Veriyle Gerçekliği Anlamlandırmanın Bilimi
Ekonomi bilimi uzun yıllar boyunca teorik modeller üzerine inşa edildi. Ancak bir teorinin gerçek dünyada geçerliliğini kanıtlamak için soyut denklemlerin ötesine geçmek gerekir. İşte bu noktada uygulamalı mikro ekonometri devreye girer. Makroekonominin geniş agregat değişkenlerinden farklı olarak mikro ekonometri, bireylerin, hanehalkının, firmaların ve yerel piyasaların davranışlarını ampirik yöntemlerle inceler. Politika yapıcılara “Bu müdahale işe yaradı mı?” sorusunu cevaplamak için bilimsel bir zemin sunar; araştırmacılara ise teorik öngörüleri sınamak için güçlü araçlar sağlar.
Mikro Ekonometrinin Teorik Temelleri
Uygulamalı mikro ekonometrinin kalbi, nedensellik ile korelasyonu birbirinden ayırt etme çabasıdır. İki değişken arasında gözlemlenen bir ilişki, birinin diğerini gerçekten etkilediği anlamına gelmez. Örneğin hastane kullanımı yüksek olan bireylerin sağlık düzeyinin daha kötü olduğu gözlemlenebilir; ancak bu, hastanelerin insanları hasta ettiği şeklinde yorumlanamaz. Tersine nedensellik (reverse causality) ve ihmal edilen değişken yanlılığı (omitted variable bias) bu alandaki en temel metodolojik tehditlerdir.
Klasik En Küçük Kareler (EKK) tahmincisi, bu tehditlere karşı savunmasızdır. Açıklayıcı değişkenler hata terimiyle korelasyon gösterdiğinde EKK tahmincisi tutarsız hale gelir ve elde edilen katsayılar nedensel bir yorum taşımaz. Bu sorunla başa çıkabilmek için mikro ekonometri, son otuz yılda bir dizi yenilikçi tanımlama stratejisi geliştirmiştir.
Araçsal Değişkenler Yöntemi
Araçsal değişkenler (IV) yöntemi, endojen bir açıklayıcı değişkeni dışsal bir araç aracılığıyla izole eder. İyi bir araç; ilgilenilen değişkenle güçlü biçimde korelasyonlu, ancak bağımlı değişkeni yalnızca bu kanal üzerinden etkileyen bir değişkendir. Klasik bir örnek, Joshua Angrist’in askeri hizmetin ücret üzerindeki etkisini tahmin etmek için Vietnam Savaşı dönemindeki piyango numaralarını araç olarak kullanmasıdır. Piyango numarası bireyin savaşa gitme olasılığını belirliyor, ancak ücretleri doğrudan etkilemiyordu; bu da güvenilir bir nedensel tahminin kapısını araladı.
IV yönteminin en önemli sınırlaması, zayıf araç sorunudur. Araç ile endojen değişken arasındaki korelasyon yeterince güçlü değilse tahminler büyük standart hatalara ve ciddi yanlılıklara açık hale gelir. Bu nedenle modern uygulamalarda F-istatistiği testi ile araç gücü mutlaka raporlanmalıdır.
Fark İçinde Fark Tahmincisi
Politika değerlendirmesinde en yaygın kullanılan yöntemlerden biri fark içinde fark (difference-in-differences, DiD) tahmincisidir. Bu yaklaşım, bir politikadan etkilenen grup (tedavi grubu) ile etkilenmeyen grubu (kontrol grubu) karşılaştırır ve zaman içindeki değişimlerin farkını alarak politika etkisini tespit eder. Yöntemin geçerli olabilmesi için kritik varsayım paralel eğilimler (parallel trends) koşuludur: müdahale olmasaydı her iki grubun da benzer bir yol izleyeceği kabul edilir.
Card ve Krueger’in 1994 tarihli asgari ücret çalışması bu yöntemin en ikonik uygulamalarından biridir. New Jersey’nin asgari ücreti artırmasını doğal bir deney olarak kullanan araştırmacılar, komşu Pennsylvania’yı kontrol grubu olarak aldı ve asgari ücret artışının istihdamı azaltmadığını, hatta bazı sektörlerde artırdığını buldu. Bu bulgu, dönemin hakim teorik beklentilerini doğrudan sorguladığı için büyük tartışma yarattı.
Son yıllarda DiD literatürü önemli ölçüde genişledi. Çoklu dönem ve dalgalı uygulama (staggered DiD) tasarımlarında klasik iki dönemli tahmincinin yanıltıcı sonuçlar üretebileceği gösterildi. Callaway-Sant’Anna ve Goodman-Bacon gibi araştırmacıların geliştirdiği heterojen etki düzeltmeleri artık alan yazınında standart uygulama haline gelmektedir.
Regresyon Süreksizliği Tasarımı
Regresyon süreksizliği (regression discontinuity design, RDD), bir politikanın belirli bir eşik değeri üzerinde veya altında kalan bireylere uygulandığı durumlarda kullanılır. Eşiğin hemen altında ve üstündeki bireyler gözlenemeyen özellikler bakımından birbirine çok benzediğinden, bu tasarım rastgele atamaya yakın bir karşılaştırma olanağı sunar.
Öğrenci başarısı üzerine yapılan çalışmalarda sınav puanı eşiğini az farkla geçen ve geçemeyen öğrenciler karşılaştırılarak burs veya özel programların etkileri tahmin edilmiştir. Keskin RDD tasarımında eşiği geçmek tamamen belirleyiciyken, bulanık RDD tasarımında eşik yalnızca olasılığı artırır ve bu durumda IV yöntemiyle birleştirilmesi gerekir. Yöntemin iç geçerliliği yüksektir; ancak eşik civarındaki dar bir bant için geçerli olduğundan dış geçerlilik sınırlıdır.
Panel Veri ve Sabit Etkiler
Bireyler veya firmalar hakkında birden fazla dönem boyunca veri elde edildiğinde panel veri yöntemleri devreye girer. Sabit etkiler (fixed effects) tahmincisi, birey veya firmaya özgü gözlenemeyen, zamanla değişmeyen özellikleri kontrol etmek için grup içi dönüşüm uygular. Bu sayede “tembel işçi” ya da “düşük kaliteli firma” gibi ölçülemeyen heterojenlik kaynakları büyük ölçüde bertaraf edilir.
Rassal etkiler tahmincisi ise bireysel özelliklerin açıklayıcı değişkenlerle korelasyonsuz olduğunu varsayar; bu daha güçlü bir kısıtlamadır. Hausman testi, hangi tahmincinin tercih edileceğine yönelik standart karar mekanizmasını sunar. Dinamik panel modellerinde ise bağımlı değişkenin gecikmeli değerlerinin açıklayıcı olarak kullanılması yeni endojenlik sorunları doğurur ve bu durumda Arellano-Bond GMM tahmincisi tercih edilir.
Mikro Ekonometrinin Uygulama Alanları
Uygulamalı mikro ekonometri bugün son derece geniş bir yelpazeye yayılmaktadır. Emek ekonomisinde ücret farklılıkları, sendikaların etkisi ve işsizlik süresi analiz edilir. Sağlık ekonomisinde sigorta kapsamının sağlık çıktıları üzerindeki etkisi ölçülür; Oregon Sağlık Sigortası Deneyi bu alanda yapılmış en kapsamlı randomize çalışmalardan biridir. Eğitim ekonomisinde sınıf büyüklüğü, öğretmen kalitesi ve okul seçimi politikalarının öğrenci başarısı üzerindeki nedensel etkileri araştırılır.
Davranışsal ekonometri, bireylerin standart rasyonel model öngörülerinden nasıl saptığını veriyle belgeler. Referans bağımlılığı, mevcut duruma yapışıklık ve aşırı güven gibi bilişsel yanlılıklar artık büyük ölçekli idari veri setleri kullanılarak test edilmektedir. Endüstriyel organizasyon alanında ise firmaların fiyatlama davranışı, pazar gücü ve giriş-çıkış kararları yapısal modeller yardımıyla tahmin edilmektedir.
Veri Devriminin Mikro Ekonometriye Katkısı
Son on yılda idari veri setleri, vergi kayıtları, sosyal güvenlik verileri ve dijital iz verileri araştırmacılara daha önce hayal edilemeyen büyüklükte ve kalitede veri sunmaktadır. Geleneksel anket verilerinin ölçüm hatası ve örneklem kısıtlarının ötesine geçen bu kaynaklar, milyonlarca bireyyi kapsayan çalışmalara zemin hazırlamaktadır. Makine öğrenmesi yöntemleriyle ekonometrinin kesişimi de giderek güçlenmektedir. Çift sağlam (doubly robust) tahmincilar ve nedensel orman (causal forest) yöntemleri, geleneksel parametrik kısıtlamaları gevşeterek heterojen politika etkilerini keşfetmeye olanak tanır.
Güvenilirlik Devrimi ve Günümüz Tartışmaları
2000’li yılların başında Angrist ve Pischke’nin öncülüğünü yaptığı güvenilirlik devrimi (credibility revolution), tanımlama stratejisinin şeffaflığını ve sağlamlığını ön plana taşıdı. Nedensel bir iddiayı desteklemek için artık yalnızca istatistiksel anlamlılık yeterli görülmüyor; araştırmacıların doğal deneyleri ve sağlamlık testlerini açıkça sunması bekleniyor.
Bununla birlikte tartışmalar sürmektedir. Yerel ortalama tedavi etkisi (LATE) ile ortalama tedavi etkisi (ATE) arasındaki fark, politika aktarımında önem kazanmaktadır. IV ve RDD yöntemleriyle elde edilen tahminler yalnızca belirli bir alt grup için geçerli olduğundan, politika önerisine dönüştürülürken dikkatli yorumlama zorunludur. P-değeri manipülasyonu ve yayım yanlılığı da alan yazınında ciddi endişe kaynakları olmaya devam etmektedir; ön kayıt (pre-registration) ve çoğaltma çalışmaları bu sorunlara yönelik kurumsal yanıtlar arasındadır.
Uygulamalı mikro ekonometri, ekonomi politikasını sezgiden bilime taşıyan bir köprüdür. Doğru tanımlama stratejisi, titiz veri çalışması ve şeffaf raporlama bir arada kullanıldığında bu yöntemler yalnızca akademik katkılar üretmekle kalmaz; sosyal yardım programlarından vergi politikasına, eğitim reformundan sağlık düzenlemelerine kadar milyonlarca insanı etkileyen kararlara bilimsel temel oluşturur.
Yapay Zeka ve Mikro Ekonometrinin Kesişimi
Son yıllarda yapay zeka ve makine öğrenmesi yöntemleri, uygulamalı mikro ekonometrinin metodolojik cephaneliğini köklü biçimde genişletmiştir. Geleneksel ekonometrik yöntemler nedenselliği ön plana alırken makine öğrenmesi algoritmaları tahmin doğruluğunu optimize eder. Bu iki yaklaşımın sentezi, araştırmacılara hem nedensel çıkarım hem de yüksek boyutlu veri işleme kapasitesi sunmaktadır. LASSO, Ridge ve Elastic Net gibi düzenlileştirme (regularization) yöntemleri, onlarca hatta yüzlerce kontrol değişkeninin bulunduğu modellerde değişken seçimini otomatikleştirerek geleneksel EKK’nın yetersiz kaldığı yüksek boyutlu ortamlarda güvenilir tahminler üretmektedir. Özellikle çift makine öğrenmesi (double machine learning, DML) çerçevesi, Chernozhukov ve arkadaşlarının geliştirdiği bu yapı sayesinde hem tedavi değişkenini hem de sonuç değişkenini artık terimlerden arındırarak nedensel parametrelerin yansız biçimde tahmin edilmesine olanak tanımaktadır.
Nedensel orman (causal forest) ve daha geniş anlamıyla heterojen tedavi etkileri literatürü, yapay zekanın mikro ekonometriye en özgün katkılarından birini oluşturmaktadır. Klasik yöntemler bir politikanın ortalama etkisini tahmin ederken nedensel orman algoritması, bu etkinin bireyden bireye nasıl değiştiğini keşfeder. Örneğin bir istihdam destek programının genç işsizler üzerindeki etkisinin yaşlı işsizlerden farklılaşıp farklılaşmadığı, koşullu ortalama tedavi etkileri (CATE) aracılığıyla tahmin edilebilir. Bu yaklaşım yalnızca akademik bir merak değil, aynı zamanda politika tasarımında hedefleme verimliliğini artırmanın pratik bir aracıdır. Kaynakların en çok fayda sağlayacağı gruplara yönlendirilmesi, sınırlı kamu bütçeleri açısından kritik bir kazanım anlamına gelmektedir.
Büyük dil modellerinin (LLM) ve doğal dil işleme (NLP) tekniklerinin ekonometriye entegrasyonu ise tamamen yeni veri kaynaklarının kapısını aralamaktadır. Merkez bankası açıklamaları, mahkeme kararları, şirket faaliyet raporları ve sosyal medya akışları gibi yapılandırılmamış metin verileri, duygu analizi ve konu modelleme yöntemleriyle sayısal değişkenlere dönüştürülerek geleneksel ekonometrik modellere dahil edilmektedir. Örneğin firma haberlerinin tonu ile hisse senedi getirisi arasındaki ilişki ya da merkez bankası iletişiminin döviz kuru oynaklığı üzerindeki etkisi artık bu yöntemlerle ölçülmektedir. Ancak bu entegrasyon beraberinde yeni metodolojik soruları da getirmektedir; ölçüm geçerliliği, model yorumlanabilirliği ve nedensel çıkarım standartlarının korunması yapay zeka destekli mikro ekonometri araştırmalarının önündeki başlıca epistemolojik güçlükler olmaya devam etmektedir.
