Ekonometri, iktisadi kuramı veriyle sınamanın ve iktisadi ilişkileri sayısal olarak kestirmenin dilidir. Ancak bir ekonometrik modelin gücü, seçilen tekniğin verinin yapısına ne kadar uyduğuna bağlıdır. Bu yazıda regresyondan zaman serisine, panel veriden dinamik modellere uzanan temel araç setini, “ne zaman hangisi” sorusu ekseninde ele alacağız.
Temel Taş: Doğrusal Regresyon
Çoğu ekonometrik analiz, sıradan en küçük kareler (OLS) yöntemine dayanan doğrusal regresyonla başlar. Bir bağımlı değişkenin bir veya daha çok açıklayıcı değişkenle ilişkisini kestiren bu yöntem, sadelik ve yorumlanabilirlik sunar. Ancak OLS’in tutarlı ve etkin tahminler vermesi bir dizi varsayıma bağlıdır: hataların sıfır ortalamalı ve sabit varyanslı olması, açıklayıcı değişkenlerle hata teriminin ilişkisiz olması ve otokorelasyonun bulunmaması.
Bu varsayımların ihlali farklı sonuçlar doğurur. Değişen varyans (heteroskedastisite) katsayı tahminlerini yanlı yapmaz ama standart hataları güvenilmez kılar; bu durumda sağlam (robust) standart hatalar devreye girer. Asıl tehlike ise içsellik, yani açıklayıcı değişkenin hata terimiyle ilişkili olmasıdır; ihmal edilen değişken, ters nedensellik ya da ölçüm hatası bunun kaynaklarıdır ve bu sorun araç değişken yöntemlerini gerektirir. Regresyonun sağlıklı kurgulanması, çoğu tezde veri analizi aşamasının belkemiğini oluşturur.
Zaman Serisi: Verinin Belleği Olduğunda
Veriniz tek bir birime ait ve zaman içinde gözlemleniyorsa (örneğin bir ülkenin çeyreklik enflasyonu), sıradan regresyon çoğu zaman yetersiz kalır; çünkü zaman serisi verisinde gözlemler birbirinden bağımsız değildir. Burada ilk ve en kritik kavram durağanlıktır. Durağan olmayan seriler arasında yürütülen regresyon, gerçekte var olmayan ilişkiler üretebilir; buna sahte regresyon denir.
Model Ailesini Tanımak
- ARIMA: Tek bir serinin kendi geçmişine ve geçmiş hatalarına dayanarak öngörülmesinde kullanılır; kısa dönem tahmin için güçlüdür.
- VAR: Birden çok değişkenin karşılıklı dinamik etkileşimini modeller; etki-tepki analizleri ve Granger nedensellik testleri bu çerçevede yapılır.
- ARDL: Bazıları düzeyde, bazıları birinci farkta durağan olan değişkenler bir arada olduğunda uzun ve kısa dönem ilişkilerini birlikte kestirir; sınır testi yaklaşımı bu esnekliği sağlar.
Değişkenler durağan değil ama aralarında uzun dönemli bir denge ilişkisi varsa eşbütünleşme kavramı devreye girer. Engle-Granger ve Johansen yaklaşımları bu ilişkiyi sınar; ARDL sınır testi ise özellikle küçük örneklemlerde ve karışık bütünleşme derecelerinde tercih edilir. Doğru modeli seçmek, birim kök testlerinin (ADF, PP, KPSS) sonuçlarını dikkatle okumayı gerektirir.
Panel Veri: Kesit ve Zamanın Buluştuğu Yer
Birçok birimi (ülkeler, firmalar, bireyler) birden çok zaman noktasında gözlemlediğinizde panel veriye sahip olursunuz. Panel yaklaşımının en büyük gücü, gözlenemeyen ancak zaman içinde sabit kalan birim özelliklerini kontrol edebilmesidir; bu, saf kesit analizinin çözemediği bir içsellik kaynağını ortadan kaldırır.
Sabit mi, Rassal mı?
Temel ayrım sabit etkiler ile rassal etkiler modelleri arasındadır. Sabit etkiler modeli, birime özgü sabit farklılıkları kontrol eder ve gözlenemeyen bu etkilerin açıklayıcı değişkenlerle ilişkili olmasına izin verir; bu, gözlemsel verilerde nedensel yoruma daha yakın durur. Rassal etkiler modeli ise daha etkindir ancak bu ilişkisizlik varsayımına dayanır. İkisi arasında seçim genellikle Hausman testiyle yapılır; testin reddi, sabit etkiler yönünde güçlü bir işarettir.
Dinamik Panel ve GMM
Bağımlı değişkenin gecikmeli değeri açıklayıcı olarak modele girdiğinde (dinamik panel), standart tahminciler yanlı hâle gelir; çünkü gecikmeli bağımlı değişken hata terimiyle ilişkilidir. Bu durumda Arellano-Bond ve sistem GMM tahmincileri kullanılır. GMM güçlü bir araçtır ama araç sayısının şişmesi ve zayıf araç sorunlarına karşı dikkatli olmayı gerektirir; Sargan/Hansen aşırı tanımlama testi ve ikinci derece otokorelasyon testi (AR(2)) rutin olarak raporlanmalıdır.
İçsellik ve Araç Değişken
Ekonometrinin belki de en çetrefilli sorunu içselliktir. Bir açıklayıcı değişken hata terimiyle ilişkiliyse OLS tahminleri yanlı ve tutarsız hâle gelir; katsayı artık nedensel bir etkiyi değil, karışık bir ilişkiyi ölçer. Bu sorunun üç klasik kaynağı vardır: modelden ihmal edilen ve hem bağımlı hem açıklayıcı değişkenle ilişkili bir değişken, ters nedensellik (X’in Y’yi mi yoksa Y’nin X’i mi etkilediğinin belirsiz olması) ve açıklayıcı değişkendeki ölçüm hatası.
Araç değişken (IV) yaklaşımı bu düğümü çözmek için geliştirilmiştir. İyi bir araç değişken iki koşulu birlikte sağlamalıdır: içsel açıklayıcı değişkenle güçlü biçimde ilişkili olmalı (uygunluk) ama bağımlı değişkeni yalnızca o değişken üzerinden etkilemeli, hata terimiyle doğrudan ilişkisi bulunmamalıdır (dışsallık). İki aşamalı en küçük kareler (2SLS) bu tahminin standart yöntemidir. Zayıf araç sorununu ve dışsallık varsayımını sınamak için ilk aşama F istatistiği ve aşırı tanımlama testleri rutin olarak raporlanmalıdır; çünkü zayıf bir araç, çözmeyi amaçladığı yanlılıktan daha büyük bir yanlılık üretebilir.
Ne Zaman Hangisi? Bir Karar Haritası
| Veri yapısı | Tipik soru | Uygun yaklaşım |
|---|---|---|
| Tek zaman noktası, çok birim | Yordama, ilişki | OLS / araç değişken |
| Tek birim, uzun zaman | Öngörü, nedensellik | ARIMA, VAR, ARDL |
| Çok birim, çok zaman | Etki kestirimi | Sabit/rassal etkiler |
| Dinamik ilişki, kısa panel | Gecikmeli etkiler | Sistem GMM |
Bu harita bir başlangıç noktasıdır, mutlak bir reçete değil. Değişkenlerin ölçüm düzeyi, örneklem büyüklüğü ve araştırma sorusunun nedensel mi yoksa betimsel mi olduğu, nihai kararı biçimlendirir. Uygun modelin seçimi kadar, o modelin varsayımlarını sınamak ve sonuçları doğru araçlarla üretmek de belirleyicidir; bu nedenle kullanılacak yazılımın ve analiz araçlarının yeteneklerini önceden değerlendirmek zaman kazandırır.
Doğrusal olmayan sonuç değişkenleri de model ailesini değiştirir. Bağımlı değişken ikili (var/yok) ise lojistik regresyon, sayım verisi ise Poisson ya da negatif binom modelleri devreye girer; bu durumlarda OLS katsayıları hem yanlış hem de yorumlanması güç sonuçlar üretir. Benzer biçimde, sınırlı ya da sansürlenmiş bağımlı değişkenlerde Tobit türü modeller gerekir. Bir başka deyişle, “hangi model” sorusunun yanıtı yalnızca verinin zaman-kesit yapısında değil, sonuç değişkeninin doğasında da gizlidir.
Tahminden Yoruma
Bir ekonometrik katsayı sadece bir sayı değil, bir iddiadır. Onu yorumlarken büyüklüğün iktisadi anlamını, güven aralığını ve modelin sınırlarını birlikte düşünmek gerekir. İstatistiksel anlamlılık, iktisadi anlamlılıkla aynı şey değildir; çok büyük örneklemlerde önemsiz büyüklükteki etkiler bile anlamlı çıkabilir. İyi bir ampirik çalışma, bulgusunun hem sağlamlığını (robustness) farklı spesifikasyonlarla sınar hem de sonuçlarını kuramla ve alanyazınla konuşturur.
Ekonometrinin özü, karmaşık teknikleri sıralamak değil; verinin yapısını doğru okuyup ona uygun aracı bilinçle seçmektir. Model seçimi bir teknik tercih olmaktan çok bir muhakeme sürecidir ve bu muhakemeyi sağlam bir yöntemsel çerçeveye yaslamak, bulgularınızın hem savunulabilirliğini hem de bilimsel değerini belirgin biçimde yükseltir. Unutmayın ki en gelişmiş tahminci bile, yanlış kurulmuş bir soruya doğru yanıt veremez; asıl beceri, tekniği araştırma sorusunun hizmetine koşabilmektir. Bu bakışı edinen bir araştırmacı, karşılaştığı her yeni veri yapısında hangi yöntemin neden uygun olduğunu kendi başına muhakeme edebilir hâle gelir.
