı sınar, rejim modellerini tahmin eder ve sonuçları doğru biçimde yorumlar.

Zaman Serileri Analizi:

Zaman serilerinde trend, mevsimsellik ve yapısal kırılmaları ayırt eder ve uygun dönüşümleri uygular.
Durağanlık kavramını açıklar; ADF, PP, KPSS, ZA testleri ile birim kök analizlerini gerçekleştirir.
Çok değişkenli zaman serilerinde VAR ve VECM modellerini kurar; nedensellik, etki–tepki ve varyans ayrıştırması analizlerini yorumlar. Gecikme uzunluğu seçimlerini bilgi kriterlerine göre yapar.
Eşbütünleşme ilişkilerini test eder ve uzun dönem–kısa dönem dinamiklerini bütüncül bir çerçevede değerlendirir.

Nasıl İşliyor?

Konu Anlatımı: Kısa, odaklı video + terim karşılıkları
Örnek Üzerinden Uygulama: OmegaMetriX’te adım adım
Açık Uçlu Yanıt: Konu sonu sorulara yapay zekâdan yapılandırılmış geri bildirim
Ödev & Proje (ops.): Kendi verinizle küçük bir uygulamalar
Kapanış: Özet not + “Bir Sonraki Modüle Geçmeden Önce” kontrol listesi
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 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)

KAYIT OL

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.

Çapa 3

Zaman Serileri Analizi Eğitim Platformu

1) Zaman Serileri Analizine Giriş: Tanım, Veri Türleri ve Zaman Boyutunun Rolü

Zaman serisi verisinin tanımı ve ayırt edici özelliği: gözlemler arasında zaman bağımlılığı.
Yatay kesit, zaman serisi ve panel veri ayrımı; hangi soruya hangi veri türü cevap verir?
Zaman serilerinde analiz mantığı: “tanı → test → model → yorum” hattı.

Öğrenme çıktıları: Zaman serisini diğer veri türlerinden ayırt eder; zaman bağımlılığının klasik regresyon varsayımlarına etkisini

açıklar; analiz hattının temel adımlarını doğru sıralar.

2) Grafik Analizi: Zaman Yolu Grafiği ile Trend, Mevsimsellik ve Kırılma Sezgisi

Zaman yolu grafiği (time plot): serinin genel eğiliminin ilk okunması.
Trend varlığı, düzenli dalgalanmalar (mevsimsellik) ve ani sıçramalar/kırılmalar için görsel tanılama.
Grafiksel bulguların sonraki test ve model seçimine rehberlik etmesi.

Öğrenme çıktıları: Trend ve mevsimsellik örüntülerini grafikten ayırt eder; olası yapısal kırılma sinyallerini tanılar; grafik bulgularını

test/model seçimine dönüştürür.

3) Tanımlayıcı İstatistikler: Serinin Düzeyi, Oynaklığı ve Uç Değerler

Gözlem sayısı, ortalama, standart sapma, min–maks ve çeyrekler (Q1–medyan–Q3) ile sayısal özet.
Ortalama–medyan karşılaştırmasıyla çarpıklık hakkında ön sezgi.
Uç/aykırı değerlerin varlığına ilişkin sayısal ipuçları.

Öğrenme çıktıları: Zaman serisini tanımlayıcı istatistiklerle hızla özetler; çarpıklık ve aykırı değer olasılığını değerlendirir;

durağanlık/dönüşüm ihtiyacı için erken uyarı çıkarır.

4) Temel Kavramlar: Zaman Bağımlılığı, Otoregresif Sezgi, Durağanlık ve Korelogram

Zaman bağımlılığı ve “gözlemler yer değiştiremez” ilkesi.
Otoregresif süreç sezgisi: bugünün değeri geçmişten iz taşır.
Durağanlık kavramı ve sahte regresyon problemi.
Korelogram (ACF–PACF) ile hafıza yapısına ilişkin görsel okuma.
Trend türleri (deterministik–stokastik) ve yapısal kırılmaların temel etkileri.

Öğrenme çıktıları: Zaman bağımlılığı ve otoregresif yapıyı kavramsal olarak kurar; durağanlık–sahte regresyon bağını açıklar;

ACF/PACF üzerinden hafıza yapısını yorumlar; trend ve kırılmaların analize etkisini ayırt eder.

5) Birim Kök Testleri ve Durağanlık Analizi: DF–ADF, PP, KPSS ve Kırılmalı Testler

Birim kök sezgisi: şokların kalıcılığı ve durağan olmama.
DF/ADF yaklaşımı; gecikme ekleme ile otokorelasyonun giderilmesi.
Phillips–Perron (Newey–West düzeltmesi) ve KPSS (ters hipotez yapısı).
Deterministik bileşen seçimi: sabit/trendli modellerin rolü.
Yapısal kırılma varlığında Zivot–Andrews yaklaşımı.

Öğrenme çıktıları: Birim kök hipotezini doğru kurar; ADF/PP/KPSS sonuçlarını birlikte değerlendirerek durağanlık derecesine karar

verir; sabit/trend seçiminin test gücüne etkisini bilir; kırılma varlığında uygun test yaklaşımını seçer.

6) Birim Kök Sonrası Yol Haritası: Uygun Model Seçimi (VAR–VECM–ARDL)

I(0) serilerde düzey regresyon/VAR yaklaşımı.
Karma bütünleşme derecesinde (I(0)+I(1)) ARDL yaklaşımının devreye girmesi.
Tümü I(1) olduğunda eşbütünleşme var/yok ayrımı; fark VAR vs VECM.
Model seçimi sonrası dinamik analiz ve nedensellik adımlarına geçiş.

Öğrenme çıktıları: Bütünleşme derecesine göre uygun modeli seçer; I(1) serilerde eşbütünleşme karar düğümünü doğru kurar;

kısa dönem–uzun dönem analiz ayrımını sistematik biçimde uygular.

7) Eşbütünleşme Testleri: Engle–Granger ve Johansen Yaklaşımları

Eşbütünleşme kavramı: I(1) seriler arasında durağan kalıntı/denge ilişkisi.
Engle–Granger iki aşamalı prosedür: uzun dönem regresyonu ve kalıntıda birim kök testi.
Çok değişkenli sistemlerde Johansen yaklaşımı: rank (eşbütünleşme ilişkisi sayısı) fikri.
Trace ve maksimum özdeğer testleri ile rank seçimi; deterministik bileşen duyarlılığı.

Öğrenme çıktıları: Eşbütünleşmeyi sahte regresyona karşı “geçerli uzun dönem ilişki” olarak tanımlar; Engle–Granger ve Johansen

test mantığını uygular; Johansen’de rank kavramını doğru yorumlar; deterministik bileşen seçiminin test sonuçlarını

etkileyebileceğini bilir.

8) VAR Modeli: Sistem Yaklaşımı ve Gecikme Yapısı

VAR’ın temel fikri: tüm değişkenler içsel, her biri kendi ve diğerlerinin gecikmeleriyle açıklanır.
Düzey VAR (I(0)) ile fark VAR (I(1), eşbütünleşme yok) ayrımı.
Gecikme uzunluğu seçimi: AIC, BIC, HQ gibi bilgi kriterleri.
Katsayıların doğrudan ekonomik etki olarak yorumlanmaması; dinamik analiz araçlarına hazırlık.

Öğrenme çıktıları: VAR sistemini doğru kurar; durağanlık durumuna göre düzey/fark VAR ayrımı yapar; gecikme seçimini bilgi

kriterleriyle gerekçelendirir; VAR katsayı yorumunun sınırlarını bilir.

9) Nedensellik Analizi: Granger Yaklaşımı

Granger nedenselliğin tanımı: öngörü gücüne dayalı yönlü ilişki.
Durağan serilerde VAR tabanlı Granger testi: gecikmeli katsayıların birlikte sıfır sınaması.
Durağan olmayan serilerde fark VAR çerçevesiyle kısa dönem nedensellik.
Eşbütünleşme varsa VECM içinde kısa dönem + uzun dönem (hata düzeltme kanalı) yorum çerçevesi.

Öğrenme çıktıları: Granger nedenselliğini yapısal nedensellikten ayırır; veri rejimine göre (düzey/fark/VECM) uygun testi seçer;

ortak katsayı kısıtlarını Wald/F testi mantığıyla sınar ve sonuçları doğru çerçevede yorumlar.

10) VECM: Kısa Dönem Dinamikler ve Uzun Dönem Denge Bir Arada

Eşbütünleşme varken düzey VAR’ın sahte regresyon riski; fark VAR’ın uzun dönem bilgisini yok etmesi.
VECM’in yapısı: gecikmeli farklar (kısa dönem) + hata düzeltme terimi (denge sapması).
Alfa (uyum hızı: hata düzeltme ktsayısı) ve beta (uzun dönem ilişki) ayrımı; alfa işareti ve anlamlılığı.
Hangi değişkenin dengeye dönüşte aktif olduğunu belirleme sezgisi.

Öğrenme çıktıları: VECM’in neden gerekli olduğunu açıklar; hata düzeltme terimini kurar; alfa katsayısı ile dengeye dönüş yönü ve

hızını yorumlar; kısa dönem ve uzun dönem bileşenleri ayrıştırarak okur.

11) Uzun Dönem Katsayı Tahmini: DOLS, FMOLS ve CCR

Eşbütünleşme altında uzun dönem katsayılarının ekonomik yorum açısından önemi.
Endojenlik ve seri korelasyon problemleri; klasik EKK’nin sınırlılığı.
DOLS: bağımsız değişken farklarının öncül/gecikmeli değerleriyle düzeltme.
FMOLS: uzun dönem kovaryans yapısına dayalı düzeltme yaklaşımı.
CCR: veriyi dönüştürerek eşanlılık/seri korelasyon etkilerini azaltma.

Öğrenme çıktıları: Uzun dönem tahminde endojenlik ve seri korelasyon sorunlarını tanımlar; DOLS/FMOLS/CCR yaklaşımlarının

düzeltme mantığını ayırt eder; uygun yöntemi amaç ve veri yapısına göre seçer.

12) ARDL Modeli ve Sınır Testi: Karma Bütünleşme Derecesinde Kısa ve Uzun Dönem

ARDL’nin motivasyonu: bazı seriler I(0), bazıları I(1) olduğunda klasik eşbütünleşme çerçevesinin sınırlılığı.
ARDL’de gecikmeli fark terimleriyle kısa dönem dinamikler; gecikmeli düzey terimleriyle uzun dönem ilişki.
Sınır testi (Bounds): F-istatistiğinin alt/üst kritik değerlere göre değerlendirilmesi; belirsizlik bölgesi.
Uzun dönem ilişki varsa ECM formuna geçiş; hata düzeltme katsayısının işareti, anlamlılığı ve hız yorumu.
I(2) kısıtı: ARDL’de hiçbir değişkenin ikinci dereceden bütünleşik olmaması.

Öğrenme çıktıları: ARDL’nin hangi veri rejiminde tercih edildiğini açıklar; kısa dönem–uzun dönem bileşenlerini aynı modelde ayırır;

Bounds test ile uzun dönem ilişkinin varlığına karar verir; ECM dönüşümüyle dengeye dönüşü yorumlar; I(2) kısıtını kontrol eder.

Çapa 4

Panel Veri Analizi Eğitim Platformu

1) Panel Veri Analizine Giriş: Veri Yapısı ve Neden Panel?

Panel veri setinin iki boyutlu yapısı: birimler (i) ve zaman (t).
Yatay kesit ve zaman serisi ile farklar; panel verinin ikisini birleştiren yapısı.
Panel verinin güçlü yönleri: daha fazla gözlem/serbestlik derecesi, heterojenliği kontrol, daha güvenilir çıkarım.
Dengeli–dengesiz panel; birim etkisi, zaman etkisi, heterojenlik ve birimler arası korelasyon kavramları.

Öğrenme çıktıları: Panel veri yapısını tanımlar; yatay kesit–zaman serisi–panel ayrımını kurar; panel verinin avantajlarını

metodolojik gerekçeyle açıklar; temel kavramları (balanced/unbalanced, unit/time effects, heterojenlik, cross-section dependence)

doğru kullanır.

2) Tanımlayıcı İstatistikler: Overall–Between–Within Ayrımı

Tanımlayıcı istatistiklerin rolü: veri setini model öncesi sayısal olarak okuma.
Gözlem sayısı, ortalama, standart sapma, min–maks ile düzey ve oynaklık sezgisi.
Panel veride değişkenlik ayrıştırması: overall (genel), between (birimler arası), within (birim içi-zaman içi).
Within/between yapısının model seçimine erken ipucu sunması.

Öğrenme çıktıları: Tanımlayıcı istatistikleri panel bağlamında yorumlar; overall–between–within değişkenliğini ayırt eder; birimler

arası ve zaman içi hareketi ayrı ayrı okur; modelleme öncesi veri kalitesi ve yapı hakkında çıkarım üretir.

3) Panel Veriyi Görselleştirme: Birim Profilleri ve Ortak Eğilim

Panel grafiklerinin amacı: erken tanı ve model spesifikasyonuna zemin hazırlama.
Birimlerin zaman içi davranışını aynı grafikte izleme; ortak eğilim ve ayrışmaları görme.
Zaman etkisi ihtiyacı için görsel ipuçları: ortak şoklar, dönemsel kırılmalar.
Dengesiz panelin (eksik dönem/birim) grafik üzerinden doğrulanması.

Öğrenme çıktıları: Panel grafiklerini amaç odaklı seçer; birim içi dinamikleri ve panelin ortak seyrini birlikte yorumlar; zaman etkisi

gerekliliği için görsel bulgu üretir; dengesiz paneli grafiksel olarak tanılar.

4) Korelasyon Analizi: Overall–Within–Between İlişki Okuması

Korelasyonun rolü: değişken seçimi ve çoklu doğrusal bağlantı riski için ön inceleme.
Overall korelasyonun ilk izlenim sağlaması; panel yapısını tam ayrıştırmaması.
Within ve between korelasyon sezgisi: ilişkinin birim içi mi birimler arası mı taşındığını görme.
Korelasyonun anlamlılık testi (t-testi) ve p-değeriyle karar.
Serpilme diyagramı ile aykırı, kümelenme ve doğrusal olmayan yapıların erken tespiti.

Öğrenme çıktıları: Korelasyonu panel bağlamında yorumlar; overall–within–between ilişki ayrımını kurar; korelasyonun anlamlılığını

doğru test eder; scatter ile aykırı/doğrusal olmayan ilişki sinyallerini tanılar; çoklu bağlantı riskini erken fark eder.

5) Havuzlanmış En Küçük Kareler: Klasik Panel Regresyon Başlangıcı

Havuzlanmış modelin varsayımı: tüm birimler ve tüm dönemler için ortak sabit ve ortak eğimler.
En kısıtlayıcı panel modelinden en esnek modele doğru genel sınıflama fikri.
Havuzlanmış modelin referans rolü: FE/RE ile karşılaştırma için başlangıç noktası.
Temel varsayımlar: dışsallık, tam çoklu doğrusal bağlantı yokluğu, homoskedastisite/otokorelasyon yokluğu.

Öğrenme çıktıları: POLS yaklaşımının varsayımlarını kurar; panel heterojenliği ihmal edildiğinde oluşabilecek sapma/tutarsızlık

riskini açıklar; POLS’u FE/RE seçim sürecinde referans model olarak konumlandırır.

6) Birinci Farklar: Gözlenemeyen Sabit Heterojenliği Eliminasyon

Gözlenemeyen birim etkisi (µi) ve bağımsız değişkenlerle korelasyon sorunu.
Birinci fark dönüşümü ile zaman içinde sabit bileşenlerin yok edilmesi.
Tek yönlü ve iki yönlü etkiler fikrine geçiş: birim etkisi, zaman etkisi, ortak şoklar.
Fark alma sonrası hata yapısı: otokorelasyon riski ve robust standart hata ihtiyacı.

Öğrenme çıktıları: Birinci fark mantığını matematiksel sezgiyle kurar; sabit heterojenliği neden/ nasıl elimine ettiğini açıklar; fark

modelinde varsayımları tanımlar; pratikte robust/cluster standart hata ihtiyacını gerekçelendirir.

7) Sabit Etkiler: Grup İçi Dönüşüm ve Gölge Değişken Yaklaşımı

Sabit etkilerin motivasyonu: µi ile Xit korelasyonluysa RE tutarsızlaşır.
Grup içi (within) dönüşüm: birim ortalamasından sapmalarla µi’nin elimine edilmesi.
Gölge değişkenli EKK (LSDV): birim kuklalarıyla sabitlerin doğrudan tahmini.
Zaman içinde değişmeyen değişkenlerin FE’de tahmin edilememesi; serbestlik derecesi maliyeti.

Öğrenme çıktıları: FE yaklaşımının temel varsayımını (corr(µi, Xit) ≠ 0 olabilmesi) kavrar; within ve LSDV yöntemlerini ayırt eder;

FE’nin pratik sınırlılıklarını (time-invariant değişkenler, df kaybı) doğru açıklar.

8) Tesadüfi Etkiler: Hata Bileşenleri Modeli ve GLS Mantığı

Tesadüfi etkiler varsayımı: µi ile Xit ilişkisiz (corr(µi, Xit)=0).
Hata bileşenleri yapısı: birleşik hata = µi + uit; kovaryans yapısının klasik EKK’yi etkin olmaktan çıkarması.
GLS ile yarı-dönüşüm ve θ parametresi; θ’nın 0–1 aralığında POLS–FE arasında konumlanması.
Varyans bileşenleri (σ²µ, σ²u), ρ ve modelin yapısal yorumu.
ML yaklaşımı ve GLS ile yakınsama fikri.

Öğrenme çıktıları: RE varsayımını FE’den ayırır; hata bileşenleri kovaryans yapısını kurar; θ ve ρ üzerinden modelin “POLS–FE

arası” doğasını yorumlar; RE’de GLS/ML mantığını açıklar.

9) Tek Yönlü Zaman Etkisi ve İki Yönlü Modeller

Zaman etkisi: tüm birimleri aynı anda etkileyen dönemsel şokların (λt) modele alınması.
Tek yönlü zaman etkili model: dönem kuklaları veya zaman-mean dönüşümü ile kontrol.
İki yönlü sabit etkiler: hem µi hem λt birlikte; en kapsamlı kontrol yapısı.
İki yönlü karma model: zaman sabit, birim tesadüfi; hibrit yaklaşım ve GLS gereği.

Öğrenme çıktıları: Zaman etkisinin ekonomik anlamını kurar; tek yönlü zaman FE ile iki yönlü modelleri ayırt eder; iki yönlü sabit ve

iki yönlü karma yapının hangi veri/süreçlerde uygun olacağını gerekçelendirir.

10) Model Tercihi ve Karar Testleri: F, LM, Hausman ve Mundlak

Ön adım: birim/zaman etkisi var mı? (klasik modele karşı F testleri).
RE’ye geçiş için Breusch–Pagan LM testi: varyans bileşeni sıfır mı?
FE–RE seçimi için Hausman testi: korelasyon varsayımı üzerinden tutarlılık–etkinlik karşılaştırması.
Mundlak yaklaşımı: X’lerin birim ortalamalarını ekleyerek korelasyonu “modelin içine gömme” ve Wald testiyle karar.
Robust koşullarda düzeltilmiş/ bootstrap Hausman fikri.

Öğrenme çıktıları: Panel model seçim ağacını kurar; F/LM/Hausman testlerini doğru hipotezlerle uygular; Mundlak yaklaşımının

yapısal mantığını açıklar; robust koşullarda testlerin nasıl ele alınacağını bilir.

11) Çoklu Doğrusal Bağlantı: VIF ve Yorum Riskleri

Multicollinearity’nin kaynağı: benzer trendler, ortak ekonomik belirleyiciler, veri üretim süreci yakınlığı.
Belirtiler: yüksek R² ama anlamsız t-istatistikleri; büyük standart hatalar.
Tanılama: VIF (1/(1−R²)), eşik sezgisi ve değişken bazında değerlendirme.
Çözümler: değişken seçimi/yeniden tanım, örneklem veya T artırma, alternatif yöntemler (ridge/PCA gibi).

Öğrenme çıktıları: Çoklu bağlantının çıkarım üzerindeki etkisini açıklar; VIF’i doğru hesap/yorumlar; sorun tespitinde uygulanabilir

çözüm stratejileri geliştirir.

12) Normallik: Panel Artıklarında Dağılım Varsayımı ve Testler

Normalliğin rolü: özellikle küçük örneklemde t ve F çıkarımının dayanağı.
Jarque–Bera: çarpıklık (S) ve basıklık (K) üzerinden ortak test.
D’Agostino türü testler, Shapiro–Wilk ve Anderson–Darling; kuyruk duyarlılığı farkları.
Grafikler: histogram ve Q–Q plot ile nitel doğrulama.
Sapmada çözümler: dönüşümler, aykırı yönetimi, bootstrap/robust çıkarım.

Öğrenme çıktıları: Normalliğin çıkarımdaki yerini açıklar; JB ve diğer testleri koşullara göre seçer; grafiksel tanıyı testlerle birlikte

yorumlar; normallik sapmasında uygulanabilir düzeltme yollarını belirtir.

13) Heteroskedastisite: Tanılama ve Robust Standart Hatalar

Homoskedastisite varsayımı ve ihlalde standart hata sorunları.
Breusch–Pagan LM: kalıntı kareleri üzerinden yardımcı regresyon mantığı.
White testi: kareler ve çapraz terimlerle esnek sınama.
Düzeltmeler: log dönüşüm, WLS/TWLS, White-robust (Huber–Eicker–White) standart hatalar.

Öğrenme çıktıları: Heteroskedastisitenin çıkarımı nasıl bozduğunu açıklar; BP ve White testlerinin mantığını kurar; tespit sonrası

uygun düzeltmeyi (WLS/robust SE) gerekçelendirir.

14) Otokorelasyon: Panel Zaman Boyutunda Seri Bağımlılık

Panelde otokorelasyonun anlamı: birim içinde zaman boyunca bağımlı hatalar.
Tanılama: Breusch–Godfrey LM yaklaşımı ve gecikme mertebesi seçimi (yıllık/çeyreklik/aylık sezgisi).
Düzeltmeler: genelleştirilmiş farklar, Prais–Winsten türü yaklaşımlar.
Pratik çözüm: birim düzeyinde cluster-robust standart hatalar (Arellano–Froot–Rogers).

Öğrenme çıktıları: Otokorelasyonun etkinlik ve çıkarım üzerindeki etkisini açıklar; BG-LM testini uygular; düzeltme stratejilerini

(dönüşüm/cluster SE) doğru seçer.

15) Birimler Arası Korelasyon: Yatay Kesit Bağımlılığı ve Dayanıklı Çıkarım

Yatay kesit bağımlılığı: ortak şoklar, küresel krizler, karşılıklı etkileşimler.
Tanılama: Breusch–Pagan LM (T büyük, N küçük), Scaled LM ve Pesaran CD (N büyük, T küçük/orta).
Bağımlılık göz ardı edilirse standart hataların tutarsızlaşması ve testlerin sapması.
Düzeltmeler: Driscoll–Kraay standart hatalar; uygun gecikme seçimi ve kernel mantığı.

Öğrenme çıktıları: Cross-section dependence kavramını kurar; N–T rejimine göre uygun testi seçer; bağımlılık varlığında çıkarımın

neden bozulduğunu açıklar; Driscoll–Kraay ile dayanıklı standart hata yaklaşımını uygular.

16) Spesifikasyon Hataları: Fonksiyonel Form ve RESET

Spesifikasyon hatası: eksik değişken, yanlış fonksiyonel biçim, eksik etkileşim terimleri.
Yanlılık/tutarsızlık ve yanlış çıkarım riski.
Ramsey RESET: tahmin edilen değerlerin polinom terimlerini modele ekleyerek fonksiyonel form sınaması.
Kısıtlı–kısıtsız F testi ile ortak anlamlılık üzerinden karar.

Öğrenme çıktıları: Spesifikasyon hatası türlerini ayırt eder; RESET mantığını kurar; F testiyle karar verir; bulguya göre modeli teorik

temelle revize eder.

17) Model Seçimi: Bilgi Kriterleri ve Stepwise Mantığı

Model seçiminde hedef: uyum–yalınlık dengesi; yalnız R² ile karar vermeme.
AIC ve küçük örnek düzeltmeli AICc; olasılık temelli ceza yapısı.
BIC/Schwarz: daha ağır ceza ile parsimonik model eğilimi; düzeltilmiş R²’nin yardımcı rolü.
Çok değişkenli durumda stepwise (forward) stratejisi ve durdurma kuralı.

Öğrenme çıktıları: Bilgi kriterlerinin mantığını açıklar; AIC/AICc–BIC farkını yorumlar; stepwise sürecini kriter temelli yürütür;

ekonometrik uygunluk ile ekonomik yorumlanabilirliği birlikte değerlendirir.

18) Yapısal Değişiklikler: Kırılma Testleri ve Modellemesi

Yapısal değişiklik: sabitte, eğimde veya her ikisinde parametre rejimi değişimi.
Kırılma tarihi biliniyorsa Chow testi; veri iki alt örnekleme ayrılır ve RSS karşılaştırılır.
Kırılma tarihi bilinmiyorsa Sup-F yaklaşımı: olası tarihler için F’lerin maksimumu; trim kuralı sezgisi.
Kırılma sonrası temsil: kırılma kuklası (düzey), etkileşim (eğim), birlikte kullanım (düzey+eğim).

Öğrenme çıktıları: Yapısal kırılmanın ekonometrik etkisini açıklar; bilinen/bilinmeyen tarih ayrımıyla uygun testi seçer; Sup-F ve

Chow mantığını kurar; kırılmayı kukla/etkileşim ile modele doğru biçimde dahil eder.