| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| Uygulamalı Mikro Veri Analizi | İVA 518 | | 2 | 3 + 0 | 3 | 7,50 |
| |
| Ders Bilgileri |
| Dersin Öğretim Dili | Türkçe |
| Dersin Seviyesi | Yüksek Lisans |
| Dersin Türü | Seçmeli |
| Dersin Veriliş Biçimi | Yüz Yüze |
| |
Dersin Öğrenme Kazanımları:
Bu dersi başarı ile tamamlayan öğrenciler: |
| 1. Mikro düzeyde verilerin analizinde standart doğrusal regresyon yöntemlerinin neden yetersiz kalabileceğini kavrar ve bu sınırlamaları mikroekonometrik bir bakış açısıyla açıklar. |
| 2. Farklı mikro iktisadi modeller ve veri yapıları (kesikli sonuçlar, panel veri yapıları vb.) için uygun mikroekonometrik yöntemleri ayırt edebilir ve gerekçelendirebilir. |
| 3. İkili, çok terimli ve sıralı seçim modellerini ve panel veri modellerini kuramsal çerçevesiyle birlikte açıklar ve karşılaştırabilir. |
| 4. R programını kullanarak mikro veriler üzerinde panel veri ve kesikli tercih modellerini tahmin edebilir. |
| 5. Tahmin sonuçlarını ekonomik anlamlarıyla yorumlayabilir; katsayılar, marjinal etkiler ve model uyum ölçütlerini değerlendirebilir. |
| 6. Mikro veri kullanan ampirik çalışmaları yöntemsel açıdan eleştirel bir bakışla inceleyebilir. |
| 7. Uygun mikroekonometrik yöntemleri kendi veri setlerine uygulayarak temel düzeyde ampirik analizler gerçekleştirebilir. |
| |
| Dersin Önkoşulları ve/veya Birlikte Alınması Gereken Dersler | Yok |
| Daha Önce Alınmış Olması Önerilen Dersler | Yok |
| |
Dersin Tanımı:
Bu derste, mikro iktisat ve işletme ekonomisinin uygulamalı alanlarında gerçekleştirilen ampirik araştırmalarda ve seçim analizlerinde yaygın olarak kullanılan mikro düzeydeki verilerin analizine yönelik ekonometrik teknikler uygulamalı olarak öğretilmektedir. Ders kapsamında sabit etkili ve rassal etkili panel veri modelleri, dinamik panel veri modelleri ile ikili probit ve logit modelleri, çok terimli logit modeli ve sıralı logit modeli ele alınmaktadır. Uygulamalar R programı kullanılarak gerçekleştirilmektedir. |
| |
Üretken Yapay Zeka Kullanımı:
ChatGPT, Copilot, Claude ve Gemini gibi üretken yapay zeka araçları, bu derste tamamlayıcı öğrenme araçları olarak kullanılacaktır. Öğrencilerin, veri seti özellikleri ve araştırma hedefleri doğrultusunda farklı ekonometrik modelleri (örneğin, Doğrusal Regresyon vs. Logit vs. Probit veya Sabit Etkiler vs. Rassal Etkiler vs. Dinamik Panel Veri Modelleri) karşılaştırma, yapay zeka tarafından üretilen regresyon çıktılarının açıklamalarını yorumlama ve veri analizi için R betikleri oluşturma veya hata ayıklama gibi görevlerde bu yapay zeka araçlarını kullanmaları teşvik edilecektir. Ayrıca, öğrenciler hata mesajlarını çözümlemek, problem çözme yaklaşımlarını geliştirmek ve yapay zeka tarafından üretilen çözümleri kendi çözümleriyle karşılaştırarak hataları ve verimsizlikleri belirlemek için bu araçlardan faydalanabileceklerdir. Yapay zeka araçları destekleyici bir mekanizma olarak hizmet edecek olsa da, öğrenciler yapay zeka çıktılarının eleştirel bir bakış açısıyla değerlendirilmesi ve bağımsız analitik düşünme becerilerinin geliştirilmesi konusunda yönlendirilecektir. |
| |
| Dersin İçeriği (Haftalık Konu Dağılımı): |
| |
| Hafta | Konu |
| 1 | Doğrusal Regresyon ve En Küçük Kareler Yönteminin Tekrarı I |
| 2 | Doğrusal Regresyon ve En Küçük Kareler Yönteminin Tekrarı II |
| 3 | Maksimum Olabilirlik Yöntemi |
| 4 | İkili Probit Modeli |
| 5 | İkili Logit Modeli |
| 6 | Örtük Regresyon ve Rassal Fayda Modelleri |
| 7 | İkili Seçim Modellerinin R ile Uygulamaları |
| 8 | Çok Terimli Logit Modeli |
| 9 | Sıralı Logit Modeli |
| 10 | Çok Terimli ve Sıralı Logit Modellerinin R ile Uygulamaları |
| 11 | Sabit Etkiler Panel Veri Modeli |
| 12 | Rassal Etkiler Panel Veri Modeli |
| 13 | Dinamik Panel Veri Modelleri |
| 14 | Panel Veri Modellerinin R ile Uygulamaları |
| |
| Kaynaklar: |
| (1) Wooldridge, J. M. (2020), Introductory Econometrics: A Modern Approach, 7th edition. Cengage Learning. (ISBN: 978-1337558860).
(2) Stock, J. H. and Watson, M. W. (2019), Introduction to Econometrics, 4th edition. Pearson. (ISBN: 978-0134461991).
(3) Johnston J. and DiNardo, J. (1997), Econometric Methods, 4th edition. McGraw-Hill. (ISBN: 978-0079131218). |
| |
| Diğer Kaynaklar: |
| (1) Cameron, A. C. and Trivedi, P. K. (2005), Microeconometrics: Methods and Applications. Cambridge University Press. (ISBN: 978-0521848053).
(2) Hanck, C.; Arnold, M.; Gerber, A; and Schmelzer, M. (2024), Introduction to Econometrics with R. University of Duisburg-Essen. (https://www.econometrics-with-r.org/)
(3) Heiss, F. (2020), Using R for Introductory Econometrics. Independently published. (ISBN: 979-8648424364). |
| |
| Öğretim Yöntem ve Teknikleri: |
| Öğretim stratejisi çoğunlukla dersler, problem çözme ve ödevlere dayanmaktadır. Sınıf için tartışmalara katılmaları beklenen öğrenciler soru sorma ve düşüncelerini paylaşma konularında teşvik edilirler. Ders sorumlusu, öğrencilerin ders materyali hakkındaki sorularını cevaplamak ve onlara yardımcı olmak için düzenli görüşme saatlerine sahiptir. |
| |
| Değerlendirme Sistemi: |
| Yöntem | Adet | Katkı (%) |
| Ara Sınav | 1 | %35 |
| Final Sınavı | 1 | %35 |
| Ödev | 1 | %30 |
| |
| Ders İşbaşı Eğitimi (iş yerinde eğitim) Gerektiriyor mu? |
| Gerektirmiyor |
| |
Dersin AKTS İş Yükü:
|
| # | Aktivite | Adet | Süre (Saat) | İş Yükü |
| 1 | Derslere Katılım (haftalık bazda) | 14 | 3,00 | 42,00 |
| 2 | Laboratuvarlara/Derslere Katılım (haftalık bazda) | 0 | 0,00 | 0,00 |
| 3 | Notların önceden hazırlanması ve son haline getirilmesi (haftalık bazda) | 14 | 3,00 | 42,00 |
| 4 | İlgili materyalin toplanması ve seçilmesi (bir kez) | 1 | 2,50 | 2,50 |
| 5 | İlgili materyalin kendi kendine incelenmesi (haftalık bazda) | 14 | 2,00 | 28,00 |
| 6 | Ev ödevleri | 1 | 23,00 | 23,00 |
| 7 | Sınavlara Hazırlık | 0 | 0,00 | 0,00 |
| 8 | Ara Sınavlara Hazırlık (Sınavların süresi dahil) | 1 | 25,00 | 25,00 |
| 9 | Dönem Ödevi/Vaka Çalışması Raporunun Hazırlanması (sözlü sunum dahil) | 0 | 0,00 | 0,00 |
| 10 | Dönem Projesi/Saha Çalışması Raporunun Hazırlanması (sözlü sunum dahil) | 0 | 0,00 | 0,00 |
| 11 | Final Sınavına Hazırlık (sınav süresi dahil) | 1 | 25,00 | 25,00 |
| |
Dersin Program Yeterlilikleri vs. Öğrenme Kazanımları:
|
| # | Program Yeterlilikleri | Katkı (0-4) |
| 1 | Veri analitiği yöntem ve tekniklerinin kavramsal temellerine hâkim olmak | 4 |
| 2 | Temel programlama becerilerini geliştirmek ve istatistiksel problemleri çözmeye yardımcı yazılımları kullanacak teorik ve uygulama yetileri kazanmış olmak | 3 |
| 3 | Verileri kullanılabilir formata dönüştürebilmek ve probleme bağlı olarak veri analizi araçlarını kullanarak probleme uygun modelleme yapabilmek ve karar mekanizmasına destek verebilmek | 4 |
| 4 | Verilerden üretilen bilgileri problemlerin çözümünde kullanabilmek, sonuçları veri görselleştirme araçları yardımıyla sunabilmek ve uygulamaların çıktılarını yorumlamayabilmek ve raporlayabilmek | 4 |
| 5 | Veri analitiği ile ilgili problem çözme ve uygulama becerilerini, disiplinler arası çalışmalarda kullanabilmek | 4 |