dummy variable

• en basit sıralama algoritmasında kullanılan ara değişken. a ile b'nin değerlerini birbirleriyle değiştirecek olalım:
  
  c=b
  b=a
  a=c
  
  burada "c" dummy variable'dır.
• bir fonksiyonun limitini veya integralini alirken, ya da toplam veya carpim sembolu kullanirken islemin yapildigi degisken gibi belli bir eleman icin degerine bakilamayan, o ifade disinda anlam ifade etmeyen degiskenlere verilen isimdir. bound variable da denir. biraz acmak gerekirse, limit{x -> sonsuz} f(x) ifadesindeki x, integral{a'dan b'ye} f(t)dt ifadesindeki t, toplam{k=1'den sonsuza} a_k ifadesindeki k hep kukla degisken^* ornekleridir. serbest degisken^* ise yerine belli degerler koyulabilecek degiskendir, ifadenin degeri bu degiskenlere gore degisir. mesela f(x,y) iki degiskenli bir fonksiyon ise ve integral{a'dan b'ye} f(x,y)dx ifadesine bakacak olursak, burda y serbest degiskendir, cunku bu ifadede y yerine tanim kumesinden herhangi bir elemani koyup bakabiliriz, zaten ifadenin degeri de y yerine hangi degeri verdigimize gore degisir; ama bu integralde x yerine herhangi bir deger koyma sansimiz yoktur. baska bir deyisle, g(y)=integral{a'dan b'ye} f(x,y)dx bir anlam ifade ederken (ki siklikla karsilasilan bir fonksiyon tanimlama seklidir), g(x)=integral{a'dan b'ye} f(x,y)dx hic bir anlam ifade etmez. son olarak, serbest degiskenler baslarina her^*, vardir^* gibi belirtecler^* alirlarsa, kukla degiskene donusurler.
• (bkz: #10619921) meraklisina...
• (bkz: yummy variable)
• çok değil, birkaç yıl önce ekonometri dersinde bu değişkeni öğrenirken "gölge değişken" diye adlandırırdık onu. regresyonu mevsimsellkten arındırmak için ya da sayısal olarak ifade edemediğimiz değişkenleri bununla ifade ederdik. yüksek lisanstayken de bunu kullanıyor olmak çok da şaşırtıcı değil açıkçası. özellikle sosyal iktisatla ilgili bir konuyla ilgili makale yazıyor ya da çalışıyorsanız, bu değişkenler bolca kullanılacaktır zira makroiktisatta olduğu gibi enflasyon, faiz, vb gibi sayısal verilerden ziyade işsizliği ifade eden değişkenler, kişinin ne meslekle uğraştığını ifade eden değişkenler, eğitimini ifade eden değişkenler, vb dummy değişkenlerdir.
• gerizekalı proje grubu arkadaşlarımın anlamını bilmeyip tüm google alemini arayıp burda bulmaları sonucunda garklara uğradığı yapay değişken.
  p.s:bunu yapan kişilerin lojistik yönetimi son sınıf öğrencisi olmasıda entresan bir durumdur.
• hiçbir derste asla dinleyemeyeceğiniz ve doğal olarak hiçbir kitapta raslayamayacağınız kadar "türkçe", başka bir deyişle karmaşadan uzak ve yalın bir anlatım yapmışım. bu bilgiler sizi ekonometrist yapmaz ancak, iyi bir önbilgi kaynağı olmuş. buyrun efendim;
  
  kukla değişkenlerden oluşan bir regresyon doğrusunda sabit terimin yorumlanmasının mantıklı, hatta gerekli olduğu regresyonu oluşturur. çünkü sabit terimde, regresyona alınmayan bir değişkenin varlığı söz konusudur. değişkenin regresyona alınmamasının sebebi; kukla değişken tuzağına düşmemektir.
  kukla değişken tuzağı, bir kukla değişken grubunun, tam çoklu doğrusallık oluşturacak şekilde modele dahil edilmesi sonucu modelin tahmin edilemez hale gelmesidir. sorunun çözümü için bir tane değişkeni modelden çıkarmak gerekir. bu modelden çıkarma işlemi, o değişkenin sabit terim yerine yazılması şeklinde olur.
  kukla değişken grubunda, diğer değişkenler de modelin dışında tutulan katsayıya göre yorumlanır. bu katsayıya temel grup denir. modelde ßo tam olarak bu temel grup diye bahsettiğimiz şeydir.
  
  işin yorumlama aşamasına gelince, sizlere minik bir ipucu vereyim; modelin diğer katsayılarının önündeki işaretler, temel grupta kendilerini doğru kıyaslamamız açısından önemlidir.
  
  örneğin; ßo dan sonra gelen katsayı -1,43ß1 olsun. bunun anlamı, ß1'in ß0'dan "daha az" pozisyonda olduğudur.
  
  hadi daha da somutlayalım; ß0 lise mezunu olsun, ß1 ilkokul mezunu olsun; bağımlı değişkenimiz de ücret olsun. bu katsayılara göre, ilkokul mezunu biri, lise mezunu birine göre 1.43 lira daha "az" kazanıyormu. az olduğunu katsayının önündeki (-) işaretinden anladık.
  bu yorum kısmında çok önemli bir nüanstır.
  
  hatta bunun genel model içerisinde de önemli bir yer tuttuğunu söyleyebilirim. örneğin bütün katsayılar (+) işaretliyse, hepsi temel gruptan fazla kazanıyor, bazıları (-) bazıları (+) ise, kimi az kimi çok kazanıyor demektir.
  tabi bunu burda, abdala anlatır gibi anlattığım için önemsiz ve basit bir durumdan bahsediyormuşum gibi oldu; ama muhtemelen size bu mevzulardan bu kadar "türkçe" bahsetmeyecekleri için bu basit ayrıntıları atlayabilme ihtimaliniz var. bu da sizi yanlış yoruma itip, yanlış kanaatlere vardırabilir.
  
  devam...
  
  ancak, regresyona yeni bir değişken alırsan (sürekli değişken) bu noktada yine sabit terimi yorumlamaktan kaçınmalıyız, muhtemelen yanıltıcı ve dahası manasız bir yoruma ulaşacağızdır.
  vafakat, yine de diğer katsayıları yorumlarken ß0 yerine yazdığımız temel grubu da dikkate alarak yorum yapmamız gerekmekte.
  bu önemli bunu bir daha yazıyorum;
  modelde en az 1 sürekli değişken varsa, sabit terimi (ßo) yorumlanmaz. ancak diğer kukla değişkenler yorumlanırken bu sabit terim göz önüne alınır...
  
  hadi somutlayalım; ücret= 8.21+0.06den-6.53az ...
  
  burada temel grubumuz olan 8.21 üniversite mezunlarının ücret katsayılarıdır.
  den; deneyim
  az; ilkokuldan daha az eğitim almış kişilerdir.
  
  şimdi... 8.21, den(deneyim) sürekli değişkeninden sebep yorumlanmamalıdır.
  ama az(az eğitim görmüş kişi) değişkenini şu şekilde yorumlarız; aynı deneyime sahip iki kişiden, az eğitim almış olanı; üniversite mezunu olandan ortalama olarak 6.53$ daha "az" kazanıyor. neden daha az kazanıyor? yukarıda öğrenmiştik, pekiştirelim; çünkü katsayısı (-) işaretli.
  
  işbu farazi örnekler, benim ders notlarımda bulunan örnekler, stata çıktılarında bulunmuş katsayılar vs. dir. konunun sadece anlatılan kısmı kadarlık verileri pekiştirme amaçlı tarafımdan kullanılmaktadır.
  
  burada den(deneyim) katsayısını da yorumlamak istersek eğer, kukla değişkenlerden bağımsız olarak; 1 yıl daha fazla deneyime sahip bir kişinin ücreti ortalama olarak 0.06$ daha fazlaymış. fazla olduğunu yine katsayı başındaki işaretten anladık.
  
  devam...
  
  etkileşim değişkeni
  
  bu da bir çeşit iki değişkenin çarpımıdır.
  ilk önce bir kukla değişken ile bir sürekli değişkenin çarpılması (*) işlemini ele alalım.
  yani kukla değişkende 1 değeri verdiğimiz grubun, sürekli değişkendeki yerini gösterir de diyebiliriz.
  
  yine farazi bir örnek verecek olursak (yine ders notlarımdan alıntı örneklerdir)
  kadın=1
  erkek=0 dersek ve sürekli değişken olarak da "eğitim" değişkenini kullanırsak, burada yeni bir değişken üretip kadıneğitim değişkeni türetebiliriz ve bu değişken bize erkeklerin eğitimi ne olursa olsun sadece kadınların eğitim gördüğü süreyi gösterir.
  
  ve bu katsayı (bağımlı değişkenin ücret olduğunu kabul ettiğimizde); kadın bir yıl daha fazla eğitim gördüğünde, kadınla erkek arasındaki kazanç farkını gösterir.
  
  önemli nüans!! eğer bu etkileşim değişkeni anlamlı değilse, kadın ve erkek arasında ücret farkı yok demektir. değişken anlamlıysa yine katsayının başındaki işarete bakarak arada ne tür bir kazanç farkı olduğu hakkında ""ortalama olarak"" yorum yapabiliriz.
  
  devam...
  
  iki kukla değişkeni de çarpabiliriz. yine ders notlarımdaki örnek üzerinden gidelim; kadın ve evli değişkeni üzerinde konuşalım.
  kadın=1 evli=1
  erkek=0 evlideğil=0
  
  kadınevli değişkeni oluşturduğumuzda, elimizdeki katsayı, evli bir kadın olma durumunda, evli bir kadın olmamadurumuna göre olan ücret farkı hakkında bilgi verir.
  
  devam...
  
  aynı zamanda sürekli değişkenler içerisine kukla değişken sokup chow testi (yapısal kırılma) da yapılabilinir.
  
  örneğin; enflasyonu etkileyen faktörlerden bir regresyon doğrusu oluşturup, 2001 yılından öncesi ve sonrasında enflasyonu etkileyen faktörlerin katsayılarında bir değişiklik olup olmadığına bakabiliriz.
  *burada 2001 yılı ve sonrasına 1, 2001 yılından öncesine 0 denir.
  
  burada boş hipotezimiz, eklediğimiz kukla değişkenin 0 a eşit olduğu, alternatif hipotezimiz de 0'a eşit olmadığıdır.
  
  buradan bildiğimiz t testi ile sonuca gideriz.
  her işlemin sonunda boş hipotezi kabul edersek eğer, yapısal kırılma yokturdiyebiliriz.
  
  son olarak;
  
  başka bir kullanım şekli olarak, kukla (gölge) değişkenler yani dummy veriable bağımlı değişken de olabilir.
• kitapta dalga geçiliyor zannettim ama (bkz: kukla değişken) demekmiş^*
• bu konuya hakim biri bana mesaj atarsa çok sevinirim...