Panel veri analizi, aynı birimlerin birden fazla dönemde gözlendiği veri yapılarıyla çalışan araştırmacıların önünde neredeyse her seferinde aynı soruyu açar: Sabit etkiler modeli mi, rassal etkiler modeli mi? Bu soru çoğu zaman Hausman testinin p değerine indirgenir; oysa doğru cevap, veri yapısını, araştırma sorusunu ve modelin varsayımlarını birlikte düşünmeyi gerektirir. Bu yazıda iki modelin sezgisini, Hausman testinin mantığını ve sınırlarını, tamamlayıcı testleri, tanı prosedürlerini ve bulguların tezde nasıl raporlanacağını ele alıyoruz.
Panel Veri Nedir ve Havuzlanmış EKK Neden Yetersiz Kalır?
Panel veri (boylamsal veri), N adet birimin (firma, ülke, il, hane, hastane) T adet dönem boyunca izlenmesiyle oluşur; toplam gözlem sayısı ideal durumda N × T’dir. Her birim her dönemde gözlenmişse panel dengeli (balanced), bazı birim-dönem hücreleri eksikse dengesiz (unbalanced) olarak adlandırılır. Dengesiz panel uygulamada neredeyse kuraldır; modern tahmin yöntemleri dengesiz panelle sorunsuz çalışır, ancak eksikliğin rassal olup olmadığı ayrıca düşünülmelidir.
Panel verinin iki boyutu farklı bilgi taşır: Birimler arası (between) değişkenlik bir firmanın diğerinden nasıl farklılaştığını, birim içi (within) değişkenlik ise aynı firmanın zaman içinde nasıl değiştiğini anlatır. Panel verinin asıl gücü, ikisini aynı anda kullanarak gözlenmeyen birim özelliklerini kontrol edebilmesidir. Tipik uygulamalarda N büyük ve T küçüktür (örneğin 200 firma, 8 yıl); T’nin N’ye göre büyük olduğu makro panellerde ise durağanlık ve yatay kesit bağımlılığı gibi zaman serisi meseleleri öne çıkar.
En basit yaklaşım, tüm gözlemleri tek bir kesit gibi üst üste koyup sıradan en küçük kareler (havuzlanmış EKK, pooled OLS) uygulamaktır: yit = α + βxit + uit. Bu model her birimin aynı sabit terime sahip olduğunu varsayar. Oysa firmaların yönetim kalitesi, ülkelerin kurumsal yapısı, bireylerin yeteneği gibi zaman içinde değişmeyen ama gözlenmeyen özellikler hata terimine gömülür; bu özellikler açıklayıcı değişkenlerle ilişkiliyse, ki çoğunlukla öyledir, tahmin edilen β yanlı ve tutarsız olur. Literatürde bu duruma gözlenmeyen heterojenlik denir ve panel verinin temel motivasyonu tam olarak bu sorunu çözmektir (Wooldridge, 2010). Havuzlanmış EKK ayrıca aynı birimin farklı dönemlerdeki hatalarını bağımsız saydığından standart hataları olduğundan küçük gösterir. Bu nedenle havuzlanmış model bir karşılaştırma ölçütü olarak anlamlıdır; nihai model olarak nadiren savunulabilir.
Sabit Etkiler ve Rassal Etkiler: İki Farklı Sezgi
Sabit etkiler: birim içi değişimi kullanmak
Sabit etkiler (fixed effects, FE) modeli, gözlenmeyen heterojenliği hata teriminden ayırıp her birime özgü bir sabit terim olarak modele alır: yit = αi + βxit + εit. Buradaki αi, i’inci birimin zaman içinde değişmeyen tüm özelliklerinin toplam etkisidir ve x ile ilişkili olmasına izin verilir. Tahmin, birim içi (within) dönüşümle yapılır: Her değişkenden ilgili birimin zaman ortalaması çıkarılır. Bu işlem αi‘yi denklemden düşürür ve β yalnızca birimlerin kendi içindeki zaman değişiminden tahmin edilir. Aynı sonuca, her birim için bir kukla değişken ekleyerek (LSDV) de ulaşılır.
Bu yaklaşımın bedeli, zaman içinde değişmeyen açıklayıcı değişkenlerin modelden düşmesidir. Bir firmanın kuruluş yılı, bir ülkenin coğrafi konumu, bir bireyin cinsiyeti birim ortalamasından çıkarıldığında sıfıra dönüşür ve katsayısı tahmin edilemez; zaman içinde çok az değişen değişkenler ise geniş standart hatalarla tahmin edilir. Buna karşılık sabit etkiler modeli, gözlenmeyen birim özellikleri açıklayıcılarla ilişkili olsa bile tutarlı tahmin verir; uygulamalı çalışmalarda bu çoğu zaman belirleyici bir avantajdır.
Rassal etkiler: birim etkisini hata teriminin parçası saymak
Rassal etkiler (random effects, RE) modeli, birim etkisini tahmin edilecek bir parametre değil, belirli bir dağılımdan çekilmiş rassal bir bileşen olarak ele alır: yit = α + βxit + (μi + εit). Bileşik hata terimi aynı birim içinde dönemler arasında ilişkilidir; bu yapı genelleştirilmiş en küçük kareler (GLS) ile modellenir. RE tahmincisi, birim içi ve birimler arası bilgiyi, hata bileşenlerinin varyanslarına bağlı bir ağırlıkla birleştirir; bu nedenle hem havuzlanmış EKK’dan hem de FE’den daha etkin olabilir ve zaman içinde değişmeyen değişkenlerin katsayılarını tahmin edebilir.
Ancak bu avantajların bir ön koşulu vardır: Birim etkisi μi, açıklayıcı değişkenlerle ilişkisiz olmalıdır. Bu varsayım sağlanmıyorsa RE tahmincisi yanlıdır ve etkinlik kazanımı anlamını yitirir. Gözlenmeyen yönetim kalitesinin yatırım kararlarıyla ilişkisiz olduğunu iddia etmek çoğu zaman güçtür. Birimler geniş bir evrenden rassal olarak çekilmişse (örneğin bir hane anketindeki katılımcılar) RE savunulabilir; birimler bir evrenin tamamıysa (OECD ülkelerinin hepsi, BIST 100’deki tüm firmalar) FE genellikle daha doğal bir başlangıçtır.
Hausman Testi: Mantığı, Uygulanışı ve Bir Örnek
Hausman (1978) testi, iki tahminciyi karşılaştırma fikrine dayanır. Sıfır hipotezi altında (birim etkileri açıklayıcılarla ilişkisiz) hem FE hem RE tutarlıdır, ancak RE daha etkindir; alternatif altında yalnızca FE tutarlıdır. Dolayısıyla iki katsayı vektörü arasındaki fark sıfır hipotezi altında küçük, alternatif altında büyük olmalıdır. Test istatistiği, katsayı farklarının, varyans farkı matrisine göre ağırlıklandırılmış karesel biçimidir ve zaman içinde değişen açıklayıcı sayısı kadar serbestlik dereceli ki-kare dağılımına uyar.
Bir örnekle somutlaştıralım. 120 imalat firmasının 2014–2023 dönemine ait verisiyle Ar-Ge yoğunluğu, kaldıraç oranı ve firma büyüklüğünün kârlılık üzerindeki etkisi inceleniyor olsun. FE ve RE modellerinin ardından Hausman testi χ²(3) = 18,4; p = ,005 sonucunu vermiş olsun. Sıfır hipotezi %1 düzeyinde reddedilir; birim etkilerinin açıklayıcılarla ilişkili olduğu sonucuna varılır ve sabit etkiler modeli tercih edilir. Yorumun kritik noktası, testin “hangi model daha iyi” değil, “RE’nin temel varsayımı veriyle uyumlu mu” sorusunu yanıtladığıdır. p değeri ,05’in üzerinde kalsaydı bu, RE’nin doğru olduğunu kanıtlamaz, yalnızca sistematik bir fark tespit edilemediğini gösterirdi; küçük örneklemlerde testin gücü düşük olduğundan bu ayrım özellikle önemlidir.
Hausman Testi Yetersiz Kaldığında: Mundlak, Sağlam Hausman ve Kümelenmiş Standart Hatalar
Klasik Hausman testi, RE’nin sıfır hipotezi altında tam etkin olduğunu, yani hataların homoskedastik ve otokorelasyonsuz olduğunu varsayar. Bu koşullar sağlanmadığında test istatistiği geçersiz olabilir; varyans farkı matrisinin pozitif tanımlı çıkmaması ve negatif ki-kare değerleri bu sorunun tipik belirtisidir. İlk çözüm Mundlak yaklaşımıdır: RE modeline, zaman içinde değişen açıklayıcıların birim ortalamaları ek regresör olarak eklenir; bu ortalamaların katsayılarının topluca sıfır olduğu hipotezi Wald testiyle sınanır ve reddedilirse FE lehine karar verilir. Mundlak modeli zaman içinde değişmeyen değişkenleri korurken FE’nin birim içi katsayılarını yeniden ürettiği için başlı başına cazip bir modeldir.
İkincisi, sağlam (robust) Hausman testidir: Katsayı farkının varyansı kümelenmiş (cluster-robust) bir kovaryans tahmininden türetilir; Stata’da xtoverid ya da bootstrap ile, R’de phtest fonksiyonunun sağlam seçeneğiyle uygulanabilir. Üçüncüsü ve her koşulda önerilen uygulama, hangi model seçilirse seçilsin standart hataların birim düzeyinde kümelenmesidir; kümelenmiş standart hatalar aynı birimin dönemleri arasındaki keyfi korelasyona ve değişen varyansa karşı geçerli çıkarım sağlar ve birim sayısı yeterliyse (pratik eşik olarak en az 30–50) varsayılan tercih olmalıdır.
Zaman Etkileri, F Testi ve Breusch-Pagan LM Testi
Model seçimi yalnızca FE ile RE arasında değildir; her ikisinin havuzlanmış EKK’ya karşı sınanması da gerekir. FE modelinin havuzlanmış EKK’ya karşı testi, birim kuklalarının topluca sıfır olduğu hipotezini sınayan F testidir; Stata’da xtreg …, fe çıktısının en altında “F test that all u_i = 0” satırı olarak raporlanır ve reddedilmesi havuzlanmış modelin yetersizliğini gösterir. RE modelinin havuzlanmış EKK’ya karşı testi ise Breusch-Pagan Lagrange çarpanı (LM) testidir; sıfır hipotezi birim etkisinin varyansının sıfır olmasıdır. Stata’da xttest0 komutuyla, R’de plmtest fonksiyonuyla elde edilir.
Zaman etkileri, tüm birimleri aynı anda etkileyen şokları (kriz yılları, mevzuat değişiklikleri) kontrol etmek için dönem kuklaları biçiminde eklenir; hem birim hem zaman etkilerini içeren model iki yönlü (two-way) sabit etkiler modelidir. Zaman kuklalarının gerekliliği, katsayılarının topluca sıfır olduğu hipotezini sınayan bir F veya Wald testiyle (Stata’da testparm i.yil) değerlendirilir; kısa panellerde bu kuklalar serbestlik derecesi açısından ucuzdur ve genellikle eklenmesi önerilir. Doğru sıra şudur: Önce F ve LM testleriyle havuzlanmış modelin dışlanıp dışlanmadığı belirlenir, ardından Hausman veya Mundlak ile FE-RE kararı verilir, son olarak zaman etkilerinin gerekliliği sınanır. Bu adımların tümü ekonometrik ve panel veri analizi desteğimizin standart bir parçasıdır.
Tanı Testleri ve Sağlam Standart Hatalar
Model seçildikten sonra hata yapısı incelenmelidir; aksi hâlde katsayılar doğru ama çıkarım yanlış olabilir. Üç sorun öne çıkar. Değişen varyans için FE modelinde değiştirilmiş Wald testi (Stata’da xttest3), otokorelasyon için Wooldridge testi (xtserial) yaygın kullanılır. Makro panellerde en kritik sorun ise yatay kesit bağımlılığıdır (cross-sectional dependence): Ülkeler ya da sektörler ortak şoklara maruz kalır ve bir birimin hatası diğerlerininkiyle ilişkili olur. Pesaran CD testi (xtcsd veya R’de pcdtest) bu bağımlılığı sınar. Bağımlılık varsa birim düzeyinde kümelenmiş standart hatalar bile yetersiz kalır, çünkü kümeleme birimler arası korelasyonu kapsamaz.
Bu durumda, değişen varyansa, otokorelasyona ve yatay kesit bağımlılığına karşı dayanıklı olan ve T’nin makul büyüklükte olduğu panellerde iyi çalışan Driscoll-Kraay standart hataları (Stata’da xtscc, R’de vcovSCC) tercih edilir. Kısa mikro panellerde ise (büyük N, küçük T) birim düzeyinde kümelenmiş standart hatalar genellikle yeterlidir. Tanı testlerinin sonuçları, seçilen standart hata tahmincisini gerekçelendirmek için raporlanmalıdır. Sağlam standart hataların katsayı tahminlerini değiştirmediğini, yalnızca t istatistiklerini ve p değerlerini etkilediğini hatırlatalım; bu ayrım jüri sorularında sıkça karıştırılır.
Son bir not: Bağımlı değişkenin gecikmeli değeri açıklayıcı olarak modele girdiğinde (dinamik panel), FE tahmincisi kısa panellerde Nickell yanlılığı nedeniyle tutarsızdır; bu durumda Arellano-Bond fark GMM ya da Blundell-Bond sistem GMM tahmincileri (Stata’da xtabond, xtabond2; R’de pgmm) gündeme gelir. Dinamik panel ayrı bir yazının konusudur; burada yalnızca böyle bir modelde Hausman testinin FE-RE tercihini çözmeye yetmeyeceğini vurgulamak istiyoruz (Baltagi, 2021).
Stata ve R Komutları ile Karşılaştırma Tablosu
Aşağıdaki liste, anlatılan adımların Stata ve R’deki temel karşılıklarını özetler; veri setinin önce panel olarak tanımlanması (Stata’da xtset firma yil; R’de index = c(“firma”,”yil”)) gerekir. Diğer yazılım seçenekleri için analiz araçları sayfamıza göz atabilirsiniz.
- Stata: xtreg y x1 x2, fe; xtreg y x1 x2, re; estimates store ardından hausman fe re; xttest0 (LM); xttest3; xtserial; xtcsd, pesaran; xtreg …, fe vce(cluster firma) veya xtscc (sağlam standart hatalar).
- R (plm): plm(y ~ x1 + x2, data, model = “within”) (FE); model = “random” (RE); phtest(fe, re); plmtest(pooled, type = “bp”); pFtest(fe, pooled); pcdtest(fe); vcovHC(fe, cluster = “group”) veya vcovSCC (sağlam standart hatalar); effect = “twoways” (zaman etkileri).
| Ölçüt | Sabit Etkiler (FE) | Rassal Etkiler (RE) |
|---|---|---|
| Birim etkisi ve açıklayıcılar | İlişkili olabilir | İlişkisiz olmalıdır |
| Kullanılan değişkenlik | Yalnızca birim içi | Birim içi ve birimler arası (ağırlıklı) |
| Zaman içinde değişmeyen değişkenler | Tahmin edilemez | Tahmin edilebilir |
| Tutarlılık | Her iki durumda tutarlı | Yalnızca ilişkisizlik varsayımı altında tutarlı |
| Etkinlik | Daha düşük | Varsayım sağlanıyorsa daha yüksek |
| Tipik kullanım | Evrenin tamamı, politika ve firma çalışmaları | Rassal örneklem, zaman-sabit değişkenlere odak |
| Havuzlanmış EKK’ya karşı test | F testi | Breusch-Pagan LM testi |
Bulguları Tezde Nasıl Raporlamalısınız?
Bulgular bölümünde model seçim süreci, tanı testleri ve nihai tahminler birbirine bağlı biçimde sunulmalı; okuyucu her kararın gerekçesini görebilmelidir. Aşağıdaki metin, yukarıdaki kurgusal veri için bir şablon niteliğindedir:
“Analizde 120 firmaya ait 2014–2023 dönemini kapsayan dengeli panel veri seti kullanılmıştır (N × T = 1.200). Havuzlanmış EKK modeline karşı birim etkilerinin varlığı F testi (F(119, 1077) = 9,62; p < ,001) ve Breusch-Pagan LM testi (χ²(1) = 412,8; p < ,001) ile doğrulanmıştır. Sabit ve rassal etkiler modelleri arasında seçim için uygulanan Hausman testi, birim etkilerinin açıklayıcı değişkenlerle ilişkili olduğunu göstermiş (χ²(3) = 18,4; p = ,005) ve sabit etkiler modeli tercih edilmiştir. Zaman kuklalarının topluca anlamlı bulunması (F(9, 1068) = 4,17; p < ,001) nedeniyle iki yönlü sabit etkiler modeli tahmin edilmiştir. Değiştirilmiş Wald testi değişen varyansa (p < ,001), Wooldridge testi birinci derece otokorelasyona (p = ,002) işaret ettiğinden çıkarım firma düzeyinde kümelenmiş standart hatalara dayandırılmıştır. Pesaran CD testi yatay kesit bağımlılığı göstermemiştir (CD = 1,21; p = ,226). Sonuçlara göre Ar-Ge yoğunluğundaki bir birimlik artış, diğer değişkenler sabitken kârlılığı ortalama 0,34 puan artırmaktadır (β = 0,34; SH = 0,11; p = ,003).”
Tabloda FE ve RE tahminlerinin yan yana sunulması şeffaflığı artırır; katsayılarla birlikte standart hatalar, gözlem ve birim sayısı, birim içi R² ve kullanılan standart hata türü mutlaka yer almalıdır. Test seçiminde tereddüt ettiğiniz noktalar için hangi testi seçmeliyim aracı genel bir başlangıç çerçevesi sunar.
Sık Sorulan Sorular
Hausman testi p = ,08 verdi; rassal etkiler modelini kullanmalı mıyım?
Sıfır hipotezinin reddedilememesi RE’nin doğru olduğunu kanıtlamaz; özellikle küçük örneklemlerde testin gücü düşüktür. Mundlak yaklaşımıyla birim ortalamalarının anlamlılığını sınamanız ve iki modelin katsayılarının nitel olarak benzer olup olmadığına bakmanız önerilir. Araştırma sorunuz zaman içinde değişmeyen bir değişkeni gerektirmiyorsa, FE modelini tercih edip RE sonuçlarını sağlamlık kontrolü olarak sunmak savunulabilir bir yoldur.
Hausman testi negatif ki-kare değeri verdi; bu ne anlama gelir?
Negatif değer, varyans farkı matrisinin pozitif tanımlı olmadığını, yani testin asimptotik varsayımlarının örnekleminizde sağlanmadığını gösterir; çoğunlukla değişen varyans veya otokorelasyondan kaynaklanır. Çözüm, sağlam Hausman testi ya da Mundlak yaklaşımı kullanmak ve kararı bu testlere dayandırmaktır.
Sabit etkiler modelinde cinsiyet, sektör gibi değişkenlerim düştü; ne yapabilirim?
Bu değişkenler zaman içinde değişmediğinden birim etkisiyle özdeştir ve FE modelinde tahmin edilemez; bu bir hata değil, modelin doğasıdır. Etkilerini incelemek istiyorsanız zaman içinde değişen bir değişkenle etkileşimlerini modele alabilir, Mundlak tipi bir RE modeli kurabilir ya da Hausman-Taylor tahmincisini değerlendirebilirsiniz; her seçeneğin ek varsayımları tezde açıkça belirtilmelidir.
Kaç birim ve kaç dönem panel veri analizi için yeterlidir?
Kesin bir alt sınır yoktur; ancak kümelenmiş standart hataların güvenilirliği için birim sayısının en az 30–50 olması, FE tahmini için her birimde en az iki dönem bulunması gerekir. Beş ile on birim ve uzun T içeren veriler görünürde ilişkisiz regresyon (SUR) ya da çok değişkenli zaman serisi çerçevesinde ele alınmalıdır; uzun T’li makro panellerde durağanlık ve eşbütünleşme testleri de gündeme gelir.
Sabit ve rassal etkiler arasındaki karar, tek bir p değerine değil, veri yapınıza, araştırma sorunuza ve tanı testlerinin bütününe dayanmalıdır; Hausman testi bu sürecin merkezindedir, ancak Mundlak yaklaşımı, F ve LM testleri ve sağlam standart hatalar olmadan eksik kalır. Panel veri setinizin model seçimi, tanı testleri ya da raporlaması konusunda metodolojik destek almak isterseniz, talep formu üzerinden bize veri yapınızı ve araştırma sorunuzu iletebilirsiniz.
