Yazdır

DERS BİLGİLERİ
Ders KodDers AdT+U SaatYarıyılAKTS
EKNM 306UYGULAMALI EKONOMETRİK YAZILIMLAR - II3 + 06. Yarıyıl5

DERS TANIMI
Ders Düzeyi Lisans
Ders Türü Seçmeli
Dersin Amacı Dersin amacı ekonometri ve istatistik uygulamlarının SPSS, Eviews vb. programlar kullanılarak yapılmasıdır .
Ders İçeriği Ders boyunca Ekonometri II kapsamındaki onuların SPPS ve Eviews uygulamaları yapılacaktır .
Ders Ön Koşul Dersin ön koşulu yok.
Ders Yan Koşul Dersin yan koşulu yok.
Öğretim Sistemi Yüz Yüze

DERS ÖĞRENME KAZANIMLARI
1Excel’de veri girişi ve ekonometrik analiz yapabilme
2Eviews programında veri girişi ve ekonometrik analiz yapabilme
3SPSS programında veri girişi ve ekonometrik analiz yapabilme
4Stata programında veri girişi ve analiz yapabilme

DERS ÖĞRENME KAZANIMININ PROGRAM YETERLİLİKLERİNE KATKISI
NoPY 01PY 02PY 03PY 04PY 05PY 06PY 07PY 08
ÖK 00133333333
ÖK 00233333333
ÖK 00333333333
ÖK 00433333333
Ara Toplam1212121212121212
Katkı33333333

AKTS / İŞ YÜKÜ TABLOSU
EtkinlikSayısıSüresi (Saat)Toplam İş Yükü (Saat)
Ders Süresi(14 hafta/teorik+uygulama)14342
Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme)14570
Arasınavlar(hazırlık süresi dahil)177
Yarıyıl Sonu Sınavı(hazırlık süresi dahil)11111
Toplam İş Yükü

Dersin AKTS Kredisi






130

5
DERS ŞUBELERİ
 Dönem seçiniz :   


 Ders DönemiŞube NoDersi Veren Öğretim Elemanı
Detay 2023-2024 Bahar2MUSTAFA SERDAR İSPİR


Yazdır

Ders Şube Detayları
Dersin Kodu Dersin Ad Saat (T+P) Şube No Öğretim Dili Şube Dönemi
EKNM 306 UYGULAMALI EKONOMETRİK YAZILIMLAR - II 3 + 0 2 İngilizce 2023-2024 Bahar
Öğretim Elemanı  E-Posta  İç Hat  Ders Yeri Devam Zorunluluğu
Prof. Dr. MUSTAFA SERDAR İSPİR sispir@pau.edu.tr İİBF A0017 Dersin Devam Yüzdesi : %70
Amaç Dersin amacı ekonometri ve istatistik uygulamlarının SPSS, Eviews vb. programlar kullanılarak yapılmasıdır .
İçerik Ders boyunca Ekonometri II kapsamındaki onuların SPPS ve Eviews uygulamaları yapılacaktır .
Haftalık Konu Başlıkları
HaftaKonular
1 Giriş ve Python'a Genel Bakış • Konular: Python programlama dilinin temel özellikleri. • Python Uygulamaları: Python'un kurulumu, değişkenler ve veri tipleri ve kullanışlı editörler.
2 Temel Python Programlama • Konular: Python’un temel programlama mantığı • Python Uygulamaları: Temel Python programlama örnekleri.
3 Temel Python Programlama (Fonksiyonlar ve Modüller) • Konular: Fonksiyon tanımlama, modül kullanımı, kütüphanelerin yüklenmesi. • Python Uygulamaları: Yeni fonksiyonlar oluşturma, mevcut modül kullanımı.
4 Temel Python Programlama (Mantıksal Komutlar) • Konular: Mantıksal Komutlar. • Python Uygulamaları: Şarta bağlı komut işlemleri.
5 Veri Analizi (Veri Toplama ve Veri Okuma) • Konular: Veri toplama ve veri dosyası okuma/yazma işlemleri, CSV ve Excel dosyalarıyla çalışma. • Python Uygulamaları: Veri toplama, veri oluşturma işlemleri.
6 Veri Analizi (Veri Ön İşleme) • Konular: Veri temizleme ve veri manipülasyonu. • Python Uygulamaları: Pandas kütüphanesi ile veri temizleme ve manipülasyon örnekleri.
7 Veri Analizi (Veri Görselleştirme) • Konular: Grafik oluşturma işlemleri • Python Uygulamaları: Matplotlib ve Seaborn kütüphaneleri ile veri görselleştirme örnekleri.
8 Ara Sınav
9 Ekonometrik Analizler (Doğrusal Regresyon-1) • Konular: Ekonometrik modellerin temel özellikleri. • Python Uygulamaları: statsmodels kütüphanesi ile basit lineer model tahmini.
10 Ekonometrik Analizler (Doğrusal Regresyon-2) • Konular: Model tahmini sonrası temel testler. • Python Uygulamaları: statsmodels kütüphanesi ile model sonrası testler.
11 Ekonometrik Analizler (Lojistik Regresyon-1) • Konular: Logit modeli tahmini. • Python Uygulamaları: statsmodels veya scikit-learn kütüphaneleri ile logit modeli tahmin örnekleri.
12 Ekonometrik Analizler (Lojistik Regresyon-2) • Konular: Probit modeli tahmini. • Python Uygulamaları: statsmodels veya scikit-learn kütüphaneleri ile logit modeli tahmin örnekleri.
13 Temel Makine Öğrenimi (Sınıflandırma Problemleri) • Konular: Makine öğreniminin temel mantığı ve sınıflandırma. • Python Uygulamaları: scikit-learn sınıflandırma analizi örnekleri.
14 Temel Makine Öğrenimi (Karar Ağacı Modelleri) • Konular: Karar ağacı modellerinin işleyişi • Python Uygulamaları: scikit-learn kütüphanesi model tahmini.
Materyaller
Materyal belirtilmemiştir.
Kaynaklar
KaynaklarKaynak Dili
- Lutz, M. (2013). Learning Python (5th ed.). O'Reilly Media.4. Türkçe
- Stock, J. H., & Watson, M. W. (2018). Introduction to Econometrics (4th ed.). Pearson. Türkçe
-Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems (2nd ed.). O'Reilly Media.Türkçe
Ders Değerlendirme Sistemi
Değerlendirme YöntemiKatkı Yüzdesi (%)Değerlendirme Yöntemi Ad
Dönem Sonu Sınavı60Dönem Sonu Sınavı
Ara Sınav40Ara Sınav
T+U : Teorik + Pratik
PY: Program Yeterlilikleri
ÖK: Ders Öğrenme Kazanımları