VBL5037 - Mekânsal Ekonometriye Giriş

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
Mekânsal Ekonometriye Giriş	VBL5037	1	3 + 0	7,5	Seçmeli

Birim Bölüm	Veri Bilimi ve Analitiği - YL - Lisansüstü (Yüz yüze)
Amaç	Öğrencilere yatay kesit verilerle temel bilgilerin verilmesinin yanısıra ülke, şehir gibi coğrafi birimlerle çalışılırken ekonometrik modellerin nasıl kullanılacağı ve analiz edileceğinin öğretilmesi hedeflenmektedir.
Ders İçeriği	Yatay kesit boyutun mahalleler, ilçeler, ülkeler, şehirler gibi mekanlar olduğu durumda bu coğrafi birimler arasındaki komşuluk ilişkilerini ve birlikte hareketlerini içeren mekansal ekonometrik modeller, bu modellerin tahmin yöntemleri, varsayımları ders içeriğini oluşturmaktadır. Ayrıca dersin önemli bir kısmı Türkiye ve Dünya haritalarına ayrılacak, çeşitli verilerin haritaları çizilip mekansal kümelenmeler ve ayrışmalar açısından tartışılacaktır.
EBS Koordinatörü	Serpil TÜRKYILMAZ

Hafta	Konu
1	Mekansal Ekonometri - Temel Kavramlar (Mekansal Etki, Mekansal Otokorelasyon, Mekansal Heterojenlik)
2	Mekansal Ağırlık Matrisi, matrisin oluşturulması ve standardize edilmesi
3	Mekansal haritalandırma
4	Stata programının tanıtımı. Statada mekansal matris ve haritandırma uygulamaları
5	Mekansal ekonometrik modeller I (Genel Yuvalanmış Mekansal Model, Genel Mekansal Model ve Mekansal Durbin Hata Modeli)
6	Mekansal ekonometrik modeller II (Mekansal Durbin Model, Mekansal Gecikme Modeli ve Mekansal Hata Modeli)
7	Mekansal ekonometrik modeller III (Mekansal Gecikmeli X Modeli ve Mekansal Etkinin Olmadığı Model)
8	Mekansal ekonometrik modellerin tahmin yöntemleri I (En küçük kareler ve en çok olabilirlik)
9	Mekansal ekonometrik modellerin tahmin yöntemleri II (Genelleştirilmiş Momentler Yöntemi, İki Aşamalı En Küçük Kareler ve Genelleştirilmiş Meksanl İki Aşamalı En Küçük Kareler)
10	Model seçimi için mekansal istatisikler (Global ve Lokal Moran I, Geary C, Getis Ord G)
11	Model seçimi için testler (LM ve LR Mekansal gecikme ve hata testleri) ve Bilgi kriterleri
12	Mekansal Ekonometrik Modellerde temel varsayımların testleri (Çoklu doğrusal bağlantı, heteroskedasite, normal dağılım, spesifikasyon hataları)
13	Mekansal Ekonometrik Modellerde temel varsayımlardan sapmalar halinde düzeltme yöntemleri ve dirençli tahminciler
14	Genel Stata Uygulamaları

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
Mekansal bağımlılık ve heterojenlik kavramlarını açıklayarak, mekanın iktisadi değişkenler üzerindeki etkisini teorik ve ampirik açıdan değerlendirir.	-	-	-	-	-	-	-	-	-	-	-
Veri setinin coğrafi veya ekonomik özelliklerine uygun ağırlık matrislerini (W) kurgular, farklı komşuluk kriterlerine göre matrisi oluşturur ve standardize eder.	-	-	-	-	-	-	-	-	-	-	-
Farklı mekansal etkileşim yapılarını (gecikme, hata, Durbin) temsil eden modelleri kurar; bu modelleri En Çok Olabilirlik (ML) ve Genelleştirilmiş Momentler (GMM) yöntemleriyle tahmin eder.	-	-	-	-	-	-	-	-	-	-	-
Mekansal veri yönetimi, haritalandırma ve model tahmin süreçlerini Stata yazılımı üzerinden uzmanlık düzeyinde yürüterek sayısal bulgular üretir.	-	-	-	-	-	-	-	-	-	-	-
İstatistiksel testler (Moran’s I, LM, LR) ve bilgi kriterleri aracılığıyla en uygun modeli belirler; varsayımlardan sapmaları tespit ederek gerekli iyileştirmeleri ve dirençli tahminleri uygular.	-	-	-	-	-	-	-	-	-	-	-
Ortalama Değer	-	-	-	-	-	-	-	-	-	-	-

https://ebs.bilecik.edu.tr/pdf/dersbilgigetir/451263