T.C.

KAFKAS ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ
İŞLETME ANABİLİM DALI

ZAMAN SERİLERİNDE DURAĞANLIK ANALİZİ VE İHRACATIN GSMH İÇİNDEKİ PAYI ÜZERİNE BİR UYGULAMA

YÜKSEK LİSANS TEZİ

Muzaffer AKINCI

TEZ YÖNETİCİSİ Yrd. Doç. Dr. Cavit YEŞİLYURT

KARS–2008

T.C. KAFKAS ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ MÜDÜRLÜĞÜ’NE

Muzaffer AKINCI’ ya ait “Zaman Serilerinde Durağanlık Analizi ve İhracatın GSMH İçindeki Payı Üzerine Bir Uygulama” konulu bu çalışma; yapılan tez savunma sınavı sonunda jüri tarafından Lisansüstü Eğitim ve Öğretim Yönetmeliği uyarınca değerlendirilerek, İşletme Anabilim Dalında Yüksek Lisans tezi olarak oy………………… ile kabul edilmiştir.

… / … / 2008 Öğretim Üyesinin Ünvanı, Adı ve Soyadı Yrd. Doç. Dr. Cavit YEŞİLYURT Yrd. Doç. Dr. Hüseyin Ali KUTLU Yrd. Doç. Dr. Adem ÜZÜMCÜ İmza ………………….. ………………….. …………………..

Bu tezin kabulü Sosyal Bilimler Enstitüsü Yönetim Kurulunun … / … / 200… tarih ve ………. / ………. / sayılı kararı ile onaylanmıştır. UYGUNDUR … / … / …

Sosyal Bilimler Enstitüsü Müdürü

İÇİNDEKİLER Sayfa No: ÖZET ............................................................................................................................ I ABSTRACT.................................................................................................................II ÖNSÖZ ...................................................................................................................... III KISALTMALAR ....................................................................................................... IV TABLO LİSTESİ ....................................................................................................... VI ŞEKİL LİSTESİ ...................................................................................................... VIII SİMGE LİSTESİ........................................................................................................ IX GİRİŞ ........................................................................................................................ 1-3 BİRİNCİ BÖLÜM ZAMAN SERİLERİ 1. Zaman Serileri.......................................................................................................... 4 1.1. Verilerin Temel Özellikleri ............................................................................... 4 1.2. Nicel ve Nitel Veriler ........................................................................................ 4 1.3. Yatay Kesit, Zaman Serisi ve Panel Verileri .................................................... 5 1.4. Zaman Serileri Analizi ...................................................................................... 5 1.5. Zaman Serisi Grafiği ......................................................................................... 6 1.6. Zaman Serisi Bileşenleri ................................................................................... 7 1.6.1. Uzun Dönem Eğilimi (Trend) ..................................................................... 8 1.6.2. Mevsimlik (Seasonal) Dalgalanmalar ......................................................... 8 1.6.3. Konjonktürel (Cyclical) Dalgalanmalar...................................................... 8 1.6.4. Düzensiz (Irregular) Hareketler .................................................................. 9 1.7. Veri Üretme Süreci (Data Generation Process-DGP)....................................... 9 1.8. Stokastik Süreçler ............................................................................................. 9 1.9. Fark Denklemleri ............................................................................................ 11 1.9.1. Fark Denklemleri ve Çözümleri................................................................ 11 1.9.2. Zaman Serilerinin Geciktirilmesi ve İlerletilmesi..................................... 13 1.9.3. Gecikme İşlemcisi..................................................................................... 14 1.9.4. Gecikme Polinomu.................................................................................... 15 1.10. Korelasyon Ölçüleri ...................................................................................... 15 1.10.1. Kovaryans ve Korelasyon ....................................................................... 16

. Sahte (Spurious) Regresyon......... 51 2................ 23 1............ Korelasyonun İstatistiksel Anlamlılığı................................................4.......11..3..................................1.............................2..1.....2...............3................................ 23 1...............................4... 47 2...... 34 1........................... 40 İKİNCİ BÖLÜM ZAMAN SERİLERİNDE DURAĞANLIK ANALİZİ 2. ARMA(1..........4..2. 31 1....... 37 1.....................1....3.................. Φ 3 ve Sınaması τˆ β Test İstatistikleri.... 19 1............11........4.............................2.11.................4..........11......... Homojen Durağan Olmayan Süreç (Autoregressive Integrated Moving Average Process-ARIMA) .. Genişletilmiş Dickey-Fuller (ADF) Testi ................................................ 44 2.....................4............................3..........................2......2.......... Q İstatistikleri: Portmanteau Testleri .q) Sürecinin Özellikleri.....1....................................11.3...2... 39 1.............2..................11............ MA(q) Sürecinin Özellikleri .1......3...............4..................................................... Trend Durağanlık ve Fark Durağanlık ..............................1................. AR(p) Sürecinin Özellikleri ............... AR(1) Sürecinin Özellikleri ......... Durağanlık Analizi: Korelogram Testi.................. Karma Otoregresif Hareketli Ortalama Süreci (Autoregressive Moving Average Process-ARMA).. 24 1.............. AR(2) Sürecinin Özellikleri ....2..3.... 51 2.......... 45 2.2.................. Otokovaryans ve Otokorelasyon ........................ Otoregresif Sürecin Derecesinin Belirlenmesi........................1................ Tek Değişkenli Zaman Serisi Modelleri .....1...........................................4...........11....... 30 1... Örneklem Otokorelasyon Fonksiyonu (Autocorrelation Function-ACF) ......................... 44 2.......1...3.....................3...11.... Zaman Serilerinde Durağanlık Analizi ................ 28 1...4...............10........... 55 2.................... Hareketli Ortalama Süreci (Moving Average Process-MA)............11..........1....................................... 39 1..............10.................. 22 1..... 32 1.... 55 ...............4......................2................... 31 1........................... Dickey-Fuller (DF) Testi....1...1............................................................1 τ Sınaması........ DF Testleri İle Birleşik Hipotez Testi....................10............ 36 1.............................. MA(2) Sürecinin Özellikleri ...... 48 2.......11..................... 53 2...............4.................................... Otoregresif Süreç (Autoregressive Process-AR) .............................. 33 1.............. 42 2.......... 24 1.11...... 25 1.........12. Durağanlık Analizi: Birim Kök Testi .... Box Jenkins (BJ) Yöntemi ......... Kısmi Otokorelasyon Fonksiyonu (Partial Autocorrelation Function-PACF)........ MA(1) Sürecinin Özellikleri .................................11.10... Φ1 ve Sınaması τˆμ Test İstatistikleri ..............................11......1................... Örneklem Otokorelasyon Katsayısının İstatistiksel Anlamlılığı...1......10..............................1...............1.......1........1) Sürecinin Özellikleri.... ARMA(p. 20 1...................................1...1.............................2...... 48 ˆ 2.....11....................

.....................4.....5.......................................... 66 3..........LIHR Serisi İçin Box Jenkins (BJ) Yöntemi ...4..................... 72 ˆ 3...................................................................................................... LIHR Serisi İçin ADF Testi .......... LIHR Serisi İçin Φ1 ve Sınaması τˆμ Test İstatistikleri.............................3..................................... Uygulamanın Amacı ............................ 84 KAYNAKLAR ...................... 58 2..................................................... 60 2..................................... 63 3..........5................... LIHR Serisi İçin τ Sınaması ................. LIHR Serisi İçin ADF-GLS (Nokta Optimal) Testi.......1..................4........4..3........... Ng-Perron Testi........................................................... LIHR Serisi İçin Φ 3 ve Sınaması τˆβ Test İstatistikleri..................................6. İhracatın Gayri Safi Milli Hasıla (GSMH) İçindeki Payı Üzerine Uygulama ............................... LIHR Serisi İçin Durağanlık Analizi: Birim Kök Testi .......... 77 3...5...................... 78 3...................... 69 3............4.......... LIHR Serisi İçin Phillips-Perron (PP) Testi..........5...6..... Phillips-Perron (PP) Testi .. 57 2............1........ ADF-GLS (Nokta Optimal) Testi ...........................5.................... 79 SONUÇ ........................................ KPSS Testi ....1..........4.2.......................2..... 61 ÜÇÜNCÜ BÖLÜM İHRACATIN GAYRİ SAFİ MİLLİ HASILA (GSMH) İÇİNDEKİ PAYI ÜZERİNE UYGULAMA 3.............1...........2..................5.. 76 3..................................................3........... 63 3.....................................2. LIHR Serisi İçin Ng-Perron Testi .......................................................................1....... LIHR Serisi İçin Durağanlık Analizi: Korelogram Testi................5.......... Uygulama Serisi ............................................................5.........5........................................... 75 3.... 74 3.1.....3............................................................5........ 63 3............................ 69 3....................5..... 69 3........................................................ 87 EKLER........... 91 ÖZGEÇMİŞ .................... Uygulamada Kullanılan Yöntem........................................................................ 64 3.......4........................... LIHR Serisi İçin KPSS Testi .. 101 ........

gözlem kümesince temsil edilen gerçeğin anlaşılması ve zaman serisindeki değişkenlerin gelecekteki değerlerinin doğru bir şekilde öngörülmesidir. Çalışmada teorik bilgilere yer verilmesinin yanında bunların daha kolay anlaşılması için şekillerle desteklenmiştir. öngörü. serinin durağanlığı önemlidir. birim kök. Bunun için en pratik yol da fark alma tekniğidir. İstatistiki sonuç çıkarımlar açısından. Box-Jenkins yöntemi. I . fark alma. durağanlık. Bu yüzden serilerin önce birim kök içerip içermediğinin sınanması gerekir. Ayrıca teorik olarak anlatılan konular gerçek bir seri üzerinde uygulanarak açıklanmıştır. Bir zaman serisi. Eğer seri durağan değil ise. ilgilenilen bir büyüklüğün zaman içerisinde sıralanmış ölçümlerinin bir kümesidir. Bu anlamda veri oluşum sürecini belirleme ve dolayısıyla modellemede kullanılan uygun bir öngörü yöntemi olan Box-Jenkins yöntemi kullanılmıştır. Özellikle finansal zaman serilerinin analizlerine duyulan yoğun talep dinamik ekonometri bağlamında “Finansal Ekonometri” ve “Zaman Serisi Ekonometrisi” disiplinlerinin ortaya çıkmasına neden olmuştur.ÖZET Zaman serileri analizinde son yıllarda görülen hızlı gelişmeler dinamik ekonometrik teorinin gelişmesine önemli katkılar sağlamıştır. yani birim köklü ise önce durağanlaştırılmalıdır. Zaman serisi ile ilgili analiz yapılma amacı ise. ANAHTAR KELİMELER: Zaman serileri.

ABSTRACT Rapid developments in time series analysis in recent years have contributed development of econometrics theory. which are explained theoretically. In this respect it is necessary to test whether series have unit root. Subjects. A time serie is a set of measurements of an observation concerned and arranged timely. Particularly significant demand on financial time series analysis in regards of dynamic econometrics has caused to emerge “Financial Econometrics” and “Time Series Econometrics” disciplines. serie must be converted to stationary form. illustrations have been used for the sake of explicit definition. unit root. forecast. differentiation II . has been used to determine data forming process. which is a proper forecast method used in modelling. in other words it has unit root. If the serie is not stationary. Besides theorical information. Aim of time series analysis is to realize the truth represented by observations set and to forecast future values of variables in time series accurately. Stationary of the series is important with regards of statistical results. have been implemented over real time series. Box-Jenkins method. stationary. KEY WORDS: Time series. Box-Jenkins method. The practical way of that is differentiation of the serie.

kurallar ve yasalar ortaya koyarken temel çıkış noktası olarak gözlenmiş olayları esas almıştır. Bu konuda farklı disiplinlerde çalışan bilim adamlarının katkıları oldukça fazladır. Bu çalışmada zaman serileri hakkında genel bilgiler verildikten sonra konuyla ilgili teorik bilgilere yer verilmiştir. Zaman serisi modelleme teknikleri metodolojisi anlatılmış. Zaman serilerinde durağanlık çok önemli bir kavramdır. Bunun için bu veriler üzerinde çalışırken serinin durağanlaştırılması gerekmektedir. Zaman serileri analizi. Doç.1 paket programı yardımıyla bir uygulama yapılmıştır. Elde edilecek tahminler gerek ülke ekonomisi gerekse işletme temelinde yapılacak geleceğe dönük planlama işlerini kolaylaştırır. modellemede önemli bir yere sahip olan durağanlık kavramı üzerinde durulmuş ve durağanlıkla ilgili testlere yer verilmiştir. Bilgisayar teknolojisindeki gelişmeler ile birlikte yazılımdaki gelişmelere bağlı olarak istatistiksel ve ekonometrik tekniklerde de azımsanmayacak gelişmeler olmuştur. geçmiş dönemlere ilişkin gözlem değerleri yardımıyla geçmişi açıklayarak geleceğe dönük tahminler yapmayı amaçlar. Cavit YEŞİLYURT’a. Günümüzde istatistik ve matematikteki gelişmelere bilgisayar programlarının ilavesiyle birlikte zaman serileri analizlerinde önemli mesafe kat edilmiştir. Düzenli bir zaman içerisinde gözlenen ardışık verilere zaman serisi denir. Çalışmanın sonunda gerçek veriler kullanılarak. Bu teknikler yardımıyla zaman serilerinin durağan olup olmadığının anlaşılması önemli ölçüde kolaylaşmıştır. KARS. Bir olguya ilişkin değişken ya da değişkenlerin zaman içinde yapılan ölçümleri ya da gözlemleri zaman serisini oluşturur. Dr. Tez danışmanlığımı yapan değerli hocam Yrd. Eviews 5. İnsanoğlu değişik düzenlemeler. Durağan olmayan zaman serileri üzerinde çalışmak araştırmacıyı yanlış yollara yönlendirebilir. 2008 Muzaffer AKINCI III .ÖNSÖZ Eskiden beri gözlenemeyen unsurların ortaya konulmasında rakamlar etkin bir yöntem olarak kullanılmıştır. hiçbir zaman yardım ve desteğini esirgemeyen Özgür POLAT’ a ve bana rahat ve huzurlu bir çalışma ortamı sağlayan aileme teşekkürü bir borç bilirim.

Jenkins Yöntemi Korelasyon Kovaryans Dickey-Fuller Birim Kök Testi Veri Üretme Süreci Farkı Alınmış Logaritmik İhracatın GSMH İçindeki Payı Serisi Farkı Alınmış Logaritmik İhracatın GSMH İçindeki Payı Öngörü Serisi DW EKK GLS GSMH LB : : : : : Durbin Watson İstatistiği En Küçük Kareler Yöntemi Genelleştirilmiş En Küçük Kareler Yöntemi Gayri Safi Milli Hasıla Ljung-Box Q İstatistiği IV .KISALTMALAR ACF ADF AIC AR ARIMA ARMA BJ Cor Cov DF DGP DLIHR DLIHRF : : : : : : : : : : : : : Otokorelasyon Fonksiyonu Genişletilmiş Dickey-Fuller Birim Kök Testi Akaike Bilgi Kriteri Otoregresif Süreç Otoregresif Entegre Hareketli Ortalama Süreci Otoregresif Hareketli Ortalama Süreci Box.

LIHR LIHRF MA MIC OEKK PACF PP SIC SSRr SSRu Var : : : : : : : : : : : Logaritmik İhracatın GSMH İçindeki Payı Serisi Logaritmik İhracatın GSMH İçindeki Payı Öngörü Serisi Hareketli Ortalama Süreci Modifiye Edilmiş Bilgi Kriteri Olağan En Küçük Kareler Yöntemi Kısmi Otokorelasyon Fonksiyonu Phillips-Perron Birim Kök Testi Schwarz Bilgi Kriteri Kısıtlı Denklemin Kalıntı Kareler Toplamı Kısıtsız Denklemin Kalıntı Kareler Toplamı Varyans V .

............15 : Birinci Farkı Alınan LIHR Serisi İçin PP Testi........................1 : n..... 78 Tablo 3.......................... 70 Tablo 3.......................11 : LIHR Serisinin Düzey Değerleri İçin τ Testi......................... 74 Tablo 3......................... 71 Tablo 3...........17 : Birinci Farkı Alınan LIHR Serisi İçin KPSS Testi....9 : LIHR Serisinin Düzey Değerleri İçin τˆμ Testi .............. 70 Tablo 3........3 : Bir Değişkenin İlerletilmesi...................................................2 : Trendli Model Sonuçları...................................................................................... 14 Tablo 1...12 : Birinci Farkı Alınan LIHR Serisi İçin τ Testi .............13 : Trend Değişkenli PP Birim Kök Test Sonuçları..14 : Trendsiz PP Birim Kök Test Sonuçları .......... 13 Tablo 1....................... 72 Tablo 3... 77 Tablo 3.......2 : Bir Değişkenin Geciktirilmesi ...... Farkın Alınmasında Fark Denklemi Açılımı .......... 78 VI ...4 : LIHR Serisi İçin Φ 3 Testi . 73 Tablo 3............................................. 77 Tablo 3.............. 76 Tablo 3...................................................10 : Birinci Farkı Alınan LIHR Serisi İçin τˆμ Testi.........18 : LIHR Serisinin Düzey Değerleri İçin ADF-GLS Testi ..........76 Tablo 3................................7 : Trendsiz Model Sonuçları........................................................ 75 Tablo 3.....................5 : LIHR Serisinin Düzey Değerleri İçin τˆβ Testi ........1 : İhracatın GSMH İçindeki Payı (%) ..................... ....................... 74 ˆ Tablo 3........4 : ACF ve PACF’ nin Teorik Davranışları ..... 72 Tablo 3.................................................16 : LIHR Serisinin Düzey Değerleri İçin KPSS Testi ......................................................3 : Trendli Model Kalıntılarının Serisel Korelasyon Testi ..... 64 Tablo 3...... 69 Tablo 3........ 74 ˆ Tablo 3......6 : Birinci Farkı Alınan LIHR Serisi İçin τˆβ Testi .......................................... 41 Tablo 3............................... 13 Tablo 1.................... 75 Tablo 3.........................TABLO LİSTESİ Sayfa No: Tablo 1......19 : Birinci Farkı Alınan LIHR Serisi İçin ADF-GLS Testi ........................8 : LIHR Serisi İçin Φ1 Testi ..............................................................

. 79 Tablo 3....1....0) Model Kalıntılarının Serisel Korelasyon Testi ....20 : LIHR Serisinin Düzey Değerleri İçin Ng-Perron Testi ....Tablo 3..............22 : ARIMA(1.............. 79 Tablo 3........21 : Birinci Farkı Alınan LIHR Serisi İçin Ng-Perron Testi . 82 VII ...........

1 : Zaman Serisi Grafiği .. 46 Şekil 2......4 : Durağan Bir Seri Korelogramı ...................................... 81 Şekil 3.5 : Trend Durağan ve Fark Durağan Seriler ...........................................4 : Birinci Farkı Alınan LIHR Serisinin Korelogramı ........ 48 Şekil 3.................................................... 83 VIII .....................................1... 46 Şekil 2...2 : Durağan Olmayan Bir Zaman Serisi Grafiği....................... 7 Şekil 1.... 44 Şekil 2........... 68 Şekil 3.....5 : ARIMA(1............1 : Durağan Bir Zaman Serisi Grafiği .............. 65 Şekil 3...........2 : Birinci Farkı Alınan LIHR Serisinin Zaman Yolu Grafiği ..........7 : Öngörü Serisi (DLIHRF) İle Gerçek Seri (DLIHR) Grafiği................................. 66 Şekil 3............................................6 : Modelin Öngörü Performansı................................................3 : Pozitif ve Negatif Kovaryanslar .................................................. 65 Şekil 3............ŞEKİL LİSTESİ Sayfa No: Şekil 1............... 6 Şekil 1...................0) Modeli Hata Terimlerinin Korelogramı ......1 : LIHR Serisinin Zaman Yolu Grafiği.......................................................................... 43 Şekil 2..........................3 : Durağan Olmayan Bir Seri Korelogramı......................3 : LIHR Serisinin Korelogramı ...........2 : Zaman Serisi Bileşenleri .................................. 82 Şekil 3..... 17 Şekil 2..........................................................

Gecikme İçin Kovaryans Örnek Ortalaması Varyansın Tahmin Değeri Otokorelasyon Fonksiyonu ∑ ΔYt : : : : : : : : μ σ2 γ0 γk y ˆ σ2 ρk IX .SİMGE LİSTESİ L LM Yt t T E(Yt) F(Yt) f(Yt) et IID Tt Mt Kt Dt Δ : : : : : : : : : : : : : : : : Gecikme İşlemcisi Lagrange Çarpanları Rassal Değişken Zaman Zaman Serisinin Son Değeri Yt Zaman Serisinin Beklenen Değeri Dağılım Fonksiyonu Yoğunluk Fonksiyonu Hata Terimi (Kalıntı Terimi) Bağımsız ve Aynı Dağılımlı Trend Etkisi Mevsimsellik Etkisi Konjonktürel Etkiler Düzensiz Hareketler Serinin Farkı Toplam Alma İşlemcisi Yt Zaman Serisinin Birinci Derece Farkı Ortalama Varyans Durağanlık Varsayımı Altında Varyans Durağanlık Varsayımı Altında k.

rXY : : : : : : : : : : : : : : : : : : : : : : : : : : : Örneklem Korelasyon Katsayısı X Değişkeninin Standart Sapması X Değişkeninin Örneklem Standart Sapması Y Değişkeninin Standart Sapması Y Değişkeninin Örneklem Standart Sapması Otokovaryans Fonksiyonu Yokluk Hipotezi Alternatif Hipotez Otokorelasyon Fonksiyonu Tahmin Değeri X ve Y Değişkenleri Arasındaki Korelasyon Test İstatistiği Tablo Değeri Standart Hata Kısmi Otokorelasyon Fonksiyonu AR Sürecinin Parametresi Kesme Terimi MA Sürecinin Parametresi AR Sürecinin Derecesi MA Sürecinin Derecesi Entegrasyon İşlemi Gözlem Sayısı Serbestlik Derecesi Ki-Kare Dağılımı Deterministik Trend Kalıntıların Kümülatif Toplamı Tutarlı Uzun Dönem Varyans Tahmincisi KPSS Test İstatistiği σX SX σY SY γ t1.Y ) tr tt Se Φ kk φ δ ≡ β0 θ p q ∆d n k χ2 t St s 2 (l ) ˆ η X .t 2 H0 H1 ˆ ρk ρ ( X .

zt S (α ) : : : : : : : 1’ ler ve Deterministik Trendden Oluşan Vektör Kalıntı Kareler Toplamı ADF-GLS (Nokta Optimal) Test İstatistiği Tau İstatistiği Stokastik Hata Terimi Determinasyon Katsayısı t Tablo Değeri PT τ ut ≡ ε t R2 tt XI .

kestirimde bulunulacak değişkenin geçmiş zaman serisini kullanarak gelecek değerlerin kestirimi için model geliştirmede kullanılır. bilgisayar teknolojisi ile paket programların oldukça gelişmiş olduğu günümüzde ortaya çıkmış olması anlamlıdır. Bir zaman serisi ise. nüfus tahminlerinde ve diğer bilim dallarındaki kullanımıyla her gün biraz daha önem kazanmaktadır. Geleneksel ekonometrik modeller yapısal analiz. işletme ve ekonomi gibi daha birçok alanda bu konuda yapılmış çalışmalar bulunmaktadır. politika yapımı ve öngörü için kullanılabilirken. . Dolayısıyla zaman serisi analizlerinin. Serinin ana eğilimini ve özelliklerini yansıtacağı düşünülen bir model seçilir ve var olduğu seri değerleri kullanılarak modelin parametreleri yaklaşık olarak bulunur. belirli zaman aralıklarında gözlenen bir olay hakkında geleceğe yönelik tahmin kurmada kullanılan bir yöntemdir. Serinin gelecekte de aynı özellikleri koruyacağı ve aynı eğilimi göstereceği varsayılarak. Model geliştirme. mühendislik. toplanan verilerin sınıflandırılmasıyla oluşur. ilgili değişkene ait zaman serisinin analiz edilmesi. Zaman serisi analizlerini klasik işlemlerle yapmak güçtür. bir değişkene ilişkin zamana göre sıralanmış gözlem değerleridir. serinin ana eğiliminin ve özelliklerinin belirlenmesine dayanır.GİRİŞ Gözlem sonuçlarını zaman ve mekan vasıflarına göre sıralı bir şekilde gösteren sayı dizileri olarak tanımlanan seriler. Zaman serileri analizi. Teorik olarak istatistik ve ekonometri bilimlerinde yapılan çalışmalar fazla olmakla birlikte uygulama alanı çok geniştir. belirlenen model yardımı ile gelecek dönem değerleri kestirilmeye çalışılır. Özellikle ekonomik büyüklüklerin analizinde. Bu konuda birçok alanda farklı çalışmalar yapılmıştır. zaman serisi modelleri daha çok öngörü için kullanılmaktadır. Zaman serisi analizi. Ancak bilgisayar ortamında yapılabilecek işlerdir. Tıp.

Tek değişkenli zaman serisi modelleri ile sınırlandırılan doğrusal zaman serisi modelleri otoregresif süreç. Bu teknikler yardımıyla zaman serilerinin durağan dışılığının çözümü önemli ölçüde kolaylaşmıştır. bir şokun etkilerinin kalıcı olması nedeniyle başlı başına aranan bir özellik iken yapısal ekonometrik modellerde de sahte regresyon tuzağına düşmemek için gereklidir. korelasyon ölçüleri tanıtılacaktır. Tek değişkenli zaman serileri analizi. Durağanlık zaman serisi öngörü modellerinde. Bilgisayar teknolojisindeki gelişmeler ile birlikte yazılımdaki gelişmelere bağlı olarak istatistiksel ve ekonometrik tekniklerde de önemli gelişmeler olmuştur. tek bir serinin yapısını belirlemeyi amaçlayan “tek değişkenli zaman serileri analizleri” ve iki veya daha fazla sayıda seri arasındaki ilişkileri tespit etmeyi amaçlayan “çok değişkenli zaman serileri analizleri” olarak iki gruba ayırmak mümkündür. Değişkenlerin zaman içinde belli bir değere doğru yaklaşması olarak tanımlanan durağanlık. Ayrıca otoregresif entegre (bütünleşmiş) hareketli ortalama süreçleri için Box Jenkins model kurma süreci üzerinde durulacaktır. zaman serisi modellerinde fark denklemleri ve gecikme işlemcisi ile gecikme polinomunun önemi vurgulanacak. Bu da özellikle yapacakları politika değişikliklerinin ne gibi sonuçlar verebileceğini önceden görmek isteyen politika belirleyici otoriteler için çok önemlidir. serinin yapısını ortaya koymayı amaçlayabileceği gibi serinin gelecek ya da gözlemlenmemiş geçmiş değerlerinin saptanmasını da hedefleyebilir. Serilerin bütünleşme dereceleri birim kök (veya durağanlık) sınamaları olarak adlandırılan sınamalar yardımıyla belirlenir. Durağan olmayan değişkenler bir veya daha fazla sayıda fark alınarak durağan hale gelirler ve durağan olmak için alındıkları fark kadar bütünleşik oldukları söylenir. hareketli ortalama süreci ve karma otoregresif hareketli ortalama süreç ile homojen durağan olmayan süreç modelleri anlatılacaktır. Bu bölümde zaman serileri analizi için oldukça önemli olan veri üretme süreci ve stokastik süreç üzerinde durulacak.Zaman serileri analizlerini. zaman serileri kullanılarak yapılan araştırmalarda serilerde bulunması istenen bir özelliktir. Bu çalışmanın birinci bölümünde genel olarak zaman serisinin tanımı ve özellikleri anlatılacak ve zaman serilerini genel anlamda tanımaya yardımcı olacak matematiksel gösterimi ve bileşenleri ifade edilecektir. 2 .

İhracatın Gayri Safi Milli Hasıla (GSMH) içindeki payı (%) serisi üzerinde uygulama yapılacaktır.İkinci bölümde zaman serilerinin belirli sayıda gecikme için hesaplanan otokorelasyonların grafiksel analizi ve serilerin kabaca durağan olup olmadıkları hakkında bilgi sahibi olunmasına yardımcı olan korelogram testi ile formel birim kök testleri tanıtılacaktır. Üçüncü bölümde ise Eviews 5.1 paket programı kullanılarak. 3 .

Ankara. milli gelir gibi veriler nicel verilere birer örnektir. 1995. 4-5. s. Örneğin istatistik yıllıklarından ihracat. 1. Zaman Serileri Analizi. zaman sırasına konmuş veri kümesi olarak ifade edilebilir. Gelecekteki değişkenleri tahmin eden modeller geliştirdiği için zaman serisi analizi önemlidir 1 . Nicel ve Nitel Veriler Sürekli sayılarla ifade edilen gözlemlerin oluşturduğu veriler nicel verilerdir. Örneğin değişik dönemlerde işletmenin satış analizlerinin yapılabilmesi için satış rakamlarının gözlenmesi. Newyork: Chapman and Hall. döviz kuru. Veri toplama yöntemlerinden birisi önceden toplanmış bilgileri kullanmaktır. Zaman 1 Chris Chatfield. s. 2 Mustafa Sevüktekin ve Mehmet Nargeleçekenler. Veri sağlanamayan konularda amprik çalışmaların yapılması zordur. Verilerin Temel Özellikleri Ekonometrik araştırmaların aşamalarından birisi ekonomik modeli oluşturan değişkenlerin sayılarla ifade edilebilir hale getirilmesidir. Dolayısıyla zaman serisi. milli gelir gibi ekonomik göstergelere ait verilerin kullanılması. Bu nedenle incelenen iktisadi ilişkide yer alan değişkenlerle ilgili verilerin derlenmesi modelin kuruluşu aşamasında önem kazanmaktadır. Zaman serisinde ilgilenilen özellik bir değişkendir. 1. faiz haddi. The Analysis of Time Series: An Introduction. Çalışma alanına ait bilgilerin sayısal ifadeleri verileri meydana getirir.BİRİNCİ BÖLÜM ZAMAN SERİLERİ Bir zaman serisi bir veya daha fazla zaman değişkenini kapsayan bir veri kümesidir. Nobel Yayın Dağıtım. 2005. Enflasyon oranı. Diğer bir yöntem ise gözlem yaparak ölçme işlemidir 2 .1. 1. Bu değişken zaman içerisinde çeşitli nedenlere bağlı olarak farklı değerler alır. 4 .2.

bir zaman serisi {Xt : t Є T}şeklinde ifade edilir. Tüketim harcamaları ile ilgili yapılan bir araştırmada tüketicinin cinsiyeti. seriler zaman serilerine örnek gösterilebilir 6 . Zaman Serisi ve Panel Verileri Tek bir zaman noktasında çok sayıda ülkeyi. a. T= {0. Buradaki T indis kümesi genel olarak T= {1. Uygulamalı İstatistik 2. haftalık para arzı. 2000. 1996.g.1] gibi sürekli aralıklar olarak seçildiğinde {Xt : t Є T} zaman serisine sürekli zaman serisi adı verilir. 25. 6 G.1] gibi sürekli aralıklar da olabilir. Filiz Kitabevi. aylık. Zaman serileri ekonomi. Maddala.4.3. s. Eğer T indis kümesi T= {0. An Introduction to Applied Econometrics : A Time Series Approach. otomobil sahibi olup olmadığı gibi değişkenler nitel değişkenlere örnek gösterilebilir. 1. İstanbul. 24.2. Çok sayıda ülkenin 2006 yılındaki enflasyon oranları yatay kesit verilerine örnektir.3…}= N. s. eğitim. 5 Özer Serper. 1.3…. Gözlem değerlerinin elde ediliş biçimine göre zaman serileri kesikli ve sürekli zaman serileri olarak gruplandırılır.}. T= N veya T=Z şeklinde seçilmiş ise {Xt : t Є T} Kerry Patterson.1. günlük sipariş sayıları vb. Aylık işsizlik. Yatay Kesit. 1992. Great Britain. Zaman serisi verileri günlük. 289. Eğer T indis kümesi T = R veya T= [0. Yatay kesit verilerinin zaman serisi gözlemlerine sahip olduğu durumda derlenen veriler ise panel verileridir. bireyi inceleyerek derlenen veriler yatay kesit verileridir.zaman sınırlı değerler alan veriler ise nitel verilerdir 3 .2. Newyork.e.±1.S. sağlık gibi birçok farklı alanlarda derlenmekte ve toplanmaktadır. Çok sayıda ülkenin yıllar itibariyle enflasyon oranlarının incelenmesi için ele alınan veriler panel verilere örnek gösterilebilir. 525. haftalık. ±2. s. Introduction to Econometrics. s. T bir indis kümesi olmak üzere. yıllık ve daha uzun dönemli aralıklarla derlenir. Zaman Serileri Analizi Gözlem sonuçlarının zaman vasfının (değişkeninin) şıklarına göre sıralanmasıyla elde edilen seriye “zaman serisi” denir 5 . Türkiye’ de 1980-2006 yılları arasındaki enflasyon oranları zaman serisi örneğidir. ±3…}= Z olarak alınabildiği gibi T = R. 3 5 . Macmillan Publishing Company. 4 Patterson. mühendislik. T= [0. çeyrek yıllık (üç aylık). işletmeyi. Bir veya daha fazla değişkeni zaman içinde inceleyerek derlenen veriler zaman serisi verileridir 4 . Newyork.

…. s. T) ile bu zaman noktalarında zamana bağlı Y değişkeninin aldığı Y1. Zaman Serisi Grafiği Zaman serileri genel olarak kartezyen koordinatlı bir grafikle gösterilir. Şekil 1. Yt . s. İlk sütunda zaman vasfının şıkları. ikinci sütunda ise olayın aldığı değerler belirtilir. Ankara. Grafiğin yatay ekseninde zaman değişkeninin şıkları. dikey ekseninde bu şıklar itibariyle Y değişkeninin aldığı değerler olan gözlem değerleri Yt yer alır. Zaman Serileri Analizi (Birim Kökler ve Kointegrasyon). 8 Patterson.g.e. Burada T zaman serisinin örneklem boyutunu ifade eder. 1. 7 6 . Zaman değişkeninin şıkları genellikle. t = 1. Zaman serileri iki sütundan oluşur.T şeklinde belirtilir. 2. 2003. Bu görsel gösterim zaman serisinin sayısal verilerinden açıkça görünmeyen özelliklerini görmede kolaylık sağlar 8 .…. 25.ye zaman serisi denir 7 . Yt gözlem değerlerini eşleştirmek suretiyle zaman serisinin grafiği çizilebilir. Bıçaklar Kitabevi.1 Zaman Serisi Grafiği Yılmaz Akdi.…. a. Belirlenen eşit aralıklı t zaman noktaları (t = 1. Ekonomik büyüklükleri gösteren zaman serileri zamanın belirli aralıklarında ölçüldüğünden kesikli zaman serileri olarak incelenirler.5. 11.

Dt mevsimsellik olmayacağı için bu serilerde Yt = Tt.1. 3.1) şeklindeki çarpımlarından oluştuğu varsayılmaktadır. Zaman serisinin gözlem değerleri (Yt ) bu faktörlerin Yt = Tt. -Konjonktürel (cyclical) dalgalanmalar. s. Applied Econometrics Time Series. Yıllık zaman serilerinde Şekil 1. -Düzensiz (random walk) hareketler olmak üzere dört temel faktörden kaynaklandığı bilinmektedir 9 . Dt eşitliği söz konusudur 11 . a. 293. serinin gidişinde bazı düzensizliklerle karşılaşılmaktadır. -Mevsimlik ( seasonal) dalgalanmalar. s. Uygulamalı İstatistik 2. 2004. s. a. John Wiley &Sons. Bu faktörlerden her birinin olay üzerindeki etkileri farklı yön ve şiddette olabileceği gibi. -Uzun dönem eğilimi (trend). 11 Sevüktekin ve Nargeleçekenler. Newyork. Mt. Zaman Serisi Bileşenleri Zaman serilerinin grafikleri incelendiğinde. 292.2 Zaman Serisi Bileşenleri Kaynak: Serper.e. s. 34. Kt. Bu düzensiz hareketlerin temelde. aynı yön ve şiddette de olabilmektedir 10 .g.e. 9 Walter Enders. (1.g.6. Serper. 10 7 . Kt.2) (1.

Bu faktörlerin etkisiyle seride kısa dönemde ufak çaplı sapmalar olabilir. 12. 14. Konjonktürel kalıplar ile mevsimsel kalıplar arasında benzerlik olmasına rağmen mevsimsel hareketler nispeten daha düzenli ve periyodiktir. 294. a. s.6. 1. 12 13 Serper.e. 8 . 15. a. s. Mevsimlik dalgalanmalar döngüsel olduğu gibi aynı zamanda periyodiktir. 15 Sevüktekin ve Nargeleçekenler. fakat uzun dönemde ana eğilim sabittir.6. Konjonktürel (Cyclical) Dalgalanmalar Konjonktürel hareketler daha çok ekonominin veya sektörlerin refah ya da durgunluk dönemlerini içerir 15 . resmi veya dini bayramlar gibi birçok faktör etkili olur. Mevsimlik ( Seasonal) Dalgalanmalar Birçok zaman serisi belirli dönemlerde mevsimsel faktörlerin etkisi altındadır 13 . 14 Serper.e.g.g. Refah dönemlerinde ekonomik göstergelerde artış olurken.1. insan alışkanlıkları. s. Sevüktekin ve Nargeleçekenler. s.e.2.g. Zaman serisinin uzun dönemde belli bir yöne doğru gösterdiği eğilime trend denir 12 . Zaman serilerinde mevsimselliğin ortaya çıkışında hava şartları. Zamanla nüfusun sürekli olarak artması kişi başına milli gelirin artmasına ve buna bağlı olarak hayat standardının yükselmesine neden olur. s. durgunluk dönemlerinde azalışlar olabilir. Çünkü dalgalanmaların uzunluğu yani iki maksimum veya iki minimum nokta arasındaki zaman aralığı hep aynıdır.1. 293.e. 1. Yaz aylarında soğuk içecek satışlarının artması mevsimselliğe örnek gösterilebilir. a.e.g. a. Bir zaman serisindeki tekrarlanan döngüsel hareketlere mevsimsel dalgalanma denir 14 . Konjonktürel hareketler içeren zaman serilerinin analizinde. Uzun Dönem Eğilimi (Trend) İktisadi faaliyetlerin her biri zaman içerisinde çeşitli faktörlerden etkilenir. a.6.3. Konjonktürel hareketler düzensizdir ve periyodik değildir. Bunun sonucunda üretim faaliyetlerinin trendi artış yönünde olur. 16 Sevüktekin ve Nargeleçekenler.g. refah döneminden durgunluk dönemine ve durgunluk döneminden refah dönemine geçiş noktalarının analizi önem kazanmaktadır 16 .

e. 19 Sevüktekin ve Nargeleçekenler. 11. Stokastik Süreçler Zaman serileri için olasılık modellerinin diğer tanımı stokastik süreçlerdir.6.e. 1. Rassal süreç 17 18 Serper. Buradaki süreç stokastik (olasılıksal) üretme sürecidir. a. fakat gerçekleşme aynı olmayacaktır. Zaman serisi analizlerinde gerçekleşme (yani gözlenen örneklem değerleri) ve süreç arasındaki ilişki istatistiksel hipotez testlerindeki örneklem ve anakütle ilişkisine benzer 19 . araştırılan herhangi bir model için hangi değişkenlerin ilgili. Gözlenen bir zaman serisindeki gerçek değerler aslında bu değerleri üreten belirli bir sürecin gerçekleşmesidir. 1. Burada tam olarak bilinemeyen.7. Bu hareketlerin ne zaman hangi şiddette çıkacağı önceden tahmin edilemez. değişken aynı olarak kalabilirdi. Ekonomik verilerin stokastik (olasılıksal) süreçler tarafından yaratıldığı düşünülmektedir. s. Gerçek hayatta birçok süreç yapılarında bir rassal veya stokastik yapı vardır. 40. s. Ekonometrik teori.4. Zaman serileri analizinde süreç ve gerçekleşme terimleri arasında temel bir ayırım vardır. Zaman serileri analizinin amacı.8. 9 . seriyi oluşturan herhangi bir süreç (yani anakütle) modelini tanımlamak için bu sürecin gerçekleşmelerini (yani örneklemini) kullanmaktır.1. 296. Stokastik süreç hem reel fiziksel süreç hem de onun matematiksel modeli olarak algılanır.g. a. Veri Üretme Süreci (Data Generation Process-DGP) Genelde zaman serileri olarak gözlenen verileri tanımlayan ekonomik süreç hakkında sahip olduğumuz bilgi sınırlıdır. s.e. hangi değişkenlerin ilgisiz olduklarını belirleyen süreç hakkında tam bilgi sunamaz.g. Eğer tarih yeniden yazılmış olsa idi. Patterson. Bir değişkenin belirli bir noktadaki belirli bir gerçekleşmesi özü itibariyle bir rassal değişkenden sadece bir olabilir sonuçtur. Düzensiz (Irregular) Hareketler Rassal nedenlerle veya geçici olarak ortaya çıkan hareketlere düzensiz hareketler denir 17 . çok sayıda değişken ve parametre içeren karmaşık bir süreçten söz etmek mümkündür 18 . Dolayısıyla bu tür verileri içeren modeller ekonometrik teori tarafından formüle edilip daha sonra ekonometrik teknikler kullanılarak test edilirken teorinin kendisi bu verileri tanımlamada yetersiz kalmaktadır.g. a.

Geleneksel istatistikte anakütle ve örneklem gibi kavramların zaman serisindeki karşılıkları stokastik süreç ve gerçekleşme dir. 10 . stokastik süreç olarak isimlendirilen bir teorik sürecin gerçekleşmesi olarak düşünülür. s. Otokovaryans γ t1.g.T . Bu momentler. Zaman serisi analizlerinin temel amacı gözlenen serideki bilgilerden yararlanarak stokastik sürecin özellikleri hakkında bilgi edinmektir. 44. Rassal değişken { Yt } dizisinin olasılık yapısı bir stokastik sürecin birleşik dağılımı ile tanımlanır. a.t 2 = Cov(Yt1 . 27.2. t=1.5) Chatfield.g.3) (1. 28.g. Sevüktekin ve Nargeleçekenler.…. Stokastik süreci tanımlamanın diğer yolu ise momentlerini oluşturmaktır. tn gibi bir veri setinin Yt1. Burada T süreçte tanımlanan zaman noktalarının bir setidir. a. Analizdeki ilk adım özet istatistiklerin formülasyonudur ancak asıl amaç model kurarak serinin yapısını açıklamaktır.4) (1. a. s. Dolayısıyla bir stokastik süreç matematiksel olarak zaman aralıklarına göre dizilmiş rassal değişkenlerin bir birikimidir. 20 21 (1.….…. s. Stokastik sürecin olasılıklı yapısı bütün n değerleri ve T’nin herhangi bir alt seti (t1. Ortalama μ t = E (Yt ) Varyans σ 2 = var(Yt ) ve Yt1 ileYt2 arasındaki kovaryansı. ortalama. Yt 2 ) = E [(Yt1 − E (Yt1 ))(Yt 2 − E (Yt 2 ))] şeklinde yazılabilir. Ytn) ile bütünüyle ifade edilir.…. Reel olarak gözlenen bir zaman serisi Yt.e.kavramı ile stokastik süreç kavramı eş anlamlıdır 20 . varyans ve otokovaryans fonksiyonları olarak adlandırılan birinci ve ikinci momentlerdir 22 .…. Belirli bir t dönemindeki rassal değişken Yt’ nin dağılım ve yoğunluk fonksiyonları sırasıyla F(Yt) ve f(Yt) ile gösterilir 21 . Ytn birleşik olasılık dağılımını tanımlamaktır. 22 Chatfield. Bununla birlikte T sonsuz bir set oluşturduğundan stokastik sürecin olasılık yapısını tanımlamak için sonsuz boyutta bir dağılıma ihtiyaç duyulur. Bir stokastik süreci tahmin etmenin bir yolu t1.e. Bir stokastik süreçteki değişkenin her bir değeri bir olasılık dağılımından rassal olarak çekildiğinden rassal bir değişkendir ve belirli bir olasılık dağılımına göre oluştuğu varsayılmaktadır. tn) için birleşik dağılım F(Yt1.e.

Denklemde Yt1 ile Yt2 arasındaki kovaryans γ t1.g.. 2005.8) Chatfield.9. hisse senedi fiyatlarının değerini ortaya koyan model stokastik bir fark denklemi temeline dayanır: Yt = Yt −1 + et veya Burada Yt − Yt −1 = et veya ΔYt = et (1.1. Fark Denklemleri Zaman serilerinin geleneksel kullanımı. Ankara. 1.7) Yt . a. s. Y = f(t) 23 24 (1. Tahmin edilen denklemler uygun bir biçimde ekonomik verilerin yorumunda ve hipotez testlerinde kullanılabilir.t 2 ile gösterilmiştir. Fark denklemleri ile doğrusal zaman serisi modellerinin uygun tahminleri elde edilir.2. Dizinin öngörülen bileşenleri gelecek içinde tahmin edilebileceğinden bir dizinin dinamik yolu devam ettirilerek önraporları geliştirilir. 1. Bir stokastik sürecin dağılımı değişkenin birinci ve ikinci momentleri ile ortaya konulabilir ve her iki moment zamanın bir fonksiyonudur. 25 Aziz Kutlar.g. s. Bu ifade Yt ile k sayıda gecikmeli Yt+k arasındaki kovaryansın gösterilmesi için kullanıldığında. Bir zaman serisi değişkeni (Y). Fark denklemlerinin en basit şekli. s.T’ dir. Aynı seri üzerinde farklı gözlemler arasındaki kovaryanslar otokovaryans olarak bilinir... t günündeki bir hisse senedi fiyatı et . Nobel Yayın Dağıtım.9. 29. Sevüktekin ve Nargeleçekenler. Uygulamalı Ekonometri. beklenen değeri sıfır olan rassal kalıntılardır. Yt + k ) = E [(Yt − E (Yt ))(Yt + k − E (Yt + k ))] (1. t = 1. γ kt = Cov(Yt . bir değişkenin geçmişteki değerlerine dayanarak zaman yolunu önraporlamaktır 24 . 67. 252.Zaman serisi modellemesinde kovaryanslar önemlidir. Fark Denklemleri ve Çözümleri Zaman serisi analizlerinde kullanılan denklemler fark denklemi matematiğine dayanır.. t’ nin bir fonksiyonu olarak tanımlansın. 11 . bir rassal yürüyüş modelidir 25 .e.e. a. Y = f(t) . Örneğin hisse senedi fiyatlarındaki günlük değişmelerin ortalamasının sıfıra eşit olduğu varsayıldığında.6) olur 23 .

f(t*) yazılabilir. fark almanın iki kere yapılması veya birinci farkın tekrar farkının alınması anlamına gelir. 69-70-71.14) 26 Sevüktekin ve Nargeleçekenler. Yt = f(t) fonksiyonel ilişkisinde t’ nin ardışık ve özdeş aralıklarla bir değerler dizisi oluşturulduğunda t için { Yt } dizisi {…Yt-3 .9) (1. ∆Yt = f(t) .g. Yt*+1 .f(t-1) = Yt -Yt-1 ∆Yt+1 = f(t+1) . t* gibi herhangi bir özel değeri alırsa.f(t) = Yt+1 -Yt ∆Yt+2 = f(t+2) . Δ (ΔYt ) = Δ2Yt (1.ilişkisinde eğer t.…. Y’ nin t döneminden bir dönem ilerisi için farkı. Yt+1. Yt*+k . farklar. Benzer şekilde k dönem ilerisi için farkı.e.f(t+k-1) = Yt+k -Yt+k-1 (1.13) Bu durumda. a. Δ2Yt = Δ (Yt − Yt −1 ) = (Yt − Yt −1 ) − (Yt −1 − Yt − 2 ) = Yt − 2Yt −1 + Yt − 2 şeklinde yazılabilir 26 . s. (1. Yt+k } ile tanımlanır.Yt* = f(t*+1) . Y’ de böyle bir özel değer için Yt* olarak tanımlanır.f(t+1) = Yt+2 -Yt+1 ……………………………………………………… * (1.10) (1. farkını ∆n almak için kullanılacak tablo aşağıda gösterilmiştir.12) bir dizi şeklinde yazılabilir. 12 .Yt* = f(t*+k) .11) olur.f(t*) yazılabilir. Yt = f(t)’ in n. Ardışık 1.…. Benzer biçimde k dönemlik bir artış veya azalış dikkate alındığında Y’ nin değeri ∆Yt+k = f(t+k) . Yani farkın farkı veya farkın karesidir. Yt-2 . Yani Yt* = f(t*) Yt*+k = f(t*+k) olur. İkinci fark alma.

2.9. 13 . s. 32. Zaman Serileri Analizi. a.1 n. USA. s. Farkın Alınmasında Fark Denklemi Açılımı Fark Alma Derecesi 0 1 2 3 4 …. gecikme için Yt-i alt imi kullanılarak geriye doğru. Zaman Serilerinin Geciktirilmesi ve İlerletilmesi Bir değişkenin geciktirilmesi veya ilerletilmesi. Analysis of Financial Time Series. Tsay. 2004. benzer bir işlemle gerçekleştirilir. i. Patterson. s.Tablo1. 1. Gecikme ve ilerletme için L işlemcisi kullanılır 27 . John Wiley &Sons.g. Yıllık veriler için yıllık büyüme oranı (Yt -Yt-1) / Yt-1 kullanılacağından verilerin geciktirilmesi önem kazanmaktadır 28 . 36. 1 1 4 1 3 6 …. ilerletme için Yt+i alt imi kullanılarak ileriye doğru hareket biçiminde ifade edilebilir. i. Denklemin Katsayıları 1 1 2 3 4 1 1 1 1 Kaynak: Sevüktekin ve Nargeleçekenler. Tablo 1. 72.2 Bir Değişkenin Geciktirilmesi t 1 2 3 4 5 6 7 8 9 10 Yt 10 12 13 14 15 17 20 22 23 25 Yt-1 10 12 13 14 15 17 20 22 23 (∆Yt) / Yt-1 2/10 1/12 1/13 1/14 2/15 3/17 2/20 1/22 2/23 27 28 Ruey S.e.

9. s.e. a.e. 34. i.3 Bir Değişkenin İlerletilmesi Yt 10 12 13 14 15 17 20 22 23 25 Yt+1 12 13 14 15 17 20 22 23 25 - 1.15) olmaktadır.g. 29 30 Patterson. i negatif olduğunda işlem Yt nin i.Bu oranlar 100 ile çarpılarak yüzde değerler biçiminde yorumlanabilir. Yt yi i dönem geciktirme ile aynı anlama gelir. Dolayısıyla Yt değişkenine uygulanan L’ nin pozitif bir kuvveti. Patterson. Daha çok bir zaman serisinin geciktirilmesi ile ilgilenilse de bazen bir zaman serisinin ilerletilmesi ile de ilgilenilir 29 . L1Yt = Yt −1 ve L4Yt = Yt − 4 (1. Örneğin Yt için yıllık büyüme oranı t= 8 de (2/20) *100 = 10 yüzde 10 olarak ifade edilebilir.16) Aynı zamanda L0Yt = Yt (1. Tablo 1. 33.g. ilerletmesi anlamına gelir 30 . L−2Yt = Yt + 2 (1. a. s. Gecikme İşlemcisi Gecikme işlemcisi Li Yt = Yt −i şeklinde tanımlanır. Örneğin.3. 14 .17) anlamına gelir.

e..g. a.g. Polinomun derecesi polinomdaki L’ nin en yüksek gücü tarafından belirlenmektedir. Bu tür 31 32 Patterson. Gecikme işlemcisinin özellikleri 33 . s.23) Gecikme işlemcisi L denkleme eklendiğinde.9..25) şeklinde yazılabilir. Gecikme Polinomu Gecikme polinomu L’nin doğrusal bir fonksiyonudur.g. Yt − φ1 LYt − φ 2 L2Yt − .)Yt = φ ( L)Yt (1.4. (1. • • Bir sabit değerin gecikmesi yine bir sabit değerdir. Korelasyon Ölçüleri İstatistikte değişkenler arasında birlikte hareket etmenin veya birlikteliğin büyüklüğünü ölçmeye çalışan birçok betimsel istatistik söz konusudur. Bu p. dereceden gecikme polinomu φ (L ) yi tanımlamaktadır 34 . 34.e. (1 − φ1 L − φ 2 L2 . 15 . a.19) ( Li + L j )Yt = Li Yt + L j Yt = Yt −i + Yt − j • Gecikme işlemcisi için çarpmanın birleşme kuralı vardır. − φ p Lp Yt şeklinde yazılabilir. Yt − φ1Yt −1 − φ 2Yt − 2 − . Yt parantezine alarak bu ifade. Gecikme işlemcisi kullanılarak p. Patterson..Yani L0 . (1. 33 Sevüktekin ve Nargeleçekenler. 34.21) (1.10. s.. s. 1.18) Lc = c Gecikme işlemcisinin dağılma özelliği vardır. (1. 34.22) 1. L− i Yt = Yt +i (1. 108-109.e.24) (1. L1 genellikle L olarak yazılır ve Li L j Yt = Li + j Yt = Yt −(i + j ) dir 32 .e. 34 Patterson. s. a. − φ p Yt − p (1. Yt ’ yi değişmeden aynen bırakan özdeşlik operatörüdür 31 .. dereceden bir denklem . a..g.20) Li L j Yt = Li ( L j Yt ) = Li Yt − j = Yt −i − j • Gecikme işlemcisinin negatif kuvveti ilerletilme anlamına gelir.

kısmi korelasyon. kovaryans değişkenlerin her ikisinin beklenen değerlerinden (ortalamalarından) sapmalarının çarpımlarının beklenen değeridir 37 . s.g. Y ) = E[( X − E ( X ))(Y − E (Y ))] = ∑∑ Pij ( X i − E ( X ))(Y j − E (Y )) i =1 j =1 [ ] (1. determinasyon katsayısı gibi birliktelik ölçüleri sayılabilir. X ve Y’ nin birlikte görülme olasılığıdır 38 . 35 36 Tsay. korelasyon.10. Korelasyon’ un karşılığı Otokorelasyon. 25. X ve Y gibi iki rassal değişken dikkate alındığında. 64. a. Genelde kullanılan korelasyon analizleri.1. Başka bir ifadeyle korelasyon ölçülerinin temel mantığı kovaryans matematiğine dayanır. 214. kovaryans. farklı yönlerde değişim gösteriyorsa negatif ve değişmenin yönü saptanamıyorsa veya değişkenler arasında tam bir bağımsızlık söz konusu ise ölçeğin değerinin sıfır olması beklenir 35 .g.e. Determinasyon Katsayısı’ nın karşılığı Portmanteau (Q İstatistikleri) dur. N N Cov( X . 1. Dolayısıyla sebep-sonuç ilişkisi beklenmez.g. Kovaryans ve Korelasyon Herhangi iki rassal değişken arasında birlikteliğin veya birlikte değişimin mutlak bir ölçüsü kovaryans ile ifade edilir 36 . Sevüktekin ve Nargeleçekenler.g.istatistikler genelde bir değişkenin değerlerindeki değişmenin başka bir değişkenin değerlerindeki değişme ile benzer veya farklı bir değişme seyri veya eğilimi gösterip göstermediğini belirmede yardımcı olur.e. 214. a. Kovaryans’ ın karşılığı Otokovaryans. Buna karşılık zaman serisi analizlerinde. Her ne kadar kovaryans yalın haliyle birlikteliğin önemi hakkında çok fazla net bilgi vermese de korelasyon hesaplanmasında temel bileşen durumundadır. Değişkenler arasındaki değişme eğer aynı yönde bir eğilim gösteriyorsa ölçeğin değerinin pozitif. Bu nedenle korelasyon testlerinde değişkenler arasında nedensel bir ilişki aranmaz.e.26) Burada Pij . Kısmi Korelasyon’ un karşılığı Kısmi Otokorelasyon. s. s. 37 Patterson. a. s. 38 Sevüktekin ve Nargeleçekenler.e. a. 16 .

a. Şekil 1. 26. 25. 214.27) Eğilimsiz bir kovaryans ölçeğine ulaşabilmek için serbestlik derecesi dikkate alınır. Bu ifade sezgisel olarak bir değişkenin değerindeki değişmenin diğer değişkenin değerindeki değişmelerle bir alakası olmadığını söyler.e.e. s. Kovaryans. Zaman Serileri Analizi. Y ) = 1 N ∑(X i =1 N i − X )(Yi − Y ) (1.g. 41 Pindyck ve Rubinfeld. X ve Y değişkenlerinin ortalamaları civarındaki sapmaların aritmetik ortalamasını alarak yeniden tanımlandığında 40 . Bu durumda 39 40 Sevüktekin ve Nargeleçekenler. a. Benzer şekilde eğer iki değişken arasında ilişki yoksa ortalamadan sapmaların arasında da bir ilişki olmadığı anlamına gelir. 42 Tsay. Y ) = 1 N ∑ ( X i − X )(Yi − Y ) N − 1 i =1 (1. 1998.3 Pozitif ve Negatif Kovaryanslar (a) Pozitif Kovaryans (b) Negatif Kovaryans Kaynak: Sevüktekin ve Nargeleçekenler. Cov ( X . s. Cov ( X . S.g. Dolayısıyla eğilimsiz kovaryans tahmincisi 41 . s. Eğer değişkenler arasında tam bir bağımsızlık varsa kovaryans yine sıfır çıkar. 214. Econometric Models and Economic Forecasts. 17 . Fakat kovaryans ölçüsü değişkenler arasındaki değişimin bir ölçüsüdür. Pindyck R. Singapore. Eğer X’ in değeri ortalamasının üstünde fakat Y’ nin değeri ortalamasının altında ise ya da tersi durum söz konusu ise kovaryans negatif olacaktır 39 . Irwin/ McGraw-Hill International Edit.Her iki değişken aynı zamanda onun ortalamasının altında ve üstünde yer alıyorsa kovaryans pozitif olacaktır.e. Y ) = 0 olur 42 .28) X ve Y gibi iki değişken gerçek anlamda bağımsız ise Cov ( X . a.g. ve D. Rubinfeld. L. 26. s. s..

Korelasyon katsayısı.. Y ) Var ( X )Var (Y ) Cov ( X .30) (1. Basic Econometrics. s. Örneklem standart sapma değerleri S X ve S Y SX = ∑(X i − X )2 N −1 (1. Y ) σ XσY (1. 25-26. 71. Tam sıfır olma halinde ise değişkenler ya tam olarak bağımsızdırlar ya da doğrusal olmayan bir ilişkiye sahiptirler. 2004. 18 . Y ) ρ ( X . Dolayısıyla değişkenler arasındaki doğrusal bağımlılığın nispi veya oransal bir ölçüsünü elde edebilmek için korelasyona başvurulur. The McGraw.29) ile tanımlanan anakütle katsayısına karşılık iki değişken arasındaki örneklem otokorelasyon katsayısı. 23. Y ) Var ( X )Var (Y ) = Cov( X . a.Y ) = = σ XσY (1. a. Denklem (1. Newyork.29) Anakütle korelasyon katsayısı yada Pearson korelasyon katsayısı olarak adlandırılan bu korelasyon ölçüsünde σ X ve σ Y sırasıyla X ve Y’ nin standart sapmalarını gösterir 45 . s.g. Burada σ X ≡ S X ve σ Y ≡ S Y ’ dir.e.31) biçiminde yazılabilir.g. 46 Patterson.32) 43 44 Sevüktekin ve Nargeleçekenler. Cov ( X .e. 215. Ölçek -1 veya +1’ e ne kadar yaklaşırsa birlikteliğin derecesi o kadar yüksektir. 45 Tsay.da bağıntının doğrusal olmadığı anlamına gelir 43 . s. Y ) S X SY Cov( X .e. Sıfıra yaklaştıkça birlikteliğin derecesi düşer. değişkenlerden birindeki bir standart sapma değişimin diğer değişkendeki bir standart sapma ile birlikteliğin bir ölçüsüdür. Doğrusal ilişkinin gücünü ölçer 44 . s. Bu durumda da tam bağımsızlık söz konusudur 46 . rXY = veya rXY = Cov ( X .g. Korelasyon katsayısının bu ölçeği -1 ile +1 değerleri arasında değişkenlik gösterir. Gujarati Damodar N.Hill Companies. a.

Newyork. A. a. Delurgio. s.32) ve (1.) H 1 = rxy ≠ 0 (İki değişken arasında istatistiksel olarak anlamlı bir birliktelik vardır. s. gerek küçük örneklem hacimlerinde gerekse daha düşük korelasyon katsayısı değerlerinde bir değerlendirme yapma gereğini ortaya çıkarır.e.) • Test istatistiği hesaplanır: tr = r − r0 Ser 1− r2 olmak üzere. X ve Y arasındaki basit korelasyon katsayısı olarak adlandırılır 48 . Denklem (1.1.10.31)’ de yerine yazılarak yeniden düzenlendiğinde 47 . n−2 (1. 1998. 59-60. Korelasyonun İstatistiksel Anlamlılığı X ve Y gibi iki değişken arasındaki korelasyon katsayısı yüksek çıksa bile. Irwing McGraw-Hill Comp. 48 47 19 .ve SY = ∑ (Y i − Y )2 N −1 (1. S. 26. birlikteliğin istatistiksel anlamlılığı.1. N rXY = ∑(X i =1 i − X )(Yi − Y ) N ∑(X i =1 N (1. Herhangi iki değişken arasında hesaplanan korelasyon katsayısının istatistiksel olarak anlamlı olup olmadığını test edebilmek için aşağıdaki adımlar izlenir: • Hipotezler tanımlanır: H 0 = rxy = 0 (İki değişken arasında istatistiksel olarak anlamlı bir birliktelik yoktur.g. Forecasting Principles and Applications.33) örneklem korelasyon katsayısı olan denklem (1.34) i − X ) 2 ∑ (Yi − Y ) 2 i =1 rXY .35) r0 = 0 ve Ser = tr = r 1− r2 n−2 Pindyck ve Rubinfeld. 1.33) şeklinde hesaplanmaktadır.

Dept. Otokovaryans ve otokorelasyon analizleri geleneksel istatistikteki kovaryans ve korelasyon mantığına göre geliştirilir.e. ±2.2.…. otokorelasyon olarak genelleştirilir 51 .g. 2005. Hesaplanan test istatistiği ile bulunan tablo değeri karşılaştırılır. genellikle zaman serilerinde rastlanılan bir durumdur 50 . s.olur. Özellikle ekonomik zaman serisi verilerinde bir ve iki gözlemli ve çok nadir olarak üç değerli gecikmeler arasında korelasyonun varlığı gözlenir. ±1. Universitat Autonoma de Barcelona.… Cov(Yt . Otokovaryans ve Otokorelasyon Herhangi bir değişkenin zaman boyunca ölçülmesi durumunda serideki gözlemlerin bir veya bir kaçı ya da daha fazlası birbirinden etkilenecektir. s. Yt − k ) Cov (Yt . Cov(Yt . Yt + k ) = ∑ (Yt − Y )(Yt + k − Y ) / T t =1 T −k t =1. Durağan stokastik süreç için k gecikmeli otokovaryans.e. Michael Creel. Başka bir ifadeyle serinin çeşitli sayıdaki gecikmeli değerleri arasında genelde korelasyonun varlığı gözlenir. 26. Yt + k ) = Cov(Yt .g. Yatay kesit verilerinde de karşılaşılabileceği gibi. a. Mutlak değerce t r ≤ t t ise iki değişken arasındaki korelasyon katsayısının istatistiksel olarak anlamlı olmadığını söyleyen H 0 hipotezi reddedilemez 49 . Yt zaman serisi değişkeni ile onun geçmiş değerleri Yt-i arasındaki korelasyon. Yt + k ) = E [(Yt − μ Y )(Yt + k − μ Y )] (1. 51 Tsay. a. Econometrics. s.36) Sevüktekin ve Nargeleçekenler. Of Economics and Economic History. 219. • • Seçilen anlamlılık düzeyinde kritik tablo değeri bulunur(tt).10.2. Otokorelasyon katsayıları otokovaryans katsayılarına dayanılarak hesaplanır. Burada temel farklılık yalnızca tek bir değişken ele alınmakta ve bu değişkenin kendi değerleri arasında gecikmeli korelasyonlar hesaplanmaktadır. 1. 50 49 20 . 130.T k = 0.

E [(Yt − μ Y )(Yt + k − μ Y )] Yt serisindeki … Yt-k . a. Yt +k ) = σY σY t (1. Otokorelasyon fonksiyonu korelasyonu (birlikteliği) ölçmektedir.37) t +k Elde edilen bu son ifadenin paydasındaki durağan bir süreç için varyans anlamına gelir. USA. s. Time Series for Macroeconomics and Finance. 21.…Yt+k… yakın komşu veri noktaları arasındaki ρk = E (Yt − μ Y ) 2 E (Yt + k − μ Y ) 2 [ ][ ] Cov(Yt . otokovaryans/varyans olduğunu gösterir. 221. Cochrane. modelleme sürecinde oldukça yararlı bilgiler sunmaktadır 52 . 21 .38) O halde. John H.…Yt-1 . γk γ0 (1. Yt + k ) = γ k Var (Yt ) = γ 0 (1. 1997. Yt Yt+1 . otokorelasyonun. Yt + k ) σY 2 bu ifade.g.e.Stokastik sürecin bütün bir tasvirini elde edebilmek için olasılık dağılımına dayanan gerçek durumu tanımlayabilmek için otokorelasyon fonksiyonu. s. k gecikmeli bir anakütle otokorelasyon fonksiyonunu. Yani t dönemindeki standart sapma ile t+k dönemindeki standart sapma eşittir. σY = σY t t +k (1.40) 52 53 Sevüktekin ve Nargeleçekenler.39) ρk = olarak bulunur 53 . Cov (Yt . otokovaryans tanımından hareketle şöyle yazmak mümkündür. Cov(Yt .

41) σˆ 2 = ∑ T t =1 ( yt − y)2 T (1. Chaos Theory Tamed. μ . Yukarıda tanımlanan otokorelasyon katsayısı denkleminde otokorelasyon fonksiyonu oldukça pür teorik bir yapıya sahiptir. varyans. 495. Robert B. (1986). Bell. Washington DC. y= ∑y t =1 T t T (1. Yavaş bir şekilde azalan otokorelasyonların varlığı durağan dışılığın göstergesidir 54 . Williams. s. 56 Garnett P. Denklem (1.3. William R. σ 2 ve ρ k değerleri hesaplanır. a.e. otokorelasyon değerleri kullanılarak gerçek veri üreten sürecin parametreleri tahmin edilir. 1997. Örneklem Otokorelasyon Fonksiyonu (Autocorrelation Function-ACF) Anlamlı bir otokorelasyon durumunda seride durağan dışılık söz konusudur. σ 2 . 54 22 . Dickey. Uygulamada ise otokorelasyon fonksiyonunun bir tahmini hesaplanır ve bu örneklem otokorelasyon fonksiyonu olarak adlandırılır 55 . Sayı: 40. Joseph Henry Press. “Unit Roots in Time Series Models: Tests and Implications” The American Statistician. s. 55 Pindyck ve Rubinfeld. 1.1.43) Otokorelasyon fonksiyonunun simetrik olması nedeniyle ( ρ k = ρ − k ) korelasyon pozitif ve negatif yer değiştirmeler için aynıdır.10. 89. 12-26. ρ k yerine ˆ ˆ örnek y .43)’ den otokorelasyon = otoko var yans olduğu görülür 56 .g. var yans David A. Ele alınan durağan bir seride örnek ortalama.42) T −k ˆ ρk = ∑(y t =1 t − y )( yt + k − y ) t ∑(y t =1 T − y) 2 (1. s. Ancak sınırlı sayıdaki gözlem için bir stokastik süreci tasvir eder. Miller.

Kısmi otokorelasyonlar.g. • Otokorelasyon katsayıları için test istatistiği. Örneklem Otokorelasyon Katsayısının İstatistiksel Anlamlılığı Örneklem otokorelasyon katsayısının yaklaşık sıfır ortalamalı ve 1 / T standart sapmalı bir normal eğri ile örnekleme dağılımına sahip olduğu söylenebilir. Yt −k / Yt −1 . (1.e.g.. Yt − 2 . Yt −2 . 27.1.44) t ACF ( k ) = hesaplanır. 233. a.4.3. • ACF (k ) Se ACF ( k ) (1. Yt −1 .10. 23 . a.10. Burada SeACF(k). diğer zaman gecikmelerinin etkisini arındırarak Yt ile Yt-k arasındaki birlikteliğin derecesini ölçer. Sevüktekin ve Nargeleçekenler. Yt − k +1 koşulunda Yt ile Yt-k arasındaki fonksiyonunun değerlerinden yararlanılarak elde edilir 58 . 1.. Kısmi Otokorelasyon Fonksiyonu (Partial Autocorrelation Function-PACF) Otokorelasyon fonksiyonu zaman serisindeki iki nokta arasındaki ilişkiyi araştırmaya yarar.. s. otokorelasyon (1. ACF(k)’ nın yaklaşık olarak standart hatası ve T gözlem sayısını ifade eder.1. s.46) Bu ifadeden görüldüğü gibi Φ kk .e.Yt −k +1 ) korelasyon katsayısıdır.. Φ kk = ρ (Yt .45) Hesaplanan t istatistiği t-tablo değerinden büyükse anakütle otokorelasyon katsayısının sıfır olduğu hipotezi reddedilir 57 . Örneklem otokorelasyon katsayılarının bu çerçevede belirli sayıda ortalaması sıfır olan bir anakütleden gelip gelmediğine bakılabilir. • Hipotezler tanımlanır: H 0 = ρk = 0 H1 = ρ k ≠ 0 • Otokorelasyon katsayısı için : SeACF(k) ≈ 1/ T standart hataları hesaplanır. k . Kısmi otokorelasyonlar. 57 58 Tsay.

a. 1. Econometric Methods. Yt = δ + φ1Yt −1 + et t = 1.3. Yt = f(Yt-1. Otoregresif Süreç (Autoregressive Process-AR) Zaman serisi modellemesinde Yt gibi bir ekonomik değişkenin geçmiş değerlerinden elde edilen bilgi.49) Modelleme bu değişkenlerle ele alınacaktır.2. Zaman serisi modelleri bu geçmiş değerleri kullanarak aynı değişkenin gelecekte alabileceği değerleri öngörmeye çalışır. et. f(…) gecikmelerin sayısı ve hata terimleri için bir yapıdır. ρ j i =1 k −1 (1. 59 24 .11. j − Φ kk Φ k −1. et-2.e.1. k − j j=1.11. Bu tip gecikmiş bağımlılığı gösteren istatistiksel model örneği aşağıdaki eşitlikte olduğu gibi birinci derece otoregresif bir süreç ile verilmektedir. φ1 -1 ile +1 arasında değer aldığı varsayılan bilinmeyen parametre ve et ortalaması sıfır sabit bir varyansla σ 2 korelasyonsuz bir hata terimidir 60 . bu Yt değişkeninin gelecek değerlerini öngörmede yararlı olur.Φ kk = ρ k − ∑ Φ k −1 . McGraw-Hill International Edit.k-1 için (1. Johnston ve J. ekonomik değişkenlerin gelecekteki değerlerini öngörmektir.g.…) (1.48) 1. s. Tek Değişkenli Zaman Serisi Modelleri Ekonomik verilerin analiz amaçlarından biri de.…. Bu denklem birinci derece otoregresif J.2.T (1. ρ k −1 j =1 k −1 1 − ∑ Φ k −1 .47) Φ kj = Φ k −1. Yt-2.50) Bu birinci derece otoregresif süreçte δ bir kesme parametresi. et-1. 60 Tsay. Zaman serisi yaklaşımında bir ekonomik değişkenin ilgili cari değerleri o değişkenin geçmiş değerleri ile ilişkilendirilir. 1997. Çalışmada ele alınacak zaman serisi modelleri tek değişkenli bir zaman serisinin kendi geçmiş değerleri ve hata paylarına göre kurulan modeller olacaktır. Newyork. s.…. Dinardo.…. Örneğin bir gecikmeli ve temiz dizi kalıntılı doğrusal bir fonksiyon tanımlandığında bu birinci derece otoregresif AR(1) süreç anlamına gelir 59 . 32. 204.

Dolayısıyla bütün rassal değişkenlerin geçmiş. 528. 1993.E.G. Yt yalnızca Yt-1’e bağlı değil ayrıca Yt-1.…. dereceden bir otoregresif sürecin istatistiksel modeli AR(p) şu şekilde gösterilebilir: Yt = δ + φ1Yt −1 + φ 2Yt − 2 + . Yt-2. John Wiley&Sons.. s.…. bugün ve gelecek değerlerine bakmadan aynı ortalama ve varyansa sahip oldukları varsayılır.…’ e bağlı olabilir. YT oluşum sürecinin mahiyetini tam anlamıyla bilmek güçtür. φ p ’ ler bilinmeyen otoregresif parametrelerdir. R.g. Zaman serisi modelleri bir başlangıç noktasından sınırsız bir geçmişte başlayan ve sınırsız bir gelecekte de devam edecek olan Yt’ nin oluşum süreci varsayımına dayanır.51) Burada δ bir kesme parametresi ve stokastik süreç olan Yt’ nin ortalamasını gösterir 62 .1. Bu istatistiksel model yapısı AR(1) süreci olarak tanımlanır 61 . Çünkü örneklem gözlemlerinin Pindyck ve Rubinfeld. + φ p Yt − p + et (1. Learning and Practicing Econometics.g. 1. Judge. Yt-3. Hill ve G. Newyork. Pindyck ve Rubinfeld. 62 61 25 . Y3. Y2. Bu varsayım değişkenin geçmiş değerlerinden yola çıkarak gelecek değerlerini öngörmek için önemli bir varsayımdır. 527. zaman serisinin Y1. 642.. Hata terimi et ortalaması sıfır sabit bir varyansla σ 2 korelasyonsuz rassal değişkenler olarak varsayılır 63 . varyans ve kovaryansının hesaplanması önem taşımaktadır. fakat iki rassal değişken arasındaki k sayıda ilerlemeye veya gecikmeye bağlı olduğu varsayılır. Ayrıca Yt ve Yt+k gibi herhangi iki rassal değişken arasındaki kovaryansın zamana bağlı olmadığı.YT olduğu gibi aynı olasılık yoğunluk fonksiyonunu takip eder. C. zaman serisi değişkeni Yt’ nin ortalama. Eğer sürecin otoregresif olduğu tahmin edilse bile birinci derece otoregresif süreçten daha karmaşık olması muhtemeldir. a. Yani { et } temiz dizidir. 63 W.11. a. Çünkü Yt yalnızca kendi ve bir önceki dönemdeki değerine (Yt-1) ve bir rassal kalıntıya bağlıdır.1. φ2 .zaman serisi modelidir. Dolayısıyla p. Y3. Bir ekonomik değişken için zaman serisi istatistiksel modeli tanımlandığında.…. AR(1) Sürecinin Özellikleri Zaman serisi analizlerinde. s. Y2. φ1 . s.e.e. Bundan başka geçmiş ve gelecekteki rassal değişkenler örnek gözlemlerinde Y1. Griffths.

528.55) 64 65 Sevüktekin ve Nargeleçekenler. 26 . Denklem (1. AR(1) süreci için ortalama. Ortalamadaki bu tanımlama serinin varyansını ve kovaryansını etkilemez 67 . Yt = φ1Yt −1 + et (1.e. AR(1) sürecinde Yt’ nin varyansını bulmak için. 127.g. Pindyck ve Rubinfeld.g. σ 2 ) (1. Otoregresif parametrenin değeri | φ1 | < 1 ise süreç durağan olarak kabul edilir 66 . 67 Sevüktekin ve Nargeleçekenler.g. bu durumda Yt’ nin ortalaması. s. a. μ = δ + φ1 μ E (Yt ) = μ = δ /(1 − φ1 ) (1. varyans ve kovaryanslar.g. 126.54) sonucu elde edilir. 527.52) Denklemde Yt’ nin beklenen değeri alındığında. s. 66 Pindyck ve Rubinfeld.53) Bir zaman serisinin gözlenebilecek sonuçları Yt bütün dönemler için aynı olasılık yoğunluk fonksiyonuna sahipse.52)’ yi δ = 0 varsayımı dikkate alınarak yeniden yazıldığında.52)’ de sabit terim δ = 0 olduğu varsayıldığında. a. denklem (1. Bu varsayımla seri ortalamadan sapmalar cinsinden tanımlanmış olur. Yt’ nin ortalaması μ = 0 olacaktır.e. E (Yt ) = E (δ + φ1Yt −1 + et ) E (Yt ) = E (δ + φ1Yt −1 ) + E (et ) E (Yt ) = E (δ + φ1Yt −1 ) (1. Yani E(Yt ) = E(Yt-1 ) =…= μ olur 65 .e. a. s. bu durumda örneklem verilerine dayanan öngörüler güvenilmez olur 64 . varyansı bütün dönemlerde aynı olmalıdır. Yt = δ + φ1Yt −1 + et et ~ IID(0.e. a.oluşturduğu veri üretme süreci rassal değişkenin geleceğini ele almıyorsa. s. Yani ( Yt − μ )’ e ulaşılmış olur.

2.59) olarak hesaplanmaktadır. Benzer şekilde Yt ile Yt-k arasındaki kovaryans γ k ile gösterilir ve t’ ye bağlı değildir.olacaktır. s.58) sonucunu verir. Cov (Yt .60) 68 Tsay. Buradan Yt’ nin varyansı. 2 σ Y = σ e2 /(1 − φ12 ) = γ 0 (1. 27 . Yt − 2 ) = E (Yt −1Yt − 2 ) = φ1σ Y 2 Cov (Yt − 2 .1. Yt −3 ) = E (Yt − 2Yt −3 ) = φ1σ Y (1. 2 γ k = Cov (Yt .… (1. 2 Var(Yt) = σ Y = Var (φ1Yt −1 + et ) = φ12Var (Yt −1 ) + Var (et ) 2 σ Y = φ12σ Y2 + σ e2 (Yt-1 ile et bağımsızdır) (1. Yt − k ) = φ1k σ Y k=0. 34. 2 Cov (Yt −1 . Yt’ nin ortalama ve varyansının bütün dönemler için aynı olmasına ek olarak zaman serisi değişkenlerinin zaman boyunca kovaryanslarının sabit olduğu varsayılır.56) = σ e2 /(1 − φ12 ) = γ 0 olur 68 .e. Birer dönem gecikmeli kovaryans ise. Yt −1 ) = E [(Yt − E (Yt )(Yt −1 − E (Yt −1 )] = E (Yt Yt −1 ) E(Yt) = 0 olduğu için = E [(φ1Yt −1 + et )Yt −1 ] 2 = φ1 E (Yt −1 ) + E (et Yt −1 ) 2 = φ1σ Y (Yt-1 ile et bağımsızdır) (1. İki tarafın varyansı alındığında . a. Dolayısıyla k gecikmeli kovaryanslar.g.57) Bu kovaryans bütün rassal değişkenler için aynıdır.

528. AR(2) Sürecinin Özellikleri k = 1. s. Cor (Yt .62)’ den görülmektedir. a. 71 Tsay. Bu yüzden bu problemin üstesinden gelebilmek için Yt ile Yt-k arasındaki korelasyon hesaplanabilir. AR(1) süreci için otokorelasyon katsayısı.1. 74 Pindyck ve Rubinfeld.e.g. ±1. 65.61) ile verilir 69 .2. Dolayısıyla sadece pozitif gecikmeleri dikkate almak yeterlidir.g. Yt ile Yt-k arasındaki korelasyon. Yt − k ) Var (Yt )Var (Yt − k ) = ρk = γk γ0 k= 0. s. ±2.2.g.… (1. a.e.e. s.62) ile hesaplanmaktadır 71 . Ayrıca k = 0 için ρ = 1 olacağı denklem (1.g. s. İkinci derece bir otoregresif süreç AR(2). Otokorelasyon ve otokovaryans katsayıları sıfır gecikme civarında simetrik oldukları için ρ − k = ρ k ’ dır.g.k gecikmeli otokovaryans katsayısı.11. s. Yt = δ + φ1Yt −1 + φ 2Yt − 2 + et et ~ IID(0. a.e.64) ile verilir 74 .63) ifadesi serinin otokorelasyon fonksiyonu olarak bilinir 72 . 73 Johnston ve Dinardo.e. 69 70 Pindyck ve Rubinfeld. s.g. 72 Pindyck ve Rubinfeld.2. 209. Bununla beraber diğer serilerde daha genel otoregresif süreçler gerekebilir. 529. ρ k = φ1 ρ k −1 = φ1k korelogram olarak adlandırılır 73 .… (1. 28 . 530. Yt − k ) = Cov(Yt . Kovaryanslar değişkenlerin ölçü birimlerine bağlı oldukları için sorgulamak zordur 70 .1.… (1. 1. Bunun grafiksel çizimi Birinci dereceden otoregresif zaman serisi modelleri birçok ekonomik zaman serisini tanımlamada yeterli olabilir. 26.e. a. a. Patterson. a. 2 γ k = φ1γ k −1 = σ Y φ1k = φ1k γ 0 k=0. σ 2 ) (1.

68) γ 2 = φ1γ 1 + φ 2 γ 0 ve k≥2 için genel olarak yazılacak olursa.66) yazılır 75 .φ1 < 1 φ2 <1 koşulları sağlanmalıdır 76 .e.69) γ k = φ1γ k −1 + φ 2 γ k −2 (1.AR(2) sürecinde zaman serisi Yt’ nin ortalaması. AR(2) sürecinin durağan olması için. E (Yt 2 ) = E [Yt (φ1Yt −1 + φ 2Yt − 2 + et )] γ 0 = φ1γ 1 + φ 2 γ 2 + σ e2 E (Yt −1Yt ) = E [Yt −1 (φ1Yt −1 + φ 2Yt − 2 + et )] (1. 29 . a.g. a. Yt’ nin varyansı ve kovaryansı.70) 75 76 Pindyck ve Rubinfeld. 210.g. E (Yt ) = E (δ + φ1Yt −1 + φ 2Yt − 2 + et ) E (Yt ) = δ + φ1 μ + φ 2 μ (1. s. E (Yt − k Yt ) = E [Yt − k (φ1Yt −1 + φ 2Yt − 2 + et )] (1. φ1 + φ2 < 1 φ2 . Johnston ve Dinardo.67) γ 1 = φ1γ 0 + φ 2 γ 1 E (Yt − 2Yt ) = E [Yt − 2 (φ1Yt −1 + φ 2Yt − 2 + et )] (1.65) veya E (Yt ) = μ = δ /(1 − φ1 − φ 2 ) (1. 530. s. δ = μ = 0 olduğunu varsayarak.e.

.11.73) Denklem (1. E (Yt ) = E (Yt −1 ) = E (Yt − 2 ) = . (1. a.e. a. Denklem (1. Bu nedenle Yt’ nin gecikmeli değerleri yalnızca et’ nin gecikmeli değerlerine bağlı ve cari hata terimi et ile korelasyonsuzdur.e. = E (Yt − p ) = μ olur.g..71) Bu sonuçlar ayrıca otokorelasyon fonksiyonu ρ k ’ nın çıkarılmasında da kullanılır. Dolayısıyla en küçük kareler (EKK) tahmincisi tutarlı bir tahmin üretir. (1 − φ 2 )σ e2 (1 + φ 2 ) (1 + φ 2 ) 2 − φ12 [ ] (1. 531. γ0 = bulunur 77 . s.73)’ ün sağ tarafındaki değişkenler rassal bağımlı değişkenin gecikmeli değerlerinden oluştuğu için rassaldır.e.Denklem (1.. Genel olarak AR(p) süreci. Otoregresif süreç durağan ise ortalaması μ ile gösterilir ve zamanla değişmez 79 . 136. AR(p) Sürecinin Özellikleri Yt değişkeninin gözlenen örneklem değerleri bir AR süreci tarafından üretildiği varsayılsın.3.68).69) eşanlı olarak çözüldüğünde. Yt = δ + φ1Yt −1 + φ 2Yt − 2 + . ρ k = φ1 ρ k −1 + φ 2 ρ k − 2 olur 78 . s. Pindyck ve Rubinfeld. s. Gerçek hayatta sürecin derecesi hakkında çoğu zaman belirsizlik söz konusudur. (1. 77 78 Pindyck ve Rubinfeld. + φ p Yt − p + et (1.73)’ün sağ tarafındaki Yt’ nin gecikmeli değerleri ile de korelasyonsuz olacaktır. Eğer kalıntı et korelasyonsuz rassal değişken ise bu durumda denklem (1. modellerin sağ tarafında yer alan değişkenler açısından fark vardır.… (1.67). AR(2) süreci için otokorelasyon fonksiyonu (ACF). 531. 79 Sevüktekin ve Nargeleçekenler.g. 4.72) 1.g. k = 3..1.73) ile geleneksel model [Yt = E (Yt ) + et ] arasında. a. 30 .

Yt üzerinde etkili olan gecikmelerde kısmi otokorelasyon katsayısının sıfırdan farklı yani istatistiki olarak anlamlı olması gerekir.. Aynı şekilde kısmi otokorelasyon katsayıları iki gecikme için sıfırdan farklı. a. s. Kısmi otokorelasyon katsayıları p gecikmeye kadar anlamlı. Johnston ve Dinardo.g. 83 Pindyck ve Rubinfeld. hata payının cari ve geçmiş dönem değerlerinin ağırlıklı ortalaması ile ifade eden bir süreçtir 83 .g.4.g.2. Kısmi otokorelasyon katsayısı. p gecikmeden sonra anlamsız ise sürecin derecesinin p olduğu söylenir 82 .. 39. diğerleri için sıfırdan farklı değilse süreç AR(2) sürecidir. 1. + φ p μ μ = δ /(1 − φ1 − φ 2 − . Yt = μ + et + θ1et −1 + θ 2 et − 2 + . 41. 1. diğerleri için sıfırdan farklı değilse süreç AR(1) sürecidir.. a. diğer gecikmelerin etkisi sabit kalmak koşuluyla Yt ile herhangi bir k gecikmesinde oluşturulan Yt-k gözlemleri arasındaki korelasyon anlamına gelir.e. a. s. 211-212. + θ q et − q (1..74) Otoregresif sürecin derecesinin belirlenmesinde kısmi otokorelasyon fonksiyonu kullanılır 81 .11.O halde ortalama. μ = δ + φ1 μ + φ 2 μ + . Hareketli Ortalama Süreci (Moving Average Process-MA) Hareketli ortalama süreci bir zaman serisinin t dönemindeki değerini. − φ p ) olur 80 ..1.11. Otoregresif Sürecin Derecesinin Belirlenmesi (1. a. Genel olarak MA(q) süreci. s. s..g. 522.e. 82 Tsay.75) Burada korelasyonsuz rassal hata terimi et ortalaması sıfır ve sabit bir varyansa 80 81 Tsay. 31 .e. Kısmi otokorelasyon katsayıları bir gecikme için sıfırdan farklı.e.

76) sürecin ortalaması. 1.….75)’ e dikkat edilirse AR(p) modelinden farklı olarak kesme parametresi δ yerine μ kullanılmıştır. G. USA. A Handbook of Time Series Analysis Signal Processing and Dynamics. Pollock. s. Yt − k ) = E [(et + θ1et −1 )(et − k + θ1et − k )] (1.e. Yt − 2 ) = E [(et + θ1et −1 )(et − 2 + θ1et −3 )] (1.79) γ2 = 0 k sayıda gecikme dikkate alındığında.11. Yt − k ) = E [(Yt − μ )(Yt − k − μ )] Cov(Yt . MA(1) Sürecinin Özellikleri En basit hareketli ortalama süreci olan MA(1) aşağıdaki gibi gösterilir. 51. Yt = μ + et + θ1et −1 (1. Cov(Yt . 85 Tsay. 517. 1999. Var (Yt ) = E (Yt − μ ) 2 γ 0 = σ e2 (1 + θ 12 ) Yt ile Yt-1 arasındaki kovaryans.sahiptir 84 .77) sürecin varyansı 85 . Cov(Yt . 84 32 .2.g. Yt −1 ) = E [(et + θ1et −1 )(et −1 + θ1et − 2 )] (1. a.2. Yt −1 ) = E [(Yt − μ )(Yt −1 − μ )] Cov(Yt . Yt − 2 ) = E [(Yt − μ )(Yt − 2 − μ )] Cov(Yt . E (Yt ) = μ (1. Academic Press. Denklem (1. θ i (i=1.78) γ 1 = θ 1σ e2 Yt ile Yt-2 arasındaki kovaryans ise.q) bilinmeyen parametrelerdir.1. s. Cov(Yt .80) D. S.

MA(2) Sürecinin Özellikleri İkinci derece hareketli ortalama süreci MA(2) denklem (1. Var (Yt ) = σ e2 (1 + θ 12 + θ 22 ) (1. MA(1) sürecinin otokorelasyon fonksiyonu 88 .γk = 0 (1. a. Cov(Yt . Yani k>1 olduğu bütün durumlarda kovaryanslar sıfıra eşittir. ⎧ θ1 γ k ⎪1 + θ 2 1 ρk = =⎨ γ0 ⎪ 0 ⎩ k =1 (1. 524.82) k 〉1 1. s. 524. 89 Pindyck ve Rubinfeld.83) ile ifade edilir 89 .e.2.85) Pindyck ve Rubinfeld. s. s. Diğer verilerle herhangi bir korelasyon yoktur 86 . Hill ve Judge. Griffiths. Yt = μ + et + θ1et −1 + θ 2 et − 2 sürecin ortalaması.e. E (Yt ) = μ sürecin varyansı. s. a.83) (1.2. 88 Pindyck ve Rubinfeld.11.81) Dolayısıyla k>1 bütün gecikmelerde MA(1) sürecinin kovaryansı γ k ile aynı biçimde gösterilebilir. a.e. a.84) = γ0 Yt ile Yt-1 arasındaki kovaryans ise. 655.g.g.g. Yt −1 ) = E [(et + θ1et −1 + θ 2 et − 2 )(et −1 + θ1et − 2 + θ 2 et −3 )] 86 87 (1. 524. 33 . MA(1) sürecinin otokorelasyon fonksiyonu ise gecikme k=1’ den sonra kesilmektedir 87 .e.g. Bu durumda MA(1) sürecinin yalnızca bir dönemlik bir belleğe sahip olduğu yani Yt’ nin yalnızca Yt −1 ve Yt+1 ile korelasyonlu olduğu söylenir.

a.11. MA(2) sürecinin otokorelasyon fonksiyonu ise. 524.87) γ3 = 0 O halde k dönem gecikmeli kovaryans. Pindyck ve Rubinfeld. MA(q) Sürecinin Özellikleri MA(1) ve MA(2) süreçlerinde sürecin ortalaması.e. Cov(Yt . Durağan sonlu dereceden bir MA süreci için bu durum her zaman geçerlidir. 90 91 Sevüktekin ve Nargeleçekenler.89) ρ1 = ρ2 = θ1 (1 + θ 2 ) 1 + θ12 + θ 22 θ2 1 + θ12 + θ 22 k>2 için (1.γ 1 = θ 1σ e2 + θ 1θ 2σ e2 = σ e2 (θ 1 + θ 1θ 2 ) Yt ile Yt-2 arasındaki kovaryans ise. 1. Yt − k ) = γ k = 0 olur 90 . 34 . Yt − 2 ) = E [(et + θ1et −1 + θ 2 et − 2 )(et − 2 + θ1et −3 + θ 2 et − 4 )] (1. varyansı ve kovaryansları sonlu olduğu ve zamanla değişmediği için durağan oldukları söylenir. Cov(Yt . s.88) (1. Yt −3 ) = E [(et + θ1et −1 + θ 2 et − 2 )(et −3 + θ1et − 4 + θ 2 et −5 )] (1.3.2.86) γ 2 = θ 2σ e2 Yt ile Yt-3 arasındaki kovaryans ise.g.g. a.92) ρk = 0 bulunur 91 . s.91) (1.90) (1.e. 144-145. (1. Cov(Yt .

. 147.. E (Yt ) = μ sürecin varyansı. γ i = E[ (et + θ1et −1 + θ 2 et − 2 + .g. + θ q et − q )(et − k + θ1et − k −1 + θ 2 et − k − 2 + ... 522. γ k ’nın tanımından ortak tarihli et’ lerin de beklenen değeri sıfır olduğu için eşitlikten çıkarılır 95 . + θ q2 et2− q + 2θ1θ 2 et −1et −2 + . Var (Yt ) = γ 0 = E (Yt − μ ) 2 (1.e.95) Hata terimi et bağımsız ve korelasyonsuz olarak varsayıldığı için bütün çapraz çarpım terimlerinin beklenen değeri sıfırdır 94 . s.e. s. a. a.. Pindyck ve Rubinfeld..q için. 657. Yt = μ + et + θ 1et −1 + θ 2 et − 2 + .g... MA(q) sürecinin ortalaması.96) Farklı tarihlerdeki et’lerin çarpımlarının beklenen değeri sıfır olduğu için eşitlikten çıkarılır ve θ 0 birim değer olarak tanımlanır..93) olarak yazılır 92 .…. a. 94 Griffiths. θ2.94) = E et2 + θ12 et2−1 + .. s. + θ q2 ) olur 93 .g. 35 . dereceden hareketli ortalama süreci.. k=1.. sabit varyanslı ve korelasyonsuz hata terimi ve (θ1. 95 Sevüktekin ve Nargeleçekenler.e. + θ q et − k − q ) ] =E[ θ k et2− k + θ k +1θ1et2− k −1 + θ k + 2θ 2 et2− k − 2 + ..g. 523. + θ q2σ e2 [ ] γ 0 = σ e2 (1 + θ12 + .. k>q için.. θq) parametreleri herhangi bir reel sayıdır.. (1. 92 93 Pindyck ve Rubinfeld. = σ e2 + θ12σ e2 + . Hill ve Judge. + θ q et − q (1. Burada et ortalaması sıfır. + θ qθ q − k et2− k − q ] (1.2.e. a. s.q.….

= 0 (1.Bu durumda. θ q ) ’ nun herhangi bir değeri için MA(q) süreci kovaryans durağan 96 olarak ifade edilir.3.. MA(q) süreci için otokorelasyon fonksiyonu.97) MA(2) sürecindeki denklem (1.99) k〉q olur 97 .87)’ de ifade edildiği gibi.. 98 Pindyck ve Rubinfeld.... Sıfırdan farklı ve çok uzun olmayan gecikmelerde hesaplanan otokorelasyonlar MA sürecinin derecesini belirlemede yardımcı olur 98 . 96 Bir süreç zayıf veya kovaryans durağan ise.85). θ 2 ..2. 36 . 1.. + θ q2 ρk = ⎨ ⎪ 0 ⎪ ⎩ k = 1.. gözlemlerin zaman ayırımı uzunluğu olan k’ ya bağlıdır. + θ qθ q − k ⎪ ⎪ 1 + θ12 + θ 22 + ..e. 148. a. Yt ile Yt+k arasındaki kovaryans gözlemlerin tarihi olan t’ ye değil. 527. (1... 97 Sevüktekin ve Nargeleçekenler. q k〉q (1.. Karma Otoregresif Hareketli Ortalama Süreci (Autoregressive Moving Average Process-ARMA) Amprik çalışmalarda araştırmacının karşılaştığı durumlardan birisi veri üretme sürecini teşhis etmek ve sonrasında zaman serisi verilerinin gerçekleşmelerini kullanarak karşılık gelen istatistiksel modeli tanımlamaktır. s.. Burada otokorelasyon fonksiyonu q gecikmeden sonra sıfırdır..86) ve (1. a.. ⎧θ k + θ k +1θ1 + θ k + 2θ 2 + .g..e.. s. q (1.g. γ 0 = σ e2 (1 + θ12 + θ 22 ) γ 1 = σ e2 (θ 1 + θ 1θ 2 ) γ 2 = θ 2σ e2 γ 3 = γ 4 = .2.98) (θ 1 . + θ qθ q −i )σ e2 ⎪ γi = ⎨ 0 ⎪ ⎩ k = 1....11. ⎧(θ k + θ k +1θ1 + θ k + 2θ 2 + .

e.. γ 0 = Var (Yt ) = E (Yt − μ ) 2 99 100 Pindyck ve Rubinfeld. − φ p ) (1.. + θ q et − q (1.. Yt = δ + φ1Yt −1 + . 1. Yani. Bu durumda zaman serisi hem otoregresiflik hem de hareketli ortalama bileşenlerini aynı anda içerebilir. hata terimi et.e.1..3.103) Eğer δ = 0 ise özdeş olarak seri Yt ortalamadan sapma formunda ise sürecin varyansı. a.100)’ ün beklenen değeri alındığında. 535. + φ p Yt − p + et + θ 1et −1 + . E(et) = 0 ve Var (et ) = σ e2 ile korelasyonsuz rassal değişkenlerdir (Süreç durağan ise ortalama μ ’ ye eşittir).101) Bu sonuç ayrıca durağanlık için gerekli koşulu da belirtir. Bir zaman serisi verileri için hem otokorelasyon hem de kısmi otokorelasyon fonksiyonları belirli bir gecikmede kesilmeyerek sıfıra doğru çok yavaş hareket edebilir. φ1 + φ 2 + .. + θ q 0 μ= δ (1 − φ1 − .100) Burada kesme terimi δ . s. E (Yt ) = μ = δ + φ1 μ + . Başka bir ifadeyle zaman serisi modeli hem AR. ve q.102) En basit karma otoregresif hareketli ortalama süreci ARMA(1. + φ p μ + 0 + θ 1 0 + .11. 535.. ARMA(1... dereceden olmak üzere ARMA(p.. Denklem (1.Bir model için hesaplanan otokorelasyonlar ( ρ k ) ileri gecikmelerde sıfıra doğru bir azalma gösterir ancak kısmi otokorelasyonların hesaplanmasında çok kısa süreli gecikmelerde kesilme oluyorsa otoregresif sürecin daha baskın olduğu söylenir.1)’ dir. Pindyck ve Rubinfeld. Yt’ nin ortalaması.. Yt = δ + φ1Yt −1 + et + θ1et −1 (1.. + φ p 〈1 koşulunun sağlanması gerekir 100 .. a.g. hem de MA bileşenleri p.g. 37 .q) olarak tanımlanır ve şu şekilde gösterilir 99 . s.1) Sürecinin Özellikleri (1.

Bu ifade de et-1.. s. γ 2 .107) γ k = φ1γ k −1 k≥2 Otokorelasyon fonksiyonu.104) elde edilir 101 . γ 1 = E (Yt −1Yt ) = E[Yt −1 (φ1Yt −1 + et + θ1et −1 )] ⎛ (1 + φ1θ1 )(φ1 + θ1 ) ⎞ 2 ⎟σ e =⎜ ⎜ ⎟ 1 − φ12 ⎝ ⎠ = φ1γ 0 + θ 1σ e2 (1. 535. Pindyck ve Rubinfeld. s.g. γ k sırasıyla..e. Kovaryanslar ise γ 1 . 101 102 Pindyck ve Rubinfeld. γ 0 (1 − φ12 ) = σ e2 (1 + θ 12 − 2φ1θ 1 ) ve φ1 < 1 ise varyans...106) (1.g.108) (1. Yt-2 veya et-2 ile korelasyonlu değildir. Yukarıdaki ifade düzenlendiğinde.105) γ 2 = E (Yt − 2Yt ) = E [(Yt − 2 (φ1Yt −1 + et + θ1et −1 )] = φ1γ 1 ve (1. a. γ0 = (1 + θ12 − 2φ1θ1 ) 2 σe (1 − φ12 ) (1. a. 38 .109) ρ k = γ k / γ 0 = φ1 ρ k −1 olur 102 . 536. ρ1 = γ 1 (1 + φ1θ1 )(φ1 + θ1 ) = γ0 (1 + θ12 + 2φ1θ1 ) k≥2 (1. E (Yt −1et −1 ) = E [(φ1Yt − 2 + et −1 + θ1et − 2 )et −1 ] = E (et2−1 ) = σ e2 ile tanımlanır.γ 0 = E (φ1Yt −1 + e t +θ1et −1 ) 2 = φ12 γ 0 + 2φ1θ1 E (Yt −1et −1 ) + σ e2 + θ12σ e2 Bu ifade de.e.

g. Bu nedenle otokorelasyon fonksiyonu hem AR hem de MA sürecinin özelliklerini birlikte gösterir.112) şeklindedir.e.113) Pindyck ve Rubinfeld.q) sürecinin kovaryansı. k ≥ q+1 için otokorelasyon fonksiyonu ve kovaryansları pür otoregresif sürecin özelliklerini gösterir 103 . a. ARMA(p.11. Yt = φ1Yt −1 + .. k ≥ q+1 (1. s. bir gecikmeden sonra AR bileşeninin etkisiyle otokorelasyon fonksiyonu azalan bir davranış sergiler. a. 1. ARMA(p. MA süreci bir dönemlik belleğe sahip olduğu için.q) Sürecinin Özellikleri Daha yüksek dereceden süreçler için.110) ρ k = φ1 ρ k −1 + φ 2 ρ k − 2 + .. Genel ifadesi.111) ile gösterilebilir..4... + φ p Yt − p + ∆d Yt + et + θ 1et −1 + . Homojen Durağan Olmayan Süreç (Autoregressive Integrated Moving Average Process-ARIMA) Seriler durağan sürece sahip olduğu varsayımından hareketle AR. Burada ∆d entegrasyon işlemi anlamına gelir 105 . q sürecin hareketli ortalama kısmının belleğidir. 538.. γ k = φ1γ k −1 + φ 2 γ k − 2 + .e.. d=1 için. s. 1. Böyle zaman serilerine entegre süreç adı verilir. 105 Johnston ve Dinardo. a.ARMA(1. Pindyck ve Rubinfeld. + φ p ρ k − p k ≥ q+1 (1.e. 537.11.2. + θ q et − q (1. MA ve ARMA süreçleri yukarıda ifade edilmiştir. s. + φ p γ k − p Otokorelasyon fonksiyonu. Ancak bu zaman serilerini durağanlaştırmak için serinin bir veya daha fazla farkını almak suretiyle dönüştürme işlemi gerçekleştirilebilir.3.1) süreci AR ve MA bileşenlerinin bir kombinasyonudur. Ancak gerçek hayattaki zaman serilerinin çoğu zaman boyunca değişen belirli bir stokastik sürecin özelliklerini taşıması nedeniyle durağan değildir 104 . ∆Yt = Yt . 39 . 228.Yt-1 103 104 (1.g..g.

. Bir seride bu değerlerin bulunmasında Box. d=2 için. 270. Box G. 106 107 Maddala.Jenkins yöntemi uygulanmaktadır. Aşama: Tahmin Birinci aşamadaki değerlendirmeler ışığında belirlenen ARIMA modeli tahmin edilir. Kalıntılar beyaz gürültü (temiz dizi) özelliğini gösteriyorsa yani sabit bir ortalama ve varyansa sahipse modelin uygunluğuna karar verilir.. 2.12. Aşama: Belirlenme Bu aşamada uygun p. Bunun için regresyonun hata terimlerinin korelogramı incelenir. d. 542. s.q) olduğu söylenir 109 . en uygun p. q değerleri belirlenir. İstanbul.olur. Aşama: Uygunluk Testi Bu aşamada tahmin edilen regresyonun (ARIMA modelinin) incelenen seriye uygun olup olmadığı araştırılır. s.114) 1. Zaman serisinin modelini kurmada ortaya çıkan problem. 40 . AR(p) veya ARMA(p. Introduction to Econometrics. Jenkins G. Serinin korelogramından MA(q). M. 19.Jenkins (BJ) Yöntemi Box. q değerlerinin seçimidir. 109 Kutlar. Box. 3.Jenkins yaklaşımı. zaman serisi verilerinin analizinde en yaygın kullanılan yöntemlerden biridir 106 . 2005. 429-430. d.E.P. s. 108 Recep Tarı. 1976.e. Box-Jenkins yöntemi 107 durağan zaman serilerinin modellemesinde kullanılır. San Francisco. ∆2 Yt = ∆(YtYt-1) = Yt .g. Avcı Ofset. kısmi otokorelasyon fonksiyonu herhangi p zirveden sonra kesintiye uğrayıp sıfırlanıyorsa modelin bir AR(p) olduğu veya her iki fonksiyonda aşamalı olarak zirveye ulaşıyor ve ondan sonra aynı tarzda azalıyorsa modelin ARMA(p.q) süreçlerinden hangisine uygun olduğu tespit edilir. Yöntem dört aşamadır 108 : 1. Bunun için serinin korelogramı çizilir.2Yt-1 + Yt-2 (1. Time Series Analysis: Forecasting and Control. s. Eğer otokorelasyon fonksiyonu herhangi q zirveye sahip ve ondan sonra kesintiye uğruyor ise modelin q mertebede MA(q). a. Ekonometri. Holden Day.

s. 168. Zaman Serileri Analizi. Durağan modeller için otokorelasyon ve kısmi otokorelasyon fonksiyonlarının teorik davranışı Tablo 1. 41 .4’ te gösterilmektedir. Tablo 1.4.4 ACF ve PACF’ nin Teorik Davranışları Model Otokorelasyon Fonksiyonu (ACF) AR(p) MA(q) ARMA(p.q) Kısmi Otokorelasyon Fonksiyonu (PACF) Azalarak kaybolur* q gecikme sonra kesilir Azalarak kaybolur ve q gecikme sonra kesilir p gecikme sonra kesilir Azalarak kaybolur Azalarak kaybolur ve p gecikme sonra kesilir * Azalma (yaklaşık olarak) üstel (geometrik) veya bir sinüs dalgası şeklinde olabilir. Kaynak: Sevüktekin ve Nargeleçekenler. Aşama: Öngörü Tahmin edilen ARIMA modeli ile öngörü yapılmaktadır.

a. Bu sebeplerden ötürü zaman serileri ile çalışıldığında ilk aşamada serilerin durağanlık analizlerinin yapılması gerekmektedir.e. Bu durumda standart t istatistikleri ve R2 değerleri olduğundan daha yüksek çıkar 1 . 797. Herhangi bir Yt serisinin durağan olma şartları şu şekilde özetlenebilir 3 : Sabit aritmetik ortalama Sabit varyans : E (Yt ) = μ : Var (Yt ) = E (Yt − μ ) 2 = σ 2 (2. Gazi Üniversitesi. 59-75. 42 . durağan olmayan serilerle çalışıldığında. Bir zaman serisinin ortalaması. öncelikle serilerin durağanlığının test edilmesi gerekmektedir 2 . H. 171.İKİNCİ BÖLÜM ZAMAN SERİLERİNDE DURAĞANLIK ANALİZİ Zaman serisi verileri kullanılan çalışmalarda serilerin durağan (stationary) olmaları önemlidir. s. (2004).. Sayı: 3. varyansı ve kovaryansı zaman içinde sabit kalıyorsa o serinin durağan olduğu söylenir. Bu nedenle. Terzi. oluşturulacak regresyonun sonuçları gerçekçi olmamaktadır ve durağan olmayan (nonstationary) serilerin kullanılması regresyona tabi tutulan değişkenler arasında sahte (spurious) ilişkiye neden olur. Zaman serileri analizinde. s.g. 3 Gujarati. zaman serileri ile çalışırken. Ayrıca durağan olmayan serilerde oluşan geçici bir şok kalıcı belleğe neden olur.1) Gecikme mesafesine bağlı kovaryans: γ k = E [(Yt − μ )(Yt − k − μ )] (bütün t değerleri için) k:gecikme mesafesi Bir durağan zaman serisinde ard arda gelen iki değer arasındaki fark zamanın kendisinden kaynaklanmamakta. Değişkenler arasında anlamlı bir ilişki yoksa bile anlamlı bir ilişki varmış gibi görünür. sadece zaman aralığından kaynaklanmaktadır.e. İktisadi ve İdari Bilimler Fakültesi Dergisi. a. Bu da serilerin belli bir değere yaklaşmasını yani durağanlığını engeller.g. “Türkiye’de Enflasyon ve Ekonomik Büyüme İlişkisi (1924-2002)”. s. Bundan 1 2 Enders.

a. dereceden durağandır denir ve I(1) olarak gösterilir. Genel olarak seri d kez farkı alınınca durağan oluyorsa seri d. s. 252. 215.g. 805. 2. Durağan olmayan seriler birim kök (unit root) içerirler.1 Durağan Bir Zaman Serisi Grafiği Kaynak: Maddala. Ancak gerçek dünyadaki zaman serilerinin çoğu durağan değil ve dolayısıyla serilerin ortalaması zamanla değişmektedir. 6 Johnston ve Dinardo.g.dolayı serinin ortalaması zamanla değişmemektedir. 529. a.Serinin korelogramının incelenmesi.Birim kök testleri uygulanması.e. Yt serisi 1 farkı alınınca durağan oluyorsa seri 1. 43 .e. s. s.e. Bu koşullardan birisi sağlanmadığında serinin durağan olmadığı söylenir. Şekil 2.g. Bir serideki birim kök sayısı serinin durağan olana dek alınması gereken fark sayısına eşittir. Bir serinin durağan olup olmadığını anlamanın iki yolu vardır 6 : 1. Zaman serilerinin uygun bir modele oturtulabilmesi için bu serilerin önce durağan hale getirilmesi gerekir 4 . dereceden durağandır denir ve I(d) ile gösterilir 5 . a. 4 5 Kutlar. s. Gujarati. Introduction to Econometrics.

Durağan olmayan bir zaman serisinin. A Companion to Theoretical Econometrics. kısmi korelasyonların ve Q istatistiklerinin birlikte hesaplattırıldığı özellikle k sayıda gecikmenin serinin istatistiksel olarak anlamlı bir katsayı üretip üretmediğini korelogram vasıtasıyla takip etmek mümkündür 10 . a. 9 Enders. Journal of Econometrics. 530. 44 . Durağanlık Analizi: Korelogram Testi Örneklem otokorelasyonlarının.W. fakat DW (Durbin Watson) istatistik değeri küçüktür. Baltagi. a. Newbold. Sayı: 2. 10 Sevüktekin ve Nargeleçekenler. UK.2 Durağan Olmayan Bir Zaman Serisi Grafiği Kaynak: Maddala. otokorelasyon fonksiyonunun seçilen gecikme sürecinde tahmin edilen veya hesaplanan değerini AC ile gösterilen sütunda belirtir.2. P. s. 2. s. s. 557. R2>DW ise tahmin edilen regresyonun sahte olduğundan şüphelenmek için gevşek bir kuraldır. 171. durağan olmayan bir zaman serisine göre regresyonu oluşturulduğunda standart t ve F sınamaları sınama süreçleri geçerli değildir 9 . Eğer seri belirli bir ortalama 7 8 Badi H. 2. (1974). Fakat sonuçların bir ekonomik anlamı bulunmamaktadır. Granger ile Newbold’ un önerdikleri gibi 8 . Granger.Şekil 2. C.g. yapılan tahminde sahte (spurious) regresyonu ortaya çıkarır 7 .e. Regresyon çıktılarına bakıldığında R2 yeterince yüksek ve t istatistikleri anlamlıdır. Sahte (Spurious) Regresyon Zaman serisi kullanarak oluşturulan regresyonda durağan olmayan serilerin kullanılması. Introduction to Econometrics. 2003.g. Blackwell Publishing.1. 241. Korelogram. s.J. “Spurious Regressions in Econometrics”.e. 111-120. s.

a.g. s. Özellikle bu istatistiklerden en fazla kullanılan BoxPierce Q istatistiği ve bu istatistiğin orta sayıdaki veriler için nispeten zayıf olması nedeniyle geliştirilen Ljung-Box Q istatistiğidir. 15 Badi H.e. s. Burada tt 0. SePACF ( k ) kısmi otokorelasyon katsayısının standart hatasıdır12 . a.2) Bu test istatistiğinin istatistiksel olarak anlamlı olup olmadığını anlayabilmek için k serbestlik derecesi ile ki-kare tablo değeri karşılaştırılır 15 . Sevüktekin ve Nargeleçekenler. ACF (k ) 2 2 LB =n (n+2) ∑ ≈ χm n−k k =1 m (2. 13 Tsay. Korelogramda otokorelasyon ve kısmi otokorelasyon grafiklerinde kesikli çizgi ± (t t . Bu istatistik şu şekilde hesaplanır 14 .e. Baltagi. 358. s. yukarıya veya aşağıya doğru eğilimliyse otokorelasyon fonksiyonunun korelogramı yüksek bir değerden başlayıp yavaş yavaş sönüyorsa bu serinin durağan olmadığı düşünülür.e.05 anlamlılık düzeyinde t tablo değeri (1. 392. Econometrics. Bu amaçla geliştirilen farklı Q istatistikleri söz konusudur.2. Q İstatistikleri: Portmanteau Testleri Q istatistikleri bir grup otokorelasyon katsayısının sıfırdan anlamlı bir şekilde farklı olup olmadığını test etmeye yarayan bir istatistiktir13 . 2008.etrafında dalgalanmıyorsa. a. AC sütunu sıfıra ne kadar yakınsa söz konusu zaman serisi için durağanlık veya temiz dizi olma özelliği daha fazla ağırlık kazanır. 14 Tarı. Berlin Heidelberg. s. s.g.g.g. seçilmiş anlamlılık düzeyinde ki-kare tablosundaki kritik Q değerini aşarsa bütün örneklem otokorelasyonlarının sıfır 11 12 Sevüktekin ve Nargeleçekenler.96). Otokorelasyon katsayılarının anlamlılık testleri Q istatistikleri ile gerçekleştirilir. 27. a. 2. Se ACF (k ) otokorelasyon katsayısının standart hatası.e. Springer-Verlag.Se ACF ( k ) ) ve ± (t t .Se PACF ( k ) ) güven sınırlarını göstermektedir. Test istatistiği tablo değerinden küçükse Q istatistik değerinin anlamlı olmadığı yani serinin durağan olduğu sonucuna varılır. Ekonometri paket programı Eviews’ ta kullanılan Q istatistiği de Ljung-Box Q istatistiğidir. 241. 229. Eğer hesaplanan Q değeri. İstatistiksel olarak anlamlı otokorelasyonların varlığı serinin durağan dışılığını yansıtır11 . 45 .1.

4 Durağan Bir Seri Korelogramı 46 .3 Durağan Olmayan Bir Seri Korelogramı Şekil 2. Şekil 2.olduğunu ifade eden sıfır hipotezi reddedilir ve bunların en azından bazılarının önemli olduğu söylenebilir.

18 Enders.3. σ 2 ) durağan stokastik olarak tanımlansın.e. durağan olmayan zaman serisi için kurulacak regresyon denkleminde. 821. Trend durağan olmayan süreçler için durağanlaştırma iki temel yaklaşımla gerçekleştirilmektedir16 . Unit Root Cointegration and Structural Change. Kim. Eğer durağan olmayan zaman serisinde. Cambridge University Press. zaman serisi modeline trend bir regresör olarak ilave edilerek gerekli analizler yapılır.5) 16 Maddala G. serinin sahip olduğu deterministik trend etkisiyle ortalamasının değişmesi. 4. S ve I. t deterministik trend. et ~ IID(0. s. M. Durağan olmayan zaman serisindeki stokastik trend yapısı dışlanarak seri durağanlaştırılır. et ~ IID(0. Birinci yaklaşım. a. Cambridge. 47 . Örneğin basit bir pür rassal yürüyüş serisi Yt = Yt −1 + et (2.g.e. Bir zaman serisinin sahip olduğu deterministik trend yapısı zaman yolu grafiği kullanılarak ortaya konulabilir. 1998 s.g. Yt = μ + βt + et bileşendir 17 .3) Burada Yt zaman serisi. Trend Durağanlık ve Fark Durağanlık Durağan olmayan zaman serilerinde durağan dışılığın nedenleri serilerdeki deterministik trend veya stokastik trenddir. 167. Bu durağanlaştırma işlemi fark alma olarak tanımlanmaktadır. İkinci yaklaşımda ise. Yt − Yt −1 = et (1 − L)Yt = et ∆Yt = et (2.2. a. Daha sonra bu regresyondan elde edilen kalıntılar üzerinde analizler yapılır. seri trend (zaman) üzerine regrese edilir. Gerçekte durağan bir zaman serisinde. σ 2 )’ dir. Burada Yt-1 stokastik trend. 17 Gujarati. s.4) (2. zaman serisini durağan dışı gösterir. Modelin her iki tarafında birinci fark alındığında varsayım gereği durağan olmayan Yt serisi durağan hale gelecektir 18 . deterministik trend yoksa stokastik trend olması muhtemeldir.

serinin birim kök içerdiği (durağan olmadığı) boş hipotezine karşı. değişkenin bir 19 20 Johnston ve Dinardo. s. Uygulamada en fazla kullanılan birim kök testleri Dickey Fuller (DF). a. 28. s. 2. birim kök içermediği (durağan olduğu) alternatif hipotezine karşı sınamadır 21 .e. Genişletilmiş Dickey Fuller (ADF) ve Phillips-Perron (PP) birim kök testleridir. s.Bu fark alma işlemi ile zaman serisi stokastik bileşenden arındırılarak hata teriminin özelliklerini alması sağlanır 19 . Printice Hall. I. s. Bir zaman serisinin uzun dönemde sahip olduğu özellik. Dickey-Fuller (DF) Testi Dickey Fuller (DF) yaklaşımı. Using Cointegration Analysis in Econometric Modelling. 1995.4.g.e. Dinardo.5 Trend Durağan ve Fark Durağan Seriler Kaynak: J. Econometric Methods. Şekil 2. 221.4. Londra. D. ADF-GLS (Nokta Optimal) ve Ng-Perron birim kök testleri de kullanılmaktadır. 221. 21 R. Johnston ve J. Harris. Gujarati.g. 802.1. 48 . Bu testlerin yanı sıra KPSS (Kwiatkowski-Phillips-SchmidtShin). a. 2. Durağanlık Analizi: Birim Kök Testi Bir değişkenin durağan olup olmadığını veya durağanlık derecesini belirlemede kullanılan en geçerli yöntem birim kök testidir 20 .

Bu model birinci dereceden otoregresif AR(1) modelidir.7) şeklini almaktadır. Bu amaçla geliştirilen birim kök testi ile serilerin durağan olup olmadıkları belirlenebilmektedir. Bunun için uygulanan test DickeyFuller (DF) testidir. Eğer ρ katsayısı bire eşit bulunursa birim kök sorunu (durağan olmama durumu) ortaya çıkmaktadır ve model Yt = Yt −1 + u t (2. Yt = ρYt −1 + u t (2. (2. ilgili hipotezler durağan olmama durumunu ifade eder. Bu nedenle serinin nasıl bir süreçten geldiğini anlamak için. 393-394.önceki dönemde aldığı değerinin. Gujarati. bu etki giderek azalacak ve kısa bir dönem sonra tamamen ortadan kalkacaktır 22 .8)’ e göre H0 : ϕ = 0 olup.g.e. Burada ut kalıntı terimidir. a. Bu şokların kalıcı nitelikte olması serinin durağan olmaması ve zaman içinde gösterdiği trendin stokastik olması anlamına gelir. s. Yt serisinin birinci farkları durağan olacaktır 23 . Denklem (2. bu dönemi nasıl etkilediğinin belirlenmesiyle ortaya çıkarılabilir. Eğer ρ katsayısı birden küçük çıkarsa. Bu testte bilinen t istatistiği. Bu bir önceki dönemde iktisadi değişkenin değerinin ve dolayısıyla o dönemde maruz kaldığı şokun olduğu gibi sistemde kalması anlamına gelir.6) şeklinde ifade edilir.6) nolu denklem başka bir biçimde şu şekilde de yazılabilir: ΔYt = ( ρ − 1)Yt −1 + u t = ϕ Yt-1+ ut (2. ρ = 1 olduğunda ϕ = 0 olacaktır ve böylece ΔYt = Yt − Yt −1 = u t olacağından.9) Tarı. 814. Bu durumda artık sıfır hipotezi ϕ = 0 olarak tanımlanır. geçmiş dönemlerdeki şoklar belli bir süre etkilerini sürdürseler de. Yt değişkeninin bu dönemde aldığı değerin geçen dönemdeki değeri olan Yt-1 ile ilişkisi.8) ΔYt = Yt − Yt −1 ’ dir. s.6)’ ya göre H0: ρ = 1 ve denklem (2.e.g. serinin her dönemde aldığı değerin daha önceki dönemlerdeki değerleriyle regresyonunun bulunması gerekmektedir. 49 . a. τ (tau) istatistiği (DF-test istatistiği) 22 23 (2.

A. No. s.10) (2. 28 Enders. τ (tau) istatistiklerinin kritik değerleri Dickey ve Fuller tarafından Monte Carlo benzetimleriyle tablolaştırılmıştır 25 .e. 387. Eğer ut hata terimi ardışık bağımlı ise kullanılacak regresyon modeli aşağıdaki gibidir: ΔYt= β 0+ β 1t+ ϕ Yt-1+ α i ∑ ΔYt − i +ut i =1 m (2. 366. 25 24 50 . Eğer τ istatistiği mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden küçükse.g.e. s. Institute Of Economics Aarhus School of Business. a. 27 Gujarati. Fuller.A. 1996. Bir serinin Enders.e. 182. Sayı: 74. 427-431. s. Dickey. Journal of the American Statistical Association. (1992). 29 Bentzen Jan ve Engsted Tom. W. Beta Yayınları. Sayı: 18. Dickey-Fuller testinde kullanılan başlıca regresyon kalıpları şunlardır: Sabit terimsiz model Sabit terimli model Sabit terimli ve trendli model : ΔYt = ϕYt −1 + u t : ΔYt = β 0 + ϕYt −1 + u t : ΔYt = β 0 + β1t + ϕYt −1 + u t (2. H0 hipotezi reddedilemez ve serinin durağan olmadığı (birim kök içerdiği) sonucuna varılır 26 . (1979). 26 Tümay Ertek. s. s. D.g. a.11) (2. ˆ Dickey Fuller testinde kullanılan yukarıdaki üç model için sırasıyla τ . 817. Birçok iktisadi zaman serisi durağan sürece sahip olmazlar. “Short and Long Run Elasticities in Energy Demand: A Cointegration Approach”. s. Bu çeşit durağan olmama durumu tüm değişkenlerin birinci farklarının alınmasıyla sıklıkla ortadan kaldırılır 29 .13) bu modele DF sınaması uygulanırsa. dolayısıyla belli bir zaman sürecinde stokastik (olasılıklı) olarak değişen trend etrafında dağılırlar. Bu nedenle τ istatistiği MacKinnon kritik değerleri ile karşılaştırılır. 2.olarak adlandırılır ve τ istatistiklerinin değerlendirilmesinde bilinen t testi yapılamaz (çünkü hesaplanan t değeri büyük örneklerde bile t dağılımına uymaz) 24 . dereceden bütünleşik (entegre) olduğu söylenir ki bu onların otoregresif yapılarının bir birim köke sahip olduğu anlamındadır. τˆμ ve τˆβ istatistikleri kullanılır 28 . a. 182. buna Genişletilmiş Dickey Fuller (ADF) sınaması adı verilir 27 . Böyle süreçlerin 1. Ekonometriye Giriş. “Distribution of the Estimators for Autoregressive Time Series With a Unit Root”.12) Burada t zaman ya da genel eğilim değişkenidir. İstanbul.g.

s. τ Sınaması Bir test istatistiği ve uygun bir alternatif seçerken.e.1. modelin her iki yanından Yt-1 çıkarıldığında ve ϕ = ρ -1 tanımı yapıldığında. Eğer seriyi durağan yapmak için iki defa fark almak gerekiyorsa (yani farkın farkını almak gerekiyorsa) I(2) ve d fark almak gerekirse I(d) olarak yazılır.1.2.g. zaman serilerindeki herhangi bir şokun sürekli olacağının göstergesidir. Dickey-Fuller tarafından 30 31 Tarı.4. ΔYt= ϕ Yt-1+ut (2. Böylece durağan olmayan bir seri farkları alınarak durağan hale getirilir 30 . boş ve alternatif hipotezler bu şekilde olmaktadır. s. 405. 51 . Φ1 ve Sınaması τˆμ Test İstatistikleri Birim kök sınamasında ele alınan üç farklı modeldeki katsayıların birlikte anlamlılığının testine izin veren bir test olan Φ testi. 227-228-229. H0 : ϕ =0 ⇒ Yt= Yt-1+ut ve seri I(1) H1 : ϕ <0 ⇒ ρ <1 DF sınamasında sabit terimsiz modelde.e. a.g. ˆ 2.1. 210.g. 2. Bir bütünleşik zaman serisi stokastik bir trende ya da bir birim köke sahiptir. Kesmesi olmayan Yt= ρ Yt-1+ut ρ =1 olan AR(1) modeli için. Alternatif hipotezin ϕ <0 olması nedeniyle kritik değerler negatiftir 32 . Ancak bütünleşik zaman serileri uzun dönemde bile şok öncesi düzeylerine geri dönemezler 31 . a. a.birinci farkı durağan ise bu seriye birinci dereceden bütünleşik seri denir ve I(1) ile gösterilir.e. Patterson. zaman serilerinin niteliği göz önüne alınmalıdır. ρ =1 ise yani birim kök varsa ϕ =0 olur. s.14) olur. Durağan seriler bir şoktan sonra ortalamasına geri döner.4. Durağan olmayan bütünleşik seriler. 32 Patterson.

Çünkü hem boş hipotez hem de alternatif hipotez altında Yt sıfır ortalamaya sahiptir. a. H 0 : β 0 = 0 ve ϕ = 0 33 34 Hilal Bozkurt. H 0 : β 0 = 0 ve ϕ = 0 olmaktadır. Bu ifade β 0 ≠ 0 olduğunda sıfırdan farklıdır. 2007.g. 230. Ekin Kitabevi. Bu durum özellikle alternatif hipotez altında kısıtlayıcıdır. Burada geçerli regresyon alternatif hipotez altında Yt’ nin sıfırdan farklı bir ortalamaya sahip olmasına olanak tanınmış olur. kısıtlı ve kısıtsız modellerin karşılaştırılmasına yönelik bir F istatistiğidir 33 .16) şeklinde yazılabilir. 36 ΔYt= β 0+ ϕ Yt-1+ut idi.e.e. uzun dönemde Yt = β 0 /(1 − ρ ) olacaktır. Zaman Serileri Analizi. Geçerli regresyon şöyle olur. Dolayısıyla ˆ eğer Yt’ nin ortalaması sıfırdan farklı ise τ testi için geçerli regresyon ΔYt= ϕ Yt-1+ut uygun bir başlangıç noktası değildir. s. Bu ifade Yt =Yt-1+ ut yani pür rassal yürüyüş sürecidir. Bu regresyon kısıtlayıcıdır. Yt= β 0+ ρ Yt-1+ ut Bu ifade yeniden ΔYt= β 0+ ϕ Yt-1+ut (2. Burada ϕ = ρ -1 olarak tanımlanır. Patterson. Geçerli regresyon kesme içerecek şekilde genişletilmelidir. τˆ testi için geçerli hipotez ΔYt= ϕ Yt-1+ut şeklinde ifade edilmiştir. 52 . 37. 230. Çünkü durağan bir süreç sık sık ortalamasını aşağıdan ve yukarıdan kesmektedir.15) (2. s. Bursa. s. 35 Patterson.geliştirilmiş olup. Bu boş hipotez altında Yt pür rassal yürüyüş 36 tarafından yaratılmaktadır. Önceden yürüyüşün ne yönde olacağını bilmek mümkün değildir. Dolayısıyla Yt eşit olasılıkla pozitif veya negatif bir yürüyüş sergileyebilir. a.g. Bu regresyon için uygun boş hipotez 35 . β 0 = 0 ve ϕ = 0 olması halinde ΔYt= ut yani Yt -Yt-1= ut . Bu şekilde alternatif hipotezin sıfırdan farklı bir ortalamaya sahip olmasına olanak tanınmış olur 34 . yani kayma yoktur. Çünkü ρ <1 ise ut’ nin beklenen değeri sıfıra eşitlendiğinde.

2.e. 40 Patterson. a. 232. Bu alternatif hipotez altında üç olasılık söz konusudur: H 1 : β 0 ≠ 0 ve ϕ ≠ 0 (durağan) H 1 : β 0 ≠ 0 ve ϕ = 0 (kayan rassal yürüyüş) 38 H 1 : β 0 = 0 ve ϕ ≠ 0 (durağan) Burada β 0 = 0 ve ϕ = 0 ya da β 0 ≠ 0 / β 0 = 0 ve ϕ <0 olarak beklenir. Φ 3 ve Sınaması τˆβ Test İstatistikleri τˆ ve τˆμ test istatistiklerinin alternatif hipotezlerindeki modeller ekonomik ˆ zaman serilerinin tipik özelliği olan trend davranışını içermemektedir. a. ut’ nin belirli gerçekleşmesi ne olursa olsun Yt-1 ile kıyaslandığında Yt’ deki değişme olacaktır. uzun dönemde Yt bir sabit sayı olan β 0 /(1 − ρ ) ’ a doğru yönelme eğilimindedir 40 .3. Daha uygun geçerli regresyon. 38.H 1 : β 0 ≠ 0 ve/veya ϕ ≠ 0 olacaktır 37 . τ ve τˆμ için birim kökün alternatifi sırası ile Yt= ρ Yt-1+ut ve Yt= β 0+ ρ Yt-1+ ut’ de ρ <1 olmasıdır. 39 Patterson. a. s. Aksi halde seride gözle görülür bir trend olacaktır ve bu durumda geçerli olduğu ileri sürülen hipotez doğru başlangıç noktası olmayacaktır. s. s.g.4. ΔYt= β 0+ β 1t+ ϕ Yt-1+ut 37 38 (2.g. Ancak bu modellerde trend yaratmak için bir mekanizma yoktur. Yt= β 0 +Yt-1 + ut şeklini alır.e. DF Φ1 sınaması kullanılarak birleşik boş hipotez testi uygulanır. Pür rassal yürüyüş sürecine kesme terimi eklenerek.e. Burada β 0 bir kayma terimidir. β 0 = 0 reddedilmemiş olduğundan kesme içermeyen en kısıtlı modele (Yt= ρ Yt-1+ut ) geçmek mümkündür 39 .1. Eğer boş hipotez ( H 0 : β 0 = 0 ve ϕ = 0 ) reddedilmezse. Gerçekte kayan rassal yürüyüş biçimsel olarak devre dışı bırakılmasa da ϕ = 0 iken β 0 ≈ 0 olması beklenir. Eğer verilerde trend varsa τˆ ve τˆμ geçerli bir başlangıç noktası değildir. 230.g. β 0 kadar 53 .17) Bozkurt.

Düzeyde bu durumun ortaya çıkması pek muhtemel değildir. H 1b : ( β 0 . Boş hipotez. Bu durumda boş hipotezi reddetmeye yönelik sadece H 1a kalmaktadır. Bu sıfır hipotezi. β 1 . Eğer serinin zaman yolu grafiğinden deterministik trend içerdiği açıkça gözleniyorsa H 1c pek muhtemel değildir. β 1 . 233. Bir test istatistiği ve uygun alternatif seçimi yapılırken.0) birim kök ve deterministik trend var. β 1 . uygun başlama noktası kesme ve deterministik trend içeren geçerli regresyon. Bu alternatif hipotezlerden sadece biri birim köklüdür. ϕ ) birim kök yok.olacaktır 41 . ϕ ) = ( β 0 .0. Bu iki alternatif hipotez birim kökü reddetme açısından birbirine benzemekte ancak deterministik trend açısından birbirinden ayrılmaktadır. Bu durum fark entegre edildiğinde Yt’ nin düzeyinin β 0t cinsinden bir terim ve β 1t 2 cinsinden bir terim içereceği anlamına gelir. β 1 . Bu boş hipotez üç nedenden biri ile reddedilebilir: H 1a : ( β 0 . H 1c : ( β 0 . Yani Yt deterministik bir trend etrafında durağandır. 54 . Örneğin seride bir trend mevcutsa. Çünkü H 1c ’ de trend yaratacak bir mekanizma yoktur. ϕ ) = ( β 0 . Seride açıkça bir trend yoksa ve alternatif hipotez altında ortalama sıfırdan farklı ise Φ1 41 Patterson.e. ϕ ) birim kök ve deterministik trend yok. s. a.0) şeklinde yazılabilir. H 1c ’ de deterministik trend yoktur. H 1b : ϕ = 0 ve β1 ≠ 0 . Geriye H 1a ve H 1c kalmaktadır. Φ 3 ve sınaması τˆβ test istatistikleridir. serinin niteliği göz önüne alınmalıdır.0. β 1 . H 1a ’ da deterministik trend vardır. β1 . ϕ ) = ( β 0 . β 1 =0 olması nedeniyle deterministik trend yoktur anlamına gelmektedir. deterministik trend var.g. H 0 : ( β 0 . ϕ ) = ( β 0 . ϕ = 0 olması nedeniyle birim kök vardır. Bu hipoteze göre ΔYt= β 0+ β 1t + ut’ dir. Bu şekilde alternatif hipotezlerden herhangi birinin doğru olması nedeniyle H 0 reddedilebilir. Burada ϕ = ρ -1’ dir.

(1981). β1 ve ϕ parametrelerini birleşik olarak test etmek için geleneksel ekonometride Wald-F istatistiği olarak bilinen aşağıdaki test sürecini önermiştir: F= ( SSRr − SSRu ) / r SSRu /(T − k ) (2. bu halde vt = φ 2Yt − 2 + . SSRu kısıtsız denklemin kalıntı kareler toplamı..e.4. Sıfırdan farklı otokorelasyonlar var ise AR modelinin derecesi arttırılabilir45 . Alternatif olarak Patterson.4. T gözlem sayısı. s.e. r kısıtların sayısıdır 44 .4.20) (2. “Likelihood Ratio Statistics for Autoregressive Time Series with a Unit Root” Econometica. 43 42 55 .. a.19) verileri yaratan süreç denklem (2.e. a.g. sıfırdan farklı olacaktır. Sayı: 49. a. Seride açıkça görünen bir ˆ trend yok ve alternatif hipotez altında ortalama sıfır ise τ istatistikleri uygun başlangıç noktası olacaktır. gecikmeli Yt değerlerinin mevcudiyeti nedeniyle. k kısıtsız denklemdeki katsayıların sayısı..A Dickey ve W. 45 Patterson. modelin kalıntılarının otokorelasyonu incelenerek yardım alınabilir.A Fuller. Yt = μ + φ1Yt −1 + φ 2Yt − 2 + .g.21) olacak ve vt ile vt-1’ in k>1 için otokorelasyonları. s. 37-38.g. D. 44 Bozkurt. s. SSRr kısıtlı denklemin kalıntı kareler toplamı. Genişletilmiş Dickey-Fuller (ADF) Testi AR(p) süreci şu şekilde ifade edildiğinde. DF Testleri İle Birleşik Hipotez Testi Dickey ve Fuller 43 çalışmalarında β 0 . Yt = μ + φ1Yt −1 + vt kullanılmış ise.19) olmasına rağmen AR(1) modeli. 2. Bu nedenle AR(1) modelinin uygun olup olmadığı konusunda. + φ p Yt − p + ε t (2.18) Burada. 2. + φ p Yt − p + ε t (2.ve sınaması τˆμ test istatistikleri uygun başlangıç noktasıdır.2. 1057-1072. 238-239. 233-234.1. Serilerin zaman yolu grafiğine bakılarak ve düzey ve birinci fark otokorelasyonlarının grafiği çizilerek hangi test istatistiği ve uygun alternatifin seçileceğine şekilsel olarak karar verilebilir 42 . s..

24) (2.g. Standart DF modeli α1 katsayılı ΔYt −1 ile “genişletilmiş” tir 49 . f (T ) ’ nin farklı seçimleri farklı bilgi kriterlerini vermektedir.g. Patterson. 48 Patterson.…. a. s. Bilgi kriterleri otoregresif gecikmenin derecesini belirlerken fonksiyonel biçimdeki gecikmelerin sayısını mümkün olduğunca minimize etmeye çalışmaktadır. Burada ϕ = φ1 + φ 2 − 1 ve α 1 = −φ 2 dir 48 . 239. Schwarz Bilgi Kriteri (SIC) için f (T ) =ln(T) alınmaktadır.e.e.23) Yt = μ + (φ1 + φ 2 )Yt −1 − φ 2 (Yt −1 − Yt − 2 ) + ε t ile aynıdır. p gecikmede hesaplanan varyans değeri.22) ˆ Burada. Her iki taraftan Yt −1 çıkarıldığında. s. 240. 56 . p>1 olduğunda AR(2) modeli ele alındığında. p[ f (T )] modelin artan gecikmeleri için ceza fonksiyonudur. ΔYt = μ + ϕYt −1 + α 1 ΔYt −1 + ε t (2. AIC bilgi kriterine göre daha doğru sonuçlar verir ancak sonlu örneklemlerde AIC bilgi kriteri çok sık başvurulan bir yöntemdir. s. Bu yaklaşımda yüksek bir gecikme derecesi belirlenerek kalıntılarda sıfırdan farklı otokorelasyon olmayıncaya dek gecikme derecesi azaltılarak uygun model geliştirilebilir 46 . Akaike Bilgi Kriteri (AIC) için f (T ) =2 alınırken.modelde yer alan gecikmelerin istatistiksel anlamlılıklarına dayanan genelden özele yaklaşımı kullanılmasıdır. Bunlardan en çok kullanılanları. a. Asimptotik olarak(T → ∞ ) SIC bilgi kriteri.g. a. Literatürde gecikme uzunluğunun belirlenmesinde çeşitli kriterler de kullanılmaktadır. 290-291. 49 Gujarati. 817. Uygun gecikme sayısı için aşağıdaki ifade kullanılır 47 : ˆ IC ( p) = T ln σ 2 ( p ) + p[ f (T )] p=1. Yt = μ + φ1Yt −1 + φ 2Yt − 2 + ε t Bu ifade (2. σ 2 ( p) .e. Buradan AR sürecinin derecesi iki ise regresyon modeline ΔYt −1 teriminin eklenmesi gerektiği sonucuna varılır. 46 47 Sevüktekin ve Nargeleçekenler. s.e.g.p* (2. Akaike Bilgi Kriteri (AIC) ve Schwarz Bilgi Kriteri (SIC)’ dir. a.25) ifadesine ulaşılır.

Phillips-Perron birim kök testi ise hata teriminin zayıf derecede bağımlı olmasına ve heterojen olarak dağılmasına izin vermektedir 53 .26) şeklini alır. 41.e. Phillips.e. a. s. “Testing for a Unit Root in Time Series Regression”. Uygulamada en çok kullanılan birim kök testi Dickey-Fuller birim kök testidir. modele gecikmeli değerler ekleyerek Dickey-Fuller testini otokorelasyon problemine karşı düzeltmiştir. Sevüktekin ve Nargeleçekenler.g. 1 ~ ~ ~ ~ y t = μ + β (t − T ) + α y t −1 + u t 2 (2.Genel olarak ADF(p) modeli. Sayı: 75.e.3. a. ΔYt = μ + ϕYt −1 + ∑ α j ΔYt − j + βt + ε t j =1 p (2. 240. birim kök hipotezini inceleyen istatistiki testlere olan ilgiyi arttırmıştır 52 . Bu sayede otokorelasyon sorunu ortaya çıkmamaktadır. Phillips ve Perron (1988) Dickey-Fuller’ ın hata terimleri ile ilgili varsayımını genişletmişlerdir. s. 304.28) Patterson. 229. 2. 54 Peter C. s.g. a. 51 50 57 . Phillips-Perron (PP) Testi Zaman serilerinin bir çoğunun durağan bir sürece sahip olmamaları. Biometrika. Bu durumu daha iyi anlamak için şu regresyonlar dikkate alınır 54 .27) olur ve tüm test prosedürleri aynı şekilde uygulanır 50 . Modele deterministik trend ilave edildiğinde. Pierre Perron. s. 335-346. ΔYt = μ + ϕYt −1 + ∑ α j ΔYt − j + ε t j =1 p (2.g.g. Ancak literatürde başka birim kök testleri de mevcuttur 51 . a. 53 Enders. B. 52 Bozkurt. ˆ ˆ ˆ yt = μ + αyt −1 + u t .4. Genişletilmiş Dickey Fuller testi. s. (1988). Dickey-Fuller birim kök testi hata terimlerinin istatistiki olarak bağımsız olduklarını ve sabit varyansa sahip olduklarını varsayar.e.

s. KPSS testi LMc testi ile benzer biçimde belirlenmektedir58 . serinin trend durağanlığını gösterir. Sayı: 7. rassal yürüyüşün sıfır A. Dolayısıyla LM istatistiğinin oluşumu önemlidir.g. Çünkü seriler trendden arındırılmışlardır.. Sayı: 54. buna karşın alternatif hipotez ise seride birim kök olduğunu ve durağan olmadığını ima eder. 31. Karun Nemlioğlu. Phillips-Perron birim kök testi test istatistikleri Genişletiliş DickeyFuller (ADF) test istatistiği için kullanılan kritik tablo değerleri ile karşılaştırılarak sıfır hipotezleri kabul veya reddedilir. s. Trendden arındırılan seride birim kök olmaması. Journal of Business and Economic Statistics. LM testinde boş hipotez. 2005. 56 55 58 . İstanbul. Bu testte kurulan birim kök hipotezi ADF testinde kurulan hipotezlerden farklıdır. s. Sıfır hipotezi serinin durağan olduğunu ve birim kök içermediğini.4. a. s. 159-178. Journal of Econometrics. Denis Kwiatkowski & Peter C. Phillips ve Perron. “Tests for Unit Roots: A Monte Carlo Investigation”. Beşir Kitabevi. katsayıların ˆ y t = y t −1 + u t (2. “Testing the Null Hypothesis of Stationarity Against the Alternative of a Unit Root: How Sure Are We That Economic Time Series Have a Unit Root?”. Fakat burada hata terimleri arasında içsel bağlantının (serial correlation) olmadığı veya homojenlik varsayımı gerekli değildir. 2. KPSS Testi KPSS (Kwiatkowski-Phillips-Schmidt-Shin) testinde amaç gözlenen serideki deterministik trendi arındırarak serinin durağan olmasını sağlamaktır 56 .29) sürecinde oluştuğu hakkındaki H0 hipotezini test etmek için Dickey Fuller’ in τ istatistiğinin geliştirilmiş bir biçimini üretmişlerdir 55 .Burada T gözlem sayısını ut hata terimlerinin dağılımını göstermekte olup bu hata teriminin beklenen değeri sıfıra eşittir (E(u)=0). 57 Schwert G. Phillips & Peter Schmidt and Yongcheol Shin. 58 Patterson. Phillips-Perron denklemlerdeki α ve β katsayılarının testi için test istatistiklerini oluşturmuşlardır. 147-159. Birim Kök Analizinin Temelleri. (1989). (1992).e. 269. Boş hipotezdeki durağanlık trend durağanlıktır. KPSS testinin en önemli özelliği 1 veya daha büyük bir MA yapısı içeren serilerde ADF’ nin aksine gücünün azalmamasıdır 57 .B.4. Buna göre serilerin durağan olup olmadıklarına ~ ˆ karar verilir.

T l T (2. l ) = 1 − s /(l + 1) (2.35) 59 Kwiatkowski and et. σ e2 ) ve ut ~ IID(0. σ u2 ) göstermektedir. 59 .33) s 2 (l ) = T −1 ∑ et2 + 2T −1 ∑ w( s. al.34) Burada w( s. a.m. s. KPSS test istatistiğinin hesaplanabilmesi için. t deterministik trend.g. Yt = β t + wt + et wt = wt −1 + u t (2.2.32) Burada S t kalıntıların kümülatif toplamı.31) Burada wt modelin rassal yürüyüşü. l ) .…. Bartlett penceresidir ve şu şekilde tanımlanır 59 : w( s. seri regresyon yöntemiyle deterministik trendden ve kesme teriminden arındırılarak bu denklemden elde edilen kalıntıların varyansının sıfıra eşit olup olmadığını sınayan şu test istatistiği hesaplanır: ˆ η = T − 2 ∑ S t2 / s 2 (l ) t =1 T (2. 164. et durağan kalıntıları (et ~ IIDN(0. Durağanlık hipotezinde ut’ nin varyansının sıfır olduğunu ( σ u2 =0) varsayar. rassal yürüyüş ve durağan kalıntılar toplamından oluştuğunu ima eder. l ) ∑ et et − s t =1 s =1 t = s +1 (2.varyansa sahip olduğunu ve serinin deterministik trend. s 2 (l ) kalıntılar birbirleriyle korelasyonlu olabilecekleri için tutarlı bir uzun dönemli varyans tahmincisidir ve aşağıdaki şekilde tanımlanır: S t = ∑ et t =1 T T t=1.30) (2.

Trendden arındırma işlemi için y td = y t − β ' z t olmak üzere. Elliott. deterministik trend veya kesmenin olması koşulu aranmaktadır 60 .t)’ olarak hesaplanmaktadır ( zt . :α = 1 ~ H1 :α = α < 1 H 0 ~ şeklindedir. Burada α =1+ c / T olarak hesaplanmaktadır. ADF-GLS testi uygulanabilmesi için serinin kesme ve trendden arındırılması gerekmektedir. J.5. β ' ’ yi bulabilmek için ~ üzerine ~ regrese edilmelidir. 1’ ler ve deterministik trendden oluşan vektördür). 2 PT = [S (α ) − α S (1)] / s AR (2.37) modeli OEKK (Olağan En Küçük Kareler) yöntemi ile tahmin edilir. ADF-GLS testi için kurulacak hipotez. Nokta Optimal testi. Stock.2. s. ADF-GLS (Genelleştirilmiş En Küçük Kareler ADF) için kullanılan model kalıbı. Seride trend yoksa sadece kesme varsa o zaman bu vektör zt =(1)’ olacaktır. Seride sadece kesmenin olması durumunda c = -7. y t = d t + αyt −1 + ε t (2. α = 1 boş hipotezi tahmin edildikten sonra elde edilen kalıntı kareleri toplamıdır. ~ = y − β 'z yt t t (2. ADF-GLS (Nokta Optimal) Testi ADF-GLS (Nokta Optimal) Birim Kök Testi uygulanması için serilerde.4. Rothenberg ve J.36) Burada dt deterministik kısım ve ε t gözlenemeyen ancak ortalaması sıfır varsayılan hata sürecidir.5 alınır.38) şeklinde hesaplanır. S (1) . Sayı: 64. H. yt zt G. 813-836. Seride kesme ve trend gözleniyorsa c = -13. 60 60 . Burada S (α ) kalıntı kareleri toplamı. T. burada zt =(1.0 alınmaktadır. (1996). “Efficient Tests for an Autoregressive Unit Root” Econometrica.

Ng-Perron Testi (2. (2001). büyük oranda hata teriminde örneklem çarpıklığı olmaktadır...m. NG Perron testi bu nedenle PP testlerini ve bilgi kriterlerini modifiye etmektedir 63 . Ng. s.6. 62 61 61 .. Ng ve P..43) Elliott and et. ~2 . “Lag Lenght Selection and the Construction of Unit Root Tests with Good Size and Power”... ~2 ... PP testinde serilerde negatif hareketli ortalama yapısı olduğunda. Sayı: 63.40) Ng-Perron birim kök testi. T κ = ∑ (Yt d1 ) 2 / T 2 − t =2 (2. Sayı: 69. (1 − α L) y t ) y y y ~ ~ ( ~1 .~ ve ~ şöyle tanımlanır. 2. a. (1996). (1 − α L) y 2 . Bunun yanında bilgi kriterleri AIC ve SIC modele dahil edilen gecikmelerde minimum olmalıdır. s.. Perron ve S. (1 − α L) z 2 . The Review of Economic Studies. 63 S.4.. d MZ α = (T −1 (YTd ) 2 − s 2 ) /( 2κ ) MZ td = MZ α × MSB MSB d = (κ / s 2 )1 / 2 (2. Birim kök testleri otoregresif gecikme mertebesinin seçimi ile alakalıdır. “Useful Modifications to Some Unit Root Tests with Dependent Errors and Their Local Asymptotic Properties”. Phillips-Perron birim kök testinde ortaya çıkan hata teriminin hacmindeki çarpıklığın düzeltilmesi için geliştirilmiştir 62 . ~t ) = ( y1 .41) olmak üzere.. P.. Econometrica.. al.. yt zt ~ ~ ( ~1 . ADF testi gibi bir regresyon denklemi kurulur: Δy t = dt + β 0 y t −1 + ∑ β j y t − j + etk j =1 k (2..39) (2. DF testlerinde bu durum çok büyük bir sorun yaratmamaktadır. 831.42) Hesaplamada. s. (1 − α L) z t ) z z z Trendden ve kesmeden arındırılmış y td serisine standart ADF uygulanır 61 . ~t ) = ( z1 . 435-463. 1519-1554.. Perron.g.

Buradan.47) AIC ve SIC bilgi kriterlerini MA yapısı göz önünde bulunduracak şekilde modifiye edilmiştir. Bu test ADFGLS (Nokta Optimal) testin modifiye edilmiş durumudur. 64 Ng ve Perron. 1529. Ng-Perrron testinde kullanılan dördüncü test MPTd testidir. MPTd seride sadece kesmenin ve kesme ve trendin birlikte olması durumuna göre aşağıdaki şekilde hesaplanır: ⎧(c 2κ − c T −1 (YTd ) 2 ) / s 2 ⎪ MPTd = ⎨ d 2 2 −1 2 ⎪(c κ + (1 − c )T (YT ) ) / s ⎩ xt = { } 1 xt = { . Modifiye edilen bu bilgi kriteri MIC olarak gösterilir ve aşağıdaki formülle hesaplanır: ˆ MIC (k ) = ln(σ k2 ) + Burada. ˆ ˆ β (1) = ∑ β i 1 k (2. 62 .50) ˆ ˆ2 σ k2 = (T − k max ) −1 ∑t =k max +1 etk T AIC kriterinin modifiye edilmiş hali MAIC için CT =2 ve SIC kriterinin modifiye edilmiş hali MSIC için CT =In(T-kmax) alınarak bulunur 64 . CT (τ T (k ) + k ) T − k max (2.46) t = k +1 ˆ ˆ s 2 = σ k2 /(1 − β (1)) 2 hesaplanır.49) (2. Bu aşamadan sonra test istatistikleri denklem (2. s. t } 1 ise ise (2.42) deki formüllere göre bulunabilir.45) (2.g.44) ˆ ∑e T 2 tk ˆ σ k2 = (T − k ) −1 (2.m.48) ˆ ˆ τ T (k ) = (σ k2 ) −1 β 02 ∑t =k max +1 yt2−1 ve T (2. a.

Uygulama Serisi 1990 yılında başlatılan çalışmalarla GSMH hesapları üçer aylık dönemler itibariyle hesaplanmaya başlanmış ve 1968 olan temel yıl da 1987 yılına kaydırılmıştır.g. 63 . Ankara. Ayrıca daha önce yapılan yıllık hesaplamalara dahil edilemeyen bazı maddeler ve ekonomik alt sektörlerde sisteme dahil edilmek suretiyle kapsam genişletilmiştir.2. İstatistik Göstergeler 1923-2006. 1973. 2007. TÜİK. s. imal ve istihraç edilen mallardan yapılan ihracat kapsanmaktadır 2 . 423. Türkiye İstatistik Kurumu Matbaası. 3. a. Uygulamanın Amacı 1923-2006 yılları arasındaki ihracatın GSMH içindeki payı (%) verileri kullanılarak serinin durağanlığını incelemek ve durağanlık analizi sonucunda serinin nasıl bir süreçle türediğini gösteren zaman serisi modeli yardımıyla serinin bir sonraki yıla (2007 yılı) ilişkin alacağı değeri öngörmektir. Bu çalışmalarda TÜİK’ in cari anketlerinden elde edilen kesin sonuçlar. 1 2 TÜİK.636. Eski GSMH serisi yeni kapsama göre revize edilerek 1968 yılına kadar geriye dönük yeni bir seri elde edilmiştir 1 . s. 3. 1968. İhracat bilgilerinde ise ülke içinde üretilen.e.1.ÜÇÜNCÜ BÖLÜM İHRACATIN GAYRİ SAFİ MİLLİ HASILA (GSMH) İÇİNDEKİ PAYI ÜZERİNE UYGULAMA Uygulamada Türkiye İstatistik Kurumu (TÜİK) tarafından yayınlanan İstatistik Göstergeler (1923-2006)’ de yer alan İhracatın Gayri Safi Milli Hasıla (GSMH) içindeki payı verileri kullanılmıştır. 1979 ve 1985 input-output tablolarından alınan teknik katsayılar ve 1987 yılının gösterge ve ağırlıkları kullanılmıştır. kurum ve kuruluşlara ait kesin bütçe değerleri.

3 Eviews 5.6 8.2 10 7.9 3.9 21.8 21. Quantitative Micro Software.4 11.9 9.9 19.3 2 2. Durağanlık analizi sonrasında zaman serisi modellemesinde en uygun öngörü yöntemi olan Box-Jenkins (BJ) yöntemi kullanılarak 2007 yılı ihracatın GSMH içindeki payı (%) verisi öngörülmeye çalışılmıştır.6 7. ekonometri paket programı Eviews 5.5 12. 434-435.1 20.1 User’s Guide.6 13.1 8.1 İhracatın GSMH İçindeki Payı(%) İhracatın GSMH içindeki payı (%) 8.1 5.3 6 5 5.1 9.7 13.4 21. 2005.4 13.7 12.2 10.9 3.3 4.3.8 7.2 İhracatın GSMH içindeki payı (%) 5. LLC.2 9 8.3 3.7 4 3 3.8 9.7 6. USA.4 2.7 3.8 2.6 8.8 İhracatın GSMH içindeki payı (%) 3. Seri.8 8.1 yardımıyla analiz edilmiştir.7 9.9 8.4 4 2.5 4 5.6 9.9 11.9 4.6 3.7 2.6 7.1 paket programına ilişkin daha ayrıntılı bilgi Eviews 5.9 10. korelogram testi ve literatürde en fazla kullanılan birim kök testleri ile yapılmıştır.8 4.7 12.3 6.9 4 4.6 13.5 19.5 4.9 12.3 6.1 14. s. Tablo 3.1 11.4 Yıllar 1923 1924 1925 1926 1927 1928 1929 1930 1931 1932 1933 1934 1935 1936 1937 1938 1939 1940 1941 1942 1943 Yıllar 1944 1945 1946 1947 1948 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960 1961 1962 1963 1964 Yıllar 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 Yıllar 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 Kaynak: TÜİK. Paket programa ilişkin ayrıntılı bilgiler ekte verilmiştir 3 .7 7.9 4.7 7.3.7 2.9 İhracatın GSMH içindeki payı (%) 9.3 8. Uygulamada Kullanılan Yöntem Serinin durağanlık analizi.9 11.1 3.2 9.4 10 9.6 7.3 5. İstatistik Göstergeler 1923-2006.7 2. 64 .

Şekil 3. Şekil 3. Logaritması alınan ihracatın GSMH içindeki payı (LIHR) serisinin görünümü Şekil 3.1 LIHR Serinin Zaman Yolu Grafiği 84 gözlemden oluşan logaritmik ihracatın GSMH içindeki payı (LIHR) verilerinin zaman yolu grafiği Şekil 3. Serinin zaman yolu grafiği incelendiğinde. verilerin belli bir ortalama etrafında dalgalanmadığı ve bu yüzden durağan olmadığı söylenebilir.Serileri olası değişen varyans ve kısmen de otokorelasyona karşı koruyabilmek için logaritmik dönüşümleri alınmaktadır.2 Birinci Farkı Alınan LIHR Serinin Zaman Yolu Grafiği 65 .1’ de yer almaktadır.1’ dedir.

kısmi korelasyonların (PAC) ve Q istatistiklerinin birlikte hesaplattırıldığı özellikle k sayıda gecikmenin serinin istatistiksel olarak anlamlı bir katsayı üretip üretmediğini korelogram vasıtasıyla takip etmek mümkündür.2’ de birinci farkı alınan LIHR serisinin zaman yolu grafiği görülmektedir. Şekil 3. LIHR Serisi İçin Durağanlık Analizi: Korelogram Testi Örneklem otokorelasyonlarının (AC).4. 3.Şekil 3.3 LIHR Serisinin Korelogramı 66 . Serinin birinci farkları alınınca belli bir ortalama etrafında dalgalandığı ve durağan hale geldiği söylenebilir.

109 0.Se ACF (k ) ) = ± (1.213 olacaktır. AC sütunu sıfıra ne kadar yakınsa söz konusu zaman serisi için durağanlık veya temiz dizi olma özelliği daha fazla ağırlık kazanır.g.3’ deki dikey çizgiler %95 kabul bölgesini göstermektedir.96*0. a. otokorelasyon fonksiyonunun korelogramı yüksek bir değerden başlayıp yavaş yavaş sönmekte ve bu serinin durağan olmadığı fikrini vermektedir. Bu çizgilerin oluşturduğu alan.165 Birinci gecikme için hesaplanan otokorelasyon katsayısı için hesaplanan t değeri.96 olduğundan boş hipotez reddedilir. Yani birinci gecikme için hesaplanan otokorelasyon katsayısı istatistiksel olarak anlamlı bulunmuştur.05 anlamlılık düzeyinde kritik tablo hesaplanır. Şekil 3. Yani anlamlı bir otokorelasyon ve kısmi otokorelasyon olduğuna karar verilir.906 = 8.311 > t t =1. Seri belirli bir ortalama etrafında dalgalanmadığı için. Kısmi otokorelasyon fonksiyonu 4 Tarı. İstatistiksel olarak anlamlı bu otokorelasyonlar serinin durağan dışılığını yansıtır.e.311 0. s. Korelogramdan da açıkça görüleceği gibi k=36 gecikme için hesaplanan ACF(k) ve PACF(k)’ lar güven aralığının dışına çıktığı için H0 hipotezi reddedilir.109 9.3’ de otokorelasyon katsayıları için güven aralıkları ise. O halde serinin durağan olmadığını söylemek mümkündür. istatistiksel bakımdan önemli bir anakütle otokorelasyon fonksiyonu yok.109) = ± 0. dışına taşıyor ise var demektir 4 . İstatistiksel olarak anlamlı otokorelasyonların varlığı olasılık (probability) sütunundan görülmektedir. Örneklem hacmi T=84 gözlemden oluştuğu için otokorelasyon katsayısının standart hatası.Se ACF (k ) ) ile hesaplanır. otokorelasyon fonksiyonunun seçilen 36 gecikme sürecinde tahmin edilen veya hesaplanan değerini AC ile gösterilen sütunda belirtir.96 ile karşılaştırıldığında tACF(1) = 8. tACF(1) = şeklinde 0. 67 . Logaritmik ihracatın GSMH içindeki payı (LIHR) verilerinin korelogramı.Şekil 3. ± (t t . Örneklem otokorelasyon fonksiyonu bu bölgenin içinde olursa. 391. t t =1. ± (t t . Se ACF (k ) = 1 84 = 1 = 0.

PAC’ ye bakıldığında, k =1 için Y ile Y-1 arasında bir ilişki (otokorelasyon) olduğu görülmektedir. Bu durum, serinin durağan olmadığına işaret etmektedir. Birinci farkı alınan LIHR serisinin korelogramı Şekil 3.4’ de verilmektedir. Burada istatistiki olarak anlamlı otokorelasyonların kalmadığı, seride kalıcı belleğin ortadan kalktığı ve dolayısıyla serinin durağan hale geldiği görülmektedir.

Şekil 3.4 Birinci Farkı Alınan LIHR Serisinin Korelogramı

68

3.5. LIHR Serisi İçin Durağanlık Analizi: Birim Kök Testi 3.5.1. LIHR Serisi İçin ADF Testi

Seride azalan ve artan bir trendin mevcut olduğu dikkate alındığında uygun başlangıç noktası kesme ve deterministik trend içeren regresyon ile Φ 3 ve sınaması τˆβ test istatistikleridir.
3.5.1.1. LIHR Serisi İçin Φ 3 ve Sınaması τˆβ Test İstatistikleri

Genelden özele yaklaşımı kullanılarak bağımlı değişken ( ΔLihr )’ in 12. gecikmesine kadar olan tüm gecikmelerini regresyon modeline dahil etmek suretiyle istatistiki olarak anlamlı gecikme katsayısını buluncaya dek istatistiki olarak anlamsız gecikmelerin modelden dışlanması ile Tablo 3.2 elde edilmiştir. Tablo 3.2’ den bağımlı değişkenin 8. gecikmesinin %5 anlamlılık düzeyinde istatistiki olarak anlamlı olduğu (p=0,02<0,05) görülmektedir. Dolayısıyla nihai modelin bağımlı değişkenin 8. gecikmesini içerecek şekilde oluşturulduğunda elde edilecek kalıntıların serisel korelasyonlu olup olmadığının incelenmesi gerekmektedir.
Tablo 3.2 Trendli Model Sonuçları

69

Bu modelin kalıntılarında serisel korelasyonun varlığının test edilmesinde hipotezler,

H 0 : Serisel korelasyon yok

H 1 : Serisel korelasyon var.
Tablo 3.3’ de verilen Breusch-Godfrey Serial Correlation LM test sonuçlarına göre Obs*R-squared (gözlem sayısı ile determinasyon katsayısının çarpımı) değeri 7,966 çıkarken p değeri 0,78 olmuştur. Bu p değeri H 0 hipotezinin reddedilemeyeceğini ve modelin kalıntılarında serisel korelasyonun olmadığını gösterir.
Tablo 3.3 Trendli Model Kalıntılarının Serisel Korelasyon Testi

Tablo 3.4 LIHR Serisi İçin Φ 3 Testi

Tablo 3.4’ de elde edilen F istatistiği (2,912), %5 anlamlılık düzeyinde tablo değeri 5 ile karşılaştırıldığında, 2,912 <6,606 olduğu görülür. Bu sonuç H 0 hipotezinin reddedilemeyeceğini ve seride birim kökün varlığına işaret eder.

H 0 = ( β 0 , β1 , ϕ ) = ( β 0 ,0,0) birim kök var H 1 = ( β 0 , β1 , ϕ ) = ( β 0 , β1 , ϕ ) birim kök yok, deterministik trend var.
Φ 3 testi sonucunda seride birim kökün ve stokastik trendin varlığı ortaya çıkmıştır. Seride deterministik trendin var olup olmadığını doğrulamak içinse Tablo 3.2’ deki trend

5

Patterson, a.g.e, s. 234.

70

2.değişkeninin t istatistiği değeri (2.390<3. Tablo 3. H0 = ϕ = 0 H1 = ϕ < 0 Burada boş ve alternatif hipotezler sırasıyla seride birim kökün var olduğunu ve var olmadığını ifade eder. τ istatistiği mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden çeşitli anlamlılık düzeylerinde küçük olduğunda H0 hipotezi reddedilemez ve serinin durağan olmadığı sonucuna varılır. s. o zaman farkı alınan sayı kadar serinin birim kök içerdiği sonucuna varılır.e. Serinin farkı alınarak aynı karşılaştırma yapıldığında τ istatistiği mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden çeşitli anlamlılık düzeylerinde büyük çıkarsa. 6 71 . a. Seride birim kökün varlığı nedeniyle karşılaştırmada standart t tablo değerleri kullanılmaz. 238. 7 Patterson.5 LIHR Serisinin Düzey Değerleri İçin τˆβ Testi * MacKinnon (1996) tek taraflı olasılık değerleri Bu t tablo değerleri standart t tablo değerleri değildir.42 olduğu görülür.g.390) %5 anlamlılık düzeyinde t tablo değeri 6 ile karşılaştırıldığında 7 . H 0 : β1 = 0 H 1 : β1 ≠ 0 Tek yanlı olduğu için daha güçlü olan τˆβ testi yapıldığında. Bu H 0 hipotezinin reddedilemeyeceği ve seride deterministik trendin olmadığı anlamına gelir.

LIHR Serisi İçin Φ1 ve Sınaması τˆμ Test İstatistikleri Deterministik trendin katsayısı anlamsız bulunduğu için Φ 3 testi deterministik trendi dikkate almayan Φ1 testini uygulamanın daha iyi olduğunu ifade eder.263) mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden %1.7’ deki gibi olduğu bulunur. 3.Tablo 3. 72 . Trendsiz modelin kaç gecikmeli olacağını belirlemek için Φ 3 testinde izlenen süreç tekrar edilir. %5 ve %10 anlamlılık düzeylerinde büyük olması nedeniyle serinin bir birim kök içerdiği sonucuna varılır.6’ dan serinin birinci farkı alındığında τ istatistiğinin (-8. Φ 3 testi için tahmin edilen modelden trendi düşürerek model tekrar tahmin edilir.2. 12 gecikme ile başlanarak ve anlamsız gecikmeleri düşürerek devam edildiğinde tüm gecikmeler düştüğü ve nihai modelin Tablo 3.7 Trendsiz Model Sonuçları H 0 : Serisel korelasyon yok H 1 : Serisel korelasyon var.6 Birinci Farkı Alınan LIHR Serisi İçin τˆβ Testi * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3.1. Tablo 3.5.

%5 anlamlılık düzeyinde tablo değeri ile karşılaştırıldığında. 238.e. 8 β 0 kesme teriminin anlamlığına bakıldığında. a.46 olduğundan H 0 reddedilemez.86 olduğu görülür.857 <4.857). Patterson. a. 8 9 Patterson. H 0 : β 0 = 0 ve ϕ = 0 (birim kök var) H 1 : β 0 ≠ 0 ve/veya ϕ ≠ 0 (birim kök yok) Hipotezleri altında Φ1 testi yapıldığında. 0. s. Bu sonuç H 0 hipotezinin reddedilemeyeceğini ve seride birim kökün varlığına işaret eder.735 ve p=0.g. %5 anlamlılık düzeyinde t tablo değeri 9 ile karşılaştırıldığında.308<2. Bu H 0 hipotezinin reddedilemeyeceği ve kesme teriminin anlamsız olduğu anlamına gelir.308). 231. Obs*Rsquare=11.Geçerli modelin kalıntılarında serisel korelasyon olup olmadığının anlaşılması amacıyla serisel korelasyon 12 gecikme ile uygulanmıştır. Tablo 3. H0 : β0 = 0 H1 : β 0 ≠ 0 Tablo 3.740 olduğu görülür.7’ deki kesme teriminin t istatistiği değeri (1.e. s.8 LIHR Serisi İçin Φ1 Testi Tablo 3. 1. serisel korelasyon yoktur.8’ de elde edilen F istatistiği (0.g. 73 . Hesaplanan test istatistiği.

10 Birinci Farkı Alınan LIHR Serisi İçin τˆμ Testi * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3.3.11 LIHR Serisinin Düzey Değerleri İçin τˆ Testi * MacKinnon (1996) tek taraflı olasılık değerleri 74 .129) mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden %1.10’ dan serinin birinci farkı alındığında τ istatistiğinin (-8. LIHR Serisi İçin τˆ Sınaması Tablo 3. %5 ve %10 anlamlılık düzeylerinde büyük olması nedeniyle serinin bir birim kök içerdiği sonucuna varılır. Boş hipotez reddedilmediği için β 0 = 0 olduğundan kesme içermeyen en kısıtlı modele geçmek mümkündür. H 0 : ϕ = 0 (birim kök var) H 1 : ϕ < 0 (birim kök yok) Tablo 3.9 LIHR Serisinin Düzey Değerleri için τˆμ Testi Tablo 3. 3.5.Tek yanlı olduğu için daha güçlü olan τˆμ testi yapıldığında.1.

172) mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden %1.13 Trend Değişkenli PP Birim Kök Test Sonuçları * MacKinnon (1996) tek taraflı olasılık değerleri PP test istatistiği (-1.87). Ancak bu modelde yer alan trend değişkeninin istatistiki olarak anlamsız olduğu göz önüne alınırsa modelden trend değişkeninin çıkarılması gerektiği anlaşılır. seride birim kökün varlığını ve serinin durağan olmadığını. mutlak değerce küçük olduğu görülmektedir.5. H 1 alternatif hipotez ise.12’ den serinin birinci farkı alındığında τ istatistiğinin (-8. Burada H 0 boş hipotezi. seride birim kökün olmadığını ve serinin durağan olduğunu ifade eder. 75 . %5 ve %10 anlamlılık düzeylerinde kritik değerlerle karşılaştırıldığında. Bu sonuç H 0 : ϕ = 0 boş hipotezinin reddedilemeyeceğini ve seride birim kökün olduğunu dolayısıyla serinin durağan olmadığını gösterir. %1. LIHR Serisi İçin Phillips-Perron (PP) Testi Phillips-Perron (PP) birim kök testinde hipotezler aşağıdaki gibidir. H 0 : ϕ = 0 (birim kök var) H 1 : ϕ < 0 (birim kök yok) Tablo 3.Tablo 3. %5 ve %10 anlamlılık düzeylerinde büyük olması nedeniyle serinin bir birim kök içerdiği sonucuna varılır. 3.12 Birinci Farkı Alınan LIHR Serisi İçin τˆ Testi * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3.2.

seride birim kökün varlığını ve serinin durağan olmadığını ifade eder. Buradan serinin bir birim kök içerdiği sonucuna varılır. Burada H 0 boş hipotezi. birim kök yoktur H 1 : Seri durağan değildir. Çünkü PP test istatistiği (-8. %1. mutlak değerce küçük olduğu görülmektedir.15 Birinci Farkı Alınan LIHR Serisi İçin PP Testi * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3. birim kök vardır. 3.127).15. H 0 : Seri durağandır.14 Trendsiz PP birim kök test sonuçlarından PP test istatistiği (-1. H 1 alternatif hipotez ise. test istatistiğinin mutlak değerce kritik değerlerden büyük olduğu görülmektedir. Tablo 3. %5 ve %10 anlamlılık düzeylerinde kritik değerlerle karşılaştırıldığında.Tablo 3. 76 . birinci farkı alınan LIHR serisinin durağan hale geldiğini ifade etmektedir. Buradan serinin birim kök içerdiği ve durağan olmadığı görülür. %5 ve %10 anlamlılık düzeylerinde kritik değerlerle karşılaştırıldığında.3 LIHR Serisi İçin KPSS Testi KPSS birim kök testinde hipotezler aşağıdaki gibidir. %1. seride birim kökün olmadığını ve serinin durağan olduğunu.55).5.14 Trendsiz PP Birim Kök Test Sonuçları * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3.

16’ ya göre. Seri birim kök içermektedir ve durağan değildir. kritik değerlerden büyük olduğu için H 0 reddedilir ve H 1 kabul edilir. seride birim kökün olmadığını ve serinin durağan olduğunu ifade eder. H 1 alternatif hipotez ise.17’ ye göre. kritik değerlerden küçük olduğu için H 0 reddedilemez ve birinci farkı alınan serinin durağan olduğu dolayısıyla LIHR serisinin bir birim kök içerdiği sonucuna ulaşılır. Burada H 0 boş hipotezi.03). test istatistiği (0. H 0 : ϕ = 0 (birim kök var) H 1 : ϕ < 0 (birim kök yok) 77 . LIHR serisinin birinci farkı alınarak yapılan KPSS testinin sonuçlarını gösteren Tablo 3. Tablo 1) Düzey değerleri için yapılan KPSS birim kök test sonuçlarını gösteren Tablo 3.4 LIHR Serisi İçin ADF-GLS (Nokta Optimal) Testi ADF-GLS birim kök testinde hipotezler aşağıdaki gibidir.5. 3.17 Birinci Farkı Alınan LIHR Serisi İçin KPSS Testi * Kwiatkowski-Phillips-Schmidt-Shin (1992.16 LIHR Serinin Düzey Değerleri İçin KPSS Testi Tablo 3.27). seride birim kökün varlığını ve serinin durağan olmadığını.Tablo 3. test istatistiği (0.

%1. birim kök vardır. birim kök yoktur 78 . Tablo 1) Tablo 3. Bu sonuç H 0 : ϕ = 0 boş hipotezinin reddedilemeyeceğini ve seride birim kökün olduğunu dolayısıyla serinin durağan olmadığını gösterir. H 0 : Seri durağan değildir.Stock (1996. H 1 : Seri durağandır.19.18 LIHR Serinin Düzey Değerleri İçin ADF-GLS Testi Tablo 3. mutlak değerce küçük olduğu görülmektedir.5. %5 ve %10 anlamlılık düzeylerinde kritik değerlerle karşılaştırıldığında.18’ de LIHR serisinin düzey değerleri için ADF-GLS test istatistiği (-1. 3. seride birim kökün varlığını ve serinin durağan olmadığını. seride birim kökün olmadığını ve serinin durağan olduğunu ifade eder. Burada H 0 boş hipotezi. Tablo 3.5 LIHR Serisi İçin Ng-Perron Testi Ng-Perron birim kök testinde hipotezler aşağıdaki gibidir.19 Birinci Farkı Alınan LIHR Serisi İçin ADF-GLS Testi * Elliott-Rothenberg. H 1 alternatif hipotez ise.Tablo 3. birinci farkı alınan LIHR serisinin durağan hale geldiğini ifade etmektedir.53).

3. Bu da seride bir birim kök olduğunu gösterir. Aşama: Belirlenme Logaritmik ihracatın GSMH içindeki payı (LIHR) serisinin düzey değerleri ile durağan olmayıp. Her iki sütun içinde test istatistikleri. birinci farkları ile durağan olduğu yapılan korelogram ve birim kök testlerinden anlaşılmıştır. LIHR Serisi İçin Box Jenkins (BJ) Yöntemi 1.Tablo 3. kritik değerlerden mutlak değerce küçük olduğu için LIHR serisinin birim kökünün olduğu ve durağan olmadığı sonucuna varılır. kritik değerlerden mutlak değerce büyük olduğu için birinci farkı alınan LIHR serisinin birim kökünün olmadığı ve durağan olduğu sonucuna varılır. Durağan I(1) LIHR serisinin AR ve MA durumunu araştırmak için. Burada test istatistikleri. LIHR serisinin Şekil 3.3’ deki korelogramına bakılır. Tablo 3.Perron testi sonuçları verilmektedir. otokorelasyon değerlerinin giderek azalan bir yapıda olduğunu göstermektedir.20’ deki Ng-Perron test istatistiklerini MZa ve MZt sütunlarındaki kritik değerlerle karşılaştırmak birim kök testi için yeterlidir. Bu durum modelde MA’ nın derecesinin sıfır olduğunu göstermiştir yani seri hareketli 79 .20 LIHR Serinin Düzey Değerleri İçin Ng-Perron Testi * Ng-Perron (2001.21 Birinci Farkı Alınan LIHR Serisi İçin Ng-Perron Testi * Ng-Perron (2001. Tablo 1) Tablo 3. Korelogramdaki ACF grafiği. Tablo 1) Tablo 3.6.21’ de birinci farkı alınan LIHR serisi için Ng.

Yani AR(1) durumu söz konusudur. Logaritması alınmış ihracatın GSMH içindeki payı serisinin durağanlaştırılması için bir defa farkı alındığından fark derecesinin d =1 olduğu anlaşılmıştır.1)’ deki modelin uygunluğuna karar verilir. Δlihrt = 0.007 + 0. Modelin uyum iyiliği göstergesi olan Akaike bilgi kriteri (AIC) ve Schwarz bilgi kriteri (SIC) değerleri sırasıyla -0. İlgili korelogram Şekil 3. 2. Bu durum modelin tipik bir otoregresif yapıda ve gecikmenin k =1 olduğunu gösterir.1) Tahmin modelinin oluşturulmasının ardından modelin kalıntılarının test edilmesi gerekir.ortalamaya sahip değildir.102Δlihrt −1 + et olur.5’ de görülmektedir. 80 .0) yapısına sahip olduğuna karar verilmiştir. Serinin PACF grafiğine bakıldığında ise birinci gecikme değerinin yüksek olduğu.073 bulunmuş olup. Aşama: Tahmin Bu aşamada öncelikle tespit edilen modelin parametre tahminlerinin yapılması gerekmektedir. Modelde AR ve MA’ nın derecelerine karar verildikten sonra modelde kullanılan parametre değerleri hesaplanır. bu değerlerin sıfıra yakın olmaları da modelin uygun olduğunun bir işaretidir. Bunun için hata terimlerinin korelogramı incelenir. 3. Böylece serinin ARIMA(1.1. Aşama: Uygunluk Testi (3.132 ve -0. Kalıntılar beyaz gürültü (temiz dizi) özelliğini gösteriyorsa yani sabit bir ortalama ve varyansa sahipse denklem (3. Tahmin edilen model. kısmi otokorelasyon çubuklarında sadece k =1 için olan %95 aralığın dışında kaldığı diğer gecikmelerde ise giderek azaldığı görülmektedir. Hesaplanan bu değerler modelde yerine yazılarak tahmin modeli oluşturulur.

81 .5 ARIMA(1. otokorelasyon ve kısmi otokorelasyon çubuklarının hepsinin %95 aralığı içinde kaldığı görülecektir. Dolayısıyla bu model uygundur ve öngörü için kullanılabilir.Şekil 3.1.0) Modeli Hata Terimlerinin Korelogramı Korelogram incelendiğinde.

Bu değerin sıfıra yakın olması öngörünün gerçek seri ortalamasını izlemekte başarılı 82 .896970 0.Tablo 3. Aşama: Öngörü 1923-2006 dönemi verilerine dayalı olarak tahmin edilen modeli kullanarak.4 -.0) Model Kalıntılarının Serisel Korelasyon Testi Modelin kalıntılarında serisel korelasyonun varlığının test edilmesinde hipotezler.E.05 olduğu için).48 olmuştur.4 . 4.6 .22’ ye göre Obs*R-squared (gözlem sayısı ile determinasyon katsayısının çarpımı) değeri 11.221000 0. 2007 yılı için öngörü yapılabilir.000000 0. Bu model öngörü için kullanılabilir. H 0 : Serisel korelasyon yok H 1 : Serisel korelasyon var.2 Forecast: DLIHRF Actual: DLIHR Forecast sample: 1923 2010 Adjusted sample: 1925 2007 Included observations: 82 Root Mean Squared Error Mean Absolute Error Mean Abs.6 Modelin Öngörü Performansı Şekil 3.1055 0.171334 109. 1990 2000 Şekil 3. .6’ dan görüleceği gibi öngörünün iyiliğini gösteren ölçüt Theil eşitsizlik katsayısı (Theil Inequality Coefficient)’ nın bir parçası olan yan oranı (Bias Proportion)’ dır.1. Bu p değeri H 0 hipotezinin reddedilemeyeceğini ve modelin kalıntılarında serisel korelasyonun olmadığını gösterir ( H 0 hipotezini kabul etme olasılığı.6 1930 1940 1950 1960 DLIHRF 1970 1980 ± 2 S.0 -.186286 . Percent Error Theil Inequality Coefficient Bias Proportion Variance Proportion Covariance Proportion 0.48>0. Breusch-Godfrey Serial Correlation LM test sonuçlarını gösteren Tablo 3.2 -. 0.578 çıkarken p değeri 0.813714 0.22 ARIMA(1.

10 Pindyck ve Rubinfeld.7 Öngörü Serisi (DLIHRF) İle Gerçek Seri (DLIHR) Grafiği Şekilden açıkça görüldüğü gibi ön raporlar gerçek serileri öngörebilmektedir.62’ dir.4 .6 .02 .06 30 40 50 60 70 80 90 00 10 .00 -. 83 .2 .8 .0 -.011=3.olduğuna işaret eder 10 . s. Model yardımıyla yapılacak öngörüde bağımlı değişken Δlihrt ( lihrt − lihrt −1 ) olduğu için bulunacak değer 2007 yılı değeri olmayıp 2007 ile 2006 arasındaki farkın öngörüsü olacaktır. Bunu grafiksel olarak görmek için önraporlanan seri ile gerçek serinin yan yana grafiği çizilebilir.063+0. 2.02 -. Bu değer LIHR (logaritmik ihracatın GSMH içindeki payı) serisinin 2006 yılı değerine eklendiğinde 3. DLIHRF .06 .4 -.2 -. Aşamada tahmin edilen model kullanılarak 2007 yılı için ihracatın GSMH içindeki payını tahmin etmek mümkündür. a.e.074 (LIHRF) olarak bulunur. 3. 211. Eviews 5.1 paket programı yardımıyla bulunan 2007 yılı değişim öngörüsü 0.04 .011 olmuştur.g.04 -. öngörü serisinin 2007 yılı ihracatın GSMH içindeki payına ilişkin öngörüsü %21.6 30 40 50 60 70 80 90 00 10 DLIHR Şekil 3.08 .074 değerinin logaritmik dönüşümü yapıldığında.

incelenen bir değişkenin şimdiki ve geçmiş dönemdeki gözlem değerlerini kullanarak sonraki dönemlerde alacağı değerlerin hangi güven sınırları arasında gerçekleşebileceğini ortaya koymak için yapılan çalışmalardır. Çalışmada tek değişkenli zaman serisi modelleri ile sınırlandırılan doğrusal zaman serisi modelleri otoregresif süreç. Bir regresyon modelinde bağımsız değişken konumundaki değişkenler zaman serilerinde bağımlı değişken olarak karşımıza çıkar. Zaman serileri analizi. Günümüzde var olan rekabetle baş edebilmek ve gelişmeyi devam ettirebilmek için firmaların günlük satışlara. önceki dönemlere ait gözlemlerin incelenmesi ve ileriye dönük tahmin yapabilmenin mümkün olmasıdır. Çok geniş bir uygulama alanına sahip zaman serileri. Tahminlerin yapılabilmesine olanak sağlayan verilerin elde edilmesinin en uygun yolu zaman serisi analizidir. Bu çalışmada zaman serileri hakkında genel bilgiler verilerek. zaman serisi modelleme teknikleri anlatılarak modellemede önemli bir yere sahip olan durağanlık kavramı üzerinde durulmuş ve durağanlıkla ilgili testlere yer verilmiştir. üretime. firmalar ve uluslar geleceğe yönelik planlar yapmak zorundadırlar. Zaman serileri. İktisat ve işletme alanlarında zaman serilerinin önem kazanmasının sebebi. istatistik ve ekonomi gibi bilim dallarında geniş bir uygulama alanına sahiptir. Olayları ve aralarındaki ilişkileri öngörmeksizin geleceğe ilişkin planlar yapmak mümkün olmaz.SONUÇ Yaşantısını sürdürmek ve geliştirmek için aileler. yatırıma ve pazarlamaya ilişkin ileriye yönelik planlar yapmaları gereklidir. zaman içinde gözlenen ölçümlerin bir dizisidir. basit şekli ile bir regresyon modeline benzemesine rağmen temel varsayımlarda birbirlerinden ayrılmaktadır. hareketli ortalama süreci ve karma otoregresif 84 . Devletler de gelecekteki gelirlerini ve giderlerini hesaplayabilmek için planlar yapar. Geçmiş yıllara ait verilere sahip olunduğunda zaman serileri yardımıyla bu verileri kullanarak gelecek yıllar hakkında öngörüde bulunulabilir. Zaman serisi.

serinin geçmiş ve gelecek yapısını basit bir cebirsel modelle ifade etmek mümkün olmaz. durağanlıktır. orijinal veri üretme süreçlerinin durağan olması şartını gerektirir. Eğer stokastik süreç zaman boyunca sabitse yani seri durağan ise serinin geçmiş değerleri kullanılarak seriye ait sabit katsayılı bir model elde etmek ve öngörü yapmak mümkündür. Ayrıca otoregresif entegre (bütünleşmiş) hareketli ortalama süreçleri için Box Jenkins model kurma süreci üzerinde durulmuştur. En yaygın dönüşüm çalışmada bahsedildiği gibi fark alma işlemidir. elde edilen stokastik sürecin zamana bağlı olarak değişip değişmediğinin bilinmesi gereklidir. Zaman serisi analizinde bakılması gereken temel istatistiksel özellik. ADF-GLS (Nokta Optimal) ve Ng-Perron birim kök testleri uygulanmıştır. Çünkü birçok istatistiksel model. Bir zaman serisi modeli geliştirildiğinde. Kwiatkowski-Phillips-Schmidt-Shin (KPSS). Zaman serisi modellemesinde kullanılan ve uygun bir öngörü yöntemi olan BoxJenkins (BJ) yaklaşımı ile ülkemizdeki ihracatın GSMH içindeki payı serisi 85 . Bu durum I(1) anlamına gelmektedir.1 paket programı yardımıyla durağanlık analizi için korelogram testi ve en çok kullanılan birim kök testleri olan Genişletilmiş Dickey-Fuller (ADF). gerekse değişkenler arasındaki ilişkilerin tanımlanmasında serilerin durağan olmaları şartı aranmaktadır. Bir zaman serisini durağan hale getirmek için fark alma işleminin kullanılması Box-Jenkins tarafından yaygın hale getirilmiştir. veriler bir dönüşüm yardımıyla durağan hale getirilmeye çalışılır.hareketli ortalama süreç ile homojen durağan olmayan süreç modelleri anlatılmaktadır. Eğer stokastik sürecin niteliği zaman boyunca değişiyorsa yani seri durağan değilse. Bunun için ilk adım olarak durağan olmayan bir zaman serisini durağan hale dönüştürecek dönüşümler hakkında bilgi sahibi olunması gereklidir. Uygulamada Türkiye İstatistik Kurumu (TÜİK) tarafından yayınlanan istatistik göstergelerden olan Türkiye’ de ihracatın gayri safi milli hasıla (GSMH) içindeki payı (%) 1923-2006 yıllık değerleri kullanılmıştır. Gerek tek bir seriye ilişkin öngörülerde. Eviews 5. Zaman serisi analizinde süreç durağan değilse. Bu testler sonucunda serinin düzey değerlerinin durağan olmadığı ancak birinci farklarının durağan olduğu yani serinin bir birim kök içerdiği tespit edilmiştir. Bu yöntemde seride kaç tane birim kök varsa o kadar fark alma işlemi yapılır. PhillipsPerron (PP).

Öngörü serisinin grafiğine bakıldığında da model seçiminin doğruluğu görülmüştür. verilere en uygun bulunan zaman serisi modelinin önraporlaması yapılmıştır. Box Jenkins (BJ) yöntemi kullanılarak serinin ARIMA(1.0) modeli hata terimlerinin (kalıntılarının) temiz dizi (beyaz gürültü) olup olmadığı yani sabit bir ortalama ve varyansa sahip olup olmadığı araştırılmış ve hata terimlerinin temiz dizi olduğu yapılan korelogram testi ile görülmüştür. Seriye uygun olduğu düşünülen ARIMA(1. 86 . d. Başarılı bir tahmin için yöntemin safhaları uygulanarak verilere en uygun ARIMA veri üretme süreci bulunmuştur.62 olarak tahmin edilmiştir. Son aşama olan öngörü aşamasında. Böylece 2007 yılı için önraporlanan ihracatın gayri safi milli hasıla (GSMH) içindeki payı % 21. serinin bütünüyle kendi geçmiş bilgisine dayanarak tahmin yapmaya yöneliktir. p. q değerleri tespit edilen bu modelin parametre tahminleri yapılarak modelin uygun olup olmadığı test edilmiştir. Yöntem.modellenmeye çalışılmıştır.1.1. Böylelikle öngörü için kurulan modelin doğruluğu desteklenmiş olup uygunluk testi sonucunda tahmin modelinin öngörü için uygun olduğu anlaşılmıştır.0) yapısında olduğu tespit edilmiştir.

. Institute Of Economics Aarhus School of Business. P. G. 2008. BALTAGI. s.1998. 2003. Time Series Analysis: Forecasting and Control. 1997.. 2007. DELURGIO.Comp. The Analysis of Time Series: An Introduction. 2005. Barcelona. Yılmaz.. Chris. Badi H. Newyork. USA. San Francisco. Chapman and Hall. A. (1992). Jan ve ENGSTED. CHATFIELD. Berlin Heidelberg. Michael. Sayı: 18. COCHRANE. JENKINS. G. Time Series for Macroeconomics and Finance. Ekin Kitabevi. Blackwell Publishing. John H. BENTZEN. Econometrics. Econometrics. UK. Dept. Newyork. BOX. Barcelona. Bursa. 87 . S. “Short and Long Run Elasticities in Energy Demand: A Cointegration Approach”. Badi H. Springer-Verlag. Forecasting Principles and Applications. Bıçaklar Kitabevi. BOZKURT..KAYNAKLAR AKDİ. Hilal.. 1976. M. CREEL... BALTAGI. 2. A Companion to Theoretical Econometrics. Ankara. Tom. Zaman Serileri Analizi (Birim Kökler ve Kointegrasyon). 2003. Holden Day. Irwing McGraw-Hill. Zaman Serileri Analizi. E. 1995. Of Economics and Economic History.

(1986).DICKEY. R. 12-26. W. 2004. 1997.. John Wiley &Sons. Econometric Methods. Sayı: 2. ve DINARDO. Printice Hall. G. J. W . ERTEK. David A. 2004. J. Walter. No. Beta Yayınları. Econometrica. Basic Econometrics.. R. Newyork. ENDERS.. GUJARATI. JUDGE. D. İstanbul. Aziz. 1. Londra. 2005. (1996). 1995. Learning and Practicing Econometrics. H..J. FULLER. HARRIS. NEWBOLD P. 366. T. s. McGrawHill International Edit.. (1979). Sayı: 49. “Distribution of the Estimators for Autoregressive Time Series With a Unit Root”.A. The McGraw-Hill Comp. “Unit Roots in Time Series Models: Tests and Implications” The American Statistician. s.. John Wiley&Sons.... C. W. Journal of the American Statistical Association. ve STOCK. Ekonometriye Giriş. FULLER.A. W. Sayı: 74. Ankara. ROTHENBERG. GRANGER. “Efficient Tests for an Autoregressive Unit Root”. s.A. 1993. MILLER. Newyork. JOHNSTON. “Likelihood Ratio Statistics for Autoregressive Time Series with a Unit Root” Econometica. KUTLAR. “Spurious Regressions in Econometrics”. s. Robert B. Tümay. (1974). I. J.. Newyork. E.. Using Cointegration Analysis in Econometric Modelling. DICKEY. Journal of Econometrics. Applied Econometrics Time Series. Sayı: 40. 111-120.A. Sayı: 64. Damodar N.. s. 427-431. Uygulamalı Ekonometri. GRIFFITHS. 4. William R. D. G.. Newyork. 1996. 88 . BELL..813-836.. ELLIOTT. Nobel Yayın Dağıtım. (1981). J. HILL ve G.1057-1072.. DICKEY. D. C.

I. ve D. Newyork. (2001). No. P. 435-463. B. Karun.. PINDYCK. PHILLIPS. Beşir Kitabevi. A Handbook of Time Series Analysis Signal Processing and Dynamics. 1996. & SCHMIDT Peter ve SHIN. Sayı: 63. MADDALA. Newyork. s. Econometric Models and Economic Forecasts. ve PERRON.. 2000. G. M. (1989).1519-1554. Unit Root Cointegration and Structural Change.. R. Yongcheol.. Özer.. 147-159. POLLOCK. G. Introduction to Econometrics. “Testing for a Unit Root in Time Series Regression”. s. Journal of Business and Economic Statistics. RUBINFELD. Pierre. Sayı: 75. Uygulamalı İstatistik 2. An Introduction to Applied Econometrics : A Time Series Approach. NEMLİOĞLU. Singapore.KWIATKOWSKI. Sayı: 54. PERRON.B. “Tests for Unit Roots: A Monte Carlo Investigation”. (1996). S.“Useful Modifications to Some Unit Root Tests with Dependent Errors and Their Local Asymptotic Properties” The Review of Economic Studies. 2005. s. 1999. S. G. İstanbul. Kerry. 335-346. SCHWERT. 1998. NG. Macmillan Publishing Company. G. s. 1998. s. SERPER. ve KIM. D. Biometrika. S. PERRON. Great Britain. 159-178. 69. S. Peter C. 1992. (1988). İstanbul. S. Cambridge. MADDALA. PATTERSON. (1992). Cambridge University Press. “Lag Lenght Selection and the Construction of Unit Root Tests with Good Size and Power”. Academic Press.L. “Testing the Null Hypothesis of Stationarity Against the Alternative of a Unit Root: How Sure Are We That Economic Time Series Have a Unit Root?”. Filiz Kitabevi.. P.. Sayı: 7. Peter C. ve NG. 2. USA. Denis & PHILLIPS. Birim Kök Analizinin Temelleri. 89 . S.. Econometrica. Irwin/ McGraw-Hill International Edit. A. Journal of Econometrics.

H. Ruey. John Wiley &Sons. Sayı: 3. Avcı Ofset. Analysis of Financial Time Series. TÜİK. TARI. 2007. WILLIAMS. Nobel Yayın Dağıtım. 90 . Türkiye İstatistik Kurumu Matbaası. Mustafa ve NARGELEÇEKENLER. Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi. Ankara. Garnett. TSAY. 2004. P. 2005. İstatistik Göstergeler 1923-2006. Ekonometri. Joseph Henry Press. Ankara. Cilt: 6. İstanbul.. s. 59-75. Washington DC. Recep. 2005. S.. Zaman Serileri Analizi. USA.SEVÜKTEKİN. Mehmet. (2004). “Türkiye’de Enflasyon ve Ekonomik Büyüme İlişkisi (1924-2002)”. 1997. Chaos Theory Tamed. TERZİ.

File (dosya) menüsünden. new (yeni)-workfile (çalışma dosyası) seçeneği işaretlenir.EK. 91 .1 yardımıyla yapılmıştır. İlgili program komutları ve uygulamaları aşağıdaki şekilde özetlenmiştir. Ekran 1.Eviews El Kitabı Bu çalışmada zaman serisi analizlerine ilişkin sayısal çözümlemeler ekonometri paket programlarından Eviews 5.1 Program Açılım Penceresi Bir çalışma dosyası oluşturmak için.

Ekran 1.2 Program Komutu Penceresi Çalışma dosyası oluştur (workfile create) penceresinden verilerin sıklığı. başlangıç ve bitiş tarihleri girilir.3 Dosya Açma Penceresi 92 . Ekran 1.

Ekran 1.Ekran 1. 93 .4 Komut Satırı İle Dosya Açma Penceresi Çalışma dosyası oluşturmanın bir diğer yolu ise komut satırına Create (oluştur) komutu ile serinin başlangıç ve bitiş tarihini girmektir.5 Veri Girme Penceresi Veri girişi hücrelere yapılır.

7 Yt ve Gecikmesi Yt-1 İle İlerlemesi Yt+1 Değişkenlerinin Komut Penceresinden Oluşturulmasını Gösteren Pencere Yt değişkeninin gecikmesi ve ilerlemesinin komut penceresinden oluşturulması 94 .Ekran 1.6 Grafik Çizme Penceresi View (görünüm) menüsünün altında Graph (grafik) ile serinin grafiği çizilir. Ekran 1.

95 .Ekran 1.8 Yt ve Gecikmesi Yt-1 İle İlerlemesi Yt+1 Değişkenlerinin Seri Yarat Komutu İle Oluşturulmasını Gösteren Pencere Quick (hızlı) menüsünden Generete Series (seri yarat) tıklanarak çıkan bu pencereye seriyi oluşturacak denklemin yazılması suretiyle de bir seriden başka seriler de yaratmak mümkündür.

96 .9 Serinin Korelogramını Çizme Penceresi Seri açıkken View (görünüm) menüsünün altındaki Correlogram tıklarak korelogram penceresi açılır.Ekran 1. serinin düzeyinde. birinci ve ikinci farklarında çizilir. Korelogramda serinin içermesi istenen gecikme sayısı belirtilir. Korelogram.

Kesmeli. trendli ve kesmeli.Ekran 1. Düzey ve fark değerleri seçilir. kesmesiz seçenekleri ile birim kök testi yapılır. 97 . Bilgi kriteri seçimi yapılır.10 Serinin Birim Kök Testlerini Uygulama Penceresi Birim kök testlerinin seçimi yapılır.

Ekran 1.11 Kalıntıların Serisel Korelasyon Testi Penceresi

Model kurulduktan sonra View (görünüm) menüsünün içinde, residual tests (kalıntı testleri) in altında Serial Correlation LM Testi seçilir.

Ekran 1.12 Parametre Testleri Penceresi

Model kurulduktan sonra View (görünüm) menüsünün içinde, coefficient tests (parametre testleri) in altında Wald Coefficient Restrictions Testi seçilir.

98

Ekran 1.13 Φ Testleri İçin Wald Testi

Wald Coefficient Restrictions testi tıklandığında çıkan bu pencereye parametrelerin örnek kısmında gösterildiği gibi girişi yapılır.

Ekran 1.14 Regresyon Denklemi Kurma Penceresi

Quick (hızlı) menüsünden Equation Estimation (denklem tahmini) penceresinden regresyon denklemi kurulabilir.

99

Ekran 1.15 Öngörü Penceresi

Model penceresinden forecast (öngörü) tıklanır. Forecast name (öngörü adı) serinin adının sonuna “f” eklenmiş olarak gelir. Buradan öngörü metodunun dinamik veya statik yöntemlerden hangisi ile yapılacağı seçilir. Son olarak öngörünün örneklem aralığı (forecast sample) girilir.

100

2004 Türkiye İstatistik Kurumu Kars Bölge Müdürlüğünde TÜİK Uzman Yardımcısı olarak görev yapmaya başladı. 2003 Uludağ Üniversitesi İktisadi ve İdari Bilimler Fakültesi. 1993 İzmit Leyla Atakan İlkokulunu bitirdi. 2006 Kafkas Üniversitesi Sosyal Bilimler Enstitüsü İşletme Anabilim Dalında Yüksek Lisans sınavını kazandı. Ekonometri Bölümünden mezun oldu. 1999 İzmit Atılım Lisesini bitirdi. 1996 İzmit Ulugazi Ortaokulunu tamamladı.ÖZGEÇMİŞ 1982 Kocaeli ili İzmit ilçesinde doğdu. 101 .

Sign up to vote on this title
UsefulNot useful