VBL5035 - Uygulamalı İleri Ekonometri

BİLECİK ŞEYH EDEBALİ ÜNİVERSİTESİ

LİSANSÜSTÜ EĞİTİM ENSTİTÜSÜ

VERİ BİLİMİ VE ANALİTİĞİ - YL

(2025 - 2026) Ders Bilgi Formu

Ders Adı	Kodu	Yarıyıl	T+U Saat	AKTS	Z / S
Uygulamalı İleri Ekonometri	VBL5035	1	3 + 0	7,5	Seçmeli

Birim Bölüm	Veri Bilimi ve Analitiği - YL - Lisansüstü (Yüz yüze)
Amaç	Öğrencilere lisans düzeyindeki ekonometri bilgilerini matris cebiri temelli ileri düzey yöntemlerle derinleştirmeyi; güncel ekonometrik yazılımlar (Stata, R veya EViews) aracılığıyla gerçek veri setlerini analiz etme, modelleri test etme ve elde edilen sonuçları akademik bir dille yorumlama yetkinliği kazandırmaktır.
Ders İçeriği	Ders kapsamında; klasik doğrusal modelin matris formu, içsellik sorunu ve araç değişkenler (IV), Genelleştirilmiş Momentler Yöntemi (GMM) gibi ileri tahmin teknikleri ele alınır. Zaman serilerinde durağanlık, eşbütünleşme ve VAR modelleri; panel veri analizinde sabit/rastgele etkiler ve dinamik panel yöntemleri; mikroekonometrik modellerde ise nitel ve sınırlı bağımlı değişkenli (Logit/Probit/Tobit) yapılar işlenir. Dersin odağını, bu teorik başlıkların gerçek veri setleri ve paket programlar eşliğinde uygulamalı olarak simüle edilmesi oluşturur.
EBS Koordinatörü	Serpil TÜRKYILMAZ

Hafta	Konu
1	Giriş: Matris Cebiri ile OLS Tahmini
2	Asimptotik Teori ve En Yüksek Olabilirlik (ML)
3	Araç Değişkenler (IV) ve İki Aşamalı EKK (2SLS)
4	Genelleştirilmiş Momentler Yöntemi (GMM)
5	Zaman Serileri I: Durağanlık ve Birim Kök ADF, PP ve KPSS testleri
6	Zaman Serileri II: Eşbütünleşme ve VECM Johansen Testi ve uzun dönem analizi
7	Zaman Serileri III: VAR Modelleri ve Nedensellik Etki-Tepki Fonksiyonları (IRF)
8	Panel Veri I: Sabit ve Rastgele Etkiler Hausman Testi uygulaması
9	Panel Veri II: Dinamik Panel Veri Analizi Arellano-Bond ve Blundell-Bond tahmincileri
10	Sınırlı Bağımlı Değişkenler: Logit, Probit ve Tobit Marjinal etkilerin yorumlanması
11	Sayma Verileri ve Nitel Değişkenli Modeller Poisson ve Negatif Binom modelleri
12	Etki Değerlendirme Yöntemleri (DiD ve RDD) Politika analizi uygulamaları
13	Tanısal Testler ve Model Seçim KriterleriAIC/SIC kriterleri ve robust standart hatalar
14	Dönem Projesi Sunumları ve Genel Değerlendirme Uygulamalı çalışma çıktıları

Program Çıktıları
1	Veri bilimi ve analitiğinin temel bileşenlerine hâkim olma; istatistiksel analiz, veri madenciliği ve makine öğrenmesine ilişkin yöntemleri uygulamalı olarak kullanabilme
2	Yapılandırılmış ve yapılandırılmamış veri tiplerini analiz etme becerisine sahip olma; büyük veri kümeleri üzerinden anlamlı çıkarımlar yaparak analitik yöntemleri etkili biçimde kullanabilme
3	Veri analizi ve modelleme süreçlerinde Python, R, SQL gibi programlama dillerinden yararlanabilme; veri işleme ve otomasyon adımlarını etkin biçimde yönetebilme
4	Veri görselleştirme ve sonuç raporlama tekniklerini kullanarak analiz bulgularını açık, etkili ve karar verme süreçlerine katkı sunacak biçimde ifade edebilme
5	Karmaşık veri odaklı problemleri analiz edebilme, uygun çözüm yolları geliştirebilme ve bilimsel araştırma yöntemleri aracılığıyla yaratıcı, veri temelli kararlar alabilme
6	Veri bilimi ve analitiği kapsamında karşılaşılan problemleri analiz edebilme, uygun veri analizi tekniklerini seçerek çözüm yolları geliştirebilme; istatistiksel, algoritmik ve yapay zekâ temelli yöntemleri eleştirel düşünme yeteneğiyle değerlendirebilme
7	Veri bilimi ve analitiği uygulamalarında Python, R, SQL gibi programlama dillerini etkin biçimde kullanabilme; veri madenciliği, makine öğrenmesi, büyük veri işleme, veri görselleştirme ve modelleme araçlarıyla pratik çözümler geliştirebilme, gerçek veri setleri üzerinde uygulamalar gerçekleştirebilme
8	Veri bilimi ve analitiği ile ilgili bireysel veya ekip çalışmalarında sorumluluk üstlenebilme, karmaşık veri projelerini bağımsız olarak planlayıp yürütebilme; karşılaştığı sorunlara analitik ve yaratıcı çözümler geliştirerek karar alma süreçlerinde etkin rol oynayabilme
9	Veri bilimi ve analitiği alanındaki güncel gelişmeleri, teknolojileri ve yöntemleri izleyerek yaşam boyu öğrenme bilinciyle kendini sürekli geliştirme yetkinliğine sahip olma; yeni bilgi ve becerileri hızla edinip uygulamaya aktarabilme
10	Veri bilimi ve analitiği alanındaki çalışmalarını yazılı, sözlü ve görsel yollarla açık ve etkili bir biçimde ifade edebilme; çok disiplinli takımlarda etkin biçimde çalışabilme, iletişim kurabilme ve iş birliğine dayalı çözümler geliştirebilme
11	Veri bilimi ve analitiği alanına özgü kavramlara, yöntemlere, algoritmalara ve araçlara hâkim olma; etik ilkelere uygun biçimde veri toplama, işleme, analiz etme ve yorumlama süreçlerini yürütebilme, veri gizliliği ve güvenliği konularında sorumluluk bilinciyle hareket edebilme

Ders Öğrenme Çıktısı - Program Çıktıları (1 -5 Puan Aralığı)

Ders Öğrenme Çıktısı	PÇ 1	PÇ 2	PÇ 3	PÇ 4	PÇ 5	PÇ 6	PÇ 7	PÇ 8	PÇ 9	PÇ 10	PÇ 11
İleri düzey tahmin yöntemlerinin (GMM, ML vb.) teorik altyapısını açıklar.	-	-	-	-	-	-	-	-	-	-	-
Karmaşık veri yapılarına (panel, zaman serisi vb.) uygun modeli seçer ve kurar.	-	-	-	-	-	-	-	-	-	-	-
Ekonometrik yazılımları kullanarak ampirik analizleri hatasız yürütür.	-	-	-	-	-	-	-	-	-	-	-
Tahmin sonuçlarındaki tanısal hataları (otokorelasyon, değişen varyans vb.) tespit eder ve giderir.	-	-	-	-	-	-	-	-	-	-	-
Bir araştırma sorusuna yönelik bağımsız bir ekonometrik rapor/makale hazırlar.	-	-	-	-	-	-	-	-	-	-	-
Ortalama Değer	-	-	-	-	-	-	-	-	-	-	-

https://ebs.bilecik.edu.tr/pdf/dersbilgigetir/451261