İkincil verilerle yürütülen ekonomik ve finansal araştırmalarda panel veri analizinin temellerini inceleyen bu rehber; N ve T boyutlarına, yatay kesit bağımlılığına ve parametre heterojenliğine göre doğru ekonometrik modeli seçmeniz için adım adım bir karar çerçevesi sunuyor.

Uygulamalı Ekonometri ve Finans Araştırmalarında Panel Veri Analizi

Giriş

Ekonomik ve finansal araştırmalarda piyasa, kurum veya ülke davranışlarını incelemek için tek bir döneme ait kesit verisi ya da tek bir birimin uzun yıllara yayılan zaman serisi her zaman yeterli olmayabilir. Birimlerin dinamik süreçlerini ve birimler arası farklılıkları aynı anda hesaba katabilmek için N sayıda kesit biriminin T zaman dönemi boyunca izlendiği çok boyutlu veri yapılarına ihtiyaç duyulur. Ekonometride bu yapı panel veri (boylamsal veri) olarak adlandırılır.

Gujarati (2003) uyarınca panel veri; ülkeler, iller, sektörler veya halka açık şirketler gibi kesit birimlerinin zaman içinde tekrarlanan gözlemlerinden oluşur. Zaman serisinin dinamik yapısı ile kesit verisinin genişliğini birleştirmesi, ekonometrik tahminlerin güvenilirliğini artırır.

1. Uygulamalı Ekonomik ve Finansal Araştırmalarda Kullanım Alanları

İkincil veri kaynaklarından (Dünya Bankası, IMF, TÜİK, TCMB, KAP, Eurostat) sağlanan veri setleriyle yürütülen çalışmalarda panel veri yöntemleri temel araç niteliğindedir (Baltagi, 2005; Wooldridge, 2012). Başlıca uygulama alanları şunlardır:

Şirket Finansı ve Sermaye Piyasaları: Sermaye yapısı kararları, borçluluk oranları, kârlılık rasyoları, AR-GE yatırımlarının firma değerine etkisi ve kurumsal yönetim performansının ölçülmesi.
Makroekonomi ve Dış Ticaret: Ekonomik büyüme dinamikleri, doğrudan yabancı yatırımlar (FDI), cari açık kalıcılığı ve çekim (gravity) modelleri ile uluslararası ticaret akımlarının analizi.
Bölgesel Ekonomi ve Kamu Maliyesi: İller düzeyinde işsizlik ve istihdam yapısı, vergi gelirleri performansı, teşvik politikalarının etki analizi ve altyapı harcamalarının verimliliği.
Bankacılık ve Finansal Sektör: Takipteki kredilerin (NPL) belirleyicileri, sermaye yeterlilik oranları, banka ölçek ekonomileri ve parasal aktarım mekanizmasının kredi kanalı üzerindeki etkisi.
Enerji ve Çevre Ekonomisi: Karbon emisyonları, enerji tüketimi, yenilenebilir enerji dönüşümü ve ekonomik büyüme arasındaki uzun dönemli eşbütünleşme ilişkileri.

2. İkincil Verilerde Ekonometrik Avantajlar ve Karşılaşılan Engeller

Zaman serisi veya sadece kesit analizi yerine panel veri tercih edilmesinin temel ekonometrik nedenleri ve veri toplama sürecinde karşılaşılan teknik kısıtlar aşağıda özetlenmiştir.

2.1 Avantajlar

Gözlemlenemeyen Birim Heterojenliğinin Kontrolü: Ülkelerin kurum kültürü ve hukuk sistemi ya da firmaların yönetim kalitesi gibi zaman içinde sabit kalan ancak doğrudan ölçülemeyen özellikleri kontrol ederek modeldeki değişken ihmali sapmasını (omitted variable bias) engeller (Baltagi, 2005).
Serbestlik Derecesi ve Etkinlik: Birim ve zaman boyutunun bileşimi ($N \times T$) toplam gözlem sayısını yükseltir. Bu durum değişkenler arasındaki çoklu doğrusal bağlantı (multicollinearity) sorununu hafifletir ve tahmincilerin istatistiksel etkinliğini artırır.
Dinamik Süreçlerin Ölçümü: Ekonomi politikalarındaki veya finansal şoklardaki gecikmeli etkilerin (dynamic adjustment) zaman içindeki yayılımını incelemeye imkan tanır.

2.2 Ekonometrik Engeller

Dengesiz Panel (Unbalanced Panel): İflas eden firmalar, borsadan kote çıkarılan (delisted) şirketler veya bazı ülkelerin eksik makroekonomik verileri nedeniyle zaman dizilerinde kesintiler yaşanabilir.
Yatay Kesit Bağımlılığı (Cross-Sectional Dependence): Küresel krizler, emtia fiyat şokları veya pandemiler paneldeki tüm birimleri ortaklaşa etkiler. Bu bağımlılık dikkate alınmadığında standart hatalar sapmalı hesaplanır.
Durağanlık ve Birim Kök: Zaman boyutu ($T$) uzun olan panellerde serilerin durağan olmaması durumunda sahte regresyon (spurious regression) riski ortaya çıkar.

3. Zaman ve Kesit Boyutuna Göre Yöntem Seçimi

Panel veri analizinde model seçimi; zaman boyutu ($T$) ile kesit boyutunun ($N$) nispi büyüklüklerine, değişkenlerin durağanlık derecelerine ve yatay kesit bağımlılığının varlığına göre şekillenir.

3.1 Makro ve Uzun Paneller (T > 25 ve N > 25)

Yatay Kesit Bağımlılığı Yoksa:
- 1. Nesil Panel Birim Kök Testleri (LLC, IPS, Hadri) uygulanır.
- Değişkenler $I(0)$ (durağan) ise: Sabit Etkiler (FE) veya Rassal Etkiler (RE) modelleri tercih edilir.
- Bağımlı ve bağımsız değişkenler $I(1)$ ise: Panel Eşbütünleşme Testleri (Pedroni, Kao, Fisher) ve Panel ARDL modelleri kurulur.
Yatay Kesit Bağımlılığı Varsa:
- 1. Nesil Panel Birim Kök Testleri (CIPS, CADF) uygulanır.
- Tüm değişkenler $I(0)$ ise: Ortak Korelasyonlu Etkiler Havuzlanmış (CCEP) tahmincisi kullanılır.
- Değişkenler karma bütünleşme $I(0)$ ve $I(1)$ gösteriyorsa: ARDL, PMG (Pooled Mean Group), MG (Mean Group) veya DFE modelleri seçilir.
- Değişkenlerin tümü $I(1)$ ise: Dinamik Ortak Korelasyon Yöntemleri (CS-ARDL, DCCE) uygulanır.

3.2 Mikro ve Kısa Paneller

Kısa ve Geniş Paneller ($T < 25$ ve $N > 25$): Firma veya hanehalkı düzeyindeki geniş veri setlerinde dinamik ilişkiler ve içsellik (endogeneity) söz konusu olduğunda Arellano-Bond / Blundell-Bond Sistem GMM yöntemleri kullanılır.
Uzun ve Dar Paneller ($T > 25$ ve $N < 25$): Ülke gruplarının incelendiği bu yapılarda 1. Nesil Panel Eşbütünleşme ve zaman serisi ağırlıklı yaklaşımlar esastır.
Küçük Paneller ($T < 25$ ve $N < 25$): Havuzlanmış OLS (Pooled OLS), Sabit Etkiler (FE) ve Rassal Etkiler (RE) modelleri uygun Hausman testi eşliğinde değerlendirilir.

4. Parametre Heterojenliği ve Model Sınıflandırması

Sohag vd. (2018), panel veri modellerini gözlemlenen parametreler (eğim katsayıları) ile gözlemlenemeyen ortak faktörlerin (şok yükleri) homojenlik veya heterojenlik durumuna göre aşağıdaki şekilde matrisleştirmektedir:

	Faktör Yükleri: Homojen (YKB Yok)	Faktör Yükleri: Heterojen (YKB Var)
Teknoloji Parametreleri: Homojen	POLS, FE, FD-OLS	CCEP
Teknoloji Parametreleri: Heterojen	MG, RCM, GM-FMOLS	AMG, ARCM, CMG

5. Tahmin Yöntemleri

POLS (Havuzlanmış OLS): Kesit ve zaman verilerini birleştirerek tek bir eğim katsayısı tahmin eder. Birimler arasındaki farkları göz ardı eder (Gujarati, 2003).
FE (Sabit Etkiler): Eğim katsayılarını sabit tutarken, her birimin zaman içinde değişmeyen sabit terimini ($a_i$) modele dahil ederek birimsel farkları kontrol eder (Wooldridge, 2012).
FD-OLS (Birinci Farklar OLS): Birimsel sabit etkileri arındırmak amacıyla değişkenlerin birinci farklarını ($Y_{it} - Y_{it-1}$) alarak regresyonu yürütür.
CCEP (Ortak Korelasyonlu Etkiler Havuzlanmış): Eğim parametrelerini homojen kabul ederken, yatay kesit ortalamalarını ekleyerek ortak şokları ve yatay kesit bağımlılığını kontrol eder (Pesaran, 2006).
MG (Ortalama Grup): Her birim için ayrı zaman serisi regresyonu tahmin edip katsayıların ortalamasını alarak tam heterojenliğe izin verir (Pesaran & Smith, 1995).
RCM (Rassal Katsayılı Model): Parametrelerin birimler arasında ortak bir dağılım etrafında rassal biçimde değiştiğini varsayar.
GM-FMOLS (Grup Ortalamalı Tam Değiştirilmiş OLS): Eşbütünleşik panellerde içsellik ve otokorelasyon sapmalarını düzelten heterojen katsayılı tahmincidir (Pedroni, 2001).
AMG (Artırılmış Ortalama Grup): Modele ortak dinamik süreçleri ekleyerek hem yatay kesit bağımlılığını hem de eğim heterojenliğini çözer (Eberhardt & Teal, 2010).
ARCM (Artırılmış Rassal Katsayılı Model): Rassal katsayılı modelin yatay kesit bağımlılığını dikkate alan genişletilmiş halidir.
CMG (Ortak Korelasyonlu Etkiler Ortalama Grup): Çapraz kesit ortalamalarını modele dahil ederek yatay kesit bağımlılığını giderir ve eğim katsayılarının her birim için farklılaşmasını sağlar (Pesaran, 2006).

Kaynakça

Baltagi, B. H. (2005). Econometric analysis of panel data (3. bs.). John Wiley & Sons.
Eberhardt, M., & Teal, F. (2010). Productivity analysis in OECD and non-OECD countries (CMPO Working Paper No. 10/229).
Gujarati, D. N. (2003). Basic econometrics (4. bs.). McGraw-Hill.
Pedroni, P. (2001). Fully modified OLS for heterogeneous cointegrated panels. Advances in Econometrics, 15, 93-130.
Pesaran, M. H. (2006). Estimation and inference in large heterogeneous panels with a multifactor error structure. Econometrica, 74(4), 967-1012.
Pesaran, M. H., & Smith, R. (1995). Estimating long-run relationships from dynamic heterogeneous panels. Journal of Econometrics, 68(1), 79-113.
Sohag, K., Al Mamun, M., Shahbaz, M., & Hammoudeh, S. (2018). Financial markets, innovations and cleaner energy production in OECD countries. Energy Economics, 72, 236-254.
Wooldridge, J. M. (2012). Introductory econometrics: A modern approach (5. bs.). Cengage Learning.

Panel Veri Analiz Yöntemleri