Kazanimlar:
- Yapay zekanın ampirik iş akışının (veri temizleme, kod, görselleştirme, taslak yorum) neresinde gerçek zaman kazandırdığını, neresinde model seçimi, nedensellik iddiası ve yayın kararı gibi kararların uzmana kaldığını görev risk düzeyine göre ayırt edebilme
- Her yapay zeka çıktısını (sayı, katsayı, kod, yorum) yeniden hesaplama, kaynağa bağlama ve istatistiksel süzgeçten geçirme adımlarıyla doğrulayan bir disiplin uygulayabilme
- Mikro veriyi ve gizli/lisanslı veri setlerini KVKK/GDPR ve veri kullanım sözleşmeleri kapsamında güvenle işleme ve uygun araç seçme alışkanlığını edinebilme
Bir ekonometrist ya da uygulamalı istatistikçinin masasında her gün aynı sorular tekrar eder: Bu veri seti güvenilir mi; şu eksik değerleri ne yapmalı; bu regresyonun katsayısı gerçekten neyi söylüyor; bu ilişki nedensel mi yoksa sadece korelasyon mu; bu p-değeri anlamlı diye bunu makaleye ya da politika notuna yazabilir miyim? Bu soruların bir kısmı tekrarlı, kod yoğun ve zaman alıcıdır: veriyi temizlemek, aynı grafiği on kez çizmek, R veya Python kodunu hata ayıklamak, sonuçları bir tabloya dizmek. Bir kısmı ise doğrudan bir bulgunun geçerliliğini, bir yayının dürüstlüğünü ya da bir politika kararının isabetini belirler.
Yapay zeka (kısaca YZ, İngilizcesiyle AI — insan gibi metin ve kod üretebilen, örüntü tanıyan, veriyi özetleyip yorum taslağı yazabilen bilgisayar sistemleri; bugün en çok kullanılan biçimi büyük dil modelleridir, yani devasa metin üzerinde eğitilmiş, sıradaki kelimeyi tahmin ederek cümle kuran sistemler) tam bu tablonun ortasına oturur. Doğru kullanıldığında saatler süren veri temizleme kodunu dakikalara indirir, karmaşık bir istatistik testinin sözdizimini hatırlatır, bir katsayının yorumunu taslak hâlinde yazar. Yanlış kullanıldığında ise emin görünen ama tamamen uydurma bir sayıyı, sahte bir anlamlılığı ya da nedensel olmayan bir ilişkiyi "bulgu" diye önünüze koyar.
Bu ilk ünite bir yazılım tanıtımı değildir. Amacı, YZ'yi ampirik iş akışınızın neresine koyacağınızı ve neresine asla koymayacağınızı netleştirmektir. Ekonometri hem "yöntem-kritik" hem de dolaylı olarak "karar-kritik" bir alandır: kurduğunuz bir modelin katsayısı bir merkez bankasının faiz kararına, bir düzenleyicinin politika değişikliğine ya da bir firmanın milyonluk yatırımına girdi olabilir. Temel ilkeyi baştan koyalım: Yapay zeka bir analiz asistanıdır, araştırmacı değildir. Model seçimi, tanımlama stratejisi, nedensellik iddiası, yayın ve politika kararlarının sorumluluğu ve son onayı yetkin uzmana aittir.
Ampirik iş akışının katmanları ve YZ'nin yeri
Bir ampirik çalışmayı üç katmana ayırmak yararlıdır. Yürütme katmanı günlük teknik iştir: veri temizleme kodu, grafik çizimi, tablo biçimlendirme, sözdizimi hata ayıklama. Yöntem katmanı analitik karardır: hangi model, hangi tanımlama stratejisi, hangi test, hangi varsayım kontrolü. Yorum ve karar katmanı bulguların anlamıdır: katsayı neyi söylüyor, nedensel mi, politika için ne demek, yayınlanmalı mı. YZ her üç katmana dokunur ama her birinde farklı yetkiyle. Yürütme katmanında YZ hızlı taslak ve kod üretir; yorum ve karar katmanında ise yalnızca girdi verir, kararı uzman verir.
Birkaç temel terimi baştan tanımlayalım. Ekonometri, ekonomik ve sosyal veriyi istatistik yöntemleriyle analiz edip ilişkileri ölçen daldır. Regresyon, bir sonuç değişkeninin (bağımlı değişken) bir veya daha çok açıklayıcı değişkenle (bağımsız değişken) ilişkisini sayısal olarak modelleyen yöntemdir. Katsayı, bir açıklayıcı değişkendeki bir birimlik değişimin sonuç değişkeninde ortalama kaç birimlik değişimle ilişkili olduğunu gösteren sayıdır. p-değeri, gözlenen sonucun (ya da daha uç bir sonucun), gerçekte hiçbir etki yokken şans eseri ortaya çıkma olasılığıdır. Bu kavramları sonraki ünitelerde tek tek açacağız; şimdilik şunu bilin: YZ bunların hepsinde size taslak, kod ve açıklama verir, ama bilimsel karar vermez.
Şu tablo, YZ'nin görev bazında rolünü ve risk düzeyini özetler:
Görev
YZ'nin rolü
Risk düzeyi
Kim onaylar
Veri temizleme kodu yazma
Kod üreteci
Düşük
Analistin kendisi (kod testiyle)
Grafik/tablo taslağı
Taslak üreteci
Düşük
Analist
Test/model sözdizimi hatırlatma
Referans asistanı
Düşük-orta
Analist
Katsayı yorumu taslağı
Taslak yazar
Orta
Ekonometrist
Model/tanımlama stratejisi seçimi
Yardımcı girdi
Yüksek
Uzman araştırmacı
Nedensellik iddiası
Sadece taslak, asla son söz
Çok yüksek
Uzman + akran değerlendirmesi
Yayın/politika kararı
Yalnızca girdi
Çok yüksek
Sorumlu araştırmacı/kurum
Bu tablodaki tek satırı akılda tutun: risk yükseldikçe YZ'nin rolü küçülür, uzman onayı büyür.
Neden "doğrulama" bu işin kalbidir
Dil modelleri verdikleri cevaptan emin görünür ama emin olmayabilir. Buna teknik dilde halüsinasyon denir: modelin gerçekte var olmayan bir bilgiyi, tıpkı doğruymuş gibi akıcı bir cümleyle uydurmasıdır. Bir ekonometrist için bu ölümcül bir tuzaktır. Model size "Türkiye'de 2015-2020 arası işsizlik ile enflasyon korelasyonu 0,62'dir" diye kesin bir sayı verebilir; oysa sizin verinizi hiç görmemiştir ve bu sayı tamamen uydurmadır. Ya da "White testi p-değeri 0,03 çıktı" diyebilir; oysa hiçbir test çalıştırmamıştır. Bir R fonksiyonunu, aslında var olmayan bir argümanla çağırabilir. Üçünü de aynı akıcılıkla söyler; doğruyu yanlıştan ayıran tek şey sizin bilginiz ve doğrulama alışkanlığınızdır.
Doğrulama disiplini üç adımdan oluşur:
- Yeniden hesapla / kendi ortamında çalıştır: YZ'nin verdiği her sayıyı, oranı, test sonucunu ve katsayıyı YZ'nin belleğinden değil, kendi verinizle R/Python'da bizzat hesaplayın. YZ'yi kodu yazması için kullanın, sonucu hatırlaması için değil. Kodu çalıştırın, çıktıyı siz üretin.
- Kaynağa bağla: Yöntem kuralları, formüller ve tanımlar için ders kitaplarına, yöntem makalelerine ve resmi belgelere güvenin. YZ'nin "bu testin varsayımı şudur" cümlesini güvenilir bir kaynakla teyit edin.
- İstatistiksel süzgeç: Çıktının istatistik mantığıyla (varsayımlar, örneklem, etki büyüklüğü, belirsizlik) çelişip çelişmediğini uzman gözüyle sınayın. "Anlamlı ama saçma" bir sonucu reddedin.
Dikkat: YZ'nin ürettiği bir katsayıyı, testi ya da yorumu doğrulamadan makaleye, tez'e veya politika notuna koymak, gözden geçirilmemiş bir bulguyu yayımlamak gibidir. Çıktı akıcı diye doğru değildir; sayı kesin göründü diye gerçek değildir.
Gizlilik: mikro veri ve lisanslı veri özel korunur
Ekonometride sık sık mikro veri (birey, hane, firma ya da hasta düzeyinde tekil kayıtlar) kullanılır. Bu verilerin çoğu kişisel veridir ve Türkiye'de KVKK (Kişisel Verilerin Korunması Kanunu), Avrupa'da GDPR kapsamında korunur. Ayrıca TÜİK, merkez bankaları, panel veri sağlayıcıları ve ticari kaynaklar veriyi çoğunlukla bir veri kullanım sözleşmesiyle verir; bu sözleşmeler veriyi üçüncü taraflara aktarmayı yasaklar. Kimlik bilgisi, gelir, sağlık ya da firma sırrı içeren bir tabloyu herkese açık bir YZ sohbet aracına yapıştırmak hem KVKK/GDPR ihlali hem de sözleşme ihlalidir; çünkü veri kurum dışı bir sunucuya gider ve bazı araçlarda model eğitiminde kullanılabilir.
Kural basittir: veriyi kendi güvenli ortamında tut, YZ'ye yalnızca kod ve yöntem sor. İdeal iş akışı şudur: YZ'den analiz kodunu isteyin, kodu kendi bilgisayarınızda/kurumsal sunucunuzda gerçek veriyle siz çalıştırın. Gerçekten veri paylaşmanız gerekiyorsa anonimleştirin (kimlik alanlarını çıkarın), toplulaştırın (birey yerine ortalama/sayım) ve kurumsal, veri işleme sözleşmesi olan, verinizi eğitimde kullanmayan araçları tercih edin.
Üç mini vaka
Vaka 1 — Güvenli ve verimli kullanım. Bir araştırmacı, 40.000 satırlık hane bütçe verisini temizlemek için önce elle 6 saat uğraşıyordu. Veriyi hiç paylaşmadan, sadece değişken adlarını ve yapısını YZ'ye tarif edip temizleme kodu istedi. YZ bir R betiği üretti; araştırmacı kodu kendi ortamında çalıştırdı, her adımın satır sayısını ve özet istatistiğini kontrol etti, iki mantık hatasını düzeltti. Süre: 6 saat yerine 70 dakika. Veri hiç dışarı çıkmadı; sorumluluk araştırmacıda kaldı.
Vaka 2 — Doğrulanmayan sayı tuzağı. Bir yüksek lisans öğrencisi, YZ'ye "GSYİH büyümesi ile doğrudan yabancı yatırım arasındaki elastikiyet nedir" diye sordu. YZ, hiçbir veriye erişimi olmadığı hâlde "yaklaşık 0,34" diye kendinden emin bir sayı verdi. Öğrenci bunu literatür özetine yazdı; danışmanı kaynağı sorunca sayının hiçbir dayanağı olmadığı, tamamen uydurma olduğu ortaya çıktı. Hata: YZ'ye veri ve kaynak vermeden ondan somut istatistik beklemek.
Vaka 3 — Gizlilik ve sözleşme ihlali. Bir analist, lisanslı bir firma panelinden aldığı, firma adı ve ciro içeren Excel'i herkese açık bir YZ aracına yükleyip "panel regresyonu yap" dedi. Veri sağlayıcının sözleşmesi verinin üçüncü taraf sistemlere aktarılmasını yasaklıyordu; olay bir uyum incelemesine yol açtı. Doğru yol: firma adlarını anonim kodlarla değiştirmek ya da hiç veri paylaşmayıp yalnızca panel regresyon kodunu isteyip kendi ortamında çalıştırmaktı.
Zayıf prompt / Güçlü prompt
Zayıf prompt:
Enflasyon ile işsizlik arasındaki ilişkiyi analiz et ve katsayıyı söyle.
Bu istem hatalıdır: YZ'ye hiç veri verilmemiştir, hangi ülke, hangi dönem, hangi model belli değildir. YZ ancak uydurma bir katsayıyla cevap verebilir.
Güçlü prompt:
Rolün: ekonometri araştırmacısına yardımcı olan bir analiz asistanısın.Veriyi seninle PAYLAŞMIYORUM; yalnızca ÇALIŞTIRILABİLİR R kodu istiyorum.Elimde yıllık panel var: değişkenler ulke, yil, issizlik, enflasyon (hepsi sayısal).Görev:1) issizlik ~ enflasyon için sabit etkili (fixed effects) panel regresyon kodu yaz (plm paketi),2) kodda her adımı yorum satırıyla açıkla,3) katsayının NEDENSEL değil ilişkisel yorumlanması gerektiğini not düş,4) emin olmadığın fonksiyon argümanını uydurma; belirt.Sonucu ben kendi ortamımda çalıştırıp doğrulayacağım.
Bu istemde veri paylaşılmıyor, rol, paketler, yorum beklentisi ve "uydurma" yasağı açık. Çıktıyı yine de kendiniz çalıştırıp doğrularsınız.
Aşağıdaki tablo bu dersteki tek cümlelik kuralları özetler:
İlke
Ne anlama gelir
YZ asistandır
Bilimsel karar ve sorumluluk uzmandadır
Kodu iste, sonucu üret
Sayıyı YZ hatırlamaz; sen çalıştırıp hesaplarsın
Veriyi tut
Mikro/lisanslı veri güvenli ortamdan çıkmaz
Doğrula
Her sayı, kod, yorum kontrol edilir; uydurma reddedilir
Sık yapılan hatalar
- YZ'den veri vermeden somut istatistik beklemek. Model veriye erişemez; verdiği katsayı, korelasyon, p-değeri uydurmadır. Her zaman kodu isteyip sonucu kendiniz üretin.
- Halüsinasyon fonksiyonlara güvenmek. YZ var olmayan bir R/Python fonksiyonu ya da argümanı önerebilir. Kodu çalıştırıp doğrulamadan kabul etmeyin.
- Mikro veriyi herkese açık araca yüklemek. KVKK/GDPR ve veri kullanım sözleşmesi ihlalidir. Veriyi anonimleştirin ya da hiç paylaşmayın.
- Akıcılığı doğrulukla karıştırmak. İyi yazılmış bir yorum, yanlış olabilir. Cümlenin güzelliği kanıt değildir.
- Nedensel dili kontrolsüz kabul etmek. YZ sık sık "X, Y'yi artırır" der; oysa çoğu regresyon yalnızca ilişki gösterir. Nedensel iddiayı tasarımla savunun.
İpucu: YZ ile çalışırken kendinize şu soruyu sorun: "Bu çıktıyı bir hakem ya da denetçi sorarsa, kaynağını ve hesabını gösterebilir miyim?" Cevabınız hayırsa, çıktı henüz kullanıma hazır değildir.
Özetle
Yapay zeka, ekonometri ve istatistik iş akışının yürütme katmanında (kod, temizleme, grafik, taslak) gerçek ve büyük bir hızlanma sağlar; ancak model seçimi, nedensellik, yorum, yayın ve politika kararları uzmana aittir. Üç temel disiplin: sayıyı YZ'ye hatırlatmayın, kodu isteyip sonucu kendiniz üretin ve doğrulayın; mikro/lisanslı veriyi güvenli ortamdan çıkarmayın; her çıktıyı istatistiksel süzgeçten geçirin. Doğrulanmamış bir YZ çıktısı, gözden geçirilmemiş bir bulgu kadar risklidir.
Uygulama görevi
Kendi (ya da örnek) bir veri setinizi düşünün. YZ'ye veriyi paylaşmadan, yalnızca değişken yapısını tarif ederek betimsel istatistik ve bir basit grafik üreten R veya Python kodu isteyin. Gelen kodu kendi ortamınızda çalıştırın. Sonra bir kontrol listesi tutun: (1) kod hatasız çalıştı mı, (2) satır/gözlem sayısı beklediğiniz gibi mi, (3) YZ'nin yorum cümlelerinden hangisi nedensel dil kullanıyor ve düzeltilmeli. Bir paragrafta, YZ'nin size kazandırdığı süreyi ve yakaladığınız en az bir hatayı yazın.
Kontrol listesi
- [ ] YZ'ye somut istatistik sordurmadım; kodu isteyip sonucu kendim ürettim.
- [ ] Verdiği her sayı ve test sonucunu kendi ortamımda yeniden hesapladım.
- [ ] Kullandığı fonksiyon/argümanların gerçekten var olduğunu doğruladım.
- [ ] Mikro/kişisel/lisanslı veriyi herkese açık bir araca yüklemedim.
- [ ] Nedensel dil içeren yorumları işaretleyip ilişkisel dile çektim.
- [ ] Çıktının kaynağını ve hesabını bir denetçiye gösterebilecek durumdayım.