THE MULTICOLLINEARITY AND AN APPLICATION FOR INFLATION MODEL USING LIU ESTIMATOR

Abstract

One of the problems encountered in the multi-regression analysis is multicollinearity case. Multicollinearity in regression models is a result of strong correlations among independent variables. The existence of multicollinearity inflates the variances of the parameter estimates. That may result, particularly for small and moderate sample sizes, in lack of statistical significance of individual independent variables while the overall model may be strongly significant. Multicollinearity may also result in wrong signs and magnitudes of regression coefficient estimates, and consequently in incorrect conclusions about relationships between independent and dependent variables. In this research, firstly, theoretical structure of collinearity diagnostics and Liu estimator is introduced. Afterwards, an application of Liu estimator for the inflation model is done. According to the model in which a multicollinearity is removed using the Liu estimator, we have concluded that the money supply and USD variables are the most effective variables on the inflation in the specified period

Keywords

• Multicollinearity,Liu Estimator,Inflation

ÇOKLU BAĞINTI VE LIU KESTİRİCİSİYLE ENFLASYON MODELİ İÇİN BİR UYGULAMA

Öz

Çoklu regresyon analizinde karşılaşılan sorunlardan birisi de çoklu bağıntı durumudur. Çoklu bağıntı, bağımsız değişkenler arasındaki güçlü bir ilişkinin sonucudur. Çoklu bağıntı parametre kestirimlerinin varyansını büyütür. Bu da, özellikle küçük ve orta büyüklükteki örneklem hacimleri için, katsayılar tek tek istatistiksel olarak anlamsız iken, genel modelin oldukça anlamlı olduğu sonucunu verebilecektir. Ayrıca tahmin edilen regresyon katsayılarının işaretlerinde ve büyüklüklerinde de yanlışlık olabilecektir. Dolayısıyla bağımlı ve ve bağımsız değişkenler arasındaki ilişki yanlış ifade edilecektir. Bu makalede önce çoklu bağıntıyı belirleme teknikleri anlatılarak, enflasyon modeli için Liu kestiricisisiyle bir uygulaması yapıldı. Liu kestiricisi ile çoklu bağıntıdan arındırılmış modele göre, ilgili dönemde enflasyon üzerinde en fazla para arzı ve USD değişkenlerinin etkili olduğu görüldü.

Anahtar Kelimeler

• Çoklu Bağıntı,Liu Kestiricisi,Enflasyon

Kaynakça

1. Akdeniz, Fikri (1998), “Liu Kestiricide Yanlılık Parametresi d İçin Sınırlar”, I. İstatistik Günleri Sempozyumu, 25-28 Mayıs, Çukurova Üniversitesi, Adana.
2. Akdeniz, Fikri (2001), “The Examination And Analysis Of Residuals For Some Biased Estimators In Linear Regression”, Communications in Statistics– Theory and Methods, 30, 6, 1171-1183.
3. Aktaş, Cengiz (1995), Lojistik Regresyon Analizinde Ridge Kestiricisi ve Bir Uygulama, Yayınlanmamış, Doktora Tezi, Osmangazi Üniversitesi, Fen Bilimleri Enstitüsü, Eskişehir.
4. Aktaş, Cengiz ve Veysel Yılmaz (2003), “Çoklu Bağıntılı Modellerde Liu ve Ridge Regresyon Kestiricilerinin Karşılaştırıması”, Anadolu Ünviversitesi Bilim ve Teknoloji Dergisi, Cilt 4, Sayı 2, 189-194, 67-80.
5. Baldemir, Ercan (1997), “Çoklu Doğrusal Bağlantının Tespit Metodları Ve Türkiye Için Enflasyon Uygulaması”. Dokuz Eylül Üniversitesi, İ.İ.B.F. Dergisi, 12, 1, 173-191.
6. Belsley, David A. (1990), Conditioning Diagnostaics: Collinearity And Weak Data In Regression, John Wiley and Sons, New York.
7. Belsley, David A., Edwin Kuh ve Roy E.Welsch (1980), Regression Diagnostics: Identifying Influential Data And Sources Of Collinearity, Wilwy, New York.
8. Gujarati, Damodar N. (1988), Basic Econometrics, John Wiley And Sons, New York.

9. Girginer, Nuray ve Füsun Yenilmez (2005), “Türkiyede Enflasyonun Ekonometrik Olarak Incelenmesi”, Eskişehir Osmangazi Üniversitesi Sosyal Bilimler Dergisi, 6, 1, 101-116.
10. Hocking, R.R. (1983), “Developments In Linear Regression Methodology: 1959- 1982”, Technometrics, 25, 3, 219-229.
11. İmir, Emel (1986), Çoklu Bağıntılı Doğrusal Modellerde Ridge Regresyon Yöntemiyle Parametre Kestirimi, Anadolu Üniversitesi Fen-Edebiyat Fakültesi Yayınları,10, Eskişehir.
12. Kejian, Liu (1993), “A New Class Of Biased Estimate In Linear Regression”, Communications In Statistics, Theory And Methods, A (22), 393-402.
13. Kaçıranlar, Selahattin ve Sadullah Sakallıoğlu (2000), “Liu Ve Temel Bileşenler Regresyon Tahmin Edicilerinin Birleştirilmesi”, İstatistik Araştırma Sempozyumu, 27-29 Kasım, Ankara, 17-21.
14. Marquardt, Donald W. (1970), “Generalized Inverces, Ridge Regression, Biased Linear Estimation, And Nonlinear Estimation”, Technometrics, 12, 591-612.
15. Montgomery, Douglas C. ve Elizabeth A. Peck (1991), Introduction to Linear Regression Analysis, John Wiley And Sons, New York.
16. Sakallıoğlu, Sadullah, Selahattin Kaçıranlar ve Fikri Akdeniz (2001), “Mean Squared Error Comparisons Of Some Biased Regression Estimators”, Communications in Statistics – Theory and Methods, 30(2), 347-361.
17. Stein, C. (1956), “Inadmissibility Of Usual Estimator For The Mean Of A Multivariate Normal Distribution”, Proceedings Of The Third Berkeley Symposium Of Mathematical Statistics And Probability, Berkeley, University Of California Press, 197-206.
18. Şıklar, Emel (2000), Regresyon Analizine Giriş, Anadolu Üniversitesi Yayınları, Eskişehir.
19. Yardımcı, A. ve A. Erar (1995), “Bazı Yanlı Kestirim Yöntemleri Üzerine Bir Benzetim Çalışması”, Hacettepe Fen ve Mühendislik Bilimleri Dergisi, 16, 215-231.