KANTİL REGRESYON ANALİZİNDE BOOTSTRAP TAHMİNİ

Regresyon analizi, istatistik ve ekonometrik tahmin modellerinde sıklıkla kullanılan tahmin yöntemlerinden biridir. Regresyon analizinde yardımcı analiz yöntemlerden biri de kantil regresyon yöntemidir. Regresyon analizinde yardımcı analiz yöntemlerden biri de kantil regresyon yöntemidir. Kantil regresyon modelinde herhangi bir dağılım varsayımı gerekmemektedir ve çeşitli kantillere bağlı olarak parametre katsayılarını tahmin ettiği için aşırı değerlerin bulunduğu yapıdaki veri setlerinde daha iyi tahminler vermektedir. Ayrıca kantil regresyon değişen varyansın belirlenmesine imkân sağlamaktadır. Doğrusal regresyon analizinde ise veri yapısının model için uygun olması gibi şartlar vardır. Veri yapısındaki aşırı değerlere karşı iyi sonuçlar sunmamaktadır. Bu çalışmada; Doğrusal regresyon ve Kantil regresyon yöntemleri tanıtılmış ve aralarındaki farklar belirtilmiştir. Bootstrap yöntemi hakkında bilgiler verilmiştir. Uygulama kısmında ise 2000-2017 yılları arası aylık Üretici Fiyat endeksi(Üfe), Üfe(-2) dönem gecikmesi ve Beklenti Anketi verileri kullanılmıştır. Bu veriler Bootstrap yöntemiyle belirli düzeylerde veri sayıları arttırılarak Doğrusal ve Kantil Regresyon yöntemleri Ortalama Mutlak Sapma (OMS) ve Hata Kareler Ortalaması Karekökü (HKOK) sonuçları karşılaştırılarak hangi yöntemin en uygun modeli tahmin ettiği üzerine çalışılmıştır. Sonuçlar, Doğrusal ve Kantil Regresyon(50) yöntemlerinin OMS ve HKOK değerleri birbirine en yakın ve en küçük değerleri ile bu iki yöntem en uygun modelleri tahmin ettiğini göstermiştir.

___

  • [1] Aktükün, A., 2002, Asal Bileşenler Analizine Bootstrap Yaklaşımı, İstanbul Üniversitesi İktisat Fakültesi Ekonometri ve İstatistik e-Dergisi.
  • [2] Bassett, G.W. ve Chen, H.L., 2001, Quantile style: return-based attribution using regression quantiles, Physica-Verlag HD, Chicago, 293-305.
  • [3] Baur, D., Saisana, M., Niel, S.N., 2004. “Modelling The Effects of Meteorological Variables on Ozone Concentration a Quantile Regression Approach”, Atmospheric Environment, vol:38, No.28, pp. 4689–4699.
  • [4] Chen, L., 2005, An Introduction to Kantil Regression and the QUANTREGProcedure, Statistics and Data Analysis, 213-230
  • [5] Efron, B., 1979, Bootstrap methods: another look at the jackknife, The Annals ofStatistics, 7, 1-26
  • [6] Efron B., 1990, More Efficient Bootstrap Computations. JASA. 85(409)
  • [7] Erilli N.A., ve Alakuş K., 2016, Parameter estimation in theil-sen regression analysis with jackknife method. Eurasian Academy of Sciences, Eurasian Econometrics, Statistics & Emprical Economics Journal, Volume: 5 S: 28 ‐ 41.
  • [8] Gujarati, D.N., 2004, Basic Econometrics. The Mc-Graw Hill Companies. s. 18.
  • [9] Koenker, R., 2005, Kantil Regression, USA: Cambridge University Press
  • [10] Koenker, R., ve Hallock, K.F., 2001, Quantile Regression: An Introduction, Journal of Economic Perspectives, 15, 143–156.
  • [11] Leping K-O., 2005, Public-Private Sector Wage Differential in Estonia:Evidence From Quantile Regression, Tartu University, Faculty of Economics And Business Administration, Tartu University Press, Orden No:431, Tartu
  • [12] Smeekes, S., 2009, Bootstrapping nonstationary time series (Doctoral Thesis), Maastricht University.
  • [13] Stoffer, D.S., ve Wall, K.D., 1991, Bootstrapping State Space Models.Gaussian Maximum Likelihood Estimation and Kalman Fitler, JASA, Aralık , Vol.56. N.416, s.1024.
  • [14] Wang, H., 2007, Quantile Regression: Overview and Applications to RiskAssessment, North Caroline State University, 1-26
  • [15] Wu C.F. J., 1986, Jackknife, Bootstrap and Other Resampling Methods in Regression Analysis. Am. Of Stat. 14(4): 1261-1295.
  • [16] Yorulmaz, Ö., 2009, Dayanıklı Regresyon Yöntemi ve Çeşitli Sosyal Veriler Üzerinde Aykırı Gözlemlerin Teşhisi, Balikesir University Journal of Social Sciences Institute,12(21).