Konu Anlatımı / Ders Notu
Korelasyon, Regresyon, Endeks Sayıları ve Zaman Serileri – Konu Anlatımı
KPSS Alan Bilgisi İstatistik: Korelasyon, Regresyon, Endeks Sayıları ve Zaman Serileri, konu anlatımı.
1. İki değişken arasındaki ilişkinin incelenmesi
İstatistikte iki nicel değişkenin birlikte nasıl değiştiğini araştırmak için saçılım (dağılım) grafiği, kovaryans, korelasyon ve regresyon kullanılır. Örneğin reklam harcaması X ile satış tutarı Y arasında bir ilişki bulunabilir. Grafikte yatay eksene X, dikey eksene Y yerleştirilir; her gözlem bir nokta olarak gösterilir.
Yukarı doğru eğilim pozitif ilişkiyi, aşağı doğru eğilim negatif ilişkiyi düşündürür. Noktaların eğri boyunca sıralanması doğrusal olmayan ilişki olabileceğini, tek bir uç noktanın görünümü belirgin biçimde değiştirmesi ise aykırı gözlem etkisini düşündürür. Yalnız grafiğe bakarak nedensellik kanıtlanamaz.
2. Kovaryansın yönü ve birimi
Örneklem kovaryansı s_xy=Σ(xᵢ−x̄)(yᵢ−ȳ)/(n−1) olarak hesaplanır. İki değişken birlikte ortalamalarının üstüne veya altına çıkma eğilimindeyse kovaryans pozitif; biri artarken diğeri azalma eğilimindeyse negatiftir. Kovaryansın büyüklüğü ölçü birimlerine bağlı olduğundan farklı değişken çiftleri arasında ilişki gücünü doğrudan karşılaştırmak için uygun değildir.
Örnek: X'in ortalamasından sapmalar −1 ve +1; Y'nin sapmaları −2 ve +2 ise çarpımlar pozitiftir. Y sapmaları +2 ve −2 olsaydı kovaryans negatif olurdu. Kovaryansın sıfır olması doğrusal birlikte değişimin bulunmadığına işaret eder, fakat her türlü ilişkinin olmadığı anlamına gelmez.
3. Pearson korelasyon katsayısı
Pearson korelasyon katsayısı r=s_xy/(s_x s_y) şeklindedir. Standart sapmalar sıfır değilse −1≤r≤1. r>0 pozitif doğrusal, r<0 negatif doğrusal ilişkiyi; |r| büyüdükçe daha kuvvetli doğrusal birlikteliği gösterir. r=1 ve r=−1, tüm noktaların uygun eğimli bir doğru üzerinde olduğu mükemmel doğrusal ilişkidir. r=0, doğrusal korelasyon yoktur; örneğin Y=X² gibi eğrisel bir ilişki yine de bulunabilir.
Korelasyon birimsizdir. X veya Y'nin birimine pozitif sabitle ölçekleme r'yi değiştirmez; tek değişkenin negatif sabitle çarpılması işareti tersine çevirir. Korelasyon, doğrusal olmayan yapılara ve uç değerlere duyarlı olabilir. Korelasyon katsayısı bağımlı ve bağımsız değişken ayrımı yapmaz: r(X,Y)=r(Y,X).
4. Spearman sıra korelasyonu
Pearson, ham nicel değerler arasındaki doğrusal ilişkiyi değerlendirirken Spearman rho sıralamalar arasındaki monoton ilişkiyi ölçer. Bir değişken diğerinin artmasıyla sürekli artıyor veya azalıyorsa, ilişki eğri biçiminde olsa bile Spearman yüksek mutlak değer alabilir. Sıralı ölçekli veriler ve belirgin uç değer etkisinden kaçınılmak istenen bazı durumlarda yararlı olabilir.
Bağlı sıra bulunmadığında Spearman katsayısı ρ_s=1−[6Σdᵢ²]/[n(n²−1)] formülüyle hesaplanabilir; dᵢ aynı gözlemin iki sıralamadaki sıra farkıdır. Eşit değerlerde bağ düzeltmeleri gerekir; salt bu kısa formülü ezberlemek yeterli değildir. Kendall tau da sıra temelli bir ilişki ölçüsüdür; farklı bir karşılaştırma mantığıyla hesaplanır.
5. Regresyonun amacı ve basit model
Basit doğrusal regresyon, bağımlı değişken Y'nin koşullu ortalamasını açıklayıcı değişken X ile modellemeye çalışır: Yᵢ=β₀+β₁Xᵢ+εᵢ. β₀ sabit terim, β₁ eğim, ε gözlenmeyen hata terimidir. Tahmini doğru ŷ=a+bX biçiminde yazılır.
Eğim b, X bir birim arttığında tahmin edilen Y'nin ortalama kaç birim değiştiğini gösterir. Sabit a, X=0 için tahmini değerdir; X=0 gözlenen veri aralığında değilse bu yorum pratik açıdan anlamlı olmayabilir. Bir veri çiftine dayanarak tahmin yapmak, bu ilişkiyi nedensel etki olarak yorumlamaktan farklıdır.
6. En küçük kareler ve katsayıların hesabı
En küçük kareler yöntemi (OLS), gözlenen yᵢ ile tahmin edilen ŷᵢ arasındaki artıkların eᵢ=yᵢ−ŷᵢ kareleri toplamını küçültür: SSE=Σeᵢ². Basit doğrusal regresyonda b=Σ(xᵢ−x̄)(yᵢ−ȳ)/Σ(xᵢ−x̄)², a=ȳ−bx̄.
Model sabit terimli OLS ile tahmin edilirse örneklem artıklarının toplamı sıfırdır, tahmin doğrusu (x̄,ȳ) noktasından geçer ve artıkların X ile örneklem içi çarpımlarının toplamı sıfırdır. Bu mekanik özellikler modelin tüm varsayımlarının sağlandığını tek başına göstermez.
7. Açıklama gücü ve R-kare
Toplam değişim SST=Σ(yᵢ−ȳ)², artık kareler toplamı SSE=Σ(yᵢ−ŷᵢ)², regresyonun açıkladığı kareler toplamı SSR=SST−SSE olarak yazılır. Sabit terimli örneklem içi OLS'de R²=SSR/SST=1−SSE/SST. Böylece R², Y'nin örneklem varyasyonunun model tarafından açıklanan payını gösterir.
Örnek: SST=100 ve SSE=25 ise R²=1−25/100=0,75; model örneklemdeki toplam kareler değişiminin %75'ini açıklamıştır. Bu, “Y'nin %75'ine X neden oluyor” demek değildir. Tek açıklayıcılı sabitli OLS'de R²=r² olduğundan r=−0,80 iken R²=0,64'tür. Çoklu regresyonda R² yeni değişken eklenmesiyle düşmez; düzeltilmiş R² modele eklenen parametreleri hesaba katarak karmaşıklığı cezalandırabilir.
8. Artıklar ve regresyon varsayımları
Doğrusal modelin geçerliliği için ilişkinin ilgili fonksiyonel biçimde tanımlanması, uygun bağımsızlık koşulları ve açıklayıcı değişkenlere koşullu hata ortalamasının sıfır olması gibi varsayımlar önemlidir. Eş varyanslılık (homoskedastisite), hata varyansının X boyunca sabit kalmasıdır. Hata varyansı değişiyorsa heteroskedastisite söz konusudur; bu durum klasik standart hataları ve çıkarımı etkileyebilir.
Hataların bağımsızlığı özellikle zaman içinde sıralanmış verilerde kritik olabilir. Normal hata varsayımı bazı küçük örneklem çıkarımlarını kolaylaştırır, ancak OLS katsayılarını matematiksel olarak hesaplamak için tek başına zorunlu değildir. Artık grafiğinde eğrisel örüntü model biçiminin yetersizliğini, yelpaze biçimi değişen varyansı, zamanla dalgalanan düzenli yapı otokorelasyonu düşündürebilir.
9. Katsayıların sınanması ve güven aralığı
H₀: β₁=0, X'in doğrusal eğiminin sıfır olduğu iddiasıdır. Uygun koşullarda t=b/SE(b) istatistiği kullanılır; çok küçük p-değeri sıfır eğime karşı kanıt oluşturur. Örnek: b=4, SE(b)=2 ise t=2. İki taraflı %5 testte kritik t değeri serbestlik derecesine bağlıdır; z=1,96 değeri her küçük örnekleme körlemesine uygulanmaz.
Bir eğim katsayısının güven aralığı b±t_kritik×SE(b) biçimindedir. Aralık sıfırı içermiyorsa uyumlu iki taraflı testte katsayı sıfırdan anlamlı farklıdır. Belirsizlik, etki büyüklüğü ve pratik önem birlikte değerlendirilmelidir.
10. Çoklu regresyon ve yorum
Y=β₀+β₁X₁+β₂X₂+…+ε modelinde β₁, diğer açıklayıcı değişkenler sabit tutulduğunda X₁'deki bir birim artışla ilişkilendirilen koşullu değişimdir. Açıklayıcı değişkenler birbirleriyle çok güçlü ilişkiliyse çoklu doğrusal bağlantı (multicollinearity) katsayı tahminlerinin standart hatalarını büyütebilir. Önemli fakat gözlenmeyen değişkenleri dışarıda bırakmak, belirli koşullarda sapmalı katsayı yorumlarına yol açabilir.
Artıkların bağımsız olmaması ve yanlış model biçimi tahmin hatalarını büyütebilir; örneklem içinde çok yüksek R², veri dışındaki tahmin başarısını garanti etmez. Eğitme-değerlendirme ayrımı ve uygun doğrulama gerekir.
11. Endeks sayılarının amacı
Endeks, bir değişkenin veya çoklu değişkenlerden oluşan sepetin zaman ya da mekân boyunca göreli değişimini özetler. Baz dönem endeksi çoğu durumda 100 kabul edilir. Tek mal için fiyat endeksi I_p=(p_t/p_0)×100; miktar endeksi I_q=(q_t/q_0)×100. Endeks 125 ise düzey baz döneme göre %25 artmış, 80 ise %20 azalmıştır.
Sabit bazlı endeks tüm dönemleri aynı 0 bazına göre gösterir. Zincirleme endeks ardışık dönemleri karşılaştırır; dönemsel oranlar çarpılarak sabit baz endeksi yeniden üretilebilir: I_{0,t}=[I_{0,1}×I_{1,2}×…×I_{t−1,t}]/100^{t−1}. Endeksler toplama yoluyla değil, çarpma yoluyla zincirlenir.
12. Laspeyres, Paasche ve Fisher fiyat endeksleri
Birden çok malın fiyatındaki değişimi hesaplamak için sepet ağırlıkları kullanılır.
Laspeyres fiyat endeksi: L_p=[Σp_t q_0 / Σp_0 q_0]×100. Baz dönemin miktarları q₀ sabit tutulur; temel soru “eski sepetin maliyeti ne kadar değişti?”dir.
Paasche fiyat endeksi: P_p=[Σp_t q_t / Σp_0 q_t]×100. Cari dönem miktarları q_t ağırlık görevi görür; “bugünkü sepetin baz fiyatlarla karşılaştırması”nı verir.
Fisher ideal fiyat endeksi: F_p=√(L_p×P_p); iki fiyat endeksinin geometrik ortalamasıdır. Laspeyres ve Paasche aynı iki dönemi ancak farklı miktar ağırlıklarıyla karşılaştırır. Tercih ve sapma yorumları tüketici ikamesi ve veri kapsamı gibi varsayımlara bağlıdır.
13. Değer endeksi, nominal ve reel büyüklükler
Toplam değer endeksi I_v=[Σp_t q_t / Σp_0 q_0]×100 olarak hesaplanır. Bu endeks fiyat ve miktarın birlikte değişimini yansıtır; yalnız fiyat değişimi değildir.
Uygun kapsamlı fiyat endeksiyle nominal bir büyüklükten reel büyüklüğe geçişte kullanılan temel ilişki Reel≈Nominal/(Fiyat Endeksi/100)'dür. Örneğin nominal ücret 30.000 TL ve uygun fiyat endeksi 150 ise baz yıl fiyatlarıyla yaklaşık reel karşılık 30.000/1,5=20.000 TL'dir. Endeksin birimi ve kapsadığı sepet bu hesapta önemlidir.
TÜFE, tüketici tarafından satın alınan mal ve hizmetlerin fiyat hareketlerini temsil eden bir endekstir; üretici fiyat endeksleri farklı bir işlem aşamasını ve kapsamı izler. GSYH deflatörü, nominal GSYH'nin reel GSYH'ye oranıyla ilişkili geniş bir fiyat ölçüsüdür. Bu göstergeler farklı sepet ve tanımlar taşıdığından birbirinin bire bir eş anlamlısı değildir.
14. Dönemsel değişim, yüzde puan ve bileşik büyüme
Bir serinin t döneminden t+1 dönemine artış hızı (Y_{t+1}−Y_t)/Y_t×100'dür. 100'den 120'ye çıkan değer %20 büyür; 120'den 100'e dönüş %16,67 azalıştır. Artış ve düşüş yüzdeleri aynı tabanlı değildir.
İki dönem arasındaki oranları zincirlerken yüzde değişimlerin basit toplamı yerine (1+g₁)(1+g₂)… kullanılır. Başlangıç Y₀ ve n dönem sonrası Y_n verilirse bileşik ortalama büyüme oranı (Y_n/Y₀)^(1/n)−1'dir. Örneğin 100'den iki yılda 121'e çıkan seri yılda bileşik %10 büyümüştür.
Oranların birbirinden çıkarılması yüzde puan farkı verir: %20'den %25'e çıkan işsizlik oranı 5 yüzde puan artmıştır; göreli artış ise %25'tir.
15. Zaman serisinin bileşenleri
Zaman serisi, gözlemlerin tarih sırasına göre dizildiği veridir. Trend (T), uzun dönemli genel yönü; mevsimsellik (S), belirli sabit takvim aralıklarında tekrar eden düzeni; çevrimsel hareket (C), sabit periyodu zorunlu olmayan daha uzun ekonomik dalgalanmaları; düzensiz bileşen (I), açıklanamayan kısa dönem değişimini ifade eder.
Toplamsal model Y=T+S+C+I; çarpımsal model Y=T×S×C×I biçimindedir. Mevsimsel dalgalanmanın büyüklüğü düzeyle birlikte artıyorsa, pozitif veride çarpımsal yaklaşım uygun olabilir. Mevsimsel dalgalanma yaklaşık sabit mutlak büyüklükteyse toplamsal biçim düşünülebilir.
Aylık veride yıllık tekrar 12, üç aylık çeyrek veride yıllık tekrar 4 gözlem aralığına karşılık gelir. Her dalgalanma mevsimsellik değildir; rastgele veya çevrimsel değişimler de olabilir.
16. Hareketli ortalamalar ve düzleştirme
Basit k dönemli hareketli ortalama, son k gözlemin aritmetik ortalamasıdır: MA_t=(Y_t+Y_{t−1}+…+Y_{t−k+1})/k. Örneğin üç dönem değeri 10, 12 ve 14 ise üçüncü dönem hareketli ortalaması (10+12+14)/3=12'dir. Tek yönlü hareketli ortalama, ani değişimlere gecikmeli tepki verebilir.
Ağırlıklı hareketli ortalamada toplamı 1 olan ağırlıklar kullanılır: WMA_t=Σw_jY_{t−j}. Yakın döneme daha yüksek ağırlık verilebilir. Basit üstel düzleştirme için F_{t+1}=αY_t+(1−α)F_t, 0<α≤1. α büyüdükçe son gözlemin etkisi yükselir ve tahmin daha hızlı tepki verir; ancak kısa dönem gürültüsüne duyarlılık da artabilir.
17. Trend çizgisi ve zaman serisi tahmini
Basit doğrusal trend modeli Y_t=a+bt+e_t'dir. b, zaman bir dönem ilerlediğinde tahmin edilen düzeydeki ortalama değişimi gösterir. t indeksleri eşit aralıklı olmalıdır. Örneğin ŷ_t=100+5t modelinde t=4 için tahmin 120'dir. Doğrusal trendin gelecekte süreceği garantisi yoktur; kırılmalar, mevsimsellik ve dışsal etkenler ayrıca değerlendirilmelidir.
Düzey verisinde trendi çıkarmak “detrending”, mevsimsel bileşeni çıkarmak “mevsimsellikten arındırma” olarak anılır. Çarpımsal modelde pozitif mevsimsellik endeksi S_t oran ölçeğinde veriliyorsa mevsim etkisi giderilmiş değer Y_t/S_t'dir; endeks 120 ölçeğindeyse Y_t/(120/100) kullanılır.
18. Otokorelasyon, durağanlık ve tahmin hatası
Otokorelasyon, bir serinin mevcut ve gecikmeli değerleri arasında ilişki bulunmasıdır. Birinci gecikmede pozitif otokorelasyon, yüksek değerlerin sonraki dönemde de yüksek olmaya eğilimli olabileceğini gösterebilir. Beyaz gürültü idealleştirmesinde seri sıfır ortalamalı, sabit varyanslı ve farklı zamanlarda korelasyonsuz kabul edilir; bağımsızlık ek varsayım gerektirebilir.
Zayıf durağanlıkta serinin ortalaması ve varyansı zamanla değişmez; otokovaryansı sadece iki gözlem arasındaki gecikmeye bağlıdır. Durağanlık, “seri hiç değişmez” demek değildir. Güçlü trend, dönemsel ortalama değişimi veya varyansın sürüklenmesi durağanlığı bozabilir.
MAE=ortalama|Y_t−F_t| ve MSE=ortalama(Y_t−F_t)² tahmin hata ölçüleridir. RMSE=√MSE olup orijinal değişkenin birimine döner. MSE büyük hataları karelediğinden büyük hatalara daha fazla ağırlık verir. Zaman serisinde değerlendirme bölünmesi zaman sırasını korumalıdır; gelecekteki gözlemlerle geçmişi tahmin edecek modelin eğitilmesi bilgi sızıntısı yaratır.
19. Yöntem seçimi ve sınav taktikleri
Birden fazla yöntem aynı sayfada sorulabilir. Önce veri tipini ve amaçlanan sonucu belirleyin: iki nicel değişken arasında bağ mı, bir denklem mi, fiyatların baza göre değişimi mi, zaman içindeki örüntü mü? Sonra uygun hesaplamayı yapın; yüzdelerin ve endekslerin birim dönüşümünü son adımda kontrol edin.
Konu Özeti
Kovaryans birlikte değişim yönünü, Pearson r birimsiz doğrusal ilişki yönünü ve gücünü belirtir; Spearman sıra temelli monoton ilişki ölçüsüdür. Basit regresyon ŷ=a+bX, OLS yöntemi artık kareler toplamını en aza indirir. Sabitli tek açıklayıcılı OLS'de R²=r²; R² nedensellik değildir. Fiyat endeksleri baz 100'e göre hesaplanır; Laspeyres q₀, Paasche q_t, Fisher bu ikisinin geometrik ortalamasını kullanır. Değer endeksi fiyat ve miktarı birlikte kapsar. Zaman serisinin trend, mevsimsellik, çevrim ve düzensiz bileşenleri; hareketli ortalama, üstel düzleştirme, otokorelasyon ve tahmin hataları farklı amaçlara hizmet eder.
Soru Çözerken Kullanılabilecek Yaklaşım
- İki değişken sorusunda ilişki yönü/gücü mü yoksa Y tahmini mi istendiğini belirleyin.
- r'nin işaretini yorumlayın; r² istendiğinde katsayının karesini alın ve nedensellik iddiasında bulunmayın.
- Regresyonda b=Sxy/Sxx ve a=ȳ−bx̄ formüllerini yazın; ŷ ile artık e=y−ŷ'yi karıştırmayın.
- SST ve SSE verildiyse R²=1−SSE/SST kullanın. Farklı örneklem ve model koşullarında formül varsayımlarını denetleyin.
- Endekste 0 ile t dönemini ve kullanılan miktar ağırlığının q₀ mı q_t mi olduğunu tespit edin.
- Endeks 125 ise baz döneme göre artışı %25 olarak ifade edin; endeks yüzdesiyle artış yüzdesini ayırın.
- Zaman serisinde trend, mevsimsellik ve tesadüfi dalgalanmaları sınıflandırın; tahmin için son k dönem/α ağırlığını doğru uygulayın.
- Tahmin doğruluğunu MAE, MSE, RMSE ayrımına göre değerlendirip yorumlayın.
Sık Karıştırılan Noktalar
- Pearson r, her türlü ilişkiyi değil doğrusal ilişkiyi ölçer; r=0 bağımsızlık garantisi değildir.
- Kovaryansın büyüklüğü ölçü biriminden etkilenir; korelasyon birimsizdir.
- Spearman sıra korelasyonu özellikle monoton ilişkiyi değerlendirir; her eğri ilişkiyi güçlü göstermesi beklenmez.
- r² örneklem içi açıklanan varyasyonla ilgilidir; X'in Y'ye neden olduğu pay değildir.
- Basit regresyonda eğim birimler taşıyabilir; korelasyon taşımaz.
- Sabit terim, X=0 gözlenmemişse bağlam dışında yorumlanmamalıdır.
- OLS'de artıkların toplamının sıfır olması bütün model varsayımlarını kanıtlamaz.
- Laspeyres baz miktarı q₀, Paasche cari miktar q_t kullanır.
- 120 endeks değeri %120 artış değil %20 artıştır.
- Nominalden reele geçişte endeks 100 ölçeğindeyse endeksi 100'e bölüp kullanmak gerekir.
- Mevsimsellik düzenli takvim tekrarını, çevrim sabit süresi olmayabilen daha uzun hareketi anlatır.
- α yükselince üstel düzleştirme son gözleme daha duyarlı olur.
- Durağanlık, gözlemlerin sabit değerde kalması anlamına gelmez.
- Zaman serilerinde rastgele karıştırılmış eğitim-test ayrımı geleceğe ilişkin bilgiyi geçmişe taşıyabilir.
Konuyu Bitirdiğinde Bunları Yapabiliyor Olmalısın
- Kovaryans, Pearson ve Spearman katsayılarının kullanım alanlarını ayırt edebilmek.
- r'nin işareti ve büyüklüğünü doğru yorumlayıp korelasyonla nedenselliği ayırabilmek.
- Küçük veri setlerinde en küçük karelerle eğim ve sabiti hesaplayabilmek.
- Artık, SSE, SST, R² ve katsayı yorumlarını doğru yapabilmek.
- Basit/çoklu regresyondaki varsayımsal sorunları örneklerinden tanıyabilmek.
- Basit, Laspeyres, Paasche, Fisher ve değer endekslerinin formüllerini seçebilmek.
- Nominal ve reel değer dönüşümü ile dönemsel ve bileşik büyümeyi hesaplayabilmek.
- Trend, mevsimsellik, çevrim, düzensiz hareket ve otokorelasyonu ayırt edebilmek.
- Hareketli ortalama, üstel düzleştirme ve temel tahmin hata ölçülerini uygulayabilmek.
Bu Üniteyi Pekiştir
Konuyu tamamladıysan çalışma notlarıyla tekrar yapabilir veya seviyene uygun testlerle kendini ölçebilirsin.
Bu Konuyla İlgili Testler
KPSS Alan Bilgisi İstatistik Korelasyon, Regresyon, Endeks Sayıları ve Zaman Serileri - Kolay Test
20 soru
Temel kavramları kontrol et
KPSS Alan Bilgisi İstatistik Korelasyon, Regresyon, Endeks Sayıları ve Zaman Serileri - Orta Test
20 soru
Bilgini uygulamaya geçir
KPSS Alan Bilgisi İstatistik Korelasyon, Regresyon, Endeks Sayıları ve Zaman Serileri - Zor Test
20 soru
Detay ve yorum gücünü ölç
KPSS Alan Bilgisi İstatistik Korelasyon, Regresyon, Endeks Sayıları ve Zaman Serileri - Karma Test 1
20 soru
Gerçek sınav temposunda kendini dene