Kazanimlar:
- Regresyon çıktısını (katsayı, standart hata, p-değeri, R-kare) doğru okuyup yapay zeka yorumunu eleştirel değerlendirebilme
- Korelasyon-nedensellik ayrımını, içsellik, atlanmış değişken ve sahte regresyon gibi tuzakları tanıyıp yapay zekanın aşırı nedensel dilini frenleyebilme
- Yapay zekayı model kurulumu, kod ve teşhis testi taslağı için kullanıp model seçim ve yorum sorumluluğunu insana bırakabilme
Ekonometri, iktisadi teoriyi veriyle sınama disiplinidir ve regresyon onun temel aletidir. "Gelir arttıkça tüketim ne kadar artar?", "Faiz ile yatırım arasındaki ilişki nedir?" gibi sorular regresyonla nicelleştirilir. Yapay zeka bu alanda hem çok yararlı hem çok tehlikelidir: model kodunu ve teşhis testlerini saniyeler içinde yazar, ama çıktıyı yorumlarken sıkça aşırı nedensel ve aşırı kesin konuşur. "X, Y'yi artırır" cümlesini akıcı kurar; oysa çoğu regresyon yalnızca bir ilişki ölçer. Bu ünitenin özü şudur: Yapay zekayı model kurulumu, kod ve teşhis testi için kullanın; ama model seçimi, nedensellik yargısı ve yorum sorumluluğunu insanda tutun.
Regresyon çıktısını okumak
Basit bir regresyonun çıktısında dört şeye bakılır:
- Katsayı. Açıklayıcı değişken bir birim artınca bağımlı değişkenin ne kadar değiştiğinin tahmini. İşareti (artı/eksi) ve büyüklüğü iktisadi anlam taşımalı.
- Standart hata. Katsayı tahmininin belirsizliği; küçükse tahmin daha kesin.
- p-değeri. Katsayının "aslında sıfır olduğu" varsayımı altında bu kadar büyük görülme olasılığı. Küçük p (< 0,05) "istatistiksel olarak anlamlı" denir — ama bu iktisadi önem veya nedensellik demek değildir.
- R-kare. Modelin bağımlı değişkendeki değişimin ne kadarını açıkladığı. Yüksek R-kare "doğru model" demek değildir; sahte regresyonlarda da yüksek çıkabilir.
İpucu: İstatistiksel anlamlılık ile iktisadi önemi karıştırmayın. Büyük örneklemde çok küçük, pratikte önemsiz bir etki bile "anlamlı" (küçük p) çıkabilir. Önce "bu katsayının büyüklüğü iktisaden önemli mi?" diye sorun, sonra anlamlılığa bakın.
Korelasyon nedensellik değildir: klasik tuzaklar
Ekonometrinin kalbindeki uyarı budur. Regresyonun bulduğu ilişki, çoğu zaman nedensellik değildir. Başlıca tuzaklar:
- Atlanmış değişken. Hem X'i hem Y'yi etkileyen ama modelde olmayan bir üçüncü faktör, X ile Y arasında sahte bir ilişki yaratır. (Örnek: eğitim ve gelir arasındaki ilişkide "yetenek" atlanırsa katsayı yanıltıcı olur.)
- Ters nedensellik (içsellik). X, Y'yi etkiliyor sanılırken belki Y, X'i etkiliyordur ya da ikisi karşılıklıdır. (Polis sayısı ve suç: suç arttığı için polis mi arttı?)
- Sahte regresyon. İki durağan olmayan (trendli) seri, aralarında hiçbir gerçek ilişki olmasa da yüksek R-kare ve anlamlı katsayı verebilir. Sadece ikisi de zamanla büyüdüğü için.
- Seçim yanlılığı. Örneklem rastgele değilse, ilişki çarpık ölçülür.
Nedensellik iddiası ancak uygun bir tasarımla (kontrollü deney, doğal deney, araç değişken, fark-içinde-fark gibi yöntemler) ve açık varsayımlarla kurulabilir. Yapay zeka bu inceliği çoğu zaman atlar.
Dikkat: Yapay zeka "bu değişken şunu artırıyor/azaltıyor" derse, hemen frenleyin. Sorun: Atlanmış değişken var mı? Ters nedensellik mümkün mü? Seriler durağan mı? Bu üç soru sorulmadan hiçbir nedensel cümle rapora girmez.
Teşhis testleri
Bir regresyonun güvenilir olması için varsayımları sınanır: artıkların (hata terimlerinin) örüntüsü (otokorelasyon), değişen varyans (heteroskedastisite), çoklu doğrusal bağlantı (açıklayıcı değişkenlerin birbirine çok benzemesi), normal dağılım. Yapay zeka bu testlerin kodunu yazar; ama sonuçları yorumlayıp modeli buna göre düzeltmek iktisatçının işidir.
Üç mini vaka
Vaka 1 — Sahte regresyon. Bir araştırmacı iki trendli seriyi (biri nominal harcama, biri nominal başka bir büyüklük) regres etti; R-kare 0,98, katsayı çok anlamlı çıktı. Yapay zeka "güçlü bir ilişki" dedi. Araştırmacı durağanlık testi yaptı: her iki seri de durağan değildi. Farkları alınınca ilişki büyük ölçüde kayboldu. Yüksek R-kare, sadece ikisinin de zamanla büyümesindendi. Sahte regresyon yakalandı.
Vaka 2 — Atlanmış değişken. Bir analiz "reklam harcaması satışları artırıyor" sonucunu verdi. İktisatçı sordu: mevsim etkisi modelde var mı? Yoktu. Hem reklam hem satışlar bayram öncesi artıyordu; ilişkinin bir kısmı mevsimdendi. Mevsim kukla değişkenleri eklenince reklamın katsayısı küçüldü. Nedensel iddia yumuşatıldı.
Vaka 3 — Anlamlı ama önemsiz. Büyük bir mikro veri setinde bir katsayı p<0,001'di; yapay zeka "güçlü etki" dedi. Ama katsayının büyüklüğü pratikte ihmal edilebilirdi (gelirdeki büyük bir değişim, sonucu binde bir oynatıyordu). İktisatçı "istatistiksel olarak anlamlı ama iktisaden önemsiz" diye doğru çerçeveledi. Anlamlılık, önem yerine geçmedi.
Yorum denetim tablosu
Yapay zeka der ki
İktisatçı sorar
"X, Y'yi artırıyor"
Atlanmış değişken? Ters nedensellik?
"R-kare yüksek, model iyi"
Seriler durağan mı? Sahte regresyon mu?
"p<0,05, anlamlı"
Büyüklük iktisaden önemli mi?
"Katsayı 0,3"
İşareti ve birimi teoriyle uyumlu mu?
"İlişki güçlü"
Örneklem seçimi yanlı mı?
Dört kopyalanabilir şablon
1) Model kurulum taslağı:
Şu iktisadi soruyu inceleyeceğim: [soru]. Bağımlı değişken: [Y].Aday açıklayıcılar: [X'ler]. Bana uygun bir başlangıç regresyonkurulumu öner (statsmodels kodu). Hangi kontrol değişkenlerininneden gerektiğini açıkla. Nedensellik iddia ETME; ilişki dilini kullan.
2) Teşhis testleri:
Kurduğum regresyon için teşhis testlerini kod olarak yaz:otokorelasyon, heteroskedastisite, çoklu bağlantı, artıklarındağılımı ve (zaman serisiyse) durağanlık. Her test sonucununasıl yorumlayacağımı ve sorun çıkarsa ne yapabileceğimi kısaca yaz.
3) Nedensellik denetimi:
Şu regresyon sonucunu yorumla ama önce şu üç tuzağı kontrol et:(1) atlanmış değişken olabilir mi ve hangisi, (2) ters nedensellikmümkün mü, (3) seriler durağan mı / sahte regresyon riski var mı?Sonucun nedensel mi yoksa yalnızca ilişkisel mi yorumlanmasıgerektiğini net söyle.
4) Anlamlılık-önem ayrımı:
Şu katsayıyı yorumla: değeri [x], standart hatası [y], p-değeri [z].İstatistiksel anlamlılığı ayrı, iktisadi önemi ayrı değerlendir:bu katsayının büyüklüğü pratikte anlamlı bir etki mi? Örnek birsenaryoda etkinin büyüklüğünü somutlaştır.
Zayıf prompt / Güçlü prompt
Zayıf prompt:
Şu değişkenlerle bir regresyon yap ve sonucu yorumla.
Yapay zeka teşhis testi yapmadan, durağanlığı kontrol etmeden, nedensel bir dille yorumlar; sahte regresyon veya atlanmış değişken gözden kaçar.
Güçlü prompt:
Bağımlı değişken tüketim, açıklayıcı gelir; aylık, trendli seriler.Önce durağanlığı test et; gerekiyorsa fark al. Regresyonu kur,teşhis testlerini (otokorelasyon, heteroskedastisite) koştur.Sonucu yorumlarken atlanmış değişken ve ters nedensellik riskleriniaçıkça tartış; nedensel değil ilişkisel dil kullan. Anlamlılık ileiktisadi önemi ayrı ayrı değerlendir ve her adımın kodunu ver.
Sık yapılan hatalar
- Korelasyonu nedensellik sanmak. En yaygın ve en pahalı hata.
- Yüksek R-kare'yi kalite sanmak. Sahte regresyonlarda da yüksektir.
- Durağanlık kontrolünü atlamak. Trendli seriler sahte ilişki üretir.
- Anlamlılığı önemle karıştırmak. Küçük p, büyük etki demek değildir.
- Teşhis testlerini atlamak. İhlal edilen varsayım tüm çıkarımı bozar.
- Yapay zekanın nedensel dilini olduğu gibi kabul etmek. Yargı insanındır.
Özetle
Regresyon güçlü ama tuzaklı bir araçtır. Katsayı, standart hata, p-değeri ve R-kare'yi doğru okumak; korelasyon ile nedenselliği ayırmak; atlanmış değişken, ters nedensellik ve sahte regresyon tuzaklarını kontrol etmek; anlamlılık ile iktisadi önemi ayırmak gerekir. Yapay zeka kod ve teşhis üretiminde hızlandırıcıdır ama aşırı nedensel konuşur; model seçimi ve nedensellik yargısı iktisatçıdadır.
Uygulama görevi
Elinizdeki bir veriyle basit bir regresyon kurun (örn. tüketim-gelir). 1. şablonla kurulumu, 2. şablonla teşhis testlerini ürettirin. Sonra 3. şablonla nedensellik denetimi yapıp en az bir olası atlanmış değişkeni ve bir ters nedensellik senaryosunu adlandırın. Yapay zekanın ilk yorumundaki nedensel bir cümleyi ilişkisel dile çevirin ve değişikliği not edin.
Kontrol listesi
- [ ] Katsayı, standart hata, p-değeri ve R-kare'yi doğru okudum.
- [ ] Serilerin durağanlığını kontrol edip sahte regresyon riskini eledim.
- [ ] Atlanmış değişken ve ters nedensellik olasılıklarını adlandırdım.
- [ ] Teşhis testlerini koşturup ihlalleri değerlendirdim.
- [ ] İstatistiksel anlamlılık ile iktisadi önemi ayrı değerlendirdim.
- [ ] Yapay zekanın nedensel dilini ilişkisel dile çektim.
- [ ] Model seçimi ve nedensellik yargısının bende olduğunu korudum.